Escolar Documentos
Profissional Documentos
Cultura Documentos
NOTAS DE AULA
ALGEBRA LINEAR
CAMPO GRANDE
2020
i
.
ii
Apresentação
Todas as sugestões que contribuam para tornar o texto mais claro e completo serão
bem vindas e por elas ficaremos muito gratos.
iii
Sumário
Apresentação iii
1.3 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2 Espaços Vetoriais 41
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
iv
Sumário Bruno Dias Amaro
3 Base e Dimensão 66
v
Sumário Bruno Dias Amaro
vi
Capítulo 1
α1 b1 + α2 b2 + ... + αn bn = β
α11 x1 + α12 x2 + ... + α1n xn = β1
α x + α x + ... + α x = β
21 1 22 2 2n n 2
S :
......................................................
α x + α x + ... + α x = β
m1 1 m2 2 mn n m
1
Sistemas Lineares e Matrizes Sistemas Lineares
1 x1 + 1 x2 + 2 x3 = 9
S1 : 2 x1 + 4 x2 − 3 x3 = 1
3 x1 + 6 x2 − 5 x3 = 0
x + y + 2z = 9
S2 : 2x + 4y − 3z = 1
4x + 8y − 6z = 2
admite infinitas soluções, por exemplo, (35/2, −17/2, 0) e (12, −5, 1).
Um sistema S pode ser modificado por meio das chamadas de operações elementares
sobre S, descritas abaixo:
II. Multiplicar uma das equações por um número real não nulo;
III. Somar a uma das equações do sistema uma outra equação multiplicada por um
número real.
2
Sistemas Lineares e Matrizes Sistemas Lineares
x1 − x2 + x3 = 1
S1 : 2 x1 − x2 + x3 = 4
x1 − 2 x2 + 2 x3 = 0
ao sistema equivalente
x1 − x2 + x3 = 1
S2 : x2 − x3 = 2
0 = 1
O sistema S1 é compatível?
Solução:
x 1 − x 2 + x3 = 1 (E1 ) x1 − x2 + x3 = 1 (E1 )
2 x1 − x2 + x3 = 4 (E2 ) (−2E1 + E2 ) ∼ x2 − x3 = 2 (E2 ) (E2 + E3 ) ∼
x1 − 2 x2 + 2 x3 = 0 (E3 ) (−E1 + E3 ) −x2 + x3 = −1 (E3 )
x1 − x2 + x3 = 1
∼ x2 − x3 = 2, que é um sistema incompatível.
0 = 1
3
Sistemas Lineares e Matrizes Sistemas Lineares
α1r1 xr1 + ........................... + α1n xn = β1
α2r2 xr2 + .............. + α2n xn = β2
S : ...........................................
αkrk xrk + ... + αkn xn = βk
0 xn = βk+1
com α1r1 6= 0, α2r2 6= 0, ..., αkrk 6= 0 e ri > 0 , é escalonado se, e somente se, 1 ≤ ri <
r2 < ... < rk ≤ n.
Observe que:
2. de um modo geral, num sistema escalonado o número de zeros “iniciais”em uma equa-
ção é sempre estritamente maior do que o número de zeros “iniciais”da equação
precedente.
Exemplos:
2x−y+z−t=4
x−y+z=1 2x−y+z−t=4
y−2z+t=2
S1 : y − z = −1 S2 : ; S3 : y−2z+t=2
z−2t=0
z = 1/3 2t=0
3t=4
x+y+2z=9
S : 2x+4y−3z=1
3x+6y−5z=0
4
Sistemas Lineares e Matrizes Resolução de Sistemas Lineares
Solução: (lembre que: depois do 1o passo, i-ésima equação significa i-ésima equação do
sistema linear obtido no passo imediatamente anterior e não do sistema linear inicial).
5x−2y+2z=2
3x+3y−2z−t=2
S1 : 3 x + y + 4 z = −1 S2 : 5x+2y+ z−2t=1
4x −3y +z= 3 2 x − y + 3 z − t = −1
................................................
0
S : 0.x1 + 0.x2 + ........ + 0.xn = βi , βi 6= 0
................................................
5
Sistemas Lineares e Matrizes Resolução de Sistemas Lineares
0
Como S é incompatível segue que S também é incompatível.
Exemplo 1:
x+2y− z=5
S : 2x− y+3z=0
x −3y +4z=2
x1 + α12 x2 + ............. + α1n xn = β1
x2 + .............. + α2n xn = β2
0
S :
...........................................
xn = βn
0
Neste caso o sistema S é compatível determinado pois podemos encontrar a sua (única)
solução de maneira recursiva, a partir da última equação, substituindo os valores na
equação anterior.
6
Sistemas Lineares e Matrizes Resolução de Sistemas Lineares
Exemplo 2:
x+2y− z=5
S : 2x− y+3z=0
x − 3 y + 2 z = −5
x+2y− z=5
S ∼ −5 y + 5 z = 10, cuja solução (única) é x = 1, y = 2 e z = 0.
−2z = 0
com p < n. Neste caso podemos eliminar, por meio de operações elementares
Levamos ao segundo membro de cada equação todas as parcelas, com exceção da primeira,
e obtemos
7
Sistemas Lineares e Matrizes Resolução de Sistemas Lineares
x1 = f1
xr = fr
2 2
..
.
xrp = fp
sendo cada fi uma expressão linear nas variáveis xj com j 6= 1, j 6= r2 ,..., j 6= rp . A cada
sequência de valores fixada, obteremos uma solução do sistema e, como p < n, o sistema
é compatível indeterminado.
Exemplo 3:
x+2y− z=5
S : 2x− y+3z=0
x − 3 y + 4 z = −5
(- 4 x + 5 z + 3, y, z, -9 y + 13 z + 7), y, z ∈ R.
8
Sistemas Lineares e Matrizes Resolução de Sistemas Lineares
9
Sistemas Lineares e Matrizes Matrizes
1.3 Matrizes
a11 a12 · · · a1n x1 b1
a21 a22 · · · a2n x2 b2
.. .. .. ..
A= , X = , B = .
.. .
. . . . . .
am1 am2 · · · amn xn bm
A(1) = a11 a12 · · · a1n , A(2) = a21 a22 · · · a2n , · · · , A(m) = am1 am2 · · · amn
são as linhas de A e
a11 a12 a1n
a21 a22 a2n
. , ···
A(1) ..
= , A(2) = . , A(n) ..
=
. . .
am1 am2 amn
são as colunas de A. Dizemos que duas matrizes m × n, A = (aij ) e B = (bij ), são iguais
se, e somente se, aij = bij , para todo 1 ≤ i ≤ m e 1 ≤ j ≤ n. Por exemplo,
! !
2 0 1 y 0 1
= ⇐⇒ x = 1, y = z = 2 e t = 3.
3 x 2 t 1 z
10
Sistemas Lineares e Matrizes Matrizes
a11 + b11 a12 + b12 ··· a1n + b1n
a21 + b21 a22 + b22 ··· a2n + b2n
A+B = .. .. .. ..
. . . .
am1 + bm1 am2 + bm2 · · · amn + bmn
α a11 α a12 · · · α a1n
α a21 α a22 · · · α a2n
..
αA = .. ... ..
. . .
A1 . A + (B + C) = (A + B) + C, ∀ A, B, C ∈ Mm×n (R).
A2 . A + B = B + A, ∀ A, B ∈ Mm×n (R).
A4 . Dada uma matriz A ∈ Mm×n (R), existe uma matriz -A ∈ Mm×n (R) tal que A +
(-A) = 0.
M1 . (α β) A = α (β A).
M2 . (α + β) A = α A + β A.
M3 . α (A + B) = α A + α B.
M4 . 1.A = A.
11
Sistemas Lineares e Matrizes Matrizes
ou seja,
A(1) B(1) A(1) B(2) · · · A(1) B(p)
(2)
A B(1) A(2) B(2) · · · A(2) B(p)
AB = .. .. ... ..
. . .
(m) (m) (m)
A B(1) A B(2) · · · A B(p)
sendo que A(i) representa a i-ésima linha da matriz A e B(j) representa a j-ésima coluna
da matriz B e
n
X
A(i) B(j) = aik bkj ,
k=1
Observações:
0 0 1
12
Sistemas Lineares e Matrizes Matrizes
1, 2, . . . , n.
Propriedades
A (B C) = (A B) C
A (k B + C) = kA B + A C
(k A + B)t = k At + B t
0 0 4 0 0 1
13
Sistemas Lineares e Matrizes Matrizes
14
Sistemas Lineares e Matrizes Matrizes Inversíveis. Sistemas de Cramer
Definição: Dizemos que uma matriz A ∈ Mn (R) é inversível se, e somente se, existir
uma matriz B ∈ Mn (R) de modo que A B = B A = In . Esta matriz, se existir, é chamada
de matriz inversa de A, e é indicada por A−1 .
(III) Somar a uma linha de A uma outra linha de A multiplicada por um número
real.
3 −1 1
15
Sistemas Lineares e Matrizes Matrizes Inversíveis. Sistemas de Cramer
.
1 1 −1 .. 1 0 0
..
ficamos com a seguinte situação:
2 1 1 . 0 1 0
..
3 −1 1 . 0 0 1
obtemos:
.
1 0 0 ..
1 1
4
0 4
0 1 0 ...
1 1
8 2
− 83
.
0 0 1 .. − 5
8
1
2
−8 1
16
Sistemas Lineares e Matrizes Matrizes Inversíveis. Sistemas de Cramer
a11 x1 + a12 x2 + · · · + a1n xn = b1
a x + a x + ··· + a x
21 1 22 2 2n n = b2
S :
......................................................
a x + a x + ··· + a x = bm
m1 1 m2 2 mn n
Fazendo
a11 a12 · · · a1n x1 b1
a21 a22 · · · a2n x b
A= , X = .2 e B = .2
.. .. ..
.
.. . .
. . . . .
am1 am2 · · · amn xn bm
temos que S pode ser escrito na forma matricial A X = B, sendo que a matriz A é
chamada “matriz associada” ao sistema linear S. Chamamos de sistema de Cramer a
um sistema linear como o anterior, com m = n, cuja matriz associada é inversível. Neste
caso, X = A−1 B é a solução do sistema. Em particular, quando o sistema de Cramer n
× n é homogêneo, ele só admite a solução trivial.
17
Sistemas Lineares e Matrizes Matrizes Inversíveis. Sistemas de Cramer
x+y−z=0
Exemplo: Resolver o sistema de Cramer 2x+y+z=1
3x−y+z=1
1 1 −1
Solução: A matriz associada a S é a matriz A = 2 1 1 que já sabemos ser
3 −1 1
1 1
4
0 4
inversível e cuja inversa é A−1 = . Logo, a solução de S é dada por
1 1 3
8 2
− 8
− 58 1
2
− 81
1 1
1
4
0 4
0 4
X=A B=
−1
1 1 3 1
8 2
− 8 1 =
8
− 85 1
2
−81
1 3
8
x+y+z=2
Exercício: Resolver o sistema de Cramer x−y+z=0
y+2z=0
x y z
18
Sistemas Lineares e Matrizes Matrizes Inversíveis. Sistemas de Cramer
Exercícios
1. Encontre o(s) valor(es) da constante k para que o sistema de equações lineares
(
x−y = 3
2x−2y = k
(a) Não admita solução. (b) Admita exatamente uma solução. (c) Admita infinitas
soluções.
2. Mostre que para que o sistema linear S seja compatível é preciso que c = a + b, sendo
x+y+2z = a
S : x+z = b
2x+y+3z = c
19
Sistemas Lineares e Matrizes Matrizes Inversíveis. Sistemas de Cramer
(
2X− Y = A + B
7. Determine matrizes X, Y ∈ M3 (R) de modo que
X + Y = A − B
1 0 0 4 0 0
sendo A = 0 2 0 e B = 0 2 0
0 0 4 0 0 1
10. Determine todas as matrizes quadradas de ordem 3 que comutam com a matriz
a 1 0
A = 0 a 1
0 0 a
!
0 1
11. Se A e B são matrizes reais que comutam com a matriz A = , mostre
−1 0
que A B = B A.
20
Sistemas Lineares e Matrizes Matrizes Inversíveis. Sistemas de Cramer
sendo cij (x) funções diferenciáveis. Definimos a derivada da matriz C(x) como sendo a
matriz 0 0 0
c11 (x) c12 (x) c13 (x)
dC 0 0 0
(x) = c21 (x) c22 (x) c23 (x)
dx
0 0 0
c31 (x) c32 (x) c33 (x)
d dA dB
(A B)(x) = B + A
dx dx dx
13. Dada uma matriz A = (aij ) ∈ Mm×n (R) chamamos de transposta de A, a matriz
n × m At = (bji ), sendo bji = aij , 1 ≤ i ≤ m e 1 ≤ j ≤ n. Mostre que
(c) ((A)t )t = A.
21
Sistemas Lineares e Matrizes Determinantes
1.5 Determinantes
O determinante é um número que está associado com uma matriz quadrada. Para
os nossos propósitos neste curso, o determinante é principalmente utilizado para deci-
dir se uma matriz é invertível. No entanto, o determinante tem outras interpretações.
Além disso, aparece em aplicações variadas, como a fórmula de mudança de variáveis em
integrais múltiplas.
No caso em que ambas as entradas a e c são nulas, sabemos de antemão que A não pode
ser uma matriz invertível, pois neste caso sua primeira coluna não possui posição de pivô.
Suponhamos que a 6= 0 (caso contrário, poderíamos fazer uma troca de linhas). Por
eliminação Gaussiana, chegamos a
! ! !
a b − ac `1 +`2 em `2 a b a b
−−−−−−−−−→ = . (1.2)
c d 0 − bca + d 0 ad−bc
a
def
det A = ad − bc. (1.3)
22
Sistemas Lineares e Matrizes Determinantes
a31 a32 a33 0 a11 a32 − a31 a12 a11 a33 − a31 a13 0 A23 A22
(1.8)
Em breve (esperamos que) ficará clara a escolha da notação acima. O passo seguinte no
escalonamento será, supondo que A33 6= 0, eliminar o elemento A23 que está na posição
32. Temos assim
a11 a12 a13 a11 a12 a13 a11 a12 a13
A = a21 a22 a23 ∼ 0 A33 A32 ∼ 0 A33 A32 . (1.9)
23
Sistemas Lineares e Matrizes Determinantes
Nosso raciocínio é que nossa matriz A é uma matriz invertível se esta última coluna possuir
uma posição de pivô, isto é, se A22 A33 − A32 A23 6= 0. Este último pode ser escrito mais
explicitamente como
A22 A33 − A32 A23 = (a11 a22 − a21 a12 )(a11 a33 − a31 a13 ) − (a11 a32 − a31 a12 )(a11 a23 − a21 a13 )
= a211 a22 a33 − a11 a22 a31 a13 − a21 a12 a11 a33 + (
a21(a( a31
12(
(a(
13 +
(
− a211 a32 a23 + a11 a32 a21 a13 + a31 a12 a11 a23 − (
a31(a( a21
12(
(a(
(
13
= a11 a11 a22 a33 − a22 a31 a13 − a21 a12 a33 − a11 a32 a23 + a32 a21 a13 + a31 a12 a23
(1.10)
a11 a22 a33 − a22 a31 a13 − a21 a12 a33 − a11 a32 a23 + a32 a21 a13 + a31 a12 a23 6= 0. (1.11)
def
det A = a11 a22 a33 − a11 a32 a23 − a12 a21 a33 + a12 a31 a23 + a13 a21 a32 − a13 a31 a22 . (1.12)
Observamos que a expressão acima está cheia de simetrias, por exemplo, cada um dos
elementos da matriz A aparece exatamente duas vezes. Além disso, aparece uma vez com
sinal positivo e outra com sinal negativo. Podemos escrever:
det A = a11 a22 a33 − a32 a23 − a12 a21 a33 + a31 a23 + a13 a21 a32 − a31 a22 .
(1.13)
! ! !
a22 a23 a21 a23 a21 a22
= a11 · det − a12 · det + a13 · det
a32 a33 a31 a33 a31 a32
Esta última fórmula (que é apenas uma outra forma de escrever a nossa definição de
determinante de uma matriz de ordem 3 × 3), apesar de aparentemente complicada, nos
permite entender como que os coeficientes de uma matriz aparecem na definição de det A.
24
Sistemas Lineares e Matrizes Determinantes
• Nós vamos percorrer a primeira linha da esquerda para a direita, alternando o sinal
e multiplicando por determinantes menores.
Denotamos por A11 a matriz obtida ao remover a linha e a coluna no elemento a11 .
• Em seguida, vamos para o segundo elemento da primeira linha, que é a12 . Alteramos
o sinal e multiplicamos pelo determinante menor da matriz A12 , obtida de A ao
eliminar a linha e a coluna de a12 :
!
def a21 a23
a21 a23 A12 = . (1.16)
a31 a33
a31 a33
25
Sistemas Lineares e Matrizes Determinantes
det A = a11 det A11 − a12 det A12 + a13 det A13 . (1.18)
0 2 1
Agora, já sabemos como calcular determinantes de matrizes 2 × 2, que é o que nos resta
fazer:
2 4 3
1 2 −1 = 2 2 · 1 − 2 · (−1) − 4 1 · 1 − 0 · (−1) + 3 1 · 2 − 0 · 2
0 2 1 (1.21)
= 2 · 4 − 4 · 1 + 3 · 2 = 10. C
0 2 1
26
Sistemas Lineares e Matrizes Determinantes
= 2 + 3 · 1 − 4 · 2 = −3.
Analise com atenção como os sinais alternam, independentemente dos sinais dos coefici-
entes da matriz! C
Dada uma matriz quadrada A de ordem n × n, obtemos uma matriz menor Aij ao
remover a linha i e coluna j. Agora é possível entender a notação escolhida no início deste
capítulo, na fórmula (1.9). Definimos o cofator (i, j) de A por
def
Cij = (−1)i+j det Aij . (1.24)
Este sinal ±1 na definição do cofator é o que faz com que o sinal seja levado em conside-
ração corretamente.
27
Sistemas Lineares e Matrizes Determinantes
nando os sinais. Isto é possível de fazer utilizando qualquer linha ou qualquer coluna.
Basta descobrirmos com qual sinal devemos começar. Construímos uma “matriz” com os
sinais que cada posição da matriz nos dá. Vamos colocar o sinal de (−1)i+j na posição ij
da matriz:
(−1)1+1 (−1)1+2 (−1)1+3 + − +
(−1)2+1 (−1)2+2 (−1)2+3 ! − + − . (1.27)
3+1 3+2 3+3
(−1) (−1) (−1) + − +
Claro que poderíamos fazer esta matriz de sinais para matrizes de qualquer ordem.
1 0 3
Uma boa escolha seria uma linha ou coluna que tenha o maior número de zeros! Pois
assim, economizamos tanto nos cálculos quanto na escrita. Por exemplo, escolhemos a
segunda coluna. Para saber o sinal adequado, podemos proceder da seguinte maneira:
começando na posição 11 com o sinal “+”, vamos alternando o sinal até completar a
segunda coluna:
+ + − + − + − −
+ + sinais segunda coluna são + .
− −
(1.30)
Assim, podemos calcular
−1 1 4
3 −1
3 0 −1 = −1 · + 0 − 0 = −1(9 + 1) = −10. (1.31)
1 3
1 0 3
Observe que nem escrevemos as determinantes menores que estão multiplicados por zero.
28
Sistemas Lineares e Matrizes Determinantes de matrizes de ordem maior
De fato, nem precisaríamos ter escrito os zeros, apenas o fizemos para exemplificar os
sinais alternando de forma correta.
A segunda coluna, neste caso, era a melhor escolha para o cálculo do determinante,
pois apenas um elemento é não nulo. De qualquer maneira, para praticar, vamos calcular
ainda mais uma vez det A, agora utilizando a terceira linha. Sinais que aparecem na frente
dos coeficientes, de acordo com a terceira linha:
+
− sinais terceira linha são + − + . (1.32)
+ − +
Logo,
−1 1 4
1 4 −1 1
3 0 −1 = 1 · −0+3· = 1 · (−1) + 3 · (−3) = −10. (1.33)
0 −1 3 0
1 0 3
det A = a11 det A11 − a12 det A12 + a13 det A13 − a14 det A14 + · · · + (−1)1+n a1n det A1n .
(1.34)
ou, na notação dos cofatores:
det A = a11 C11 + a12 C12 + a13 C13 + a14 C14 + · · · + a1n C1n . (1.35)
Nossa definição é de fato recorrente, pois para calcular det A, de acordo com a defini-
ção, nós precisaremos calcular vários determinantes de ordem n − 1. Estes por sua vez,
consistem de vários determinante de ordem n − 2, e assim por diante. Isto implica, em
particular, que o cálculo de determinantes é, em geral, uma tarefa bastante trabalhosa.
29
Sistemas Lineares e Matrizes Determinantes de matrizes de ordem maior
Assim como na seção anterior, podemos utilizar qualquer linha ou coluna desde que
com os sinais corretos:
Teorema 1.6.1. Podemos calcular o determinante de A a partir de qualquer linha ou de
qualquer coluna. Mais precisamente:
det A = ai1 Ci1 + ai2 Ci2 + ai3 Ci3 + · · · + ain Cin . (1.36)
det A = a1j C1j + a2j C2j + a3j C3j + · · · + anj Cnj . (1.37)
Exemplo 1.6.1. Calcular o determinante da matriz de ordem 4 × 4:
−2 3 0 4
1 0 −1 0
A=
3
. (1.38)
2 1 1
−2 2 0 1
Na tentativa de evitar muitas contas, vamos escolher para começar, uma linha ou coluna
que possua o maior número de zeros possível. Neste caso, poderia ser a segunda linha ou a
terceira coluna. Vamos escolher a segunda linha (calcule, como exercício, o determinante
utilizando a terceira coluna). Os sinais são:
+
− + − +
sinais segunda linha são − + − + . (1.39)
Logo,
−2 3 0 4
3 0 4 −2 3 4
1 0 −1 0
= −1 · 2 1 1 + 0 − (−1) · 3 2 1 + 0. (1.40)
3 2 1 1
2 0 1 −2 2 1
−2 2 0 1
Perceba que os dois zeros evitaram que calculássemos dois determinantes de ordem 3. Em
seguida, calculamos cada um dos determinantes de ordem 3 (no primeiro deles, escolhemos
30
Sistemas Lineares e Matrizes Determinantes de matrizes de ordem maior
a segunda coluna, por possuir dois zeros; no segundo, qualquer escolha seria parecida, já
que a matriz não tem entradas nulas – escolhemos a terceira coluna):
−2 3 0 4
3 0 4 −2 3 4
1 0 −1 0
= − +
2 1 1 3 2 1
3 2 1 1
2 0 1 −2 2 1
−2 2 0 1
! (1.41)
3 4 3 2 −2 3 −2 3
= −1 · + 4· −1· +1·
2 1 −2 2 −2 2 3 2
= (−1) · (−5) + 4 · 10 − 1 · 2 + 1 · (−13) = 30. C
(1.42)
A=
3 8 6 0 0.
0 7 5 4 0
2 3 1 1 1
Começamos pela última coluna, pois esta possui apenas uma entrada não nula. Assim,
nosso determinante já é reduzido a calcular apenas um determinante de ordem 4 × 4 (em
contraste com calcular cinco determinantes 4 × 4).
31
Sistemas Lineares e Matrizes Propriedades do determinante
Assim:
2 0 0 8 0
2 0 0 8 2 0 0 8
1 −7 −5 0 0
1 −7 −5 0 1 −7 −5 0
(1.44)
3 8 6 0 0 = 0 − 0 + 0 − 0 + 1 · = .
3 8 6 0 3 8 6 0
0 7 5 4 0
0 7 5 4 0 7 5 4
2 3 1 1 1
!
−7 −5 8 6 −7 −5
det A = 2 · 4 · −8 −3·
(1.46)
8 6 7 5 7 5
= 8 · (−2) − 8(−2 + −3 · 0) = −16 + 16 = 0.C
(i) O determinante depende linearmente de cada uma das linhas, isto é, se fizermos
uma combinação linear de uma linha apenas, poderíamos ter feito uma combinação
32
Sistemas Lineares e Matrizes Propriedades do determinante
(iii) O determinante de uma matriz triangular é igual ao produto dos elementos da dia-
gonal principal.
(iv) A operação elementar “trocar duas linhas de lugar” altera o sinal do determinante.
(v) A operação elementar de somar o múltiplo de uma linha à outra não altera o de-
terminante. Em outras palavras, se um múltiplo de uma linha de A for somado à
outra linha formando a matriz B, então det A = det B.
(vii) Para quaisquer duas matrizes A e B de mesma ordem, det(AB) = det A det B.
(ix) Todos os itens acima que envolvem operações com linhas poderiam ser enunciados
com “colunas” no lugar de “linhas”.
Várias destas propriedades já devem ser familiares para os leitores destas notas de
aula, com a possível exceção do comportamento do determinante com as operações ele-
mentares de escalonamento. E estas vão ser muito úteis no cálculo do determinante.
Vamos enfatizar estas propriedades abaixo. O método para calcular o determinante por
escalonamento, segue o seguinte raciocínio:
• Caso seja necessário uma troca de linhas para que a posição de pivô fique com um
elemento não nulo, somos permitidos de fazer a troca, desde que alterando o sinal
do determinante, como nos diz a propriedade (iv) acima;
33
Sistemas Lineares e Matrizes Propriedades do determinante
Observe que “adicionamos um múltiplo da linha i na linha j”. Atentem para o fato
de que não pode haver coeficiente diferente de 1 em `j .
• Caso queiramos, para simplificar as contas, multiplicar ou dividir uma linha por um
fator qualquer, podemos fazer uma aplicação cuidadosa da linearidade enunciada
na propriedade (i) acima. Considerando β = 0, esta propriedade se transforma em
“colocar um fator α de uma linha em evidência”:
a
11 · · · a 1n
a
11 · · · a 1n
. .. .. ..
.. . . .
αai1 · · · αain = α · ai1 · · · ain . (1.49)
. ..
. .. ..
. . . .
an1 · · · ann an1 · · · ann
34
Sistemas Lineares e Matrizes Propriedades do determinante
Observe que a terceira coluna tem duas entradas nulas. Podemos ainda utilizar uma
operação elementar para eliminar uma das entradas: por exemplo, substituir `3 + `2 em
`2 . Assim:
−2 3 0 4 −2 3 0 4 + − +
1 0 −1 0 4 2 0 1 −
lembrando sinais (1.54)
= .
3 2 1 1 3 2 1 1 +
−2 2 0 1 −2 2 0 1 −
Note que a terceira coluna agora ficou com apenas uma entrada não nula; logo, utilizando
35
Sistemas Lineares e Matrizes Propriedades do determinante
Nota: antes de eliminarmos o 3, já reparamos que o determinante vai ser nulo, graças à
36
Sistemas Lineares e Matrizes Uma aplicação em cálculo de várias variáveis
propriedade (ii). C
37
Sistemas Lineares e Matrizes Uma aplicação em cálculo de várias variáveis
Para uma região R do plano R2 , vamos verificar como fazer para escrever uma integral
dupla em coordenadas polares. Sabemos que
ZZ ZZ
f dA = f (x, y) dx dy. (1.62)
R R
A função φ que muda de coordenadas polares para Cartesianas pode ser escrita como
Para uma região R do espaço R3 , vamos verificar como fazer para escrever uma integral
tripla em coordenadas esféricas. O raciocínio segue as mesmas linhas da subseção anterior
para coordenadas polares. Sabemos que
ZZZ ZZZ
f dA = f (x, y, z) dx dy dz. (1.67)
R R
38
Sistemas Lineares e Matrizes Uma aplicação em cálculo de várias variáveis
A função φ que muda de coordenadas esféricas para Cartesianas pode ser escrita como
φ(ρ, θ, φ) = (ρ sen φ cos θ, ρ sen φ sen θ, ρ cos φ), onde ρ > 0, θ ∈ (0, 2π) e φ ∈ (0, π).
(1.68)
Isto é, as componentes são
cujo Jacobiano é (usando, por exemplo a segunda coluna para expandir em cofatores)
sen φ sen θ ρ cos φ sen θ sen φ cos θ ρ cos φ cos θ
Jφ = ρ sen φ sen θ + ρ sen φ cos θ
cos φ −ρ sen φ cos φ −ρ sen φ
= ρ sen φ sen θ − ρ sen2 φ sen θ − ρ cos2 φ sen θ + ρ sen φ cos θ − ρ sen2 φ cos θ − ρ cos2 φ cos θ
= ρ sen φ sen θ − ρ sen θ + ρ sen φ cos θ − ρ cos θ = −ρ2 sen φ sen2 θ + cos2 θ
= −ρ2 sen φ = ρ2 sen φ.
(1.71)
Na última igualdade, utilizamos que φ ∈ (0, π) implica sen φ > 0, de modo que o valor
absoluto está considerado corretamente. Portanto, a fórmula de mudança de variáveis
implica que, em coordenadas polares:
ZZZ ZZ ZZZ
f dA = f (x, y, z) dx dy dz = f (ρ sen φ cos θ, ρ sen φ sen θ, ρ cos φ) ρ2 sen φ dρ dθ dφ,
R R φ−1 (R)
(1.72)
como é de costume em cursos de cálculo.
39
pulando folha
40
Capítulo 2
Espaços Vetoriais
2.1 Introdução
• (α.β)~u = α(β~u);
• 1.~u = ~u.
41
Consideremos, agora, o conjunto Mm×n (R) das matrizes reais de m linhas e n colunas
(m,n ≥ 1). Também em Mm×n (R) estão definidas duas operações: adição de matrizes e
uma multiplicação de uma matriz por um número real (multiplicação por escalar).
• (α.β)A = α(βA);
• (α + β)A = αA + βA;
• α(A + B) = αA + αB;
• 1.A = A.
42
[A3 ] Existe em V um elemento neutro aditivo, denotado por 0, isto é, existe
0 ∈ V tal que u + 0 = 0 + u = u
[A4 ] Todo elemento u ∈ V admite um elemento oposto em V, denotado por
-u, tal que u + (-u) = (-u) + u = 0
Observação: Da mesma forma como definimos espaços vetoriais sobre R, podemos definir
espaços vetoriais sobre C. Nesse caso, ao definirmos a multiplicação por escalar, isto
é feito considerando-se escalares complexos; isto é, definimos a multiplicação de um um
número complexo por um elemento de V: (α, u) ∈ C × V 7−→ α u ∈ V, satisfazendo
aos mesmos axiomas M1 a M4 .
.
Notação: (V, +, )R denota um espaço vetorial real
Exemplos:
.
1. (R, +, ): O conjunto dos números reais com as operações usuais de adição e
multiplicação de números reais é um espaço vetorial real.
.
2. (R2 , +, ) é um espaço vetorial real, sendo:
R2 = {(x1 , x2 ): x1 , x2 ∈ R}
adição: (x1 , x2 ) + (y1 , y2 ) := (x1 + y1 , x2 + y2 ) ∈ R2
multiplicação por escalar: α(x1 , x2 ) := (αx1 , αx2 ) ∈ R2
43
O elemento neutro da adição é o par ordenado 0 = (0, 0) ∈ R2 e o oposto x = (x1 ,
x2 ) é o elemento - x = (- x1 , - x2 ) ∈ R2 .
.
4. (C, +, )R : O conjunto dos números complexos (isto é, o conjunto dos números da
√
forma a + b i, sendo a,b ∈ R e i = −1), com as operações usuais de adição de
números complexos e multiplicação de um número complexo por um número real é
um espaço vetorial real.
adição: (a + bi) + (x + yi) := (a + x) + (b + y)i ∈ C
multiplicação por escalar: α(a + bi) := (αa) + (αb)i ∈ C
5. (C, +, ◦)C : O conjunto dos números complexos com as operações usuais de adição
e multiplicação de números complexos é um espaço vetorial complexo.
adição: (a + bi) + (x + yi) := (a + x) + (b + y)i ∈ C
multiplicação por escalar: (α + βi)(x + yi) := (αx - βy) + (αy + βx)i ∈ C
44
Aqui também o elemento neutro da adição é o número complexo 0 = 0 + 0i ∈ C e
o oposto z = a + bi é o número complexo - z = - a - bi ∈ C.
.
7. (Mm×n (R), +, ) é um espaço vetorial real, sendo
+: a operação usual de soma de matrizes
.: a multiplicação usual de uma matriz por um número real.
O elemento neutro da adição é a matriz nula 0m×n .
O elemento oposto da matriz A = (aij )m×n é a matriz - A = (- aij )m×n ∈ Mm×n (R).
8. Assim como para V = C foi possível definir duas estruturas de espaço vetorial (a
real e a complexa), para V = Mm×n (C) podemos dar duas estruturas distintas de
espaço vetorial, obtendo, desta forma, o espaço vetoriai real (Mm×n (C), +, )R e .
o espaço vetorial complexo (Mm×n (C), +, ◦)C .
Nos dois casos, a adição é a adição usual de matrizes . Com relação à multipliucação,
teremos:
. é a multiplicação de uma matriz por um número real
◦ é a multiplicação de uma matriz por um número complexo
.
9. (Pn (R), +, ) é um espaço vetorial real, sendo:
Pn (R) = {p(t) = a0 + a1 t + a2 t2 + . . . + an tn : ai ∈ R, ∀ i = 1, 2, . . . , n}; isto é,
Pn (R) é o conjunto formado por todos os polinômios de grau menor ou igual a n (n
≥ 1).
Se p(t) = a0 + a1 t + a2 t2 + . . . + an tn e q(t) = b0 + b1 t + b2 t2 + . . . + bn tn são
dois elementos genéricos de Pn (R) e α ∈ R definimos:
adição:
45
p(t) + q(t) = [a0 + a1 t + a2 t2 + . . . + an tn ] + [b0 + b1 t + b2 t2 + . . . + bn tn ] :=
:= [a0 + b0 ] + [a1 + b1 ]t + [a2 + b2 ]t2 + . . . + [an + bn ]tn
multiplicação por escalar:
αp(t) = α[a0 + a1 t + a2 t2 + . . . + an tn ] := (αa0 ) + (αa1 )t + (αa2 )t2 + . . . + (αan )tn
10. Considere o intervalo [0, 1] ⊂ R. O conjunto C([0, 1]) de todas as funções contínuas
definidas em [0, 1] e com valores em R é um espaço vetorial sobre R, sendo que dadas
f , g ∈ C([0, 1]) e α ∈ R,
adição: f + g : t ∈ [0,1] −→ f(t) + g(t) ∈ R
multiplicação por escalar: α f : t ∈ [0,1] −→ α f(t) ∈ R
11. Sejam U e V dois espaços vetoriais, ambos reais ou ambos complexos. Considere o
conjunto U × V = {(u, v) : u ∈ U e v ∈ V}. Dados (u1 , v1 ), (u2 , v2 ) ∈ U × V e k
∈ K (K = R ou C), definimos:
def
adição: (u1 , v1 ) + (u2 , v2 ) = (u1 + u2 , v1 + v2 ) ∈ U × V
def
multiplicação por escalar: k.(u1 , v1 ) = (k.u1 , k.v1 ) ∈ U × V
.
(U × V, +, ) é um K-espaço vetorial.
O elemento neutro da adição é o par ordenado 0 = (0U , 0V ) ∈ U × V e o oposto
do elemento x = (u, v) é o par ordenado - x = (-u, -v) ∈ U × V.
46
Observações:
.
1. Se (V, +, ) é um espaço vetorial real (ou complexo), por analogia com G.A.,
chamamos de vetor qualquer elemento de V. Ainda usando a nomenclatura de G.A.,
chamamos de escalar qualquer elemento de R (ou de C).
Exercícios:
Exemplo importante: Os exemplos vistos até agora são os chamados usuais. Faremos
agora, com detalhes, um exemplo “diferente”: as operações definidas não serão as canônicas
(daí a importância do exemplo).
adição: u ⊕ v := u.v ∈ V
47
De fato: Consideremos u, v, w ∈ V e α, β ∈ R. Verifiquemos que os 8 axiomas da
definição de espaços vetoriais são satisfeitos.
A1 . u ⊕ v = v⊕ u
def def
Temos que: u ⊕ v = u.v = v.u = v ⊕ u
A2 . (u ⊕ v) ⊕ w = u ⊕ (v ⊕ w)
def def def def
Temos que: (u ⊕ v) ⊕ w = u.v ⊕ w = (u.v).w = u.(v.w) = u.(v ⊕ w) = u ⊕ (v
⊕ w)
M1 . α × (β×u) = (αβ)×u
def def def
Temos que: α × (β×u) = α×(uβ ) = (uβ )α = uβα = uαβ = (αβ)×u
M4 . 1×u = u
def
De fato: 1×u = u1 = u.
48
o que conclui a demonstração de que (V, ⊕, ×) é um espaço vetorial real.
P1 . α. |{z}
0 = |{z}
0 .
vetor vetor
A M A
De fato: α.0 =3 α.(0 + 0) =3 α.0 + α.0. Logo: 0 =4 α.0 + [-(α.0)] = (α.0 + α.0)+
A A A
+ [-(α.0)] =2 α.0 + [α.0 + -(α.0)] =4 α.0 + 0 =3 α.0
P2 . |{z}
0 .u = |{z}
0 .
n0 .real vetor
M A
De fato: 0.u = (0 + 0).u =2 0.u + 0.u e dessa forma 0 =4 [-(0.u)] + 0.u = [-(0.u)] +
| {z }
n0 .real
A2 A A
+ [0.u + 0.u] = [-(0.u) + 0.u] + 0.u =4 0 + 0.u =3 0.u .
P3 . Se α u = |{z}
0 , com α ∈ R e u ∈ V , então α = |{z}
0 ou u = |{z}
0 .
vetor n0 .real vetor
M M hipótese −1 P1
u =4 1.u = (α−1 α).u =1 α−1 (α.u) = α .0 = 0
P5 . α(u - v) = αu - αv.
def M P def
De fato: α(u - v) = α[u + (-v)] =2 αu + α(-v) =4 αu + (-αv) = αu - αv.
P6 . (α - β)u = αu - βu.
49
M P def
De fato: (α - β)u = [α + (-β)]u =2 αu + (-β)u =4 αu + (-βu) = αu - βu.
(1)
e+u=u=u+e
Então:
(1) (A3 )
0=e+0 = e
3. Se u ∈ V, então -(-u) = u.
De fato: Basta notar que: se u + v = v + u = 0, então, por definição, o vetor u é
o oposto do vetor v. Mas:
u + (-u) = (-u) + u = 0
50
e portanto u é o oposto de -u; isto é u = -(-u).
a. Resolver a equação 3 u + 2 x = v + w.
Somando-se o oposto do vetor 3u aos dois membros da equação dada, obtemos:
A A
(-3u) + [3u + 2x] = (-3u) + [v + w] ⇐⇒2
[(-3u) + 3u] + 2x = (-3u) + [v + w] ⇐⇒
4
A4 A3 A2
⇐⇒ 0 + 2x = (-3u) + [v + w] ⇐⇒ 2x = (-3u) + [v + w] ⇐⇒ 2x = -3u + v + w
Multiplicando-se os dois membros da última equação por 12 , obtemos:
M M M
1
2
(2x)
= 12 (-3u + v + w) ⇐⇒ 1
( 12 .2)x = 12 (-3u + v + w) ⇐⇒
2
1.x = - 32 u + 12 v + 21 w ⇐⇒
4
M4
⇐⇒ x = - 23 u + 21 v + 12 w
Substituindo-se u, v, w, obtemos:
x = - 32 (1, 2, 1) + 21 (3, 1, -2) + 21 (4, 1, 0) = (- 32 , -3, - 32 ) + ( 23 , 12 , -1) + (2, 12 , 0) =
= (- 32 + 3
2
+ 2, -3 + 1
2
+ 12 , - 32 -1 + 0) = (2, -2, - 25 ).
(
u+y = v+z
b. Resolver o sistema de equações
v+2z = y
Resposta: y = -2u + v = (1, -3, -4) e z = -u = (-1, -2, -1).
51
2.3 Subespaços Vetoriais
1. 0 ∈ W;
3. Para todos α ∈ R e u ∈ W, α u ∈ W.
Notação: W ⊆
sev
V
Prova: Basta ver que W é fechado para as operações de V (adição de vetores e multi-
plicação de um vetor por um escalar), e, portanto, as operações definidas em V também
são operações definidas em W. Além disso, as propriedades A1 e A2 e as propriedades da
multiplicação valem para todos elementos de V, valendo, portanto, para os elementos de
W. Finalmente, como o vetor nulo de V pertence a W, as propriedades A3 e A4 também
são satisfeitas em W e, portanto, W é um espaço vetorial real.
Exemplos:
52
3. Seja S um sistema linear homogêneo de 2 equações e 3 incógnitas:
a1 x + b1 y + c1 z = 0
S:
a2 x + b2 y + c2 z = 0
5. P2 (R) ⊆
sev
P5 (R), sendo P2 (R) = {a0 + a1 t + a2 t2 : ai ∈ R, i = 0, 1, 2} e
P5 (R) = {b0 + b1 t + . . . + b5 t5 : bi ∈ R, i = 0, 1, . . . , 5}
8. O exemplo anterior pode ser generalizado: o conjunto S(n) constituído por todas as
matrizes simétricas de ordem n é um subespaço vetorial de Mn (R).
53
9. O conjunto A(3) = {A ∈ M3 (R) : aij = - aji , ∀ i, j} das matrizes anti-simétricas de
ordem 3 é um subespaço vetorial de M3 (R).
Observe que: como, para cada par (i, j), aij = - aji , segue que a11 = a22 = a33 =
0 e, portanto, uma matriz anti-simétrica de ordem 3 genérica é do tipo:
0 a12 a13
−a12 0 a23
−a13 −a23 0
54
U ∩ W é um subespaço vetorial de V.
αu + v ∈ U, pois U sev V
⊆
u, v ∈ U
u, v ∈ U ∩ W =⇒ e =⇒ e =⇒ αu + v ∈ U ∩ W
αu + v ∈ W, pois W sev V
⊆
u, v ∈ W
U + W := {u + w : u ∈ U e w ∈ W}
55
Definição: Se U, W são subespaços vetoriais de um espaço vetorial V tais que
U ∩ W = {0}, então o subespaço soma é chamado soma direta de U e W e é denotado
por U ⊕ W.
Observação: Se U, W ⊆
sev
V são tais que U ⊕ W = V, dizemos que U e W são suple-
mentares.
(⇐=) Mostremos, agora, que se cada elemento de V se escreve de modo único como uma
soma de um elemento de U com um de W, então V = U ⊕ W.
É claro, pela hipótese, que V = U + W. Resta mostrarmos que U ∩ W = {0}. Para isso,
consideremos x ∈ U ∩ W. Então: se u ∈ U e v ∈ V, teremos:
u + v = (u + x) + (v - x) ∈ U + W
Exemplos:
56
2. R3 não é soma direta dos subespaços U = {(0, y, 0): y ∈ R} e W = {(x, 0, 0): x
∈ R}. Por quê?
1. Se S = ∅, então [ S ] = [ ∅ ]
convenção
= {0}
57
Propriedades: Fixemos V: um espaço vetorial e S, S1 , S2 subconjuntos de V.
P1 . S ⊆ [ S ]
P2 . S1 ⊂ S2 =⇒ [ S1 ] ⊆ [ S2 ]
P4 . S1 , S2 ⊆ V =⇒ [ S1 ∪ S2 ] = [ S1 ] + [ S 2 ]
! !
1 0 0 0
Exemplo: Em M2 (R), considere u = ev= Encontre [ u, v ].
0 0 1 1
Logo:
( ! )
x 0
[ u, v ] = : x, y ∈ R
y y
Definição: Dizemos que um espaço vetorial V é finitamente gerado se, e somente se,
existe S ⊂ V, S finito, de maneira que V = [ S ].
Exemplos:
1. V3 = espaço vetorial dos vetores de G.A. é finitamente gerado pois {~i, ~j, ~k} gera V3 .
58
( ! ! ! !)
1 0 0 1 0 0 0 0
3. M2 (R) é finitamente gerado pois S = , gera
0 0 0 0 1 0 0 1
M2 (R).
Generalização: Mn (R) é finitamente gerado pois o subconjunto de n2 matrizes
reais
1 0 0 · · · 0 0 1 0 ··· 0 0 0 ··· 0
0
0 0 0 · · · 0 · · · 0 · · · 0
0 0 0 0 0 0
S=
0 0 0 · · · 0 · · · 0 · · · 0
, 0 0 0 , · · · , 0 0 0
. . . .
.. .. .. . . ...
. . . . . .. . .. ..
. . ..
.. .. .. ..
. . . . . .
0 0 0 ··· 0
0 0 0 ··· 0 0 0 0 ··· 1
n×n n×n n×n
gera Mn (R).
4. R3 é finitamente gerado pois S = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} gera R3 .
Generalização: Rn é finitamente gerado pois
S = {(1, 0, 0, . . ., 0), (0, 1, 0, . . ., 0), · · · , (0, 0, 0, · · · ,1)}
gera Rn .
59
Exercício 1: Consideremos no espaço vetorial V = R3 os vetores u = (0, 1, 0) e v = (0,
1, 1) e S = {u, v}. Então [ S ] = [ u, v ] = {α u + β v : α, β ∈ R} = { (0, α + β, β) :
α, β ∈ R}. Como o sistema α + β = y, β = z é compatível determinado, podemos escrever
(a) Determine U = [ u1 , u2 ] e V = [ v1 , v2 ].
Solução:
a+b=0
b=c
b=d
60
Exercício 3: Pn (R) é finitamente gerado, por exemplo, pelo conjunto de polinômios
{ p0 = 1, p1 = t, p2 = t2 , p3 = t3 , ... , pn = tn }, uma vez que todo polinômio de Pn (R) é
da forma
Solução:
00 0
y − 5y + 6y = 0 (2.1)
sendo que as funções procuradas devem ter as derivadas de primeira e segunda ordens
contínuas e estão definidas em R. Uma função y(x) que satisfaz (2.1) é chamada de
solução da equação.
a. Mostre que as funções y1 (x) = e2x e y2 (x) = e3x são soluções de (2.1).
61
b. Mostre que o conjunto de todas as soluções é um subespaço vetorial de C(R, R).
c. Mostre que qualquer combinação linear y(x) = α1 y1 (x) + α2 y2 (x) também é uma
solução de (2.1).
Exercícios
0 0 1 1 0 −1
62
(c) W = {(x, y, z) ∈ R3 : y é irracional};
5. Seja P(R) = conjunto de todos os polinômios. Quais dos seguintes conjuntos abaixo
são subespaços de P(R)?
63
(a) U = {(x, y, z) ∈ R3 : x - 2y = 0};
(d) U ∩ V;
(e) V + W.
64
pulando folha
65
Capítulo 3
Base e Dimensão
α1 u1 + α1 u2 + ... + αr ur = 0, αi ∈ R,
é tomando α1 = α2 = ... = αr = 0.
66
Definição: Um conjunto infinito de vetores L = {u1 , u2 , ... , ur , . . .} ⊂ V é
Convenção: ∅ ⊆ V é LI.
Solução: Vamos resolver apenas o item (d). Os outros itens são deixados como exercícios
para o leitor.
a+2b+6c=0
S= 2a+4b+3c=0
4a + b + c=0
a+2b+6c=0
a+2b+6c=0
−9 c = 0 ∼ b + 23
7
c=0
−7 b − 23 c = 0 c=0
67
Portanto a única solução de S é a terna (a, b, c) = (0, 0, 0), o que mostra que L4 é
L.I.
a) L1 = {1, x - 1, x2 + 2 x + 1 , x2 }.
b) L2 = {x4 + x - 1 , x3 - x + 1 , x2 - 1}.
Solução: Exercício.
Exemplo 3: Determine m para que o conjunto de vetores L = {(3, 5m, 1), (2, 0, 4),
( 1, m, 3)} do espaço R3 seja L.I.
Solução: Se a(3, 5m, 1) + b(2, 0, 4) + c(1, m, 3) = (0, 0, 0), então, para que L seja LI
é preciso que a única solução do sistema linear homogêneo
3a+2b+ c=0
5ma + mc=0
a+4b +3c=0
seja a trivial (0, 0, 0) e para que isto aconteça o sistema deve ser compatível determinado.
Escalonando o sistema temos
a + 4 b + 3 c = 0 a+4b +3c=0
a+4b +3c=0
−10 b − 8 c = 0 ∼ −10 b − 8 c = 0 ∼ −10 b − 8 c = 0
−20 m b − 14m c = 0 2mc=0 mc=0
68
Propriedades da dependência linear
u 1 = α 2 u 2 + α 3 u 3 + . . . + αr u r ;
69
e portanto u1 = α2 u2 + α3 u3 + . . . + αr ur + 0.ur+1 + . . . + 0.un
ou seja, u1 é combinação linear dos vetores u2 , u3 , . . ., ur , ur+1 , . . ., un , o que mostra
que L2 é LD.
α1 u1 + α2 u2 + α3 u3 + . . . + 0.ur + . . . + 0.un = 0
u1 = α2 u2 + α3 u3 + . . . + αr ur (∆)
[1)] [ L ] ⊂ [ L - {u1 } ].
Dado v ∈ [ L ], provemos que v ∈ [ L - {u1 } ]:
v = β 1 u1 + β 2 u2 + . . . + βr ur
70
∆
= β 1 (α2 u2 + α3 u3 + . . . + αr ur ) + β 2 u2 + . . . + βr ur
= (β 1 α2 + β 2 )u2 + (β 1 α3 + β 3 )u3 + . . . + (β 1 αr + βr )ur ; ou seja, é possível
escrever v como combinação linear dos elementos de L - {u1 }.
[2)] [ L - {u1 } ] ⊂ [ L ].
Como L - {u1 } ⊆ L, a inclusão pretendida segue imediatamente da propriedade
P2 da página 40.
é LD e que
Determine [ L ] e [ L-{ (-1, 2, -1, -2)}] = [(1, 2, 1, 0), (0, 2, 0, 0), (1, 3, 2, 1)]. Mostre
0
que L = {(1, 2, 1, 0), (0, 2, 0, 0), (1, 3, 1, 1)} é um conjunto LI de vetores.
71
a) [ B ] = V.
b) B é linearmente independente.
Observações:
v = α1 u1 + α2 u2 + ... + αn un
v = α1 u1 + α2 u2 + ... + αn un = β1 u1 + β2 u2 + ... + βn un
Então:
(α1 − β1 ) u1 + (α2 − β2 ) u2 + ... + (αn − βn ) un = 0
α1 − β1 = α2 − β2 = . . . = αn − βn = 0
e portanto
α1 = β1 ; α2 = β2 ; . . . ; αn = βn
72
α1
α2
[v]B =
..
.
αn B
Exemplos:
( ! ! ! !)
1 0 0 1 0 0 0 0
3) B = , , , ⊂ M2 (R) é uma base de M2 (R).
0 0 0 0 1 0 0 1
Generalização: o subconjunto de Mn (R)
1 0 0 ··· 0 0 1 0 ··· 0 0 0 ··· 0
0
0 0 0 · · ·
0 0 0 0 · · · 0 0 0 · · · 0
0
B = 0 0 0 · · · 0 , 0 0 0 · · · 0 , · · · , 0 0 · · · 0
0
. . . . .. . . . . .. . .. ..
. . ..
.. .. .. . . .. .. .. . . ..
. . . . . .
0 0 0 ···
0 0 0 0 ··· 0 0 0 0 ··· 1
n×n n×n n×n
73
1 0 ··· 0
0 0 1 ··· 0
0 0 0 ··· 0
0
0
0 · · · 0
0
0
0 · · · 0
0
0
0 · · · 0
0
5. B = 0 0 · · · 0
0 , 0 0 · · · 0
0 , · · · , 0 0 · · · 0
0
. .. ..
. . . .. . .. ..
. . .. . .. ..
. . ..
. .. ..
. . . . . .. . . . . .
0 0 ··· 0 0 0 ··· 0 0 0 ··· 1
0
0 0
m×n m×n m×n
Observação: As bases dadas nos exemplos anteriores são chamadas de bases canônicas.
a) [ B ] = P3 (R)
a0 + a1 t + a2 t2 + a3 t3 = α (1) + β (1 + t) + γ (1 + t2 ) + δ (1 + t3 )
74
b) B é LI
Prova: Seja V um espaço vetorial finitamente gerado. Se V = {0}, então ∅ é uma base
de V, conforme convencionado anteriormente. Suponhamos, então, V 6= {0}. Então,
existe um subconjunto finito e não vazio L ⊂ V tal que V = [ L ]. Como L 6= ∅, segue
que existem subconjuntos de L que são não vazios e LI. Seja B um destes subconjuntos,
com a propriedade de ter o maior número possível de elementos. Afirmamos que B é uma
base de V.
75
[2] (ver Referências Bibliográficas).
• 1) dim V3 = 3.
• 2) dim {0} = 0.
• 3) dim M2 (R) = 4.
Generalização: dim Mn (R) = n2 .
• 4) dim R3 = 3.
Generalização: dim Rn = n.
• 6) dim P3 (R) = 4.
Generalização: Pn (R) = n + 1.
76
Solução: Escalonando o sistema temos
x − y − z − t=0
2y + 5z−t=0
−2 t = 0
WS = [(− 23 , − 52 , 1, 0)].
Esse não é um resultado válido apenas para o exemplo acima. É um caso particular do
seguinte resultado geral:
1) B é Li =⇒ B é base de V.
77
De fato: Basta ver que, dado u ∈ V, o conjunto {v1 , v2 , · · · , vn , u} é LD (uma vez
que possui n + 1 elementos e dim V = n) e portanto u é combinação linear dos
elementos de B.
2) B gera V =⇒ B é base de V.
De fato: Suponha, por absurdo, que B não seja LI. Então existe um índice i para o
qual vi é combinação linear dos demais vetores de B . Logo, B0 = B - {vi } gera V,
o que é um absurdo, pois dim V = n.
S = {u1 , u2 , · · · , v1 , v2 , · · · vn }
• S0 é LI;
78
• S0 é contém L.
Mostremos que B é uma base de V. É claro que, pelo modo como foi escolhido, B é LI.
Exemplo : Se L = {v1 = (2, 1, 1, 0), v2 = (1, 2, 0, 1)}, então L é LI. Logo, pelo Teorema
do Completamento, existem dois vetores de v3 , v4 ∈ R4 que completam {v1 , v2 } para
uma base do R4 ; isto é, o subconjunto {v1 , v2 , v3 , v4 } é uma base do R4 .
Prova: Pela Proposição anterior, W é finitamente gerado e, portanto, admite uma base.
79
Como dim W = dim V, toda base de W também é uma base de V. Logo, todo vetor de
V também pertence a W; ou seja, V ⊂ W e como W ⊂ V, segue que V = W.
c e f 0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0
+ e 0 0 1 + f 0 0 0
0 1 0 0 0 1
gera S3 . Além disso, é fácil verificar (faça isso!!) que B é LI e portanto uma base de
S3 . Logo, dim S3 = 6.
80
(a) V = [ u1 ,..., ui ,..., uj , ... , ur ] = [ u1 ,..., uj , ..., ui ,..., ur ]
Exemplo 1: Consideremos W = [(2, 1, 1, 0), (1, 0, 1, 2), (0, -1, 1, 4), (3, 1, 2, 2), (1, -1,
2, 6)] e formemos a matriz (simbólica)
2 1 1 0
1 0 1 2
0 −1 1 4
3 1 2 2
1 −1 2 6
Nesse caso, para obter a situação (c) acima descrita, aplicamos sucessivamente as opera-
ções dadas nos itens (a) e (b), do seguinte modo:
• 3. Substitui-se:
81
. a3 a
linha por -2L1 + L3 ;
. a4 a
linha por -3L1 + L4 ;
. a5 a
linha por -L1 + L5 ;
• 4. Substitui-se:
. a3 a
linha por L2 + L3 ;
. a4 a
linha por L2 + L4 ;
. a5 a
linha por -L2 + L5 .
0 0 0 0
donde podemos concluir que W = [(1, 0, 1, 2), (0, -1, 1, -4)] e que {(1, 0, 1, 2), (0, 1,
-1, -4)} é uma base de W.
Portanto W = [(-1, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)], e como B = {(-1, 1, 0, 0), (0, 0, 1, 0),
(0, 0, 0, 1)} é L.I., B é uma base de W, e assim dim W = 3. Pela definição do subespaço
U + W, temos que U + W = [(1, 0, 1, 0), (0, 1, 0, 0), (-1, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0,
82
1)]. Vamos usar o critério anterior :
1 0 1 0 1 0 1 0 1 0 0 0
0 1 0 0 0 1 0 0 0 1 0 0
∼ 0 ∼ 0
−1 1 0 0 0 1 0 0 1 0
0 0 1 0 0 0 0 1 0 0 0 1
0 0 0 1 −1 1 0 0 0 0 0 0
Como B0 = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)} é L.I., B0 é uma base de U
+ W e assim dim (U + W) = 4. Como U + W sev ⊆
R4 , segue que U + W = R4 .
• 1) B é L.I.:
Suponhamos que
α1 v1 + α2 v2 + . . . + αr vr + β 1 u1 + β 2 u2 + . . . + βs us + γ 1 w1 + γ 2 w2 + . . . + γt wt
=0
Logo:
α1 v1 + α2 v2 + . . . + αr vr + β 1 u1 + β 2 u2 + . . . + βs us = −γ 1 w1 − γ 2 w2 − . . . − γt wt (∆)
| {z } | {z }
U W
Observe que: do lado esquerdo da igualdade acima, temos um elemento de U e do
lado direito, temos um elemento de W e portanto o vetor γ 1 w1 + γ 2 w2 + . . . + γt wt
pertence ao subespaço U ∩ W, sendo, dessa forma, combinação linear da base B1
de U ∩ W. Em outras palavras, existem escalares λ1 , λ2 , . . . , λr tais que
83
γ 1 w1 + γ 2 w2 + . . . + γt wt = λ1 v1 + λ2 v2 + . . . + λr vr
e portanto
λ1 v1 + λ2 v2 + . . . + λr vr - γ 1 w1 - γ 2 w2 - . . . - γt wt = 0
Ou seja, obtivemos o vetor nulo escrito como combinação linear dos vetores v1 ,
v2 , . . ., vr , w1 , w2 , . . ., wt . Mas esses vetores formam uma base de W e, portanto,
são L.I., donde concluímos que λ1 = λ2 = . . . = λr = γ 1 = γ 2 = . . . = γt = 0.
Substituindo-se em ∆, segue que:
α1 v1 + α2 v2 + . . . + αr vr + β 1 u1 + β 2 u2 + . . . + βs us = 0
e agora obtivemos o vetor nulo escrito como combinação linear dos vetores v1 , v2 , . . .,
vr , u1 , u2 , . . ., us que, por sua vez, formam uma base de U e, portanto, são L.I.; donde
concluímos que α1 = α2 = . . . = αr = β 1 = β 2 = . . . = βs = 0, concluindo, dessa
forma, a prova de que B é LI.
• 2) [ B ] = U + W:
De fato:
u ∈ [ B ] ⇐⇒ u = α1 v1 + α2 v2 + . . . + αr vr + β 1 u1 + β 2 u2 + . . . + βs us +
| {z }
U
+ γ 1 w1 + γ 2 w2 + . . . + γt wt ⇐⇒ u ∈ U + W.
| {z }
W
dim U:
84
Os geradores de U estão na forma escalonada e portanto B = {(1, 1, 0, 0), (0, 0, 1,
0)} é uma base de U. Logo dim U = 2.
dim V:
Logo: V = [(1, 0, 0, -1), (0, 1, -1, 0)] e como esses geradores de V estão na forma
escalonada, segue que B0 = {(1, 0, 0, -1), (0, 1, -1, 0)} é uma base de V e portanto dim
V = 2.
dim U + V:
Assim U + V = [(1, 1, 0, 0), (0, 1, -1, 0), (0, 0, 1, 0), (0, 0, 0, -1)] e como esses vetores
são LI, segue que formam uma base de U + V e portanto dim (U+V) = 4.
dim U ∩ V:
Logo U ∩ V = (0, 0, 0, 0) e B 00
= ∅ é uma base de U ∩ V.
85
Note que: Nesse caso R4 = U ⊕ V.
dim U:
dim V:
Logo: V = [(1, 0, 0, 0), (0, 1, -1, 0), (0, 0, 0, 1)] e como esses geradores estão na forma
escalonada, segue que B0 = {(1, 0, 0, 0), (0, 1, -1, 0), (0, 0, 0, 1)} é uma base de V e
portanto dim V = 3.
dim U + V:
0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0
86
1 0 0 0
0 1 −1 0
∼
0 0 1 0
0 0 0 1
0 0 0 0
Assim U + V = [(1, 0, 0, 0), (0, 1, -1, 0), (0, 0, 1, 0), (0, 0, 0, 1)] e como esses vetores
são LI, segue que formam uma base de U + V e portanto dim (U+V) = 4.
dim U ∩ V:
Exercícios
87
(b) V = {(x, y, z, t) ∈ R4 : x - y + z = -2t e x + 2y + t = 0}
9. Determinar uma base e a dimensão do espaço solução de cada um dos sistemas lineares
homogêneos:
x−y=0
x+y+z=0
x−y−z−t=0
(a) 2x − 3y = 0 (b) 2x − y − 2z = 0 (c) 3x − y + 2z − 4t = 0
6x + y = 0 x + 4y + 5z = 0 2y + 5z + t = 0
10. Para que valores reais de reais de a o conjunto B = {(a, 1, 0), (1, a, 1), (0, 1, a)} é
uma base de R3 ?
88
12. Determinar as coordenadas do polinômio t3 em relação à seguinte base de P3 (R):
{1, 2 - t, t2 + 1, 1 + t + t3 }.
n
X
ou seja, para cada j, 1 ≤ j ≤ n, vj = aij ui . A matriz quadrada de ordem n
i=1
a11 a12 ... a1n
a21 a22 ... a2n
P =
.
. ... .
an1 an2 ... ann
89
a11 a12 a1n
a21 a22 a2n
[v1 ]B =
.. ,
[v2 ]B =
.. ,
···, [vn ]B =
..
. . .
an1 an2 ann
Exemplo 1: Determine a matriz P de mudança da base B = {(-1, 1), (1, 1)} para a base
C = {(1, 0), (0, 1)}.
Solução: Para obter a matriz P = (aij ), devemos escrever os elementos da base C como
combinação linear dos elementos da base B; isto é:
1 1
−
2 2
segue que P =
1 1
2 2
Exemplo 2: Determine a matriz de mudança da base B = {(-1, 2, 1), (0, 1, 1), (1, 0,
2)} do R3 para a própria base B.
Solução: Para obter a matriz P = (aij ), devemos escrever os elementos da base B como
combinação linear dos próprios elementos da base B; isto é:
(−1, 2, 1) = a11 (−1, 2, 1) + a21 (0, 1, 1) + a31 (1, 0, 2) = (−a11 + a31 , 2a11 + a21 , a11 + a21 + 2a31 )
( 0, 1, 1) = a12 (−1, 2, 1) + a22 (0, 1, 1) + a32 (1, 0, 2) = (−a12 + a32 , 2a12 + a22 , a12 + a22 + 2a32 )
( 1, 0, 2) = a13 (−1, 2, 1) + a23 (0, 1, 1) + a33 (1, 0, 2) = (−a13 + a33 , 2a13 + a23 , a13 + a23 + 2a33 )
90
e portanto resolvendo os sistemas lineares
−a11 + a31 = −1
−a12 + a32 = 0
−a13 + a33 = 1
2a11 + a21 = 2 , 2a12 + a22 = 1 , 2a13 + a23 = 0
a11 + a21 + 2a31 = 1 a12 + a22 + 2a32 = 1 a13 + a23 + 2a33 = 2
1 0 0
segue que P = 0 1 0
0 0 1
Solução: Para obter a matriz P = (aij ), devemos escrever os elementos da base C como
combinação linear dos elementos da base B; isto é:
segue que
1 2
−
3 3
P =
1 1
3 3
91
Exemplo 4: Considere as bases B = {(1, 1), (-1, 1)} e C = {(1, -1), (1, 1)} do R2 .
Solução:
(i) Para obter a matriz P = (aij ), devemos escrever os elementos da base C como
combinação linear dos elementos da base B; isto é:
(1, −1) = a11 (1, 1) + a21 (−1, 1) = (a11 − a21 , a11 + a21 )
( 1 , 1) = a12 (1, 1) + a22 (−1, 1) = (a12 − a22 , a12 + a22 )
segue que !
0 1
P =
−1 0
(ii) a matriz Q = (bij ), devemos escrever os elementos da base B como combinação linear
dos elementos da base C; isto é:
(1, 1) = b11 (1, −1) + b21 (1, 1) = (b11 + b21 , −b11 + b21 )
(−1, 1) = b12 (1, −1) + b22 (1, 1) = (b12 + b22 , −b12 + b22 )
92
segue que
!
0 −1
Q =
1 0
Exemplo 5: Mostre que a matriz de mudança da base B = {(1, 0, 2), (2, 1, 0), (0, 1, 2)}
para a base C = {(1, 1, 0), (0, 1, 0), (0, 0, 3)} é a matriz P abaixo e calcule sua inversa
P−1 : 1
− 3 −1 1
2 1 1
P = 3
2
− 2
1 1 1
3 2 2
Para tal, (a, b, c), (d, e, f) e (g, h, i) devem ser, respectivamente, soluções dos sistemas
lineares
1a+2b+0c=1
1d+2e+0f=0
1g+2h+0i=0
0a+1b+1c=1 , 0d+1e+1f=1 , 0g+1h+1i=0
2a+0b+2c=0 2d+0e+2f=0 2g+0h+2i=3
93
a+2b=1 d+2e=0
g+2h=0
b+ c=1 , e+ f=1 , h+ i=0
2b+2c=0 2d+2f=0 2g+2i=3
e a inversa de P é :
1 2 0
P−1 = −1 −1 1
2
3
0 32
94
cujas soluções são:
a=1
d=2 g=0
b = −1 , e = −1 , h=1
c = 32 f=0 i = 32
1 2 0
e portanto Q = −1 −1 1
2
3
0 32
Observações:
95
matriz das coordenadas de u na base C é
y1
y2 −1
[u]C =
= P . [u]B
yn
Ou seja:
[u]C = MC,B.[u]B
1 1 −1
q1 (t) = 1 (1) + 0 (1 + t) + 1 (1 − t2 ) = 2 − t2 ,
q2 (t) = 0 (1) + 1 (1 + t) + 1 (1 − t2 ) = 2 + t − t2 ,
q3 (t) = 2 (1) + 2 (1 + t) − 1 (1 − t2 ) = 3 + 2t + t2
Logo C = {2 - t2 , 2 + t - t2 , 3 + 2t + t2 }.
96
Exercício 4: No exercício anterior, determine a matriz das coordenadas do vetor p(t)
em relação à base B sabendo que suas coordenadas na base C são (2, 1, 5).
y3 5
Como
P = MB,C ;
segue que:
x1 2 2 1 0 2 2 12
[p]B = x2 = (P−1 )−1 . 1 = P. 1 = 0 1 2 . 1 = 11
x3 5 5 1 1 −1 5 −2
Exercícios
97
!
1 2
para a base C (ambas de um mesmo subespaço de P2 (R) é .
1 −1
( ! )
x y
6. Considere o seguinte subespaço vetorial de M2 (R): U = :x−y−z=0
z t
(c) Achar uma base D de U de tal maneira que a matriz de mudança de D para B seja
1 2 0
0 0 2.
0 3 1
98
pulando folha
99
Capítulo 4
Transformações Lineares
4.1 Aplicações
F(W) = {F(u) ∈ V : u ∈ W}
Im F = {F(u) ∈ V : u ∈ U}.
100
tal que F(u) = v. Definição: Dizemos que uma aplicação F : U → V é
Definição: Dados dois espaços vetoriais reais ou complexos, dizemos que uma aplicação
T : U → V é uma transformação linear de U em V se e somente se as duas condições
a seguir estão satisfeitas:
2. T(α u) = α T(u), ∀ α ∈ R e ∀ u ∈ U.
101
Exemplos:
def
2. T(αu) = T(α(m, n)) = T(αm, αn) = (αm + αn, αm - αn, 2.αn) =
102
def
= α(m + n, m - n, 2n) = α.T(m,n) = αT(u)
4. Para toda sequência (aij ) de números reais dados, a aplicação T : Rn → Rp dada por
def def
2. D(α.p(t)) = D((αp)(t)) = (αp)0 (t) = α.p0 (t) = α.D(p(t))
Z 1
6. A aplicação T : C([0, 1], R) → R definida por T(f) = f(s) ds
0
é um funcional linear.
De fato: Sejam f, g ∈ C([0, 1], R) e α ∈ R arbitrários. Então:
Z 1 Z 1 Z 1
def def
1. T(f + g) = (f + g)(s) ds = f(s) ds + g(s) ds = T(f) + T(g)
0 0 0
Z 1 Z 1
def def
2. T(αf) = (αf)(s) ds = α. f(s) ds = α T(f)
0 0
103
2. Fica a cargo do leitor mostrar que T(αp(t)) = α.T(p(t)).
T(X) = X − Xt
é um operador linear.
De fato: Sejam A, B ∈ Mn (R) e α ∈ R. Então:
def
1. T(A + B) = (A + B) - (A + B)t = (A + B) - (At + Bt ) = A + B - At - Bt =
def
= (A - At ) + (B - Bt ) = T(A) + T(B)
def def
2. T(αA) = αA - (αA)t = α(A - At ) = αT(A)
a11 a12 a13
9. A aplicação T : M3 (R) → R que a cada matriz A = a21 a22 a23 associa o
def
2. T(αA) = T(α(aij ) = T((α.aij )) = αa11 + αa22 + αa33 = α(a11 + a22 +
def
a33 ) =
def
= αtr A = αT(A)
104
n
X
T(A) = tr A = aii ,
i=1
é um funcional linear.
10. Sejam P ∈ Mn (R) uma matriz inversível e T : Mn (R) → Mn (R) dada por
T(X) = P−1 X P.
def def
2. T(α.A) = P−1 (α.A) P = α. P−1 A P = α.T(A)
Exercícios:
1. No Exemplo 3, determine T(1, 2), T(3, 2), T(1, 0), T(0, 1) e T(0, 0). Além disso, se
W1 = {(x, y) ∈ R2 : x = y} e W2 = {(x, y) ∈ R2 : x + y = 1}, encontre T(W1 ) e
T(W2 ).
Solução:
• T(1, 2) = (1 + 2, 1 - 2, 2.2) = (3, -1, 4);
105
• Se w1 = (x, y) ∈ W1 , então y = x e assim T(w1 ) = T((x, x)) = (x + x, x - x, 2x)
= (2x, 0, 2x) = 2x(1, 0, 1), e daí concluimos que T(W1 ) = {2x(1, 0, 1) : x ∈ R} =
= [(1, 0, 1)];
P2 . T(-u) = - T(u), ∀ u ∈ U.
T linear
De fato: T(-u) = T((-1).u) = (-1).T(u) = -T(u)
106
P4 . Se W é um subespaço vetorial de U então o conjunto imagem de W por T,
T(W) = {T(w) ∈ V : w ∈ W} é um subespaço vetorial de V.
De fato: Temos que mostrar que estão satisfeitas as condições para que T(W) seja
um subespaço vetorial.
(i) 0 ∈ T(W) pois, como W é subespaço vetorial de U, 0 ∈ W.
P
Logo, 0 =1 T(0) ∈ T(W)
n
! n
X X
P5 . T ai ui = ai T(ui )
i=1 i=1
n
! n n
!
T linear
X X X
De fato: T ai ui = T a1 u1 + ai ui = T(a1 u1 ) + T ai ui =
i=1
|i=2{z } i=2
u∈U
n
! n
!
X X
= T(a1 u1 ) + T a2 u2 + ai ui = T(a1 u1 ) + T(a2 u2 ) + T ai ui = ···
i=3 i=3
T linear
= T(a1 u1 ) + T(a2 u2 ) + · · · + T(an un ) = a1 T(u1 ) + a2 T(u2 ) + · · · + an T(un ) =
n
X
= ai T(ui ).
i=1
Observação: As duas condições para que uma aplicação seja linear podem ser reescritas
de um modo mais simples, dado pela Proposição seguinte:
107
Prova: (=⇒) Sejam α um escalar e u1 , u2 elementos arbitrários de U. Então:
T linear T linear
T(αu1 + u2 ) = T(αu1 ) + T(u2 ) = α T(u1 ) + T(u2 )
hip M
T(0) = T(1.0 + 0) = 1.T(0) + T(0) =4 T(0) + T(0) =⇒ T(0) = 0
M hip M
T(u1 + u2 ) =4 T(1.u1 + u2 ) = 1.T(u1 ) + T(u2 ) =4 T(u1 ) + T(u2 )
A hip A
T(αu1 ) =3 T(αu1 + 0) = α T(u1 ) + T(0) = α T(u1 ) + 0 =3 α T(u1 )
def M M def
Hβ (αu + v) = β(αu + v) =3 β(αu) + βv =1 α(βu) + βv = αHβ (u) + Hβ (v).
Exercício 2: Seja F : R2 −→ R2 um operador linear tal que F(-1, 1) = (1, -8) e F(2, 3) =
= (8, -9). Determine F(x, y), sendo (x, y) um vetor genérico do R2 .
108
Solução: Observe que o conjunto B = {((-1, 1), (2, 3)} é uma base do R2 , pois B é
constituído de dois vetores não proporcionais do R2 . Logo, para qualquer (x, y) ∈ R2 ,
existem α, β ∈ R tais que
Mas:
Isto é:
(x, y) = −3x+2y
5
(-1, 1) + x+y
5
(2, 3)
e dessa forma:
F linear −3x+2y hip
F(x, y) = F( −3x+2y
5
(-1, 1) + x+y
5
(2, 3)) = 5
F(-1,1) + x+y
5
F(2,3) =
hip −3x+2y
= 5
(1, -8) + x+y
5
(8, -9) = (x + 2y, 3x - 5y).
• F(1 + t + t2 ) = 1 + 2t + 3t2 ;
2 + 3t + 4t2 = (1 + t + t2 ) + (1 + 2t + 3t2 )
devemos ter
109
hip hip
1 + 8t + 27t2 = F(2 + 3t + 4t2 ) = F(1 + t + t2 ) + F(1 + 2t + 3t2 ) = (1 + 2t +
3t2 ) +
+ (1 + 4t + 9t2 ) = 2 + 6t + 12t2 ,
Exercícios
2. Seja P uma matriz inversível de Mn (R). Mostrar que F: Mn (R) −→ Mn (R) dada
por F(X) = P−1 X P é um operador linear.
3. Seja C([0, 1]) o espaço vetorial das funções reais contínuas definidas em [0, 1]. Mostre
que F: R2 −→ C([0, 1]) dada por F(x, y) = x et + y e2t , ∀ (x, y) ∈ R2 , é uma aplicação
linear.
4. Seja ϕ(t) um elemento fixo do espaço vetorial C([0, 1]). Mostre que é um operador
linear a aplicação F: C([0, 1]) −→ C([0, 1]) definida por F(f(t)) = f(t). ϕ(t), ∀ f(t) ∈
C([0, 1]).
6. Seja F: R3 −→ R3 o operador linear tal que F(1, 0, 0) = (2, 3, 1), F(0, 1, 0) = (5, 2,
7) e F(0, 0, 1) = (-2, 0, 7). Determinar F(x, y, z), sendo (x, y, z) um vetor genérico do
R3 .
110
7. Consideremos o espaço vetorial C sobre R e seja F: C −→ C tal que F(z) = z, ∀ z
∈ C. Mostre que F é um operador linear. Se considerarmos C como C-espaço vetorial F
ainda seria um operador linear?
0
(a) F: Pn (R) −→ Pn (R) tal que F(f(t)) = tf (t), ∀ f(t) ∈ Pn (R);
0 00
(b) F: Pn (R) −→ Pn (R) tal que F(ft)) = f (t) + t2 f (t), ∀ f(t) ∈ Pn (R).
11. Seja F o operador linear do R2 tal que F(1,0) = (2, 1) e F(0, 1) = (1, 4).
111
( ) Se F(w) = F(u) + F(v) então w = u + v.
13. Dados os vetores u1 = (2, -1), u2 = (1, 1), u3 = (-1, -4), v1 = (1, 3), v2 = (2, 3) e
v3 = (-5, -6), decida se existe ou não um operador linear T: R2 −→ R2 tal que T(u1 )
= u1 , T(u2 ) = u2 e T(u3 ) = u3 .
16. Seja T: R2 −→ R2 o operador linear definido por T(x, y) = (5x + 4y, -3x - 2y).
Encontre vetores não-nulos u = (x, y) e v = (z, t) tais que T(u) = u e T(v) = 2v. Essa
soluções são únicas? É possível encontrar w 6= 0 em R2 tal que T(w) = α w, com α 6=1
e α 6= 2?
17. Seja A ∈ Mn (R) uma matriz fixa. Mostrar que a aplicação F : Mn (R) −→ Mn (R)
definida por F(X) = XA - AX, ∀ X ∈ Mn (R), é linear. Se A = λIn , para λ ∈ R, como é
F?
112
4.3 Núcleo e Imagem de uma Transformação Linear
Ker F = {u ∈ U : F(u) = 0}
Im F = F(U) = {F(u) ∈ V : u ∈ U}
Observação: Note que da definição anterior temos que Ker F e Im F são subconjuntos
de U e V, respectivamente.
Veremos, mais a frente, que Ker F e Im F são mais do que simples subconjuntos.
Solução:
1. Ker F = ?
(a, b) ∈ Ker F ⇐⇒ F(a, b) = (0, 0) ⇐⇒ (0, a - 2b) = (0, 0) ⇐⇒ a - 2b = 0 ⇐⇒
⇐⇒ a = 2b e portanto (chamando b de x)
Ker F = {(2x, x) : x ∈ R}
2. Im F = ?
(a, b) ∈ Im F ⇐⇒ existe um par (c, d) ∈ R2 tal que (a, b) = F(c, d) ⇐⇒ (a,
b) =
= (0, c - 2d) ⇐⇒ a = 0 e b = c - 2d. Portanto, chamando c - 2d de x
Im F = {(0, x) : x ∈ R}
113
a. Ker F é um subespaço vetorial de U.
Prova:
De fato:
(=⇒) Supondo que F seja injetora, devemos mostrar que Ker F = {0}. Para isso,
consideremos u ∈ Ker F um elemento arbitrário do núcleo da aplicação linear F.
Então:
F injetora
u ∈ Ker F =⇒ F(u) = F(0) = 0 =⇒ u=0
(⇐=) Mostremos agora que vale a recíproca, isto é, supondo que Ker F = {0},
devemos mostrar que F é injetora. Para isso, consideremos u1 , u2 ∈ U tais que
F(u1 ) = F(u2 ). Então:
F linear def
F(u1 ) = F(u2 ) =⇒ F(u1 ) - F(u2 ) = 0 =⇒ F(u1 - u2 ) = 0 =⇒ u1 - u2 ∈ Ker F
hip
=⇒
hip
=⇒ u1 - u2 = 0 =⇒ u1 = u2 =⇒ F é injetora,
o que completa a demonstração do resultado enunciado.
114
Exemplo 1: O operador derivada não é injetor pois, por exemplo, f(t) ≡ 1 e g(t) ≡ 2
são tais que D(f(t)) = D(g(t)) = 0; isto é f(t), g(t) ∈ Ker (D) e portanto Ker (D) 6= {0}.
Ou seja, ficou mostrado que Ker F 6= {0} e que, portanto, F não é injetora.
Observação: No Exemplo 2, é fácil ver que os geradores obtidos para Ker F são linear-
mente independentes e que, portanto, formam uma base de Ker F. Em outras palavras,
obtivemos que Ker F é um subespaço vetorial de M2 (R) tal que dim Ker F = 3.
Prova: Seja B1 = {u1 , u2 , · · · , ur } uma base de Ker F. Podemos estender esta base a
uma base B2 = {u1 , u2 , · · · , ur , v1 , v2 , · · · , vs } de U usando o Teorema do Completa-
mento. Vamos mostrar que B = {F(v1 ), F(v2 ), · · · , F(vs )} é uma base de Im F.
[a.] [B] = Im F
Seja v ∈ Im F. Então existe u ∈ U tal que F(u) = v. Como B2 é base de U temos que
u = α1 u1 + α2 u2 + · · · + αr ur + β1 v1 + β2 v2 + · · · + βs vs
115
com αi , βj ∈ R, i = 1, · · · , r, j = 1, · · · , s. Logo, como F(ui ) = 0, i = 1, · · · , r,
v = F(u) = F(α1 u1 + α2 u2 + · · · + αr ur + β1 v1 + β2 v2 + · · · + βs vs ) =
= α1 F(u1 ) + α2 F(u2 ) + · · · + αr F(ur ) + β1 F(v1 ) + β2 F(v2 ) + · · · + βr F(vs ) =
| {z } | {z } | {z }
0 0 0
= β1 F(v1 ) + β2 F(v2 ) + · · · + βs F(vs )
[b.] B é L.I.
β1 v1 + β2 v2 + · · · + βs vs = v = α1 u1 + α2 u2 + · · · + αr ur
Assim
Como aplicação direta do TNI, segue o seguinte resultado, que será bastante utilizado e
por isso é tão importante quanto o Teorema do qual ele é consequência:
a. T é sobrejetora.
116
b. T é bijetora.
c. T é injetora.
Prova:
• (a) =⇒ (b)
o que mostra que Ker F = {0}; isto é, F é injetora e, portanto, F é uma bijeção.
• (b) =⇒ (c)
• (c) =⇒ (d)
α1 v1 + α2 v2 + · · · + αn vn = 0
F linear
α1 F(u1 ) + α2 F(u2 ) + · · · + αn F(un ) = 0 =⇒ F(α1 u1 + α2 u2 + · · · + αn un ) =
F injetora B base
= 0 = F(0) =⇒ α1 u1 + α2 u2 + · · · + αn un = 0 =⇒ α1 = α2 = · · · = αn = 0
• (d) =⇒ (a)
117
• Consideremos a base B = {u1 , u2 , · · · , un } de U. Por hipótese, B0 = F(B) = {v1 =
F(u1 ), v2 = F(u2 ), · · · , vn = F(un )} é uma base de V. Assim, dado y ∈ V, existem
escalares α1 , α2 · · · αn tais que
y = α1 v1 + α2 v2 + αn vn
F linear
y = α1 v1 + α2 v2 + αn vn = α1 F(u1 ) + α2 F(u2 ) + αn F(un ) =
F linear
= F(α1 u1 + α2 u2 + · · · + αn un ) = F(x)
Exemplos:
118
• De fato: devemos mostrar que F é linear, injetora e sobrejetora.
(i) F é linear:
def
F((x, y) + α(z, t)) = F(x + αz, y + αt) = (x + αz) + [(x + αz) +(y + αt)] =
= (x + αz) + [(x + y) + α(z + t)] = [x + (x + y)] + [αz + α(z + t)] = [x + (x +
def
y)] + + α[z + (z + t)] = F(x, y) + F(z, t)
(ii) F é injetora:
def
(x,y) ∈ Ker F ⇐⇒ F(x, y) = 0 ⇐⇒ x + (x + y)t = 0 = 0 + 0.t ⇐⇒
⇐⇒ x = 0 e x + y = 0 ⇐⇒ x = y = 0 ⇐⇒ (x, y) = (0, 0) ⇐⇒ F é injetora.
(iii) F é sobrejetora:
Pelo TNI, temos que
F 1−1
2 = dim (R2 ) = dim Ker F + dim Im(F) = 0 + dim Im(F) = dim Im(F);
Prova: (=⇒) Suponhamos que U e V sejam dois espaços vetoriais isomorfos e mostremos
que dim U = dim V.
TNI
dim U = dim Ker F + dim Im F = dim {0} + dim V = 0 + dim V = dim V.
119
Sejam B = {u1 , u2 , · · · , un } e B0 = {v1 , v2 , · · · , vn } bases de U e de V, respectivamente.
def Pn
Seja F : U → V definida por F( ni=1 αi ui ) = i=1 αi vi . Afirmamos que F assim
P
De fato:
ui ) =
def F Pn def
i=1 (γαi + βi ) vi = γ i=1 αi vi + i=1 βi vi = γF(u) + F(v)
Pn Pn
=
def F
0 = F(u) = F( αi ui ) = αi vi
Pn Pn
i=1 i=1
• 3. F é sobrejetora pois:
120
Exercícios:
dim Ker F:
Logo, Ker F = [(1, 1, -3)] e como esse vetor é LI, segue que B = {(1, 1, -3)} é uma base de
Ker F e dim Ker F = 1.
dim Im F:
Seja v = (x - y, 2x + y + z) ∈ Im F. Então:
v = (x, 2x) + (-y, y) + (0, z) = x(1, 2) + y(-1, 1) + z(0, 1) ∈ [(1, 2), (-1, 1), (0, 1)]
É fácil ver que {(1, 2), (-1, 1), (0, 1)} ⊆ Im F, uma vez que
e que, portanto, C = {(1, 2), (-1, 1), (0, 1)} é um conjunto de geradores para Im F.
base de Im F:
121
obtido acima o critério desenvolvido no Capítulo 3:
1 2 1 2 1 2 1 2
−1 1 ∼ 0 3 ∼ 0 1 ∼ 0 1
0 1 0 1 0 3 0 0
o que significa que B0 = {(1, 2), (0, 1)} é uma base de Im F e, portanto, dim Im F =
2, confirmando o resultado obtido através do TNI. Note que: dim Im F = 2 =⇒ F é
sobrejetora.
Solução: Como o conjunto {(1, 1, 1, 1), (0, -1, 1, -2)} é LI, a aplicação F que estamos
procurando deve ser tal que dim Im F = 2 e portanto, pelo TNI, devemos ter
Fixemos no R3 a base canônica; isto é, a base C = { (1, 0, 0), (0, 1, 0), (0, 0, 1)}.
Consideremos a aplicação:
F
F : R3 −→ R4
122
e portanto
F linear
F(x, y, z) = F(x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1)) = F(x(1, 0, 0)) + F(y(0, 1, 0)) +
F linear hip
+ F(z(0, 0, 1)) = x.F(1, 0, 0) + y.F(0, 1, 0) + z.F(0, 0, 1) = x.(0, 0, 0, 0) + y.(1, 1,
1, 1) + z.(0, -1, 1, -2) = (y, y - z, y + z, y - 2z)
Observações:
2. É importante observar que se considerarmos no domínio uma outra base B que não
a canônica deveremos fazer os cálculos para obtermos um vetor genérico do domínio
escrito como combinação linear dos elementos de B.
123
a+b=0
a+d=0
+ (a + c) t2 + (b - d)t3 = 0 + 0.t + 0.t2 + 0.t3 ⇐⇒ ⇐⇒
a+c=0
b−d=0
! !
−a a −1 1
⇐⇒ b = c = d = -a ⇐⇒ A = = a.
a a 1 1
!
−1 1
Note que ∈ Ker F e portanto Ker F é o subespaço gerado por essa matriz e
1 1
assim
( !)
−1 1
B= é base de Ker F e dim Ker F = 1.
1 1
base e dimensão de Im F:
Temos que:
!
a b
p(t) ∈ Im F ⇐⇒ p(t) = F(A), para alguma matriz A = ∈ M2 (R) ⇐⇒
c d
Note que:
!! !!
0 1 0 1
1 + t + t2 = F ∈ Im F; 1 + t3 = F ∈ Im F;
1 1 0 0
!! !!
0 0 0 0
t2 = F ∈ Im F e t - t3 = F ∈ Im F.
1 0 0 1
124
e portanto Im F = [1 + t + t2 , 1 + t3 , t2 , t - t3 ] = [1 + t + t2 , 1 + t3 , t - t3 ], uma vez que
t2 = (1 + t + t2 ) - (1 + t3 )- (t - t3 ).
⇐⇒ x = y = z = 0
Portanto:
TNI
Ker F = {(0, 0, 0)} =⇒ F é injetora =⇒ F é bijetora =⇒ F é automorfismo.
F−1 :
e dessa forma
125
é injetora mas não é isomorfismo.
Para provar que F não é isomorfismo, mostremos que F não é sobrejetora. Segue do TNI
que:
F 1−1
3 = dim R3 = dim Ker F + dim Im F = 0 + dim Im F
Note que: a imagem, pela F, do vetor (1, 1, 0) só pode ser (0, 0). Já sobre os vetores
imagens dos vetores (0, 1, 0) e (0, 0, 1) a única restrição que existe é que tais vetores
devem ser LI, uma vez que devemos obter dim Im F = 2.
126
Defino F : R3 −→ R2 na base B do R3 da seguinte maneira:
F F F F
(1, 1, 0) −→ (0, 0); (1, 1, 0) −→ (0, 0); (0, 1, 0) −→ (1, 0); (0, 0, 1) −→
(0, 1)
Finalmente, vamos agora encontrar a expressão que define F. Para isso, devemos escrever
um vetor genérico (x, y, z) ∈ R3 como combinação linear dos vetores da base B, isto é,
encontremos α, β, γ ∈ R tais que:
7. Determine F : M2 (R) → R4 linear cuja imagem é gerada por (1, 1, 1, 1) e (0, 1, 1, 0).
Solução: Considero uma base do domínio M2 (R), por exemplo, a base canônica
( ! ! ! !)
1 0 0 1 0 0 0 0
C= , , ,
0 0 0 0 1 0 0 1
127
Defino:
F
M2 (R) −→ R4
!
1 0
7−→ (1, 1, 1, 1)
0 0
!
0 1
7−→ (0, 0, 0, 0)
0 0
!
0 0
7−→ (0, 0, 0, 0)
1 0
!
0 0
7−→ (0, 1, 1, 0)
0 1
!
x y
e dessa forma, dada A = ∈ M2 (R), temos que
z t
! ! ! !!
1 0 0 1 0 0 0 0 F linear
F(A) = F x + y + z + t =
0 0 0 0 1 0 0 1
!! !! !! !!
F linear 1 0 0 1 0 0 0 0 hip
= xF + + yF + + zF + + tF =
0 0 0 0 1 0 0 1
hip
= x.(1, 1, 1, 1) + y.(0, 0, 0, 0) + z.(0, 0, 0, 0) + t.(0, 1, 1, 0) = (x, x + t, x + t, x)
e portanto,
!!
x y
F = (x, x + t, x + t, x)
z t
é uma aplicação linear do M2 (R) em R4 tal que Im F [(1, 1, 1, 1), (0, 1, 1, 0)].
128
Exercícios
1. Para cada uma das transformações lineares abaixo determinar uma base e a dimensão
do núcleo e da imagem:
2. Determinar um operador linear F: R3 −→ R3 tal que ImF = [(2, 1, 1), (1, 1, -2)].
3. Determinar um operador linear F do R4 tal que KerF = [(1, 1, 0, 0), (0, 0, 1, 0)].
129
(a) {F(u), F(v)} é LI; (b) dim Im(F) = 1; (c) Im(F) = {0}.
11. Considere uma transformação linear linear T : U −→ V. Se dim U > dim V, prove
que existe um vetor não nulo u0 ∈ U tal que F(u0 ) = 0V .
14. Dado o operador T: R2 −→ R2 definido por T(x, y) = (ax + by, cx + dy), encontre
a, b, c ∈ R para que seu núcleo seja a reta y = 3x.
15. Dado o operador T: R2 −→ R2 definido por T(x, y) = (ax + by, cx + dy), encontre
a, b, c ∈ R para que sua imagem seja a reta y = 2x.
16. Idem para T: R2 −→ R2 que tenha como núcleo a reta y = x e imagem a reta
y = 2x.
130
( ) O núcleo de toda transformação linear T : R5 −→ R3 tem dimensão ≥ 3.
18. Sejam U e W subespaços de V tais que dim U + dim W = dim V. Mostre que existe
um operador linear T : V −→ V tal que U = Ker T e W = Im T.
131
4.5 Representação Matricial da Transformação Linear
Dados dois espaços vetoriais reais U e V, indicamos por L(U,V) o conjunto de todas
as transformações lineares de U em V; isto é
Vamos, a seguir, definir em L(U,V) duas operações: adição e multiplicação por escalar.
F + G : U −→ V
kF : U −→ V
132
(kF) (αu1 + u2 ) = α(kF)(u1 ) + (kF)(u2 )
def F linear
De fato: (kF) (αu1 + u2 ) = k.F(αu1 + u2 ) = k.[αF(u1 ) + F(u2 )] = k.[αF(u1 )] +
M def
+ k.F(u2 ) =1 α[k.F(u1 )] + k.F(u2 ) = α(kF)(u1 ) + (kF)(u2 )
Proposição: Se U, V são dois espaços vetoriais reais, então (L(U, V), +, ) é um espaço .
vetorial real.
G ◦ F : U −→ W,
Observações:
133
..
.
Fn := F ◦ Fn−1
Exercícios:
ou seja
134
e daí segue que
def G◦F
(G ◦ F) ◦ (G ◦ F)(a0 + a1 t) = (G ◦ F)((3a0 − a1 ) + (−a0 − 3a1 ) t) = (3c0 - c1 ) +
| {z } | {z }
c0 c1
+ (-c0 - 3c1 )t = [3(3a0 - a1 ) - (-a0 - 3a1 )] + [(3a0 - a1 ) - 3(-a0 - 3a1 )] t = 10a0 + 10a1 t
α +β =0
ou seja α=0 e portanto α = β = 0, o que significa que {F, G} é LI.
−β = 0
135
T(u1 ) = α11 v1 + α21 v2 + · · · + αm1 vm
isto é
m
X
T(uj ) = αij vi , (1 ≤ j ≤ n)
i=1
α11 α12 ... α1n
α21 α22 ... α2n
TB,C =
.. .. ... ..
. . .
αm1 αm2 ... αmn
Observações:
136
Exemplo 1: Determinar matriz de T : R4 → R3 , T(x, y, z, t) = (x + 2y + z, 3x + 2z + t,
y + 4z + 2t) em relação às bases B = {(1, 0, 2, 4), (0, 2, 3, 1), (2, 5, 0, 3), (4, 1, 3, 0)} e
C = {(2, 1, 0), (0, 2, 1), (1, 0, 1)}.
Solução: Pra obter (T)B,C , devemos calcular T(b), para todo b ∈ B e encontrar as
coordenadas de cada T(b) em relação à base C.
T(b), para b em B:
Observe que: uma combinação linear genérica dos elementos da base C é dada por
e portanto
137
(T(1, 0, 2, 4))C = (-3, 7, 9)
e portanto
(T(0, 2, 3, 1))C = (- 23
5
, 5
, 5)
29 81
e portanto
(T(2, 5, 0, 3))C = ( 11
5
, 5
, 5)
17 38
138
e portanto
(T(4, 1, 3, 0))C = ( 65 , , 5)
42 23
5
−15 −23 11 6
(T)B,C = 15 35 29 17 42
45 81 38 23 3×4
Solução: Pra obter (I)B,C , devemos calcular I(b), para todo b ∈ B e encontrar as coor-
denadas de cada I(b) em relação à base C.
I(b), para b em B:
• I(0, 2, 4) = (0, 2, 4)
• I(2, 3, 1) = (2, 3, 1)
• I(2, 5, 0) = (2, 5, 0)
Observe que: uma combinação linear genérica dos elementos da base C é dada por
139
Devemos, então, encontrar escalares a, b, c tais que:
e portanto
(I(0, 2, 4))C = (− 56 , 85 , 12
5
)
e portanto
e portanto
140
(I(2, 5, 0))C = ( 95 , 85 , − 85 )
−6 5 9
(I)B,C = 15 8 5 8
12 0 −8 3×3
Z 1
0
T(p(t)) = p(t)dt, p (1)
0
• T(t2 ) = ( 13 , 2) = 61 .(2, 1) + 11
12
.(0, 2)
• T(t3 ) = ( 14 , 3) = 81 .(2, 1) + 23
16
.(0, 2)
• T(t4 ) = ( 15 , 4) = 1
10
.(2, 1) + 39
20
.(0, 2)
Portanto,
1 1 1 1 1
2 4 6 8 10
(T)B,C =
− 14 3
8
11
12
23
16
39
20
141
4.5.3 Matriz de kF + G
Suponhamos que (F)B,C = (αij )m×n e que (G)B,C = (βij )m×n , para 1 ≤ i ≤ m e 1 ≤ j ≤ n.
Então:
e portanto
• (kF + G)(u1 ) = (kα11 + β11 )v1 + (kα21 + β21 )v2 + (kα31 + β31 )v3 + · · · + (kαm1 +
+ βm1 )vm
Analogamente, obtemos:
• (kF + G)(u2 ) = (kα12 + β12 )v1 + (kα22 + β22 )v2 + (kα32 + β32 )v3 + · · · + (kαm2 +
+ βm2 )vm
..
.
• (kF + G)(ui ) = (kα1i + β1i )v1 + (kα2i + β2i )v2 + (kα3i + β3i )v3 + · · · + (kαmi +
+ βmi )vm
..
.
• (kF + G)(un ) = (kα1n + β1n )v1 + (kα2n + β2n )v2 + (kα3n + β3n )v3 + · · · + (kαmn +
+ βmn )vm
142
kα11 + β11 kα12 + β12 ··· kα1n + β1n
kα21 + β21 kα22 + β22 ··· kα2n + β2n
((kF + G))B,C = .. .. .. = k(F)B,C + (G)B,C
. . ··· .
kαm1 + βm1 kαm2 + βm2 ··· kαmn + βmn
ou seja:
F G
Un −→ Vm −→ Wp
B C D
143
Exemplo: Já vimos que F : R2 −→ P1 (R) definido por F(x, y) = x + (x + y)t é um
isomorfismo entre os espaços vetoriais R2 e P1 (R). Vamos calcular F−1 .
Sejam B = {(1, 0), (0, 1)} e C = {1, t} as bases canônicas do R2 e do P1 (R), respectiva-
mente. Devemos, primeiramente, encontrar (F)B,C e a partir dessa matriz, determinamos
(F−1 )C,B para então, finalmente, calcularmos F−1 .
(F)B,C :
def F
F(1, 0) = 1 + (1 + 0).t = 1.1 + 1.t =⇒ (F(1, 0))C = (1, 1)
def F
F(0, 1) = 0.1 + 1.t =⇒ (F(0, 1))C = (0, 1)
e portanto
!
1 0
(F)B,C =
1 1
(F−1 )C,B :
Para encontrarmos a matriz (F−1 )C,B , basta invertermos a matriz (F(0, 1))C :
.. ..
1 0 . 1 0 −L1 +L2
∼ 1 0 . 1 0
. .
1 1 .. 0 1 0 1 .. − 1 1
.. ..
1 0 . 1 0 −L1 +L2
1 0 . 1 0
Logo, .. ∼ .. é a inversa da matriz de F e,
1 1 . 0 1 0 1 .−1 1
portanto, é a matriz de (F )C,B . Ou seja:
−1
144
e assim, se p(t) = x.1 + y.t ∈ P1 (R), então
F−1 (x.1 + y.t) = x.F−1 (1) + y.F−1 (t) = x.(1, -1) + y.(0, 1) = (x, -x+y)
Por outro lado, consideremos no mesmo espaço vetorial V o operador identidade, fixando
no domínio a base B e no contra-domínio a base C; isto é:
I:V −→ V
B = {u1 , u2 , · · · , un } C = {v1 , v2 , · · · , vn }
Para encontrarmos (I)B,C , devemos calcular os vetores I(u1 ), I(u2 ), · · · , I(un ) e escrevê-los
como combinação linear dos elementos da base C; isto é:
145
Aplicação: Consideremos no espaço vetorial real Vn de dimensão finita n duas bases
B = {u1 , u2 , · · · , un } e C = {v1 , v2 , · · · , vn } e T ∈ L(V). Qual é a relação entre as
matrizes (T)B e (T)C ? Em outras palavras: quando mudamos a base do espaço vetorial
V, o que ocorre com a matriz de T ∈ L(V)?
IC,B T IB,C
V −→ V B
−→ V −→ V
C B B C
TC = IB,C ◦ TB ◦ IC,B
Logo:
(T)C = MC,B.(T)B.MB,C
Conclusão: (T)C e (T)B são matrizes semelhantes; isto é, existe uma matriz inversível
M (a matriz de mudança da base B para a base C) tal que
.
(T)C = M−1 (T)B M .
Observação: Para utilizarmos a fórmula acima, deveremos calcular uma matriz (M ou
sua inversa M−1 ). A escolha de qual matriz calcularemos dependerá das bases fixadas.
Se uma das bases fixadas for a base canônica dos espaço, é claro que sempre é mais fácil
escrevermos vetores de uma certa base como combinação linear dos elementos da base
canônica.
146
. .
Solução: Para usar a fórmula (F)C = MC,B (F)B MB,C , devemos encontrar a matriz
MC,B e invertê-la ou encontrar a matriz MB,C e invertê-la. Nesse caso, como C é a base
canônica, é mais simples escrever os elementos da base B como combinação linear dos
elementos da base C; isto é, é mais fácil calcularmos a matriz MC,B .
MC,B :
!
1 1
e portanto MC,B =
1 4
MB,C :
Para encontrarmos essa matriz, basta invertermos a matriz MC,B . Efetuando-se os cálcu-
los, obtemos
!
4 −1
MC,B = 31
−1 1
e finalmente
! ! ! !
1 1 1 −1 4 −1 4 −1
(F)C = 1
3
1 4
. 2 1
. −1 1
=
11 −2
Observação: A matriz (F)C poderia ter sido encontrada sem o uso da fórmula. Para
isso, o procedimento que seria seguido é o seguinte:
• usando-se a matriz conhecida (dado do problema) (F)B , encontro F(1, 1) e F(1, 4);
147
• escrevo a matriz (F)C .
Solução: Devemos escrever F(e1 ), F(e2 ) e F(e3 ) como combinação linear dos vetores da
base B = {e1 , e2 , e3 }. Para isso, precisamos determinar F(e2 ) e F(e3 ). Como conhecemos
a atuação de F nos elementos de W, vamos procurar geradores de W:
e portanto
W = [e1 + e2 , e2 + e3 ]
hip hip
• e1 + e2 = F(e1 ) + F(e2 ) = e2 + F(e2 ) =⇒ F(e2 ) = e1
hip
• e2 + e3 = F(e2 ) + F(e3 ) = e1 + F(e3 ) =⇒ F(e3 ) = - e1 + e2 + e3
Logo:
e portanto
0 1 −1
1 0 1
0 0 1
148
Exercícios
3. Seja F ∈ L(R2 ) dado por F(x, y) = (y, x). Determine Fn , para qualquer inteiro n ≥ 1.
Idem para G ∈ L(R2 ), sendo G(x, y) = (x, 0).
4. Seja F ∈ L(R2 ) o operador dado por F(1, 0) = (2, 5) e F(0, 1) = (3, 4). Verifique se
os seguintes operadores do R2 são automorfismos: G = I + F e H = I + F + F2 .
7. Prove que: Sejam F ∈ L(U, V) e G ∈ L(V, W) são tais que Ker F = {0} e Ker G =
{0}, então Ker(G ◦ F) = {0}.
9. Prove que: Se F ∈ L(R4 ) dado por F(x, y, z, t) = (0, x, y + 2x, z + 2y + 3x). Mostre
que
(a) F4 = 0;
149
• idempotente se F2 = F;
11. Mostrar que um operador F ∈ L(V) é idempotente se, e somente se, I - F é idempo-
tente.
12. Se F ∈ L(V) é um operador nilpotente, mostre que existe um vetor v6= 0 tal que F(v)
= 0.
13. Seja C o R-espaço vetorial dos números complexos. Considere F, G ∈ L(C) definidos
por:
√ √
F(z) = 22 + i 22 z e G(z) = iz, para z ∈ C. Calcule:
14. Seja F ∈ L(R2 ) definido por F(x, y) = (x, x + y). Calcule F2 e em seguida mostre que
F2 - 2F + I = (F - I)2 = 0 mas F - I 6= 0.
16. Seja F ∈ L(V) um operador tal que F2 - F + I = 0. Mostre que F é inversível e que
F−1 = I - F.
150
(a) (F + G)2 = F2 + 2 (F ◦ G) + G2 ; (b) (F + G) ◦ (F - G) = F2 - G2 .
18. Seja F ∈ L(R3 , R2 ) definida por F(x, y, z) = (x + z, y - 2z). Determinar (F)B,C , sendo
B = {(1, 2, 1), (0, 1, 1), (0, 3, -1)} e C = {(1, 5), (2, -1)}.
!
a b
20. No espaço vetorial M2 (R) considere M = . Determinar a matriz do operador
c d
linear F ∈ M2 (R) dado por F(X) = MX - XM, em relação à base canônica de M2 (R).
!
1 1
21. Seja F o operador linear de M2 (R) dado por F(X) = X, ∀ X ∈ M2 (R). Sendo
2 1
B a base canônica do espaço M2 (R), determine o traço da matriz (F)B .
!
1 1
22. Seja F ∈ L(R2 ) cuja matriz em relação à base B = {(1, 0), (1,4)} é (F)B = .
5 1
Determinar a matriz de F em relação à base canônica, usando a fórmula de mudança de
base para operador.
23. Seja B = {e1 , e2 , e3 } uma base do espaço vetorial real V. Sendo F, G ∈ L(V) dados
por F(e1 ) = e1 - e2 , F(e2 ) = e1 + e3 , F(e3 ) = e2 , G(e1 ) = 2e1 + e3 , G(e2 ) = e1 e G(e3 )
= e2 - 3e1 , determinar em relação à base B as matrizes dos seguintes operadores lineares:
F, G, F + G, 2F - G, F ◦ G, G ◦ F, F2 + G2 , F−1 (caso exista) e (F ◦ G)−1 (caso exista).
!
3 1
24. Determine F ∈ L(R2 ) cuja matriz em relação à base B = {(1, 2), (0, 5)} é
2 −1
25. Sejam F, G ∈ L(P2 (R), P3 (R)) assim definidos: F(p(t))= tp(t) - p(1) e G(p(t)) =
= (t - 1)p(t), ∀ p(t) ∈ P2 (R). Determinar as matrizes de F e de G em relação ao seguinte
151
par de bases: B = {1, t - 1, (t - 1)2 } e C = {1, t - 1, (t - 1)2 , (t - 1)3 } de P2 (R) e P3 (R),
respectivamente.
R1
26. Seja F ∈ L(P2 (R), R) definida por F(p(t)) = −1
p(t)dt. Determinar a matriz de F
em relação às bases:
1 1 0
0 1 0
0 1 −1
29. Determinar todos os operadores lineares F do R2 que satisfazem F(x, y) = (ax + by,
cy) e F2 = 0 (operador identicamente nulo).
1 2 1
152
pulando folha
153
Capítulo 5
154
(a) <u, u> ≥ 0 e <u, u> = 0 se, e somente se , u = 0;
Nomenclatura: (V, < >) é chamado um espaço vetorial real com produto interno ou
espaço euclidiano ou espaço vetorial real munido de um produto interno.
Rn × Rn −→ R
é um produto interno em Rn .
Pn (R) × Pn (R) −→ R
Z 1
(f(t), g(t)) 7−→ < f(t), g(t)> = f(t) g(t) dt
0
155
é um produto interno em Pn (R).
103
Assim, para n = 3, teremos, < 2 t3 + t 2
- 3 t + 1, t3 - 2 t2 + t - 3 > = - .
105
Propriedades do produto interno
n
X n
X
P4 . < αi ui , v> = αi <ui , v>
i=1 i=1
(c) (d)
• para n = 2: < α1 u1 + α2 u2 , v> = < α1 u1 , v> + < α2 u2 , v> =
2
X
= α1 <u1 , v> + α2 <u2 , v> = αi <ui , v>
i=1
156
n−1
X n−1
X
• Suponhamos verdadeiro para n - 1, isto é, < αi ui , v> = αi <ui , v>
i=1 i=1
e mostremos que é verdadeiro para n:
n n n
X X (c) X (HI)
< αi ui , v> = < α1 u1 + αi ui , v> = < α1 u1 , v> + < αi ui , v> =
i=1 i=2 i=2
n
X n
X
= < α1 u1 , v> + αi <ui , v> = αi <ui , v>
i=2 i=1
m
X m
X
P5 . <u, βj vj > = βj <u, vj >
j=1 j=1
m m m
X (b) X P4
X (b)
De fato: <u, βj vj > = < βj vj , u> = βj <vj , u> =
j=1 j=1 j=1
m
X
= βj <u, vj >
j=1
n
X m
X n X
X m
P6 . < αi u i , βj vj > = αi βj <ui , vj >
i=1 j=1 i=1 j=1
n
X m
X n X
X m
= αi βj < ui , vj > = αi βj < ui , vj >
i=1 j=1 i=1 j=1
Definição: Seja V um espaço euclidiano com produto interno (u, v) 7−→ <u, v>.
Dado um vetor u ∈ V, indicamos por k u k e chamamos norma de u ao número real
positivo ou nulo dado por
157
def √
kuk = < u, u >
Convenção: Para não haver confusão, denotaremos o módulo de um número real α por
| α | e a norma de um vetor v ∈ V por k v k.
Prova:
def √ p √
(i) kα uk = < αu, αu > = α2 < u, u > = | α | < u, u > =
= |α|. kuk
158
e, portanto, a desigualdade é válida.
2
∆ = 4 < u, v > − 4 . k v k2 . k u k2 ≤ 0 =⇒ < u, v > 2
≤
k u k2 . k v k2
ku + vk ≤ kuk + kvk
Prova: Temos que:
≤
C−S
k u k2 + k v k2 + 2.k u k . k v k = (k u k + k v k)2 ,
159
ku + vk ≤ kuk + kvk
Em um espaço euclidiano V com produto interno (u, v) 7−→ <u, v>, consideremos a
aplicação
d : V × V −→ R
P1 . d(u, v) ≥ 0 e d(u, v) = 0 ⇐⇒ u = v
def
De fato: Como d(u, v) = k u − v k e u - v é um vetor de V, o resultado
segue como conseqüência direta da Proposição 1, (ii).
P2 . d(u, v) = d(v, u)
def Prop.1(i)
De fato: d(u, v) = k u − v k = k (−1).(v − u) k = | −1 |.k v − u k =
def
= k v − u k = d(v, u)
160
5.2.1 Aplicação da Desigualdade de Cauchy-Schwarz: ângulo en-
tre vetores em um espaço euclidiano
Exercícios:
• u = (1, 2, 3) e v = (2, − 21 , − 13 )
• u = (1, 2, 3) e v = (2, 12 , − 13 )
161
<u, v> = <(1, 2, 3), (2, 12 , − 13 ) > = 1.2 + 2. 12 + 3.(− 13 ) = 2 + 1 - 1 = 2
Z 1
2. Considerando em P2 (R) o produto interno definido por <f(t), g(t)> = f(t).g(t)
0
dt, calcule <f(t), g(t)> para cada um dos seguintes casos:
• f(t) = t e g(t) = 1 - t2
Z 1 Z 1 1
2
t t 4 1 1 1
<f(t), g(t)> = t.(1 - t2 ) dt = (t - t3 ) dt = − = − =
0 0 2 4 0 2 4 2
• f(t) = t - 1 e g(t) = 1 - t
Z 1 Z 1 1
3
t
<f(t), g(t)> = (t - 1).(1 - t) dt = (- t2 + 2 t - 1) dt = − + t2 − t =
0 0 3
0
1 1
= − + 1 − 1 = −
3 3
Solução: Vamos verificar que <u, v> satisfaz satisfaz as quatro propriedades da defi-
nição de produto interno. Para isso, consideremos u = (x1 , x2 ), v = (y1 , y2 ) e w = (z1 ,
z2 ) três elementos arbitrários do R2 e α ∈ R. Então:
x .x x .x x 2
• <u, u> = 1 2 1 + 2 2 2 = ( a1 )
a b
+ ( xb2 )2 ≥ 0, sendo a igualdade
verdadeira se, e somente se, u = 0.
x1 .y1 x2 .y2 y1 .x1 y2 .x2
• <u, v> =
a2
+ b2
= a2
+ b2
= <v, u>.
162
4. Em um espaço euclidiano V, considere dois vetores u e v de modo que k u k = k v k
= 1 e k u − v k = 2. Determine <u, v>.
= < u, u > + < u, −v > + < −v, u > + < −v, −v > = k u k2 − 2 < u, v > +
+ k v k2
k u + v k2 − k u − v k2 = 4. <u, v>
k u + v k2 = < u + v, u + v > = < u, u > + < u, v > + < v, u > + < v, v > =
= k u k2 + 2 < u, v > + k v k2
k u − v k2 = < u − v, u − v > = < u, u > − < u, v > − < v, u > + < v, v > =
= k u k2 − 2 < u, v > + k v k2 ,
ku + vk2 − ku − vk2 = (kuk2 + 2 < u, v > + kvk2 ) − (kuk2 − 2 < u, v > + kvk2 ) =
= 4. <u, v>,
como enunciado.
163
41 = k u k2 = < u, u > = 36 + a2 + 1 = 37 + a2 ⇐⇒ a2 = 4 ⇐⇒ a = ± 2
• u = (1, 1, 1) e v = ( 21 , -1, 12 )
• u = (1, - 1, 0) e v = (2, - 1, 2)
Exercícios
1. Sejam u = (x1 , x2 ) e v = (y1 , y2 ) vetores genéricos do R2 . Encontre os valores de t
∈ R para os quais a função <u, v> = x1 y1 + tx2 y2 é um produto interno em R2 .
6. Seja V um espaço com produto interno <u, v>. Encontre os valores de α ∈ R para
os quais a aplicação (u, v) 7−→ α. <u, v> também é um produto interno sobre V.
164
7. Chama-se traço de uma matriz quadrada A = (aij ) ∈ Mn (R) ao número real dado
pela soma dos elementos da diagonal principal de A; isto é, tr(A) = a11 + a22 + ... +
ann . Mostre que: <A, B> = tr(Bt A) é um produto interno sobre Mm×n (R).
12. Sejam u e v dois vetores não nulos de um espaço vetorial euclidiano e θ o ângulo
entre eles. Mostre que k u + v k2 = k u k2 + k v k2 + 2 k u k.k v k.cos θ
14. Verifique que num espaço euclidiano V é válida a Lei do Paralelogramo: para quais-
165
quer u, v ∈ V, tem-se: k u + v k2 + k u − v k2 = 2k u k2 + 2k v k2
(a) Mostre que <u, v> = x1 y1 - 2x1 y2 - 2x2 y1 + 5x2 y2 é um produto interno sobre o
R2 ;
(b) Dado o vetor u = (1, 2), determine sua norma em relação ao produto interno
usual do R2 e também em relação ao produto interno definido no item (a).
(a) Mostre que o produto assim definido satisfaz as duas últimas condições da definição
de produto interno.
(b) Mostre que a condição (b) da definição de produto interno é válida se, e somente
se, a matriz M é simétrica.
(d) Utilizando a definição de <u, v> acima, verifique quais das seguintes matrizes
definem produtos internos sobre o R2 :
166
! ! !
2 1 −1 0 1 1
(d1) (d2) (d3)
1 1 1 0 1 1
(a) u = (3, 1, 2, 1) ∈ R4 ;
Z 1
(b) f(t) = t + t - 1, em relação ao produto interno <f(t), g(t)> =
2
f(t).g(t) dt;
0
Z 1
(c) f(t) = t, em relação ao produto interno <f(t), g(t)> = f(t).g(t) dt;
0
!
1 2
(d) A = em relação ao produto interno proposto no Exercício 8.
2 1
23. Considere o espaço vetorial Zdos polinômios de qualquer grau P(t), munido do pro-
1
duto interno <f(t), g(t)> = f(t).g(t) dt. Dados os polinômios f(t) = t + 2,
0
g (t) = 3t - 2 e h(t) = t2 - 2t - 3,
(b) Calcule k f || e k g ||
(c) Normalize f e g.
167
5.3 Ortogonalidade
Em Geometria Analítica estudamos o espaço vetorial V3 e vimos que dois vetores não
nulos ~u e ~v são ortogonais se, e somente se, o produto escalar entre eles é nulo. Isto
motiva a seguinte definição mais geral:
Definições:
[1] Dois vetores u, v de um espaço euclidiano V são ortogonais se, e somente se,
<u, v> = 0.
(i) k ui k = 1, i = 1, 2, ... n
!
1 1
Exemplo 1: No conjunto M2 (R), considere a matriz simétrica A = A regra:
1 2
" ! !#
1 1 x2
<(x1 , y1 ), (x2 , y2 ) > = det x1 y 1 . .
1 2 y2
168
Podemos, então, concluir que:
De fato: Basta ver que S = {e1 , e2 , ... , en }, sendo e1 = (1, 0, ... , 0), e2 = (0, 1, ... , 0), ...
, en = (0, 0, ..., 1) e, portanto k e1 k = k e2 k = ... = k en k = 1 .
(
1, se i = j
Além disso, <ei , ej > = δij =
0, se i 6= j
α1 g1 + α2 g2 + ... + αn gn = 0 (1)
169
Proposição 4: Sejam V um espaço euclidiano e S = {g1 , g2 , ... , gn } um subconjunto
ortonormal de V. Então, para todo vetor u ∈ V, o vetor
De fato:
< v, gi > = < u − < u, g1 > .g1 − ... − < u, gi > .gi − ... − < u, gn > .gn , gi > =
= < u, gi > − < u, g1 > . < g1 , gi > − < u, g2 > . < g2 , gi > − ... − < u, gn > . < gn , gi >
Mas: < gi , gj > = δij e, portanto, < v, gi > = < u, gi > − < u, gi > = 0
Acabamos, dessa forma, de provar que o vetor v é ortogonal a cada um dos vetores do
subconjunto S. Mostremos, agora, que v é ortogonal a w, para todo w ∈ [ S ]. Para isso,
consideremos w = a1 g1 + a2 g2 + ... + an gn um vetor genérico de [ S ]. Então:
(ii) B é ortonormal.
Todo espaço vetorial euclidiano de dimensão finita n > 0 admite uma base ortonormal.
170
Prova: • Suponhamos que dim V = 1 e consideremos B = {u} uma base de V. Afirmamos
1
que o conjunto S = {g1 } é uma base ortonormal de V, sendo g1 = k u k .u
1 1
k g1 k = k kuk
.uk = kuk
.kuk = 1
u (1, 0, 0)
Solução: • g1 = k u1 k = √ = (1, 0, 0).
1 12 +02 +02
• g2 = ?
171
√ √
v (0, 1, 1) (0, 1, 1) 2 2
g2 = k v2 k = √ = √ = (0, 2 , 2 )
2 02 +12 +12 2
• g3 = ?
√ √
2 2
= (0, − 2 , 2 )
√ √ √ √
Logo: C = {(1, 0, 0), (0, 2
2
, 2
2
), (0, − 2
2
, 2
2
)} é a base ortonormal procurada, obtida
a partir da base B.
Prova: Verifiquemos que são válidas as condições para que um subconjunto de V seja um
subespaço vetorial de V. Para isso, consideremos k ∈ R e u1 , u2 ∈ U⊥ . Então, para todo
u ∈ V, <u1 , u> = <u2 , u> = 0 e, dessa forma,
172
Definição: O subespaço vetorial U⊥ de V é chamado de complemento ortogonal de
U.
Solução:
• V = U + U⊥ :
• U ∩ U⊥ = {0}:
k w k2 = < w, w > = 0 ⇐⇒ w = 0
173
o que completa a prova de que V = U ⊕ U⊥ .
Observe que: Pelo que acabamos de ver, em um espaço vetorial euclidiano V de dimensão
finita n, se B [ {g1 , g2 , ... , gr } é uma base ortonormal de um subespaço vetorial U, então
todo vetor v ∈ V se decompões, de modo único, como soma de um elemento u de U com
um elemento w de U⊥ , (e, portanto, u é ortogonal a w), da seguinte forma:
E : V −→ V dada por
1. E é um operador linear ;
2. E2 = E (isto é, E é idempotente);
Exercícios
174
(c) u = (3, 2) e v = (2, -1)
175
10. Considere a aplicação linear F : R3 −→ R2 definida por F(x, y, z) = (x - y - z, 2z -
x). Determine uma base ortonormal para Ker F.
Z 1
11. Em P2 (R) considere o produto interno definido por: <p(t), q(t)> = p(t).q(t)
0
dt
12. Determinar uma base ortonormal de W e uma base ortonormal de W⊥ , sabendo que
W é o subespaço do R4 dado por W = {(x, y, z, t) : x + y = 0 e 2x + z = y}.
13. Determinar um vetor unitário do R3 que seja ortogonal a todos os vetores do subes-
paço W = [(1, 2, -1), (-1, 0, 2)].
16. Determinar uma base ortonormal do subespaço W = [(1, 1, 1), (1, -2, 3)] do R3 em
relação ao produto interno <u, v> = x1 y1 + 2 x2 y2 + x3 y3 , para todo par de vetores
u = (x1 , x2 , x3 ) e v = (y1 , y2 , y3 ).
176
Z 1
19. Seja P2 (R) munido do produto interno <p(t), q(t)> = p(t).q(t) dt. Ortonor-
0
malizar a base canônica C = {1, t, t2 }, utilizando o processo de Gram-Schmidt.
21. Considere o espaço vetorial dos polinômios de qualquer grau P(t), munido do produto
Z 1
interno <f(t), g(t)> = f(t).g(t) dt. Aplique o Processo de Ortogonalização de Gram-
0
Schmidt ao conjunto B = {1, t, t2 } para obter um conjunto ortogonal C = {f0 , f1 , f2 }
com coeficientes inteiros.
5.5 Isometrias
k T(u) k = k u k, ∀u ∈ V
Observe que: Geometricamente, uma isometria T preserva distâncias, uma vez que
T linear T isometria
d(T(u), T(v)) = k T(u) − T(v) k = k T(u − v) k = k u − v k = d(u, v)
Exemplo: Seja T : R2 −→ R2 dado por T(x, y) = (x cos θ - y sen θ, x sen θ + y xos θ),
com 0 ≤ θ ≤ 2π. Então, para cada u = (x, y) ∈ R2 , temos que:
177
k T(u) k2 = k T(x, y) k2 = (x2 cos2 θ - 2 x y sen θ cos θ + y2 sen2 θ) +
= x2 + y2 = k (x, y) k2 = k u k2
Prova: É suficiente mostrarmos que T é uma aplicação injetora, uma vez que o operador
T está definido em um espaço vetorial de dimensão finita n. Para isto, consideremos um
vetor arbitrário u ∈ Ker T. Então:
e, portanto, T é injetora.
(i) T é isometria
178
Afirmamos que: T(B) é ortonormal.
(ii) =⇒ (iii)
temos que
n
X n
X n
X n
X
< T(u), T(v) > = < αi T(gi ), βj T(gj ) > = αi βj < T(gi ), T(gj ) > =
i=1 j=1 i=1 j=1
n X
X n n
X
= αi βj δij = αi βi
i=1 j=1 i=1
179
n
X
= αi βi , o que conclui a prova de que < T(u), T(v) > = < u, v >.
i=1
(iii) =⇒ (i)
hip
k T(u) k2 = < T(u), T(u) > = < u, u > = k u k2
Lembre que: Uma matriz quadrada M é dita ortogonal se M−1 = Mt (ou M Mt = I).
Operadores Auto-Adjuntos:
180
Espaços Hermitianos:
V × V −→ C
181
pulando folha
182
Capítulo 6
Nomenclatura:
183
2. Se 0 6= u é um auto-vetor de T, então:
u 6= 0
λ.u = λ0 .u ⇐⇒ (λ − λ0 ).u = 0 = λ = λ0
Exemplos:
184
rX (x, y) = λ(x, y) ⇐⇒ (x, -y) = λ(x, y) ⇐⇒ (x, -y) = (λx, λy) ⇐⇒
Uma vez que auto-vetores são vetores não nulos, temos dois casos a considerar:
• x 6= 0 =⇒ λ = 0 e portanto y = 0
• x = 0 =⇒ y 6= 0, pois (x, y) é um auto-vetor =⇒ λ = -1
Assim, temos que:
• vetores da forma (x, 0), com x 6= 0 são auto-vetores associados ao auto-valor
λ=1e
• vetores da forma (0, y), com y 6= 0 são auto-vetores associados ao auto-valor
λ = -1 e dessa forma
V(1) = {(x, y) : rX (x, y) = 1.(x, y)} = {(x, 0) : x ∈ R} = {x(1, 0) : x ∈ R} =
= [(1, 0)]
e analogamente, obtemos V(-1) = [(0, 1)]
def
P(u) = P(0, 0, z) = (0, 0, 0) = 0.(0, 0, z) = 0.u
e portanto
V(0) = eixo z
def
P(v) = P(x, y, 0) = (x, y, 0) = 1.(x, y, 0) = 1.v
185
e portanto
V(1) = plano xy
def hip
pB (λ) = det (B - λ In ) = det(M−1 AM - λIn ) = det(M−1 AM - M−1 (λ In )M) =
def
= det(M−1 (A - λIn )M) = (det M−1 ).(det(A - λIn )).(det M) = det (A - λ In ) = pA (λ)
Note que: matrizes de um mesmo operador linear, consideradas em bases diferentes, são
semelhantes e, portanto, têm o mesmo polinômio característico.
186
Prova: λ é auto-valor de T ⇐⇒ existe 0 6= v ∈ V tal que T(v) = λ v ⇐⇒ T(v) = λ I(v)
⇐⇒ (T - λ I)(v) = 0 ⇐⇒ Ker(T - λ I) 6= 0 ⇐⇒ o operador T - λ I não é inversível ⇐⇒
⇐⇒ a matriz de T - λ I não é inversível ⇐⇒ det( (T − λI) ) = 0 ⇐⇒ det((T − λIn )) =
| {z } | {z }
matriz de T−λI matriz
0 ⇐⇒ det [(T) - λ(In )] = 0 ⇐⇒ pT (λ) = 0.
• 1. rX : R2 −→ R2 dado por
rX (x, y) = (x, -y)
Os auto-valores de rX são as raízes do polinômio característico de rX . Para encontrá-
las, devemos calcular a matriz de rX com relação a alguma base do R2 . Fixemos,
para isso, a base canônica B = {(1, 0), (0, 1)} do R2 . Então:
!
1 0
(rX )B =
0 −1
O polinômio característico de rX é:
!
1−λ 0
prX (λ) = det = (1 - λ)(-1 - λ)
0 −1 − λ
187
Assim: V(-1) = [(0, 1)] e portanto dim V(-1) = 1.
• 2. P : R3 −→ R3 dado por
P(x, y, z) = (x, y, 0): projeção sobre o plano xy
A matriz do operador P com relação à base canônica B do R3 é:
1 0 0
0 1 0
0 0 0
e portanto
188
1−λ 0 0
(P)B - λ (I)B = 0 1−λ 0
0 0 −λ
0 0 −λ
0 0 0 x 0 0 0 (
x, y : quaisquer
0 0 0 y = 0 ⇐⇒ 0 = 0 ⇐⇒ ⇐⇒
z=0
0 0 −1 z 0 −z 0
189
⇐⇒ u = (x, y, 0)
Logo: 0 6= u = (x, y, 0) = x(1, 0, 0) + y(0, 1, 0) é um auto-vetor associado ao
auto-valor λ2 = 1 e dessa forma
(
V(1) = [(1, 0, 0), (0, 1, 0)]
dimV(1) = 2
Note que: (1, 0, 0) e (0, 1, 0) são dois auto-vetores LI associados aos auto-valores
λ2 = λ3 = 1.
Observações:
1. Assim como definimos valores próprios e vetores próprios de um operador linear, po-
demos definir valores e vetores próprios de uma matriz A, como segue: se A ∈ Mn (R)
(ou Mn (C)),
chama-se
vetor próprio de A toda matriz não nula
x1 0
x2 0
X = ..
6
= . tal que AX = λ X, sendo λ um escalar, chamado de valor
.
. .
xn 0
próprio de A.
2. Suponha que para um dado operador linear T (ou matriz A) tenhamos o seguinte
polinômio característico:
190
6.2 Diagonalização de Operadores
1. S : R2 −→ R2
S(x,y) = (x + y, y)
Em relação à base canônica C do R2 , a matrizes de S e de S - λ I são dadas,
respectivamente, por:
! !
1 1 1−λ 1
(S)C = e (S)C − λ I2 =
0 1 0 1−λ
Note que: {(1, 0)} não é uma base do R2 ; isto é, não é possível formar uma base
do R2 constituída apenas de auto-vetores de S.
2. T : R2 −→ R2
T(x,y) = (-3x + 4y, -x + 2y)
Em relação à base canônica C do R2 , a matrizes de T e de T - λ I são dadas,
respectivamente, por:
! !
−3 4 −3 − λ 4
(T)C = e (T)C − λ I2 =
−1 2 −1 2−λ
191
pT (λ) = det ((T)C − λ I2 ) = (λ -1)(λ +2)
para λ1 = 1 =⇒ v1 = (1, 1)
para λ2 = −2 =⇒ v2 = (4, 1)
Logo:
ou seja:
! ! ! !
1 0 1 −1 4 −3 4 1 4
= 3
. .
0 −2 1 −1 −1 2 1 1
192
Ou seja: existe uma base B do R2 em relação à qual a matriz do operador linear
T é diagonal. Em outras palavras, a matriz de T na base C é semelhante a uma
matriz diagonal. Note que o mesmo não ocorreu com o operador S. Vamos, a partir
de agora, estudar os operadores que, como T, podem ser “diagonalizados”.
λ1 0 0 ··· 0
0 λ2 0
··· 0
(T)B = 0 0 λ3 ··· 0 , sendo λi os valores próprios de T
. .. .. .. ..
.. . . . .
0 0 0 ··· λn
Assim:
pT (λ) = (λ1 − λ)(λ2 − λ) · · · (λn − λ)
193
Note que: para o resultado dado em [2.] não vale a volta; isto é, T pode ter auto-valores
coincidentes e ainda assim ser diagonalizável, como mostra o exemplo a seguir:
Exemplo: Seja T : R3 −→ R3 o operador linear tal que sua matriz em relação à base
canônica C do R3 seja dada por:
3 0 −4
(T)C = 0 3 5
0 0 −1
Dessa forma:
3−λ 0 −4
(T)C − λ I3 = 0 3−λ 5 =⇒ pT (λ) = (3 - λ)2 (-1-λ)
0 0 −1 − λ
Logo:
( (
λ1 = −1 λ2 = 3
r1 = 1 r2 = 2
auto-vetores associados:
4 0 −4 x 0 (
x=z
0 4 5 y = 0 ⇐⇒
4y = −5z
0 0 0 z 0
e portanto v1 = (z, - 5z
4
, z) = z
4
(4, −5, 4)
| {z }
v1
Isto é:
194
(
V(−1) = [(4, −5, 4)]
s1 = dimV(−1) = 1 = r1
0 0 −4 x 0 (
x, y : quaisquer
0 0 5 y = 0 ⇐⇒
z=0
0 0 −4 z 0
Isto é:
(
V(3) = [(1, 0, 0), (0, 1, 0)]
s2 = dimV(3) = 2 = r2
−1 0 0
(T)B = 0 3 0
0 0 3
Note que:
4 1 0
(M)C,B = 5 0 1
−4 0 0
195
é a matriz tal que
. .
(T)B = (MC,B )−1 (T)C (MC,B )
1. o polinômio característico de A;
!
4−λ 4
p(λ) = det(A - λ I2 ) = det = (4 - λ)2 - 4 = 16 - 8 λ + λ2 - 4 =
1 4−λ
= λ - 8 λ + 12 = (λ - 2)(λ - 6)
2
2. os auto-valores de A;
Os auto-valores de A são as raízes do seu polinômio característico. Mas:
p(λ) = 0 ⇐⇒ (λ - 2)(λ - 6) = 0 ⇐⇒ λ1 = 2 ou λ2 = 6
3. os auto-vetores de A;
para λ1 = 2 : seja 0 6= u = (x, y) um auto-vetor associado ao auto-valor
λ1 = 2. Então:
! ! ! ! ! !
4−2 4 x 0 2 4 x 0
= ⇐⇒ = ⇐⇒
1 4−2 y 0 1 2 y 0
! ! (
2x + 4y 0 (2x + 4y) = 0
⇐⇒ = ⇐⇒ ⇐⇒ x + 2y = 0 ⇐⇒
x + 2y 0 (x + 2y) = 0
⇐⇒ u = (-2y, y) = -y(2, -1)
196
para λ2 = 6 : seja 0 6= v = (x, y) um auto-vetor associado ao auto-valor
λ2 = 6. Então:
! ! ! ! ! !
4−6 4 x 0 −2 4 x 0
= ⇐⇒ = ⇐⇒
1 4−6 y 0 1 −2 y 0
! ! (
−2x + 4y 0 (−2x + 4y) = 0
⇐⇒ = ⇐⇒ ⇐⇒ x − 2y = 0 ⇐⇒
x − 2y 0 (x − 2y) = 0
⇐⇒ v = (2y, y) = y(2, 1)
e portanto u = (2, -1) e v = (2, 1) são os auto-vetores associados à matriz A.
dim V = n
T : V −→ V : linear =⇒ T é diagonalizável
T admite n auto − valores distintos
197
No caso geral, a resposta a esta pergunta está ligada ao aspecto de um polinômio, que
chamaremos de polinômio minimal do operador linear T.
tal que:
• (ii) m(x) é o polinômio de menor grau entre aqueles que anulam a matriz A.
Observe que: o coeficiente do termo de maior grau do polinômio minimal de uma matriz
é sempre igual a 1.
A seguir, daremos alguns resultados sobre polinômio minimal que nos levarão a um pro-
cedimento que possibilita decidir se um operador é diagonalizável ou não, sem que seja
necessário calcular os auto-vetores do operador.
Lembre que: A notação Vn indica que o espaço vetorial V tem dimensão finita n.
198
Observação: O Teorema 1 afirma que um operador linear T é diagonalizável se, e somente
se, seu polinômio minimal se escreve como produto de fatores lineares distintos. Dessa
forma, o problema de determinar se o operador T é ou não diagonalizável reduz-se a achar
seu polinômio minimal.
Como o polinômio minimal é o de menor grau que anula (T)B , verificamos se p1 ((T)B ))
= 0. Em caso afirmativo, p1 (x) será o polinômio minimal de T e T será diagonalizável.
Caso contrário, testamos p2 (x), e assim por diante.
199
Note que: T será diagonalizável se, e somente se, seu polinômio minimal for p1 (x).
3 0 −4 0
0 3 5 0
(T)C =
0
0 −1 0
0 0 0 −1
e portanto
3−λ 0 −4 0
0 3 − λ 5 0
(T)C − λ I4 =
0
0 −1 − λ 0
0 0 0 −1 − λ
200
• p1 (x) = (x + 1).(x - 3); grau p1 (x) = 2;
Temos que:
0 0 −4 0 4 0 −4 0
0 0 5 0
p1 ((T)C ) = ((T)C - 3I3 ).((T)C + I3 ) = . 0 4 5 0
= 0
0
0 −4 0
0 0 0 0
0 0 −4 0 0 0 0 0
−1 0 0 0
0 −1 0 0
(T)B =
0 0 3 0
0 0 0 3
Qual é a base B?
4 0 −4 0 x 0
4x − 4z = 0 x = z
0 4 5 0 y = 0 ⇐⇒
0 4y + 5z = 0 ⇐⇒ y = − 5z
4
0 0 0 z 0
0.t = 0 t : qualquer
0 0 0 0 t 0
e portanto u = (z, - 5z
4
, z, t) = 5z
4
(4, -5, 4, 0) + t(0, 0, 0, 1), para quaisquer z, t ∈ R, não
simultaneamente nulos. Observe que considerando:
201
z = 54 e t = 0 =⇒ u1 = (4, −5, 4, 0)
z = 0 e t = 1 =⇒ u2 = (0, 0, 0, 1)
Logo:
(
V(−1) = [u1 , u2 ] = [(4, −5, 4, 0), (0, 0, 0, 1)]
s1 = dimV(−1) = 2 = r1
Note que:
0 0 −4 0 x 0
−4z = 0 (
0 0 5 0 y 0 5z = 0 z = t = 0
= ⇐⇒ ⇐⇒
0
0 −4 0 z 0
−4z = 0 x, y : quaisquer
0 0 0 −4 t 0 −4t = 0
x = 1 e y = 0 =⇒ v1 = (1, 0, 0, 0)
x = 0 e y = 1 =⇒ v2 = (0, 1, 0, 0)
Logo:
(
V(3) = [v1 , v2 ] = [(1, 0, 0, 0), (0, 1, 0, 0)]
s2 = dimV(3) = 2 = r2
Note que:
202
Portanto, a base B em relação à qual a matriz de T é diagonal é a base
B = {u1 , u2 , v1 , v2 } = {(4, -5, 4, 0), (0, 0, 0, 1), (1, 0, 0, 0), ((0, 1, 0, 0)}
O cálculo de Ap pode ser muito trabalhoso, se p for um número grande. Mas: se a matriz
A é uma matriz diagonalizável, existe uma matriz inversível M tal que M−1 AM = D, sendo
D = diag(λ1 , λ2 , . . ., λn ) (lembre que diag(λ1 , λ2 , . . ., λn ) representa a matriz diagonal
tal que aii = λi , para i = 1, 2, . . ., n).
Nessas condições, é fácil ver que D2 = diag(λ21 , λ22 , . . ., λ2n ), D3 = diag(λ31 , λ32 , . . ., λ3n ), . . .,
Dp = diag(λp1 , λp2 , . . ., λpn ).
Mas: D = M−1 AM ⇒ A = MDM−1 e, além disso, Ap = MDp M−1 (faça os cálculos dessa
última igualdade para p = 2, 3, 4, para se convencer!!).
!
4 4
Exemplo 1: Calcule Ap para A = .
1 4
!
2 2
Solução: A matriz M = diagonaliza a matriz A (faça os cálculos), isto é,
−1 1
!
p
2 0
M−1 AM = = diag(2, 6) e portanto A = MDM−1 . Logo, Ap = M M−1 = .....
0 6p
(continue esses cálculos).
203
Exercício 1: Calcule Ap para as seguintes matrizes:
0 1 1 0 7 −6
(i) A = 1 0 1 (ii) A = −1 4 0
1 1 0 0 2 −2
0 1 5 9 −1 −4 −2 −2
2 1 6 8 −4 −1 −2 −2
(iii) A =
0
(iv) A =
0 0 3 2 2 1 4
0 0 1 −2 2 2 4 1
Por exemplo,
! ! ! !
1 0 1/2 0 1/3 0 1/n 0
, , , . . ., ...
0 0 0 0 0 0 0 0
!
0 0
converge para a matriz pois 1, 1/2, 1/3, . . . converge para 0 (e, obviamente, a
0 0
sequência 0, 0, 0, . . . também converge para 0).
204
Prova-se que: Se A ∈ Mn (R), a série exponencial
∞
A2 A3 Ap X Ak
exp(A) = I + A + + + ... + + ... =
2 3! p! k=0
k!
é convergente.
Notação: exp(A) = eA
Observe que: como na secção 5.4.1, o cálculo de eA pode ser bastante trabalhoso. Porém
se A for diagonalizável, então Ap = MDp M−1 , com D = diag(λ1 , λ2 , . . ., λn ) e então:
∞ ∞ ∞
!
X Ak X MDk M−1 X Dk
eA = = = M M−1 = M.eD .M−1 =
k=0
k! k=0
k! k=0
k!
e assim
! ! ! !
e2 0 1 2 2 e2 0 1 −2
eA = M 6
M−1 = = ...
0 e 4 −1 1 0 e6 1 2
Denotemos por C ∞ (R) o conjunto de todas as funções reais definidas em R e que admitem
derivadas de todas as ordens. Definindo-se nesse conjunto as operações usuais de adição
de funções e multiplicação de uma função por um número real, (C ∞ (R), + , ) é um .
espaço vetorial real de dimensão infinita.
205
Note que: se f(t) ∈ C ∞ (R), então para todo n ≥ 0, f0 (t), f00 (t), · · · , f(n) (t) ∈ C ∞ (R) e
portanto a combinação linear
D : C ∞ (R) −→ C ∞ (R)
D(f(t)) = f0 (t)
a0 I + a1 .D + a2 .D2 + · · · + an Dn
206
Exercício: Aplicar à função f(t) = cos ωt os operadores: D, D2 , D2 + ω, D2 + ω 2 , sendo
ω ∈ R.
Solução:
ω .sen ωt
• • D(f(t)) = D(cos ωt) = -|{z}
real
3x1 (t)
+ x3 (t) = x1 0 (t)
S= 2x2 (t) = x2 0 (t)
x1 (t) + 3x3 (t) = x3 0 (t)
207
sendo xi (t) (i = 1, 2, 3) funções reais definidas num intervalo I ∈ R no qual essas funções
são diferenciáveis.
x3 (t) x3 0 (t)
X0 (t) = AX(t)
3 0 1
sendo A = 0 2 0 a matriz do sistema homogêneo associado ao sistema S.
1 0 3
Polinômio Característico de A:
3−λ 0 1
pA (λ) = det 0 2−λ 0 = (3 - λ)2 (2 - λ) - (2 - λ) =
1 0 3−λ
Auto-valores de A:
( (
λ1 = 2 λ2 = 4
r1 = 2 r2 = 1
208
Auto-vetores Associados:
( (
V(2) = [(1, 0, −1), (0, 1, 0)] V(4) = [(1, 0, 1)]
dimV(2) = 2 dimV(4) = 1
1 0 1
P = 0 1 0
−1 0 1
então:
2 0 0
D = P−1 .A.P = 0 2 0
0 0 4
Consideremos
então:
Assim:
209
2 0 0
Y0 (t) = 0 2 0.Y(t)
0 0 4
y01 (t)
2 0 0 y1 (t) 2y1 (t)
y2 (t) = 0 2 0 y2 (t) = 2y2 (t)
0
Dessa forma:
2t
1 0 1 c1 e
X(t) = Q .Y(t) = P.Y(t) = 0 1 0 c2 e
−1 2t
−1 0 1 c3 e4t
x1 (t) c1 e2t + c3 e4t
x2 (t) = c2 e2t
2t 4t
x3 (t) −c1 e + c3 e
Exemplo:
1 0 1
210
Solução:
1−λ 0 1
• (a) pA (λ) = det 0 1−λ 0 = λ(1 − λ)(λ − 2)
1 0 1−λ
auto-valores: λ1 = 0, λ2 = 1 e λ3 = 2
auto-vetores:
λ1 (t) = 0 =⇒ V(0) = [(1, 0, −1)]
λ2 (t) = 1 =⇒ V(1) = [(0, 1, 0)]
λ3 (t) = 2 =⇒ V(2) = [(1, 0, 1)]
Sejam: v1 = (1, 0, -1), v2 = (0, 1, 0) e v3 = (1, 0, 1). Como {v1 , v2 , v3 } é LI, segue
que A é diagonalizável. Considerando:
1 0 1
P = 0 1 0
−1 0 1
temos que:
1 0 1 c1 c1 + c3 e2t
X(t) = 0 1 0 . c2 et = c2 et
2t 2t
−1 0 1 c3 e −c1 + c3 e
c1 + c 3 0 c1 + c 3 = 0
hip
• (b) X(0) = c2 = 1 ⇐⇒ c2 = 1
−c1 + c3 −1 −c1 + c3 = −1
1
Dessa forma: c1 = = -c3 e c2 = 1
2
e portanto
1 1 2t
− e
2 2
X(t) =
t
e
1 1
− − e2t
2 2
211
Exercícios
4. Determinar em cada caso, se possível, uma matriz inversível M de modo que M−1 A
M seja diagonal.
0 1 5 9
2 0 4
2 1 6 8 , 3 −4 12
0 0 0 3
1 −2 5
0 0 1 −2
2 1 0
212
6. Seja F ∈ L(R3 ) cuja matriz em relação à base canônica é
2 2 0
A = 2 −1 0
0 0 2
(b) Determine uma base ortonormal do R3 em relação à qual a matriz de F seja diagonal.
(c) Determine uma matriz ortogonal M (isto é, M−1 = Mt ) tal que Mt A M é a matriz
diagonal obtida em (b).
(b) Determine uma base ortonormal B do R3 tal que [F]B seja diagonal.
11. Mostre que toda função do tipo k exp(at), k ∈ R, pertence ao núcleo do operador
D - a.
213
12. Mostre que as funções f(t) = sen t, g(t) = cos t são soluções linearmente independen-
tes da equação y0 + y0 = 0. Determine a solução geral de y0 + y0 = 0 e todas as soluções de
y00 + y0 = t.
13. Determine a solução geral da equação diferencial que satisfaz as condições indicadas:
√
(a) y00 + 2 y = 0, y0 (0) = 2 2 e y(0) = 2.
214
Referências Bibliográficas
[1] ANTON, H., Álgebra Linear. Rio de Janeiro, Editora Câmpus, 1978.
[2] CALLIOLI, C.A.; DOMINGUES, H.H. e COSTA, R.C.F., Álgebra Linear e Aplica-
ções. São Paulo, Atual Editora, 1990.
[3] LIPSCHUTZ, S., Álgebra Linear. São Paulo, McGraw-Hill do Brasil, 1972. (Coleção
Schãum)
215