Escolar Documentos
Profissional Documentos
Cultura Documentos
NOTAS DE AULA
CALCULO 2
CAMPO GRANDE
2021
i
.
ii
Aula 1 - Sistemas Lineares
1
Definição: Um sistema linear S é um conjunto de
m equações lineares, cada uma com n incógnitas (m,
n ≥ 1), consideradas simultaneamente e descrito por
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
2
Definição: Um sistema linear S é
a. incompatível, se S não admitir solução;
b. compatível determinado, se S admitir uma única
solução;
c. compatível indeterminado, se S admitir mais
que uma solução.
3
Observação: Todo sistema homogêneo é compatível
pois (0, 0, ..., 0) é solução.
4
Aula 2 - PARTE 1 - Como resolver um sistema
linear?
5
Pergunta: De que forma podemos escalonar um sis-
tema linear, através das operações elementares permi-
tidas, de modo que possamos encontar a sua solução
(ou soluções), se existirem?
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
6
Exemplo: Realize operações elementares para deter-
minar a(s) solução(ões) (se existir) dos sistemas a se-
guir:
x1 − x2 + x 3 = 1
S1 : 2 x1 − x2 + x3 = 4
x1 − 2 x2 + 2 x3 = 0
7
x+y+2z=9
S2 : 2x+4y−3z=1
3x+6y−5z=0
8
3x+3y−2z−t=2
S3 : 5x+2y+ z−2t=1
2 x − y + 3 z − t = −1
9
Aula 2 - PARTE 2 - Análise de soluções de
sistemas lineares
10
Exercício: Para quais valores de a o sistema linear
S abaixo tem:
• Solução única. • Infinitas soluções. • Não
tem solução.
x + y − az = 0
S : ax + y − z = 2 − a
x + ay − z = −a
11
Aula 3 - Matrizes e Operações com matrizes
a11 a12 · · · a1n
a21 a22 · · · a2n
A=
.. .. . . . ..
am1 am2 · · · amn
• Notação: A = (aij), 1 ≤ i ≤ m, 1 ≤ j ≤ n.
12
Algumas notações:
• Mm×n(R): conjunto das matrizes reais de m linhas e
n colunas
•A(i) = ai1 ai2 · · · ain : linhas de A,
a1j
a2j
•A(j) .. : colunas de A.
=
amj
13
Tipos de matrizes
14
4) Matriz nula: é uma matriz O = (aij) tal que
(aij) = 0, ∀ i, j.
15
7) Matriz transposta: A matriz transposta de A =
(aij), de ordem m × n, é a matriz AT = (aji) de
ordem n × m
16
Definição: 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.
17
Definição: Dadas as matrizes m × n, A = (aij) e B
= (bij), definimos a soma A + B como sendo a matriz
cujo termo geral é aij + bij , isto é,
a11 + b11 a12 + b12 · · · a1n + b1n
a21 + b21 a22 + b22 · · · a2n + b2n
A+B =
.. .. ... ..
am1 + bm1 am2 + bm2 · · · amn + bmn
18
Definição: Dada uma matriz m × n, A = (aij) e um
número α ∈ R, definimos a multiplicação de α por A,
denotada por por α A como sendo a matriz cujo termo
geral é α aij, isto é,
α a11 α a12 · · · α a1n
α a21 α a22 · · · α a2n
αA =
.. .. ... .
.
α am1 α am2 · · · α amn
19
Observação: As operações de adição de matrizes e
multiplicação de matrizes por um número real satisfa-
zem as seguintes propriedades :
A1) A + (B + C) = (A + B) + C, ∀ A, B, C ∈
Mm×n(R).
A2) A + B = B + A, ∀ A, B ∈ Mm×n(R).
20
Para quaisquer α, β ∈ R e A, B ∈ Mm×n(R),
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.
21
Aula 4 - PARTE 1 - Produto de Matrizes
a11 a12 · · · a1n b11 b12 · · · b1p
a21 a22 · · · a2n b21 b22 · · · b2p
A=
.. .. . . . ..
B=
.. .. . . . ..
am1 am2 · · · amn bn1 bn2 · · · bnp
22
c11 c12 · · · c1p
c21 c22 · · · c2p
C = AB =
.. .. . . . ..
cm1 cm2 · · · cmp
n
X
cij = aik bkj,
k=1
23
(1) (1) (1)
A B(1) A B(2) · · · A B(p)
(2)
A B(1) A(2) B(2) · · · A(2) B(p)
AB =
.. .. ... ..
A(m) B(1) A(m) B(2) · · · A(m) B(p)
24
Exemplo: Calcule AB, sendo
! 3 1
1 2 3
e
A= B = 4 5
0 −1 4
0 −6
25
Pergunta: É verdade que, sempre que for possível o
produto entre duas matrizes A e B, que A B = B A?
26
Propriedades
1. Sejam A, B e C matrizes m × n, n × p e p × q
respectivamente. Então
A (B C) = (A B) C
2. Sejam A, B e C matrizes m × n , n × p e n × p,
respectivamente, e k ∈ R. Então
A (k B + C) = kA B + A C
(k A + B)t = k At + Bt
(A B)t = Bt At
27
Exemplo: Dada a matriz
!
2 1
1 1
28
Aula 4 - PARTE 2 - Matrizes Invertíveis
a11 a12 ··· a1n 1 0 ··· 0
a21 a22 ··· a2n 0 1 ··· 0
.. .. ... .. .. .. ... ..
an1 an2 ··· ann 0 0 ··· 1
29
Definição: Dizemos que uma matriz A ∈ Mn(R) é in-
versível 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.
Notação: B ∼ A.
30
Teorema: Uma matriz A é inversível se, e somente se,
In ∼ A e a mesma sucessão de operações elementares
que levam A em In transformam In em A−1.
31
Exemplo: Mostre que a matriz A abaixo é inversível,
determinando a sua inversa.
0 0 1 1
1 0 0 1
D = 1 1 1
1
0 2 0 3
32
Aula 5 - PARTE 1 - Determinantes
!
a b
A=
c d
! ! !
a b L2 ↔L2 − ac L1 a b a b
−−−−−−−→ =
c d 0 − bca + d 0 ad−bc
a
33
Exemplo:
!
1 2
A= é invertível
3 −1
!
1 2
B= não é invertível
3 6
a a a
11 12 13
A=
a 21 a22 a 23
a31 a32 a33
a a12 a13
11
a a a13
11 12 a21
L2↔L2− a11 L1 a11 a22 −a21 a12
a11 a23 −a21 a13
a21 a22 a23 −
− −−−− − − → 0
L ↔L − a31 L a11 a11
3 3 a11 1
a31 a32 a33
a11 a32 −a31 a12 a11 a33 −a31 a13
0 a11 a11
34
a a a a a12 a13
11 12 13 11
a21 a22 a23 ∼ 0 a11a22 − a21a12 a11a23 − a21a13
a31 a32 a33 0 a11a32 − a31a12 a11a33 − a31a13
a11 a12 a13
notação
=== 0 A33 A32
0 A23 A22
a a a a11 a12 a13
11 12 13 L3↔L3− AA23
33
L2
0 A33 A32 −−−−−−− − → 0 A33 A 32
.
0 A23 A22 0 0 A22A33 − A32A23
35
A22A33 − A32A23 =
(a11a22 − a21a12)(a11a33 − a31a13) −
(a11a32 − a31a12)(a11a23 − a21a13) =
= a211a22a33−a11a22a31a13−a21a12a11a33+(a(21(a(12
(( a(31(a(13
((
+
−a211a32a23 +a11a32a21a13 +a31a12a11a23 − (a(31(a(12
(( a(21(a(13
((
36
Colocando os termos da primeira linha em evidência
detA = +a11(a22a33 − a23a32)
−a12(a21a33 − a23a31)
+a13(a21a32 − a22a31)
det A =
! !
a22 a23 a21 a23
= a11 · det − a12 · det +
a32 a33 a31 a33
!
a21 a22
+a13 · det
a31 a32
38
Definição: Dada uma matriz quadrada A de ordem
n × n, seja Aij as matrizes menores de A. Definimos o
cofator (i, j) de A por
def
Cij = (−1)i+j det Aij
39
Teorema: Podemos calcular o determinante de A ∈
M3(R) a partir de qualquer linha ou de qualquer co-
luna. Mais precisamente:
40
Exemplo: Calcular o determinante de
−1 1 4
A = 3 0 −1
1 0 3
41
Aula 5 - PARTE 2 - Determinantes de
matrizes de ordem maior
42
Exemplo: Calcular o determinante da matriz
−2 3 0 4
1 0 −1 0
A= 3 2 1 1 .
−2 2 0 1
43
Exemplo: Calcular o determinante da matriz
2 0 0 8 0
1 −7 −5 0 0
A = 3 8 6 0 0 .
0 7 5 4 0
2 3 1 1 1
44
Propriedades do determinante
45
(iv) A operação elementar “trocar duas linhas de lu-
gar” altera o sinal do determinante.
(v) A operação elementar de somar o múltiplo de uma
linha à outra não altera o determinante. Em ou-
tras palavras, se um múltiplo de uma linha de A
for somado à outra linha formando a matriz B,
então det A = det B.
(vi) Uma matriz A é invertível se, e somente se, det A 6=
0.
(vii) Para quaisquer duas matrizes A e B de mesma
ordem, det(AB) = det A det B.
(viii) O determinante da matriz transposta de A é igual
ao determinante de A, isto é, det(AT ) = det A.
(ix) Todos os itens acima que envolvem operações com
linhas poderiam ser enunciados com “colunas” no
lugar de “linhas”.
46
Exemplo: Calcular o determinante da matriz
−2 3 0 4
1 0 −1 0
A= 3 2 1 1 .
−2 2 0 1
47
Exemplo: Calcular o determinante da matriz
2 0 0 8 0
1 −7 −5 0 0
A = 3 8 6 0 0 .
0 7 5 4 0
2 3 1 1 1
48
Aula 6 - Resolução de Sistemas Lineares
usando matrizes
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
m1 1 m2 2 mn n = bm
a11 a12 · · · a1n x1 b1
a21 a22 · · · a2n , X = e B = b2
x2
A=
.. .. . . . .. .. ..
am1 am2 · · · amn xn bm
49
Como resolver um sistema
linear usando matrizes?
x1 − x2 + x 3 = 1
S1 : 2 x1 − x2 + x3 = 4
x1 − 2 x2 + 2 x3 = 0
50
x+y+2z=9
S2 : 2x+4y−3z=1
3x+6y−5z=0
51
3x+3y−2z−t=2
S3 : 5x+2y+ z−2t=1
2 x − y + 3 z − t = −1
52
Regra de Cramer
53
Teorema (Regra de Cramer): Seja o sistema linear
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
n1 1 n2 2 nn n = bn
tal que a matriz A do sistema satisfaça det A 6= 0 (isto
é, A é invertível). Então, o sistema S é compatível e
determinado e
D1 D2 D3 Dn
x1 = , x2 = , x3 = , · · · xn =
D D D D
onde,
• D = det A e
54
Exemplo: Resolva o sistema linear abaixo utilizando
a Regra de Cramer:
x+2y+z=8
S : 2x−y+z=3
3x+y− z=2
55
Aula 7 - Exercícios: Sistemas Lineares,
Matrizes e Determinantes
56
Exercício 2: Dadas as matrizes
" # " #
a + 2b 2a − b 9 −1
A= B=
2c + d c − 2d 1 7
" #
4
C=
5
57
Exercício 3: Seja S : AX = B um sistema linear tal
que, em sua forma escalonada, a matriz A é de ordem
3 × 5. Admitindo que o conjunto solução sol(S) do
sistema S é
58
Exercício 4: Para quais valores de x a matriz
cos(x) π −sen(x)
A= 0
1 0
√
sen(x) 72 cos(x)
é invertível?
59
Exercício 5: Resolva os sistemas lineares abaixo e os
interprete geométricamente.
(
x + y = 9
S1 =
3x + 4y = 31
60
(
x + y = 9
S2 =
2x + 2y = 14
61
(
x + y = 9
S3 =
2x + 2y = 18
62
pulando folha
63
Aula 8 - PARTE 1 - Espaços Vetoriais:
Definição e Exemplos usuais
Consideremos o conjunto V3
64
Consideremos, agora, o conjunto Mm×n(R).
65
Conclusão: embora os conjuntos V3 e Mm×n(R) sejam
de naturezas distintas, os dois têm “comportamentos”
coincidentes com relação às operações de adição e mul-
tiplicação por escalar.
66
Definição : Um conjunto V 6= ∅ é um espaço veto-
rial sobre R se e somente se
67
II . Existe uma multiplicação por escalar
• : R × V −→ V
(α, v) 7−→ α • v = α v
68
Observação: Da mesma forma como definimos espa-
ços vetoriais sobre R, podemos definir espaços veto-
riais sobre C.
Notação:
69
Exemplos:
70
3. (Rn, +, .) é um espaço vetorial real, sendo:
Rn = {(x1, x2, . . ., xn): x1, x2, . . . xn ∈ R};
E se x = (x1, x2, . . ., xn) e y = (y1, y2, . . ., yn)
são dois elementos genéricos do Rn e α ∈ R,
definimos:
adição: x + y = (x1, x2, . . ., xn) + (y1, y2, . . ., yn)
:= (x1 + y1, x2 + y2, . . ., xn + yn)
multiplicação por escalar:
αx = α(x1, x2, . . ., xn) := (αx1, αx2, . . ., αxn)
71
Aula 8 - PARTE 2 - Espaços Vetoriais:
Mais exemplos e propriedades
72
6. (Pn(R), +, .) é um espaço vetorial real, sendo
+ : a operação usual de soma de polinômios
. : a multiplicação usual de um polinômio por um
número real.
73
7. O conjunto C([0, 1]) de todas as funções contínuas
definidas no intervalo fechado [0, 1] e com valores
em R é um espaço vetorial sobre R, sendo
adição:
f + g : t ∈ [0,1] −→ f(t) + g(t) ∈ R
multiplicação por escalar:
α f : t ∈ [0,1] −→ α f(t) ∈ R
74
Observações:
75
Um exemplo não usual de espaço vetorial: Seja
V = {u ∈ R: u > 0} =
6 ∅. Defina, para quaisquer
u, v ∈ V, α ∈ R:
adição: u ⊕ v := u.v ∈ V
76
Propriedades: Sejam V um espaço vetorial real, u, v,
u1, u2, . . ., un ∈ V e α, β, α1, α2, . . ., αn ∈ R. Valem
as seguintes propriedades:
P1. α. |{z}
0 = |{z}
0 .
vetor vetor
P2. |{z}
0 .u = |{z}
0 .
n0 .real vetor
P3. Se α u = |{z}
0 , com α ∈ R e u ∈ V , então
vetor
α = |{z}
0 ou u = |{z}
0 .
n0 .real vetor
77
P4. (−α)u = α(− u) = −(αu).
78
P8. O vetor nulo de V é único.
79
Aula 9 - PARTE 1 - Subespaços Vetoriais:
Definição e Exemplos
1. 0 ∈ W;
2. Para todos u,v ∈ W, u + v ∈ W;
3. Para todos α ∈ R e u ∈ W, α u ∈ W.
⊆
Notação: W sev V
Proposição:
(i) 0 ∈ U
(ii) se u, v ∈ U então u + v ∈ U
⊆
U sev V ⇐⇒
(iii) se α é um escalar e u ∈ U
então αu ∈ U
80
Exemplos:
1. O subconjunto
W1 = {(x, y) ∈ R2 : y − ax = 0, a ∈ R}
é um subespaço vetorial do espaço vetorial R2.
81
2. O conjunto
C0([a, b]) = {f ∈ C([a, b]) / f (a) = f (b) = 0}
é um subespaço vetorial do espaço vetorial C([a, b]).
82
3. O conjunto
S = {p(x) ∈ P3(R) / p(−1) = 0 e p0(1) = 0}
é um subespaço vetorial do espaço vetorial P3(R).
83
Aula 9 - PARTE 2 - Subespaços Vetoriais:
mais exemplos
4. O conjunto
Z 1
S = p(x) ∈ P2(R) / p(x)dx + p0(0) = 0
−1
é um subespaço vetorial do espaço vetorial P2(R).
84
5. O conjunto
( ! )
a b
S(2) = ∈ M2(R), a, b, c ∈ R
b c
85
6. O conjunto
S = {(x, y) ∈ R2 / y − 2x = 1}
não é um subespaço vetorial do espaço vetorial R2.
86
7. O conjunto
Z 1
U = f ∈ C([0, 1]) / f (x)dx ≥ 0
0
não é um subespaço vetorial do espaço vetorial
C([0, 1]).
87
Aula 10 - Combinação Linear. Subespaço
Gerado
88
Definição: Seja V um espaço vetorial sobre R e S
um conjunto finito de elementos de V , isto é, S =
{v1, v2, . . . , vn}. O suconjunto U construído a partir
dos elementos de S da seguinte forma:
89
Exemplo 1: Seja o conjunto
W = A ∈ M2(R) / A = At
90
Exemplo 2: Determine o conjunto de geradores do
subespaço vetorial
U = {(x, y, z) ∈ R3 / z = 0}
91
Exemplo 3: Determine o conjunto de geradores do
subespaço vetorial
W = {(x, y) ∈ R2 / y = −2x}
92
Exemplo 4: Determine o conjunto de geradores do
subespaço vetorial
93
Aula 11 - Soma e Intersecção. Soma Direta
U ∩ W = {v ∈ V / v ∈ U e v ∈ W }
U + W = {v ∈ V / v = u + w, com u ∈ U e w ∈ W }
•V =U +W
• U ∩ W = {O}
95
Exemplo 1: Sejam os subespaços vetoriais U e W do
espaço vetorial R3, dados por
U = {(x, y, z) ∈ R3 / z = 0}
W = {(x, y, z) ∈ R3 / y = 0}
96
Exemplo 2: Sejam os subespaços vetoriais U e W do
espaço vetorial R2, dados por
U = {(x, y) ∈ R2 / y = x}
W = {(x, y) ∈ R2 / y = −2x}
Mostre que R2 = U ⊕ W .
97
Exemplo 3: Sejam os subespaços vetoriais U e W do
espaço vetorial R3, dados por
U = {(x, y, z) ∈ R3 / x = z}
W = {(x, y, z) ∈ R3 / x + y + z = 0}
98
Exemplo 4: Sejam os subespaços vetoriais U e W do
espaço vetorial Mn(R), dados por
U = {A ∈ Mn(R) / At = A}
W = {A ∈ Mn(R) / At = −A}
99
———————————
100
Aula 12 - PARTE 1 - Dependência e
Indpendência Linear
101
Definição: Sejam V um espaço vetorial sobre R e
v1, v2, . . . , vn ∈ V . Dizemos que o conjunto
S = {v1, v2, . . . , vn} ⊂ V é Linearmente Indepen-
dente (LI) se, e somente se, toda combinação linear
nula
102
Propriedades:
103
3) Todo conjunto que contém o vetor nulo é LD.
104
Teorema: Seja V um espaço vetorial sobre R e
v1, v2, . . . , vn ∈ V . O conjunto S = {v1, v2, . . . , vn} ⊂
V é LD se, e somente se, um dos seus elementos for
uma combinação linear dos outros elementos.
105
Aula 12 - PARTE 2 - Dependência e
Indpendência Linear
é LD.
106
Exemplo 2: Mostre que o conjunto
é LD.
107
Exemplo 3: Verifique se conjunto
é LD ou LI.
108
Teorema: Considere o espaço vetorial C 1([a, b]) e as
funções f, g ∈ C 1([a, b]). O conjunto S = {f (x), g(x)}
é Linearmente Dependente se, e somente se,
det(A(x)) = 0 para todo x ∈ [a, b], onde
!
f (x) g(x)
A(x) = 0 0
.
f (x) g (x)
109
Exemplo 4: Verifique se conjunto
é LD ou LI.
110
Exemplo 5: Verifique se conjunto
é LD ou LI.
111
Aula 13 - PARTE 1 - Base e Dimensão.
1) Se S é LI;
2) Se S gera V .
112
Exemplo 2: Verifique se o conjunto
113
Exemplo 3: Verifique se o conjunto
( ! ! ! !)
1 1 2 1 0 1 0 0
B= , , ,
0 0 0 0 1 0 0 2
é uma base de M2(R).
114
Bases canônicas:
( ! ! ! !)
1 0 0 1 0 0 0 0
3) B = , , , ⊂ M2(R)
0 0 0 0 1 0 0 1
é uma base de M2(R).
115
4) B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ⊂ R3 é uma base
de R3.
116
Teorema: Seja V um espaço vetorial gerado por um
conjunto finito de elementos v1, v2, v3, . . . , vn ∈ V . En-
tão, todo conjunto linearmente independente de V é
finito e tem, no máximo, n elementos.
117
Definição: Seja V um espaço vetorial finitamente ge-
rado. Chamamos de dimensão de V, e denotamos
por dim V, o número de vetores de qualquer uma
de suas bases. Dizemos também que V é um espaço
vetorial de dimensão finita.
118
Da definição acima e dos exemplos anteriormente vis-
tos, segue que:
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.
5) dim Mm×n(R) = m.n.
6) dim P3(R) = 4.
Generalização: Pn(R) = n + 1.
119
Observações:
120
Aula 13 - PARTE 2 - Dimensão do Subespaço
Soma. Completamento de base
121
Exemplo 1: Sejam V um espaço vetorial real, com
dim(V ) = 9, U e W subespaços vetoriais de V tais
que dim(U ) = 6 e dim(W ) = 5. Mostre que
2 ≤ dim(U ∩ W ) ≤ 5.
122
Exemplo 2: Sejam V um espaço vetorial real, com
dim(V ) = n, U e W subespaços vetoriais de V tais que
n n
dim(U ) > e dim(W ) > . Mostre que
2 2
U ∩ W 6= { 0 }.
123
Estratégia para completamento de base:
124
a11 a12 a13 . . . a1n
a21 a22 a23 . . . a2n
•A=
.. .. .. ... . .
ESCALONAR
am1 am2 am3 . . . amn
• Mantemos, após o escalonamento, as linhas não
nulas da matriz escalonada A
b e completamos as li-
nhas da matriz Ab com os vetores da base canônica
do Rn até que Ab ∈ Mn(R).
125
Por exemplo:
a11 a12 a13 a14 a15 a16
a21 a22 a23 a24 a25 a26
A= a a
31 32 a33 a34 a35 a36
a41 a42 a43 a44 a45 a46
α11 α12 α13 α14 α15 α16
0 α22 α23 α24 α25 α26
A=
b
0
0 α33 α34 α35 α36
0 0 0 0 0 0
α11 α12 α13 α14 α15 α16
0 α22 α23 α24 α25 α26
0 0 α33 α34 α35 α36
A
b=
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
126
• Esse processo equivale a completar, após sacalona-
mento, os vetores LI que sobraram em W com os
“últimos” vetores de S até que dim(W ) = n.
127
Exemplo 3: Determine uma base para o espaço ve-
torial P4(R) que contenha os elementos do conjunto
S = { p(x), q(x), r(x) }, sendo
128
Exemplo 4: Considere os seguintes subespaços veto-
riais de R3:
U = { (x, y, z) ∈ R3 / x − 2y + 3z = 0 }
W = { (x, y, z) ∈ R3 / x + y + z = 0 }
Determine uma base para U + W .
129
Aula 14 - Matriz de Coordenadas de um vetor
130
Teorema: Sejam V um espaço vetorial de dimensão
finita dimV = n e B = {v1, v2, v3, ..., vn} uma base
ordenada V . Então todo elemento de V é escrito de
modo único como uma combinação linear dos elemen-
tos de B, isto é, dado v ∈ V , existe uma única
sequência de escalares x1, x2, x3, ..., xn ∈ R tais que
131
Definição: A matriz de coordenadas do elemento
v ∈ V em relação a base ordenada B, denotada por
[ v ]B , é dada por
x
1
x2
[ v ] B = x3
..
xn
132
Exemplo 1: Determine a matriz de coordenadas do
vetor p(x) = 2 + 4x + x2 em relação à base ordenada
B = { 1 , 1 + x , 1 + x2 } do espaço vetorial P2(R).
133
Exemplo 2: Determine a matriz de coordenadas do
vetor v = (2, 1, 4) em relação à base ordenada
B = {(1, 1, 1), (1, 0, 1), (1, 0, −1)} do espaço vetorial
R3 .
134
Exemplo 3: Determine ! a matriz de coordenadas do
4 6
vetor A = em relação à base ordenada
5 6
( ! ! ! !)
1 1 1 1 1 0 0 1
B= , , , do es-
1 0 0 1 1 1 1 1
paço vetorial M2(R).
135
Aula 15 - PARTE 1 - Matriz de Mudança de
Base
136
v1 = u1 + u2 + u3 + ... + un
v2 = u1 + u2 + u3 + ... + un
3) v3 = u1 + u2 + u3 + ... + un
.. .. .. .. .. .. ..
vn
= u1 + u2 + u3 + ... + un
137
Comparando essa última igualdade do vetor v, junto
com a equação dada em 1), conclui-se que
x1 = a11y1 + a12y2 + a13y3 + ... + a1nyn
x2 = a21y1 + a22y2 + a23y3 + ... + a2nyn
x3 = a31y1 + a32y2 + a33y3 + ... + a3nyn
.. .. .. .. ..
xn = an1y1 + an2y2 + an3y3 + ... + annyn
x a a12 a13 ... a1n y
1 11 1
x2 a21 a22 a23 ... a2n y2
x3 = a31 a32 a33 ... a3n y3
.. .. .. .. . . . .. ..
xn an1 an2 an3 ... ann yn
138
• A matriz A acima é chamada de matriz de mu-
dança da base B para a base C.
• Notação: A = MBC
• [ v ]B = MBC · [ v ]C
139
Aula 15 - PARTE 2 - Matriz de Mudança de
Base
140
Exemplo 2: Determine a matriz de mudança da base
B = {1 − x , 2 + x} para a base C = {1 , x}, ambas
de P1(R).
141
Teorema: Toda matriz de mudança de base é invertí-
vel e
(MBC )−1 = MCB
142
Exemplo 3: Considere as bases B = {u1, u2, u3} e
C = {w1, w2, w3} do espaço vetorial R3, relacionadas
da seguinte forma:
w1 = u1 − u2 − u3
w2 = 2u2 + 3u3
w3 = −3u1
+ u3
143
Aula 16 - PARTE 1 - Exercícios: Espaços e
Subespaços Vetoriais, Base e Dimensão
⊕: adição de elementos:
(x1, y1) ⊕ (x2, y2) = (x1x2 , y1 + y2)
: multiplicaçao por escalar: α (x, y) = (xα, αy)
144
Exercício 2: Considere o seguinte subconjunto U do
espaço vetorial P3(R) dado por:
145
Aula 16 - PARTE 2 - Exercícios: Espaços e
Subespaços Vetoriais, Base e Dimensão
U = { (x, y, z) ∈ R3 / 3x − 2y + z = 0 }
W = { (x, y, z) ∈ R3 / 2x + y − 4z = 0 }
146
Exercício 4: Considere as seguintes funções f (x) = x
e g(x) = |x|. Mostre que o conjunto S = {f (x), g(x)}
é linearmente independente no espaço vetorial C([−1, 1]).
147
Exercício 5: Considere o espaço vetorial R2. A matriz
de mudança da base ordenada B = {(1, 1), (−2, 2)}
para a base ordenada C = {v1, v2} é dada por
!
1 0
MBC =
4 −2
Determine a base ordenada C.
148
Aula 17 - Funções
Em notação matemática:
F : U −→ V
u 7−→ F (u)
149
• U : domínio da função F ;
• V : contra-domínio da função F .
150
Definição: Seja F : U → V uma função. Chamamos
de imagem de F, e denotamos por Im(F ), o subcon-
junto de V dado por
Im(F ) = {F (u) ∈ V / u ∈ U }.
151
Definição: Dizemos que uma aplicação F : U → V é
ou, equivalentemente,
152
Definição: Dada a função
F : U −→ V
u 7−→ F (u)
com F bijetora, a função
G: V −→ U
F (u) 7−→ G(F (u)) = u
é chamada de aplicação função inversa de F, e é de-
notada por F−1.
Observação:
F(F−1(v)) = v e F−1(F(u)) = u
153
Exemplo 1: A função
F : R −→ R
x 7−→ F (x) = x2
não é injetora e nem sobrejetora.
154
Exemplo 2: A função
F : R −→ R+
x 7−→ F (x) = x2
é sobrejetora mas não é injetora.
155
Exemplo 3: A função
F : R+ −→ R+
x 7−→ F (x) = x2
é injetora e sobrejetora (portanto bijetora).
156
Aula 18 - Transformações Lineares
157
Exemplos:
158
Exemplo 3): Mostre que a aplicação T : R2 → R3
dada por T(x,y) = (x + y, x - y, 2y) é uma transfor-
mação linear.
159
Outros exemplos de transformações lineares
160
Propriedades: Sejam U e V espaços vetoriais reais e
T : U → V uma transformação linear. Então:
n
! n
X X
P4) T ai ui = ai T(ui)
i=1 i=1
161
Teorema: Sejam U e V espaços vetoriais sobre R com
dim(U ) = n, B = {u1, u2, ..., un} uma base ordenada
para U e W = {v1, v2, ..., vn} um conjunto de n
elementos arbitrários de V . Então, existe uma
única transformação linear T : U → V tal que
162
Exemplo 7): Determine a expressão da transformação
linear T : R2 → P2(R) tal que
T (1, 1) = x e T (−1, 1) = x − x3
163
Exemplo 8): Determine a expressão do operador li-
near T : R2 → R2 tal que
164
Aula 19 - Núcleo e Imagem
Ker(F); = {u ∈ U/ F(u) = 0}
165
Definição: Seja F : U → V uma transformação linear.
Definimos a imagem de U por F o subconjunto de V
Im(F) = {F(u) ∈ V/ u ∈ U}
166
Exemplo 1: Determine uma base para o núcleo da
transformação linear
T : R2 −→ R
(x, y) 7−→ T (x, y) = 3x + 2y
167
Exemplo 2: Determine uma base para o núcleo da
transformação linear
T : C 2([a, b]) −→ C([a, b])
f (x) 7−→ T (f (x)) = −f 00(x) + f (x)
168
Exemplo 3: Determine Ker(T ), Im(T ) e dim(Im(T ))
da transformação linear
T : R3 −→ R2
(x, y, z) 7−→ T (x, y, z) = (x − 3y + 5z, −x + 4y − z)
169
Exemplo 4: Considere a transformação linear
T : R3 −→ P3(R) definida por:
T (1, 0, 1) = 2 + x2 + x3
T (0, 1, 0) = 1 + x2
T (0, 0, 1) = x2 − x3
170
Aula 20 - Posto e Nulidade - PARTE 1
171
Definição: Seja T : U −→ V uma transformação
linear. Dizemos que T é uma aplicação:
172
Teorema: Seja T : U −→ V uma transformação li-
near. Assim,
T é injetora se, e somente se, Ker(T ) = { 0 }
173
Exemplo 1: Determine Ker(T ), Im(T ), dim(Im(T ))
e dim(Ker(T )) da transformação linear
T : R3 −→ R
(x, y, z) 7−→ T (x, y, z) = −x + y + 2z
174
Exemplo 2: Determine Ker(T ) e Im(T ) do operador
linear
T : P3(R) −→ P3(R)
p(x) 7−→ T (p(x)) = x2p00(x)
175
Exemplo 3: Mostre que a transformação linear
T : R2 −→ R2
(x, y) 7−→ T (x, y) = (2x − y, x + y)
é injetora.
176
Aula 20 - Posto e Nulidade - PARTE 2
(a) T é injetora;
(b) Se {u1, u2, ...um} é um conjunto LI em U , então
{T (u1), T (u2), ...T (um)} é um conjunto LI em Im(T );
(c) dim(Im(T )) = n;
(d) Se {u1, u2, ...um} é uma base de U , então
{ T (u1), T (u2), ...T (um)} é uma base de Im(T ).
177
Exemplo 4: Considere a transformação linear
T : R4 −→ R3 definida por:
T (x, y, z, t) = (x − 2y + t , 2x + y − z , 5y − z − 2t)
178
Aula 21 - Espaços Vetoriais Isomorfos
179
Teorema: Sejam U e V espaços vetoriais de dimen-
são finita sobre R. Então, U e V são isomorfos se, e
somente se, dim(U ) = dim(V )
180
Exemplo 1: Mostre que o operador linear
T : R3 −→ R3
(x, y, z) 7−→ T (x, y, z) = (x − 2y , z , x + y)
é um automorfismo.
181
Exemplo 2: Mostre que a transformação linear
T : R3 −→ P2(R)
(a, b, c) 7−→ T (a, b, c) = (a − b) + (c − a)x + (b + c)x2
182
Exemplo 3: Mostre que o espaço vetorial R3 é iso-
morfo ao subespaço vetorial S do espaço vetorial M2(R),
definido por
( ! )
a b
S= , com a, b, c ∈ R ,
0 c
183
Aula 22 - Álgebra das Transformações Lineares
T + S : U −→ V
u 7−→ (T + S)(u) := T(u) + S(u)
kT : U −→ V
u 7−→ (kT)(u) := k.T(u)
184
Proposição: Se U, V são dois espaços vetoriais reais,
então (L(U, V), +, .) é um espaço vetorial real.
S ◦ T : U −→ W,
u 7−→ (S ◦ T)(u) := S(T(u))
Observação: T n = T
| ◦ T ◦ T {z
◦ T ◦ ... ◦ T}
n vezes
185
Proposição: Com base nas definições acima:
• (T+S) ∈ L(U,V)
• (kT) ∈ L(U,V)
• (S ◦ T) ∈ L(U,W)
186
Exemplo: Dadas as transformações lineares
T : R2 −→ R
(x, y) 7−→ T (x, y) = x − 3y
e
P : R −→ R
x 7−→ P (x) = 4x
determine, se possível, T + P, T ◦ P e P ◦ T .
187
Definição: Dizemos que um operador T : V → V é
um operador idempotente se T 2 = T , ou seja
T : R3 −→ R3
(x, y, z) 7−→ T (x, y, z) = (x, y, 0)
é um operador idempotente.
188
Definição: Dizemos que um operador T : V → V é
um operador auto-reflexivo se T 2 = I, ou seja
T : R2 −→ R2
(x, y) 7−→ T (x, y) = (x, −y)
é um operador auto-reflexivo.
189
Definição: Dizemos que um operador T : V → V
é um operador nilpotente se T n = 0 para algum
n ∈ N, ou seja
| ◦ T ◦ T {z
(T ◦ T ◦ ... ◦ T})(v) = 0, ∀v∈V
n vezes
D : P3(R) −→ P3(R)
p(x) 7−→ D(p(x)) = p0(x)
é um operador nilpotente de ordem n = 4.
190
Aula 23 - Transformação Inversa
Definição: Seja
T : V −→ W
v 7−→ T (v)
uma transformação linear injetora. A transformação
linear
S : Im(T ) ⊂ W −→ V
T (v) 7−→ S(T (v)) = v
é chamada de transformação inversa de T .
191
Teorema: Sejam V, W espaços vetoriais de dimensão
finita. Se T : V → W é um isomorfismo, então T −1 :
W → V é também um isomorfismo.
192
Exemplo 1: Considere T ∈ L(R2) definido por T (x, y) =
(x + y, x − y)
193
Exemplo 2: Considere a transformação linear
T : R2 → P1(R) tal que
194
Aula 24 - Matriz da Transformação Linear -
PARTE 1
T(u1) = v1 + v2 + · · · + vm
T(u2) = v1 + v2 + · · · + vm
..
T(un) = v1 + v2 + · · · + vm
isto é
m
X
T(uj) = vi, (1 ≤ j ≤ n)
i=1
195
Definição: Chamamos de matriz de T em relação às
bases B e C, e denotamos por (T)B,C, à matriz real m
×n
α11 α12 ... α1n
α21 α22 ... α2n
(T)B,C =
.. .. . . . ..
αm1 αm2 ... αmn
196
Observações:
197
Exemplo 1: Determine a matriz da transformação
linear
T : P3(R) −→ P2(R)
p(x) 7−→ T (p(x)) = p0(x)
em relação as bases B = {1, x, x2, x3} e C = {1, x, x2}
198
Exemplo 2: Determine a matriz da transformação
linear
T : R3 −→ R2
(x, y, z) 7−→ T (x, y, z) = (2x + y − z, 3x − 2y + 4z)
em relação as bases B = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} e
C = {(1, 3), (1, 4)}
199
Exemplo 3: Determine a matriz do operador linear
T : M2(R)! −→ M2(R) ! !
a b a b 2a + b 2b
7−→ T =
c d c d 2c 3d
em relação a base B = C canônica de M2(R).
200
Aula 24 - Matriz da Transformação Linear -
PARTE 2
201
Teorema: Sejam U, V e W espaços vetoriais de di-
mensão finita sobre R, com as respectivas bases A, B
e C. Sejam T : U → V e P : V → W transforma-
ções lineares. Então, a matriz da transformação linear
(P ◦ T ) : U → W é dada por
202
Corolário: Sejam V e W espaços vetoriais de mesma
dimensão finita sobre R, B uma base ordenada para V ,
C uma base ordenada para W e T uma transformação
linear de V em W . Então, T é isomorfismo se, e so-
mente se, (T )B,C é uma matriz invertível.
203
Exemplo 1: Dada o operador linear
T : P3(R) −→ P3(R)
p(x) 7−→ T (p(x)) = p(x) + (1 + x).p0(x)
204
Exemplo 2: Dado o operador linear
T : M2(R)! −→ M2(R) ! !
a b a b 2a + b 2b
7−→ T =
c d c d 2c 3d
205
Aula 25 - PARTE 1 - Exercícios:
Transformações Lineares
T (1, 0, 1) = 2 + x2 + x3
T (0, 1, 0) = 1 + x2
T (0, 0, 1) = x2 − x3
206
Exercício 2: Seja U ⊂ M3(R) o subespaço das matri-
zes diagonais. Considere a transformação linear
T : P2(R) → U definida por:
a − b + 2c 0 0
2
T (a+bx+cx ) = 0 2a + b 0
0 0 −a − 2b + 2c
207
Aula 25 - PARTE 2 - Exercícios:
Transformações Lineares
208
Exercício 4: Considere a transformação linear
T : R2 → R3 definida por:
T (x, y) = (2x, x − y, y)
P (x, y, z) = (y − z, z − x)
209
Exercício 5: Considere o operador linear
T : P1(R) −→ P1(R)
p(x) −→ T (p(x)) = p0(x) + (x + 1)p(1).
210
Aula 26 - Espaços Vetoriais com Produto
Interno
211
Definição: Um espaço vetorial real com produto in-
terno é chamado de espaço Euclidiano. Um espaço
vetorial complexo com produto interno é chamado de
espaço Unitário
212
Exemplo 1: Dados os vetores u = (x1, x2, . . . , xn) e
v = (y1, y2, . . . , yn) do Rn, a aplicação
Rn × Rn −→ R
213
Exemplo 2: Considere o espaço vetorial real C([a, b]).
O produto interno usual é definido da seguinte forma:
Z b
< f(t), g(t)> = f(t) g(t) dt ∀ f, g ∈ C([a, b])
a
214
Exemplo 3: Considere o espaço vetorial real Mn(R).
O produto interno usual é definido da seguinte forma:
X n X n
< A, B > = tr(B T A) = aij bij
i=1 j=1
∀ A, B ∈ Mn(R)
215
Propriedades do produto interno
216
n
X n
X
P4 . < αi ui, v> = αi <ui, v>
i=1 i=1
m
X m
X
P5. <u, βj vj > = βj <u, vj >
j=1 j=1
n
X m
X n X
X m
P6 . < αi ui , βj vj > = αiβj <ui, vj >
i=1 j=1 i=1 j=1
217
Aula 27 - Matriz do produto interno
ou seja,
x1 y1
x2 y2
u=
..
e v=
..
xn B yn B
218
• < u, v > = < x1v1 + ... + xnvn , y1v1 + ... + ynvn >
= < x1v1 , y1v1 + ... + ynvn >
+ < x2v2 , y1v1 + ... + ynvn >
+ ...
+ < xnvn , y1v1 + ... + ynvn >
= < x1v1, y1v1 > + < x1v1, y2v2 > +...+ < x1v1, ynvn >
+ < x2v2, y1v1 > + < x2v2, y2v2 > +...+ < x2v2, ynvn >
+ ...
+ < xnvn, y1v1 > + < xnvn, y2v2 > +...+ < xnvn, ynvn >
= x1y1 < v1, v1 > + x1y2 < v1, v2 > +... + x1yn < v1, vn >
+ x2y1 < v2, v1 > + x2y2 < v2, v2 > +... + x2yn < v2, vn >
+ ...
+ xny1 < vn, v1 > +xny2 < vn, v2 > +... + xnyn < vn, vn >
219
< v1, v1 > < v1, v2 > ... < v1, vn > x1
< v2, v1 > < v2, v2 >
... < v2, vn >
x2
y1 y2 ... yn
.. .. ... .. ..
< vn, v1 > < vn, v2 > ... < vn, vn > xn
ou seja,
< u, v > = Y tAX
onde
Yt = y1 y2 ... yn
B
220
Definição: Dado o espaço vetorial real de dimensão
finita V e B = {v1, v2, ..., vn uma base de V , a matriz
221
Exemplo 1: Considere o espaço vetorial real R3 mu-
nido do produto interno usual. Determine a matriz do
produto interno relacionada a base
B = {(1, 0, −1), (1, 2, 1), (0, −3, 2)}
222
Exemplo 2: Considere o espaço vetorial real C([−1, 1])
munido do produto interno usual.
223
Aula 28 - Desigualdade de Cauchy-Schwarz
224
Exemplo 1: Considere o espaço vetorial R3 munido
do produto interno usual. Verifique a Desigualdade
de Cauchy-Schwarz para os vetores u = (1, 2, −1) e
v = (0, 1, 4).
225
Exemplo 2: Considere o espaço vetorial C([0, 1]) mu-
nido do produto interno usual. Verifique a Desigual-
dade de Cauchy-Schwarz para os vetores f (x) = x e
g(x) = x2.
226
Aula 29 - Norma e Espaço Vetorial Normado
227
Exemplo 1: Considerando no Rn o produto interno
usual, se u = (x1, x2, . . ., xn) ∈ Rn, mostre que
def
kuk = x21 + x22 + . . . + x2n
p
228
Exemplo 2: Considere o espaço vetorial Mn(R). A
aplicação
X n
def
k A k∞ = max |aij | , 1 ≤ i ≤ n
j=1
229
Exemplo 4: Calcule k A k1 e k A k∞, sabendo que
1 2 −1 0
0 1 2 3
A=
4
1 −4 0
2 1 3 5
230
Proposição: Seja V um espaço vetorial real munido
do produto interno < · , · >. Então, a aplicação
|| · ||2 : V −→ R
√
u 7−→ || u ||2 = < u, u >
define uma norma em V , chamada de Norma Eucli-
diana.
| < u, v > | ≤ || u || · || v ||
231
Exemplo 5: Considere o espaço vetorial R4,
u = (x1, x2, x3, x4), v = (y1, y2, y3, y4) ∈ R4, munido
do produto interno usual
232
Exemplo 6: Considere o espaço vetorial C([0, π]), mu-
nido do produto interno usual
Z π
< f, g > = f (x)g(x)dx
0
√
Sabemos que a aplicação || f ||2 = < f, f > define
uma norma em C([0, π]). Dada f (x) = cos(πx), cal-
cule || f ||2.
233
Exemplo 7: Em um espaço euclidiano V, considere
dois vetores u e v de modo que k u k2 = k v k2 = 1
e k u − v k2 = 2. Determine <u, v>.
234
Aula 30 - Ângulo e ortogonalidade
235
Definição: Seja V um espaço vetorial real com o pro-
duto interno < · , · >. Dizemos que os vetores u, v ∈ V
são ortogonais se, e somente se < u, v >= 0.
Notação: u ⊥ v.
236
Exemplo 1: Encontre o ângulo θ entre os seguintes
pares de vetores do V3:
a) ~u = (1, 1, 1) e ~v = ( 12 , −1, 21 )
b) ~u = (1, −1, 0) e ~v = (2, −1, 2)
237
Exemplo 2: Considere o espaço vetorial C([0, 1]) mu-
nido do produto interno usual. Encontre o ângulo θ en-
tre os seguintes pares de vetores f (x) = x e g(x) = x2
de C([0, 1]).
238
Exemplo 3: Considere o espaço vetorial P1(R) ⊂
C([0, 1]) munido do produto interno usual. Determine
todos os polinômios q(x) = a + bx ∈ P1(R) que são
ortogonais ao polinômio p(x) = 1 + x
239
Aula 31 - Base Ortogonal e Coeficientes de
Fourier
240
Teorema: Considere V um espaço vetorial munido de
um produto interno < · , · > e S = {v1, v2, v3, ..., vn}
um conjunto ortogonal de V com todos vj 6= 0. Então,
S é linearmente independente em V .
241
Exemplo 1: Considere o espaço vetorial C([−π, π])
munido do produto interno usual. Mostre que o con-
junto S = {1, cos(x), cos(2x), cos(3x), ..., cos(nx)} é
ortogonal em relação ao produto interno usual de C([−π, π]).
242
Definição: Seja V um espaço vetorial de dimensão
finita, com dim(V ) = n, munido do produto interno
< · , · >. Dizemos que uma base B = {v1, v2, v3, ..., vn}
de V é uma base ortogonal se B é um conjunto orto-
gonal de V . No caso em que o conjunto B é ortonormal,
dizemos que B é uma base ortonormal.
243
Teorema: Seja V um espaço vetorial de dimensão fi-
nita, com dim(V ) = n, munido do produto interno
< · , · > e B = {q1, q2, q3, ..., qn} uma base ortogonal
de V . Então, existem únicos escalares α1, α2, α3, ..., αn
tal que para todo elemento u ∈ V , temos
< u, qi >
u = α1q1 + α2q2 + ... + αnqn com αi =
< qi, qi >
244
Observação: Os escalares α1, α2, α3, ..., αn da combi-
nação linear do vetor u na base ortogonal B são cha-
mados de Coeficientes de Fourier de u com relação
à base B.
245
Aula 32 - Processo de Gram-Schmidt
P.G.S.
B = {v1, v2, v3, ..., vn} base de V =⇒
B 0 = {q1, q2, q3, ..., qn} base ortogonal de V
B 0 obtida a partir de B.
246
Como é obtida a base ortogonal B 0 = {q1, q2, q3, ..., qn}
a partir da base B = {v1, v2, v3, ..., vn}?
(1) q1 = v1;
247
e seguindo a lógica anterior temos, num caso geral que,
um k-ésimo vetor qk é dado por
q1 = v1
k−1
!
X
qk = vk − αik · qi k = 2, 3, ..., n
i=1
248
Exemplo 1: Considere o espaço vetorial R3 munido do
produto interno usual. Obter a partir da base
B = {(1, 1, 1), (0, 2, 1), (0, 0, 1)} uma base ortogonal
B 0 = {q1, q2, q3}.
249
Exemplo 2: Considere o espaço vetorial P3(R) ⊂
C([−1, 1]) munido do produto interno usual. Obter a
partir da base B = {1 , x , x2 , x3} uma base ortogonal
B 0 = {q1, q2, q3, q4}.
250
Exemplo 3: Considere o espaço vetorial R3 munido do
produto interno usual. Obter a partir da base
B = {(1, 1, 1), (0, 2, 1), (0, 0, 1)} uma base ortonor-
mal B ∗ = {q1∗, q2∗, q3∗}.
251
Aula 33 - Complemento Ortogonal
252
Exemplo 1: Considere o espaço vetorial real R4 mu-
nido do produto interno usual. Seja S o subespaço de
R4 dado por S = [(1, 0, 1, 1), (1, 1, 0, 1)]. Determine
uma base para o subespaço S ⊥.
253
Exemplo 2: Considere o espaço vetorial real P2(R)
munido do produto interno
Z 1
< p, q >= x2p(x)q(x)dx , para todo p, q ∈ P2(R).
−1
254
Exemplo 3: Considere o espaço vetorial real
255
Aula 34 - Decomposição Ortogonal
256
Exemplo 1: Considere o espaço vetorial real R4 mu-
nido do produto interno usual e S o subespaço definido
por
S = {(x, y, z, t) ∈ R4 / x − 2y + z − 3t = 0}
257
Propriedades: Seja V um espaço vetorial munido de
um produto interno, U, W e S subespaços vetoriais de
V e S ⊥ o complemento ortogonal de S. Valem os se-
guintes resultados abaixo:
P2. U = (U ⊥)⊥
P3. (U ∩ W )⊥ = U ⊥ + W ⊥
P4. (U + W )⊥ = U ⊥ ∩ W ⊥
258
Exemplo 2: Considere o espaço vetorial real R3 mu-
nido do produto interno usual e U e W subespaços de
R3 definidos por
U = { (x, y, z) ∈ R3 / x − 2y + 3z = 0 }
W = { (x, y, z) ∈ R3 / x + y + z = 0 }
259
Aula 35 - PARTE 1 - Operadores Simétricos
para todo u, v ∈ W .
260
Exemplo 1: Considere o espaço vetorial real C([0, 1])
munido do produto interno usual. Seja W o subespaço
vetorial de C([0, 1]) definido por
T : W −→ C([0, 1])
f (x) −→ T (f (x)) = −f 00(x) + f (x)
é um operador simétrico em W .
261
Exemplo 2: Considere V um espaço vetorial real de
dimensão finita munido do produto interno < · , · > e
T um operador linear simétrico sobre V . Mostre que
262
Teorema: Sejam V um espaço vetorial real de di-
mensão finita munido do produto interno < · , · >,
B = {q1, q2, ..., qn} uma base ortonormal de V e T um
operador linear sobre V . Então:
263
Exemplo 3: Considere o espaço vetorial real R3 com
o produto interno usual e o operador linear T sobre R3
definido por
T (x, y, z) = (x + 2y , 2x + 3y − z , −y + 2z)
264
Definição: Sejam V um espaço vetorial munido de um
produto interno < · , · >, W um subespaço vetorial de
V e T : W −→ V um operador linear. Dizemos que T
é um operador linear anti-simétrico se
para todo u, v ∈ W .
265
Teorema: Sejam V um espaço vetorial real de di-
mensão finita munido do produto interno < · , · >,
B = {q1, q2, ..., qn} uma base ortonormal de V e T um
operador linear sobre V . Então, T é um operador li-
near anti-simétrico se, e somente se, (T )B é uma matriz
anti-simétrica, isto é ((T )B )T = −(T )B
266
Exemplo 4: Considere o espaço vetorial real R3 com
o produto interno usual e o operador linear T sobre R3
definido por
267
Aula 35 - PARTE 2 - Operadores Ortogonais
para todo u, v ∈ W .
269
Teorema: Sejam V um espaço vetorial real de dimen-
são finita munido de um produto interno < · , · > e T
um operador ortogonal sobre V . Então T é automor-
fismo.
270
Exemplo 2: Considere o espaço vetorial real R3 com
o produto interno usual e o operador linear T sobre R3
definido por
T (x, y, z) = (x − 2y , z , x + y).
271
Teorema: Sejam V um espaço vetorial real munido
de um produto interno < · , · > e T um operador
ortogonal sobre V . Então T −1 é um operador ortogonal
sobre V .
272
Teorema: Sejam V um espaço vetorial real de di-
mensão finita munido do produto interno < · , · >,
B = {q1, q2, ..., qn} uma base ortonormal de V , T um
operador linear sobre V e ((T )B ) a matriz do opera-
dor T em relação a base ortonormal B. Então, T é
um operador ortogonal se, e somente se, (T )B é uma
matriz ortogonal, isto é ((T )B )T = ((T )B )−1.
273
Exemplo 3: Considere o espaço vetorial real R3 com
o produto interno usual e o operador linear T sobre R3
definido por
2 2 1 2 1 2 1 2 2
T (x, y, z) = x+ y+ z , x− y− z , x− y+ z .
3 3 3 3 3 3 3 3 3
Mostre que T é um operador ortogonal.
274
Aula 36 - PARTE 1 - Exercícios Envolvendo
Espaços com Produto Interno
275
Exemplo 2: Considere o espaço vetorial real P3(R)
munido do produto interno
Z 1
h p, q i = p(x)q(x)dx ∀ p, q ∈ P3(R)
0
276
Aula 36 - PARTE 2 - Exercícios Envolvendo
Espaços com Produto Interno
277
Exemplo 4: Sejam a1, a2, a3, ..., an números reais quais-
quer. Utilizando a desigualdade de Cauchy-Schwarz em
Rn (Rn munido do produto interno usual) mostre que
a + a + ... + a 2
1 2 n a21 + a22 + ... + a2n
a) ≤
n n
1 1 1
b) (a1 + a2 + ... + an) + + ... + ≥ n2
a1 a2 an
para a1, a2, ..., an agora estritamente positivos.
278
Aula 37 - PARTE 1 - Autovalor e Autovetor de
um Operador Linear
279
Observações: Seja T : V −→ V um operador linear.
2. Se 0 6= u é um autovetor de T, então:
u 6= 0
λ.u = λ .u ⇐⇒ (λ − λ ).u = 0 =
0 0
λ = λ0
é um subespaço vetorial de V.
280
Definição: O subespaço vetorial
281
Exemplo 1: Consideremos o operador linear
T : R2 −→ R2 definido por T(x, y) = (x, -y). En-
contre os autovalores de T e os respectivos subespaços
próprios associados.
282
Aula 37 - PARTE 2 - Autovalor e Autovetor de
um Operador Linear
283
Observe que, no Exemplo 2 anterior, a equação
T (v) = λv pode ser escrita na forma (T − λI)v = 0,
ou seja, v ∈ Ker(T − λI), com v 6= 0.
284
No caso geral:
CONCLUSÃO
285
Aula 38 - Autovalor e Autovetor de uma
matriz
286
Definição: Sejam A, B ∈ Mn(R). Dizemos que a ma-
triz B é similar (ou semelhante) a matriz A, se exis-
tir uma matriz invertível P ∈ Mn(R) tal que
B = P AP −1.
287
Exemplo 1: Considere o operador linear
T : P2(R) −→ P2(R)
p(x) −→ T (p(x)) = (1 + x)p0(x) + p00(x).
Determine os autovalores do operador linear T .
288
Exemplo 2: Considere o operador linear
T : R2 −→ R2
(x, y) −→ T (x, y) = (2x + 2y, y)
289
Exemplo 3: Considere o operador linear
T : R2 −→ R2
(x, y) −→ T (x, y) = (2x + 2y, y)
Determine os autovalores e autovetores associados do
operador T .
290
Aula 39 - Multiplicidade Algébrica e
Geométrica
Notação: ma(λ)
Notação: mg(λ)
291
Exemplo 1: Considere o operador linear T do R3 tal
que
T (x, y, z) = (2x − y + z , 3y − z , 2x + y + 3z)
Determine os autovalores, as multiplicidades algébricas
e geométricas e autovetores associados do operador T .
292
Exemplo 2: Considere o operador linear T do R3 tal
que
T (x, y, z) = (2x + y + z , 2x + 3y + 2z , 3x + 3y + 4z)
Determine os autovalores, as multiplicidades algébricas
e geométricas e autovetores associados do operador T .
293
Aula 40 - Diagonalização de Operadores
295
Teorema: Sejam V um espaço vetorial real de dimen-
são finita e T um operador linear sobre V . Então T
é um operador diagonalizável se, e somente se, existe
uma base ordenada B de V cujos elementos são auto-
vetores de T .
ma(λi) = mg(λi),
296
Corolário: Sejam V um espaço vetorial real de di-
mensão finita, digamos dim(V ) = n e T um operador
linear sobre V que possui n autovalores distintos. En-
tão T é um operador diagonalizável.
297
Exemplo 2: Considere o operador linear
T : P2(R) −→ P2(R)
p(x) −→ T (p(x)) = (1 + x)p0(x) + p00(x).
298
Aula 41 - Polinômio Minimal e Diagonalização
de Operadores
Definição: Sejam
p(x) = anxn + an−1xn−1 + · · · + a2x2 + a1x + a0
um polinômio e A uma matriz quadrada de ordem k.
Então p(A) é a matriz
p(A) = anAn + an−1An−1 + · · · + a2A2 + a1A + a0Ik
−1 4
q(x) = 2x + 3 e a matriz A = , calcule p(A)
2 1
e q(A).
300
Definição: Seja A uma matriz quadrada. O polinô-
mio minimal de A é um polinômio
m(x) = 1.xk + ak−1xk−1 + ak−2xk−2 + · · · + a1x + a0
tal que:
301
Teorema: Sejam T : V −→ V um operador linear e B
uma base de V e dim(V) = n. Então:
302
Exemplo 2: Consideremos um operador linear
T : V −→ V e suponhamos que o seu polinômio ca-
racterístico seja dado por
p(λ) = (λ - 3)2.(λ - 1)3.(λ + 5)
Determine todos os polinômios que podem ser o po-
linômio minimal do operador T.
303
Exemplo 3: Considere o operador linear T do R4 dado
por
304
Aula 42 - Aplicação de Diagonalização -
Potência de uma matriz
305
Como Proceder?
−1 −1 −1
(3) Ak = A · A · · · A = (P DP ) · (P DP ) · · · (P DP )
k vezes
| {z } |
k vezes
{z }
= P Dk P −1
(4) Portanto, Ak = P Dk P −1
306
2 1 1
Exemplo 1: Calcule A , sabendo que A = 2 3 4
k
.
−1 −1 −2
307
Aula 43 - Aplicação de Diagonalização -
Exponencial de uma matriz
308
(1) Se A é diagonalizável, então existe uma matriz in-
versível P e uma matriz diagonal D, tal que
A = P DP −1, com D = diag(λ1, λ2, . . ., λn);
∞
X xk
(2) f (x) = ex =
k!
k=0
∞ ∞
X Ak X P Dk P −1
(3) f (A) = eA = =
k! k!
k=0 k=0
P IP −1 P DP −1 P D2P −1
= + + +···
0! 1! 2!
I D D2
=P + + + · · · P −1
0! 1! 2!
∞
!
XD k
=P P −1 = P eD P −1
k!
k=0
(4) Portanto,
eA = P eD P −1
309
2 1 1
Exemplo 1: Calcule e , sabendo que A = 2 3 4
A
.
−1 −1 −2
310
Aula 44 - Aplicação de Diagonalização -
Sistema de Equações Diferenciais
311
Exemplo anterior: caso particular de um modelo de
crescimento populacional, conhecido como Modelo (ou
equação) de Malthus.
312
Pergunta: Como procederíamos se tivéssemos não ape-
nas uma população (função) mas sim várias populações
(funções) que se relacionassem entre si, formando um
sistema entre elas?
Por exemplo:
0
1(t) = −2x1(t) + x2(t) + x3(t)
x
x02(t) = x1(t) + −2x2(t) + x3(t)
x0 (t) = x1(t) + x2(t) + −2x3(t)
3
313
(
X 0(t) = A · X(t)
(1)
X(0) = X0
x1(t) x1(0)
x2(t) x2(0)
onde X(t) =
..
e X0 =
..
xn(t) xn(0)
(
X 0(t) = P DP −1 · X(t)
(2)
X(0) = X0
(
P −1 · X 0(t) = P −1P DP −1 · X(t)
(3)
P −1 · X(0) = P −1 · X0
(
(P −1 · X 0(t)) = D(P −1 · X(t))
(4)
(P −1 · X(0)) = (P −1 · X0)
−1
P · X(t) = Y (t)
P −1 · X 0(t) = Y 0(t)
(5) Chame de: −1
P · X(0) = Y (0)
P −1 · X = Y
0 0
314
(
Y 0(t) = D · Y (t)
(6)
Y (0) = Y0
y1(t) λ1 0 ··· 0
y2(t) 0 λ2 ··· 0
onde Y (t) = . e D =
.. .. . . . ..
.
yn(t) 0 0 · · · λn
315
Portanto
X(t) = P · eDt · P −1 · X0
316
Exemplo 3: Resolva o seguinte sistema de equações
diferenciais
(
x0(t) = x(t) − 2y(t)
y 0(t) = 3x(t) − 4y(t)
com condição inicial
! !
x(0) 2
=
y(0) 4
317
Aula 45 - PARTE 1 - Exercícios: Autovalores e
Autovetores
T : R3 −→ R3
(x, y, z) −→ T (x, y, z) = (3x − 4z, 3y + 5z, −z).
a) Determine os autovalores de T .
b) Determine os autovetores de T associados aos au-
tovalores obtidos.
c) O operador T é diagonalizável? Se sim, justifique e
determine uma base tal que a matriz do operador
T é uma matriz diagonal.
318
Exercício 2: Determine o operador linear T sobre o
R4, diagonalizável, que satisfaz simultaneamente as se-
guintes condições:
• Ker(T ) = {(x, y, z, t) ∈ R4 / x + y − z + t =
0 e z − t = 0}
• T (0, 0, 1, 0) = (0, 0, 2, 0)
• (0, 1, 0, 0) ∈ Im(T )
• λ = −3 é um autovalor do operador T .
319
Aula 45 - PARTE 2 - Exercícios: Autovalores e
Autovetores
T : P2(R) −→ P2(R)
p(x) −→ T (p(x)) = (1 + x)p0(x) + p00(x).
320
Exercício 4: Detertmine a solução do seguinte sistema
dinâmico
0
1(t) = −5x1(t)
x
x02(t) = − 4x2(t) + 3x3(t)
x0 (t) =
+ 3x2(t) − 4x3(t)
3
321