Escolar Documentos
Profissional Documentos
Cultura Documentos
Álgebra Linear
Leandro Nery Fernando Reis Maico Ribeiro
Copyright © 2023
Este livro foi escrito a partir de notas de aulas para uso simultâneo do professor e de seus
alunos, em um curso introdutório de Álgebra Linear. As notas foram escritas de 2020 a
2022 e testadas na Universidade Federal de São Carlos e na Universidade Federal do Espírito
Santo (Campus Goiabeiras e Campus São Mateus), tanto nos cursos de Matemática quanto
nos cursos de Engenharias. Por isso, este livro foi pensado de modo que o professor possa
explorá-lo por completo em sala de aula e também que os alunos possam usá-lo como texto de
referência.
O livro é dividido em 13 capítulos. Como não é nossa intenção impor um ritmo de ensino
aos professores, não dividimos os capítulos por aula e achamos melhor dividi-los por tema.
Ao final de cada capítulo inserimos uma seção de exercícios que podem servir como lista de
exercícios para os alunos. Os exercícios foram pensados com um nível crescente de dificuldade,
sendo que alguns conceitos não abordados no texto podem estar definidos nos enunciados.
Inserimos também alguns exercícios clássicos que aparecem em outros livros de Álgebra
Linear.
O livro não pretende substituir a boa literatura do Álgebra Linear existente. De fato, ao
visarmos um texto didático prático para o ensino de Álgebra Linear, apresentamos e provamos
apenas os resultados mais relevantes para alcançarmos nosso objetivo. Por isso, este é um
livro dedicado ao ensino de graduação, inclusive o bacharelado em Matemática.
Esperamos que os professores e alunos possam se beneficiar deste livro.
São Carlos - SP, São Mateus - ES, Vitória - ES, Março de 2023
1 Espaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 A definição de vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.1 Segmentos equipolentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.2 A definição de vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Corpo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.1 Exemplos de Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Subespaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1 Interseção e somas de subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.1 Soma direta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
6 Transformações lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.1 O espaço L (U,V ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.1.1 O dual de um espaço vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.2 Núcleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.3 Teorema do Núcleo e da Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.4 Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.5 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Bibliography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
1. Espaços vetoriais
■
10 Capítulo 1. Espaços vetoriais
Direção e sentido
• Dois segmentos orientados AB e CD têm mesma direção se as retas que os contêm são
paralelas
A D
ou
A D
ou coincidentes
C
D
B
A
• Dois segmentos orientados têm o mesmo sentido se têm a mesma direção e não são
opostos.
Observe que os sentidos de dois segmentos não está definido se os segmentos não têm a
mesma direção.
Y A
X
x
Definição 1.2 Com essa construção que fizemos, definimos vetor como a classe de
equivalência de algum segmento AB:
#»
v = {XY : XY ∼ AB},
origem do sistema, o ponto (0, 0). Desta forma, basta saber qual é a extremidade. Para isso,
fazemos
#» #»
v = AB = B − A.
#» # »
■ Exemplo 1.2 Sejam os pontos A(2, 1) e B(3, 4). Calcular o vetor v = AB. Temos
#» #»
v = AB = B − A = (3, 4) − (2, 1) = (3 − 2, 4 − 1) = (1, 3).
O vetor #»
v = (1, 3) é representado como y
4
#»
v
3
x
−4 −3 −2 −1 1 2 3 4
−1
−2
−3
−4
1.2 Corpo
Antes de definirmos um espaço vetorial, precisamos entender o que é um corpo.
Definição 1.3 Um conjunto (K, +, ·) (essa notação significa que o conjunto é dotado
de uma soma e um produto) é um corpo se, para cada x, y, z ∈ K, valem as seguintes
propriedades:
1. Comutativa da soma:
x + y = y + x.
2. Associativa da soma:
(x + y) + z = x + (y + z).
3. Existência do elemento neutro da soma:
0 + x = x.
x + (−x) = −x + x = 0,
1.3 Espaços Vetoriais 13
para todo x ∈ K.
5. Distributiva do produto em relação à soma:
6. Associativa do produto:
x(yz) = (xy)z.
7. Existência do elemento neutro do produto:
1 · x = x.
8. Comutativa do produto:
xy = yx.
9. Domínio: Se xy = 0 então x = 0 ou y = 0.
10. Existência do elemento inverso multiplicativo:
x−1 x = 1,
para cada x ∈ K.
Os exemplos mais conhecidos de corpos são os conjuntos dos números racionais Q e reais
R. Existem também uma infinidade de corpos contidos em R e que contém Q, por exemplo,
√ √
Q[ p] = {a + b p; a, b ∈ Q e p é primo}
ou
Q[π] = {a + bπ; a, b ∈ Q}.
Definição 1.4 O conjunto V é chamado de espaço vetorial, e denotado por V (K) (lê-se:
V é um espaço vetorial sobre o corpo K), e seus elementos são chamados de vetores se,
para quaisquer α, β ∈ K (chamado de escalares) e u, v, w ∈ V , as condições abaixo são
satisfeitas:
1. Comutatividade da soma:
u + v = v + u.
2. Associatividade da soma:
u + (v + w) = (u + v) + w.
14 Capítulo 1. Espaços vetoriais
3. Existência do elemento neutro: existe um vetor nulo 0 ∈ V tal que
u + 0 = 0 + u = u,
para todo u ∈ V .
4. Existência do inverso aditivo: para cada vetor u ∈ V existe um vetor −u ∈ V ,
chamado de inverso aditivo tal que
u + (−u) = −u + u = 0.
(α + β )u = αu + β u.
α(u + v) = αu + αv.
1 · u = u.
Se V for um espaço vetorial real (V (R)), então diremos simplesmente que V é um espaço
vetorial.
Seja V = Q então:
1. Se K = Q então V é um espaço vetorial racional. De fato, todo corpo é um espaço
vetorial sobre si mesmo. (Confiram!) √ √
2. Se K = R então V não é um espaço vetorial real. Pois sendo 2 ∈ R mas 2v ∈ / Q,
∀v ∈ Q.
α · z = α(a + bi) = α · a + α · bi ∈ C.
Sabemos que C é um corpo. Então valem todas as propriedades de espaço vetorial, onde os
escalares são reais.
Veja que sempre indicamos qual é o corpo que está agindo sobre um espaço vetorial V .
Quando nada é dito sobre o corpo, assumimos que K = R.
■ Exemplo 1.3 O conjunto R3 .
Vamos mostrar que R3 é um espaço vetorial real, considerando as operações de adição e
multiplicação por escalar usuais. Sabemos que qualquer elemento de R3 é escrito como uma
1.3 Espaços Vetoriais 15
2. Associativa da soma:
u+(−u) = (x1 , y1 , z1 )+(−x1 , −y1 , −z1 ) = (x1 +(−x1 ), y1 +(−y1 ), z1 +(−z1 )) = (0, 0, 0) = O.
α(β u) = α[β (x, y, z)] = α(β x, β y, β z) = (α(β x), α(β y), α(β z)) = ((αβ )x, (αβ )y, (αβ )z)
= (αβ )(x, y, z) = (αβ )u.
1 · u = 1 · (x, y, z) = (1 · x, 1 · y, 1 · z) = (x, y, z) = u.
Isso tudo mostra que o conjunto das ternas ordenadas R3 é um espaço vetorial real. ■
Sejam α, β ∈ R. Usando a notação para matrizes, dada acima, temos que valem as seguintes
propriedades:
1.3 Espaços Vetoriais 17
1. Comutativa da soma:
2. Associativa da soma:
α(β A) = α(β (ai j )n×n ) = α(β ai j )n×n = (α(β ai j ))n×n = (αβ )(ai j )n×n = (αβ )A.
A+B = (ai j )m×n +(bi j )m×n = (ai j +bi j )m×n = (bi j +ai j )m×n = (bi j )m×n +(ai j )m×n = B+A.
■ Exemplo 1.10 O conjunto dos polinômios Pn (R) com coeficientes reais de grau menor ou
igual a n.
Podemos escrever Pn (R) = {a0 + a1 x + a2 x2 + · · · + an xn : ai ∈ R}.
Sejam p(x) = a0 + a1 x + a2 x2 + · · · + an xn , q(x) = b0 + b1 x + b2 x2 + · · · + bn xn e r(x) =
c0 + c1 x + c2 x2 + · · · + cn xn polinômios e α, β ∈ R.
1. Comutativa da soma:
2. Associativa da soma:
−p(x) = −a0 − a1 x − a2 x2 − · · · − an xn .
(α + β )p(x) = (α + β )(a0 + a1 x + · · · + an xn )
= (α + β )a0 + (α + β )a1 x + · · · + (α + β )an xn
= (αa0 + β a0 ) + (αa1 + β a1 )x + · · · + (αan + β an )xn
= (αa0 + αa1 x + · · · + αan xn ) + (β a0 + β a1 x + · · · + β an xn )
= α(a0 + a1 x + · · · + an xn ) + β (a0 + a1 x + · · · + an xn )
= α p(x) + β p(x).
1 · p(x) = 1 · (a0 + a1 x + · · · + an xn )
= 1 · a0 + 1 · a1 x + · · · + 1 · an xn
= a0 + a1 x + a2 x2 + · · · + an xn = p(x).
O Podemos definir uma função que associa cada polinônio de grau menor ou igual a n
com uma (n + 1)-upla (é um vetor com n + 1 coordenadas: (y0 , y1 , · · · , yn ) ∈ Rn+1 ) da
seguinte forma:
φ : Pn (R) → Rn+1 ,
definida como φ (p(x)) = (a0 , a1 , · · · , an ). Note que a função φ é bijetiva.
20 Capítulo 1. Espaços vetoriais
■Exemplo 1.11 O conjunto P(R) de todos os polinômios com coeficientes reais é um espaço
vetorial real.
É imediato que P(R) é um espaço vetorial e a demonstração disso é análoga à demonstração
de Pn (R).
Pode-se escrever os vetores de P(R) da forma
∞
p(x) = ∑ ai xi .
i=0
■ Exemplo 1.12 O conjunto de todas as funções reais F (X; R), onde X ̸= 0/ é um conjunto
qualquer.
Se definirmos a soma f + g e o produto por escalar α · f como
Portanto, podemos identifcar todos os elementos de F ({1}; R) com o conjuto dos números
reais R:
ϕ : F ({1}; R) → R
fx : {1} → R 7→ fx (1).
ϕ : F ({1, 2}; R) → R2
f : {1, 2} → R 7→ ( f (1), f (2)).
Não é difícil mostrar que ϕ é uma sobrejeção, pois para qualquer (x, y) ∈ R2 , temos que
existe alguma função f ∈ F ({1, 2}; R) tal que f (1) = x e f (2) = y. Logo, ϕ é sobrejetiva. À
medida que variamos a função f , cobrimos todo o plano R2 .
De maneira geral, se X = {1, 2, · · · , n} então F ({1, 2, · · · , n}; R) = Rn . Se X = N então
F (N; R) = R∞ . Se X = {1, · · · , m} × {1, · · · , n} então F (X; R) = Mm×n . ■
1. Comutativa da soma:
u+v = (x1 , x1 , z1 ) + (x2 , y2 , z2 )
= (x1 + x2 , x1 + x2 , z1 + z2 )
= (x2 + x1 , x2 + x1 , z2 + z1 )
= (x2 , x2 , z2 ) + (x1 , y1 , z1 )
= v + u.
Façam o restante. ■
■ Exemplo 1.14 Verificar se W = { f ∈ ∇0 (R); f (−x) = f (x), ∀x ∈ R}, onde ∇0 (R) é conjunto
de todas as funções reais contínuas, é um espaço vetorial.
Sejam f , g, h ∈ W e α, β ∈ R. Note que W é fechado para a soma e multiplicação por
escalar, pois
( f + g)(−x) = f (−x) + g(−x) = f (x) + g(x) = ( f + g)(x).
Logo, f + g ∈ W . Da mesma forma,
(α · f )(−x) = α · f (−x) = α · f (x) = (α · f )(x).
Logo, α · f ∈ W .
1. Comutativa da soma:
( f + g)(x) = f (x) + g(x) = g(x) + f (x) = (g + f )(x),
pois f (x), g(x) ∈ R pela própria definição das funções f e g. No reais vale a propriedade
comutativa, logo segue o resultado.
2. Associatividade da soma:
[( f + g) + h](x) = ( f + g)(x) + h(x)
= [ f (x) + g(x)] + h(x)
= f (x) + [g(x) + h(x)]
= f (x) + (g + h)(x)
= [ f + (g + h)](x).
A justificativa é a mesma para o caso da propriedade anterior.
As outras propriedades seguem a mesma ideia. ■
1.4 Exercícios
Lembre que só faz sentido falar de um espaço vetorial V se você definir um corpo que age em
V . As propriedades do produto por escalar de um espaço vetorial justificam isso. Dizer que
um espaço vetorial é real significa que os escalares são números reais. Se um espaço vetorial
é complexo, então os escalares são números complexos. Se um espaço vetorial é racional,
então os escalares são números racionais. Assim, um conjunto pode ser um espaço vetorial
sobre um corpo, mas não ser espaço vetorial sobre outro corpo. Se nada for dito sobre o
corpo, assumimos que o espaço vetorial é real. Os exercícios a seguir mostram isso.
22 Capítulo 1. Espaços vetoriais
1. O conjunto dos números reais R é um espaço vetorial real? O conjunto dos números
reais R é um espaço vetorial complexo? Justifique.
Determine os valores de a para os quais S seja: a própria origem; uma reta que passa
pela origem; e, um plano que passa pela origem.
(Sugestão: a matriz dos coeficientes deve ser escalonada. Lembre que, neste caso, para
que o sistema possua uma única solução (a origem, no caso) a matriz escalonada não
terá linhas nulas. Para que a solução do sistema seja uma reta, a matriz escalonada
deve ter uma linha nula. E, por fim, para que a solução do sistema seja um plano, a
matriz escalonada deve ter duas linhas nulas. Determine o valor de a para cada um
destes casos.)
u ⊕ v = (x, y) ⊕ (s,t) = (x + s, 0)
αu = α(x, y) = (αx, αy)
Note que o produto por escalar é o usual. Nestas condições, V é um espaço vetorial?
11. Use as propriedades de espaço vetorial para provar que se V é um espaço vetorial com
v ∈ V e n ∈ N então n · v = v + · · · + v (n parcelas).
12. A propriedade comutativa dos espaços vetoriais pode ser demonstrada a partir das outras
propriedades? Justifique.
13. Sejam U e V espaços vetoriais. Defina operações de soma e produto por escalar de tal
modo que o conjunto U ×V = {(u, v) : u ∈ U, v ∈ V } seja um espaço vetorial.
Definição 2.1 Seja V um espaço vetorial sobre o corpo K (= R ou C). Diz-se que um
subconjunto U de V é um subespaço vetorial se as seguintes propriedades são satisfeitas:
1. Se u, v ∈ U então u + v ∈ U;
2. Se u ∈ U então para todo λ ∈ K tem-se que λ u ∈ U.
λ u + v = λ (x1 , y1 ) + (x2 , y2 ) = (λ x1 + x2 , λ y1 + y2 ).
Agora, temos
Agora, temos
Como a soma acima é igual a zero então a soma (x1 , · · · , xn ) + α(y1 , · · · , yn ) ∈ S. Logo, S é
subespaço vetorial de Rn . ■
Determine os valores de a para os quais S seja: a própria origem; uma reta que passa pela
origem; e, um plano que passa pela origem.
Toda equação geral de um plano é da forma ax + by + cz + d = 0, com vetor normal ao
plano o vetor n = (a, b, c). Se d = 0 então o vetor passa pela origem do sistema. No sistema
acima, todos os três planos passam pela origem. Então há, pelo menos, uma solução para o
sistema.
A matriz dos coeficientes do sistema acima é dada por
1 1 a
1 a 1 .
a 1 1
Susbtitua: L2 = L1 − L2 e L3 = a · L1 − L3 , onde Li significa a linha i.
1 1 a
0 1−a a−1 .
0 a − 1 a2 − 1
Substitua: L3 = −L3 .
1 1 a
0 1−a a−1 .
0 1 − a 1 − a2
Substitua: L3 = L2 − L3 .
1 1 a
0 1−a a−1 .
0 0 2
a +a−2
Se a = 1 teríamos a matriz da forma:
1 1 1 1 1 1
0 1−1 1−1 = 0 0 0
0 0 2
1 +1−2 0 0 0
27
que é a equação de um plano que passa pela origem. Portanto, a solução do sistema é um
plano.
Se a ̸= 1 então a segunda linha da matriz não se anula, mas a terceira linha ainda pode se
anular, desde que exista algum a ̸= 1 tal que a2 + a − 2 = 0. Isso acontece caso a = −2. Neste
caso, a matriz ficaria da forma:
1 1 −2
0 3 −3 ,
0 0 0
cujo sistema equivalente é o sistema
(
x + y − 2z = 0
.
y−z = 0
Como o sistema é formado por dois planos não paralelos (pois seus vetores normais não são
paralelos), segue que a solução deste sistema é uma reta.
Se a ̸= −2 e a ̸= 1 então temos
1 1 a
0 1−a a−1 .
0 0 2
a +a−2
1 1
Tome L2 = L2 e L3 = 2 L3 :
1−a a +a−2
1 1 a
0 1 −1 .
0 0 1
Portanto, temos o sistema associado à matriz:
x + y + az = 0 x = 0
y−z = 0 ⇒ y=0 .
z=0 z=0
Substitua L3 = L2 − L3 :
1 1 0 −1 0
0
1 1 −2 −2
.
0 0 0 −1 1
0 0 0 1 −1
Substitua L4 = L3 + L4 :
1 1 0 −1 0
0
1 1 −2 −2
.
0 0 0 −1 1
0 0 0 0 0
■ Exemplo 2.5 O conjunto das funções contínuas da reta na reta, denotado por C(R, R) é um
subespaço vetorial de F (R, R).
Sejam f , g ∈ C(R, R) e α ∈ R. Obviamente, a função nula é uma função contínua. Portanto,
a função nula pertence ao conjunto C(R, R). Note que
Como f e g são contínuas, segue que a soma de funções contínuas ainda é uma função contínua.
De fato, seja a ∈ R temos que como lim f (x) = f (a) também lim g(x) = g(a), então
x→a x→a
■ Exemplo 2.6 O conjunto das funções contínuas f ∈ C([a, b], R) tais que
Z b
f (x)dx = 0
a
Z b Z b Z b
( f + αg)(x)dx = f (x)dx + αg(x)dx
a a a
Z b Z b
= f (x)dx + α g(x)dx
a a
= 0 + α0
= 0.
U +W = {u + w ∈ V : u ∈ U e w ∈ W }.
v1 = u1 + w1
v2 = u2 + w2 .
Então,
a 0 0 c
■ Exemplo 2.8 U = : a, b ∈ R , W = : c, d ∈ R são subespaços
0 b 0 d
vetoriais do espaço das matrizes quadradas de ordem 2. Vamos calcular U ∩W e U +W . A
soma U +W é direta?
x y
Podemos reescrever os espaços acima como U = ∈ M2 (R) : y = z = 0 e
z w
x y
W= ∈ M2 (R) : x = z = 0 . Portanto,
z w
x y
U ∩V = ∈ M2 (R) : y = z = 0 e x = z = 0
z w
x y
= ∈ M2 (R) : x = y = z = 0
z w
0 0
= :w∈R .
0 w
Agora, calculamos U +W :
a 0 0 c
U +W = + : a, b, c, d ∈ R
0 b 0 d
a c
= : a, b, c, d ∈ R
0 b+d
x y
= : x, y, w ∈ R .
0 w
Além disso, temos que a soma U + W não é direta, pois a interseção não é trivial, i.e.,
U ∩W ̸= {0}. ■
32 Capítulo 2. Subespaços vetoriais
Teorema 2.3 Sejam U e V subespaços vetoriais de um espaço vetorial V (K) tais que
V = U ⊕W . Mostre que cada elemento de V se escreve de maneira única como a soma de
um elemento de U e um elemento de W .
2.2 Exercícios
1. Dado o espaço vetorial W = {(x, y, z) ∈ R3 : x + y + z = 0}, verifique se os seguintes
vetores pertencem a W :
4. Verifique se o conjunto solução dos seguintes sistemas lineares são espaços vetoriais:
(
x+y = 1 1 2 −1 x 0
a. ; c. 3 −2 4 y = 0 ;
x−y = 0
−2 4 1 z 0
x − 3x + z = 0
x + 2y − z + 3w = 0
b. x + y + z = 0 ;
d. 3x − 2y + 4z − w = 0 .
x−y+z = 0
−2x + 4y + z = 0
7. Verifique que
0 x z 0
U= : x, y ∈ R e V = : z, w ∈ R
y 0 0 w
8. Mostre que as retas que passam pela origem são os únicos subespaços vetoriais próprios
de R2 . (Um subespaço vetorial W de V é dito próprio se W ̸= {0} e W ̸= V ).
espaço das funções reais contínuas definidas no intervalo [0, 1], C0 ([0, 1], R).
11. Considere o espaço vetorial das funções reais definidas em [0, 1] com as operações
usuais de soma e multiplicação por escalar. Sejam U e W os subespaços vetoriais das
funções pares e ímpares, respectivamente. Mostre que U +W é a soma direta de U e W .
Proposição 3.1 Seja V um espaço vetorial. O conjunto W formado por todos os vetores de
V que são combinações lineares dos vetores v1 , · · · , vn ∈ V é um subespaço vetorial de V .
Demonstração. De fato, note que 0 ∈ W , basta tomar todos os escalares de K nulos, i.e.,
■ Exemplo 3.3 Seja V = R2 . Sejam u = (1, 1) e w = (1, 0). Note que o vetor (0, 0) =
0 · u + 0 · w. Veja também que
3u + 2w = 3(1, 1) + 2(1, 0) = (3, 3) + (2, 0) = (5, 3).
Seja v = (−2, 3) achemos a combinação linear dos vetores u e w e números a, b ∈ R tais que
v = au + bw,
v = au + bw ⇒ (−2, 3) = a(1, 1) + b(1, 0)
⇒ (−2, 3) = (a, a) + (b, 0)
⇒ (−2, 3) = (a + b, a)
(
a + b = −2
⇒
a=3
(
a=3
⇒ .
b = −5
Logo, qualquer vetor de R2 , pode ser gerado a partir dos vetores u e w, onde
E isso mostra que o conjunto {(1, 1), (1, 0))} gera todo o espaço vetorial R2 . Em notação,
R2 = [(1, 1), (1, 0)].
Existem geradores chamados de geradores canônicos. Para o espaço R2 , por exemplo,
temos
R2 = [(1, 0), (0, 1)].
Sejam u = (1, 2) e w = (−2, −4), observe que nem todos os vetores de R2 podem ser gerados
pelos vetores u e w. De fato,
y y
a − 2b = x =⇒ 2b = a − x =⇒ 2b = + 2b − x =⇒ x = .
2 2
Isto é, existe uma dependência entre x e y. Portanto, o sistema acima é impossível. O vetor
(1, 1) não é gerado pelos vetores u e w, por exemplo. ■
■ Exemplo 3.4 Seja P3 (R) o espaço vetorial de todos os polinômios de grau menor ou igual
a 3, i.e.,
P3 (R) = {a + bt + ct 2 + dt 3 : a, b, c, d ∈ R}.
1
4 − 3t + t 2 = a · p(t) + b · q(t) + c · r(t) + d · s(t)
2
= a · 1 + b · (t − 1) + c · (t 2 − t) + d · t 3
= a + b · t − b + c · t2 − c · t + d · t3
1
4 − 3t + t 2 + 0 · t 3 =
a − b + (b − c) · t + c · t 2 + d · t 3
2
a−b = 4
b − c = −3
⇒
c = 12
d=0
a = 23
b = − 5
⇒ 2
1
c= 2
d=0
Logo, x(t) = (α + β + γ)p(t) + (β + γ)q(t) + γr(t) + δ s(t). E isso mostra que o conjunto
{p(t), q(t), r(t), s(t)} gera todo o espaço vetorial P3 (R). Em notação,
t = b · (t − 1) + c · (t 2 − t) + d · t 3
0 + 1 · t + 0 · t2 + 0 · t3 = −b + (b − c)t + ct 2 + dt 3
−b = 0
b − c = 1
⇒
c=0
d=0
b=0
c = −1
⇒ .
c = 0
d=0
Como o sistema acima é impossível, temos que não existem coeficientes que geram o
polinômio x(t) = t a partir do geradores {t − 1,t 2 − t,t 3 }.
O O conjunto gerador canônico de P3 (R) é o conjunto {1,t,t 2 ,t 3 }.
ϕ : P3 (R) → R4
a + bt + ct 2 + dt 3 7→ (a, b, c, d).
■ Exemplo 3.5 Encontrar o subespaço de R3 gerado por S = {(1, 1, 1), (2, 2, 0)}. Lembre que
qualquer elemento gerado por S é uma combinação linear dos elementos de S. Temos, para
quaisquer x, y ∈ R, que
Assim,
a ba 0 0 b 0 0
= + +
b d0 0 b 0 0 d
1 0 0 1 0 0
= a +b +d .
0 0 1 0 0 1
1 0 0 1 0 0
Logo, S = , , é o conjunto de geradores do espaço W . ■
0 0 1 0 0 1
■ Exemplo 3.9 Seja W = {a0 + a1t + a2t 4 : a0 , a1 , a2 ∈ R} ⊂ P4 (R). Queremos encontrar
os geradores de W .
Observe que
a0 + a1t + a2t 4 = a0 · 1 + a1t + a2t 4 .
Logo, S = {1,t,t 4 } é o conjunto de geradores do espaço W . ■
u = −v ⇒ u + v = 0,
ou seja, a = b = 1. Logo, neste caso, u e v são LD. ■
a sen x + b cos x = 0
π
então tomando x = 0, teremos, a sen 0 + b cos 0 = 0 ⇒ b = 0. Por outro lado, se x = 2 então
a sen π2 + b cos π2 = 0 ⇒ a = 0. Logo, S é LI. ■
3.3 Exercícios
1. Sejam v1 = (1, 2, 1), v2 = (0, 1, −1) e v3 = (1, 1, 2) vetores de R3 :
a. O vetor u = (4, 7, 5) pode ser escrito como combinação linear dos vetores v1 , v2 e
v3 ?
b. O conjunto {v1 , v2 , v3 } é linearmente independente? Justifique.
c. O conjunto {v1 , v2 , v3 } gera o espaço R3 ? Justifique.
2. Seja o espaço vetorial V = R2 . Considere os vetores u = (1, 2) e v = (2, 4). Mostre que
v é linearmente dependente em relação a u.
Chamamos de base canônica a base mais intuitiva (ou a mais óbvia) para a estrutura do
espaço vetorial.
■ Exemplo 4.1 Exemplos clássicos: bases canônicas
1. Seja V = R. A base canônica de R é B = {1}.
2. Se V = R2 . A base canônica de V é B = {(1, 0), (0, 1)}. Note que B gera R2 , pois sendo
(x, y) um vetor qualquer de R2 temos que
Para conferir que os vetores são LI, podemos calcular o determinante da matriz, onde
cada linha é formada pela coordenadas de cada um dos vetores e1 , e2 e e3 .
1 0 0
0 1 0 .
0 0 1
Como o determinante da matriz acima é diferente de zero, segue que os vetores e1 , e2 e
e3 são LIs.
5. Seja V = Rn . A base canônica de Rn é o conjunto B = {e1 , e2 , e3 , · · · , en }, onde ei =
(0, · · · , 0, 1, 0, · · · , 0) indica o vetor com a i-ésima coordenada igual a 1 e todas as outras
coordenadas iguais a 0. Note que um vetor qualquer (x1 , x2 , · · · , xn ) ∈ Rn pode ser
escrito como
(x1 , x2 , · · · , xn ) = x1 e1 + x2 e2 + · · · + xn en .
6. Se V (C) = C. A sua base canônica é B = {1}. O conjunto {1, i} não pode ser base de
C como um espaço vetorial complexo. De fato, note que
z1 · 1 + z2 · i = 0
Como z1 , z2 ∈ C basta tomar z1 = i e z2 = −1. Isso mostra que o conjunto {1, i} é LD,
se C for visto como um espaço vetorial complexo.
7. Sendo V (R) = C2 = {(z1 , z2 ) : z1 , z2 ∈ C}. A base canônica do R-espaço vetorial C2 é
o conjunto B = {(1, 0), (0, 1), (i, 0), (0, i)}. Note que
Teorema 4.1 Seja V = [v1 , · · · , vn ]. Então do conjunto {v1 , · · · , vn } pode-se extrair uma
base para V .
Note que o sistema acima tem grau de liberdade um, isso significa que o sistema admite solução
diferente da trivial. Assim, nem todos os coeficientes x, y, z,t são nulos. Logo, o conjunto
S = {(1, 0, 1), (1, 1, 0), (0, 1, 1), (1, 1, 1)} é linearmente dependente. Deste conjunto, segundo o
Teorema 4.1, podemos extrair uma base para R3 . De fato, o conjunto {(1, 0, 1), (1, 1, 0), (0, 1, 1)}
é uma base para R3 . ■
48 Capítulo 4. Base e dimensão de um espaço vetorial
O teorema a seguir mostra que se V tem uma base com n elementos então qualquer
subconjunto LI de V tem no máximo n elementos.
Teorema 4.2 Se o espaço vetorial V é gerado por n vetores, então qualquer conjunto com
mais de n vetores é LD.
Demonstração. Suponha V = [v1 , · · · , vn ]. Pelo teorema anterior, pode-se extrair uma base
para V a partir dos vetores v1 , · · · , vn . Suponha que v1 , · · · , vk seja tal base (k ≤ n). Sejam
w1 , · · · , wm vetores não nulos quaisquer de V , m > n. Para cada j = 1, · · · , m temos
k
w j = a1 j v1 + a2 j v2 + · · · + ak j vk = ∑ ai j vi .
i=1
Tome a equação
x1 w1 + x2 w2 + · · · + xm wm = 0.
Temos
k k k
x1 ∑ ai1 vi + x2 ∑ ai2 vi + · · · + xm ∑ aim vi = 0 ⇒
i=1 i=1 i=1
! ! !
m m m
∑ x j a1 j v1 + ∑ x j a2 j v2 + · · · + ∑ x j ak j vk = 0.
j=1 j=1 j=1
Como k ≤ n < m segue que o sistema tem uma solução para x j não trivial. Logo, w1 , · · · , wm
é LD. ■
Corolário 4.1 Qualquer base de um espaço vetorial tem sempre o mesmo número de
elementos.
Se V = {0} é o espaço nulo então dimV = 0, por convenção. Portanto, a base do espaço
nulo é vazia.
Se a base de um espaço vetorial é finita diz-se que tal espaço é finitamente gerado ou que
tem dimensão finita.
■ Exemplo 4.3 1. dim P3 (R) = 4, pois sua base canônica {1,t,t 2 ,t 3 } tem 4 elementos.
2. dim Pn (R) = n + 1, pois sua base canônica C tem exatamente n + 1 elementos
C = {1,t,t 2 , · · · ,t n }.
3. dim R2 = 2, pois C = {(1, 0), (0, 1)} é a base canônica de R2 e tem apenas 2 elementos.
4. dim Rn = n, para todo n ∈ N, pois sua base canônica tem n elementos C = {e1 , e2 , · · · , en }.
5. dim M2 (R) = 4, pois sua base canônica é
1 0 0 1 0 0 0 0
C= , , , .
0 0 0 0 1 0 0 1
Demonstração. Se W é o espaço nulo então tem dimensão finita, por convenção. Suponha
W ̸= {0}. Tome um vetor nao nulo w1 ∈ W . Então o conjunto B1 = {w1 } é LI. Se B1 gera W
então W tem dimensão finita e dimW = 1. Se B1 não gera W então existe algum w2 ∈ W \ [w1 ]
tal que o conjunto B2 = {w1 , w2 } é LI. Se B2 gera W então W tem dimensão finita e dimW = 2.
Se B2 não gera W então existe algum w3 ∈ W \ [w1 , w2 ] tal que o conjunto B3 = {w1 , w2 , w3 }
é LI. Seguindo o mesmo raciocínio recursivamente e dado que a dimensão de V é finita,
dimV = n, e qualquer conjunto LI de V tem no máximo n vetores então existem um m ∈ N,
com m ≤ n tal que
Bm = {w1 , · · · , wm }
é uma base de W . Logo, W tem dimensão finita e dimW = m, com m ≤ n. ■
50 Capítulo 4. Base e dimensão de um espaço vetorial
A proposição acima nos ajuda a encontrar, com mais eficiência, bases de uma espaço
vetorial V de dimensão n. Note que um subconjunto finito LI com menos de n elementos não
pode ser base de um espaço de dimensão n. Por outro lado, tal subconjunto será uma base de
V se possuir exatamente n elementos, como podemos perceber no próximo resultado.
Demonstração. Seja W o subespaço de V gerado pelo conjunto {v1 , · · · , vk }. Note que este
conjunto é uma base de W , por ser LI. Além disso, W ̸= V , pois caso contrário k = n, o
que contraria a hipótese de que k < n. Tome algum vetor vk+1 ∈ V \ W . Obviamente, os
vetores v1 , · · · , vk , vk+1 são LI. Se n = k + 1 então os vetores v1 , · · · , vk , vk+1 formam uma
base de V . Se k + 1 < n então existem um vetor vk+2 ∈ V \ (W + [vk+1 ]) tal que o conjunto
{v1 , · · · , vk+1 , vk+2 } é LI. Repetimos os procedimento até completar a base de V . ■
Verificamos se os vetores que geram U formam uma base. Basta verificar se são LI.
Para isto, organizamos os vetores v1 , v2 , v3 , v4 como linhas de uma matriz e usamos o
método da eliminação de Gauss. Nesse processo, utilizamos a notação Li → kL j ± Li
para indicar que a linha i é reescrita como k vezes a linha j mais (ou menos) a linha i.
4.2 Dimensão de um espaço vetorial 51
Portanto,
1 2 0 1 1 2 0 1
1 0 4 3 1 0 4 3
(L → L2 + L4 )
1 4
=⇒ 0 −1 2 1 (L2 → L1 − L2 )
0 −1 2
−1 −3 2 0 0 −3 6 3
1 2 0 1 1 2 0 1
0 2 −4 −2 (L2 → 1 L2 )
0 1 −2 −1 (L → L2 + L3 )
=⇒
1 3
0 −1 2 1 2 0 −1 2
0 −3 6 3 0 −3 6 3
1 2 0 1 1 2 0 1
0 1 −2 −1 (L → 3L2 + L4 )
0 1 −2 −1
=⇒ .
0 4
0 0 0 0 0 0 0
0 −3 6 3 0 0 0 0
Portanto, v1 , v2 , v3 , v4 são LD, pois há linhas nulas na matriz resultante. Como a matriz
resultante tem duas linhas nulas, segue que dois destes vetores são supérfluos. Assim,
{v1 , v3 } forma uma base para U (basta olhar as linhas que sobraram). Já os vetores v5
e v6 são, obviamente, LI. Logo, {v5 , v6 } forma uma base para W . Encontremos uma
base para U ∩ W . Temos que se o conjunto {v1 , v3 , v5 , v6 } é LI então U ∩ W é trivial.
Para mostrar isso, usamos a eliminação de Gauss para a matriz formada pelos vetores
v1 , v3 , v5 , v6 .
1 2 0 1 1 2 0 1
0 1 −2 −1
(L4 → L1 + L4 ) =⇒ 0 1 −2 −1 (L4 → −2L2 + L4 )
0 1 0 1 0 1 0 1
−1 0 1 0 0 2 1 1
1 2 0 1 1 2 0 1
0 1 −2 −1
(L3 → −L2 + L3 ) =⇒ 0 1 −2 −1 (L3 → 1 L3 )
0 1 0 1 0 0 2 2 2
0 0 5 3 0 0 5 3
1 2 0 1 1 2 0 1
0 1 −2 −1
(L4 → −5L3 + L4 ) =⇒ 0 1 −2 −1 .
0 0 1 1 0 0 1 1
0 0 5 3 0 0 0 2
Como não restam linhas nulas segue que os vetores v1 , v3 , v5 , v6 são LI. Portanto, nenhum
vetor de U pode ser gerado por vetores de W e vice-versa. Logo U ∩W = {0}, sua base
é vazia e dim(U ∩W ) = 0. Além disso, U +W é gerado pela união das bases de U e W .
Então {v1 , v3 , v5 , v6 } é uma base para U +W , pois são vetores LI, e daí dim(U +W ) = 4.
Note que U +W ⊂ R4 e dim(U +W ) = dim R4 = 4. Logo, U +W = R4 .
temos que
m p m q
v = u+w = ∑ aivi + ∑ b j u j + ∑ civi + ∑ dk wk
i=1 j=1 i=1 k=1
m p q
= ∑ (ai + ci)vi + ∑ b j u j + ∑ dk wk .
i=1 j=1 k=1
4.3 Exercícios 53
■Exemplo 4.5 Ilustre com um exemplo que se U e W são subespaços de um espaço vetorial
V de dimensão finita, então:
U = [(2, 3)]
= {t(2, 3) : t ∈ R}
= {(2t, 3t) : t ∈ R}
= {(x, y) ∈ R2 : x = 2t, y = 3t}
= {(x, y) ∈ R2 : x/2 = t, y = 3t}
= {(x, y) ∈ R2 : y = 3x/2} = W
dim(U +W ) = 1
dimU + dimW − dim(U ∩W ) = 1 + 1 − 1 = 1.
4.3 Exercícios
1. Verifique se o conjunto {(1, 0, 1), (1, 1, 0), (0, 1, 1)} é uma base para o espaço vetorial
R3 .
5. Seja V = P3 (R) o espaço vetorial real dos polinômios de grau menor ou igual a 3.
Verifique que β = {1, 1 + t, (1 + t)2 , (1 + t)3 } é uma base de V .
6. Considere o espaço vetorial P3 (R), o espaço dos polinômios de grau no máximo 3 com
coeficientes reais, e o subespaço W definido pelos polinômios p(t) = at 3 + bt 2 + ct + d
tais que p(1) = 0. Encontre uma base para W .
11. Determine uma base e ache a dimensão para cada um dos espaços vetoriais a seguir:
a. V = {(x, y) ∈ R2 : x − 2y = 0};
b. V = {(x, y, z) ∈ R3 : x + y + z = 0};
c. V = {(x, y, z, w,t) ∈ R5 : x + y − z = 0 e w − t = 0};
d. V = {a + bt + ct 3 + dt 5 : a, b, c, d ∈ R};
e. V = {A ∈ M2 : At = A};
{A ∈ M2 :At = −A};
f. V =
x y
g. V = ∈ M2 : x, y ∈ R ;
y x
x+y+z y+z x−y
h. V = 2y − 3z x − y − z −x + 2z ∈ M3 : x, y ∈ R ;
y − 4z 2x − y + 2z x − y + z
i. V = {(z, w, z − w) : z, w ∈ C} subespaço vetorial do R-espaço vetorial C3 ;
j. V = {(z1 , z2 , z3 ) ∈ C3 : z1 + z2 = 0 e z2 − z3 = 0} subespaço vetorial do C-espaço
vetorial C3 .
12. Considere o espaço vetorial das matrizes quadradas de ordem 3 com entradas reais e o
subespaço W definido pelas matrizes simétricas. Encontre a dimensão de W .
14. Qual é a dimensão do espaço gerado por todos os polinômios de grau menor ou igual a
2?
4.3 Exercícios 55
15. Considere o espaço vetorial das matrizes reais de ordem 3. Existe uma base canônica
para esse espaço? Qual é a dimensão desse espaço vetorial?
e
V = [(1, 1, 1, 0), (2, 2, 2, 1), (0, 0, 0, 2), (1, 1, 1, 1)].
Determine uma base para R4 que contenha a união das bases de U e V .
é um espaço vetorial.
b. Calcule uma base e dê a dimensão de ∇3 .
20. Convença-se de que o espaço vetorial formado por todos os polinômios em uma
indeterminada t tem dimensão infinita.
5. Mudança de base
Proposição 5.1 Seja B = {v1 , · · · , vn } uma base ordenada de um espaço vetorial V (K).
Então cada vetor de V é escrito de maneira única como combinação linear dos elementos da
base B.
Demonstração. Seja v ∈ V um vetor qualquer. Suponha que existem a1 , · · · , an , b1 , · · · , bn ∈ K
tais que
v = a1 v1 + · · · + an vn ;
v = b1 v1 + · · · + bn vn .
Então,
a1 v1 + · · · + an vn = b1 v1 + · · · + bn vn =⇒ (a1 − b1 )v1 + · · · + (an − bn )vn = 0.
Como B é base, em particular LI, segue que ai − bi = 0, i ∈ {1, · · · , n}. Logo, ai = bi , com
i ∈ {1, · · · , n}. ■
58 Capítulo 5. Mudança de base
Definição 5.2 Sejam B = {v1 , · · · , vn } uma base ordenada do espaço vetorial V e v ∈ V
um vetor qualquer, onde
v = a1 v1 + · · · + an vn .
As coordenadas de v em relação à base B é definida como uma matriz coluna, onde as
entradas da matriz são os coeficientes ai , ou seja,
a1
a2
[v]B = .. .
.
an
■ Exemplo 5.2 Considere a nova base B2 = {(1, 1), (1, 2)}. Note que os vetores (1, 1), (1, 2)
são LI, pois (
a+b = 0
a(1, 1) + b(1, 2) = (0, 0) ⇒ ⇒ a = b = 0.
a + 2b = 0
Temos também que esses vetores geram qualquer elemente de R2 . Seja (x, y) um vetor
qualquer, temos
(
a+b = x
(x, y) = a(1, 1) + b(1, 2) ⇒ ⇒ a = 2x − y, b = y − x.
a + 2b = y
Ou seja,
2·1−2 0
[(1, 2)]B2 = = .
2−1 1
■
B = {1, 1 + t, 1 − t 2 , 1 − t − t 2 − t 3 }.
a · 1 + b · (1 + t) + c · (1 − t 2 ) + d · (1 − t − t 2 − t 3 ) = 0
a + b + bt + c − ct 2 + d − dt − dt 2 − dt 3 = 0
(a + b + c + d) + bt − dt − ct 2 − dt 2 − dt 3 = 0
(a + b + c + d) + (b − d)t + (−c − d)t 2 − dt 3 = 0
Portanto, temos
a+b+c+d = 0
a=0
b − d = 0
b = 0
⇒ .
−c − d = 0
c=0
d=0 d=0
Como cada um dos coeficientes é nulo, isto mostra que o conjunto B é LI. Basta provar que B
gera qualquer polinômio de P3 (R). De fato, por um cálculo similar, obtemos
a · 1 + b · (1 + t) + c · (1 − t 2 ) + d · (1 − t − t 2 − t 3 ) = α + βt + γt 2 + δt 3
(a + b + c + d) + (b − d)t + (−c − d)t 2 − dt 3 = α + βt + γt 2 + δt 3
Como o sistema tem solução única, segue que o conjunto B gera todo o espaço P3 . Logo, B é
uma base de P3 (R). Note que dim(P3 (R)) = 4.
Calculamos agora as coordenadas do vetor p(t) = 1 + 2t + 3t 2 + 4t 3 em relação à base
B. Daí, temos que α = 1, β = 2, γ = 3 e δ = 4. Substituindo estes valores no sistema acima,
60 Capítulo 5. Mudança de base
−4
Sendo C = {1,t,t 2 ,t 3 } a base canônica, as coordenadas de p(t) são
1
2
[p(t)]C =
3 .
Sendo D = {1,t 2 ,t 3 ,t} uma base ordenada de P3 (R) (esta não é a base canônica), as
coordenadas de p(t) são
1
3
[p(t)]D =
4 .
2
■
■ Exemplo 5.4 Considere as seguintes bases ordenadas de R2 : B = {(1, 1), (−1, 1)}, C =
{(1, 0), (0, 1)} e D = {(−1, 1), (1, 1)}. Calculamos as coordenadas de v = (1, 0) em relação a
cada uma das bases.
• [v]B
(
x−y = 1 1
(1, 0) = x(1, 1) + y(−1, 1) = (x − y, x + y) =⇒ =⇒ x = −y = .
x+y = 0 2
1
Assim, [v]B = 2 .
− 12
• [v]C
− 21
Assim, [v]D = 1 .
2
■
5.2 Matriz mudança de base 61
Por outro lado, como wi ∈ V então escrevemos esses vetores como combinação linear dos
vetores da base B:
n
w1 = a11 v1 + a21 v2 + · · · + an1 vn = ∑ ai1 vi
i=1
n
w2 = a12 v1 + a22 v2 + · · · + an2 vn = ∑ ai2 vi
i=1
..
.
n
wn = a1n v1 + a2n v2 + · · · + ann vn = ∑ ain vi
i=1
v = b1 w1 + b2 w2 + · · · + bn wn =⇒
n n n
v = b1 ∑ ai1 vi + b2 ∑ ai2 vi + · · · + bn ∑ ain vi =⇒
i=1 i=1 i=1
! ! !
n n n
v = ∑ bia1i v1 + ∑ bia2i v2 + · · · + ∑ biani vn =⇒
i=1 i=1 i=1
! ! !
n n n
a1 v1 + a2 v2 + · · · + an vn = ∑ bia1i v1 + ∑ bia2i v2 + · · · + ∑ biani vn .
i=1 i=1 i=1
62 Capítulo 5. Mudança de base
ou ainda como
onde a matriz [I]CB muda as coordenadas de v na base C para as coordenadas de v na base B. Por
isso, lê-se a notação [I]CB como a matriz mudança da base C para a base B ou simplesmente
matriz mudança de base. Outra notação usada para a matriz mudança da base C para a base B
é MBC .
■ Exemplo 5.5 Dada as bases B = {(1, 1), (1, −1)} e C = {(0, 1), (2, 1)} de R2 . Vamos
encontrar [I]CB e [I]CB .
Como desejamos encontrar [I]CB , devemos escrever os elementos da base C como
combinação linear dos elementos da base B:
(
x+y = 0 1 1
(0, 1) = x(1, 1) + y(1, −1) ⇒ ⇒ x = ,y = − ,
x−y = 1 2 2
(
x+y = 2 3 1
(2, 1) = x(1, 1) + y(1, −1) ⇒ ⇒ x = ,y = .
x−y = 1 2 2
Vamos contruir agora a matriz mudança de base, da base B para a base C, [I]CB :
(
2y = 1 1 1
(1, 1) = x(0, 1) + y(2, 1) ⇒ ⇒ x = ,y = ,
x+y = 1 2 2
(
2y = 1 3 1
(1, −1) = x(0, 1) + y(2, 1) ⇒ ⇒ x = − ,y = .
x + y = −1 2 2
5.2 Matriz mudança de base 63
Note que:
1 3 1
− 32
1 0
[I]CB · [I]CB = 2 2 2 = .
− 21 1
2
1
2
1
2
0 1
Isto é
[I]CB · [I]CB = I2 ⇒ [I]CB = ([I]CB )−1 .
■
Proposição 5.2 Dada uma base B de um espaço vetorial V , de dimensão n, tem-se que
[I]BB = In ,
Logo, [I]BB = In . ■
Portanto,
! !
n n n n n
wk = ∑ b jk v j = ∑ b jk ∑ ai j ui =∑ ∑ ai j b jk ui .
j=1 j=1 i=1 i=1 j=1
Como os vetores ui , com i ∈ {1, · · · , n}, são LI e dado que wk = ∑ni=1 cik ui , então
n
cik = ∑ ai j b jk .
j=1
2 = x · 1 + y · (1 + t) + z · (t + t 2 ) ⇒
2 = x + y + yt + zt + zt 2
2 = x + y + (y + z)t + zt 2
x + y = 2
⇒ y+z = 0
z=0
⇒ x = 2, y = z = 0.
1−t = x · 1 + y · (1 + t) + z · (t + t 2 )
= x + y + yt + zt + zt 2
1 − t + 0t 2 = x + y + (y + z)t + zt 2
x + y = 1
⇒ y + z = −1
z=0
⇒ x = 2, y = −1, z = 0.
5.2 Matriz mudança de base 65
■ Exemplo 5.7 Tome V = R3 e sejam B = {(0, 1, 1), (1, 0, 1), (1, 1, 0)} e C a base canônica.
Encontramos [I]CB . Escrevemos os vetores da base canônica como combinação linear dos
vetores da base B:
y + z = 1
1 1
(1, 0, 0) = x(0, 1, 1) + y(1, 0, 1) + z(1, 1, 0) ⇒ x + z = 0 ⇒ x = − , y = z =
2 2
x+y = 0
y + z = 0
1 1
(0, 1, 0) = x(0, 1, 1) + y(1, 0, 1) + z(1, 1, 0) ⇒ x + z = 1 ⇒ x = z = , y = −
2 2
x+y = 0
y + z = 0
1 1
(0, 0, 1) = x(0, 1, 1) + y(1, 0, 1) + z(1, 1, 0) ⇒ x + z = 0 ⇒ x = y = , z = −
2 2
x+y = 1
1. Determine MBC e MCB (lembre que esta matriz é a mesma matriz mudança da base de B
para C, com outra notação).
−1
Como MCB = MBC então basta calcular a inversa da matriz MBC , por meio da seguinte
matriz ampliada:
1 0 3 | 1 0 0
MBC | I3
= 1 2 0 | 0 1 0 .
−1 3 1 | 0 0 1
Lembre que basta reduzir a matriz MBC à forma escada, na matriz ampliada. Consequentemente,
todas as operações entre linhas feitas na matriz MBC devem também ser feitas na matriz
identidade, à direita na matriz ampliada. Assim, a matriz resultante será a matriz inversa
procurada.
L2 → L1 − L2 e L3 → L1 + L3
5.2 Matriz mudança de base 67
1 | 1
0 3 0 0
0 −2 3 | 1 −1 0 L2 → L3 + L2 =⇒
0 | 1
3 4 0 1
| 1
1 0 3 0 0
0 1 7| 2 −1 1 L3 → 3L2 − L3 =⇒
| 1
0 3 4 0 1
1 0 3| 1 0 0
1
0 1 7 | 2 −1 1 L3 → L3 =⇒
17
| 5 −3 2
0 0 17
1 0 3 | 1 0 0
0 1 7 | 2 −1 1 L1 → −3L3 + L1 ; L2 → −7L3 + L2 =⇒
5 3 2
0 0 1 | 17 − 17 17
2 9 6
1 0 0 | 17 17 − 17
0 1 0 | −1 4 3
.
17 17 17
5 3 2
0 0 1 | 17 − 17 17
Portanto, 2 9 6
17 17 − 17
MCB = 1
− 17 4
17
3
17
.
5 3 2
17 − 17 17
1
2. Se [v]B = 3 , encontre [v]C .
2
Sabemos que [v]C = MCB [v]B então
2 9 6
17 17 − 17 1 1
1 4 3
[v]C = − 17 17 17
3 = 1 .
5 3 2 2 0
17 − 17 17
2
3. Se [u]C = 3 , encontre [u]B .
−1
Sabemos que [u]B = MBC [u]C então
1 0 3 2 −1
[u]B = 1 2 0 3 = 8 .
−1 3 1 −1 6
■
1. Mostre que
1 1 1 0 0 0
B= , ,
0 0 1 0 0 1
e
1 0 0 −1 0 0
C= , ,
1 0 1 0 0 1
são bases de W .
Para o conjunto B, temos que provar a independência linear.
1 1 1 0 0 0 0 0
a +b +c =
0 0 1 0 0 1 0 0
Logo, o conjunto B é LI. Agora temos que mostrar que o conjunto B gera W . Perceba
que qualquer elemento de W , pode ser escrito da seguinte forma:
x y 1 1 1 0 0 0
= a +b +c
x−y t 0 0 1 0 0 1
a+b a
=
b c
a+b = x
a = y
= .
b = x−y
c=t
vetores da base B.
a = 0
1 0 1 1 1 0 0 0
= a +b +c ⇒ b=1 ,
1 0 0 0 1 0 0 1
c=0
a = −1
0 −1 1 1 1 0 0 0
= a +b +c ⇒ b=1 ,
1 0 0 0 1 0 0 1
c=0
a = 0
0 0 1 1 1 0 0 0
= a +b +c ⇒ b=0 .
0 1 0 0 1 0 0 1
c=1
Daí,
0 −1 0
MBC = 1 1 0 .
0 0 1
Façamos MCB . Para isto, escrevemos os vetores da base B como combinação linear dos
vetores da base C.
a = 1
1 1 1 0 0 −1 0 0
= a +b +c ⇒ b = −1 ,
0 0 1 0 1 0 0 1
c=0
a = 1
1 0 1 0 0 −1 0 0
= a +b +c ⇒ b=0 ,
1 0 1 0 1 0 0 1
c=0
a = 0
0 0 1 0 0 −1 0 0
= a +b +c ⇒ b=0 .
0 1 1 0 1 0 0 1
c=1
Daí, tome os coeficientes de cada equação acima e monte cada coluna da matriz mudança
de base:
1 1 0
MCB = −1 0 0 .
0 0 1
3. Encontre uma base D de W tal que a matriz
1 1 0
P= 0 0 2
0 3 1
Logo,
" # " #
1 1 1 1
= X + 0Y + 0Z =X
0 0
0 0
" #
" #
1 0 1 0
= X + 0Y + 3Z ⇒ = X + 3Z .
1 0
1 0
" #
" #
0 0
0 0
0 1 = 0X + 2Y + Z 0 1 = 2Y + Z
0 − 13 1
0 0 0 0 0 6
2Y = − Z ⇒ 2Y = − 1 ⇒Y = .
0 1 0 1 3 0 − 61 1
2
5.2 Matriz mudança de base 71
Logo,
1
0 − 13
1 1 0 6
D= , , 1
0 0 − 16 1
2 3 0
é a base procurada.
■
Daí, tome os coeficientes de cada equação acima e monte cada coluna da matriz mudança
de base:
1 1 1
MCB = 0 1 0 .
0 0 1
1
2. Se [v]B = −4 , encontre [v]C . Sabemos que [v]C = MCB [v]B então
6
1 1 1 1 3
[v]C = 0 1 0 −4 = −4 .
0 0 1 6 6
8
3. Se [v]C = −1 , encontre [v]B . Sabemos que [v]B = MBC [v]C então
6
1 −1 −1 8 3
[v]B = 0 1 0 −1 = −1 .
0 0 1 6 6
72 Capítulo 5. Mudança de base
Logo,
1 0 0
MCC = 0 1 0 .
0 0 1
■
5.3 Exercícios
1. Calcule as coordenadas do vetor v = (1, 2) em relação às seguintes bases ordenadas de
R2 :
2. Seja B = {(1, 2, 3), (2, 3, 1), (3, 1, 2)} uma base do espaço vetorial R3 . Encontre as
coordenadas do vetor v = (4, −2, 5) em relação à base B.
4. Considere o espaço vetorial M2 (R) das matrizes de ordem 2 com entradas reais.
a. Ache as coordenadas da matriz
2 3
A=
1 4
em relação à base
1 0 0 1 1 1 1 0
C= , , , .
1 0 0 1 0 0 1 1
b. O que se observa quando comparamos [A]C com [v]B , do Exercício 3? Por que
você acha que isso acontece?
5. Considere B = {(1, 0, 0), (1, −1, 0), (1, −2, 1)} uma base do espaço vetorial R3 . Calcule
[(1, 1, 1)]B .
5.3 Exercícios 73
6. Seja P2 (R) o espaço vetorial de todos os polinômios com coeficientes reais de grau
menor ou igual a 2.
a. Encontre as coordenadas do polinômio p(t) = 1 + t + t 2 em relação à base C =
{1, 1 − t, (1 − t)2 }.
b. O que se observa quando comparamos [p(t)]C com [(1, 1, 1)]B , do Exercício 5?
Por que você acha que isso acontece?
8. Considere o C-espaço vetorial M3 (C) das matrizes de ordem 3 com entradas complexas.
Seja B = {E11 , E12 , E13 , E21 , E22 , E23 , E31 , E32 , E33 } a base canônica de M3 (C), onde
Ei j é a matriz com entrada i j igual a 1 e todas as outras entradas iguais a zero. Dado o
vetor
i 0 0
A = 0 −1 i ,
0 i 1
encontre suas coordenadas em relação à base B.
9. Considere as bases ordenadas B = {(0, 1), (1, 0)} e C = {(1, 0), (0, 1)} de R2 . Determine
MBC e MCB .
10. Considere a base B = {(1, 2), (1, 1)} do espaço vetorial R2 e a matriz de mudança de
base
C 2 1
MB = ,
1 2
para alguma base C, encontre as coordenadas do vetor v = (2, 1) em relação à base C.
11. Considere o espaço vetorial R3 . Determine a matriz de mudança de base MCB , onde
B = {(1, 2, 1), (0, 1, 1), (1, 1, 0)} e C = {(2, 3, 1), (−1, 0, 1), (1, 1, 1)}.
Seja v um vetor de V :
74 Capítulo 5. Mudança de base
1
a. Determine [v]B , sabendo que [v]C = 2 .
3
1
b. Determine [v]C , sabendo que [v]B = 2 .
3
14. Seja V (R) o espaço vetorial das matrizes de ordem 3 triangulares inferiores. Considere
as bases
1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
B= 0 0 0 , 1 0 0 , 1 1 0 , 1 1 0 , 1 1 0 , 1 1 0
0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 1 1 1
e
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
C= 0 0 0 , 1 0 0 , 0 1 0 , 0 0 0 , 0 0 0 , 0 0 0 .
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
1 0 0
a. Ache as coordenadas da matriz A = 2 −1 0 em relação a cada uma das
0 −1 1
bases B e C.
b. Determine as matrizes mudança de base MCB e MBC .
Definição 6.1 Sejam U e V espaços vetoriais. Diz-se que uma função T : U → V é uma
transformação linear se
T (u + λ w) = T (u) + λ T (w),
onde u, w ∈ U e λ ∈ R.
T (λ w) = λ T (w).
■ Exemplo 6.2 T : R2 → R, definida por T (x, y) = xy, não é uma transformação linear. Sejam
u = (x, y) e λ ∈ R, então
Temos que T , do Exemplo 6.3, é uma função injetiva. De fato, suponha T (A) = T (B),
77
então:
T (A) = T (B) ⇒
x1 y1 x2 y2
T = T ⇒
z1 w1 z2 w2
(x1 , y1 , z1 , w1 ) = (x2 , y2 , z2 , w2 ) ⇒
x1 = x2 , y1 = y2 z1 = z2 , w1 = w2 .
x1 y1 x2 y2
Logo, A = = = B.
z1 w1 z2 w2
Definição 6.3 Diz-se que uma função f : D → E é sobrejetiva se Im f = E
T (X + λY ) = A(X + λY ) + (X + λY )
= (AX + λ AY ) + (X + λY )
= (AX + X) + (λ AY + λY )
= (AX + X) + λ (AY +Y )
= T (X) + λ T (Y ).
O teorema a seguir estabelece uma forma pelo qual podemos achar a lei de uma transformação
linear a partir de algumas informações.
!
n n
T (u + λ w) = T ∑ aiui + λ ∑ biui
i=1 i=1
!
n
= T ∑ (ai + λ bi)ui
i=1
n
= ∑ T ((ai + λ bi)ui)
i=1
n
= ∑ (ai + λ bi)T (ui)
i=1
n
= ∑ (ai + λ bi)vi
i=1
n n
= ∑ aivi + λ ∑ bivi
i=1 i=1
= T (u) + λ T (w).
Seja T ′ : U → V uma transformação linear tal que T ′ (ui ) = vi . Então, para todo u ∈ U, temos
( (
3y−4x
a + 3b = x a= 2
⇒ 2x−y .
2a + 4b = y b= 2
80 Capítulo 6. Transformações lineares
■ Exemplo 6.9 Achar a tranformação linear T : R3 → R2 , onde T (1, 0, 0) = (1, 1), T (0, 1, 0) =
(1, 0) e T (0, 0, 1) = (−2, 3).
Temos que
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1).
Agora, basta aplicar T a ambos os membros da equação acima:
T (x, y, z) = T (x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1))
T (x, y, z) = xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1)
T (x, y, z) = x(1, 1) + y(1, 0) + z(−2, 3)
T (x, y, z) = (x + y − 2z, x + 3z).
Portanto, T (x, y, z) = (x + y − 2z, x + 3z) é a lei para T procurada. ■
pois o domínio e o contradomínio são invariantes pela soma ou produto de função em L (U,V ).
Logo, T + λ S ∈ L (U,V ).
Proposição 6.1 Seja B = {v1 , · · · , vn } uma base do espaço vetorial V (K). A dimensão
do espaço dual V ∗ = L (V, K) é a mesma dimensão do espaço V e, ainda, o conjunto
B∗ = { f1 , · · · , fn } onde (
1, se i = j
fi (v j ) = ,
0, se i ̸= j
é a base dual de V ∗ .
Demonstração. Perceba que cada fi é linear (verifique isso). Afirmamos que B∗ é LI. Seja
α1 f1 + · · · + αn fn = 0. Temos que
para cada i = 1, · · · , n. Portanto, B∗ é LI em V ∗ . Por fim, mostramos que B∗ gera todo o espaço
dual V ∗ . De fato, seja g ∈ V ∗ , temos
g(u) = g(a1 v1 + · · · + an vn )
= a1 g(v1 ) + · · · + an g(vn )
= f1 (u)g(v1 ) + · · · + fn (u)g(vn ),
■Exemplo 6.13 Seja o espaço vetorial P2 (R). Vamos encontrar uma base do dual de P2 (R).
Para isto, vamos usar a base canônica do espaço P2 (R), a saber, C = {1,t,t 2 }. Sabemos que,
dado qualquer polinômio, p(t) = a + bt + ct 2 . Daí, f (p(t)) = a, g(p(t)) = b e h(p(t)) = c.
Portanto, (P2 (R))∗ = [ f , g, h]. Logo, { f , g, h} é uma base de P2 (R)∗ . ■
■ Exemplo 6.14 Considere o espaço das matrizes quadradas de ordem 2, M2 (R). Seja
1 0 1 1 1 1 1 1
B= , , , .
0 0 0 0 1 0 1 1
Achemos a combinação linear de uma matriz qualquer de M2 (R), com relação à base B:
x y 1 0 1 1 1 1 1 1
= a +b +c +d
z t 0 0 0 0 1 0 1 1
a+b+c+d = x
b + c + d = y
=⇒
c+d = z
d =t
a = x−y
b = y − z
=⇒ .
c = z − t
d =t
6.2 Núcleo e Imagem 83
Logo,
x y 1 0 1 1 1 1 1 1
= (x − y) + (y − z) + (z − t) +t . (6.1)
z t 0 0 0 0 1 0 1 1
Temos que a dimensão do dual de M2 (R) é igual a 4 e, portanto, sua base dual é B∗ =
{ f1 , f2 , f3 , f4 }, com as seguintes propriedades:
1 0 1 1 1 1 1 1
f1 = 1, f1 = 0, f1 = 0, f1 = 0.
0 0 0 0 1 0 1 1
N (T ) = {u ∈ U : T (u) = 0}.
Afirmamos que o núcleo de uma transformação linear é um espaço vetorial. De fato, sejam
u, w ∈ N (T ) e λ ∈ R. Temos:
T (u + λ w) = T (u) + λ T (w) = 0 + λ 0 = 0.
Observe que, uma vez que a variável z não influencia na lei de T , então todo vetor da forma
(0, 0, z) tem imagem nula. Logo, N (T ) = {(0, 0, z); z ∈ R} = [(0, 0, 1)]. Isso mostra que
dim N (T ) = 1. ■
84 Capítulo 6. Transformações lineares
A noção de imagem de uma função existe para qualquer tipo de função. Porém, para
transformações lineares o conjunto imagem é um espaço vetorial.
De fato, sejam v1 , v2 ∈ Im(T ) e λ ∈ R. Como v1 , v2 ∈ Im(T ) então existem u1 , u2 ∈ U tal
que T (u1 ) = v1 e T (u2 ) = v2 . Daí,
Note que o conjunto acima não é base uma vez que possui quatro elementos, portanto, é um
conjunto LD em R3 . Vamos eliminar os vetores supérfluos organizando estes vetores em uma
matriz e escalonando tal matriz:
1 0 1
0 1 −1
1 1 −1
1 1 0
L3 = L1 − L3 e L4 = L1 − L4 :
1 0 1
0
1 −1
0 −1 2
0 −1 1
L4 = L2 + L4 e L3 = L2 + L3
1 0 1
0
1 −1
0 0 1
0 0 0
Temos uma matriz com 3 linhas não nulas, isto significa que do conjunto acima, três vetores
são linearmente independentes. Logo, uma base para o espaço imagem pode ser dada por
B = {(1, 0, 1), (1, 1, −1), (0, 1, −1)}. Assim, dim Im(T ) = 3 = dim R3 . Logo, Im(T ) = R3 . ■
86 Capítulo 6. Transformações lineares
■ Exemplo 6.18 Um funcional linear f : V → R ou é sobrejetivo ou é nulo.
De fato, temos que f (V ) é um espaço vetorial. Como os subespaços vetoriais de R são
{0} ou o próprio R, segue o resultado. ■
Proposição 6.2 Seja T : U → V uma transformação linear. T é injetiva se, e somente se,
N (T ) = {0}.
Proposição 6.3 Uma transformação linear é injetiva se, e somente se, leva vetores LI em
vetores LI.
T (a1 v1 + a2 v2 + · · · + an vn ) = 0.
Proposição 6.4 Seja T : U → V uma transformação linear, com dimU = dimV . Então T
é injetiva se, e somente se, T é sobrejetiva.
Assim, temos que o núcleo é N (T ) = {(−y, y, y, −y) : y ∈ R} = [(−1, 1, 1, −1)] ̸= {0}. Isto
implica que T não é injetiva, pois o núcleo de T não é trivial. Logo, T não é sobrejetiva. De
fato, pelo Teorema do Núcleo e da Imagem, temos que
Como os vetores geradores de Im(T ) são LD, segue que dim Im(T ) < dim R4 = 4. ■
Temos que o conjunto {(1, 0, 0), (1, 1, 0), (1, 1, 1)} é uma base para R3 . Assim, sendo
(x, y, z) ∈ R3 , temos que
2. T é injetora?
Para verificar se T é injetora, devemos calcular o núcleo da transformação linear:
T (x, y, z) = (0, 0, 0) ⇒
(2x + 3y − 7z, 3x − y − 2z, x + 6y) = (0, 0, 0) ⇒
2x + 3y − 7z = 0
3x − y − 2z = 0
x + 6y = 0
Da equação (3), temos que x = −6y. Substituindo isto, nas equações (1) e (2) temos o
sistema:
( (
2(−6y) + 3y − 7z = 0 −9y − 7z = 0
⇒
3(−6y) − y − 2z = 0 −19y − 2z = 0
Da equação (1), temos que y = − 97 z. Basta substituir este resultado na equação (2):
133
9 z − 2z = 0 ⇒ z = 0. Isso implica que y = 0. E da equação (3) segue que x = 0. Logo,
(0, 0, 0) é a única solução possível para o sistema acima. Ou seja, N (T ) = {(0, 0, 0)}.
Portanto, T é injetiva.
3. T é sobrejetora?
Temos que T : R3 → R3 é injetora. Note que o domínio de T é igual ao contradomínio,
portanto tem dimensões iguais. Logo, pela Proposição 6.4, como T é injetiva segue que
T é sobrejetiva.
6.3 Teorema do Núcleo e da Imagem 91
Temos que o conjunto {(2, 3, 1), (5, 2, 7), (−2, 0, 7)} é uma base do espaço R3 .
Temos
−x + 2z − 16c
19 + 21c = −y + 3z ⇒ 19(−x + 2z − 16c) + 189c = −9y + 27z
9
⇒ −19x + 38z − 304c + 189c = −9y + 27z
⇒ −115c = 19x − 9y + 11z
19x − 9y + 11z
⇒ c=− .
115
Temos daí que
−x + 2z − 16c
b =
9
−x + 2z − 16 − 19x−9y+11z
115
=
9
−115x + 230z + 304x − 144y + 176z
=
1035
189x − 144y + 406z
=
1035
6.4 Isomorfismos
Definição 6.7 Diz-se que uma transformação linear T : U → V é um isomorfimo se T é
bijetiva. Neste caso, diz-se que U e V são isomorfos, e representamos por U ≃ V . No caso
em que U = V , diz-se que T é um automorfismo.
T (a + bt + ct 2 ) = (a, b, c) = (0, 0, 0) ⇒ a = b = c = 0.
Portanto, o núcleo de T é trivial e isto mostra que T é injetiva. Como dim P2 (R) = 3 = dim R3 ,
segue que T é sobrejetiva, logo bijetiva. ■
O resultado a seguir mostra que dois espaços vetoriais de mesma dimensão são isomorfos.
Teorema 6.3 Dois espaços vetoriais de dimensão finita são isomorfos se, e somente se, têm
a mesma dimensão.
O Que o leitor pare um pouco a sua leitura neste ponto e releia o enunciado do Teorema 6.3 e
de seu corolário. Consegue perceber a beleza desse resultado? Até o momento, estudamos
espaços vetorias de variadas qualidades, sejam espaços polinomiais ou matriciais, espaços
de funções, etc. Agora entendemos que qualquer um destes espaços vetoriais são
isomorfos a algum Rn .
6.4 Isomorfismos 93
T (1, 0, 0) = (2, 1, 1), T (0, 1, 0) = (1, 1, 0), T (0, 0, 1) = (0, −1, −2).
Portanto,
(1, 0, 0) = T −1 (2, 1, 1), (0, 1, 0) = T −1 (1, 1, 0), (0, 0, 1) = T −1 (0, −1, −2).
Temos daí que o conjunto {(2, 1, 1), (1, 1, 0), (0, −1, −2)} é uma base de R3 , pois todo
isomorfismo leva base em base. Escrevemos um vetor (x, y, z) como combinação linear
desta base:
2a + b = x
(x, y, z) = a(2, 1, 1) + b(1, 1, 0) + c(0, −1, −2) ⇒ a + b − c = y
a − 2c = z
Da equação 3, temos:
2x − 2y + z
a + 2(x − 2a) = 2y − z ⇒ −3a = −2x + 2y − z ⇒ a = .
3
Da equação 1, temos
2x − 2y + z −x + 4y − 2z
b = x − 2a ⇒ b = x − 2 · ⇒b=
3 3
94 Capítulo 6. Transformações lineares
Da equação 2, temos
2x − 2y + z x−y−z
c = x−y−a ⇒ c = x−y− ⇒c= .
3 3
Portanto,
2x − 2y + z −x + 4y − 2z x−y−z
(x, y, z) = (2, 1, 1) + (1, 1, 0) + (0, −1, −2) ⇒
3 3 3
2x − 2y + z −1 −x + 4y − 2z −1 x − y − z −1
T −1 (x, y, z) = T (2, 1, 1) + T (1, 1, 0) + T (0, −1, −2) ⇒
3 3 3
2x − 2y + z −x + 4y − 2z x−y−z
T −1 (x, y, z) = (1, 0, 0) + (0, 1, 0) + (0, 0, 1) ⇒
3 3 3
1
T −1 (x, y, z) = (2x − 2y + z, −x + 4y − 2z, x − y − z)
3
é a inversa de T . ■
V = {(x, y, x + y); x, y ∈ R}
= {x(1, 0, 1) + y(0, 1, 1); x, y ∈ R}
= [(1, 0, 1), (0, 1, 1)].
Obviamente o conjunto {(1, 0, 1), (0, 1, 1)} é LI e constitui uma base para V . Como dimV =
dim R2 segue que V ≃ R2 , pois espaços vetoriais de dimensões iguais são isomorfos. ■
6.5 Exercícios
1. Determine se as seguintes aplicações são lineares:
a. f : R2 → R2 , onde f (x, y) = (y, x).
b. f : R3 → R3 , onde f (x, y, z) = (x, y, 0).
c. f : R3 → R3 , onde f (x, y, z) = (y, x, 1).
d. f : C → R2 , onde f (x + iy) = (x, x + y).
x y
e. f : C2 → M2 (R), onde f (x + iy, z + iw) = .
z w
f. f : P2 (R) → P3 (R), onde
3. Seja T : R2 → R2 uma transformação linear tal que T (1, 0) = (2, 1) e T (0, 1) = (−1, 3).
a. Encontre a lei de formação de T .
b. Calcule N (T ) e sua dimensão.
c. Determine a inversa de T , caso possua.
f (x, y, z) = (x, x − y, 2x − y − z) :
11. Determinar uma transformação linear T : R2 → R3 tal que T (R2 ) = [(1, 1, 1)] e N (T ) =
[(1, 1)].
96 Capítulo 6. Transformações lineares
d
D(p(t)) = (p(t)).
dt
a. Mostre que D é uma transformação linear.
b. Calcule N (D) e Im(D) e determine base e dimensão para cada um deste espaços
vetoriais.
T (u j ) = a1 j v1 + a2 j v2 + · · · + am j vm = b1 j v1 + b2 j v2 + · · · + bm j vm , j = 1, · · · , n.
A Proposição 7.1 mostra que a aplicação ϕ : L (U,V ) → Mm×n , que associa cada
transformação linear a uma matriz, é bem definida. Mostramos a seguir que esta transformação
é linear.
Demonstração. Considere T, S ∈ L (U,V ) tais que ϕ(T ) = [T ]αβ = (ai j ) e ϕ(S) = [S]αβ = (bi j ).
Assim, temos que ϕ(T + λ S) = [T + λ S]αβ = (ci j ), onde
(T + λ S)(u j ) = c1 j v1 + · · · + cm j vm =⇒
T (u j ) + λ S(u j ) = c1 j v1 + · · · + cm j vm =⇒
(a1 j v1 + · · · + am j vm ) + λ (b1 j v1 + · · · + bm j vm ) = c1 j v1 + · · · + cm j vm =⇒
(a1 j + λ b1 j )v1 + · · · + (am j + λ bm j )vm = c1 j v1 + · · · + cm j vm ,
para cada j ∈ {1, · · · , n}. Portanto, ci j = ai j + λ bi j , para i ∈ {1, · · · , m} e j ∈ {1, · · · , n}. Logo,
■
7.1 Transformações lineares e matrizes 99
Portanto,
T (u j ) = a1 j v1 + a2 j v2 + · · · + am j vm = b1 j v1 + b2 j v2 + · · · + bm j vm = S(u j ),
para cada j ∈ {1, · · · , n}. Logo, T = S, pela unicidade da transformação dada pelo Teorema 6.1.
Seja a matriz (ci j ) ∈ Mm×n tal que w j = c1 j v1 + c2 j v2 + · · · + cm j vm ∈ V , j ∈ {1, · · · , n}. Pelo
Teorema 6.1, existe uma única transformação linear R : U → V tal que R(u1 ) = w1 , · · · , R(un ) =
wn . Logo, (ci j ) = [R]αβ e isto mostra que ϕ é sobrejetiva. Logo, L (U,V ) ≃ Mm×n (K). ■
T (1, 1) = (1 + 1, 1 − 1, 2 · 1) = (2, 0, 2)
T (1, −1) = (1 + (−1), 1 − (−1), 2 · 1) = (0, 2, 2).
Escrevemos T (1, 1) e T (1, −1) como combinação linear dos vetores da base C:
a + b + c = 2 a = 2
T (1, 1) = (2, 0, 2) = a(1, 0, 0) + b(1, 1, 0) + c(1, 1, 1) ⇒ b + c = 0 ⇒ b = −2 .
c=2 c=2
a + b + c = 0
a = −2
T (1, −1) = (0, 2, 2) = a(1, 0, 0) + b(1, 1, 0) + c(1, 1, 1) ⇒ b + c = 2 ⇒ b=0 .
c=2 c=2
■Exemplo 7.2 Ainda usando a transformação T do exemplo anterior, vamos calcular agora a
matriz de T em relação à base canônica do domínio e contradomínio:
T (x, y) = (x + y, x − y, 2x).
Note que
(x + y, z) = (x, 0) + (y, 0) + (0, z) = x(1, 0) + y(1, 0) + z(0, 1).
■
7.1 Transformações lineares e matrizes 101
■ Exemplo 7.4 Seja T um operador linear em R2 definido por T (x, y) = (2x − y, x + 3y). Ache
a matriz de T em relação a base canônica. Faça o mesmo para S(x, y) = (x − y, x + y). Após
isso calcule S ◦ T e T ◦ S.
Para encontrar a matriz de T , temos
T (1, 0) = (2, 1)
T (0, 1) = (−1, 3).
Como estamos dentro do ambiente da base canônica, segue que a lei de S ◦ T pode ser dada
por
1 −4 x x − 4y
= .
3 2 y 3x + 2y
Logo, S ◦ T : R2 → R2 é definida por (S ◦ T )(x, y) = (x − 4y, 3x + 2y).
Agora, calculamos a T ◦ S:
2 −1 1 −1 1 −3
[T ◦ S] = [T ][S] = = .
1 3 1 1 4 2
onde B = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} e C = {(1, 0), (1, 1)}. Encontre a lei da transformação
T.
Vamos achar as coordenadas do vetor v = (x, y, z) em relação à base B:
a + b + c = x
a = x − y
(x, y, z) = a(1, 0, 0) + b(1, 1, 0) + c(1, 1, 1) ⇒ b + c = y ⇒ b = y−z .
c=z c=z
Assim, temos
x−y
2 1 0
[T ]CB [v]B = y−z
−1 2 1
z
2(x − y) + y − z
=
−(x − y) + 2(y − z) + z
2x − y − z
= = [T (v)]C .
−x + 3y − z
Agora, escrevemos as coordenadas do vetor resultante acima em relação à base C. Isto significa
que
Proposição 7.4 Sejam U,V e W espaços vetoriais de dimensão finita com bases α, β e γ,
respectivamente. Se T ∈ L (U,V ), S ∈ L (V,W ) então S ◦ T ∈ L (U,W ) e
β
[S ◦ T ]αγ = [S]γ [T ]αβ .
7.2 O isomorfismo entre L (U,V ) e Mm×n (R) 103
S ◦ T (u j ) = S(T (u j ))
!
m
= S ∑ ai j vi
i=1
m
= ∑ ai j S (vi)
i=1
m p
= ∑ ai j ∑ bkiwk
i=1 k=1
!
p m
= ∑ ∑ bkiai j wk .
k=1 i=1
Logo, !
m
β
[S ◦ T ]αγ = ∑ bkiai j = [S]γ [T ]αβ .
i=1 p×n
■
Desta forma, as regras operacionais da composição de transformações lineares se transferem
diretamente para o produto de matrizes e vice-versa. Ora, já desconfiávamos que isso
aconteceria por causa do isomorfismo entre os espaços L (U,V ) e Mm×n (R).
Por exemplo, sabe-se que no espaço das matrizes, além das propriedades de espaço vetorial,
vale a distributividade do produto à esquerda e à direita. Isto é, vale que
(A + B)C = AC + BC,
onde A, B ∈ Mm×p e C ∈ M p×n , e também que
C(A + B) = CA +CB,
onde A, B ∈ M p×m e C ∈ Mn×p . Pelo isomorfismo entre os espaços, podemos inferir que o
mesmo vale para as transformações lineares associadas a A, B e C:
(TA + TB ) ◦ TC = TA ◦ TC + TB ◦ TC .
A proposição a seguir nos ajuda a determinar a matriz da inversa de uma transformação,
caso exista.
104 Capítulo 7. Matriz de uma transformação linear
[T ]αβ [T −1 ]α = [T ◦ T −1 ]β = [I]β = In .
β β β
−1
= [T −1 ]α .
α β
Logo, [T ]β ■
β β
[T ]β = [I]αβ [T ]αα [I]α ,
β β β β β
[I]αβ [T ]αα [I]α = [I]αβ [T ◦ I]α = [I]αβ [T ]α = [I ◦ T ]β = [T ]β .
β
[T ]αβ = [I]αβ [T ]α [I]αβ ,
■ Exemplo 7.6 Seja T : R2 → R2 uma transformação linear, cuja matriz em relação à base
α = {(1, 1), (1, −1)} é
1 2
[T ]αα = .
2 1
Achar a matriz de T em relação à base canônica.
Seja β a base canônica de R2 . Calculamos [I]αβ :
Portanto,
1 1
[I]αβ = .
1 −1
β
Calculamos [I]α :
1 1
(1, 0) = (1, 1) + (1, −1),
2 2
1 1
(0, 1) = (1, 1) − (1, −1).
2 2
Portanto,
1 1
β 2 2
[I]α = 1 .
2 − 12
106 Capítulo 7. Matriz de uma transformação linear
Portanto,
2 1 −1 1 −1 1 0
A = = = I.
0 −1 0 −1 0 1
■
Demonstração. (i) Suponha m ≤ n. Uma vez que dim Im(T ) ≤ dimV então rank(A) ≤
m ≤ n. Por outro lado, se n ≤ m então pelo Teorema do Núcleo e da Imagem temos que
■
■ Exemplo 7.10 Seja T : R4 → P3 (R), definida por
T (1, 0, 0, 0) = 1 + t 2 = 1 + 0t + t 2 + 0t 3 ;
T (0, 1, 0, 0) = −1 + t 2 + 2t 3 = −1 + 0t + t 2 + 2t 3 ;
T (0, 0, 1, 0) = t + t 2 − t 3 = 0 + t + t 2 − t 3;
T (0, 0, 0, 1) = t = 0 + t + 0t 2 + 0t 3 .
Logo, a matriz A tem 4 linhas LI. Portanto, o posto de A é igual a 4. Como a nulidade é a
diferença entre a quantidade de colunas da matriz de T e o posto, segue que a nulidade é
igual a zero. Como a nulidade é zero, segue que o núcleo da tranformação T é trivial. Como
rank(A) = 4 = dim Im(T ). Uma vez que dim P3 (R) = 4 segue que P3 (R) = Im(T ). Logo,
a transformação T é um isomorfismo. ■
7.7 Exercícios
1. Dada a transformação linear T : R2 → R2 dada por T (x, y) = (3x − 2y, −4x + y),
determine a matriz de T em relação à base canônica de R2 .
2. Seja T : R2 → R2 uma transformação linear tal que T (1, 0) = (2, 1) e T (0, 1) = (−1, 3).
Determine a matriz de T em relação à base canônica de R2 .
5. Seja T : R2 → R2um operador linear cuja matriz em relação à base β = {(1, 0), (1, 4)}
1 1
é [T ]β = . Determine a matriz de T em relação à base canônica de R2 .
5 1
6. Considere o espaço vetorial das matrizes de ordem 2 com base
1 0 1 1 1 1 1 1
β= , , , .
0 0 0 0 1 0 1 1
2 x y
Seja T : M2 (R) → R definida como T = (x + y, z + w).
z w
110 Capítulo 7. Matriz de uma transformação linear
β 2
a. Ache [T ]γ , onde γ é a base canônica de R
.
1 0
γ 0 −1
b. Calcule S : R2 → M2 (R) tal que [S]β = −1
.
1
1 0
c. Verifique se é possível encontrar um vetor (x, y) tal que S(x, y) = I2 , onde I2 é a
matriz identidade de M2 (R).
d. Calcule o posto e a nulidade de T e de S.
14. Seja V um K-espaço vetorial de dimensão finita. Mostre que toda involução T ∈ L (V )
é um isomorfismo.
8. Autovalores e Autovetores
Av = λ v ⇒ Av − λ v = 0 ⇒ Av − λ Iv = 0 ⇒ (A − λ I)v = 0, pois Iv = v,
Xv = 0 ⇒ X −1 Xv = X −1 0 ⇒ v = 0
O que acabamos de ver pode ser resumido na seguinte frase: “Se v é um autovetor de A
associado a um autovalor λ então det(A − λ I) = 0”.
Vamos resolver este sistema para λ , temos daí a matriz dos coeficientes:
1 − λ −1 1 −1 1 0
= −λ = A−λI
1 1−λ 1 1 0 1
114 Capítulo 8. Autovalores e Autovetores
(1 − λ )2 + 1 = 0 ⇒ 1 − 2λ + λ 2 + 1 = 0 ⇒ λ 2 − 2λ + 2 = 0.
Como a equação acima não tem zeros reais, então T não tem autovetores reais. ■
Assim, os autovalores de T são tais que det(A − λ I) = 0. Portanto, a matriz A − λ I é tal que
2−λ 1
=0 =⇒ (2 − λ )2 − 1 = 0
1 2−λ
=⇒ 4 − 4λ + λ 2 − 1 = 0
=⇒ λ 2 − 4λ + 3 = 0,
Desta forma, os autovetores v = (x, y) são tais que y = −x. Um autovetor associado a λ1 é o
vetor v1 = (1, −1).
Para λ2 = 3, os autovetores v associados a λ2 são tais que (A − λ2 I)v = 0. Portanto,
2 − λ2 1 x 0
(A − λ2 I)v = 0 =⇒ =
1 2 − λ2 y 0
−1 1 x 0
=⇒ =
1 −1 y 0
=⇒ x − y = 0.
Vλ = {v ∈ V ; Av = λ v},
Logo, u + kv ∈ Vλ .
A proposição a seguir mostra que dois autoespaços, associados a autovalores distintos, são
disjuntos.
Demonstração. Basta observar que se Vλ1 ∩Vλ2 ̸= {0}, o operador T não estaria bem definido
uma vez que existiria v ̸= 0 tal que T (v) = λ1 v e T (v) = λ2 v. ■
Não é difícil verificar que V1 = [(1, −1)] e V3 = [(1, 1)]. Além disso, observe que
Portanto, a matriz de T é
1 1
A = [T ] = .
1 −1
Passo 2. Calcule o polinômio característico.
O polinômio característico é dado por pA (λ ) = det(A − λ I):
1 1 1 0
pA (λ ) = det(A − λ I) = det −λ
1 −1 0 1
1−λ 1
= det
1 −1 − λ
= (1 − λ )(−1 − λ ) − 1
= −(1 − λ 2 ) − 1
= λ 2 − 2.
Passo 3. Encontrar os zeros do polinômio característico. Esses zeros serão os autovalores de T .
Façamos pA (λ ) = 0. Daí,
√
λ 2 − 2 = 0 ⇒ λ 2 = 2 ⇒ λ = ± 2.
√ √
Assim, λ1 = − 2 e λ2 = 2 são os autovalores de T .
Passo 4. Substituimos os autovalores encontrados na expressão (A − λ I)v = 0, ou seja,
1−λ 1 x 0
=
1 −1 − λ y 0
para encontrar
√ os autovetores.
Para λ1 = − 2 temos
√
1 − (− 2) 1 √ x 0
=
1 −1 − (− 2) y 0
√
1+ 2 1√ x 0
=
1 −1 + 2 y 0
√
(1 + 2)x√+ y 0
=
x + (−1 + 2)y 0
√
Para λ2 = 2, temos:
√
1− 2 1√ x 0
=
1 −1 − 2 y 0
√
(1 − 2)x√+ y 0
= .
x − (1 + 2)y 0
Temos daí o sistema de equações
( √
(1 − 2)x + y = 0
√ ,
x − (1 + 2)y = 0
√
que é indeterminado com y = −(1 − 2)x. Portanto,√ o autoespaço associado a λ2 é
definido por todos os vetores da forma (x, −(1 − 2)x). Assim,
√ √
Vλ2 = V√2 = {(x, −(1 − 2)x) : x ∈ R} = [(1, −(1 − 2))].
■
pA (λ ) = pB (λ ).
Demonstração. Pela Proposição 7.4, temos que A e B são matrizes semelhantes, uma vez que
A = M −1 BM,
onde M = [I]αβ . Portanto,
A − λ I = M −1 BM − λ I = M −1 BM − λ M −1 IM = M −1 (B − λ I)M
Assim, det(A − λ I) = det(B − λ I). E isso implica que, pA (λ ) = pB (λ ).
■
118 Capítulo 8. Autovalores e Autovetores
Quando p(A) = 0 diz-se que o polinômio p anula a matriz A. O polinômio p(λ ) é chamado
de mônico se an = 1.
0 2−λ 2 3
M13 = (−1)1+3 = 0, M21 = (−1)2+1 = 6 − 2λ ,
0 0 0 3−λ
1−λ 3 1−λ 2
M22 = (−1)2+2 = 3 − 4λ + λ 2 , M23 = (−1)2+3 =0
0 3−λ 0 0
2 3 1−λ 3
M31 = (−1)3+1 = 3λ , M32 = (−1)3+2 = 3 − 3λ ,
2−λ 3 0 3
1−λ 2
M33 = (−1)3+3 = 2 − 3λ + λ 2 .
0 2−λ
Desta forma, a matriz dos cofatores de A − λ I é dada por
6 − 5λ + λ 2
0 0
−6 + 2λ 3 − 4λ + λ 2 0 .
3λ −3 + 3λ 2 − 3λ + λ 2
6 − 5λ + λ 2
−6 + 2λ 3λ
B = 0 3 − 4λ + λ 2 −3 + 3λ
0 0 2 − 3λ + λ 2
2
6 −6 0 −5λ 2λ 3λ λ 0 0
= 0 3 −3 + 0 −4λ 3λ + 0 λ 2 0
0 0 2 0 0 −3λ 0 0 λ2
6 −6 0 −5 2 3 1 0 0
= 0 3 −3 + 0 −4 3 λ + 0 1 0 λ 2
0 0 2 0 0 −3 0 0 1
= B0 + B1 λ + B2 λ 2 .
A partir daí, não é difícil verificar que (A − λ In ) · Adj(A − λ In ) = det(A − λ I)In = pA (λ )I.
Calculamos pA (A). Como pA (λ ) = 6 − 11λ + 6λ 2 − λ 3 então
por B = (bi j ) = Adj(A − λ I). Note que, pela definição de matriz adjunta, cada bi j é um
polinômio de grau no máximo n − 1 na variável λ . Portanto,
(0) (1) (n−1) n−1
bi j = bi j + bi j λ + · · · + bi j λ .
B = B0 + B1 λ + · · · + Bn−1 λ n−1 ,
temos
(A − λ I) · B = (a0 + a1 λ + · · · + an λ n )In
(A − λ I) · (B0 + B1 λ + · · · + Bn−1 λ n−1 ) = (a0 + a1 λ + · · · + an λ n )In
AB0 + (AB1 − B0 )λ + · · · + (ABn−1 − Bn−1 )λ n−2 − Bn−1 λ n = a0 In + a1 λ In + · · · + an λ n In .
Logo, p(A) = 0. ■
Demonstração. Seja δ um autovalor de T . Suponha que dimVδ = r, então existe uma base
{v1 , · · · , vr } de Vδ . Como Vδ é subgrupo de V , pelo teorema do completamento, podemos
encontrar uma base β de V tal que β = {v1 , · · · , vr , wr+1 , · · · , wn }. Uma vez que T (vi ) = δ vi ,
para i ∈ {1, · · · , r}, então a matriz de T segundo a base β pode ser escrita na forma
β δ Ir A
[T ]β = A = ,
0 B
onde A e B são matrizes de ordem r e n − r, respectivamente. Portanto, o polinômio
característico de A é dado por
δ Ir A δ Ir 0
pA (λ ) = det (A − λ In ) = det −λ
0 B 0 In−r
δ Ir − λ Ir A
= det = (δ − λ )r det(B − λ In−r ).
0 B − λ In−r
122 Capítulo 8. Autovalores e Autovetores
Como δ ainda pode ser uma raiz do polinômio det(B − λ In−r ), segue que ma (δ ) ≥ r. E isto
implica que mg (δ ) ≤ ma (δ ). ■
0 2
■ Exemplo 8.8 Seja A = . Descreva os autovalores e autoespaços de A e A−1 .
1 1
Vamos encontrar o polinômio característico relacionado à matriz A:
0 2 1 0 −λ 2
pA (λ ) = det(A − λ I) = det −λ = det
1 1 0 1 1 1−λ
= −λ (1 − λ ) − 2 = λ 2 − λ − 2.
Portanto, os autovetores relacionados a λ1 = −1 são da forma (x, y) tal que x = −2y. Assim,
o autoespaço é
Assim, o autoespaço é
1 0 | − 12 1
1 1 | 0 1
L1 → −L2 + L1 ⇒
0 1 | 12 0 0 1 | 1
2 0
8.2 Multiplicidades algébrica e geométrica 123
1
−1 −2 1
Logo, A = 1 . Calculamos seu polinômio característico:
2 0
− 12 − λ
−1 1
pA−1 (λ ) = det(A − λ I) = det 1
2 −λ
1 1 1 1
= −λ (− − λ ) − = λ 2 + λ − .
2 2 2 2
1
2 1 x 0 x
(A − λ1 I)v = 0 ⇒ 1 = ⇒ + y = 0 ⇒ x = −2y.
2 1 y 0 2
Assim, o autoespaço é
Assim, o autoespaço é
Note que as multiplicidades algébricas e geométricas dos autovalores de A e A−1 são dadas
por
ma (−1) = 1 = ma (1/2) e mg (−1) = 1 = ma (1/2).
■
Demonstração. Como λ é um autovalor de uma matriz A então existe um autovetor v tal que
Av = λ v. Daí,
Av = λ v ⇒ A−1 Av = A−1 (λ v)
⇒ Iv = λ A−1 v
⇒ λ A−1 v = v
1
⇒ A−1 v = v.
λ
■
A proposição acima mostra que:
1. Se λ é um autovalor de uma matriz A então λ1 é um autovalor para A−1 ;
2. Um autovetor de A é também um autovetor de A−1 .
■ Exemplo 8.9 Seja T : P2 → P2 tal que T (ax2 + bx + c) = ax2 + cx + b. Estudamos os
autovalores e autovetores de T .
1. Encontrar a matriz de T em relação à base canônica de P2 :
T (1) = T (0x2 + 0x + 1) = 0x2 + 1x + 0 = x = 0 · 1 + 1 · x + 0 · x2
T (x) = T (0x2 + 1x + 0) = 0x2 + 0x + 1 = 1 = 1 · 1 + 0 · x + 0 · x2
T (x2 ) = T (1x2 + 0x + 0) = 1x2 + 0x + 0 = x2 = 0 + 0 · x + 1 · x2 .
Portanto, a matriz de T é dada por:
0 1 0
A = [T ] = 1 0 0 .
0 0 1
2. Achemos o polinômio característico de A:
−λ 1 0
pA (λ ) = det(A − λ I) = det 1 −λ 0 = λ 2 (1 − λ ) − (1 − λ )
0 0 1−λ
= (1 − λ )(λ 2 − 1).
3. Os autovalores reais de T são tais que pA (λ ) = 0, ou seja, (1 − λ )(λ 2 − 1) = 0:
(1 − λ )(λ 2 − 1) = 0 ⇒ 1 − λ = 0 e λ 2 − 1 = 0 ⇒ λ = 1 e λ = ±1.
Assim, pA (λ ) = −(λ + 1)(λ − 1)2 . Assim, a multiplicidade algébrica de λ = 1 é 2 e a
multiplicidade algébrica de λ = −1 é 1.
4. Autovetores relacionados ao autovalor λ = 1:
−1 1 0 a 0
(A − I)v = 0 ⇒ 1 −1 0 b = 0
0 0 0 c 0
(
−a + b = 0
⇒ ⇒ a = b.
a−b = 0
8.2 Multiplicidades algébrica e geométrica 125
4. Autoespaços:
a. Para λ1 = i:
−i −1 z1 0
(A − iI)v = 0 ⇐⇒ =
1 −i z2 0
(
−iz1 − z2 = 0
⇐⇒
z1 − iz2 = 0
⇐⇒ z1 = iz2
Logo,
b. Para λ2 = −i:
i −1 z1 0
(A + iI)v = 0 ⇐⇒ =
1 i z2 0
(
iz1 − z2 = 0
⇐⇒
z1 + iz2 = 0
⇐⇒ z2 = iz1
Logo,
V−i = {(z1 , z2 ) ∈ C2 ; z2 = iz1 } = {(z1 , iz1 ); z1 ∈ C} = {z1 (1, i); z1 ∈ C} = [(1, i)].
Se C2 é um espaço vetorial real então a base canônica de C2 é {(1, 0), (0, 1), (i, 0), (0, i)}.
Temos que todo número complexo é escrito como z = a+bi, com a, b ∈ R. Sejam, z1 = a1 +b1 i
e z2 = a2 + b2 i então sendo x, y,t, w ∈ R, temos
α1 v1 + · · · + αm vm = 0. (8.2)
λm (α1 v1 + · · · + αm vm ) − (λ1 α1 v1 + · · · + λm αm vm ) = 0 ⇒
(λm − λ1 )α1 v1 + · · · + (λm − λm−1 )αm−1 vm−1 + (λm − λm )αm vm = 0 ⇒
(λm − λ1 )α1 v1 + · · · + (λm − λm−1 )αm−1 vm−1 = 0.
Uma consequência direta do teorema acima é que um operador linear num espaço vetorial
de dimensão finita n, admite no máximo n autovetores LI.
−1 −2 0
■ Exemplo 8.12 Seja A = 0 −1 1 . Quais os autovalores e autovetores de A se A
1 0 0
representa uma transformação linear entre espaços vetoriais reais e também para espaços
vetoriais complexos.
1. Polinômio característico:
−1 − λ −2 0
pA (λ ) = det(A − λ I) = det 0 −1 − λ 1
1 0 −λ
= −λ (1 + λ )2 − 2
= −λ (1 + 2λ + λ 2 ) − 2
= −(λ 3 + 2λ 2 + λ + 2)
= −(λ 2 + 1)(λ + 2)
Como espaço vetorial real, o único zero do polinômio característico é λ = −2, com
multiplicidade algébrica 1.
Como espaço vetorial complexo, temos os seguintes zeros: λ1 = −2 e λ 2 + 1 = 0, o
que implica que λ2 = i, λ3 = −i, cada um com multiplicidade algébrica 1, pois
Portanto,
1+i 1+i
Vi = {(x, y, z) : y = − x, z = −ix} = {(x, − x, −ix); x ∈ C} = [(2, −1 − i, −2i)].
2 2
Para λ3 = −i:
−1 + i −2 0 x 0
(A + iI)v = 0 ⇐⇒ 0 −1 + i 1 y = 0
1 0 i z 0
(−1 + i)x − 2y = 0
⇐⇒ (−1 + i)y + z = 0
x + iz = 0
1−i
y = − 2 x
⇐⇒ z = (1 − i)y
z = ix
(
y = − 1−i2 x
⇐⇒ .
z = −ix
Portanto,
1−i 1−i
V−i = {(x, y, z) : y = − x, z = ix} = {(x, − x, ix); x ∈ C} = [(2, −1 + i, 2i)].
2 2
4. Multiplicidades:
Portanto, a matriz de T é
1 0 0
A = 0 0 −1 .
0 1 0
2. Polinômio característico:
1−λ 0 0
pA (λ ) = det(A − λ I) = det 0 −λ −1
0 1 −λ
= λ 2 (1 − λ ) + (1 − λ )
= (λ 2 + 1)(1 − λ )
= −(λ + i)(λ − i)(λ − 1).
Portanto,
V1 = {(x, y, z); y = z = 0} = [(1, 0, 0)].
5. Multiplicidades:
Termine o exemplo como exercício.
■
8.4 Exercícios
1. Determine os autovalores e autovetores correspondentes para cada matriz A de um
espaço vetorial real:
8.4 Exercícios 131
1 2 1 i 1 −1
a. c. e.
2 2 i 1 1 −1
2 −2 1 1 2 3 1 2 0
b. 1 0 −1 d. 0 1 2 f. 0 −1 −1
0 3 1 0 0 1 1 0 2
Determine:
a. Polinômio característico;
b. Autovalores;
c. Autoespaços;
d. Multiplicidades algébrica e geométricas.
g. T : M2 → M2 , definida por
x y x+y y+z
T = .
z w z+w x+w
a. real. b. complexo.
132 Capítulo 8. Autovalores e Autovetores
6. Sejam as matrizes
1 2 3 0 0 1
A= 0 2 3 e B = 0 1 1 .
0 0 3 1 1 1
11. Mostre que se A e B são matrizes semelhantes então seus polinômios característicos são
iguais.
13. Sejam T, S ∈ L (V ) tais que T ◦ S = S ◦ T . Mostre que N (S) e Im(S) são subespaços
invariantes por T .
14. Sejam P(R) o espaço vetorial de todos os polinômios com coeficientes reais e o
operador de derivação D : P(R) → P(R). Calcule os autovalores e autovetores de D.
15. Mostre que os subespaços vetoriais de C∞ (R, R) gerados por cada um dos subconjuntos
abaixo são invariantes pelo operador de derivação D : C∞ (R, R) → C∞ (R, R):
a. {cos x, sen x}.
b. {x, xex , x2 ex }.
Diz-se que duas matrizes A e B são semelhantes se existe uma matriz invertível M tal que
A = MBM −1 .
2 0 1 0
Como exemplo, suponha A = = Diag{2, 1} e B = = Diag{1, 2}. As
0 1 0 2
0 1
matrizes A e B são semelhantes pois a matriz M = = M −1 é tal que
1 0
−1 0 1 1 0 0 1
MBM =
1 0 0 2 1 0
0 1 0 1
=
1 0 2 0
2 0
= = A.
0 1
Uma matriz A é diagonalizável se ela for semelhante a uma matriz diagonal. Do mesmo
modo, dizemos que um operador linear T é diagonalizável se a matriz de T for semelhante a
uma matriz diagonal.
Polinômio Característico:
1−λ 1
pA (λ ) = det(A − λ I) = det = −(1 − λ )(1 + λ ) − 1 = −(1 − λ 2 ) − 1
1 −1 − λ
√ √
= λ 2 − 2 = (λ − 2)(λ + 2).
√ √
Autovalores: λ1 = − 2 e λ2 = 2.
Autovetores:√
Para λ1 = − 2, temos
√
√
1+ 2 √ 1 x 0
(A + 2I)v = 0 =⇒ =
1 −1 + 2 y 0
( √
(1 + 2)x + y = 0
=⇒ √
x + (−1 + 2)y = 0
√
=⇒ y = −(1 + 2)x.
√
Um autovetor √associado a λ1 é (1, −1 − 2).
Para λ2 = 2, temos
√
√
1− 2 √ 1 x 0
(A − 2I)v = 0 =⇒ =
1 −1 − 2 y 0
( √
(1 − 2)x + y = 0
=⇒ √
x + (−1 − 2)y = 0
√
=⇒ y = −(1 − 2)x.
√
Um autovetor associado√a λ2 é (1, −1√ + 2).
Note que {(1, −1 − 2), (1, −1 + 2)} é uma base de autovetores de T para R2 . Logo, T
é diagonalizável. ■
Demonstração. 1. =⇒ 2) Exercício!
2. =⇒ 3) Sejam A a matriz de T e n = dimV . Suponha que o polinômio característico de
Té
pA (λ ) = (λ − λ1 )d1 · · · (λ − λk )dk .
9.1 Operadores diagonalizáveis 135
Daí, ma (λi ) = di , além disso, ma (λ1 )+· · ·+ma (λk ) = n, que é o grau do polinômio característico.
Como, por hipótese, ma (λi ) = mg (λi ), segue que
Afirmamos que Vλi ∩Vλ j = {0}, se i ̸= j. Suponha, por absurdo, que existe 0 ̸= v ∈ Vλi ∩Vλ j ,
com i ̸= j. Então, T (v) = λi v e T (v) = λ j v. Mas (λi − λ j )v = 0 o que implica que λi = λ j ,
contradição. Logo,
V = Vλ1 + · · · +Vλk .
Como a soma é direta, pois Vλi ∩ Vλ j = {0}, se i ̸= j, segue que a reunião de todos os
autovetores de Vλi forma uma base de V . Logo, T é diagonalizável. ■
De fato,
− 31 1
−1 3
M = 1 2 ,
3 3
136 Capítulo 9. Diagonalização de operadores
e daí
− 13 1
−1 −2 1 −1 0 3
MBM = 1 2
1 1 0 2 3 3
1 1
2 2 −3 3
= 1 2
−1 2 3 3
0 2
= = A.
1 1
■
Proposição 9.1 Seja A = [ai j ] uma matriz de ordem n diagonalizável, cuja matriz diagonal
é da forma D = Diag{λ1 , λ2 , · · · , λn }. Então, a matriz que diagonaliza A é
M = v1 v2 · · · vn ,
vin
Perceba que
a11 a12 · · · a1n v11 v21 · · · vn1
a21 a22 · · · a2n v12 v22 · · · vn2
AM =
.. .. .. . .. .. .. ..
. . . .. . . . .
an1 an2 · · · ann v1n v2n · · · vnn
∑nj=1 a1 j v1 j ∑nj=1 a1 j v2 j n
· · · ∑ j=1 a1 j vn j
∑nj=1 a2 v1 j ∑nj=1 a2 j v2 j · · · ∑nj=1 a2 j vn j
= .
.. .. .. ..
. . . .
∑nj=1 an j v1 j ∑nj=1 an j v2 j n
· · · ∑ j=1 an j vn j
Portanto,
n
a11 a12 · · · a1n λi vi1 vi1
vi1 ∑ j=1 a1 j vi j
a21 a22 · · · a2n n λi vi2 vi2
= ∑ j=1 a2 j vi j
vi2
Avi = .. = = λi = λi vi ,
.. .. .. ··· ··· .. ..
. . . . . .
vin n
an1 an2 · · · ann ∑ j=1 an j vi j λi vin vin
1 2
■ Exemplo 9.3 Seja A = .
3 2
Vamos encontrar os autovalores de A:
1 2 1 0 1−λ 2
pA (λ ) = det(A − λ I) = det −λ = det
3 2 0 1 3 2−λ
= (1 − λ )(2 − λ ) − 6 = λ 2 − 3λ − 4 = (λ + 1)(λ − 4).
Vamos encontrar a matriz M que diagonaliza a matriz A. Para isso, precisamos encontrar pelo
menos um autovetor associado a cada um dos autovalores.
Para λ1 = −1, temos
1 − (−1) 2 x 0
(A − (−1)I)v = 0 ⇒ =
3 2 − (−1) y 0
2 2 x 0
⇒ =
3 3 y 0
⇒ 2x + 2y = 0
⇒ y = −x.
■ Exemplo 9.4 Determinar os valores de a para os quais a matriz abaixo seja diagonalizável:
a 1
A= .
0 1
Encontramos os autovalores de matriz A:
a−λ 1
det(A − λ I) = det = (a − λ )(1 − λ ).
0 1−λ
Uma das maneiras de determinar se uma matriz é diagonalizável é verificando se todos os seus
autovalores são distintos. No caso acima, para que isto aconteça, basta que a ̸= 1 e a ̸= λ .
Por outro lado, se os autovalores de A são iguais, então a = 1. Daí, det(A − λ I) = (1 − λ )2 .
Isto significa que λ = 1 é o único autovalor de A com multiplicidade algébrica igual a 2.
Devemos verificar qual a multiplicidade geométrica de λ = 1.
Para λ = 1, temos
1−1 1 x 0
(A − I)v = 0 ⇒ =
0 1−1 y 0
0 1 x 0
⇒ =
0 0 y 0
⇒ y = 0.
2 0 1 0
0 2 0 1
A=
12
.
0 3 0
0 −1 0 0
Polinômio característico:
2−λ 0 1 0
0 2−λ 0 1
pA (λ ) = det(A − λ I) = det
12 0 3−λ 0
0 −1 0 −λ
2−λ 0 1 2−λ 0 1
2+4 4+4
= (−1) 1· 12 0 3 − λ + (−1) (−λ ) · 0 2−λ 0
0 −1 0 12 0 3−λ
= (−12 + (2 − λ )(3 − λ )) − λ ((2 − λ )2 (3 − λ ) − 12(2 − λ ))
= (−12 + (2 − λ )(3 − λ )) − λ (2 − λ )((2 − λ )(3 − λ ) − 12)
= [1 − λ (2 − λ )][(2 − λ )(3 − λ ) − 12]
= (1 − 2λ + λ 2 )(−6 − 5λ + λ 2 )
= (λ − 1)2 (λ − 6)(λ + 1).
Autovalores: λ1 = 1, λ2 = 6, λ3 = −1.
Como a multiplicidade algébrica de λ1 é 2, vamos primeiro calcular a sua multiplicidade
geométrica. Para isso, calculamos o autoespaço associado a este autovalor.
140 Capítulo 9. Diagonalização de operadores
Para λ1 = 1, temos
2−1 0 1 0 x 0
0 2−1 0 1 y
0
(A − λ1 I)v = 0 ⇒ =
12 0 3−1 0 z 0
0 −1 0 −1 w 0
1 0 1 0 x 0
0 1 0 1 y 0
⇒
12 =
0 2 0 z 0
0 −1 0 −1 w 0
x+z = 0
y + w = 0
⇒
12x + 2z = 0
−y − w = 0
z = −x
⇒ w = −y
12x + 2z = 0
z = −x
⇒ w = −y
x=0
(
w = −y
⇒ .
x=z=0
V1 = [(0, 1, 0, −1)].
0 1
■ Exemplo 9.7 A = é diagonalizável?.
−1 0
O polinômio característico de A é
−λ 1
pA (λ ) = det(A − λ I) = det = λ 2 + 1.
−1 −λ
Note que tal polinômio não tem zeros reais, mas possui zeros complexos, a saber, λ1 = i e
λ2 = −i. Portanto, A possui somente autovalores complexos e o polinômio característico pode
ser fatorado
pA (λ ) = (λ − i)(λ + i).
9.1 Operadores diagonalizáveis 141
Para λ1 = i, temos
(
−i 1 x 0 −ix + y = 0
(A − iI)v = 0 ⇒ = ⇒ ⇒ y = ix.
−1 −i y 0 −x − iy = 0
3 0 0
■ Exemplo 9.8 Seja A = 0 2 −5 .
0 1 −2
O polinômio característico de A é
3−λ 0 0
pA (λ ) = det(A − λ I) = det 0 2−λ −5
0 1 −2 − λ
= (3 − λ )(2 − λ )(−2 − λ ) + 5(3 − λ )
= (3 − λ )[−(2 − λ )(2 + λ ) + 5] = (3 − λ )(λ 2 − 4 + 5)
= (3 − λ )(λ 2 + 1)
= (3 − λ )(λ + i)(λ − i).
O polinômio característico de A é
−λ 1 0 0
−1 −λ 0 0
pA (λ ) = det(A − λ I) = det
0 0 1−λ 1
0 0 0 1−λ
−λ 1 0
= (−1)4+4 (1 − λ ) −1 −λ 0
0 0 1−λ
= (1 − λ )[λ 2 (1 − λ ) + (1 − λ )]
= (1 − λ )2 (λ 2 + 1)
= (λ − 1)2 (λ + i)(λ − i).
Além disso, pA (λ ) é o polinômio de menor grau que anula A, pois nenhum polinômio de grau
1 anula A. ■
Condição para que A seja diagonalizável: Uma condição para que a matriz A seja
diagonalizável é que o polinômio minimal seja da forma p(λ ) = (λ − λ1 ) · · · (λ − λk ), onde
λ1 , · · · , λk sejam dois a dois distintos. Provamos isso na proposicão a seguir.
144 Capítulo 9. Diagonalização de operadores
p(λ ) = (λ − λ1 ) · · · (λ − λr ).
(A − λ1 I)(A − λ2 I) · · · (A − λr I)v = 0,
para qualquer autovetor v de A. Como A é diagonalizável, então existe uma base de V formada
por autovetores de A. Logo,
p(A) = (A − λ1 I) · · · (A − λr I) = 0.
■
0 1 0
■ Exemplo 9.12 Considere o operador linear definido pela matriz A = 1 1 1 . Como A
0 1 0
tem 3 autovalores distintos, λ1 = −1, λ2 = 0 e λ3 = 2, então A é diagonalizável e o polinômio
característico é também o polinômio minimal
Caso 1: Para cada λ zero real do polinômio pA (λ ), define-se um bloco de Jordan J(λ , r) como
uma matriz de ordem r, dada por:
λ 1 0 ··· 0
0 λ 1 ··· 0
.. .. .. . . .
.
J(λ , r) = . . . . . = λ I + N,
0 0 0 ··· 1
0 0 0 · · · λ r×r
Teorema 9.2 Seja V um espaço vetorial de dimensão finita. Seja T ∈ L (V ) cujo polinômio
característico é dado por
J = diag(J1 , · · · , J p , R1 , · · · , Rq ),
onde Ji são blocos da forma J(λ , r) e R j são blocos da forma R(α, β ; r).
Para demonstração deste teorema, siga os passos das páginas 338 a 344 do livro Álgebra
Linear, seção 2A, Elon Lages de Lima.
−1 0 0 0 0 0 −1 0 0 0 0 0
0 −1 0 0 0 0
0 −1 0 0 0 0
0 0 1 0 0 0 0 0 1 0 0 0
J= , J= ,
0 0 0 3 0 0
0 0 0 3 0 0
0 0 0 0 3 0 0 0 0 0 3 1
0 0 0 0 0 3 0 0 0 0 0 3
9.3 Forma canônica de Jordan 147
−1 0 0 0 0 0 −1 1 0 0 0 0
0 −1 0 0 0 0
0 −1 0 0 0 0
0 0 1 0 0 0 0 0 1 0 0 0
J= , J= ,
0 0 0 3 1 0
0 0 0 3 0 0
0 0 0 0 3 1 0 0 0 0 3 0
0 0 0 0 0 3 0 0 0 0 0 3
−1 1 0 0 0 0 −1 1 0 0 0 0
0 −1 0 0 0 0
0 −1 0 0 0 0
0 0 1 0 0 0 0 0 1 0 0 0
J= ou J =
0 0 0 3 0 0
0 0 0 3 1 0
0 0 0 0 3 1 0 0 0 0 3 1
0 0 0 0 0 3 0 0 0 0 0 3
■
■ Exemplo 9.17 Se uma matriz de ordem 3 tem autovalores: 3, 3 e 3, quais são as possíveis
formas canônicas de Jordan dessa matriz?
Uma vez que os três autovalores são iguais a 3, segue que λ = 3 tem multiplicidade
algébrica 3. Basta estudar as possibilidade para a multiplicidade geométrica.
• Se a multiplicade geométrica de λ é igual a 1, então existe apenas 1 bloco de Jordan de
ordem 3. Logo, a forma de Jordan da matriz é
3 1 0
J = 0 3 1 .
0 0 3
• Se a multiplicade geométrica de λ é igual a 2, então existem dois blocos cuja soma das
ordens dos blocos é igual a 3, que é a multiplicade algébrica. Temos, portanto, um bloco
de ordem 1 e um bloco de ordem 2:
3 1
J1 (3; 1) = 3 ; J2 (3; 2) = .
0 3
■ Exemplo 9.18 Se uma matriz de ordem 4 tem autovalores: 1, 2 e 3, quais são as possíveis
formas canônicas de Jordan dessa matriz?
Como se tem 3 autovalores e a matriz tem ordem 4, então um dos autovalores deve ter
multiplicidade algébrica 2, pois o polinômio característico tem grau 4.
150 Capítulo 9. Diagonalização de operadores
{vm , vm−1 , · · · , v2 , v1 },
a1 v1 + · · · + am vm = 0, (9.2)
a1 v1 + · · · + am−1 vm−1 = 0.
Agora, aplicamos (A − λ I)m−2 a ambos os lados da iguadade acima, e obtemos que am−1 = 0.
Procedendo recursivamente, obtemos que a1 = · · · = am = 0, e isso mostra que a cadeia de
autovetores generalizados de ordem m é LI. ■
■ Exemplo 9.19 Suponha
1 1 2
A = 0 1 3 ,
0 0 2
encontre uma matriz M tal que M −1 AM esteja na forma canônica de Jordan.
Achamos os autovalores de A:
1−λ 1 2
pA (λ ) = det(A − λ I) = det 0 1−λ 3
0 0 2−λ
= (1 − λ )2 (2 − λ ).
0 0 0 6
Portanto, vamos encontrar os autovetores generalizados associados a λ2 . Já sabemos que
V1 = [(0, 1, 0, −1)] é o autoespaço associado a λ2 . Seja v1 = (0, 1, 0, −1) o autovetor ordinário
associado a λ2 , então o autovetor generalizado v2 é tal que v1 = (A − λ2 I)v2 , i.e.,
1 0 1 0 x 0
0 1 0 1
y = 1
(A − λ2 I)v2 = v1 =⇒ 12 0 2 0 z 0
0 −1 0 −1 t −1
x+z = 0
y + t = 1
=⇒
12x + 2z = 0
−y − t = −1
(
x=z=0
=⇒ .
t = 1−y
9.3 Forma canônica de Jordan 155
cuja inversa é
4
0 − 17
7 0
0 0 0 −1
M −1 =
0 1
.
0 1
3 1
7 0 7 0
156 Capítulo 9. Diagonalização de operadores
Logo,
4
0 − 71
7 0 2 0 1 0 1 0 0 1
0 0 0 −1 0 2 0 1 0 1 1 0
J = M −1 AM =
0 1 0 1 12 0 3 0 −3 0 0 4
3 1 0 −1 0 0 0 −1 0 0
7 0 7 0
4 1
7 0 −7 0 −1 0 0 6
0 0 0 −1 0
1 2 0
=
0 1
0 1 3 0 0 24
3 1 0 −1 −1 0
0 0
7 7
−1 0 0 0
0 1 1 0
=
0 0 1
.
0
0 0 0 6
■
Roteiro para achar a matriz M tal que M −1 AM esteja na forma canônica de Jordan.
• Ache os autovalores λ1, · · · , λk de A;
• Para cada autovalor λi calcule ma(λi) e mg(λi);
• Para autovalores λi tais que mg(λi) = ma(λi), defina a cadeia de autovetores generalizados
como o autoespaço associado a λi , i.e., faça Cλi = Vλi ;
• Para autovalores λi tais que mg(λi) < ma(λi), calcule a sua cadeia de autovetores
generalizados construindo a matriz
9.4 Exercícios
1. Para cada matriz A abaixo:
i. Verifique que A é diagonalizável.
ii. Ache a matriz diagonal de A.
iii. Encontre a matriz que diagonaliza A.
0 1 1 1
a. A = . c. A = .
1 0 −1 1
1 0 3
1 −1 d. A = 4 2 6 .
b. A = .
−1 1 5 0 −1
9.4 Exercícios 157
1 1 1 0 −1 1 0
e. A = −1 −1 −1 . −1 0 −1 1
f. A =
1 −1
.
1 1 1 0 1
0 1 1 0
Determine:
a. A matriz de T .
b. O polinômio característico e os autovalores de T .
c. Os autoespaços associados aos autovalores de T .
d. As multiplicidades algébricas e geométricas de cada um dos autovalores de T .
e. O operador T é diagonalizável? Justifique.
f. Se T for diagonalizável, encontre a matriz M que diagonaliza T . Caso contrário,
encontre a forma de Jordan.
5. Para cada uma das seguintes matrizes, determine a forma canônica de Jordan J e uma
−1
matriz M invertível
que M AM = J.
tais
1 0 0
a. A = 2 3 0 .
3 2 1
1 −1 1
b. A = 1 1 1 .
0 0 1
7. Seja A uma matriz diagonalizável. Mostre que existe uma matriz invertível M tal que
An = MDn M −1 , para todo n ∈ N.
158 Capítulo 9. Diagonalização de operadores
9. Encontre An onde:
1 1 1 0 0 0 1 0 1
a. A = .
1 1 b. A = −1 1 2 . 1 0 1 0
c. A = .
0 1 0 0 1 0 1
1 0 1 0
10. Espaços com produto interno
■ Exemplo 10.2 De forma similar, o produto interno usual de R3 é definido pela expressão:
⟨(x1 , y1 , z1 ), (x2 , y2 , z2 )⟩ = x1 x2 + y1 y2 + z1 z2 .
■
160 Capítulo 10. Espaços com produto interno
ax by cz
⟨(x, y, z), (a, b, c)⟩ = + + .
2 3 4
Mostre que a expressão acima define um produto interno.
Para a expressão acima ser produto interno, ela deve gozar das propriedades da definição.
Sejam u = (x1 , y1 , z1 ), v = (x2 , y2 , z2 ) e w = (x3 , y3 , z3 ), α ∈ R:
(i)
(ii)
(iii)
⟨A, B⟩ = tr(Bt A)
define um produto interno em Mn (R).
A notação tr(Bt A) representa a soma dos elementos da diagonal principal da matriz Bt A.
Note que a função traço é uma transformação linear. De fato, seja A = (ai j ) ∈ Mn (R). Basta
definir a função tr : Mn (R) → R por tr(A) = a11 + · · · + ann = ∑ni=1 aii .
Sejam A, B,C ∈ Mn (R) e α ∈ R.
(i)
⟨A + B,C⟩ = tr(Ct (A + B)) = tr(Ct A +Ct B) = tr(Ct A) + tr(Ct B)
= ⟨A,C⟩ + ⟨B,C⟩;
(ii)
⟨αA, B⟩ = tr(Bt (αA)) = tr(α(Bt A)) = αtr(Bt A)
= α⟨A, B⟩;
(iii)
⟨A, B⟩ = tr(Bt A) = tr((Bt A)t ) = tr(At (Bt )t ) = tr(At B)
= ⟨B, A⟩;
pois
tr(X) = tr(X t ), (XY )t = Y t X t e (X t )t = X.
(iv)
⟨A, A⟩ = tr(At A) > 0.
Pois, sendo A = (ai j )n , temos que os elementos da diagonal principal de At A sempre
serão escritos como a soma de quadrados, da forma:
diag(At A) = (a211 + a212 + · · · + a21n , a221 + a222 + · · · + a22n , · · · , a2n1 + a2n2 + · · · + a2nn ).
Logo, o traço de At A é positivo.
Provam-se as duas primeiras propriedades de uma só vez:
⟨A + B, αC⟩ = tr(αCt (A + B))
= tr(αCt A + αCt B)
= αtr(Ct A) + αtr(Ct B)
= α(tr(Ct A) + tr(Ct B))
= α (⟨A,C⟩ + ⟨B,C⟩) .
Logo, o produto definido acima é um produto interno. ■
⟨u, v + w⟩ = ⟨v + w, u⟩
= ⟨v, u⟩ + ⟨w, u⟩
= ⟨v, u⟩ + ⟨w, u⟩
= ⟨u, v⟩ + ⟨u, w⟩.
Desta forma, o produto interno hermitiano é chamado de sesquilinear, pois é linear na primeira
variável e antilinear na segunda variável.
■ Exemplo 10.5 Sejam u = (u1 , · · · , un ), v = (v1 , · · · , vn ) ∈ Cn . A expressão
⟨u, v⟩ = u1 v1 + · · · + un vn ,
⟨u, v⟩ = u1 v1 + · · · + un vn
= u1 v1 + · · · + un vn
= u1 v1 + · · · + un vn
= v1 u1 + · · · + vn un
= ⟨v, u⟩.
10.2 Norma
p
Seja V um espaço euclidiano. Define-se, para cada u ∈ V , o número ||u|| = ⟨u, u⟩ (ou
equivalentemente ||u||2 = ⟨u, u⟩). Este valor é chamado de norma de u.
Propriedades da norma: Seja V um K-espaço euclidiano (ou hermitiano). Sejam u, v ∈ V
e α ∈ K quaisquer, então valem as seguintes propriedades:
1. ||αu|| = |α|||u||;
2. ||u|| ≥ 0, sendo que ||u|| = 0 se, e somente se, u = 0;
3. |⟨u, v⟩| ≤ ||u||||v|| (desigualdade de Cauchy-Schwarz);
4. ||u + v|| ≤ ||u|| + ||v|| (desigualdade triangular).
Caso complexo:
p p q p
||αu|| = ⟨αu, αu⟩ = αα⟨u, u⟩ = |α|2 ⟨u, u⟩ = |α|||u||.
||u − λ v||2 ≥ 0 =⇒ ⟨u − λ v, u − λ v⟩ ≥ 0
=⇒ ⟨u, u⟩ − λ ⟨u, v⟩ − λ ⟨v, u⟩ + λ λ ⟨v, v⟩ ≥ 0
=⇒ ||u||2 − λ ⟨u, v⟩ − λ ⟨v, u⟩ + |λ |2 ||v||2 ≥ 0.
⟨u, v⟩ ⟨u, v⟩
Tome, em particular, λ = = . Então,
⟨v, v⟩ ||v||2
4. Note que
||u + v||2 = ⟨u + v, u + v⟩
= ⟨u, u⟩ + ⟨u, v⟩ + ⟨v, u⟩ + ⟨v, v⟩
= ||u||2 + ⟨u, v⟩ + ⟨v, u⟩ + ||v||2
≤ ||u||2 + ||u||||v|| + ||v||||u|| + ||v||2
= ||u||2 + 2||u||||v|| + ||v||2
= (||u|| + ||v||)2 .
Basta extrair a raiz quadrada em ambos os lados para obtermos a desigualdade triangular.
■
Vetores unitários: É todo vetor cuja norma é igual a 1. Note que o vetor (1, 1) ∈ R2 , com
norma usual, não é um vetor unitário, uma vez que sua norma é
p √
||(1, 1)|| = ⟨(1, 1), (1, 1)⟩ = 2 ̸= 1.
Mas existe uma forma de encontrar um vetor unitário a partir do vetor dado. Em geometria
analítica, chamamos esse vetor de versor. Assim, o versor de um vetor qualquer u é o vetor v
dado por:
u
v= .
||u||
No nosso exemplo, o vetor
1
v = √ (1, 1)
2
é unitário.
tem-se que
−||u||||v|| ≤ ⟨u, v⟩ ≤ ||u||||v||.
⟨u, v⟩
cos θ = .
||u||||v||
■ Exemplo 10.8 No caso canônico, ou seja, onde u = (1, 0) e v = (0, 1), temos, pelo produto
interno usual, que
⟨u, v⟩ = ⟨(1, 0), (0, 1)⟩ = 1 · 0 + 0 · 1 = 0.
Temos também que ||u|| = ||v|| = 1. Portanto, calculamos o ângulo de inclinação entre os
vetores u e v:
0 π
cos θ = =0⇒θ = .
1·1 2
Como o ângulo entre os vetores u e v é de 90 graus e eles são unitários, diz-se que o conjunto
formado por eles é ortonormal. ■
⟨A, B⟩
cos θ = .
||A||||B||
Temos,
t
t 0 1 2 3
⟨A, B⟩ = tr(B A) = tr
1 −2 −1 −1
0 1 2 3
= tr
1 −2 −1 −1
−1 −1
= tr = 4.
4 5
10.5 Conjuntos ortogonais e ortonormais 167
A norma da matriz A é
p p
||A|| = ⟨A, A⟩ = tr(At A)
s
2 −1 2 3
= tr
3 −1 −1 −1
s
√
5 7
= tr = 15,
7 10
e a norma da matriz B é
p p q
||B|| = ⟨B, B⟩ = tr(Bt B) = tr(B2 )
s
0 1 0 1
= tr
1 −2 1 −2
s
√
1 −2
= tr = 6.
−2 5
Logo,
⟨A, B⟩ 4 4 4
cos θ = = √ √ = √ ⇒ θ = arccos √ .
||A||||B|| 15 6 3 10 3 10
■
Um conjunto de vetores diz-se ortogonal se todos os seus vetores são dois a dois ortogonais.
Além disso, se tais vetores são unitários diz-se que o conjunto é ortonormal. Em outras
palavras, tome o conjunto de vetores {v1 , · · · , vn }. Se esse conjunto for ortonormal, temos
que todos os vetores são unitários, i.e., ||v1 || = · · · = ||vn || = 1, e os vetores são dois a dois
ortogonais, ou seja,
⟨vi , v j ⟩ = 0, se i ̸= j.
Note que, uma vez que os vetores são unitários, então ⟨vi , vi ⟩ = 1.
Proposição 10.2 Sejam V um espaço euclidiano e U = [u1 , ..., un ] o subespaço gerado por
um conjunto ortonormal S = {u1 , ..., un }. Entao, para qualquer u ∈ U o vetor dado por
Logo, w é ortogonal a v. ■
Portanto, todos os vetores ortogonais ao espaço V são da forma (x, x, −x). De fato, seja
(a, b, c) ∈ V e (x, x, −x), então
x + y − z = 0 =⇒ z = x + y.
Portanto,
U ⊥ = {(x, y, z); z = x + y}.
Note que V = U ⊥ = (V ⊥ )⊥ . ■
170 Capítulo 10. Espaços com produto interno
Proposição 10.4 Sejam V um espaço euclidiano e U = [u1 , ..., un ] o subespaço gerado por
um conjunto ortonormal S = {u1 , ..., un }. Então, para qualquer u ∈ U o vetor dado por
Logo, w é ortogonal a v. ■
Usando a Proposição 10.4, temos um processo para calcular todos os vetores ortogonais
entre si e de norma 1, usando a base {v1 , v2 , · · · , vn } de um espaço euclidiano V . Este processo
é conhecido como o processo de ortonormalização de Gram-Schmidt.
10.7 Processo de ortonornalização de Gram-Schmidt 171
V = {(x, y, z) ∈ R3 : x + y = z}
= {(x, y, x + y) : x, y ∈ R}
= {(x, 0, x) + (0, y, y) : x, y ∈ R}
= {x(1, 0, 1) + y(0, 1, 1) : x, y ∈ R}
= [(1, 0, 1), (0, 1, 1)].
Como os vetores acima são LI, segue que o conjunto {(1, 0, 1), (0, 1, 1)} é uma base para V .
Vamos ortonormalizar esta base. Seja v1 = (1, 0, 1) e v2 = (0, 1, 1). Temos
1 1 1
u1 = (1, 0, 1) = √ , 0, √ .
||(1, 0, 1)|| 2 2
Agora encontramos o vetor u2 . Para isso, vamos calcular o numerador e denominador em
separado:
1 1 1 1 1 1 1
v2 − ⟨v2 , u1 ⟩u1 = (0, 1, 1) − √ √ , 0, √ = (0, 1, 1) − , 0, = − , 1, .
2 2 2 2 2 2 2
10.8 Exercícios
1. A operação definida por
⟨(x1 , x2 , x3 , x4 ), (y1 , y2 , y3 , y4 )⟩ = x1 y1 + x2 y2 + x3 y3 − x4 y4 ,
5. Considere o produto interno de R2 definido como ⟨u, v⟩ = 4x1 x2 +y1 y2 , onde u = (x1 , y1 )
e v = (x2 , y2 ). Mostre que a base β = {(1, 0), (0, 1)} de R2 é ortogonal, mas não é
ortonormal, segundo este produto interno. Em seguida, ortonormalize a base β .
7. Mostre que os vetores v1 = (1, −2, 3, −4), v2 = (2, 1, −4, −3), v3 = (−3, 4, 1, −2) e
v4 = (4, 3, 2, 1) formam uma base ortogonal de R4 com o produto interno euclidiano.
8. Suponha que R3 está munido com o produto interno ⟨u, v⟩ = x1 x2 + 2y1 y2 + 3z1 z2 , onde
u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ). Use o processo de Gram-Schmidt para converter o
conjunto {(2, 1, 1), (1, −1, 1), (0, 2, −1)} em uma base ortonormal.
9. Seja B = {(1, 1, 0), (1, 0, 1), (0, 2, 0)} uma base de R3 . Use o processo de ortonormalização
de Gram-Schmidt para achar uma base ortonormal de R3 , em relação ao produto interno
usual.
10. Considere o espaço euclidiano R3 com o produto interno usual. Decomponha o vetor
u = (5, 4, 2) como uma soma u = v + w, onde v ∈ V = [(1, 0, 1), (1, 1, 1)] e w ∈ V ⊥ .
174 Capítulo 10. Espaços com produto interno
12. Considere o espaço vetorial V=C 0 ([a, b], C) das funçoes contínuas complexas definidas
no intervalo [a, b] ⊆ R. Mostre que
Z b
⟨ f (x), g(x)⟩ = f (x)g(x)dx
a
13. Sejam A e B matrizes do espaço vetorial M2 munido do produto interno ⟨A, B⟩ = tr(Bt A).
Exiba uma base ortonormal de M2 , segundo este produto interno, a partir da base
1 0 1 1 1 0 1 1
, , , .
0 1 0 0 1 1 1 1
15. Seja V ⊂ R3 o subespaço gerado pelo conjunto S = {(1, 0, 1), (1, 1, 0)}.
a. Considerando o produto interno usual, calcule uma base para V ⊥ .
b. Considerando o produto interno definido no Exercício 1, calcule uma base para
V ⊥.
16. Mostre que {1, cos x, cos(2x), cos(3x), · · · } é uma base ortogonal no espaço das funções
contínuas C [0, π] usando o produto interno
Z π
⟨ f , g⟩ = f (x)g(x)dx.
0
18. Seja V = C[a, b] o espaço vetorial das funções contínuas definidas no intervalo fechado
[a, b]. Mostre que ⟨ f , g⟩ = ab f (x)g(x)dx é um produto interno sobre V .
R
19. Considere o espaço vetorial P2 (R). Calcule ||x2 + x + 1|| em relação aos seguintes
produtos internos:
a. ⟨ f , g⟩ = ab f (x)g(x)dx.
R
20. Num espaço vetorial V com produto interno, é verdade que ⟨u, w⟩ = ⟨v, w⟩ =⇒ u = v?
Justifique.
22. Seja V um espaço euclidiano. Mostre que ||u|| = ||v|| ⇐⇒ ⟨u + v, u − v⟩. Esta
propriedade continua válida se V é um espaço hermitiano?
27. Refaça a demonstração da Proposição 10.4 para o caso em que V é um espaço hermitiano.
11. Operadores autoadjuntos e
ortogonais
11.1 Isometria
Definição 11.1 Sejam U e V espaços vetoriais munidos de produto interno. Diz-se que
T : U → V é uma isometria se
para todo u1 , u2 ∈ U.
O resultado a seguir mostra que uma isometria preserva distâncias e que leva base
ortonormal em base ortonormal.
Agora, basta tomar a raiz quadrada em ambos os lados da equação e temos a afirmação.
2 =⇒ 3) Basta observar que
– Se i ̸= j então:
⟨T (ui ), T (u j )⟩ = ⟨ui , u j ⟩ = 0.
– Sendo i = j, temos
⟨u, v⟩ = ⟨a1 u1 + · · · + an un , b1 u1 + · · · + bn un ⟩
* +
n n
= ∑ aiui, ∑ b j u j
i=1 j=1
n n
= ∑ ai ∑ b j ⟨ui, u j ⟩
i=1 j=1
n
= ∑ ai bi .
i=1
Demonstração. Como T é uma isometria, segue que ||u|| = ||T (u)||. Seja u ∈ ker(T ) então
T (u) = 0 o que implica que ||u|| = 0. Assim, u = 0. Logo, T é injetiva pois o núcleo de T é
trivial. ■
11.1 Isometria 179
pois ⟨u, u⟩ = ⟨v, v⟩ = 1 e ⟨u, v⟩ = 0, uma vez que B é uma base ortonormal. Note que,
a2 + c2 = 1 é a norma da primeira coluna da matriz de T , vista como um vetor. Do mesmo
modo, para b2 +d 2 = 1. Assim, os vetores (a, c) e (b, d) são unitários. Além disso, ab+cd = 0
representa o produto interno entre os vetores (a, c) e (b, d). Em outras palavras, esses vetores
são ortogonais.
Note que, se multiplicarmos a transposta da matriz da transformação pela própria matriz,
temos:
2
a + c2 ab + cd
t a c a b 1 0
AA= = = = I2 .
b d c d ab + cd b2 + d 2 0 1
Essa é uma propriedade de todas as matrizes de isometria de um operador linear. Diz-se que
toda matriz com esta propriedade é uma matriz ortogonal. ■
Portanto, é uma isometria. Vejamos se a matriz é diagonalizável. Para isso, calculamos o seu
polinômio característico e encontramos os autovalores:
" 1 #
√1
√ −λ
2
2
− 2 1 1
pA (λ ) = det(A − λ I) = det = √ −λ +
√1 √1 − λ 2 2
2 2
2 1 1 2
= λ 2 − √ λ + + = λ 2 − √ λ + 1.
2 2 2 2
Os zeros de pA (λ ) são
√
√2 + 2i 2+2i
√
2 2 1+i 1−i
λ1 = = = √ e λ2 = √ .
2 2 2 2
11.1 Isometria 181
Neste ponto, já sabemos que a matriz é diagonalizável, pois esta matriz de ordem 2 tem
exatamente dois autovalores distintos. Mesmo assim, como exercício, encontramos os
autovetores associados a estes autovalores.
Para λ1 , temos
" 1 #
√ − 1+i
√ − √1 x 0
(A − λ1 I)v = 0 ⇒ 2 2 2 =
√1 √1 − 1+i
√ y 0
2 2 2
" #
− √i2 − √12 x 0
⇒ =
√1 − 2 √i y 0
2
( i
− √2 x − √12 y = 0
⇒
√1 x − √i y = 0
2 2
⇒ x = iy.
Portanto, Vλ1 = [(i, 1)].
Para λ2 , temos
" #
√1 − 1−i
√ − √12 x 0
(A − λ2 I)v = 0 ⇒ 2 2 =
√1 √1 − 1−i
√ y 0
2
" i # 2 2
√
2
− √12 x 0
⇒ =
√1 √i y 0
2 2
( i 1
√ x− √ y = 0
⇒ 2 2
√1 x + √i y = 0
2 2
⇒ x = −iy
⇒ y = ix
Portanto, Vλ2 = [(1, i)].
Como ma (λi ) = mg (λi ), i = 1, 2 então, confirmamos, que a matriz é diagonalizável. ■
é uma isometria?
Basta verificar se a matriz é ortogonal.
1
√ 0 − √1 √1 0 √1
2 2 2 2 1 0 0
0 1 0 0 1 0 = 0 1 0 .
√1 0 √1 1
− 2 0
√ √1 0 0 1
2 2 2
para todo u, v ∈ U.
■ Exemplo 11.6 Seja T : R2 → R2 dado por T (x, y) = (ax + by, cx + dy). Quais as condições
sobre a, b, c, d de tal modo que T seja um operador autoadjunto?
Sejam u = (x, y), v = (z,t) ∈ R2 e suponha que T é um operador autoadjunto. Então,
Assim, para que ⟨T (u), v⟩ = ⟨u, T (v)⟩, temos que b = c. Note que a matriz de T , em relação à
base canônica, é a matriz definida a partir das relações
λ1 ⟨v1 , v2 ⟩ = ⟨λ1 v1 , v2 ⟩
= ⟨T (v1 ), v2 ⟩
= ⟨v1 , T (v2 )⟩
= ⟨v1 , λ2 v2 ⟩
= λ2 ⟨v1 , v2 ⟩,
1. Seja v = (2, −1, 5) e w = (3, 0, 1), verificamos que ⟨T (v), w⟩ = ⟨v, T (w)⟩. De fato,
Note que
2 1 0
[T ]t = 1 1 1 = [T ].
0 1 −3
Isso mostra que T é autoadjunto, pois [T ] é simétrica. Para que T seja ortogonal,
deveríamos ter que cada linha (ou coluna) de [T ] tem norma igual a 1, o que obviamente
não ocorre, pois tomando a linha 1 (2, 1, 0), tem-se que
p √
||(2, 1, 0)|| = 22 + 12 + 02 = 5 ̸= 1.
Portanto, a matriz [T ] não é ortogonal, pois em uma matriz ortogonal todas as suas
linhas (ou colunas) devem ser unitárias. Logo, T não é ortogonal.
■
Portanto, temos uma infinidade de exemplos de matrizes que são simultaneamente ortogonais
e autoadjuntas. Por exemplo,
cos a 0 0 − sen a
" √ # √1 0 − 2√1
1
− 23 2
√2 0 1 0 0 R 0
, 0 1 0 , ,
− 23 − 21 1 1 0 0 1 0 0 A
− 2 0 − 2
√ √
− sen a 0 0 − cos a
são exemplos de matrizes simultaneamente autoadjuntas e ortogonais.
186 Capítulo 11. Operadores autoadjuntos e ortogonais
11.3 Exercícios
1. Determine se os seguintes operadores são isometrias:
a. T (x, y) = (y, x);
(x + y, x − y);
b. T (x, y) =
x y √x y
c. T (x, y) = √
2
+ 2, 2 − 2 ;
√ √
8.
11.3 Exercícios 187
9.
10.
11.
12.
13.
12. Os Teoremas Espectrais
Demonstração. Seja {v1 , v2 } uma base ortonormal de V . Sabemos que a matriz de T é uma
matriz simétrica
a b
A= .
b c
12.2 Teorema espectral para operadores autoadjuntos 191
Portanto, temos Av1 = av1 + bv2 e Av2 = bv1 + cv2 . O polinômio característico de A é
pA (λ ) = (a − λ )(c − λ ) − b2 = λ 2 − (a + c)λ + ac − b2 ,
de onde
Demonstração. Exercício! ■
Proposição 12.2 O operador T : V → V é normal se, e somente se, ||T (v)|| = ||T ∗ (v)||.
para todo v ∈ V . Portanto, ||T (v)|| = ||T ∗ (v)||. Reciprocamente, temos que
⟨T ∗ ◦ T (v), v⟩ = ⟨T (v), T (v)⟩ = ||T (v)||2 = ||T ∗ (v)||2 = ⟨T ∗ (v), T ∗ (v)⟩ = ⟨T ◦ T ∗ (v), v⟩,
para todo v ∈ V . Portanto, para quaisquer u, w ∈ V temos
⟨T ∗ ◦ T (u + w), u + w⟩ = ⟨T ◦ T ∗ (u + w), u + w⟩.
Daí
⟨T ∗ ◦ T (u), u⟩ + ⟨T ∗ ◦ T (u), w⟩ + ⟨T ∗ ◦ T (w), u⟩ + ⟨T ∗ ◦ T (w), w⟩ =
⟨T ◦ T ∗ (u), u⟩ + ⟨T ◦ T ∗ (u), w⟩ + ⟨T ◦ T ∗ (w), u⟩ + ⟨T ◦ T ∗ (w), w⟩.
Ou seja
⟨T ∗ ◦ T (u), w⟩ + ⟨T ∗ ◦ T (w), u⟩ = ⟨T ◦ T ∗ (u), w⟩ + ⟨T ◦ T ∗ (w), u⟩.
Portanto,
⟨T ∗ ◦ T (u), w⟩ = ⟨T ◦ T ∗ (u), w⟩.
O que implica que
⟨(T ∗ ◦ T − T ◦ T ∗ )(u), w⟩ = 0,
para todo u, w ∈ V . Sendo assim, (T ∗ ◦ T − T ◦ T ∗ )(u) = 0, para todo u ∈ V . Logo, T ∗ ◦ T =
T ◦ T ∗ e isto mostra que T é normal. ■
12.4 Teorema espectral para operadores normais 193
Seja V um espaço vetorial complexo de dimensão finita, munido de produto interno. Sejam
T : V → V um operador normal e α ∈ C. Então as seguintes propriedades são satisfeitas:
1. Seja A a matriz de T , então A − αI é normal.
Demonstração. Temos
⟨(z1 , · · · , zn ), (w1 , · · · , wn )⟩ = z1 w1 + · · · + zn wn .
■ Exemplo 12.3 Vamos conferir o teorema espectral para T : C2 → C2 definido por T (x, y) =
(ix − iy, −ix + iy), cuja matriz em relação à base canônica é
i −i
A= .
−i i
Verificamos se T é normal.
t
i −i i −i
AAt =
−i i −i i
i −i i −i
=
−i i −i i
i −i i −i
=
−i i −i i
i −i −i i
=
−i i i −i
2 −2
= .
−2 2
Como AAt = At A segue que a matriz A é normal e, portanto, T é um operador normal. Logo,
existe uma base ortogonal de C2 formada por autovetores de T , pelo teorema espectral para
operadores normais. Vamos achar essa base.
• Autovalores:
i−λ −i
det = (i − λ )2 − i2 = λ 2 − 2iλ = λ (λ − 2i).
−i i − λ
Para λ2 , temos
−i −i x 0
= =⇒ y = −x.
−i −i y 0
Um autovetor é (1, −1).
Portanto, ⟨(1, 1), (1, −1)⟩ = 0. E isto confirma a aplicação do teorema espectral para
operadores normais.
■
12.5 Exercícios
1. Mostre que se A é uma matriz simétrica real então A é normal. O mesmo vale para
matrizes anti-simétricas?
2. Verifique se
as seguintes matrizes
são normais:
2 + 3i 1
a. A = ;
i 1 + 2i
i i
b. A = ;
i 1
1 + 2i 1 − i 2 3+i
−1 − i 1 + 4i i 2i
c. A = −2
.
i 1 + i −3
−3 + i 2i 3 1 + 3i
4. Mostre que toda matriz hermitiana é normal. O mesmo vale para matrizes anti-hermitianas?
Definição 13.2 — Forma Bilinear. Seja V um espaço vetorial real. Uma forma bilinear é
uma aplicação B : V ×V → R definida por (v, w) 7→ B(v, w) tal que:
1. Para todo w fixado, B(v, w) é uma forma linear em v, i.e.,
para todos v, w ∈ V .
■ Exemplo 13.1 1. Formas lineares:
a. Se V = R2 então a soma de dois números reais
f: R2 → R
(x, y) 7→ x + y
198 Capítulo 13. Formas lineares, bilineares e quadráticas
f: R2 → R
(x, y) 7→ xy.
f (v) + f (w) = x1 y1 + x2 y2 .
B: R×R → R
(x, y) 7→ x + y
B: R×R → R
(x, y) 7→ xy
B(u1 + u2 , v) = ⟨u1 + u2 , v⟩
= ⟨u1 , v⟩ + ⟨u2 , v⟩
= B(u1 , v) + B(u2 , v).
13.1 Formas lineares e bilineares 199
0 1 1 z1
= x1 x2 − x1 y2 + 2y1 y2 + y1 z2 + z1 z2
̸= x1 x2 − x2 y1 + 2y1 y2 + y2 z1 + z1 z2
= B(u, v).
Logo, a forma bilinear não é simétrica.
■
Neste ultimo exemplo, vemos que se temos uma matriz quadrada Mn é possível definir
uma forma bilinear B : V ×V → R tal que B(u, v) = ut Mn v, onde dimV = n.
200 Capítulo 13. Formas lineares, bilineares e quadráticas
v = x1 v1 + · · · + xn vn e w = y1 v1 + · · · + yn vn .
B(v, w) = B(x1 v1 + · · · + xn vn , y1 v1 + · · · + yn vn )
= B(x1 v1 , y1 v1 + · · · + yn vn ) + · · · + B(xn vn , y1 v1 + · · · + yn vn )
= x1 B(v1 , y1 v1 + · · · + yn vn ) + · · · + xn B(vn , y1 v1 + · · · + yn vn )
= x1 (B(v1 , y1 v1 ) + · · · + B(v1 , yn vn )) + · · ·
= x1 y1 B(v1 , v1 ) + · · · + x1 yn B(v1 , vn ) + · · · + xn y1 B(vn , v1 ) + · · · + xn yn B(vn , vn )
n
= ∑ xi y j B(vi , v j )
i, j=1
B(v1 , v1 ) · · · B(v1 , vn ) y1
=
x1
· · · xn .. . . .. .. .
. . . .
B(vn , v1 ) · · · B(vn , vn ) yn
E daí
Logo,
−1 0
B= .
2 5
De modo geral, sendo Q(x, y) = ax2 + bxy + cy2 , temos que a matriz de Q é
b
a 2
[Q] = b .
2 c
Sabemos que
a b c x
Q(x, y, z) = B((x, y, z), (x, y, z)) = x y z b d e y
c e f z
ax + by + cz
= x y z bx + dy + ez
cx + ey + f z
= x(ax + by + cz) + y(bx + dy + ez) + z(cx + ey + f z)
= ax2 + bxy + cxz + bxy + dy2 + eyz + cxz + eyz + f z2
= ax2 + 2bxy + 2cxz + dy2 + 2eyz + f z2
é a expressão geral de uma forma quadrática. Agora, basta comparar as duas expressões.
Temos a = 1, 2b = 0, 2c = 0, d = 2, 2e = 6, f = 2. Logo, a matriz de Q é da forma:
1 0 0
[Q] = 0 2 3 .
0 3 2
A matriz da forma quadrática geral Q(x, y, z) = ax2 + 2bxy + 2cxz + dy2 + 2eyz + f z2 é
a b c
b d e .
c e f
■
Seja Q(v) = B(v, v) uma forma quadrática em V . Existe uma base ortonormal β de V tal
que se
x1
[v]β = ...
xn
são as coordenadas de v em relação à base β então Q(v) = λ1 x12 + · · · + λn xn2 , onde λi são os
autovalores associados a Q.
13.3 Exercícios
1. Seja B : R3 × R3 → R a aplicação definida por
Vetor, 9
angulo entre dois vetores, 165
coordenadas de um, 57
definição, 11
distância, 165
linearmente dependentes, 40
linearmente independentes, 40
norma de um, 163
ortogonais, 167
versor de um, 164
Sobre os autores