Escolar Documentos
Profissional Documentos
Cultura Documentos
Marina Vargas
Marina Vargas
Marina Vargas
IESDE BRASIL
2020
© 2020 – IESDE BRASIL S/A.
É proibida a reprodução, mesmo parcial, por qualquer processo, sem autorização por escrito da autora e do
detentor dos direitos autorais.
Projeto de capa: IESDE BRASIL S/A. Imagem da capa: devotchkah/ENVATO ELEMENTS
Vargas, Marina
Álgebra linear / Marina Vargas. - 1. ed. - Curitiba [PR] : IESDE, 2020.
146 p. : il.
Inclui bibliografia
ISBN 978-85-387-6618-6
2 Espaços vetoriais 32
2.1 Definição de espaços vetoriais 32
2.2 Subespaços vetoriais 36
2.3 Combinação linear 45
2.4 Dependência e independência linear 46
2.5 Base de um espaço vetorial 48
2.6 Posto, nulidade e espaços fundamentais 58
3 Transformações lineares 63
3.1 Transformações do plano no plano 63
3.2 Transformações no ℝn 71
3.3 Núcleo e imagem de uma transformação linear 75
3.4 Matrizes de transformações 83
Figura 1
Sala de aula
marrishuanna/Shutterstock
Para identificar os alunos, o professor pode numerá-los, usando
como referência a linha e a coluna em que esses alunos estão senta-
dos. Dessa forma, o aluno que está logo à frente da mesa do docente
se localiza na linha 1, coluna 1.
Figura 2
Sala de aula numerada por linhas e colunas.
Adaptada de marrishuanna/Shutterstock
10 Álgebra Linear
Definição 1
Chama-se matriz de ordem m por n um quadro de mxn elementos dispostos em m
linhas e n colunas da seguinte forma (LEON, 2019):
a11 a12 a1n
a a a2 n
Amxn 21 22 [a ]
ij mxn
am 1 am 2 amn
a a a
A2x1 11 B2x2 11 12
a21 a21 a22
a11
a
Anx1 21 [aij ]nx1
an1
a11
a22
An [a ]
ij n
amn
a1n
a
An 2 n 1 [a ]
ij n
an1
a11 0 0
0 a22 0
An [aij ]n
0 0 ann
12 Álgebra Linear
•• Quando todos os elementos de uma matriz são iguais a zero,
essa matriz é dita matriz nula e denotada por 0.
•• Uma matriz identidade é aquela em que seus elementos são es-
critos da seguinte forma:
1 para i j
aij
0 para i j
A . A–1 = A–1 . A = I
onde I é a matriz identidade.
Exemplo 3
Matriz triangular superior, quadrada, de ordem 3.
1 6 6
0 1 9
0 0 1
Exemplo 4
Matriz triangular inferior, quadrada, de ordem 3.
1 0 0
6 1 0
8 7 1
Definição 2
Dada uma matriz A = [aij]mxn, pode-se obter uma outra matriz At = [bij]nxm, cujas
linhas são as colunas de A, isto é, bij = aji. Dessa forma, At é denominada trans-
posta de A.
Exemplo 5
2 1
Seja a matriz A B 3 2 . Sua transposta será dada por
2 3 0 0 1
Bt
1 2 1 .
Exemplo 6 1 1 4
Seja a matriz C 1 5 2
4 2 7
.
1 1 4
t
A matriz é simétrica, pois C 1 5 2 , ou seja, C = Ct.
4 2 7
14 Álgebra Linear
têm em comum é, justamente, a possibilidade de resolver um sistema
de equações, no qual a matriz dos coeficientes que forma esse sistema
é uma matriz simétrica. Tal matriz nos permite usar métodos numéri-
cos (ou exatos) com ganho computacional superior ao que teríamos se
usássemos uma matriz qualquer.
Exemplo 7
1 2 4 5
Sejam as matrizes A e B , então:
3 4 6 7
1 4 2 5 5 7
AB
3 6 4 7 9 11 .
Exemplo 8
1 2 4 5
Sejam as matrizes A e B , então:
3 4 6 7
1 4 2 5 3 3
AB
3 6 4 7 3 3 .
Exemplo 9
1 1 3
Seja λ = 3 e uma matriz A 1 , então B A 3 1 3 .
4 4 12
Propriedades
16 Álgebra Linear
1.3.3 Produto entre duas matrizes
Sejam A = [aij ]mxn e B = [brs ]lxp, o produto de A por B é definido como:
AB = [cuv]mxp
Exemplo 10
Vamos efetuar o produto entre as matrizes A1x2 = [–1 1] e
2 1 4 .
B2x3
3 4 3
colunas de A = linhas de B = 2
2 1 4
C1x3 1 1
3 4 3
1 2 1 3 1 1 1 4 1 4 1 3 1 5 1
Propriedades
•• Em geral, AB ≠ BA
•• AB = 0 sem que A = 0 ou B = 0
•• AI = IA = A, onde I é a matriz identidade
•• A(B + C) = AB + AC → distributividade
•• (A + B)C = AC + BC → distributividade
•• (AB)C = A(BC) → distributividade
•• (AB)t = Bt At
•• 0A = A0 = 0
1.4.1 Determinantes
O determinante de uma matriz quadrada é uma função que associa
um escalar a essa matriz. Uma matriz possui inversa quando seu deter-
minante é um escalar diferente de zero.
det A A aij
a a
A 11 12
a a
21 22
18 Álgebra Linear
Figura 3
Determinante de uma matriz de ordem três pela regra de Sarrus
incktoofay/Wikimedia Commons
det A A a11a22a33 a12a23a31 a13a21a32 a13a22a31 a11a23a32 a12a21a33 .
Exemplo 11
2 2 3
a11 a12 a13 a11 a12 a13
Seja A 1 1 3 . Portanto:
2 0 1 a21 a22 a23 =a21 a22 a23 =
a31 a32 a33 a31 a32 a33
a11 a12 a13 a11.a22 .a33 a12 .a23 .a31 a13 .a21.a32
a21 a22 a23 = a11 a12 a13 a11 a12 a13
a31 a32 a33 (a13 .a22 .a31 a11.a23 .a32 a12 .a21.a33 ) a21 a22 a23 =a21 a22 a23 =
a31 a32 a33 a31 a32 a33
−2 2 −3
−1 1 3 = ( 2) 1 ( 1) 2 3 2 ( 3) ( 1) 0 ( 3) 1 2 ( 2) 3 0 2 ( 1) ( 1) 18
2 0 −1
ou
Exemplo 12
Vamos calcular o determinante da matriz de ordem 3, dada
2 2 3
por B 1 1 3 , usando o Teorema de Laplace.
2 0 1
1 2 1 3 22 2 3 32 2 3
det A 1 2 1 1 1 0
2 1 2 1 1 3
det A 2 1 1 2 3 1 2 1 2 3
det A 2 5 8 18
20 Álgebra Linear
•• Se uma linha ou coluna de uma matriz quadrada é a combinação
linear de duas ou mais das linhas ou colunas restantes, seu determi-
nante é zero.
•• Se somarmos uma linha ou coluna à outra que foi multiplicada por
um número, o determinante não será alterado.
•• O determinante do produto de duas matrizes é igual ao produto de
seus determinantes.
•• O determinante de uma matriz triangular superior ou inferior é o
produto dos elementos da diagonal principal.
•• O determinante da matriz identidade I é igual a 1.
Exemplo 13 2 2 3
Seja a matriz A 1 1 3 , queremos calcular seu determi-
2 0 1
nante por meio de uma triangularização. Assim, aplicando opera-
ções elementares, temos:
2 2 3
2 2 3
0 0 9
1 1 3 L3L3 L1 2
2 0 1
L2L2 1L1 0 2 4
2
2 2 3
2 2 3
0 0 9 0 2 4
2 L3L2
0 2 4 9
0 0
2
9
det A ( 2) 2 18
2 .
22 Álgebra Linear
cação e suas operações inversas). A triangularização de matrizes ainda
será utilizada para outros processos, mas já percebemos sua importân-
cia e, por isso, sugerimos que sejam praticadas.
onde Mij representa a matriz que se obtém da matriz original pela elimi-
nação da i-ésima linha e da j-ésima coluna. Então, é possível formar uma
nova matriz, chamada de A, onde A = [Aij]. Essa será a matriz dos cofatores.
adj(A) = A t
Teorema 2
a11x1 a1n xn b1
(1)
a x a x b
m1 1 mn n m
com aij , 1 < i < m, 1 < j < n, números reais ou complexos. Uma solução
do Sistema (1) é uma n–upla de números (x1, ..., xn) que satisfaça simul-
taneamente essas m equações.
Definição 3
Dois sistemas de equações lineares envolvendo as mesmas variáveis são equivalen-
tes se, e somente se, tiverem o mesmo conjunto solução (LEON, 2019).
a11 a1n
A → é a matriz dos coeficientes;
a
m1 amn
x1
X → é a matriz das incógnitas;
x
n
24 Álgebra Linear
b1
B → é a matriz dos termos independentes;
b
m
AX = B
a11 a1n b1
a
m1 amn bm
É comum usarmos as matrizes ampliadas para solucionar os siste-
mas de equações lineares associados. Um dos métodos que pode ser
aplicado, nesse caso, é o método da eliminação gaussiana, mas existem
outras formas de encontrarmos soluções para sistemas de equações
lineares. Veremos mais adiante alguns desses casos.
1 2 0 1
0 2 0 1
0 0 1 0
0 0 0 3
Definição 4
Dois sistemas que possuem matrizes ampliadas equivalentes têm o mesmo conjunto
solução. Dessa forma, podemos dizer que: “desde que os sistemas possuam matri-
zes ampliadas equivalentes, estes podem ser denominados Sistemas Equivalentes”
(LEON, 2019, p. 4, grifo nosso).
Exemplo 14
x1 x2 2
3 x1 2 x2 3
( 13 1
2
2
3 ( x (–3) ~
L2 – 3 x L1 → L2
(10 1
–1
2
–3 (
Exemplo 15
x1 2 x2 3
3 x1 6 x2 9
( 13 2
6
3
9 ( x (–3) ~
L2 – 3 x L1 → L2
(10 2
0
3
0 (
Exemplo 16
x1 2 x2 3
3 x1 6 x2 3
( 13 2
6
3
3 ( x (–3) ~
L2 – 3 x L1 → L2
(10 2
0
3
–6 (
26 Álgebra Linear
Mediante o processo de escalonamento da matriz ampliada, o sis-
tema de equações lineares pode ser resolvido por meio de substitui-
ções regressivas.
x1 x2 2
x2 3
Logo, x2 = 3 e x1 = –1.
Figura 4
x1 x2 2
Sistema de equações
x2 3
eq1
7
eq1: x + y = 2 6
eq2: –y = –3 5
+ 4
3
eq2 Interseção
(–1,3)
–8 –7 –6 –5 –4 –3 –2 –1 0 1 2 3
–1
x1 2 x2 3
x1 2 x2 3
00
Figura 5 x1 2x2 3
Sistema de equações
3x1 6x2 9
16
eq1: x + 2y = 3 14
12
eq2: 3x + 6y = 9
+
10
eq2 4
eq1 2
-8 -6 -4 -2 0 2 4 6 8 10
-2
x1 2 x2 3
0 x1 0 x2 6
Figura 6
x 2x2 3
Sistema de equações 1
3x1 6x2 3
14
12
eq1: x + 2y = 3
10
eq2: 3x + 6y = 3
8
+
6
eq1
4
eq2
2
–8 –6 –4 –2 0 2 4 6 8 10 12 14 16
–2
–4
–6
–8
28 Álgebra Linear
Já no sistema de equações da Figura 6, as equações eq1 e eq2 são pa-
ralelas, o que nos mostra que elas não possuem pontos de intersecção.
Isso significa que o sistema de equações representado no Exemplo 16 não
tem solução.
CONSIDERAÇÕES FINAIS
Chegamos ao fim deste capítulo, no qual foi possível rever alguns con-
ceitos vistos no ensino médio e fundamental, além de aprender algumas
teorias ainda não trabalhadas na educação básica.
O conceito de matriz, assim como os sistemas de equações lineares,
é peça fundamental para as próximas unidades. Dessa forma, caso você
ainda tenha alguma dúvida sobre esse tema, sugerimos que releia este
capítulo. Também recomendamos acesso aos links indicados como com-
plementação do conteúdo e a resolução do máximo de exercícios pos-
síveis sobre o tema. Acreditamos que o tripé teoria, prática e aplicação é
necessário para a boa compreensão de qualquer conceito ou disciplina.
REFERÊNCIAS
BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harbra, 1986.
BRASIL, R. M. L. R. F.; BALTHAZAR, J. M.; GÓIS, W. Métodos numéricos e computacionais na
prática de engenharias e ciências. São Paulo: Blucher, 2015.
CALLIOLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra linear e aplicações. 6. ed. São
Paulo: Atual, 2003.
KOLMAN, B.; HILL, D. R. Álgebra linear com aplicações. 9. ed. Rio de Janeiro: LTC, 2013.
LEON, S. J. Álgebra linear com aplicações. 9. ed. Rio de Janeiro: LTC, 2019.
A Q1BQ
Como Q é invertível, podemos escrever:
Logo:
det A = det B
O que mostra que a semelhança entre duas matrizes quadradas pode ser demonstra-
da com a verificação da igualdade entre seus determinantes.
2. A regra de Sarrus com a repetição das duas primeiras linhas é um processo de cálculo
muito comum. Na verdade, fica a seu cargo montar o esquema com linhas ou colunas.
Para o caso da repetição das duas primeiras linhas, podemos nos basear na seguinte
figura:
Cmglee/Wikimedia Commons
• infinitas soluções (compatível e indeterminado), com a11,a12 ,a13 , a21, a22 , a23 ≠ 0 ,
sendo que precisaríamos traçar uma relação de dependência com alguma das
três variáveis.
x1 x2 x3 2
2 x1 3 x2 x3 4
1 1 1 2 1 1 1 2
x ( 2)
2 3 1 4 L 2 2 x L1 L 2 0 1 1 0
x1 x2 x3 2
(2)
x2 x3 0
30 Álgebra Linear
• Da Equação 2 do Sistema (2), obtemos a variável x2: x2 x3
x1 2 x2 x3 2 x3 x3 2 2 x3
A resposta seria:
x1 2 2 x3
x2 x3
x3 x3
2 2 x3
A solução geral: X = x3
x3
Com isso, obtemos um sistema com infinitas soluções que dependem de X3. Um exem-
plo de um sistema nesse formato que não possui solução pode ser escrito como:
x1 x2 x3 2
2 x1 2 x2 2 x3 5
32 Álgebra Linear
sistema são funções. É importante, nas aplicações, que estas fun-
ções possam ser somadas e multiplicadas por um escalar. Estas
duas operações realizadas em funções possuem propriedades
algébricas que são análogas às operações de soma de vetores
e multiplicação de vetor por um escalar em ℝ3. Por esta razão, o
conjunto de todos os possíveis “sinais que entram” (funções) é
chamado espaço vetorial.
Definição 1
Vetor é um segmento de reta com módulo, direção e sentido.
Força de atrito
Caixa
Superfície
Força
Atrito
Gravidade
Espaços vetoriais 33
A força é uma grandeza vetorial, de modo que podemos somá-la e
multiplicá-la por um escalar, mantendo-a no mesmo espaço de vetores.
Vídeo Uma importante observação é que vetores não precisam ser repre-
sentados, em todos os casos, por meio de flechas, como exemplificamos
Para relembrar mais
propriedades sobre ve- na Figura 1. Eles são objetos matemáticos abstratos, com propriedades
tores, sugerimos o vídeo
particulares, que, em alguns casos, podem ser visualizados por meio de
intitulado Introdução de
vetores para álgebra linear, flechas, mas é preciso cuidado, pois o sentido da flecha altera comple-
publicado pela Khan
tamente sua interpretação.
Academy.
Disponível em: https://pt.khana- Um espaço vetorial real é um conjunto V, não vazio, com duas
cademy.org/math/linear-algebra/ operações:
vectors-and-spaces/vectors/v/
vector-introduction-linear-algebra. •• Soma: VxV V
Acesso em: 4 maio 2020.
•• Multiplicação por escalar: xV →
V
Propriedades
•• (u + v) + w = u + (v + w) → associatividade
•• u + v = v + u → comutatividade
•• ∃! 0 ∈V tal que u 0 0 u u → elemento neutro da adição
•• ∃! – u ∈ V tal que u u 0 → elemento inverso
•• a(u + v) = au + av → distributividade
•• (a + b)v = av + bv → distributividade
•• (ab)v = a(bv) → comutatividade do produto
•• 1u = u → elemento neutro da multiplicação
34 Álgebra Linear
Exemplo 1
Atenção
Exemplo 2
•• Comutativa da adição: x =
y xy
= yx = y x para quais-
quer x, y ∈ V.
•• Elemento neutro da adição: se x ∈ V, como 1∈ V, temos
x =
y xy
= yx = 1
y x = 1x = x.
(Continua)
Espaços vetoriais 35
•• Elemento inverso da adição: se x ∈ V, então x-1 ∈ V. Assim,
x x = x.x
x x xx xx-1 -1
x 1.
= x
•• Distributiva:
x y xy ( xy ) x y x y x y
para quaisquer x, y ∈ V e λ ∈ ℝ.
•• Distributiva:
x x x x x x x x para
quaisquer x ∈ V e λ, µ ∈ ℝ.
•• Comutativa do produto:
x x ( x ) x x x para quais-
quer x ∈ V e λ, µ ∈ ℝ.
Atividade 1
Vimos que um espaço vetorial é assim denominado quando trabalhamos com objetos matemáticos, que não
necessariamente serão vetores, mas que devem respeitar as oito propriedades enunciadas. Tais objetos podem
ser funções, polinômios, matrizes etc.
a a b b c c
Se V = M2, com A 11 12 , B 11 12 , C 11 12 elementos de M2, e sejam α, β ∈ ℝ, a
a21 a22 b21 b22 c21 c22
soma entre dois elementos desse conjunto é dada por
a12 b21 0
A B
0 a
22 b22
e o produto é usual.
Analise se V = M2 é um espaço vetorial e justifique sua resposta.
36 Álgebra Linear
•• para quaisquer u, v ∈ W, tivermos u + v ∈ W;
•• para quaisquer λ ∈ ℝ, u ∈ W, tivermos λ . u ∈ W.
u u •• 0 ∈ W.
Exemplo 3
Solução:
y1 y2 3 x1 3 x2 3 x1 x2
•• (0, 0) ∈ W1, pois é fácil verificar que esse par ordenado satisfaz
0 = 3.0.
Espaços vetoriais 37
Figura 2a Figura 2b
Reta y = 3x e y = 3ax para a ∈ ℝ Subespaço y = 3x
y
B
f (x) = 3x
f: y = 3x f: y = 3x
g
5 6
a = –2
–5 5
4
g(x) = 3.λx
A
g (x) = 3ax 3 4
→ 3 (–2)x
2
3
h(x) = 3(x1 + x2)
A = Ponto(f)
→ (1, 3) 1
2
B = Ponto(g) -2 -1 0 1 2 3 4 5 1
→ (1, 6)
-1
+ -2
1 2 3 4 5 x
-3
-4
Exemplo 4
(Continua)
38 Álgebra Linear
•• Após essa etapa, verificaremos se a multiplicação de um ve-
tor-solução por um escalar continua fazendo parte do con-
junto de vetores-solução.
•• Por fim, analisaremos se o vetor nulo faz parte do conjunto
de vetores-solução. Se as três condições forem verificadas,
podemos dizer que o conjunto de vetores-solução é um su-
bespaço de M3x1.
x1 x2
Sejam y1 e y2 dois vetores-solução e seja λ ∈ ℝ. Então:
z z
1 2
5 4 1 x1 x2 5 4 1 x1 5 4 1 x2 0 0 0
1 1 1 y1 y2 1 1 1 y1 1 1 1 y2 0 0 0
1 3 1 z z 1 3 1 z 1 3 1 z 0 0 0
1 2 1 2
Figura 3
Intersecção entre os planos 5x + 4y + z = 0; –x + y + z = 0; e x + 3y – z = 0
eq1: 5x + 4y + z = 0
eq2: –x + y + z = 0
2,5
eq3: x + 3y – z = 0
2
+
–5
–5 ,5
1,5 –4
–4 ,5
–3
1 ,5
5
–3
4,
–2
5
4
,5
3,
–
3
0,5 – 2
2,
–1 1,5
5
2
1,
–0
1
,5
0,
,5
,5
–0
–1
–1
–2
,5
–2
–0,5
eq2
–1 eq3
–1,5 eq1
Espaços vetoriais 39
Com as oito propriedades de espaço vetorial e as três verificações
necessárias para identificarmos um subespaço vetorial, é possível ana-
lisar diversas aplicações, entre elas as que exemplificamos.
Teorema 1
Demonstração
40 Álgebra Linear
Exemplo 5
Figura 4a Figura 4b
Representação geométrica do subespaço U Representação geométrica do subespaço W
2,5
1,5 5
z=0 4,5
1
5
2 4,5
3,5 4
3 2 0,5
1,5 1 2,5
0
0,5
1,5 1 ,5
2 –0
2,5 –1
,5 –2
–1 –2,5
–2
,5
–2
–3
,5
–3 –4,5
–4 –5
,5 –5,5
–4 5
–
,5
–5
Figura 5
Intersecção entre subespaços
2,5
1,5
1
5
4,5
2 0,5
–2
–2,5
–5
–5,5
Espaços vetoriais 41
Portanto, a intersecção entre U ∩ W é um subespaço vetorial
Teorema 2
Se W1, W2, ..., Wr forem subespaços de um espaço vetorial, então
a intersecção desses subespaços também será um subespaço de V
(ANTON; BUSBY, 2006).
Demonstração
Seja W a intersecção dos subespaços W1, W2, ..., Wr. Como todos
esses subespaços contêm o vetor nulo de V, a intersecção entre eles,
W1 W2 Wr , também contém o vetor nulo de V. Resta-nos ainda
mostrar que as propriedades de adição e multiplicação por escalar
são válidas para W, ou seja, W é fechado na adição e multiplicação por
escalar.
Sejam u e v vetores de W. Como u + v está presente em todos os su-
bespaços W1, ..., Wr, então podemos dizer que u + v está na intersecção
desses subespaços, logo W é fechado para a adição.
O mesmo se dá para a multiplicação por escalar. Como W é a inter-
secção entre W1, ..., Wr e au está em cada um desses subespaços de V,
então au pertence a W1 ∩ ... ∩ Wr, portanto W contém au. Logo, W = W1
∩ ... ∩ Wr é um subespaço vetorial de V. ■
Definição 2
Sejam U e W subespaços de um espaço vetorial V, definimos a soma de U e W como:
U + W = {u + w, u ∈ U e w ∈ W}
Segue de imediato a definição de que as propriedades de comutatividade e exis-
tência de um elemento neutro
para a soma são válidas. Assim, dizemos que
U + V = V + uUe que
uU+ 0 = U.
42 Álgebra Linear
Teorema 3
Demonstração
Observação 1
Proposição 1
Definição 3
Seja V um espaço vetorial e U e W dois subespaços de V, temos que U + W é a soma
direta de U e W seuU∪ Wu ={ 0 }. A notação para soma direta é dada por U ⊕ W
representando U + W.
Teorema 4
Espaços vetoriais 43
Demonstração
Suponha que V U W , isto é, V U W e U W 0 . Então, dado
v ∈ V, existem u ∈ U e w ∈ W satisfazendo v = u + w. Queremos mostrar
que tal decomposição é única.
Solução:
Podemos escrever como
W x , y , z ; z x y
3
x , y , z 0,
0, z x y
x
, y, x y
U U
E como
(Continua)
44 Álgebra Linear
Portanto, temos que encontrar todas as soluções do sistema de
equações lineares dado por:
x 0
y 0 , ou seja, (x, y, z) = u u0) = 0 .
(0, 0,
x y z 0
Logo, U W 0 . Com isso, temos U W V 3 .
Definição 4
Sejam v1, ..., vn elementos de um espaço vetorial V, dizemos que v é uma combina-
ção linear de v1, ..., vn se existirem números reais a1, ..., an, tais que:
v = α1 v1 + ... + αn vn (1)
Exemplo 7
Exemplo 8
Espaços vetoriais 45
Figura 6
Combinação linear entre v1 e v2
y
3v2
v2 = (0,1)
x
– 5v1 v1 = (1,0)
Definição 5
Uma sequência de vetores v1, ..., vn de um espaço vetorial V é linearmente
independente (L.I.) se
1v1 nvn 0 .
E isso só é verdade se 1 n 0 .
Definição 6
Seja um espaço vetorial V e uma sequência de vetores v1, ..., vn de V, dizemos
que essa sequência é linearmente dependente (L.D.) se não for linearmente
independente.
46 Álgebra Linear
De acordo com Leon (2019), a definição de dependência linear para
a sequência v1, ..., vn equivale a dizer que é possível encontrar números
reais a1, ..., an, não todos nulos, tais que 1v1 nvn 0 .
Exemplo 9
O conjunto u u {0} é linearmente dependente. Logo, qual-
unitário
quer n-upla que contenha o vetor nulo também é L.D.
Exemplo 10
1 2 3
A 3 1 6
4 2 1
1 2 3
59
A 0 7 3 1 7 59
59 7
0 0
7
Logo, os vetores u, v e w são linearmente independentes.
Teorema 5
{v1, ..., vn} é L.D. se, e somente se, um desses vetores for combinação
linear dos outros.
Demonstração
Espaços vetoriais 47
1
Então, vj
j
v1 j 1v j 1 j 1v j 1 nvn
e, portanto, 1
vj v1 n vn .
j j
Por outro lado, se tivermos v1, , v j , , vn , tal que, para algum j,
48 Álgebra Linear
Definição 7
Dizemos que um conjunto S ⊂ V é uma base para o espaço V se:
• V = [S]
• S é L.I.
Exemplo 11
Teorema 6
Sejam v1, ..., vn vetores não nulos que geram um espaço vetorial V,
podemos extrair desses vetores uma base de V.
Demonstração
Se v1, ..., vn são L.I., então eles cumprem as condições para uma base,
e não temos mais nada a fazer. Se v1, ..., vn são L.D., então existe uma
combinação linear deles, com algum coeficiente não zero, dando o ve-
tor nulo.
1v1 nvn 0
Espaços vetoriais 49
Teorema 7
Corolário 1
Demonstração
Sejam {v1, ..., vn} e {w1, ..., wm} duas bases de V. Como [v1, ..., vn] = V e
w1, ..., wm são L.I., pelo Teorema 6, m < n.
Por outro lado, como [w1, ..., wm] = V e v1, ..., vn são L.I., ainda pelo
Teorema 6, n < m. Logo, m = n. ■
Teorema 8
50 Álgebra Linear
Demonstração
Sejam dimV = n e v1, ..., vr vetores L.I. (pelo Teorema 6 r < n). Se
v1, , vr V , então v1, , vr forma uma base, e não temos mais
nada a fazer (r = n).
Como não podemos ter mais do que n vetores L.I. em V (pelo Teore-
ma 6), após um número finito de passos, teremos obtido uma base de
V que contém os vetores dados. ■
Corolário 2
Teorema 9
Demonstração
Sejam v1, ..., vm elementos de uma base de (U ∩ W), como esses veto-
res são L.I. e pertencem a U, pelo Teorema 7, existem u1, ..., up ∈ U, tais
que u1, , up , v1, , vm formam uma base de U.
u1, ..., up, w1, ..., wq, v1, ..., vmdim(U W) + dim(U + W) = dimU + dimW (3)
Espaços vetoriais 51
Mostraremos, primeiramente, que eles geram (U + W).
Suponhamos que:
Ou seja,
Logo,
1w1 qwq U W v1, , vm
Como w1, , wq , v1, , vm são L.I., pois formam uma base de W, se-
gue-se que:
1 m 1 q 0
Teorema 10
52 Álgebra Linear
Demonstração
Sabemos que uma base sempre é formada por vetores L.I., por-
tanto podemos escrever os três vetores em forma de matriz, sendo
que cada um deles será um vetor linha dessa matriz. Vídeo
Na sequência, escalonamos a matriz para conseguirmos visuali- Sugerimos que assista ao
vídeo intitulado Combinações
zar quais vetores são linearmente dependentes, caso existam.
lineares, subespaços gerados,
0 1 1 0 1 0 0 2 e bases, publicado pelo canal
3Blue1Brown, o qual traz uma
1 1 1 2 ~ 0 1 1 0 versão geométrica dos conceitos
1 1 1 2 0 0 0 0
da álgebra que nos auxilia no
entendimento do conteúdo
Portanto, os vetores (1,0,0,2) e (0,1,1,0) geram o espaço W, e
deste capítulo.
como eles são L.I., podemos dizer que formam uma base para W.
Disponível em: https://www.
Ainda, conseguimos perceber que W ⊂ 4 , mas não gera ℝ4, youtube.com/watch?v=k7R-
M-ot2NWY. Acesso em: 4 maio
pois W tem dimW = 2, enquanto dimℝ4 = 4. 2020.
Espaços vetoriais 53
Seja V um espaço vetorial finitamente gerado e sejam B e C bases de
V formadas pelos vetores b1, ..., bn e c1, ..., cn, respectivamente. Como B
é uma base, existem aij ∈ ℝ, 1 < i e j < n, tais que:
c1 11b1 n1bn
cn 1nb1 nnbn
11 1n
c1 , , cn
B B
n1 nn
11 1n
MBC
n1 nn
Exemplo 13
Sejam as bases dadas por B 1, 0 , 0, 1
e C 1, 1 , 0, 1 ,
queremos encontrar MBC , ou seja, a matriz de mudança de base.
x2 0 x 0
0,1 x2 1,1 y2 0,1 x y 1
2
2 2 y2 1
Assim,
54 Álgebra Linear
Portanto, a matriz de mudança da base B para a base C é dada por:
1 0
MBC
1 1
Figura 7a Figura 7b
Base B Base C
y y
(1,0) x x
Proposição 2
Vamos entendê-la.
Espaços vetoriais 55
MBC ij , podemos escrever:
n n n n
n n
v xi bi y jc j y j ij bi
i 1 j1ij y j bi
i 1 j 1 j 1 i 1
n
n
pois cj i 1 ij bi , j = 1, ..., n. Como os vetores b1, ..., b2 são L.I., xi ij y j
e i = 1, ..., n. j 1
11 1n y1 x1
n1 nn yn xn
E de maneira simplificada:
vB = MBC vC
Exemplo 14
x1 1 x 1
1, 0 x1 1,1 y1 0,1 x 1
1 y1 0 y1 1
x2 0 x 0
0,1 x2 1,1 y2 0,1 x y 1
2
2 2 y2 1
1 0
Portanto, as matrizes de mudança de base são: MCB e
1 1
1 0
MBC , sendo que esta já foi calculada no exemplo anterior.
1 1
C B
Queremos verificar as relações vB = MB vC e vC = MC vB , portanto
vamos usar as matrizes de mudança de base para encontrar:
•• vB para (–3,5)C
•• vC para (–3,2)B
(Continua)
56 Álgebra Linear
Para a primeira, fazemos:
vB MBC 3, 5
C
1 0 3
v B
1 1 5
3
2
1 0 3
vC
1 1 2
3
Atividade 2
5
Existe relação entre os vetores vB
3, 2 3 1,1 5 0,1 3, 2 e vC? Interprete essa pergunta e
responda com suas palavras.
Proposição 3
Demonstração
n (6)
cj ij bi
i 1
n
dk jk c j
j 1
n
dk ik bi
i 1
Espaços vetoriais 57
Assim,
n n n n n
dk jk c j
jk ij bi
ij jk bi
j 1 j 1 i 1 i 1 j 1
Como b1, ..., bn são L.I., comparando com a última expressão de (6),
obtemos:
n n
ik ikij jk,
ij jk ,
1 i , k1 in, .k n.
j 1 j 1
Proposição 4
Demonstração
B C C
Atividade 3 Pela Preposição 3, temos MBC MCB = MBB e MC MB = MC .
Sejam duas bases dadas por
1,se i j
B = {u1, u2, u3} e C = {v1, v2, v3} B C
Resta mostrar que MB MC I ij , em que ij
relacionadas por meio da regra: 0,casocontrário
i 1
n
uj ijui ,j 1, , n. Como u1, ..., un são L.I., para cada j = 1, ..., n, a única so-
Usando os teoremas da subseção
2.5.2, discuta como podemos 1,se i j
montar uma matriz de mudança lução de cada uma dessas equações é dada por ij
da base B para a base C com 0,casocontrário
essas informações. , ou seja, ij ij , i, j = 1, ..., n, completando a demonstração. ■
58 Álgebra Linear
2.6.1 Espaço linha, espaço coluna e espaço nulo
Seja uma matriz dada por
a11 a1n
Amxn
a
m1 amn
Cada linha da matriz A é um vetor linha de A. O subespaço ℝn gerado
pelos vetores linha é chamado de espaço linha de A e pode ser denota-
do por Lin A.
Definição 8
A dimensão do espaço linha de uma matriz A é chamada de posto de A e denotada
por pA.
A dimensão do espaço nulo de uma matriz A é chamada de nulidade de A e denotada
por Nul(A).
Propriedades
•• Duas matrizes equivalentes geram o mesmo espaço linha.
•• As linhas não nulas da matriz A na sua forma escalonada formam Site
uma base para o espaço linha de A. A sequência de vídeos a seguir,
•• O posto pA de uma matriz A é o número máximo de linhas L.I. de disponíveis na plataforma da
Khan Academy, apresenta
A. Assim, pA = dim (Lin A).
exemplos resolvidos e curiosi-
A mesma ideia é empregada para os espaços coluna. Dessa forma, dades sobre a manipulação de
espaços linha, coluna e espaços
podemos dizer que as colunas da matriz A são vetores coluna. O subes- nulo. Sugerimos a visualização
paço ℝm gerado pelos vetores coluna é chamado de espaço coluna de A dos vídeos e a resolução dos
exercícios indicados.
e denotado por Col A.
Disponível em: https://pt.kha-
O espaço solução do sistema homogêneo de equações Ax = 0, su- nacademy.org/math/linear-
bespaço de ℝn, é o espaço nulo de A. -algebra/vectors-and-spaces/
null-column-space/v/column-s-
Teorema 11 pace-of-a-matrix. Acesso em: 4
maio 2020.
Dada uma matriz A qualquer, o espaço linha e o espaço coluna de A
possuem a mesma dimensão.
Espaços vetoriais 59
Teorema 12
CONSIDERAÇÕES FINAIS
Neste capítulo, trabalhamos com espaços vetoriais, subespaços e suas
propriedades, exemplificando geometricamente alguns casos, principal-
mente quando citamos o ℝ2 e o ℝ3.
Vimos ainda o conceito de dependência entre vetores e geradores, tendo,
na sequência, a definição de base para um espaço vetorial. Poder definir
a base de um espaço nos auxilia na resolução de exercícios e aplicações,
visto que, conhecendo a base de um espaço vetorial, podemos determi-
nar outras características. É com o conceito de base que podemos prosse-
guir e falar em mudança de base e mudança de referencial em problemas
matemáticos e físicos.
Por fim, enunciamos alguns espaços fundamentais, chamados de es-
paço linha, espaço coluna e espaço nulo, conceitos que serão muito utiliza-
dos em outros momentos.
Precisamos ter em mente que todos os conceitos estão interligados.
Álgebra, geometria e mesmo conceitos do cálculo aparecerão em diversas
situações desta obra. Caso você não se sinta confiante com algum deles, su-
gerimos que retome os conteúdos, resolva exercícios e não deixe restarem
dúvidas, pois, assim, podemos prosseguir em nossos estudos sem prejuízo.
REFERÊNCIAS
ANTON, H. A.; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre: Bookman, 2006.
BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harbra, 1986.
CALLIOLI, C. A.; DOMINGUES, H. H; COSTA, R. C. F. Álgebra linear e aplicações. 6. ed. São
Paulo: Atual, 2003.
HIBBELER, R. C. Estática: mecânica para engenharia. 12. ed. São Paulo: Pearson Prentice
Hall, 2011.
LAY, D. C. Álgebra linear e suas aplicações. Rio de Janeiro: LTC, 2013.
LEON, S. J. Álgebra linear com aplicações. 9. ed. Rio de Janeiro: LTC, 2019.
ZANI, S. L. Álgebra linear. São Carlos: Departamento de Matemática/ICMC/USP, 2010.
Disponível em: https://sites.icmc.usp.br/szani/alglin.pdf. Acesso em: 4 maio 2020.
60 Álgebra Linear
GABARITO
a11 a12 b b c11 c12
1. Se V = M2, com A , B 11 12 e C elementos de M2, e sejam α,
a21 a22 b21 b22 c21 c22
• u v w u v w → associativa
• u v v u → comutativa
• ∃! 0 ∈V tal que u 0 0 u u → elemento neutro da adição
• ∃! u V tal que u u 0 → elemento inverso
• a(u + v) = au + av → distributiva
• (a + b)v = av + bv → distributiva
• Associativa:
a a21 0
A B 12
0 a22 b22
a a b c 0 a12 0 0 a12 0
A B C 11 12 12 21
a a
21 22 0 b22 c22 0 a22 b22 c22 0 a22 b22 c22
Espaços vetoriais 61
Sabemos que cada vetor vi da base B pode ser escrito de uma maneira única como
combinação linear dos vetores de C, assim:
v1 11w1 n1wn
vn 1nw1 nnwn
Portanto,
111 1n n 11 1n 1
B
vC MC vB
n1 1 nn n n1 nn n
3. Por meio da análise do sistema de equações que relaciona as duas bases, percebemos
que os elementos da base C estão escritos em função dos elementos da base B, isto é,
escritos como combinações lineares dos elementos de B. Assim, podemos escrever a
matriz de mudança da base B para a base C tomando as coordenadas de cada elemen-
to vi como i-ésima coluna da matriz da forma:
1 1 0
MBC 0 1 1
1 0 1
1 1 0
A matriz de mudança da base C para a base B será a inversa de MBC 0 1 1 .
1 0 1
62 Álgebra Linear
3
Transformações lineares
Uma transformação linear, tópico que será estudado neste ca-
pítulo, é uma função especial, na qual tanto o domínio quanto o
contradomínio são espaços vetoriais reais.
Quando falamos em função, estamos falando também sobre
uma relação entre variáveis, uma regra que associa elementos de
um conjunto a elementos de outro conjunto, sendo que temos
variáveis independentes e dependentes. No caso das transfor-
mações lineares, a variável independente e a variável dependente
serão vetores e, por esse motivo, dizemos que uma transformação
linear pode também ser chamada de função vetorial ou transforma-
ção vetorial.
Para entendermos a regra que associa vetores de um espaço
vetorial a vetores de outro espaço vetorial, precisamos entender o
conceito de matrizes e, talvez, esse seja um dos mais importantes
quando estudamos as transformações lineares.
Como toda função, uma transformação linear pode ser facil-
mente identificada em aplicações físicas, por exemplo: os cálculos
para a movimentação de um braço robótico são feitos com o auxílio
da álgebra linear e, mais especificamente, por meio de matrizes de
rotação e translação, que são tipicamente transformações lineares.
Veremos todos esses conceitos e alguns exemplos de aplica-
ções nas seções a seguir.
Transformações lineares 63
as operações é essencial para que possamos verificar a relação entre
o domínio e a imagem dessa função que estamos chamando de trans-
formação linear.
Definição 1
Sejam U e V dois espaços vetoriais, chamamos de transformação linear e representamos
por
T:U→V
a função que leva vetores de U a vetores de V, de modo que podemos verificar as se-
guintes condições:
i. T (u + v) = T (u) + T (v) para todo u, v ∈ U;
ii. T (λu) = λT (u) para todo u ∈ U e λ∈.2
iii. Como T é uma função, cada vetor u∈ U tem um só vetor imagem v ∈ V deno-
tado por v = T (u).
Figura 1
Transformação linear de elemento de U em V
T:U→V
U V
v1 = T (u1)
u1
v2 = T (u2)
u2
vn = T (un)
un
64 Álgebra Linear
Vejamos exemplos dessa definição:
Exemplo 1
Solução:
Exemplo 2
Solução:
Observação 1
Como
αT (u1) = αT (x1, y1) = α (x1 + y1) = (αx1 + αy1) = T (αu1)
Transformações lineares 65
Dessa forma, temos que toda transformação linear de U em V leva o
Vídeo
elemento neutro de U no elemento neutro de V.
O canal 3Blue1Brown,
criado por Grant San- A ideia de abordar, na primeira seção deste capítulo, as transfor-
derson, tem uma gama
de vídeos de diversas
mações do plano no plano se dá pela possibilidade de visualização
áreas da matemática, geométrica das transformações antes que possamos extrapolar esses
entre elas, álgebra linear.
A principal ideia desse
resultados para o ℝn.
canal é simplificar conteú-
Assim, vamos seguir o exemplo de Boldrini et al. (1986), sempre
dos e problemas difíceis
com algumas mudanças atual, principalmente em áreas como engenharia, que utilizam esses
de perspectiva. Para esta
exemplos como aplicações no seu dia a dia de trabalho.
seção, indicamos o vídeo
Transformações lineares e
Termos como expansão, contração, reflexão, rotação e cisalhamento
matrizes.
são comuns em áreas como engenharias civil, de produto, da computa-
Disponível em: https://www.you-
tube.com/watch?v=kYB8IZa5AuE. ção e tantas outras. Eles são entendidos como processos geométricos,
Acesso em: 4 maio 2020. mas calculados como processos matemáticos. O que todos eles têm
em comum é que seu ponto de partida está nas transformações linea-
res. Vamos entender caso a caso ao longo deste capítulo.
Figura 2
Transformação linear (expansão)
T
y y
T (u) = 3.u
x x
66 Álgebra Linear
Podemos representar essa transformação com o auxílio da repre-
sentação matricial. Dessa forma, temos:
3.1.2 Reflexão
Vamos exemplificar os casos de reflexão por meio de duas situações:
1. Reflexão em torno do eixo x. Assim, seja:
T : 2 2
T x, y x, y
Figura 4
Transformação linear (reflexão em torno do eixo x)
T
y y
x x
T (u)
Transformações lineares 67
Matricialmente:
x x x 1 0 x
ou
y y y 0 1 y
T : 2 2
T x, y x, y
Figura 5
Transformação linear (reflexão em torno da origem)
T
y y
x x
T (u)
Matricialmente:
68 Álgebra Linear
Seja uma transformação que rotaciona um vetor u no sentido anti-
2
-horário por um ângulo fixado θ, temos v = T (u), com u ∈ , portanto,
u = (x, y), em que:
x
cos x r cos
r
y
sin y r sin
r
r é o comprimento do vetor u.
Figura 6
Transformação linear (rotação de um ângulo)
Rθ
u = (x, u)
u = (x, y)
α x α
Matricialmente:
x y 0 1 x
y x 1 0 y
Transformações lineares 69
Figura 7
Rotação para θ =
π
2
Rθ
α x
Uma forma interessante Por meio desses exemplos, percebemos que a manipulação de ima-
de visualizar a rotação no gens pode ser, matematicamente, interpretada como uma transfor-
plano está disponível no
GeoGebra, nos materiais mação linear, sendo que a matriz de transformação direciona a nova
intitulados Rotação, de imagem para novas posições. Vamos entender um pouco mais sobre
Andréia Luisa Fiske e de
Pâmella de Alvarenga esse assunto na sequência.
Souza.
T : 2 2
T x , y x y , y ,
70 Álgebra Linear
3.2 Transformações no n
Proposição 1
Seja U um espaço vetorial com base u1, ..., un. Toda transformação
linear T : U → V fica determinada por T (u1), ..., T (un), ou seja, conhecidos
esses vetores, conhece-se T (u) para qualquer u ∈ U .
Demonstração
Definição 2
Uma transformação linear T : U → V é:
I. injetora, se T (u) = T (v) implicar em u = v;
II. sobrejetora, se para todo v ∈V existir u∈U , tal que T (u) = v;
III. bijetora, se for injetora e sobrejetora.
Proposição 2
Demonstração
Transformações lineares 71
nos referimos a essa transformação como um operador linear. Logo,
um operador linear é uma transformação linear que leva um espaço
vetorial nele mesmo.
Proposição 3
T U , V possui inversa se, e somente se, T é bijetora.
Demonstração
72 Álgebra Linear
Proposição 4
Demonstração
T 1 1v1 2v2 T 1 1T u1 2T u2 T 1 T 1u1 2u2 1u1 2u2
1T 1
v1 2T 1 v2
■
Teorema 1
Demonstração
Adotemos uma base formada pelos vetores {u1, ..., un} para o espaço
vetorial U, e uma base formada pelos vetores {v1, ..., vm} para o espaço
vetorial V.
v sei k
Tij uk j
0 sei k
=
Tij (x1u1 + ... + xnun) + Tij ( y1u1 + ... + ynun)
(3)
Tij x1u1 xnun
Tij x1u1 xnun
xi y j Tij x1u1 xnun
Transformações lineares 73
Dessa forma, mostramos que Tij é uma transformação linear com
as bases e, consequentemente, com suas dimensões anteriormente
predefinidas.
Se ni 1m
j 1aijTij 0 , então para cada
1≤ k ≤ n :
n m m n m m
= α11 T11 (u) + ... + αm1 T1m (u) + ... + α1n T1n (u) + ... +αmn Tnm (u)
Ou seja,
T = α11 T11 + ... + αm1 T1m + ... + α1n T1n + ... + αmn Tnm
74 Álgebra Linear
3.3 Núcleo e imagem de uma
Vídeo transformação linear
Antes de tratarmos dos conceitos de núcleo e imagem de uma trans-
formação linear, vamos relembrar os conceitos de espaço linha e espaço
coluna. De acordo com Leon (2019, p. 144):
se A é uma matriz mxn, cada linha de A é uma n-upla de números
reais e, portanto, pode ser considerada um vetor em 1xn . Os
m vetores correspondentes às linhas de A serão chamados de
vetores linha de A. De maneira similar, cada coluna de A pode
ser considerada um vetor em m , e podemos associar n vetores
coluna à matriz A.
Definição 3
Seja T : U → V uma transformação linear.
i. A imagem de T é o subconjunto Im (T) = X ⊆ U formado por todos os
vetores v = T (u), ou seja: T (x) = {T (x)| x ∈ X} ⊆ V.
ii. Se Y ⊆ V, definimos a imagem inversa de Y por T como sendo o conjunto:
T–1 (Y) = {u ∈ U | T (u) ∈ Y} ⊆ U.
Transformações lineares 75
Figura 8
Imagem de uma transformação linear
T:U→V
U V
Domínio Contradomínio
Imagem
Núcleo
→
ur 0
us
Proposição 5
Demonstração
1. Seja W um subespaço vetorial de U.
Ainda,
→
→
T v1 T v1 .0 0
76 Álgebra Linear
Se x , y T W , então existem u, w ∈ W , tais que x = T (U) e y = T(W). Como
W é um subespaço vetorial, temos que, para qualquer , u w W .
Desse modo:
x y T (u) T (w ) T (u) T (w ) T (u w ) T (W )
Mas T x y T x T y W e, portanto, x y T 1 W . ■
Definição 4
O núcleo de uma transformação linear T : U → V é o subespaço vetorial de U dado
por T-1 ({0}), ou seja, é o conjunto Nul A (v n | Av 0 ) . Denotaremos o nú-
cleo de T por N (T).
Definição 5
O espaço nulo de uma matriz A de ordem mxn é o conjunto definido por
Nul A (v n | Av 0 ) .
Proposição 6
Demonstração
Transformações lineares 77
Exemplo 3
→
Vimos que, se uma transformação linear é injetora, então T (v) = 0.
Por meio do conceito de núcleo, podemos dizer que a recíproca para
essa proposição também é verdadeira, ou seja, se T : U → V é uma
transformação linear, T será injetiva se e somente se N (T) = {0}.
T (x, y, z, t) = (x – y + z + t, x + 2z – t, x + y + 3z –3t)
xy z t 0
x 2z t 0
x y + 3 z 3t 0
A solução para esse sistema é dada por:
Teorema 2
Demonstração
78 Álgebra Linear
Note que, com essa notação, temos dimU = p + q. Resta mostrar que
dimT (U) = q e, para isso, mostraremos que T (v1), ..., T (vq) formam uma
base para T (U).
Como supomos que u1, ..., up, v1, ..., vq formam uma base de U, segue-
-se que 1 p 1 q 0 e, portanto, T (v1), ..., T (vq) são L.I.
e então:
v T u
T 1u1 pup qv1 qvq
1T u1 pT up qT v1 qT vq
qT v1 qT vq
já que u1, , up N T ■
Corolário 1
Transformações lineares 79
Demonstração
•• i. ⇒ ii.
Seja u1, ..., un uma base de U. Por hipótese, T (u1), ..., T (un) formam
uma base de V. Assim, dado v ∈ V , existem 1, , n , tais que
v = α1T (u1) + ... + αnT (un). Desse modo, v = T (α1u1 + ... + αnun), ou seja, T é
sobrejetora. ■
80 Álgebra Linear
Teorema 3
Teorema 4
Exemplo 4
T : 2
x , y T x , y 5x y
Determinar o núcleo dessa transformação.
Solução:
T (x, y) = 5x + y = 0 ⇒ y = –5x
Transformações lineares 81
Exemplo 5
T : 2
x , y T x , y 5x y
Determinar a imagem dessa transformação.
Solução:
5x + y = x (5) + y (1)
Exemplo 6
Seja T : ℝ4 → ℝ3 uma transformação linear dada por
T (x, y, z, t) = (x – y + z + t, x + 2z – t, x + y + 3z –3t)
Queremos calcular a imagem de T.
Solução:
82 Álgebra Linear
3.3.1 Isomorfismo
Temos um isomorfismo de um espaço vetorial V em um espaço ve-
torial W se T : V → W for uma bijeção. Nesse caso, afirmamos que V e W
são isomorfos.
Definição 6
Dois espaços vetoriais de dimensão finita são ditos isomorfos se ambos tiverem a
mesma dimensão. Leitura
Como importante propriedade do isomorfismo, dizemos que se T : V → W é uma Os isomorfismos são
comuns em aplicações
bijeção, ou seja, V e W são isomorfos, então T-1 : W → V corresponde a um isomor- lineares práticas, por
fismo inverso. isso, sugerimos uma
leitura que enriquecerá
seu repertório sobre esse
Exemplo 7 assunto: o estudo Men-
sagens codificadas através
O operador linear de isomorfos, de autoria
de Natham Cândido de
T :2 → R2 Oliveira.
Proposição 7
Transformações lineares 83
Vídeo Agora vamos considerar dois espaços vetoriais, U e V, respectiva-
mente, com dimensões m e n. Sejam, ainda, B = {u1, ..., um} e C = {v1, ..., vn}
Sugerimos como com-
plemento a esta seção o bases de U e V. Temos que um vetor u ∈ U é escrito como
vídeo intitulado Multipli-
cação de matrizes como u = α1u1 + ... + αmum
composição, publicado
pelo canal 3Blue1Brown. ou matricialmente como:
Por meio dele, é possível
interpretar geometri- 1
camente o conceito de
uB 1, , m ou u
composição de matrizes B
e visualizar as trans- m
formações no espaço
tridimensional.
Aplicando uma transformação, T : U → V, teremos
Disponível em: https://www.youtu-
be.com/watch?v=XkY2DOUCWMU. T u T (1u1 mum ) 1v1 nvn
Acesso em: 4 maio 2020.
ou matricialmente:
1
T u 1, , n ouT u
C c
n
Mas T (u) = T (α1u1 + ... + αmum) = α1T (u1) + ... + αmT (um) e T (u1), ..., T (um) são
vetores de V, portanto são combinações lineares dos vetores da base C.
84 Álgebra Linear
Portanto, conseguimos reduzir o estudo de transformações lineares Vídeo
entre espaços de dimensão finita a uma compreensão matricial de fácil A interpretação geomé-
trica pode ser melhor
manipulação. compreendida assistindo
ao vídeo Transformações
Teorema 5 lineares tridimensionais,
também publicado pelo
Sejam U, V e W três espaços vetoriais de dimensão finita, onde canal 3Blue1Brown.
T1 : U → V e T2 : V → W são transformações lineares e A, B e C bases de U,
Disponível em: https://www.youtu-
V e W respectivamente. Então, a função composta de T1 com T2, denota- be.com/watch?v=rHLEWRxRGiM.
Acesso em: 4 maio 2020.
da por T2 T1 : U → W , é linear e:
A B A Atenção
T2 T1 T2 . T1
C C B
O símbolo significa uma
composição de funções
Todos esses conceitos serão necessários para compreendermos (transformações)
uma classe especial de vetores chamada de autovetores. É muito im-
portante que não restem dúvidas e que as restrições pensadas para
uma melhor representação geométrica possam ser expandidas para
espaços de maior dimensão.
CONSIDERAÇÕES FINAIS
A ligação entre as transformações lineares e as operações matriciais
nos auxilia não só nos cálculos, mas na visualização de muitos processos
matemáticos intrínsecos da álgebra linear.
Além disso, as transformações lineares podem ser encontradas em
muitas áreas da engenharia, ciência da computação, entre outras. Por
esse motivo, é importante que possamos entender a fundamentação
matemática que as embasa para que possamos aplicá-las corretamente
quando houver a necessidade.
Assim, todas as sugestões de leitura, vídeos e atividades computacionais
servirão para enriquecer seu conhecimento sobre o assunto. Ótimo estudo!
REFERÊNCIAS
ANTON, H. A; BUSBY, R. C. Álgebra linear contemporânea. Porto Alegre: Bookman, 2006.
BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harbra, 1986.
LEON, S. J. Álgebra linear com aplicações. 9. ed. Rio de Janeiro: LTC, 2019.
MISTURINI, R. Transformações lineares no plano. GeoGebra, 2020. Disponível em: https://
www.geogebra.org/m/BUXHgkwq. Acesso em: 4 maio 2020.
Transformações lineares 85
GABARITO
1. Para α = 1 em:
A : 2 2
A x , y x y , y ,
1 1
teremos um cisalhamento com matriz de transformação dada por A 0 1 e repre-
sentação geométrica da forma:
a=1
1 1
A=
1.5 0 1
b=1
c=0 det A = 1
1
d=1
0.5
1 1
Já para α = –1, a matriz de transformação será dada por A 0 1 e a representação
geométrica dada por:
a=1
1 –1
A=
b = –1 1.5 0 1
c=0
det A = 1
1
d=1
0.5
86 Álgebra Linear
4
Operadores e matrizes
diagonalizáveis
O tema operadores lineares talvez seja a parte mais interessan-
te da álgebra linear. Não é difícil pensar dessa forma, porque po-
demos enunciar aplicações desses operadores nas mais diversas
áreas do conhecimento. Isso acaba trazendo um grau de com-
preensão sobre o assunto que facilita sua aprendizagem.
Contudo, para entender conceitos como autovalores e autove-
tores, é necessário que outros anteriormente vistos estejam bem
consolidados, como os sistemas lineares, os determinantes, as
transformações lineares e as mudanças de base. Indicaremos
materiais ao longo do texto para que esses conteúdos possam
ser reforçados.
Neste capítulo, trataremos da teoria que envolve os opera-
dores lineares e as matrizes diagonalizáveis, mas também tere-
mos uma seção especialmente planejada para que possamos
aplicar esses conceitos.
4.1 Operadores
Vídeo As transformações lineares são funções que levam elementos (os
quais chamamos de vetores) de um espaço vetorial a outro com base
em uma regra previamente determinada. Entendê-las, assim como as
matrizes de transformação e mudanças de base, é essencial para que
possamos dominar o conteúdo deste capítulo.
B
2
1,5
1 v
0,5
u A
0 0,5 1 1,5 1 2,5 3
88 Álgebra Linear
O que essa matriz faz a um determinado vetor w e como podemos
pensar na reta gerada por esse vetor? Vejamos na figura a seguir.
Figura 2
Vetor w = (1,0.3)
2 B
1,5
1 v
E
0,5
C
w
D u A
0 0,5 1 1,5 2 2,5 3 3,5
1,6
1,4
1,2
F v
1
0,8
0,6
v1
0,4
C
0,2 w
D
–1 –0,8 –0,6 –0,4 –0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4
Definição 1
Seja uma transformação linear tal que Tv = λv. Encontrar os autovalores e autove-
tores dela nada mais é do que encontrar os vetores v, sendo v ≠ 0, associados aos
valores λ que satisfazem Tv = λv.
90 Álgebra Linear
De acordo com Zani (2010, p. 128, grifos do original), formalmente
escrevemos:
Definição 9.1 Sejam U um espaço vetorial e T ∈ L (U). Dizemos
que um vetor não nulo u ∈ U é um autovetor de T se existir λ ∈
tal que T (u) = λu.
[...]
Definição 9.3 Sejam U um espaço vetorial, T ∈ L (U) e u um auto-
vetor de T. O número λ, tal que T(u) = λu é chamado de autovalor
de T associado ao autovetor u.
Tv = (λI)v
det (T – Iλ) = 0
Exemplo 1
3 1
Suponha T , uma matriz de transformação linear aplicada
0 2
sobre um espaço bidimensional cartesiano. Então:
3 1
Tv v v v
0 2
Portanto:
3 1 1 0
v 0
0 2 0 1
(Continua)
Operadores e matrizes diagonalizáveis 91
Logo:
3 1 0
v
0 2 0
Como v ≠ 0, então:
3 1
det 0
0 2
Assim:
3 1
det pr ( ) 0
0 2
pT 3 2 0
Para λ2 = 2, fazemos:
3 2 1 0 1 1 x 0
v2
0 2 2 0 0 0 y 0
92 Álgebra Linear
A partir desse ponto, podemos seguir com algumas definições Vídeo
formais.
Essa explicação pode ser
revista por meio do vídeo
Autovetores e Autovalores,
Definição 2 publicado pelo canal
3Blue1Brown.
O subespaço V (λ) = {u ∈ U; T (u) = λu} = N (T – λI) é chamado de subespaço
próprio associado ao autovalor λ desde que U seja um espaço vetorial, T ∈ L (U) e λ Disponível em:https://youtu.be/
PFDu9oVAE-g. Acesso em: 4 maio
um autovalor de T. Nesse caso, I : U → U a uma matriz identidade. 2020.
Proposição 1 Atividade 1
Assumiremos que U é um espaço vetorial de dimensão finita. Nessas Sejam U um espaço vetorial de
condições, podemos supor que T em L (U) possui n autovetores u1,..., un dimensão finita e T em L (U).
associados a n autovalores λ1,..., λn, respectivamente. Verificando que os Definimos uma matriz de trans-
formação para esse espaço
n autovalores são distintos dois a dois, ou seja, λi ≠ λj, quando i ≠ j, então
dada por
podemos dizer que os autovetores associados u1,...,un são linearmente
1 0 0
independentes. A 0 1 0
0 0 1
Segundo Lima (2003, p. 148), “autovalores diferentes do mesmo
operador correspondem autovetores linearmente independentes”. Sem utilizar muitos cálculos,
descreva quais são os autoveto-
Demonstração res e os autovalores associados a
esses autovetores de T.
Vamos supor um espaço bidimensional. Provaremos que dois au-
tovalores λ1 e λ2, tal que λ1 ≠ λ2, são associados respectivamente a dois
autovetores u1 e u2 linearmente independentes. Após essa etapa, pode-
mos usar a indução matemática para demonstrar essa proposição para
espaços de dimensão n.
Então T (u1) = T (a2 u2 + ... +an un) = a2 T (u2) + ... anT (un)
λ1 u1 = a2 λ2 u2 + ... + an λn un (2)
Das Equações 1 e 2, resulta que 0 = a2 (λ2 – λ1) u2 + ... + an (λn – λ1) un,
a2 = ... = an
Proposição 2
Demonstração
94 Álgebra Linear
Assim, primeiramente, mostraremos que V (λ1) ∩ V (λ2) = {0}
mas também pode ser escrito como a combinação linear dos vetores
da base V (λ2), ou seja,
u = a1(1) v1(1) + ... + am1(1) vm1(1) = a1(2) v1(2) + ... + am2(2) vm2(2) (3)
T (u) = a1(1) T (v1(1)) + ... + am1(1) T (vm1(1)) = a1(2) T (v1(2)) + … + am2(2) T (vm2(2))
ou seja
e como λ1 ≠ λ2, resulta que a1(2) = ... = am2(2) = 0. Segue-se da Equação 1 que
u = 0.
podemos usar, para cada j = 1,..., n, uma base Bj de V (λj) formada por
vetores v1 (j),..., vmj (j). Cada vi (j) é um autovetor associado ao autovalor
λj. Portanto, se:
j j
u 1 v1 m vm
j j
j j
(5)
1
u v
j 1v j 1 j 1v j 1 nv n
1 1 m j 1 m j 1 1 1 mn mn
Isto é,
j j j j
1 j v1 m j vm 11v1 m
1 j 1 v j 1 j 1 v j 1 n v n
j 1 m 1 j 1 1 m n m (6)
j j j 1 j 1 n n
1 m j
j 1m 1 j 1 j 1
j 1 m
1 v 1 j 1 v j 1 j 1 v j 1 n v n 0
1 j 1 j 1 n j m n
n
96 Álgebra Linear
Definição 3
Sejam U um espaço vetorial de dimensão finita e T em L (U) uma transformação linear
com [T] є Mnxn. Definimos o polinômio característico de T como sendo o determinante
pT(λ) = det (T – λI)
em que I é a matriz identidade de ordem n.
Definição 4
Seja T : U → U um operador linear e A e B bases de U. Ainda, sejam [T]A, [T]B ∈
Mnxn matrizes que representam o operador T nas bases A e B. Assim, dizemos que
[T]A e [T]B são semelhantes se existir M є Mnxn inversível, tal que [T]A = M–1[T]BM
(STEINBRUCH; WINTERLE, 1995).
Pelo conceito de matriz de uma transformação linear, M é a matriz de mudança de
base de B para A, que também pode ser denotada por M A .
B
pT
A
det T A det(M 1 T B M M 1 M
pT
A
det M 1 T B M M det M 1 T B M
pT det M 1 det T B det M det1M det T B det M
A
pT
A
det T B pB
■
pT p[T ]
B
Demonstração
Tu = λu = (T – λI) (u) = 0
Definição 5
A multiplicidade algébrica de um autovalor λ de T ∈ L (U) é a multiplicidade de λ
como raiz do polinômio característico de T.
Proposição 4
Demonstração
98 Álgebra Linear
0 0
0 0 Arx nr
0 0 rxr
0 nr xr B nr x nr
nxn
a11 0
Amxn
0 a
mn
1 0
T
0
n
Teorema 2
U V 1 V n Atenção
4.4 Aplicações
Vídeo Nesta seção, vamos trazer alguns problemas bem interessantes que
sugerem a aplicação do conteúdo deste capítulo. Alguns serão apenas
para mostrar a necessidade da utilização dos conceitos e outros serão
resolvidos.
2 2
Aplicação 1 : cadeias de Markov como introdução a auto-
Nossa primeira aplicação foi valores e autovetores
extraída e adaptada do material
de Álgebra linear do REAMAT Vamos pensar em um modelo simples de atendimento de
(Recursos Educacionais Abertos
internet no qual, para um determinado país, existem apenas
de Matemática) da Universidade
Federal do Rio Grande do Sul, duas empresas que chamaremos de empresa A e empresa B.
sob a supervisão dos pesqui- As pessoas que utilizam esse tipo de produto podem optar por
sadores Diego Farias, Fábio de
qualquer uma dessas duas empresas e podem mudar de opção
Azevedo, Pedro Konzen e Rafael
Souza. sempre que desejarem.
Disponível em: https://www.ufrgs. Vamos supor que uma pessoa que escolha a empresa A no
br/reamat/AlgebraLinear/livro/ dia de hoje tem uma chance de 30% de estar usando a empresa
s11-cadeias_de_markov_como_
introdux00e7x00e3o_a_autova- B daqui a um ano, enquanto uma pessoa que usa a empresa B
lores_e_autovetores.html. Acesso no dia de hoje pode mudar de opção e passar a usar a empresa
em: 4 maio 2020.
A após um ano, com chance de 20%.
0, 7 0, 2
T
0, 3 0, 8
Aplicação 2
3
3
Seja uma viga em que uma força é aplicada a um de seus extremos, Aplicação baseada em Leon
ela sofrerá uma flexão quando a força atingir um determinado valor (2019).
2 1 0 0 0
1 2 1 0 0
0 1 2 0 0
A
0 0 0 2 1
0 0 0 1 2
CONSIDERAÇÕES FINAIS
Neste capítulo, percebemos a importância dos operadores e matrizes
diagonalizáveis para que possamos trabalhar não só com uma categoria
especial de vetores e de operadores lineares, mas também para que seja
possível aplicá-los em problemas de outras áreas do conhecimento. O es-
tudo dos operadores, principalmente dos autovalores e autovetores, nos
permite realizar novas análises sobre conteúdos já estudados.
Sugerimos que conceitos anteriormente vistos sejam relidos com esse
novo olhar e esperamos que novas conclusões possam ser retiradas a
esse respeito com a visão da diagonalização de matrizes, de bases de au-
tovetores, e de todos os conteúdos envolvidos neste capítulo.
REFERÊNCIAS
LEON, S. J. Álgebra linear com aplicações. 9. ed. Rio de Janeiro: LTC, 2019.
LIMA, E. L. Álgebra linear. 7. ed. Rio de Janeiro: IMPA, 2003.
STEINBRUCH, A.; WINTERLE, P. Álgebra linear. São Paulo: Pearson Education do Brasil, 1995.
ZANI, S. L. Álgebra linear. São Carlos: Departamento de Matemática/ICMC/USP, 2010.
Disponível em: https://sites.icmc.usp.br/szani/alglin.pdf. Acesso em: 4 maio 2020.
Ainda, por ser uma matriz identidade, ao substituirmos esses autovalores na procura
de seus autovetores associados, encontraremos um sistema da forma
0 x1 0 x2 0 x3 0
0 x1 0 x2 0 x3 0
0 x 0 x 0 x 0
1 2 3
x1
Portanto, a solução é dada por X x2 .
x
3
1 0 0
Um sistema básico de soluções é dado por x1 0 x2 1 x3 0
0 0 1
1
Fazendo x1 = 1, x2 = 0, x3 = 0, encontramos v1 0
0
0
Fazendo x1 = 0, x2 = 1, x3 = 0, encontramos v1 1
0
0
Fazendo x1 = 0, x2 = 0, x3 = 1, encontramos v1 0
1
2. Sabemos que os autovalores de A são dados por λ1 = λ2 = λ3 = 1 e que uma matriz diago-
nalizável D carrega esses autovalores em sua diagonal principal. Além disso, podemos
escrever A = PDP–1 Então, a matriz D será escrita como:
1 0 0
D 0 1 0
0 0 1
e
1 0 0
P 1 0 1 0
0 0 1
Definição 1
Seja um espaço vetorial v. O produto interno ou escalar de dois vetores u e v de V,
com u ≠ 0 e v ≠ 0, é uma aplicação que gera um número real (escalar) tal que
u v u v cos
em que θ é a medida do ângulo formado entre os vetores u e v.
Exemplo 1
pn t , qn t , kn t Pn .
1
pn .qn 0 pn t qn t dt
Vamos verificar.
•• Comutatividade:
1 1
pn t qn t pn t qn t dt qn t pn t dt qn t pn t
0 0
•• Associatividade, k є ℝ:
1 1
k pn t qn t k pn t qn t dt kpn t qn t dt
0 0
1
pn (t )[kqn (t )] dt pn t kqn t
0
•• Distributividade:
pn t qn t kn t
1 1
( pn (t ) qn (t ))kn (t )dt (pn (t )kn (t ) qn (t )kn (t ))dt
0 0
•• Positividade, pn t 0 :
1 1
2
pn t pn t pn t pn t dt pn t 0
0 0
se verifica?
5.1.3 Norma e distância de um espaço euclidiano
A norma de um vetor u pode ser calculada por meio do produto in-
terno, pois: u u u u cos0o u 2 0 , então u u u .
Definição 2
Seja u ≠ 0 . O versor de u é um vetor unitário de mesma direção e sentido de u:
u
vers u =
u
1
Portanto, qualquer vetor, desde que não seja nulo , pode ser nor-
1 malizado, isto é, pode ter seu versor calculado.
Um vetor nulo é aquele cujo Para falarmos em distância, vamos supor dois pontos,
segmento de reta que o repre-
A x1, y1 ,B x2 , y2 , pertencentes ao espaço V = O segmento de2.
senta tem medida igual a zero.
Para diferenciá-lo do número reta orientado AB pode ser chamado de vetor. Assim, vamos assumir
zero, traremos sua notação que u = AB . Para calcularmos a distância entre esses dois pontos e, con-
em negrito.
sequentemente, o tamanho (norma) do vetor u, basta fazermos:
d A, B x2 x12 y2 y12
2
2 2
d A, B u x2 x1 y2 y1
Definição 3
Sejam os pontos A = (x1,x2, ..., xn) e B = (y1, y2, ..., yn) pertencentes a ℝ , a distância
n
d A, B w y1 x1 2 y2 x2 2 ... yn x n 2
Quando não temos os pontos que dão origem a esse vetor, geo-
metricamente, deslocamos o ponto inicial para a origem. Dessa forma,
teríamos a figura a seguir.
y1
O x1 x
0 u kv 2 u kv u kv u u u kv kv u kv kv
u k u v k v u k 2 v u 2k u v k 2 v .
duto interno entre dois vetores às suas distâncias. Disponível em: https://pt.khana-
cademy.org/math/linear-algebra/
vectors-and-spaces/dot-cross-
Exemplo 4
-products/v/linear-algebra-vector-
-triangle-inequality. Acesso em: 4
Seja o espaço das funções reais contínuas, no intervalo de a até
maio 2020.
b, c [a, b]; tal que f , g C [a ,b]; , o produto interno é dado
a
por f g b f x g x dx . A desigualdade triangular aplicada nes- Livro
se caso nos permite escrever: Na literatura especializa-
da em métodos numéri-
2
b b
2
b
2 cos, encontramos vários
f x g x dx f x dx g x dx
métodos que dependem
de polinômios que sejam
a a a
ortogonais, ou seja,
que respeitem a teoria
Mediante esse resultado, é possível escrever o corolário a seguir, abordada neste capítulo.
Interessou-se sobre o
conhecido como desigualdade triangular. assunto? Então sugeri-
mos a leitura da Seção
Corolário 1
“Polinômios ortogonais
clássicos”, do Capítulo 5
Se u, v ∈ V e V é um espaço vetorial euclidiano, então:
do livro Álgebra linear com
u v u v para qualquer u, v ∈ V . aplicações.
Definição 4
Seja um espaço vetorial euclidiano V, com u, v є V . Os vetores u e v são ortogonais
se, e somente se, u . v = 0, e denotamos por u ⊥ v .
Um conjunto de vetores B u1 ,u2 ,,un V é chamado de ortonormal se to-
dos os seus vetores forem unitários e ortogonais, dois a dois, entre si.
Um exemplo clássico desse caso é um conjunto de vetores canônicos, por exemplo,
os vetores canônicos do 3.
Exemplo 5
Seja B 1,0,0 , 0,1,0 , 0,0,1 V uma base canônica, te-
3
Logo:
1 0
Assim, a Equação 1 pode ser escrita como:
2u2 nun 0
Repetindo esse processo n vezes, encontraremos 1 2 n 0.
Portanto os vetores de B ' u1, , un V são L.I., e como eles geram V,
podemos dizer que formam uma base para V. ■
Exemplo 7
até b, ij 1, se i j
0 , se i j , tal que
b
f , g C a , b ; , e o produto inter-
2 2
(sin2 x )
sin x cos x sin x cos xdx
2
0
0 0
Definição 5
O subespaço U ⊥ , definido conforme acabamos de ver, é chamado de complemento
ortogonal de U.
Proposição 3
Demonstração
n
Vamos supor que existe x ∈ U , tal que x j 1 j u j . Para verificar
a ortogonalidade, precisamos calcular o produto interno entre x e v e
verificar se o resultado é igual a zero, isto é, x v 0.
n n
Assim, temos que verificar j 1 a j u j v j 1 a j (u j v) = 0 .
Portanto, se conseguirmos mostrar (u j ⋅ v) = 0, podemos concluir que
n
j 1 a j (u j v ) 0 . Como u , ..., u
1 n
formam um conjunto ortonormal,
então:
u j u u u1 u j u1 u un u j un
4 u j u u u j u j u j u j u u u j 0
Carrega os nomes de Jorgen
Pedersen Gram (Dinamarca, Portanto, (u j v ) 0, o que nos permite concluir que v ⊥ U . ■
1850-1916) e de Erhard Schmidt
(Alemanha, 1876-1959). Proposição 4
y
v=x+y
u projuv
proju v u v u u v u projuv u v
O que encontramos após essa manipulação pode ser traduzido da
seguinte maneira: o produto escalar, em módulo, entre os vetores u
e v, é igual ao tamanho da projeção do vetor v na direção do versor u.
Definição 6
“Seja W subespaço de um espaço vetorial V. Uma projeção de um vetor w є W em
W ⊥ é uma projeção ortogonal de v em W”.
Teorema 1
Definição 7
Se um vetor w ∈V é uma combinação linear de um conjunto ortogonal v1 ,,v n
de dimensão finita, em que vi 0, i 1,, n, ou seja, w a 1 v1 an v n ,
os coeficientes αi dessa combinação podem ser escritos como:
w v
ai i
v i v i
Nesse caso, os coeficientes ai são conhecidos como coeficientes de Fourier
(HALLACK, 2017).
Demonstração
Figura 4
v1' ortogonal a v'2
v2
v2'
v1' = v1
– cv1 cv1
Fonte: Elaborada pela autora.
Inicialmente, definimos:
v1' = v1
v2 v1'
v2' v2 v1'
v1' v1'
v2 v1'
v1' dada por proj ' v2 v1' . Dessa forma, podemos escrever que:
v1 v1' v1'
'
v v
v1, v2 v1' , v2' e v1' v2' v2 .v1' 2 1 v1' v1' 0
v1' v1'
' '
Assim, temos que v1 é ortogonal a v2 , e v1' , v2' é uma base or-
togonal para o espaço gerado por {v1, v2 } .
Fazendo v v 0, temos:
' '
O símbolo ⇔ que dizer “se, e 1 3
somente se”.
v v 0 v dv ev v 0
'
3
'
1 3
'
2
'
1
'
1
v v 0 v v d v v e v v 0
'
3
'
1 3
'
1
'
2
'
1
'
1
'
1
e
v3 v1 '
v1' v1'
Fazendo v3' v2' 0, temos:
Vídeo v v 0 v dv ev v 0
'
3
'
2 3
'
2
'
1
'
2
https://pt.khanacademy.org/math/
v3' v3
v '
3 v2 v v v v .
' 3
'
1 '
linear-algebra/alternate-bases/ 2 1
v2' v2' v1' v1'
orthonormal-basis/v/linear-
algebra-gram-schmidt-process-
example. Acesso em: 24 abr. 2020.
Uma importante observação é a de que os coeficientes d e e já são
nossos conhecidos, pois são os mesmos coeficientes encontrados na
https://pt.khanacademy.org/math/
linear-algebra/alternate-bases/
Definição 6, portanto, são coeficientes de Fourier.
orthonormal-basis/v/linear-
Segundo Boldrini et al. (1986, p. 232), é possível prolongar o algo-
algebra-gram-schmidt-example-
with-3-basis-vectors. Acesso em: ritmo para encontrarmos uma base ortogonal β’, a partir de uma base
24 abr. 2020.
qualquer β, com dimensão finita. Para isso, podemos escrever:
■
Com isso, temos um algoritmo que nos permite transformar uma
base de um espaço vetorial em uma base ortogonal para esse espaço.
O processo de normalização de vetores já foi visto nas seções ante-
riores, portanto, se queremos uma base ortonormal, basta calcular os
versores desses vetores da base β’, assim obteremos uma base orto-
normal para o espaço em questão.
5.4.1 Isometria
Definição 8
Seja V um espaço vetorial de dimensão finita com produto interno. Se um operador
linear é tal que T u u ,uV , então esse operador é denominado orto-
gonal sobre V, ou simplesmente chamado de isometria.
Teorema 2
Vídeo Em um espaço vetorial euclidiano com dimensão finita, a matriz de
Quando tratamos de um operador representando uma isometria tem determinante ±1.
operadores, automati-
camente estamos tra- Demonstração
tando de uma matriz de
transformação. Entender Se o determinante do operador for diferente de ±1, ele modifica a
como se comportam as
norma de vetores e, portanto, muda a distância da origem até o vetor.
matrizes ortogonais é
de extrema importância ■
para a compreensão
desse conceito. Por isso, Facilmente nota-se que uma isometria com determinante positivo é
sugerimos que assista ao uma rotação própria. Já uma isometria com determinante negativo é
vídeo As matrizes ortogo-
nais preservam ângulos e uma rotação imprópria, ou seja, uma rotação que muda a orientação
comprimentos. de um conjunto de vetores. Rotações, reflexões e translações são iso-
Disponível em: https:// metrias, pois preservam as distâncias entre os vetores.
pt.khanacademy.org/math/
linear-algebra/alternate-bases/ Uma propriedade que se destaca em um operador ortogonal é a de
orthonormal-basis/v/lin-alg-
orthogonal-matrices-preserve- que, seja T V , então:
angles-and-lengths? 1 t
v=yDwIfYjKEeo. Acesso em: 4 T T
maio 2020.
que é facilmente verificada, pois se:
T u u ,u V ,
então:
Atividade 3 T u T u u u .
t t t t
mo? Explique. T u T u T u T u u T T u
Teorema 3
Demonstração
Seja u, v ∈ V . Assim, T u T v u v .
T
matriz T
t *
, ou seja, é uma matriz simétrica.
CONSIDERAÇÕES FINAIS
Espaços com produto interno são muito comuns em aplicações da físi-
ca e da engenharia. Além disso, são uma ponte entre a álgebra e a geome-
tria euclidiana, pois conseguimos utilizar os conceitos da geometria para
interpretar os conceitos da álgebra linear.
Transformações que preservam o produto interno também têm re-
lação direta com autovalores e autovetores. Esse conceito vai um pouco
além do que estudamos neste capítulo, mas já pode ser percebido em al-
guns trechos do texto, como no caso em que relacionamos os autovalores
às matrizes simétricas.
Além disso, a possibilidade de ortonormalizar uma base de um espa-
ço vetorial faz com que possamos usar todas essas propriedades, que
facilitam algumas interpretações sobre o espaço e suas relações com
outros espaços.
Sugerimos que todos os vídeos indicados neste livro sejam assistidos
e as atividades de leitura sejam realizadas para complementar seu conhe-
cimento sobre o assunto. Bons estudos!
GABARITO
1. Assim como foi realizado em outros exemplos, para que possamos con-
ferir se o espaço das matrizes quadradas com produto interno dado por
i 1 j 1 aij bij tr At B é verificado, precisamos analisar as propriedades
n n
Anxn Bnxn
de comutatividade, associatividade, distributividade e positividade.
• Comutatividade ou simetria:
n n n n
tr B t A A.B aij bij bijaij B .A tr At B
i 1 j 1 j 1 i 1
t t
Portanto, temos que: tr A B tr B A .
Ainda poderíamos mostrar que tr AB tr BA , para matrizes quadradas de mesma
dimensão.
i 1 j 1 i 1 j 1
n n
aij ( bij cij )
i 1 j 1
n n n n n n
aij bij aijcij aij bij aijcij A B A C
i 1 j 1 i 1 j 1 i 1 j 1
tr ( At B ) tr ( AtC )
2. Quando temos um conjunto de vetores que não está normalizado, não podemos usá-
-lo como padrão referencial em aplicações do mundo físico, por exemplo. Ao norma-
lizá-lo, conseguimos usar os resultados como padrões aceitáveis e que podem ser
manipulados, sem perder propriedades importantes e informações sobre o espaço
vetorial que ele representa.
Ainda, se V e W são dois espaços vetoriais de dimensão finita com produto interno,
tais que dim V = dimW e T V ,W , então Im T W , logo, T é sobrejetora. Portanto,
T é um isomorfismo.
Wikimedia Commons
Quando abordamos o operador linear, consequentemente, estamos
tratando das matrizes de transformação. Por isso, as propriedades ma-
triciais são de extrema importância para que entendamos os conceitos
apresentados neste capítulo. Relembraremos alguns conceitos impor-
tantes para a compreensão das matrizes ortogonais e das isometrias.
Definição 1
Se A é uma matriz quadrada, e At sua transposta, então:
• se A = At, dizemos que A é simétrica;
• se AAt = At · A = I, dizemos que A é ortogonal.
Exemplo 1
cos sin
T
sin cos
Então:
t
cos sin cos sin cos sin
sin cos sin cos sin cos
t
cos sin cos sin 1 0
sin cos sin cos 0 1
Portanto, a matriz de rotação [T] comuta com sua transposta.
Esse tipo de operador é chamado de normal.
Definição 3
Um operador normal é aquele que comuta com sua transposta.
MI
MO
MS M = matrizes
MI = matrizes invertíveis
MO = matrizes ortogonais
MS = matrizes simétricas
Fonte: Elaborada pela autora com base em Boldrini et al., 1986, p. 255.
Definição 4
Seja V um espaço vetorial (real) de dimensão finita com produto interno. Seja β uma
base ortonormal de V. Um operador linear T є L (V) é dito autoadjunto quando sua
t
matriz é T T * , ou seja, uma matriz simétrica.
T (u) · v = u · T (v)
para quaisquer u, v ∈ V.
Teorema 1
Teorema 2
Demonstração
Seja {v1, v2} uma base ortonormal qualquer V. De acordo com a Defi-
nição 4, temos que, se V é um espaço vetorial (real) de dimensão finita
com produto interno, e β é uma base ortonormal de V, então um opera-
t
dor linear T ∈ L (V) é dito autoadjunto quando há matriz T T * ,
ou seja, é uma matriz simétrica. Isso nos permite escrever:
⇒
Vamos supor que o operador é ortogonal, logo, a matriz mudança
de base é formada por vetores ortogonais, tais que:
t 1
pois ( T ) ( T ) .
2 2
Analisando a11 an1 1 , temos que a igualdade é verdadeira,
desde que a11 + ⋯ + a1n seja unitário.
u1 a11v1 an1vn
un a1nv1 annvn
⇐
Agora precisamos mostrar que, se β = {u1, …, un} e α = {v1, …, vn} são
a11 a1n
T
bases ortonormais para U, e a matriz mudança de
a a
n1 nn
base, então a matriz T é uma matriz ortogonal.
Como α é uma base de U, podemos escrever os vetores da base da
seguinte maneira:
u1 a11v1 an1vn
un a1nv1 annvn
a1i a1j
Portanto, as colunas e são ortogonais para todo i ≠ j,
a a
ni nj
e a matriz T é ortogonal. Dessa forma, podemos escrever:
( T )t ( T )1 e, t
consequentemente, ( T ) T . ■
Definição 5
Seja V um espaço vetorial euclidiano de dimensão n e sejam u, v є V. Se um opera-
dor linear T є L (V) é tal que:
T u u ,uV
Teorema 5
Demonstração
Teorema 6
Seja A є Mnxn (R) uma matriz simétrica. Então, existe uma ma-
triz ortogonal Q є Mnxn (R) e uma matriz diagonal D є Mnxn (R), tais que
Q–1AQ = QtAQ = D. Além disso, as colunas da matriz Q são os autovetores
de A, e os elementos da diagonal de D são os autovalores de A.
Demonstração
Definição 9
Suponhamos V um espaço vetorial de dimensão n, e B : V × V → R uma forma bi-
linear. Tomemos uma base β = {u1, ..., un} de V e associamos a B uma matriz B ,
chamada de matriz da forma bilinear B, na base B. Então, v i 1ai ui V e
n
w j 1b j u j V , logo:
n
n n n
B v ,w B ai ui , b j u j ai b j B ui ,v j
i 1 i , j 1
j 1
B u1 ,u1 B u1 ,un b1
v t B w
a1an
B un ,u1 B un ,un bn
Teorema 8
Demonstração
Seja [Q] > 0, para todo vetor v ≠ 0, temos que vt [Q] v > 0. Definindo
u = [U]–1v, teremos:
vt [Q] v = ut [U]t [Q][U]u = ut [T] u > 0 para todo u ≠ 0. Logo, [T] > 0.
[T] ≈ [T]
Essa relação pode ainda relacionar três matrizes [T], [Q] e [S] con-
gruentes da forma:
n n n n
v i 1aivi i 1biwi e w i 1ai' vi i 1bi'wi
a1 b1 a1' b
1
P ; P
a b a' t
n n n bn
A = PB e A’ = PB’ (1)
Assim:
n n n
B v , w B ai vi , a'jv j
ai B vi , v j a'j
i 1 j 1 i , j 1
n n n
B v , w B bi wi , b'jw j
bi B wi , w j b'j
i 1 j 1 i , j 1
B (v, w) = At [Q]A’
B (v, w) = Bt [T]B’
Bt [T]B’ = B (v, w) = At [Q] A’ = ([U] B)t [Q] ([U] B’) = Bt ([U]t [Q] [U]) B’
Isso implica que [T] = [U]t [Q] [U] para quaisquer que sejam v e w de V.
Definição 11
Suponhamos V um espaço vetorial real de dimensão n, e B : V × V → R uma forma
bilinear simétrica. Chamamos a função Q : V → R, definida por Q (v) = B (v, v), com
v є V de forma quadrática associada a B.
1 1
G v , w Q v w Q v Q w Q v w Q v w
2 4
CONSIDERAÇÕES FINAIS
Concluímos os estudos desta obra com as formas quadráticas e algu-
mas possibilidades de aplicação, como as superfícies quádricas e proble-
mas de otimização. Algumas obras tratam especificamente desse tema,
então, caso você tenha curiosidade, procure pelo conteúdo formas bilinea-
res ou mesmo por formas quadráticas.
Ao longo deste livro, sugerimos vídeos e textos que complementam
não apenas a parte conceitual da álgebra linear, mas também apresen-
tam aplicações e outras interpretações interessantes sobre os mesmos
conceitos.
Destacamos sempre que conceitos anteriores que não tenham ficado
muito claros sejam revistos antes de iniciar o estudo de uma nova teoria.
Isso porque, na matemática, é necessário seguir uma linha de raciocínio
contínua, em que todos os conceitos se inter-relacionam, tornando-se in-
dispensáveis para posteriores abordagens.
REFERÊNCIAS
BOLDRINI, J. L. et al. Álgebra linear. 3. ed. São Paulo: Harbra, 1986.
CALLIOLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra linear e aplicações. 6. ed. São
Paulo: Atual, 2003.
LEON, S. J. Álgebra linear com aplicações. 9. ed. Rio de Janeiro: LTC, 2019.
LIMA, E. L. Álgebra linear. 7. ed. Rio de Janeiro: IMPA, 2003.
ZANI, S. L. Álgebra linear. São Carlos: Departamento de Matemática/ICMC/USP, 2010.
Disponível em: https://sites.icmc.usp.br/szani/alglin.pdf. Acesso em: 4 maio 2020.
GABARITO
1. Suponhamos que λ1 e λ2 são os autovalores de T. Assim, temos que v1 e v2 são os auto-
vetores associados. Como T é um operador autoadjunto, podemos escrever:
λ1 (v1 · v2) = (λ1v1 · v2) = (Tv1 · v2) = (v1 · Tv2) = (v1 · λ2v2) = λ2 (v1 · v2)
2. Se adotamos a relação:
Au · v = u · Av para u, v є ℝn
como verdadeira para A simétrica e como queremos usar vetores transpostos, pode-
mos escrever:
vt · Au = ut . Av para u, v є ℝn
3. Como:
Marina Vargas
Marina Vargas