Escolar Documentos
Profissional Documentos
Cultura Documentos
III
Originais de:
Introdução i
1 Matrizes 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Operações com Matrizes . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Adição . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Multiplicação por Escalar . . . . . . . . . . . . . . . . 6
1.2.3 Multiplicação . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.4 Transposição . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Classificação de Matrizes Quadradas . . . . . . . . . . . . . . 10
1.4 Operações Elementares . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Matriz Equivalente por Linha . . . . . . . . . . . . . . 12
1.4.2 Matriz na Forma Escalonada . . . . . . . . . . . . . . 12
1.4.3 Escalonamento por Linha de uma Matriz . . . . . . . 12
1.4.4 Posto de uma Matriz . . . . . . . . . . . . . . . . . . . 13
1.4.5 Aplicações de Operações Elementares . . . . . . . . . 13
1.5 Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.1 Permutações . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.2 Definição . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.3 Desenvolvimento de Laplace . . . . . . . . . . . . . . . 16
1.5.4 Propriedades . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.5 O cálculo do determinante através das operações ele-
mentares . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6.1 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 Sistemas Lineares 27
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Classificação de Sistemas . . . . . . . . . . . . . . . . . . . . . 28
2.3 Resolução de Sistemas utilizando o Método de Eliminação
Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4 Resolução de Sistemas utilizando Inversão de Matrizes . . . . 31
2.5 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
iii
2.5.1 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Apêndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.1 Resolvendo e Interpretando Geometricamente Siste-
mas Lineares no R2 . . . . . . . . . . . . . . . . . . . 34
2.6.2 Resolvendo e Interpretando Geometricamente Siste-
mas Lineares no R3 . . . . . . . . . . . . . . . . . . . 37
3 Espaços vetoriais 42
3.1 Primeiros conceitos . . . . . . . . . . . . . . . . . . . . . . . . 42
3.1.1 Subespaço Vetorial . . . . . . . . . . . . . . . . . . . . 43
3.1.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . 44
3.1.3 Subespaço Vetorial Gerado e Conjunto Gerador . . . . 45
3.1.4 Vetores Linearmente Independentes e Linearmente De-
pendentes . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.5 Base e Dimensão de um Espaço Vetorial . . . . . . . . 48
3.1.6 Operações com Subespaços Vetoriais . . . . . . . . . . 49
3.1.7 Coordenadas de um Vetor em relação a uma Base Or-
denada . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.1.8 Matriz de Transição de uma Base para uma outra Base 52
3.1.9 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.1.10 Apêndice B – Teoremas . . . . . . . . . . . . . . . . . 59
4 Transformações lineares 63
4.1 Primeiros conceitos . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.1 Operadores Lineares no Espaço Vetorial R2 . . . . . . 64
4.1.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . 67
4.1.3 Obtendo a Lei de uma Transformação Linear . . . . . 68
4.1.4 Núcleo e Imagem de uma Transformação Linear . . . 68
4.1.5 Transformação Linear Injetora . . . . . . . . . . . . . 69
4.1.6 Transformação Linear Sobrejetora . . . . . . . . . . . 70
4.1.7 Transformação Linear Bijetora – Isomorfismo . . . . . 70
4.1.8 Obtendo a Lei da Transformação Linear Inversa . . . 71
4.1.9 Matriz Associada a uma Transformação Linear . . . . 71
4.1.10 Operações com Transformações Lineares . . . . . . . . 77
4.1.11 Propriedades de Transformações Invertíveis . . . . . . 79
4.1.12 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.1.13 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.1.14 Apêndice C – Teoremas . . . . . . . . . . . . . . . . . 86
iv
5.2.3 Generalização . . . . . . . . . . . . . . . . . . . . . . . 93
5.3 Complemento ortogonal . . . . . . . . . . . . . . . . . . . . . 93
5.4 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.4.1 Gabarito . . . . . . . . . . . . . . . . . . . . . . . . . 96
6 Autovalores e autovetores 98
6.1 Primeiros conceitos . . . . . . . . . . . . . . . . . . . . . . . . 98
6.2 Multiplicidade de autovalores . . . . . . . . . . . . . . . . . . 104
6.3 Diagonalização de Operadores Lineares . . . . . . . . . . . . . 105
6.4 Lista de exercícios . . . . . . . . . . . . . . . . . . . . . . . . 107
6.5 Respostas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
6.6 Apêndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
v
Capítulo 1
Matrizes
1.1 Introdução
Definição 1.1.1. Uma matriz é um conjunto de números reais (ou com-
plexos) dispostos em forma de tabela, isto é, distribuídos em m linhas e n
colunas, sendo m e n números naturais não nulos.
a11 a12 ··· a1n
a
21 a22 ··· a2n
A=
.. .. ..
. . .
am1 am2 ··· amn
Notação:
Exemplo 1.1.2.
1
3. A matriz abaixo fornece (em milhas) as distâncias aéreas entre as ci-
dades indicadas:
A B C D
A 0 638 1244 957
B 638 0 3572 2704
C 1244 3572 0 1036
D 957 2704 1036 0
Esta é uma matriz 3 × 4(três por quatro) pois seus elementos estão
dispostos em 3 linhas e 4 colunas.
Igualdade
Duas matrizes de mesma ordem A = (aij )m×n e B = (bij )m×n são iguais
quando aij = bij , para todo i = 1, 2, . . . , m e para todo j = 1, 2, . . . , n.
Matrizes Especiais
2
3
Exemplo 1.1.6. 9
−1
Notação: 0m×n
" #
0 0 0
Exemplo 1.1.8.
0 0 0
2×3
Notação:
a11 a12 ··· a1n
a21 a22 ··· a2n
A=
.. .. ..
. . .
an1 an2 · · · ann
k=1
2 3 4
Exemplo 1.1.12. A = 5 7 0
10 −1 9 3×3
Elementos da diagonal principal: 2, 7 e 9.
Elementos da diagonal secundária: 4, 7 e 10.
Traço: tr(A) = 2 + 7 + 9 = 18.
3
Definição 1.1.13. Uma matriz quadrada A é chamada de matriz diago-
nal quando todos os elementos que não pertencem à diagonal principal são
nulos, isto é, para todo i, j = 1, 2, . . . , n, i 6= j, aij = 0.
2 0 0
Exemplo 1.1.14. A = 0 1 0
0 0 3 3×3
Notação: In
1 0 0
Exemplo 1.1.16. I3 = 0 1 0
0 0 1 3×3
1 2 3 4
0 5 6 7
Exemplo 1.1.18. A =
0 0 −1 0
0 0 0 −2 3×3
1 0 0
Exemplo 1.1.20. A = 4 8 0
7 −1 3 3×3
Exemplo 1.2.1.
4
5
0 −7
" #
1 2 −1 2
1. Sejam A = eB= .
5 3 4 1
−4 5
2
Então:
5 3
1+0
2 − 7 −1 + 1 −5
2 = 2
A+B = 1 7
5−4 3+ 4+5 1 9
2 2
2. Um laboratório farmacêutico produz um certo medicamento. Os custos
relativos à compra e transporte de quantidades específicas da substân-
cia necessárias para a sua elaboração, adquiridas em dois fornecedores
distintos são dados (em reais) respectivamente, pelas seguintes matri-
zes.
3 15 6 8
12 8 9 9
e
5 2 3 5
9 23
21 17
8 7
5
1.2.2 Multiplicação por Escalar
Sejam a matriz A = (aij )m×n e λ um escalar real, define-se a matriz
produto por escalar B = λA tal que B = (bij )m×n e bij = λaij , para todo
i = 1, 2, . . . , m e para todo j = 1, 2, . . . , n.
Exemplo 1.2.2.
1 0
1. A = 3 −5 e λ = −3.
−1 7
(−3).1 (−3).0 0
−3
Então −3A = (−3).3 (−3).(−5) = −9 15
(−3).(−1) (−3).7 3 −21
6
1.2.3 Multiplicação
Sejam as matrizes A = (aij )m×n e B = (bij )n×p , define-se a matriz
k=1
produto C = A.B tal que C = (cij )m×p e cij = aik bkj , isto é,
X
4 −1
" #
5 −2 1
2. Sejam as matrizes A = e B = 2 1 , vamos
−2 0 7
1 2
calcular, se possível, A.B. O produto pode ser calculado pois A tem 3
colunas e B tem 3 linhas.
" # " #
5.4 + (−2).2 + 1.1 5.(−1) + (−2).1 + 1.2 17 −5
Assim A.B = =
(−2).4 + 0.2 + 7.1 (−2).(−1) + 0.1 + 7.2 −1 16
7
Propriedades da Operação de Multiplicação
Exemplo 1.2.4.
8
Potência de uma Matriz Quadrada de Ordem n.
A0 = I n
A1 = A
A2 = A.A
..
.
Ak = Ak−1 .A
Toda matriz quadrada A comuta com qualquer potência de A.
Exemplo 1.2.5.
" # " # " #
1 3 1 3 1 3
1. Seja a matriz A = . Então A2 = . =
0 1 0 1 0 1
" #
1 6
0 1
2. Sejam
" o polinômio
# f (x) = x2 + 2x − 11 = x2 + 2x − 11x0 e a matriz
1 2
A= . Determinando o valor de f (A):
4 −3
Matriz Idempotente
Uma matriz quadrada A é idempotente quando A2 = A.
2 −1 1
1.2.4 Transposição
Seja a matriz A = (aij )m×n , define-se a matriz transposta B tal que
B = (bij )n×m e bij = aji , isto é, é a matriz obtida a partir da matriz A pela
troca de suas linhas pelas colunas correspondentes.
Notação: B = At .
Propriedades da Operação de Transposição
9
1. Involução: para toda matriz A, (At )t = A.
Exemplo 1.3.1. 3 2 0
−1 0 5
0 3 −1
Exemplo 1.3.2. −3 0 7
−1 −7 0
Exemplo 1.3.3.
" # " #
2 5 3 −5
1. A matriz é invertível e sua inversa é pois:
1 3 −1 2
10
" # " # " # " # " #
2 5 3 −5 3 −5 2 5 1 0
. = . =
1 3 −1 2 −1 2 1 3 0 1
" #
2 −1
2. Obtendo a matriz inversa da matriz A = .
1 0
" #
x z
Considere B = .
y t
" # " # " # " #
2 −1 x z 2x − y 2z − t 1 0
Se A.B = In então . = . .
1 0 y t x z 0 1
2x − y = 1
x=0
Assim, .
2z − t = 0
z=1
" #
0 1
Desta forma, B = .
−1 2
Verifica-se que B.A = In , então a matriz inversa de A é B.
11
1.4.1 Matriz Equivalente por Linha
Sejam A e B matrizes de mesma ordem. A matriz B é denominada
equivalente por linha a matriz A, quando for possível transformar a matriz
A na matriz B através de um número finito de operações elementares sobre
as linhas da matriz A.
1 5 0 0
Exemplo 1.4.3.
7 1 0 3 2 0 0 5 1 −2 0 5
1 0 0
" #
0 1 0 5 0 0 3 1 1 2 3 0 1 4 0
, , , , 0 1 0
0 0 2 6 0 0 0 5 0 0 0 0 0 0 0
0 0 1
0 0 0 −1 0 0 0 0 0 0 0 0
Exemplo 1.4.4.
1 2 3 1 2 3
1. 4 5 6 L2 ← L2 + (−4)L1 0 −3 −6 L3 ← L3 + (−7)L1
7 8 9 7 8 9
1 2 3 1 2 3
0 −3 −6 L ← L + (−2)L 0 −3 −6
2 3 2
0 −6 −12 0 0 0
0 0 2 0 1 2
0 3 0 0 3 0
2. L1 ↔ L3 L2 ← L2 + (−3)L1
0 1 2 0 0 2
0 −1 3 0 −1 3
12
L ←L +L
0 1 2 0 1 2
4 4 1
1
0 0 −6 L2 ← (− )L2
0 0 −6
2 L ← L 6+ (−2)L
0 0 0 0 0
3 3 2
0 −1 3 L4 ← L4 + (−5)L2 0 0 0
Exemplo 1.4.5. Nos dois exemplos anteriores o posto das matrizes é igual
a dois.
Exemplo 1.4.7.
13
1 2 2
3 1 0 0 1 0 L2 ← L2 −3L1 0 −5 −6 −3 1 0 L3 ←
1 1 1 0 0 1 1 1 1 0 0 1
L3 − L1
1 2 2 1 0 0 1 2 2 1 0 0
0 −5 −6 −3 1 0 L3 ↔ L2 0 −1 −1 −1 0 1 L2 ←
0 −1 −1 −1 0 1 0 −5 −6 −3 1 0
(−1)L2
1 2 2 1 0 0 1 2 2 1 0 0
0 1 1 1 0 −1 L3 ← L3 + 5L2 0 1 1 1 0 −1 L1 ← L1 − 2L2
0 −5 −6 −3 1 0 0 0 −1 2 1 −5
1 0 0 −1 0 2 1 0 0 −1 0 2
0 1 1 1 0 −1 L3 ← (−1)L3 0 1 1 1 0 −1 L2 ←
0 0 −1 2 1 −5 0 0 1 −2 −1 5
L2 − L3
1 0 0 −1 0 2
0 1 0 3 1 −6
0 0 1 −2 −1 5
0 2
−1
Então: A−1 = 3 1 −6 .
−2 −1 5
" #
1 2
2. Considere a matriz A = .
0 3
A redução da matriz A à matriz identidade é:
1
" # " # " #
1 2 1 2 1 0
L3 ← L2 L1 ← L1 − 2L2
0 3 3 0 1 0 1
14
1.5 Determinante
1.5.1 Permutações
Seja um conjunto finito Λ qualquer, uma permutação em Λ é qualquer
função bijetora f : Λ → Λ. Sendo n a cardinalidade do conjunto, existem n!
permutações possíveis.
Exemplo 1.5.1.
Exemplo 1.5.2.
15
1.5.2 Definição
Dada uma matriz quadrada A de ordem n é possível fazer corresponder
um certo número denominado determinante da matriz A.
Notação: det(A), |A| ou det(aij )n×n
Considere, por exemplo, uma matriz quadrada genérica de ordem 3 e as
permutações possíveis no! conjunto de índices {1, 2, 3}. A partir da permu-
1 2 3
tação ímpar associa-se o produto −a11 a23 a32 onde os índices
1 3 2
linha correspondem à primeira linha da representação da permutação, os ín-
dices coluna são obtidos da segunda linha e o sinal negativo é correspondente
da classificação da permutação.
O determinante de uma matriz de ordem 3 é obtido a partir de todas
as seis permutações possíveis no conjunto de índices {1, 2, 3} classificadas e
sinalizadas. Assim, o determinante é dado por:
a11 a12 a13
det a21 a22 a23 = a11 a22 a33 −a11 a23 a32 −a12 a21 a33 +a12 a23 a31 +a13 a21 a32 −a13 a22 a31
a31 a32 a33
Exemplo 1.5.3.
1. det(6) = 6
!
−1 0
2. det = (−1).7 − 0.2 = −7
2 7
2 5 −2
16
Considere um elemento aij qualquer com i, j = 1, 2, . . . , n e a submatriz Aij
de ordem n − 1 obtida a partir da matriz A retirando-se a i-ésima linha e a
j-ésima coluna. O determinante da submatriz Aij sinalizado por (−1)i+j é
denominado o cofator do elemento aij .
2 5 −2
−1
Exemplo 1.5.4. Seja a matriz 0 4
.
1
0 0
2
5 2
j=1
i=1
Exemplo 1.5.5.
" #
−1 0
1. Considere a matriz A = fixada a linha 2.
2 7
det(A) = a21 (−1)2+1 det(A21 ) + a22 (−1)2+2 det(A22 )
det(A) = 2.(−1)3 .|0| + 7.(−1)4 .| − 1| = 2.(−1).0 + 7.1.(−1)
det(A) = −7
2 5
−2
−1
2. Considere a matriz A = 0 4
fixada a linha 1 para a matriz
1
0 0
2
A e para as submatrizes.
det(A) = a11 (−1)1+1 det(A11 )+a12 (−1)1+2 det(A12 )+a13 (−1)1+3 det(A13 )
0 4 −1 4 −1 0
det(A) = 2.1. 1 + 5.(−1). + (−2).1. 1
0 0 0 0
2 2
17
1
det(A) = 2[0.(−1)1+1 .|0| + 4.(−1)1+2 .| |]
2
−5[(−1).(−1) .|0| + 4.(−1) .|0|]
1+1 1+2
1
−2[(−1)(−1)1+1 | | + 0.(−1)1+2 .|0|
2
1
det(A) = 2[−2] − 5[0] − 2[− ]
2
det(A) = −3
1.5.4 Propriedades
Considere A e B matrizes quadradas de ordem n e k um escalar não
nulo.
1. Se A é uma matriz triangular superior (inferior) então det(A) = a11 .a22 . . . . .ann .
4. det(kA) = k n det(A)
5. det(A.B) = det(A).det(B)
6. det(A) = det(At )
18
1.5.5 O cálculo do determinante através das operações ele-
mentares
O cálculo do determinante de uma matriz quadrada, utilizando-se ope-
rações elementares nas linhas da matriz, consiste em encontrar uma matriz
triangular equivalente por linha à matriz dada, respeitando-se as proprieda-
des de determinantes acima.
Exemplo 1.5.6.
0 1 5 0 1 5 1 −2 3
1
L2 ← L2 , L1 ↔ L2 , L3 ← L3 − 2L1 , L3 ← L3 − 10L2
3
2 3 −4 1 1 1 −2 −5 1 1 −2 −5
2 0 0 −3 2 0 0 −3 0 −2 4 7
2. det = (−1)det = (−1)det
1 1 −2 −5 2 3 −4 1 0 1 0 11
0 1 2 3 0 1 2 3 0 1 2 3
1 1 −2 −5 1 1 −2 −5 1 1 −2 −5
0 1 0 11 0 1 0 11 1 0 1 0 11
= det = det = det
0 −2 4 7 0 0 4 29 2 0 0 4 29
0 1 2 3 0 0 2 −8 0 0 0 −45
1
= .1.1.4.(−45) = −90
2
Uma aplicação do desenvolvimento de Laplace pode ser vista no teorema
a seguir:
19
" #
a11 a12
Exemplo 1.5.8. 1. Seja A = , encontremos sua inversa.
a21 a22
Já vimos por propriedade que se A é invertível então detA 6= 0. Logo,
detA = a11 a22 − a12 a21 6= 0. E ainda, podemos calcular que:
1
" #
−1 a22 −a12
A = . .
detA −a21 a11
1 1 2
Então detA = a11 .cof (a11 ) + a12 .cof (a12 ) + a13 .cof (a13 ) = 1.(−1) +
1.3 + 2.5 = 12 6= 0, logo, existe A−1 .
Vamos calcular os demais cofatores:
!
1 2
cof (a21 ) = (−1)2+1 .det(A21 ) = (−1)3 .det = (−1).(−2) = 2
1 0
!
1 2
cof (a22 ) = (−1)2+2 .det(A22 ) = (−1)4 .det = 1.(−6) = −6
3 0
20
!
1 1
cof (a23 ) = (−1) 2+3
.det(A23 ) = (−1) .det 5
= (−1).(−2) = 2
3 1
!
1 2
cof (a31 ) = (−1) 3+1
.det(A31 ) = (−1) .det 4
= 1.(3) = 3
−1 1
!
1 2
cof (a32 ) = (−1) 3+2
.det(A32 ) = (−1) .det 5
= (−1).(−3) = 3
2 1
!
1 1
cof (a33 ) = (−1)3+3 .det(A33 ) = (−1)6 .det = 1.(−3) = −3
2 −1
−1 3 5 −1 2 3
∗
cof (A) = 2 −6 2 e A = 3 −6 3
3 3 −3 5 2 −3
Logo, a inversa de A é:
1 1 1
−
−1 2 3 12 6 4
−1 1 1 1 1
A = . 3 −6 3 = − .
12 4 2 4
5 2 −3
5 1 1
−
12 6 4
1.6 Exercícios
" # " #
a−b b+c 8 1
1. Resolva a equação matricial = indi-
3d + c 2a − 4d 7 6
cando os valores para a, b, c, d ∈ R.
2 −1 3 8 −3 −5
2. Considere as matrizes A = 0 4 5 , B = 0 1 2 ,
−2 1 4 4 −7 6
0 −2 3
21
" #
1 2
3. Seja A = . Indique uma matriz quadrada B de ordem 2 não
3 6
nula tal que A.B = 02×2 .
" #
2 1
4. Seja A = . Resolva a equação matricial A.X = I2 , onde
1 1
X = (xij )2×2 .
10. Determine
" todas
# as matrizes de ordem 2 que comutam com a matriz
1 2
A= .
−2 1
" # " #
1 2 5 0
11. Sejam A = e B = . Verifique a igualdade
3 −4 −6 7
(A.B)t = B t .At .
12. Mostre que se a matriz quadrada A for invertível e A.B = A.C então
B = C. (Lei do Corte)
2 −1 3 1
22
14. Sejam A, B, C e X matrizes quadradas de mesma ordem e invertíveis.
Resolva as equações, considerando a variável X.
(a) ABX = C
(b) CAX t = C
(c) AX 2 C = AXBC
(d) AB −1 X = CA
(e) A2 X t = ABA
1 0 0
1 1
0
17. Determine a, b, c ∈ R de modo que a matriz A = √ √
2 2
a b c
seja ortogonal.
18. Mostre que a soma de duas matrizes simétricas é também uma matriz
simétrica.
23
Gelato Delícia Suave
Gelato 0.8 0.1 0.1
Delícia 0.4 0.5 0.1
Suave 0.6 0.2 0.2
1 2 −4
1 3 0
1 1 1
24
1.6.1 Respostas
1. a = 5, b = −3, c = 4 e d = 1
2. Faça as contas.
(" # )
−2z −2t
3. B = , t, z ∈ R∗ .
z t
" #
1 −1
4. X =
−1 2
11. Verificação
12. Demonstração
−4
13. Sim, X = 0
3
16. Demonstração
√ √ √ √
2 2 2 2
17. b = ec=− ou b = − ec=
2 2 2 2
18. Demonstração
19. Demonstração
20. Demonstração
25
21. Demonstração
22. Demonstração
0, 74 0, 15 0, 11
3
−16 −11
7 5 1
24. A−1 =
−
2 2 2
5 3 1
− −
2 2 2
25. a 6= −2
1 3 0 1 0 0 6 3
−11
−1
26. 2 5 −1 0 1 0 e A = 4 −2 −1
0 1 2 0 0 1 −2 1 1
1 1 1
2 2 2
1 2 1
27. A = −
3 3 3
1 5 1
−
6 6 6
28. a 6= 1
31. a = 1 ou a = −3.
26
Capítulo 2
Sistemas Lineares
2.1 Introdução
Definição 2.1.1. Dados os números reais a1 , a2 , . . . , an , b com n ≥ 1, a
equação
a1 x1 + a2 x2 + . . . + an xn = b
é denominada equação linear nas variáveis x1 , x2 , . . . , xn . Cada ai é o coe-
ficiente da variável xi , para i = 1, 2, . . . , n, e b é o termo livre ou indepen-
dente.
27
a11 a12 ... a1n b1
a21 a22 ... a2n b2
.. .. .. ..
. . . .
am1 am2 . . . amn bm
O Método
Dado um sistema linear com m equações e n variáveis:
28
1. Obter a matriz ampliada.
Assim:
incógnitas.
1 1 1 1
A matriz ampliada é 2 −1 3 0 .
−1 1 −5 2
1 1 1 1
0 1 − 1 2
Após o escalonamento temos a matriz 3 3
.
1
0 0 1 −
2
29
1 1 1
1
0 1 − 3 .
E a matriz de coeficientes é:
0 0 1
Análise: PA = PC = n = 3. Logo, o sistema é possível determinado
(SPD).
x+y+z =1
1 2
y− z=
O sistema equivalente é 3 3
z = −1
2
1
Após as substituições, y = e x = 1. A solução do sistema é S =
2
1 1
{(1, , − )}.
2 2
1 1 −1 0 1 1 −1 0
30
1 1 1 0
1 1 1 0
4
2 −1 −2 0 0 1 0
Matriz ampliada , matriz escalonada 3
1 −2 −3 0
0 0 0 0
6 −3 −6 0 0 0 0 0
1 1 1
0 1
4
e matriz de coeficientes 3 .
0 0 0
0 0 0
CX = B
C −1 (C.X) = C −1 B
(C −1 C)X = C −1 B
In X = C −1 B
X = C −1 B
x+y+z =1
Exemplo 2.4.1. Seja o sistema 2x − y + 3z = 0 .
−x + y − 5z = 2
1 1 1 1
x
A equação matricial CX = B é 2 −1 3 . y = 0 .
−1 1 −5 z 2
31
1 3 2
5 5 5
7 2 1
A matriz inversa da matriz C é − − .
10 5 10
1 1 3
− −
10 5 10
1 3 2
1
5 5 5 1
x 1
7 2 1
Assim, y = . 0 =
−− 2
.
z
10 510
2 1
1 1 3
−
10
−−
510 2
1 1
A solução do sistema é S = {(1, , − )}.
2 2
2.5 Exercícios
x − 2y + 4z = 2
1. Resolva o sistema 2x − 3y + 5z = 3 .
3x − 4y + 6z = 7
x − 2y − 3z = 2
2. Indique a solução do sistema 4x − y − 4z = 1 , o posto da matriz
2x + 3y − 2z = 5
32
x+y−z =1
4. Determine os valores de a ∈ R de modo que o sistema 2x + 3y + az = 3
x + ay + 3z = 2
seja:
(a) SPD
(b) SPI
(c) SI
x + 2y + 2z = a
5. Calcule os valores para a, b ∈ R de modo que o sistema 3x + 6y − 4z = 4
x + by − 6z = 1
x + 8y − 2z = a
7. Escreva a condição para que o sistema 5x + 4y − 2z = b tenha
7x − 16y + 2z = c
solução.
x+y+z =0
8. Indique o conjunto solução do sistema homogêneo x + 2y + 3z = 0 .
−3x + y − z = 0
x−y+z+t=0
x+y−z+t=0
9. Determine o conjunto solução S do sistema
−x + y − z + t = 0
2x − y − z + 3t = 0
x + 2y − 2z = 1
10. Considere o sistema 2x + 5y − 4z = 2 . Escreva na forma matricial
3x + 7y − 5z = 3
2.5.1 Respostas
1. Sistema Impossível.
38 9
2. S = {(− , ), −2)}.
7 7
16x + 12y = 480
3. 8x + 6y = 240 e S = {(18, 16)}.
30x + 15y = 780
33
4. a)a 6= −3 e a 6= 2. b)a = 2 c)−3
11 10 1
5. b = 2, a = e S = {(−2y + , y, )|y ∈ R}.
7 7 14
6. 3a − 2b = 0.
7. 3a − 2b + c = 0
8. S = {(0, 0, 0)}
9. S = {(0, 0, 0, 0)}
2.6 Apêndice
2.6.1 Resolvendo e Interpretando Geometricamente Siste-
mas Lineares no R2
O conjunto de pares ordenados de números reais é designado por R2 =
{(x, y), x, y ∈ R}. Geometricamente tem-se o plano R2 , descrito por dois
eixos - eixo X e eixo Y - perpendiculares entre si, interceptando-se no ponto
(0, 0), denominado origem.
(
x+y =1
1. Seja o sistema com 2 equações e 2 variáveis .
2x + 3y = 7
" # " #
1 1 1 1 1 1
Matriz ampliada , matriz escalonada e matriz
2 3 7 0 1 5
" #
1 1
de coeficientes .
0 1
Análise, PA = PC = n = 2: (SPD).
(
x+y =1
Sistema equivalente
y=5
Substituindo o valor de y na primeira equação, tem-se x = −4.
Logo a solução do sistema é S = {(−4, 5)}.
Interpretando geometricamente: cada equação do sistema representa
uma reta, estas retas se interceptam em um único ponto (−4, 5).
34
10 y
x
−10 −5 5 10
−5
−10
(
x − 2y = −2
2. Dado o sistema .
2x − 4y = −4
" # " #
1 −2 −2 1 −2 −2
Matriz ampliada , matriz escalonada
2 −4 −4 0 0 0
" #
1 −2
e matriz de coeficientes .
0 0
Análise, PA = PC = 1 < n = 2: (SPI).
(
x − 2y = −2
Sistema equivalente
0y = 0
A variável y está livre, podendo assumir qualquer valor real e a variável
x amarrada ao y, isto é, x = 2y − 4.
A solução do sistema é {(x, y) ∈ R2 | x = 2y −4} = {(2y −4, y), y ∈ R}.
Geometricamente, tem-se duas retas coincidentes, a equação 2x−4y =
−4 é múltipla da equação x − 2y = −2. Assim, as retas se interceptam
em infinitos pontos.
35
10 y
x
−10 −5 5 10
−5
−10
(
x+y =2
3. Dado o sistema .
x + y = −3
" # " #
1 1 2 1 1 2
Matriz ampliada , matriz escalonada e
1 1 −3 0 0 −5
" #
1 1
matriz de coeficientes .
0 0
Análise, PA = 2 6= PC = 1: (SI).
( (
x+y =2 x+y =2
Sistema equivalente , isto é, .
0x + 0y = −5 0 = −5
Logo, S = ∅.
Assim, se um sistema possui equações que representam retas paralelas,
como no exemplo, não há solução é possível.
10 y
x
−10 −5 5 10
−5
−10
36
Resumindo, para sistemas de equações de duas incógnitas com duas ou
mais equações, tem-se que:
1 1 1 3 1 1 1 3
37
Gráfico tridimensional
20
10
−20
−10 0
−5 0
5
10−10
x+y+z =3
2. Dado o sistema 2y + z = 2 .
x−z =1
1 1 1 3 1 1 1 3
38
Gráfico tridimensional
20
10
−20
−10 0
−5 0
5
10−10
x + 2y + z = 3 1 2 1 3
3. Seja o sistema −x − 2y − z = −3 . Matriz ampliada −1 −2 −1 −3 ,
2x + 4y + 2z = 6 2 4 2 6
1 2 1 3 1 2 1
39
Gráfico tridimensional
20
−20 10
−10 0
−5 0
5
10−10
x − 4y − 3z = 2 1 −4 −3 2
4. Seja o sistema 3x − 12y − 9z = 6 . Matriz ampliada 3 −12 −9 6 ,
x+y+z =1
1 1 1 1
1 −4 −3 2 1 −4 −3
4 1 4
0 1 0 1
escalonada − e de coeficientes escalonada .
5 5 5
0 0 0 0 0 0 0
x − 4y − 3z = 2
4 1
Análise, PA = PC = 2 < n = 3: (SPI). Sistema equivalente y+ z=−
5 5
0z = 0
A variável z está livre, o grau de liberdade é 1. As variáveis x e y estão
ligadas à variável z, e irão assumir valores
de acordo as relações y=
−1 − 4z 6−z 6 − z −1 − 4z
ex= . A solução é S = , ,z ,z ∈ R .
5 5 5 5
Geometricamente, o sistema representa dois planos coincidentes que
interceptam um terceiro. A interseção é uma reta.
40
Gráfico tridimensional
20
10
−20
−10 0
−5 0
5
10−10
x + y + z = −10 1 1 1 −10
5. Seja o sistema 2x + y + z = −20 . Matriz ampliada 2 1 1 −20 ,
y + z = −40
0 1 1 −40
1 1 1 −10
41
Gráfico tridimensional
10
−50
−10 0
−5 0
5
10−10
x + 3y − 5z = −20 1 3 −5 −20
6. Dado o sistema 7x − 2y + 3z = 2 . Matriz ampliada 7 −2 3 2 ,
2x + 6y − 10z = 50
2 6 −10 50
1 3 −5 −20 1 3 −5
20
−20 10
−10 0
−5 0
5
10−10
42
x + y + z = 10 1 1 1 10
7. Dado o sistema x + y + z = 20 . Matriz ampliada 1 1 1 20 ,
x + y + z = 30
1 1 1 30
1 1 1 10 1 1 1
Gráfico tridimensional
50
0 10
−10 0
−5 0
5
10−10
9x + y − 5z = 16 9 1 −5 116
8. Seja o sistema 18x + 2y − 10z = 32 . Matriz ampliada 18 2 −10 32 ,
−9x − y + 5z = 4
−9 −1 5 4
9 1 −5 16 9 1 −5
43
Gráfico tridimensional
20
10
−20
−10 0
−5 0
5
10−10
44
Capítulo 3
Espaços vetoriais
+:V ×V →V .:R×V →V
(v, u) 7→ v + u (k, u) 7→ k.u
EV5 Para quaisquer k1 , k2 ∈ R e para todo v ∈ V , k1 .(k2 .v) = (k1 .k2 ).v.
EV6 Para quaisquer k1 , k2 ∈ R e para todo v ∈ V , (k1 +k2 ).v = k1 .v +k2 .v.
45
Os elementos de V são denominados vetores e os números reais de
escalares.
Exemplo 3.1.2.
46
(Sub3) Fechamento de S em relação à operação de Multiplicação por Es-
calar, ou seja, se k ∈ R e v ∈ S então k.v ∈ S.
Notação: S ≤ V .
Exemplo 3.1.4.
(Sub1) (0, 0, 0) ∈ S.
(Sub2) Sejam u = (x1 , 0, 0) ∈ S e v = (x2 , 0, 0) ∈ S. Então u + v =
(x1 + x2 , 0, 0) ∈ S. Logo, S é fechado sob a operação de adição
de vetores.
(Sub3) Sejam u = (x, 0, 0) ∈ S e k ∈ R. Então k.u = (k.x, 0, 0) ∈ S.
Logo, S é fechado sob a operação de multiplicação por escalar.
O fato do vetor {0V } pertencer ao conjunto S não implica que este seja
um subespaço. Todo espaço vetorial V admite pelo menos dois subespaços:
o próprio espaço V e o conjunto {0V }, chamado subespaço nulo. Estes
dois subespaços são denominados subespaços triviais de V e os demais
subespaços próprios de V .
v = k1 v1 + k2 v2 + . . . + kn vn .
Exemplo 3.1.6.
1. O vetor (−1, −1) é uma combinação linear dos vetores (1, 2) e (3, 5)
pois (−1, −1) = 2(1, 2) + (−1)(3, 5).
47
2. O vetor (1, 2, 3) não pode ser escrito como combinação linear dos ve-
tores (1, 0, 0) e (0, 0, 1). Observe que,
Exemplo 3.1.7.
48
Estudemos a combinação linear dos vetores (1, 1, 0) e (1, 2, 1).
1 1 x 1 1
x
Matriz ampliada 1 2 y e matriz escalonada 0 1 y − x .
0 1 z 0 0 x−y+z
Para se determinar os vetores que são combinações lineares de (1, 1, 0)
e (1, 2, 1) é necessário que o sistema seja possível, isto é, x − y + z = 0.
Logo, [(1.1.0), (1, 2, 1)] = {(x, y, z) ∈ R3 |x − y + z = 0} = {(y −
z, y, z), y, z ∈ R}. Geometricamente, [(1, 1, 0), (1, 2, 1)] é um plano no
R3 com equação x − y + z = 0.
1 −2 −1 x 1 −2 −1
x
Matrizes ampliada 1 0 1 y e escalonada 0 2 2 y−x .
2 1 3 z 0 0 0 x − 5y + 2z
49
Para que o sistema seja possível é necessário que x − 5y + 2z = 0.
Com esta condição satisfeita, obtém-se vetores (x, y, z) ∈ R3 que são
combinação linear dos vetores dados. Portanto, o espaço gerado é
{(x, y, z) ∈ R3 , x − 5y + 2z = 0}, que geometricamente representa um
plano no R3 .
50
O sistema é possível e indeterminado, com k1 = −2k2 . Então, o con-
junto é LD, pois (2, 6) = 2(1, 3). Os vetores (1, 3) e (2, 6) pertencem a
uma mesma reta.
O espaço gerado pelo conjunto {(1, 3), (2, 6)} é {(x, y) ∈ R2 , y = 3x},
isto é,
[(1, 3), (2, 6)] = {(x, y) ∈ R2 , y = 3x} = [(1, 3)].
4. {(2, 0, 5), (1, 2, 3), (3, 2, 8)} é LD, pois: k1 (2, 0, 5)+k2 (1, 2, 3)+k3 (3, 2, 8) =
(0, 0, 0).
2k1 + k2 + 3k3 = 0
Assim, 2k + 2k = 0
2 3 .
5k + 3k + 8k = 0
1 2 3
2 1 3 0 2 1 3 0
Exemplo 3.1.9.
1. Os conjuntos {(1, 0), (0, 1)} e {(1, 3), (4, 2)} são bases do R2 .
2. O conjunto {(1, 2), (3, 5), (2, 1)} não é base do R2 pois, apesar de gerar
R2 , não é LI.
O conjunto {(1, 2)} é LI mas não gera o R2 , portanto também não é
uma base do R2 .
Toda base de R2 tem dois vetores de R2 que geram R2 e que são LI.
Logo, dim R2 = 2.
51
O conjunto {(−1, 0, 1), (2, 3, 0), (1, 2, 3), (0, 2, 4)} gera o R3 mas não é
LI. Também não é uma base do R3 .
Toda base de R3 é formada por três vetores LI de R3 . Logo, dim R3 =
3.
(Sub1) 0V ∈ S1 ∩ S2 ?
0V ∈ S1 pois S1 ≤ V . 0V ∈ S2 pois S2 ≤ V . Assim, 0V ∈ S1 ∩ S2 .
(Sub2) Se v ∈ S1 ∩ S2 e u ∈ S1 ∩ S2 então v + u ∈ S1 ∩ S2 ?
Se v ∈ S1 ∩ S2 então v ∈ S1 e v ∈ S2 . Se u ∈ S1 ∩ S2 então u ∈ S1 e
u ∈ S2 .
Assim, v + u ∈ S1 pois S1 ≤ V e v + u ∈ S2 pois S2 ≤ V . Logo,
v + u ∈ S1 ∩ S2 .
52
(Sub(3) Se v ∈ S1 ∩ S2 e k ∈ R então kv ∈ S1 ∩ S2 ?
Se v ∈ S1 ∩ S2 então v ∈ S1 e v ∈ S2 . Então, kv ∈ S1 pois S1 ≤ V e
kv ∈ S2 pois S2 ≤ V . Logo, kv ∈ S1 ∩ S2 .
Exemplo 3.1.10.
Soma
Sejam S1 e S2 subespaços do espaço vetorial real V . O conjunto soma
de S1 e S2 , S1 + S2 = {v + u, v ∈ S1 e u ∈ S2 } é também um subespaço
vetorial de V (a prova é um exercício).
Exemplo 3.1.11.
53
k1 + k2 = x
Assim, k2 + k3 = y .
k =z
3
Soma Direta
Sejam S1 e S2 subespaços do espaço vetorial real V . A soma de S1 + S2
é denominada soma direta quando S1 ∩ S2 = {0V }.
Notação: S1 ⊕ S2 .
v = k1 v1 + k2 v2 + . . . + kn vn
54
k1
k2
Notação: vB = (k1 , k2 , . . . , kn ) e na forma matricial [v]B = .
..
.
kn
Toda vez que a expressão “coordenadas em relação a uma base"é utili-
zada, uma base ordenada está sendo considerada.
Exemplo 3.1.13. Considere o vetor v = (1, 2).
1. A base canônica do R2 . " #
1
(1, 2) = 1(1, 0) + 2(0, 1), ou seja, [v] = .
2
55
Portanto, a a11 + b a12 e a a21 + b a22 são as coordenadas de v em relação
à base B. " #
aa11 + ba12
Assim, [v]B = .
aa21 + ba22
" # " #
a11 a12 a
Podendo ser rescrito como, [v]B = . .
a21 a22 b
" #
a11 a12
A matriz acima é denotada por [I]A
B sendo denominada a
a21 a22
matriz de transição da base A para a base B. As colunas da matriz [I]A
B são
as coordenadas dos vetores da base A em relação à base B.
Obtém-se a equação matricial,
[v]B = [I]A
B [v]A .
teremos que:
[v]A = [I]B
A [I]B [v]A .
A
−1
Logo, ([I]B
A) = [I]A
B.
3.1.9 Exercícios
1. Verifique se R2 é um espaço vetorial, para as operações definidas
abaixo.
56
(f) S = {(0, y, y), y ∈ R}.
x−y+z =2
3. Verifique se o conjunto solução do sistema 2x + 4y − z = 0 é um
x − 2y − z = 1
subespaço vetorial de R3 .
57
(i) ( ) [(1, 2)] possui somente duas bases {(1, 2)} e {(2, 4)}.
(j) ( ) {(1, 0, 4), (7, 8, 0)} é base de [(1, 0, 4), (7, 8, 0)].
(k) ( ) Todo conjunto LI de vetores é uma base de seu subespaço
gerado.
(l) ( ) {(3, 5), (0, 0)} é base do R2 .
(m) ( ) {(2, 3), (4, 5), (7, 9)} gera o R2 então {(2, 3), (4, 5)}, {(2, 3), (7, 9)}
e {(4, 5), (7, 9)} são bases do R2 .
(n) ( ) Se [v1 , v2 , v3 , v4 ] = R3 então quaisquer três vetores deste con-
junto formam uma base do R3 .
(o) ( ) Um conjunto com três vetores do R3 é base do R3 .
(p) ( ) Um conjunto com mais do que três vetores do R3 não será
uma base do R3 .
(q) ( ) {(1, 2, 3), (2, −1, 3)} é base do R2 .
(r) ( ) Qualquer base de um espaço vetorial tem sempre o mesmo
número de elementos.
(s) ( ) {(2, 3), (x, y)} é base do R2 quando (x, y) ∈
/ [(2, 3)].
(t) ( ) Sejam V um espaço vetorial n-dimensional e o conjunto {v1 , v2 , . . . , vn−1 } ⊂
V LI. Então {v1 , v2 , . . . , vn−1 , v} é base de V qualquer que seja o
vetor v ∈ V .
(u) ( ) Se dim V = n então qualquer conjunto LI com n vetores é
uma base de V .
(v) ( ) Todo conjunto gerador de um espaço vetorial V é uma base
para V .
(w) ( ) Se S = [(1, 0, −1), (2, 1, 3), (1, 1, 4)] então dim S = 3.
12. Para que valores de k os vetores (1, 2, 0, k), (0, −1, k, 1), (0, 2, 1, 0) e
(1, 0, 2, 3k) geram um espaço tridimensional?
(a) {(x, y, z) ∈ R3 , y = 2x e z = y}
(b) {(x, y, z) ∈ R3 , x + 2y − z = 0}
(c) {(x, y, z) ∈ R3 , y = 0 e x + z = 0}
(d) {(x, y, z) ∈ R3 , 2x − 3y − z = 0 e 3x − z = 0}
(e) {(x, y, z) ∈ R3 , 2x + y − 4z}
(f) {(x, y, z) ∈ R3 , x + y − z = 0, 2x − y − z = 0 e x + z = 0}
14.
Encontre uma base e a dimensão para o conjunto solução do sistema
x + 2y − 2z − t = 0
2x + 4y + z + t = 0 .
x + 2y + 3z + 2t = 0
58
15. Mostre que a soma de subespaços é também um subespaço.
17. Seja v = (1, 2, 3) e a base A = {(1, 0, 3), (−1, 7, 5), (2, −1, 6)} ⊂ R3 .
Indique [v]A .
18. Considere A = {(1, 1, 1), (0, 2, 3), (0, 2, −1)} uma base para o R3 . En-
contre as coordenadas de v = (3, 5, −2) em relação a esta base.
19. Seja A = {(−1, 1, 1), (0, 2, 3), (0, 0, −1)} e [v]A = (−2, 0 − 3). Deter-
mine v.
" #
1
20. Sendo A = {(−3, −1), (2, 0)} uma base para o R e [v]A = 2
.
5
Encontre:
22. Dadas as bases A = {(−1, 0, 2), (0, 1, 0), (0, 0, 2)} e B = {(0, 0, 1), (0, −2, 1), (1, 0, −1)}
do R3 .
23. Dadas as bases A = {(−3, 0, 3), (−3, 2, −1), (1, 6, −1)} e B = {(−6, −6, 0), (−2, −6, 4), (−2, −3, 7
do R3 .
59
(a) Achar a matriz mudança de base de B para A.
(b) Dado v = (−5, 8, −5), calcule [vA ].
" #
1 −2
24. Seja [I]A
B = e B = {(1, −2), (2, 0)}. Determine a base A.
0 −3
" #
1 2
25. Seja a matriz mudança de base de B para A. Determinar a
0 3
base A, sabendo que B = {(1, −1), (0, 1)}.
−1
[v]A = , w1 = u1 − u2 e w2 = 2u1 − 3u2 , determine [v]B .
0
27. Considere A = {(1, 1, 1), (0, 2, 3), (0, 2, −1)} e B = {(1, 1, 0), (1, −1, 0), (0, 0, 1)}
do R3 . Determine as matrizes mudança de base.
Respostas
1. Nenhum deles é espaço vetorial.
3. Não
4
4. (1, −2) = 1.(1, 2) − .(0, 3)
3
5. (−2, 1, 0) = −2.(1, 2, 0) + 5.(0, 1, 0). Sim.
1 3 3
6. x2 + x − 1 = − (x2 − 2x) + (2x2 − )
2 4 4
7. Sim
8. 4x − 2y + z = 0
10. Demonstração
11. a) (F) b) (V) c) (V) d) (F) e) (F) f ) (F) g) (F) h) (F) i) (V) j) (V) l)
(V) m) (F) n) (F) o) (V) p) (F) q) (F) r) (V) s) (F) t) (V) u) (F) v)
(F) w) (F)
3
12. k = 1 ou k = −
2
13. (a) {(2, 1, 2)} e dimensão é 1.
(b) {(1, 0, 1), (0, 1, 2)} e dimensão é 2.
60
(c) {(1, 0, −1)} e dimensão é 1.
(d) {(3, 1, 9)} e dimensão é 1.
(e) {(1, −2, 0), (0, 4, 1)} e dimensão é 2.
(f) O subespaço é nulo {0, 0, 0)} então a dimensão é 0.
15. Demonstração.
5
17. [v]A = 0
−2
3
18. [v]A = −1
2
2
19. [v] = −2
1
" #
7
20. (a) [v] =
−1
" #
4
(b) [v]B =
−1
1
1
21. [v]B = 1
−1 −
3
61
1
1 2
2
22. (a) [I]A
B =
1
0 − 0
2
−1 0 0
6
(b) [v]B = −1
1
1 17
0 −
2 9
3 1 5
23. (a) [I]B = − −
A
2 2 4
3 5 1
− − −
2 6 12
7
6
14
(b) [v]A = −
3
4
3
24. A = {(1, −2), (−8, 4)}
2
25. A = {(1, −1), (− , 1)}
3
26. [v]B = (−3, 1)
1 1 1
27. [I]A = 0 −1 −1
B
1 3 1
1 1 0
1 3 1
[I]B =
− −
A 4 2 4
1 1 1
− −
4 2 4
62
Teorema 3.1.18. Para quaisquer u, v ∈ V , se u + v = 0V então u = −v.
63
Corolário 3.1.35. Seja {v1 , v2 , . . . , vr } ⊂ V . Se {v1 , v2 , . . . , vr } é uma base
de V então todo vetor v pode ser escrito de forma única como combinação
linear dos vetores v1 , v2 , . . . , vr da base.
64
Teorema 3.1.47. Para quaisquer subespaços vetoriais S e U de V , S ∩ U 6=
∅ e S + U 6= ∅.
65
Capítulo 4
Transformações lineares
2. (TL2) Para todo v ∈ V e para todo k ∈ R, tem-se que T (k.v) = k.T (v).
(a) (TL1) T ((x, y) + (z, t)) = T (x, y) + T (z, t), para quaisquer (x, y),
(z, t) ∈ R2 ?
66
2. Considere T : R3 → R3 definida por T (x, y, z) = (x, y, 0). (Verifique!)
Esta transformação linear associa a cada vetor do R3 sua projeção
ortogonal sobre o plano XY .
67
Figura 4.2: T (2, 1) = (−2, 1)
68
(a) Se k > 1: dilatação.
(b) Se 0 < k < 1: contração.
69
Figura 4.9: k = 3 e T (2, 1) = (2, 7)
√
Figura 4.10: θ = 45◦ Tθ (1, 1) = (0, 2)
4.1.2 Propriedades
1. Se T : V → W é uma transformação linear então T (0V ) = 0W .
Demonstração: Sabemos que T (0V ) = T (0V +0V ) = T (0V )+T (0V ).
Mas, T (0V ) = T (0V )+0W , pois T (0V ) ∈ W e 0W é o elemento neutro
em W . Assim, T (0V ) + T (0V ) = T (0V ) + 0W , logo T (0V ) = 0W .
Portanto, se T (0V ) 6= 0W então T não é uma transformação linear.
No entanto, o fato de T (0V ) = 0W . não é suficiente para que T seja
linear.
Por exemplo, T : R2 → R2 tal que T (x, y) = (x2 , y 2 ).
70
4.1.3 Obtendo a Lei de uma Transformação Linear
Seja T : R2 → R2 um operador linear tal que T (2, 3) = (−1, 5) e
T (0, 1) = (2, 1). Como encontrar a lei que define este operador?
Solução 4.1.4. {(2, 3), (0, 1)} forma uma base para R2 .(Verifique!) Por-
tanto, qualquer vetor (x, y) pode ser escrito como combinação linear destes
vetores, ou seja, (x, y) = k1 (2, 3) + k2 (0, 1) com k1 , k2 ∈ R.
(x, y) = k1 (2, 3) + k2 (0, 1)
= (2k1 , 3k1 ) + (0, k2 )
= (2k1 , 3k1 + k2 )
Assim, x = 2k1 e y = 3k1 + k2 .
x 2y − 3x
Então, k1 = e k2 = .
2 2
x 2y − 3x
Logo, (x, y) = (2, 3) + (0, 1).
2 2
Aplicando o operador linear:
x 2y − 3x
T (x, y) = T (2, 3) + (0, 1)
2 2
x 2y − 3x
= T (2, 3) + T (0, 1)
2 2
x 2y − 3x
= T (2, 3) + T (0, 1)
2 2
x 2y − 3x
= (−1, 5) + (2, 1)
2 2
x x 2y − 3x 2y − 3x
= − ,5 + 2 ,
2 2 2 2
x 2y − 3x x 2y − 3x
= − +2 ,5 +
2 2 2 2
4y − 7x
= ,x + y
2
4y − 7x
Logo, T (x, y) = ,x + y .
2
71
1. N (T ) é um subespaço vetorial de V .
2. Im(T ) é um subespaço vetorial de W .
3. (Teorema do Núcleo e da Imagem) Seja T : V → W uma transforma-
ção linear, então dimV = dim(N (T )) + dim(Im(T )).
Exemplo 4.1.7. Seja T : R2 → R3 tal que T (x, y) = (0, x + y, 0).
N (T ) = {(x, y) ∈ R2 |T (x, y) = (0, 0, 0)}
Então, T (x, y) = (0, x + y, 0) = (0, 0, 0), ou seja, x + y = 0 ∴ y = −x. Por-
tanto, N (T ) = {(x, y) ∈ R2 |y = −x} = {(x, −x)|x ∈ R}. E ainda, {(1, −1)}
forma uma base para N (T ) e dim(N (T )) = 1.
72
4.1.6 Transformação Linear Sobrejetora
Definição 4.1.12. Uma transformação linear T : V → W é sobrejetora se
o conjunto imagem de T é o conjunto W , isto é, Im(T ) = W .
73
Teorema 4.1.16. Seja T : V → W uma transformação. A transformação
T é bijetora se e somente se T é invertível.
v = k1 v1 + k2 v2 + . . . + kn vn
com k1 , k2 , . . . , kn ∈ R.
Aplicando a transformação linear T ,
T (v) = T (k1 v1 + k2 v2 + . . . + kn vn )
(1)
T (v) = k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn )
T (v) = l1 w1 + l2 w2 + . . . + lm wm (2)
com l1 , l2 , . . . , ln ∈ R.
Como T (vi ) ∈ W para todo i = 1, 2, . . . , n
74
T (v1 ) = a11 w1 + a21 w2 + . . . + am1 wm
T (v2 ) = a12 w1 + a22 w2 + . . . + am2 wm
.. (3)
.
T (vn ) = a1n w1 + a2n w2 + . . . + amn wm
Na forma matricial:
l1 a11 a12 ... a1n k1
l2
a21 a22 ... a2n k2
=
.. .. . .
.
. . .
lm am1 am2 . . . amn kn
ou seja, [T (v)]B = [T ]A
B .[v]A .
A matriz [T ]A B é a matriz associada a transformação T em relação as
bases A e B.
1 0
Então, [T ]B = 0 1 .
A
1 1
" #
2
Agora considere o vetor [v]A = . Assim, aplicando T , tem-se:
3
1 0 2
" #
2
[T (v)]B = [T ]B .[v]A = 0 1 .
A
= 3
3
1 1 5
75
Vamos repetir o mesmo exercício anterior agora com as bases A0 = {(1, 2), (1, 0)} ⊂
R2 e B 0 = {(1, 1, 0), (1, 0, 1), (0, 0, 1)}:
2 0
Então, [T ]A = −1 1 .
B
4 0
3
" #
2
Agora considere o vetor [v]A = . Então, [v]A0 = 21 . Assim,
3
2
aplicando T , tem-se:
3
2 0 3
= −1 1 . 21 = −1
0
[T (v)]B 0 = [T ]A
B 0 .[v]A0
4 0 6
2
Quando os espaços vetoriais do domínio e do contradomínio são distintos,
naturalmente, as bases serão distintas. No importante caso dos operadores
lineares T : V → V , quando domínio e contradomínio coincidem, é natural
utilizarmos uma única base para representar o operador. Consistentemente
escrevemos
[T (ν)]A = [T ]A · [ν]A
Repare que não precisamos escrever [T ]AA . Evitando a redundância, su-
avizamos a notação e escrevemos simplesmente [T ]A .
Contudo, temos a liberdade de escolher outra base em V para representar
T . Se escolhermos a base B, escrevemos
[T (ν)]B = [T ]B · [ν]B .
[ν]B = [I]A
B · [ν]A , [ν]A = [I]B
A · [ν]B ,
[T (ν)]B = [I]A
B · [T (ν)]A , [T (ν)]A = [I]B
A · [T (ν)]B ,
[T ]B = [I]A
B · [T ]A · [I]A ,
B
[T ]A = [I]B
A · [T ]B · [I]B ,
A
76
Exemplo 4.1.19. T : R3 → R3 , definido por
e
A = {(1, 1, 1), (1, 1, 0), (1, 0, 0)} .
Vamos exibir [T ]A e verificar a validade da fórmula [T (ν)]A = [T ]A · [ν]A
para todo ν ∈ R3 .
3 3 3
[T ]A = −6 −6 −2 .
6 5 −1
e tem-se
3a
[T (ν)]A = −2a − 4b .
−a + 6b + c
Por outro lado,
3 3 3 3a
c
−6 −6 −2 · b − c = −2a − 4b ,
6 5 −1 a−b −a + 6b + c
77
confirmando [T (ν)]A = [T ]A · [ν]A .
De modo análogo, temos que considerando a base
−4 1 1
[T ]B = −1 −2 −1
4 2 2
1 1 0 1 0 1
[I]A = 1 2 1 [I]B = 0 0 −1 .
B A
0 −1 0 −1 1 1
1 1 0 3 3 3 1 0 1
[T ]B = 1 2 1 · −6 −6 −2 · 0 0 −1
0 −1 0 6 5 −1 −1 1 1
1 1 0 0 3 3
= 1 2 1 · −4 −2 −2
0 −1 0 7 −1 0
−4 1 1
= −1 −2 −1
4 2 2
78
Exemplo 4.1.21. Considere o operador G(x, y, z) = (x + y, −x + z, x +
2y + z). Conforme vimos anteriormente, podemos efetuar os cálculos que
identificam o núcleo, a imagem e as, respectivas, bases utilizando a re-
presentação de G na base canônica. Ao fazer os cálculos, e peço-lhe que
os faça em detalhes como um exercício de recapitação, devemos encontrar
Im(G) = {(x, y, z) ∈ R3 /2x + y − z = 0}, N (G) = [(1, −1, 1)]. Uma pos-
sível base da imagem pode ser {(1, −2, 0), (1, 0, 2)}. Digamos que se queira
utilizar uma outra base ordenada A = {(0, 1, 0), (0, 1, −1), (1, 0, 1)} para re-
presentar o operador G. Nesse caso, os cálculos diretos (confira) nos levarão
à
1 −1 1
[G]A = −1 0 −1 .
1 1 1
Lembrando que também poderíamos obter a representação acima fazendo uso
da fórmula [G]A = [I]can
A · [G]can · [I]can , onde
A
0 0 1
[I]A = 1 1 0
can
0 −1 1
é facilmente obtida à partir da base A. Nesta base temos [G(ν)]A = [G]A ·
[ν]A . O cálculo segue o mesmo argumento: se
x
[G(ν)]A = y , G(ν) ∈ Im(G) ,
z
então o sistema
1 −1 1
a x
−1 0 −1 · b =
y ,
1 1 1 c z
onde [ a b c ]t são as coordenadas de um vetor genérico relativas à base
A, necessariamente tem de ser compatível. Aprendemos que se obtém a
condição de compatibilidade impondo a igualdade entre o posto da matriz
ampliada e o posto da matriz dos coeficientes. Fazendo os cálculos você
encontrará que as coordenadas dos vetores relativas à base A na imagem
de G estão exclusivamente no conjunto Im([G]A ) = {(x, y, z) ∈ R3 /x +
2y + z = 0} (verifique). Uma base de Im([G]A ) pode ser encontrada fa-
cilmente: {(1, 0, −1), (2, −1, 0)}, por exemplo. Observamos imediatamente
que Im([G]A ) 6= Im(G). De fato, e é exatamente o ponto que queremos
focalizar, uma vez que obtivemos uma base de Im([G]A ), podemos calcular
uma base de Im(G) usando a matriz [I]A can :
0 0 1 1 0 0 1 2 0
−1
1 1 0 · 0 = 1 , 1 1 0 · −1 = 1 .
0 −1 1 −1 −1 0 −1 1 0 1
79
Por último, calculamos o espaço gerado por (−1, 1, −1) e (0, 1, 1). Fica
como exercício mostrar que [(−1, 1, −1), (0, 1, 1)] coincide com Im(G) ante-
riormente calculado.
As matrizes associadas a alguns dos operadores lineares no espaço veto-
rial R2 em relação à base canônica A{(1, 0), (0, 1)}.
Operador " [T ]A
A .[v]
# A " # = [T (v)]A#
"
1 0 x x
Reflexão em torno do eixo X . =
0 −1 y −y
" # " # " #
k 0 x kx
Dilatação ou contração de fator k . =
0 k y ky
" # " # " #
1 0 x x
Cisalhamento na direção do eixo Y . =
k 1 y kx + y
" # " # " #
cosθ −senθ x xcosθ − ysenθ
Rotação . =
senθ cosθ y xsenθ + ycosθ
(T + S) V → W
v → (T + S)(v) = T (v) + S(v)
uma base de W .
Exemplo 4.1.22. Sejam T, S : R3 → R3 tal que T (x, y, z) = (x, 2y, z)
e S(x, y, z) = (0, 0, z).
A transformação soma é dado por T + S : R3 → R3 tal que (T +
S)(x, y, z) = (x, 2y, 2z).
1 0 0 0 0 0 1 0 0
80
(k.T ) V → W
v → (kT )(v) = k.T (v)
Matricialmente, [kT ]A
B = k.[T ]B , onde A é uma base de V e B uma
A
base de W .
Exemplo 4.1.23. Seja T : R2 → R3 tal que T (x, y) = (x + 2y, y, 3x)
e k = 2.
Então, (2T ) : R2 → R3 tal que 2T (x, y) = (2x + 4y, 2y, 6x).
1 2 2 4
(S ◦ T ) V → U
v → (S ◦ T )(v) = S(T (v))
Matricialmente, [S ◦ T ]A
C = [S]C .[T ]B , onde A é uma base de V , B
B A
81
4.1.11 Propriedades de Transformações Invertíveis
Sejam T : V → W e S : W → U transformações lineares invertíveis e
k ∈ R com k 6= 0.
1. (T −1 )−1 = T
1 −1
2. (k.T )−1 = T
k
3. (S ◦ T )−1 = T −1 ◦ S −1
4.1.12 Exercícios
1. Verificar se as transformações são lineares:
T : R3 → R2
(a)
(x, y, z) → T (x, y, z) = (x2 , y + z)
T : R3 → R2
(b)
(x, y, z) → T (x, y, z) = (x, 2y)
T : R2 → R2
(c) com a e b ∈ R − {0}.
(x, y) → T (x, y) = (x + a, y + b)
T : R3 → R
(d)
(x, y, z) → T (x, y, z) = x − 3y + 1
T : R3 → R
(e)
(x, y, z) → T (x, y, z) = |x|
T : R3 → R3
(f)
(x, y, z) → T (x, y, z) = (x, 0, y + z)
T : R3 → R
(g)
(x, y, z) → T (x, y, z) = x + y + z
82
5. "
Considere
# "a transformação
# linear T : R2 → M2×1 (R) tal que T (x, y) =
1 2 x
. Determine T (1, 1), T (−3, 4) e T (x, y).
0 1 y
83
11. Seja o operador linear T no R3 tal que T (x, y, z) = (x + 2y, y, x + z).
Mostre que T é um isomorfismo e indique sua inversa.
12. Considere B = {(1, 2, 1), (1, 1, 1), (−1, 0, 1)} uma base do R3 .
(a) [T ]A
B considerando A e B bases canônicas do R e R , respectiva-
3 2
mente.
(b) [T ]C
D onde C = {(1, 0, 0), (0, −1, 0), (0, 0, 2)} e {(1, 2), (2, 1)}.
(c) [T (v)]D onde v = (1, 1, 0).
(a) S + T
(b) 2S + 4T
(c) S ◦ T
(d) T ◦ S
2 0
(a) Encontre a matriz de T na base {(1, 1, 0), (1, 0, 1), (1, 0, 0)}.
(b) Encontre [T (1, 0, −1]B utilizando [T ]B
B.
1 0 2
84
(a) Ache uma base para o núcleo de T , N (T ).
(b) Ache uma base para a imagem T , Im(T ).
(c) T é sobrejetora ? E injetora?
(d) Determine a matriz associada a T em relação a base {(1, 2, 0), (0, −1, 1), (0, 1, 2)}.
(a) Ache a matriz associada a T relativa as bases A = {(1, 3), (−2, 4)}
e B = {(1, 1, 1), (2, 2, 0), (3, 0, 0)}.
(b) Use a matriz
! do item anterior para calcular [T (v)]B onde [v]A =
−1
.
2
−1 2
85
2 −1
22. Considere [T ]B = 1 0 onde A = {(1, 0), (−1, 1)} e B = {(1, 2, 3), (0, −1, 1), (0, 0, 2)}.
A
0 2
Encontre as coordenadas de [T (v)]B sabendo
" #que as coordenadas de v
−1
em relação à base canônica do R2 são .
2
cos(θ) −sen(θ)
relação à base canônica é , aplicada a um vetor
sen(θ) cos(θ)
" #
x
[v] = indica a rotação do vetor v de um ângulo θ. Utilizando a
y
matriz de rotação, determine o vértice C(x, y) de um triângulo retân-
gulo e isósceles em A, de vértices A(2, 1), B(5, 3) e C(x, y).
−2 0 0
4.1.13 Respostas
1. a) Não b) Sim c) Não d) Não e) Não f) Sim g) Sim.
2. k = 0
3. Sim
4. T (v) = (0, 2), T (u) = (2, 0), T (t) = (4, 2) e T (w) = (2, 4). Faça a
representação gráfica em papel milimetrado para melhor compreensão.
86
(c) N (T ){(−6z, −3z, z)|z ∈ R} e Im(T ) = [(1, 1, 0), (−1, −2, 1), (3, 0, 3)]
(d) N (T ) = {(0, 0, 0)} e Im(T ) = R3
1
10. (a) T −1 : R3 → R3 tal que T −1 (x, y, z) = (6x + 2y − 2z, 3x − 3y −
8
z, −x + y + 3z)
(b) T −1 : R2 → R2 tal que T −1 (x, y) = (2x − y, −x + y)
(c) T −1 : P2 (R) → R3 tal que T −1 (aX 2 +bX +c) = (3a−b−c, −2a+
b + c, a − b)
" #
x y
(d) T −1 : M2×2 (R) → R4 tal que T −1 = (z, t, x, y)
z t
−3 1 1
16. (a) [T ]B = 3
B
3 3
2 −3 −4
1
(b) [v]B = 3
−5
87
17. (a) Uma base para N (T ) é dada por {(0, 1, 0)} e dimN (T ) = 1
(b) Uma base para Im(T ) é dada por {(1, 3, 2), (2, −1, 0)} e dimIm(T ) =
2
(c) Não. Não.
21 4
6 10 20
(d)
3 3
5 10
2 −
−
3 3
0 0
1
1
18. (a) [T ]A −
B =
2
8 4
3 3
0
5
(b) [T (v)]B =
2
8
3
19. (a) T (x, y) = (−x + 2y, 3x, 2x + y)
(b) N (T ) = {(0, 0)}, não tem base.
(c) Uma base para Im(T ) é dada por {(−1, 3, 2), (2, 0, 1)}
" #
2 −1 3
20. (a) [T ]A =
B
4 2 3
7 7
6
2 2
(b) [T ]C
D =
5 3
− − −1
2 2
1 1
1 0 1
2 2
D = [I]D [T ]B [I]D onde [I]A = 1 1 0 e [I]D = 1
(c) [T ]C B A C C C
1
0 1 1 −
2 2
2 1
21. (a) [T ]A = 0 1
B
1 1
0 1
−1 1
(b) [T ]C =
2
D
1
0
6
88
1 0 0
" #
1 0
(c) [T ]B = [I]B T ]D [I]C onde [I]B = 0 2 0 e [I]C =
A D C A D A
2 1
0 1 3
−4
−7
22. [T (v)]B =
23
3
23. C(0, 4) ou C(4, −2)
25. Demonstração.
89
Proposição 4.1.35. T é bijetora se e somente se for invertível.
90
Capítulo 5
Exemplo 5.1.1.
91
1. hu, kvi = khu, vi
4. hu, 0V i = 0
5. Se u 6= 0V e hu, vi = 0 então v = 0V .
6. hu − v, wi = hu, wi − hv, wi
92
1. d(u, v) ≥ 0 e d(u, v) = 0 se e somente se u = v.
2. d(u, v) = d(v, u)
Exemplo 5.1.8. O conjunto {(1, 2, 0), (2, −1, 3), (−6, 3, 5)} é uma base or-
1 2 2 1 3 6 3 5
togonal e o conjunto {( √ , √ , 0), ( √ , − √ , √ ), (− √ , √ , √ )}
5 5 14 14 14 6 2 6 2 6 2
uma base ortonormal do R3 .
1. 0V ⊥v.
93
5.2 Processo de ortogonalização de Gram-Schmidt
O processo de ortogonalização de Gram-Schmidt resolve o pro-
blema de a partir de uma base qualquer de um espaço vetorial munido de
um produto interno, se obter uma base ortogonal. E, posteriormente, se
obter uma base ortonormal. O processo será apresentado para os espaços
vetoriais R2 e R3 para o produto interno usual e depois generalizado.
u2 ku1
Exemplo 5.2.1. Ortogonalizando a base {(1, 2), (3, 5)} pelo processo de de
Gram-Schmidt.
94
• u1 = v1 = (1, 2)
hu1 , v2 i h(1, 2), (3, 5)i 13
• u2 = v2 − u1 = (3, 5) − (1, 2) = (3, 5) − (1, 2) =
hu1 , u1 i h(1, 2), (1, 2)i 5
2 1
( ,− )
5 5
13 26
O vetor ( , ) é a projeção ortogonal do vetor (3, 5) no subespaço [(1, 2)].
5 5n
2 1 o n 1 2 2 1 o
O conjunto (1, 2), ( , − ) é uma base ortogonal e ( √ , √ ), ( √ , − √ )
5 5 5 5 5 5
uma base ortonormal do R2 .
u3
v3
u2
k2 u2
k1 u1
k1 u1 + k2 u2
u1
hu1 , u3 i = 0
hu1 , v3 − k2 u2 − k1 u1 i = 0
hu1 , v3 i − k2 hu1 , u2 i − k1 hu1 , u1 i = 0
hu1 , v3 i
Mas, u1 ⊥u2 ∴ hu1 , u2 i = 0 ∴ hu1 , v3 i − k1 hu1 , u1 i = 0 ∴ k1 =
hu1 , u1 i
95
hu2 , u3 i = 0
hu2 , v3 − k2 u2 − k1 u1 i = 0
hu2 , v3 i − k2 hu2 , u2 i − k1 hu2 , u1 i = 0
hu2 , v3 i
Mas, u1 ⊥u2 ∴ hu2 , u1 i = 0 ∴ hu2 , v3 i − k2 hu2 , u2 i = 0 ∴ k2 =
hu2 , u2 i
hu2 , v3 i hu1 , v3 i
Desta forma, u3 = v3 − u2 − u1 .
hu2 , u2 i hu1 , u1 i
O vetor k1 u1 + k2 u2 é a projeção ortogonal do vetor v3 no subespaço
hu1 , v3 i
gerado pelos vetores u1 e u2 . proj[u1 ,u2 ] v3 = k1 u1 + k2 u2 = u1 +
hu1 , u1 i
hu2 , v3 i
u2 .
hu2 , u2 i n u
1 u2 u3 o
Logo, {u1 , u2 , u3 } é uma base ortogonal e , , é uma
ku1 k ku2 k ku3 k
base ortonormal do R3 .
5.2.3 Generalização
Considere {v1 , . . . , vn } uma base de V e os vetores:
u1 = v1
hu1 , v2 i
u2 = v2 − u1
hu1 , u1 i
........................
n−1
X hui , vn i
un = vn − ui
i=1
hu i , ui i
n u un o
1
Então, {u1 , . . . , un } é uma base ortogonal e ,..., uma base
ku1 k kun k
ortonormal de V .
Para j = 2, . . . , n, a projeção ortogonal do vetor vj no subes-
paço gerado pelos vetores u1 , . . . , uj−1 é o vetor proj[u1 ,...,uj−1 ] vj =
j−1
X hui , vj i
ui
i=1
hui , ui i
96
Seja {(0, 1, 0), (0, 0, 1)} uma base de S. Assim,
S ⊥ = {(x, y, z) ∈ R3 , (x, y, z)⊥(0, 1, 0) e (x, y, z)⊥(0, 0, 1)}.
h(x, y, z), (0, 1, 0)i = 0 e h(x, y, z), (0, 0, 1)i = 0 ∴ y = 0 e z = 0
Então, S ⊥ = {(x, y, z) ∈ R3 , y = 0 e z = 0}.
2. S = {(3y − z, y, z), y, z ∈ R}. Seja {(3, 1, 0), (−1, 0, 1)} uma base de
S.
S ⊥ = {(x, y, z) ∈ R3 , h(x, y, z), (3, 1, 0)i = 0 e h(x, y, z), (−1, 0, 1)i =
0}.
(
3x + y = 0
Assim,
−x + z = 0
Então, S ⊥ = {(z, −3z, z), z ∈ R}.
1. S ⊥ 6= ∅
2. S ⊥ ≤ V
3. S ∩ S ⊥ = {0V }
5. V = S ⊕ S ⊥
5.4 Exercícios
1. Verifique se as funções abaixo definem produtos internos no R2 .
97
2. Considere o espaço vetorial das matrizes quadradas M atn (R) com as
operações usuais. Mostre que a função hA, Bi = tr(A B T ) é um pro-
duto interno.
8. Considere
√ o produto interno usual no R2 , kuk = 3, kvk = 4 e ku+vk =
2 5. Indique o ângulo entre v e u.
(a) usual.
(b) h(x, y), (z, t)i = 4xz + 3yt.
14. A partir da base {(1, 2), (3, 5)} indique duas bases ortonormais distin-
tas.
98
16. Ortonormalize as bases:
17. Seja o subespaço S gerado pela base ortogonal {(0, 1, 0), (−4, 0, 3)}.
Encontre a projeção do vetor (1, 1, 1) em S.
20. Considere o produto interno h(x, y, z), (w, r, t)i = xw + 2yr + 3zt do
R3 . Ortogonalize a base {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
21. Considere o produto interno h(x, y, z), (w, r, t)i = 2xw + 3yr + 4zt do
R3 e o subespaço S = {(z, y, z), y, z ∈ R}. Indique S ⊥ , uma base e sua
dimensão.
5.4.1 Gabarito
1. Apenas as letras a e h são produtos internos.
2. Demonstração
√
√ 5 6
3. a- 30 b-
2
4. k = ±2
5. Demonstração
3
6. k = ±
5
√ 13
7. a- Interpletação geométrica. b- d(u, v) = 13 e θ = arccos √
170
5
8. θ = arccos −
24
9. a- Sim b- Não
99
10. Demonstração
13. Sim
2 1 5 3
14. {(1, 2), , − } e {(3, 5), − , }
5 5 34 34
( √ √ √ !
14 − 14 3 14 6 3 5
)
15. , , , −√ , √ , √
7 14 14 70 70 70
16. Use o processo de ortogonalização de Graham Schmitz
4 3
17. projS (1, 1, 1) = , 1, −
25 25
2 1 1 1 1
18. a- (1, 0, 2), − , 1, b- projS (1, 1, −1) = − , , −
5 5 3 3 3
19. a- S ⊥ = {(x, −3x, x)|x ∈ R} b- S ⊥ = {(x, x, x)|x ∈ R}
21. S ⊥ = {(−2z, 0, z)|z ∈ R}, {(−2, 0, 1)} forma uma base para S ⊥ e
dimS ⊥ = 1.
100
Capítulo 6
Autovalores e autovetores
• Observe que o conujunto {(1, 0), (1, 2)} forma uma base para o
R2 (Verificar!). E portanto, podemos escrever:
2x − y y
(x, y) = .(1, 0) +
.(1, 2);
2 2
• Pela definição vista acima temos que T (1, 0) = −1(1, 0) = (−1, 0)
e T (1, 2) = 3(1, 2) = (3, 6);
101
• Assim, pela definição de transformações lineares, temos que:
2x − y y
T (x, y) = T .(1, 0) + .(1, 2)
2 2
2x − y y
T (x, y) = T .(1, 0) + T .(1, 2)
2 2
2x − y y
T (x, y) = .T (1, 0) + .T (1, 2)
2 2
2x − y y
T (x, y) = (−1, 0) + (3, 6)
2 2
2x − y y y
T (x, y) = − , 0 + 3. , 6.
2 2 2
T (x, y) = (−x + 2y, 3y)
Observação 6.1.3. (∗) Por que podemos escolher qualquer base para cal-
cular o polinômio característico de um operador linear?
102
Sejam dadas β e α duas bases quaisquer de V , sabemos que existe uma rela-
ção entre as matrizes associadas ao operador linear T relativas à cada base
dada por:
[T ]β = [P ].[T ]α .[Q]
onde [P ] é a matriz mudança de base α para a base β e [Q] sua inversa (ou
seja, [P ].[Q] = In e det[P ].det[Q] = 1). Assim:
p(λ) = det([T ]β − λIn )
p(λ) = det([P ].[T ]α .[Q] − λIn )
p(λ) = det([P ].[T ]α .[Q] − λ[P ].In .[Q])
p(λ) = det([P ].([T ]α − λIn ).[Q])
p(λ) = det[P ].det([T ]α − λIn ).det[Q]
p(λ) = det[P ].det[Q].det([T ]α − λIn )
p(λ) = det([T ]α − λIn )
103
(
x − 4y = −x
∴ x = 2y.
2x − 5y = −y
[T ] = 1 1 1 e I3 = 0 1 0
1 3 −1 0 0 1
2 1 0 1 0 0 2−λ 1 0
104
λ−6).E ainda, fazendo det([T ]−λI3 ) = 0 temos (1−λ)(λ2 −λ−6) = 0
e λ1 = 1, λ2 = 3 e λ3 = −2.
Logo, temos que o polinômio característico de T é dado por (1−λ)(λ2 −
λ − 6) e seus autovalores são λ1 = 1, λ2 = 3 e λ3 = −2.
Agora vamos determinar os autoespaços associados a 1, 3 e −2:
Quando λ = 1, temos T (x, y, z) = 1(x, y, z), ou seja, (2x + y, x + y +
z, x + 3y − z) = 1(x, y, z).
2x + y = x
x + y + z = y ∴ y = −x e z = −x.
x + 3y − z = z
0 1 1 1 0 0
[T ] = 1 0 1 e I3 = 0 1 0
1 1 0 0 0 1
105
0 1 1 1 0 0 −λ 1 1
Assim, [T ]−λI3 = 1 0 1 −λ 0 1 0 = 1 −λ 1 .
1 1 0 0 0 1 1 1 −λ
−λ 1 1
[T ] = 0 −2 0 e I3 = 0 1 0
0 1 −2 0 0 1
−1 0 0 1 0 0 0 0
−1 − λ
Assim, [T ]−λI3 = 0 −2 0 −λ 0 1 0 = 0 −2 − λ 0
0 1 −2 0 0 1 0 1 −2 − λ
0 0
−1 − λ
Então, det([T ] − λI3 ) = det 0 −2 − λ 0 = (−1 −
0 1 −2 − λ
106
λ)(−2 − λ)(−2 − λ). E ainda, fazendo det([T ] − λI3 ) = 0 temos
(−1 − λ)(−2 − λ)(−2 − λ) = 0 e λ1 = −1, λ2 = −2 e λ3 = −2.
Logo, temos que o polinômio característico de T é dado por (−1 −
λ)(−2 − λ)(−2 − λ) e seus autovalores são λ1 = −1, λ2 = −2 e
λ3 = −2.
Agora vamos determinar os autoespaços associados a −1 e −2:
Quando λ = −1, temos T (x, y, z) = −1(x, y, z), ou seja, (−x, −2y, y −
2z) = −1(x, y, z).
−x = −x
−2y = −y ∴ y = 0 e z = 0.
y − 2z = −z
107
Exemplo 6.2.2. 1. Considere o operador linear T : R2 → R2 definida
por T (x, y) = (x − 4y, 2x − 5y). Já vimos que o polinômio caracterís-
tico de T é dado por p(λ) = λ2 + 4λ + 3 = (λ + 1)(λ + 3), então a
multiplicidade algébrica de cada autovalor é ma (−1) = ma (−3) = 1.
E ainda os autoespaços associados são V−1 = {(2y, y)|y ∈ R} e V−3 =
{(y, y)|y ∈ R}. Assim a multiplicidade geométrica de cada autovalor é
mg (−1) = mg (−3) = 1.
108
Definição 6.3.1. Seja V um espaço vetorial de dimensão n e T : V →
V um operador linear. O operador linear T é denominado um operador
linear diagonalizável se existir uma base α de V tal que [T ]α é uma matriz
diagonal.
Pela definição de matriz associada a transformação linear relativa a uma
base, temos que se um operador é diagonalizável então a base que o dia-
gonaliza é formada por autovetores do operador. O teorema abaixo é uma
ferramenta muito útil para determinar se um operador é ou não é diagona-
lizável.
Teorema 6.3.2. Seja V um espaço vetorial de dimensão n e um operador
linear T : V → V . Se exitem r ≤ n autovalores distintos λ1 , λ2 , . . . , λr ,
para qualquer autovalor a multiplicidade algébrica for igual a multiplicidade
geométrica, isto é, para todo i = 1, . . . , r, ma (λi ) = mg (λi ) e mg (λ1 ) +
mg (λ2 ) + . . . + mg (λr ) = n então o operador linear T é diagonalizável.
Exemplo 6.3.3. 1. Considere o operador linear T : R2 → R2 definida
por T (x, y) = (x−4y, 2x−5y). Já vimos que as multiplicidade algébrica
e geométrica de cada autovalor são dadas por ma (−1) = mg (−1) = 1,
ma (−3) = mg (−3) = 1 e mg (−1) + mg (−3) = 2 = dimR2 . Assim o
operador T é diagonalizável. A base de autovetores que diagonaliza T
pode ser encontrada unindo as bases de cada autoespaço associado a T :
{(2, 1)} forma uma base para V−1 = {(2y, y)|y ∈ R} e {(1, 1)} forma
uma base para V−3 = {(y, y)|y ∈ R}. Logo, α = {(2, 1), (1, 1)} forma
uma base do R2 que diagonaliza o operador T e sua representação
matricial é dada por:
" #
−1 0
[T ]α =
0 −3
−1 0 0
[T ]α = 0 −1 0
0 0 2
109
3. Considere o operador linear T : R3 → R3 definida por T (x, y, z) =
(−x, −2y, y − 2z). Já vimos que a multiplicidade algébrica de −2 é
dada por ma (−2) = 2 e a multiplicidade geométrica de 2 é dada por
mg (−2) = 1. Logo, T não é diagonalizável.
110
(c) T : R3 → R3 tal que T (x, y, z) = (x, −2x + 3y − z, −4y + 3z);
(d) T : R3 → R3 tal que T (x, y, z) = (x + 2y + 3z, y + 2z, z);
(e) T : R3 → R3 tal que T (x, y, z) = (3x − 3y + 4z, 3y + 5z, −z);
(f) T : R3 → R3 tal que T (x, y, z) = (x+y +2z, x+2y +z, 2x+y +z);
(g) T : R3 → R3 tal que T (x, y, z) = (y, z, −x);
(h) T : R3 → R3 tal que T (x, y, z) = (x + 3y − 3z, 4y, −3x + 3y + z).
6.5 Respostas
1. a) Sim. b) Não.
6. Uma base pode ser dada por {(1, 0), (1, −1)}.
7. Uma base pode ser dada por {(5, 2), (−1, 1)}.
111
(d) p(λ) = (1 − λ)3 , λ1 = 1 e V1 = {(x, 0, 0)|x ∈ R}. E ainda,
ma (1) = 3 e mg (1) = 1. Não existe base que diagonalize T .
−31 −5
(e) p(λ) = (3−λ)2 (−1−λ), λ1 = −1, λ2 = 3, V−1 = {( z, z, z)|z ∈
16 4
R} e V3 = {(x, 0, 0)|x ∈ R}. E ainda, ma (−1) = 2, mg (−1) = 1 e
ma (3) = mg (3) = 1. Não existe base que diagonalize T .
(f) p(λ) = (1 − λ)(−1 − λ)(4 − λ), λ1 = 1, λ2 = −1, λ3 = 4,
V1 = {(z, −2z, z)|z ∈ R}, V−1 = {(−z, 0, z)|z ∈ R} e V4 =
{(x, x, x)|x ∈ R}. E ainda, ma (1) = mg (1) = 1, ma (−1) =
mg (−1) = 1 e ma (4) = mg (4) = 1. Uma base pode ser dada por
{(1, −2, −1), (−1, 0, 1), (1, 1, 1)}.
(g) p(λ) = −1 − λ3 , λ1 = −1 e V−1 = {(x, −x, x)|x ∈ R}. E ainda,
ma (−1) = 1 e mg (−1) = 1. Não existe base que diagonalize T .
(h) p(λ) = (4 − λ)2 (−2 − λ), λ1 = 4, λ1 = −2, V4 = {(x, y, z) ∈
R3 | − x + y − z = 0} e V−2 = {(x, 0, x)|x ∈ R}. E ainda, ma (4) =
mg (4) = 2 e ma (−2) = mg (−2) = 1. Uma base pode ser dada
por {(1, 1, 0), (−1, 0, 1), (1, 0, 1)}.
9. Sim.
10. Demonstração pode ser encontrada no Livro Lima, E.L. Álgebra Li-
near. IMPA. página 154, Teorema 12.2.. (Obs.: Pode-se encontrar a
demostração nos demais livros da bibliografia.)
6.6 Apêndice
Seja V um espaço vetorial de dimensão dimV = n e T : V → V um
operador linear.
112
Capítulo 7
7.1 A adjunta
Transformações lineares definidas em espaços vetoriais com
produto interno
T (v) · w = v · T ∗ (w),
113
Teorema 7.1.4. Sejam α = {v1 , v2 , . . . , vn } ⊂ V e β = {w1 , w2 , wm } ⊂ W
bases ortonormais. Se [T ]αβ = [aij ]m×n é a matriz associada a transformação
linear T : V → W associada às bases α e β, então matriz da transformação
linear adjunta T ∗ : W → V associada às bases β e α é a matriz transposta
[T ∗ ]βα = [aji ]n×m de [T ]αβ .
Propriedades:
• Ker(T ∗ ) = Im(T )⊥
• Im(T ∗ ) = Ker(T )⊥
• Ker(T ) = Im(T ∗ )⊥
• Im(T ) = Ker(T ∗ )⊥
Solução 7.1.7. De fato, pelo teorema acima temos que Ker(T ∗ ) = Im(T )⊥ .
Note que Im(T ) é gerado pelo conjunto de vetores {(2, 1), (1, 3), (−1, −2)}
e como tais vetores são dois a dois linearmente independentes (Verificar!),
temos que Im(T ) = R2 , assim, Ker(T ∗ ) = Im(T )⊥ = {(0, 0)}.
E ainda, sabemos que Im(T ∗ ) = Ker(T )⊥ . Podemos calcular o núcleo de T
resolvendo o sistema linear homogêneo abaixo:
(
2x + y − z = 0
∴ y = 3x e z = 5x
x + 3y − 2z = 0
114
7.2 Operadores auto-adjuntos
Definição 7.2.1. Seja V um espaço vetorial munido com produto interno.
O operador linear T : V → V é denominado operador auto-adjunto
quando T (v) · w = v · T (w), para todo v e w ∈ V .
1 −1 0
[T ]α −1 3 −2 = [T ]tα
0 −2 0
Exemplo 7.3.2. Seja T : R2 → R2 tal que T (x, y) = (3x + 6y, −6x + 3y).
O operador adjunto de T é T ∗ : R2 → R2 tal que T ∗ (x, y) = (3x−6y, 6x+3y).
115
7.4 Operadores ortogonais
Definição 7.4.1. O operador linear T : V → V é demoninado operador
ortogonal quando T (v) ◦ T (u) = v ◦ u, isto é, T ∗ = T −1 .
1 4 2
116
7.6 Respostas
1. a) operdador auto-adjunto e normal; b) operador ortogonal e normal;
c) operador auto-adjunto e normal. d) operador normal e) operador
auto-adjunto f) operador normal.
2. x = 0 e y = ±1.
4. Sim.
5. Sim.
6. Uma base para Im(T ) = {(1, 3, −2), (1, −2, 3)}, uma base para Ker(T ) =
{(1, 4, −5)}, uma base para Im(T ∗ ) = {(−4, 1, 0), (5, 0, 1)} e uma base
para Ker(T ∗ ) = {(−1, 1, 1)}.
7.7 Apêndice
Considere V um espaço vetorial de dimensão dimV = n minudo de um
produto interno e T, T1 , T2 : V → V operadores lineares.
1. São equivlentes:
117
2. Seja T um operador ortogonal. Então:
118