Escolar Documentos
Profissional Documentos
Cultura Documentos
ISEL
(imatos@adm.isel.pt)
7 de Julho de 2012
Conteúdo
1 MATRIZES 1
1.1 Conceitos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Álgebra das Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Operações elementares. Caracterı́stica de uma matriz . . . . . . . . . . . 10
1.4 Sistemas de Equações Lineares . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Inversa de uma Matriz Quadrada . . . . . . . . . . . . . . . . . . . . . . 17
2 DETERMINANTES 21
2.1 Conceitos Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Definição de Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Propriedades dos Determinantes . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 O Teorema de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Aplicações dos Determinantes . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.1 Cálculo da Inversa de uma Matriz . . . . . . . . . . . . . . . . . . 25
2.5.2 Resolução de Sistemas Lineares Possı́veis e Determinados . . . . . 26
3 ESPAÇOS VECTORIAIS 29
3.1 Definição e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Dependência e Independência Lineares . . . . . . . . . . . . . . . . . . . 31
3.2.1 Caracterı́stica de uma Matriz . . . . . . . . . . . . . . . . . . . . 35
3.3 Subespaços vectoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 Subespaço gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4 Base e dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5 Matriz de Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . 45
4 APLICAÇÕES LINEARES 49
4.1 Núcleo e Imagem. Classificação de um Morfismo . . . . . . . . . . . . . . 52
ii
4.2 Soma, Multiplicação por Escalar, Composta e Inversa de Aplicações Lineares 58
4.3 Matriz de uma Aplicação Linear . . . . . . . . . . . . . . . . . . . . . . . 60
4.3.1 Relação entre as diferentes Matrizes de uma Aplicação Linear . . 66
iii
Capı́tulo 1
MATRIZES
Definição 1 Seja F um conjunto não vazio onde estão definidas duas operações
binárias1 : uma adição e uma multiplicação, denotadas por + e ×, respectivamente.
Diz-se que (F, +, ×) é um corpo se:
(A1) A adição é comutativa: ∀x, y ∈ F x + y = y + x;
(A2) A adição é associativa: ∀x, y, z ∈ F (x + y) + z = x + (y + z);
(A3) A adição tem elemento neutro 0: ∃0 ∈ F ∀x ∈ F x + 0 = 0 + x = x;
(A4) Todo o elemento x de F tem simétrico (−x) em F:
∀x ∈ F ∃(−x) ∈ F x + (−x) = (−x) + x = 0.
(M1) A multiplicação é comutativa: ∀x, y ∈ F x × y = y × x;
(M2) A multiplicação é associativa: ∀x, y, z ∈ F (x × y) × z = x × (y × z);
(M3) A multiplicação tem elemento neutro 1: ∃1 ∈ F ∀x ∈ F x × 1 = 1 × x = x;
(M4) Todo o elemento x de F \ {0} tem inverso x−1 em F \ {0}:
∀x ∈ F \ {0} ∃x−1 ∈ F \ {0} x × x−1 = x−1 × x = 1.
(D) A multiplicação é distributiva em relação à adição:
∀x, y, z ∈ F x × (y + z) = x × y + x × z.
Observações
1 — Identifica-se o corpo (F, +, ×) com o conjunto suporte F, sabendo que estão
sempre implı́citas as duas operações nele definidas.
2 — A adição e a multiplicação usuais de números reais verificam as propriedades
referidas na Definição 1, pelo que, R é um corpo – o corpo dos números reais.
1
Uma operação binária em F é uma aplicação que faz corresponder a cada par ordenado de elementos
de F um (e um só) elemento deste conjunto.
1
3 — A adição e a multiplicação usuais de números complexos satisfazem as propri-
edades referidas na Definição 1, por isso, C é um corpo – o corpo dos números
complexos.
+ 0 1 × 0 1
4 — F = {0, 1} com as operações 0 0 1 e 0 0 0 é um corpo – o menor
1 1 0 1 0 1
dos corpos finitos. Designa-se por Z2 e é o corpo dos inteiros módulo 2.
5 — Neste capı́tulo, bem como em todos os que se seguem, trabalhar-se-à nos corpos
R e C (com as operações usuais). No entanto, toda a teoria apresentada desenvolve-se
da mesma maneira em qualquer corpo.
Exemplo
h i
A = 1 0 −1 2 é uma matriz do tipo 1 × 4 (matriz linha). A sua entrada (1, 3)
é (−1).
Mais geralmente, qualquer matriz do tipo 1 × n diz-se uma matriz linha.
3
B = 2 é uma matriz do tipo 3 × 1 (matriz coluna). A sua entrada (2, 1) é 2.
1
A qualquer matriz do tipo m × 1 chama-se matriz coluna.
" #
1 2 3
C= é uma matriz do tipo 2 × 3 e é uma matriz rectangular (2 6= 3).
4 5 6
Em geral, qualquer matriz do tipo m × n, com m 6= n, diz-se uma matriz rectan-
gular.
" #
1 −1
D= é uma matriz do tipo 2 × 2. Também se diz uma matriz quadrada
0 −4
de ordem 2.
Mais geralmente, qualquer matriz do tipo n × n denomina-se matriz quadrada de
ordem n.
2
Notação
Se A é uma matriz do tipo m × n escreve-se,
a11 a12 · · · a1n
a21 a22 · · · a2n
A= .. .. .. ..
. . . .
am1 am2 · · · amn
Notação
Se i1 < i2 < . . . < ip são elementos distintos de {1, 2, . . . , m} e j1 < j2 < . . . < jq
são elementos distintos de {1, 2, . . . , n} A[i1 , . . . , ip |j1 , . . . , jq ] representa a submatriz de
A formada pelos elementos que pertencem à intersecção das linhas i1 , i2 , . . . , ip e das
colunas j1 , j2 , . . . , jq de A; A(i1 , . . . , ip |j1 , . . . , jq ) representa a submatriz de A que se
obtém eliminando as linhas i1 , i2 , . . . , ip e as colunas j1 , j2 , . . . , jq de A.
Exemplo
1 2 3 4
Seja A = 5 6 7 8 .
9 10 11 12
" #
1 2 4 h i
Então A[1, 3|1, 2, 4] = = A(2|3) e A[2|1, 3] = 5 7 = A(1, 3|2, 4).
9 10 12
3
diagonal principal);
• Triangular inferior se ∀i < j aij = 0 (são nulas todas as entradas ”acima”da
diagonal principal);
• Triangular se for triangular superior ou triangular inferior;
• Diagonal se ∀i 6= j aij = 0 (são nulas todas as entradas não diagonais);
• Escalar se ∀i 6= j aij = 0 (é Diagonal) e ∃c ∈ F ∀i aii = c (c constante);
• Identidade se ∀i 6= j aij = 0 e ∀i aii = 1 (é Escalar com elemento diagonal igual a
1). Denota-se por In e é também chamada Identidade de ordem n. Frequentemente,
escreve-se In = [δij ]n×n , onde δij = 1 se i = j e δij = 0 se i 6= j (δij é o chamado
sı́mbolo de Krönecker).
• Nula se ∀i∀j aij = 0 (é Escalar com elemento diagonal igual a 0). Denota-se por
0n e é também chamada matriz nula de ordem n. Observe-se que uma matriz do
tipo m × n com todas as entradas iguais a zero também se designa por matriz nula,
denotando-se por 0m×n .
Exemplo
1 −1 2
A = 0 0 1 é triangular superior.
0 0 3
1 0 0 0
−1 2 0 0
B= −2 0 1 0 é triangular inferior.
3 2 1 1
1 0 0 0
0 2 0 0
C= é diagonal.
0 0 3 0
0 0 0 4
5 0 0
D = 0 5 0 é escalar.
0 0 5
Exemplo
" #
1 h i
A= At = 1 −1 .
−1
4
2
h i
t
2
B= 2 2 2 2 B = 2 .
2
1 5 9
1 2 3 4
2 6 10
C= 5 6 7 8 Ct = .
3 7 11
9 10 11 12
4 8 12
1 2 3 1 2 3
D= 2 3 4 Dt = 2 3 4 .
3 4 5 3 4 5
" # " #
0 −1 0 1
E= Et = .
1 0 −1 0
Propriedade
Resulta facilmente da definição que, para qualquer matriz A, (At )t = A.
• Adição
Sejam A = [aij ], B = [bij ] matrizes do tipo m × n.
A matriz soma A + B é uma matriz do tipo m × n, A + B = [cij ], onde
∀i, j cij = aij + bij .
Propriedades
Sejam A, B, C matrizes do tipo m × n. Então:
(A1) A + B = B + A;
(A2) (A + B) + C = A + (B + C);
(A3) Sendo 0m×n a matriz nula (matriz com todas as entradas nulas) do tipo m × n,
A + 0 = 0 + A = A;
(A4) Se −A é a matriz do tipo m × n cujas entradas são simétricas das entradas de
A, −A = [−aij ], A + (−A) = (−A) + A = 0m×n ;
5
(At) (A + B)t = At + B t .
Definição de Subtracção A − B = A + (−B) = [sij ], onde
∀i, j sij = aij − bij .
Propriedades
Sejam A, B matrizes do tipo m × n com entradas em R (C) e α, β ∈ R (C). Então:
(Pe1) α(A + B) = αA + αB;
(Pe2) (α + β)A = αA + βA;
(Pe3) (αβ)A = α(βA);
(Pe4) 1A = A;
(Pet) (αA)t = αAt .
Observação
• Se E é uma matriz escalar de ordem n com elemento diagonal a, então E = aIn .
P
• Uma expressão do tipo i λi Ai chama-se (como veremos no Capı́tulo 3) uma com-
binação linear das matrizes Ai .
Exemplo
1 2 −1 5
Sejam A = −1 0 e B = 7 −1 . Calculemos 3A − 2B.
−3 4 3 −8
3 6 2 −10
3A = −3 0 , −2B = −14 2 e
−9 12 −6 16
5 −4
3A − 2B = 3A + (−2B) = −17 2 .
−15 28
• Multiplicação de matrizes
Sejam A uma matriz do tipo m × n, A = [aij ] e B uma matriz do tipo n × p,
B = [bjk ]. O produto de A por B, AB, é a matriz do tipo m × p, AB = [pik ] onde,
∀i, k pik = ai1 b1k + ai2 b2k + · · · + ain bnk .
Observações
1 — O produto de duas matrizes só é possı́vel se o número de colunas do primeiro factor
6
for igual ao número de linhas do segundo factor.
2 — A matriz produto tem o número de linhas do primeiro factor e o número de colunas
do segundo factor.
3 — Cada entrada da matriz produto é soma de multiplicações de todos os elementos
de uma linha do primeiro factor pelos elementos convenientes (correspondentes) de toda
uma coluna do segundo factor.
Propriedades
. Sejam A, B, C matrizes reais (complexas) compatı́veis para a multiplicação (isto é,
tais que (AB)C existe) e λ um número real (complexo). Então:
(P1) (AB)C = A(BC);
(P2) λ(AB) = (λA)B = A(λB);
(P3) Am×n In = Im Am×n = A. Em particular, se A é uma matriz quadrada de ordem
n, AIn = In A = A;
(Pt) (AB)t = B t At .
. Sejam B e C matrizes do mesmo tipo e A uma matriz tal que os produtos que se
seguem são possı́veis. Então:
(PDe) A(B + C) = AB + AC;
(PDd) (B + C)A = BA + CA.
Exemplo
1 2 " #
−1 5 2
a) Sejam A = −1 0 e B = . Calculemos AB e BA.
0 −1 1
−3 4
1 2 " #
−1 5 2
AB = −1 0 =
0 −1 1
−3 4
1 × (−1) + 2 × 0 1 × 5 + 2 × (−1) 1×2+2×1 −1 3 4
= (−1) × (−1) + 0 × 0 (−1) × 5 + 0 × (−1) (−1) × 2 + 0 × 1 = 1 −5 −2
7
" # " #
1 0 0 0
b) Sejam A = eB= . Calculemos AB e BA.
1 0 1 1
" #" # " #
1 0 0 0 0 0
AB = =
1 0 1 1 0 0
" #" # " #
0 0 1 0 0 0
e BA = = .
1 1 1 0 2 0
" # " #
1 0 1 0
c) Sejam A = eB= . Calculemos AB e BA.
1 0 −1 2
" #" # " #
1 0 1 0 1 0
AB = =
1 0 −1 2 1 0
" #" # " #
1 0 1 0 1 0
e BA = = .
−1 2 1 0 1 0
Observações
1 — Do exemplo anterior conclui-se que o produto de matrizes não é comutativo, isto é,
em geral, AB 6= BA.
Se A e B são matrizes quadradas de ordem n tais que AB = BA diz-se que A e B
são permutáveis. É o caso das matrizes em c).
2 — Também do exemplo anterior pode concluir-se que, na multiplicação de matrizes,
não é válida a lei do anulamento do produto. Com efeito, em b), as matrizes A e B
consideradas são ambas não nulas mas AB é a matriz nula.
8
Observações
Resulta imediatamente da definição que:
. uma matriz simétrica tem elementos diagonais arbitrários e elementos opostos em
relação à diagonal principal (correspondem às entradas (i, j) e (j, i) da matriz) iguais;
2
. uma matriz real ou complexa anti-simétrica tem elementos diagonais nulos e
elementos opostos em relação à diagonal principal simétricos.
Exemplo
−1 2 3 0 2 3
A matriz A = 2 0 4 é simétrica e B = −2 0 −4 é anti-simétrica
3 4 1 −3 4 0
como facilmente se comprova calculando as transpostas respectivas.
Definição 9 Seja A = [aij ] uma matriz complexa quadrada. Diz-se que A é:
• hermı́tica (hermitiana) se A∗ = A, ou seja, se ∀i, j aji = aij ;
• hemi-hermı́tica (hemi-hermitiana, anti-hermı́tica) se A∗ = −A, ou seja,
se ∀i, j aji = −aij .
Observações
Resulta da definição que:
. uma matriz hermı́tica tem elementos diagonais reais e elementos opostos em relação
à diagonal conjugados;
. uma matriz hemi-hermı́tica tem elementos diagonais nulos e/ou imaginários puros e
elementos opostos em relação à diagonal principal com mesma parte imaginária e partes
reais simétricas.
Exemplo
2
Isto não é válido em todos os corpos. Por exemplo, no corpo Z2 da observação 4 da página 2, tem-se
1 + 1 = 0, donde 1 = −1 e 1 6= 0
9
−1 2 + i 3i i 2+i 3i
A matriz A = 2 − i 0 4 é hermı́tica e B = −2 + i −2i −4 é
−3i 4 1 3i 4 0
hemi-hermı́tica como facilmente se comprova calculando as transconjugadas respectivas.
Observações
A transconjugação goza de propriedades análogas às da transposição, excepto para a
transconjugação de uma multiplicação por escalar. Tem-se (admitindo que as matrizes
têm tipos adequados para efectuar as operações indicadas e que α ∈ C):
(A∗ )∗ = A;
(A ± B)∗ = A∗ ± B ∗ ;
(AB)∗ = B ∗ A∗ ;
(αA)∗ = αA∗ .
Exemplo
2 −2 0 4
Seja A = 1 0 −1 3 .
1 0 0 0
1 0 0 0
Troca das linhas 1 e 3 : A −−−−→ 1 0 −1 3 .
L1 ↔L3
2 −2 0 4
1 −1 0 2
Multiplicação da linha 1 por 12 : A −−−−1−→ 1 0 −1 3 .
0
L1 = 2 L1
1 0 0 0
2 −2 0 4
Soma da linha 2, multiplicada por (−1), à linha 3 : A −− −−−−→ 1 0 −1 3 .
0 L3 =L3 −L2
0 0 1 −3
10
Definição 11 Diz-se que uma matriz tem as linhas em escada se:
(i) As linhas nulas (caso existam) ocorrem depois das linhas não nulas;
(ii) O primeiro elemento não nulo de cada linha (pivot) situa-se numa coluna mais
à esquerda que todos os pivots das linhas seguintes (ou seja, o ı́ndice de coluna do pivot
de cada linha é menor que os ı́ndices de coluna dos pivots das linhas seguintes).
Exemplo
0 −1 3 0 −2 4
2 −1 1
0 0 0 5 −2 1
As matrizes A = eB=
0 1 2 têm as linhas em
0 0 0 0 3 1
0 0 −3
0 0 0 0 0 0
escada.
Proposição 1.3.1 Seja A uma matriz qualquer. Então A pode ser transformada
numa matriz do mesmo tipo com as linhas em escada efectuando operações elementares
sobre as suas linhas.
Exemplo
2 −2 0 4 1 −1 0 2
0 1 −1 3 0 1 −1 3
−−−−−→ 1
A= 1 1 0 −3 L0 = 1 L 1 0 −
−3 −
0
−−−−→
L3 =L3 −L1
1 2 1
0 0 −1 2 0 0 −1 2
0 0 2 1 0 0 2 1
1 −1 0 2 1 −1 0 2
0 1 −1 3 0 1 −1 3
L05 =L5 −L3
−→ 0 2 0 −5 −−−−−−−→ 0
L0 =L3 −2L2 0 2 −
−11 −−−−−−→
L04 =L4 + 12 L3
3
0 0 −1 2 0 0 −1 2
0 0 2 1 0 0 2 1
11
1 −1 0 2 1 −1 0 2
0 1 −1 3 0 1 −1 3
−→
0 0 −
2 −11 −−−−2−→ 0 0 2 −11 −−−−−−−→
L0 =L5 −12L4
L04 =− 7 L4
7 5
0 0 0 −2 0 0 0 1
0 0 0 12 0 0 0 12
1 −1 0 2
0 1 −1 3
−→
0 0 2 −11
, pelo que, c(A) = 4.
0 0 0 1
0 0 0 0
0 0 −2 −1 1 −1 −1 1 −1
B = −1 −1 −−−−→ 0
1 0 −2 −− −−−−→ 0 0 −2 −− −−−−→
L1 ↔L2 0
L3 =L3 +L1 L03 =L3 +L2
1 −1 3 1 −1 3 0 0 2
−1 1 −1
−→ 0 0 −2 , por isso, c(B) = 2.
0 0 0
12
Definição 15 Associadas ao sistema (1.1) estão as seguintes matrizes:
a11 a12 · · · a1n
a21 a22 · · · a2n
A= .. .. .. .. ,
. . . .
am1 am2 · · · amn
que é a matriz simples ou matriz dos coeficientes do sistema;
x1
x2
X= .. ,
.
xn
que é matriz coluna das incógnitas;
b1
b2
B= .. ,
.
bm
que é matriz coluna dos termos independentes;
a11 a12 · · · a1n b1
a21 a22 · · · a2n b2
[A|B] =
.. .. .. .. .. ,
. . . . .
am1 am2 · · · amn bm
que é a matriz ampliada ou matriz completa do sistema.
AX = B. (1.2)
Definição 17 O sistema (1.1) diz-se possı́vel se tem, pelo menos, uma solução e
impossı́vel caso contrário.
Sendo possı́vel, (1.1) é determinado quando tem uma única solução e indetermi-
nado quando tem mais de uma solução (se o corpo considerado for infinito, como é o
caso do corpo dos reais e do corpo dos complexos, quando indeterminado, o sistema tem
uma infinidade de soluções).
13
Definição 18 Dois sistemas de equações lineares com o mesmo número de incógnitas
dizem-se equivalentes se têm as mesmas soluções.
Observação
De acordo com as Proposições 1.3.1 e 1.4.1, qualquer sistema de equações lineares é
equivalente a um sistema cuja matriz ampliada tem as linhas em escada.
Exemplo
1 — Consideremos o sistema
x + y − z = −2
x − 2y + z = 5 .
−x + 2y + z = 3
Vamos efectuar operações do tipo referido na Proposição 1.4.1 na sua matriz ampliada
até a transformarmos numa matriz com linhas em escada (fazemos a condensação de
[A|B]).
1 1 −1 −2 1 1 −1 −2 1 1 −1 −2
L03 =L3 +L1
1 −2 1 5 −− −−−−→ 0 −3 2 7 −− −−−−→ 0 −3 2 7 .
L02 =L2 −L1 L03 =L3 +L2
−1 2 1 3 0 3 0 1 0 0 2 8
Como c(A) = c([A|B]) = 3 o sistema é possı́vel e determinado (SPD). Dado que a
matriz com linhas em escada obtida é a matriz ampliada de um sistema equivalente ao
dado, só temos que resolver agora
x + y − z = −2
−3y + 2z = 7 .
2z = 8
14
5
x + y − z = −2
x + y = −2 + 4
x = 3
−3y + 2z = 7 ⇔ −3y = 7 − 8 ⇔ y = 13 .
2z = 8 z = 4 z = 4
x + 2y + 3z
= 0
2 — Consideremos o sistema x+y+z = 10 . Então
y + 2z = 0
1 2 3 0 1 2 3 0 1 2 3 0
[A|B] = 1 1 1 10 −− −−−−→ 0 −1 −2 10 −− −−−−→ 0 −1 −2 10 .
0 L2 =L2 −L1 0
L3 =L3 +L2
0 1 2 0 0 1 2 0 0 0 0 10
0 0 −3 0 3
x+y+z = 1
4 — Consideremos o sistema x − y + 2z = a . Vamos discuti-lo em função dos
2x + bz = 2
parâmetros reais a e b.
1 1 1 1 1 1 1 1
L0 =L3 −2L1
[A|B] = 1 −1 2 a −−30−−−−−→ 0 −2 1 a − 1 −− −−−−→
L2 =L2 −L1 0 L3 =L3 −L2
2 0 b 2 0 −2 b − 2 0
1 1 1 1
−→ 0 −2 1 a − 1 .
0 0 b−3 1−a
15
Discussão:
• Se b 6= 3, c(A) = c([A|B]) = 3, ∀a ∈ R, logo, SPD;
• b = 3 e a = 1, c(A) = c([A|B]) = 2 < 3, donde, SPI (de grau 1);
• b = 3 e a 6= 1, c(A) = 2 6= 3 = c([A|B]). Por isso, SI.
Exemplo
x + 2y + z + w = 4
O sistema homogéneo associado a 2x + 4y − z + 2w = 11 é
x + y + 2z + 3w = 11
x + 2y + z + w = 0
2x + 4y − z + 2w = 0 .
x + y + 2z + 3w = 0
Observação
Um sistema homogéneo é sempre possı́vel pois admite sempre a solução nula. Se é
determinado (basta que a caracterı́stica da matriz simples coincida com o número n de
incógnitas) essa é a sua única solução. Se é indeterminado (a caracterı́stica da matriz
simples é menor que o número de incógnitas), para além da solução nula (que existe
sempre), admite soluções não nulas (recorde-se que o produto de duas matrizes não
nulas pode ser nulo).
Demonstração
Por hipótese, AXp = B (uma vez que Xp é uma solução particular de AX = B)
(⇒) Supondo que X0 é (também) solução de AX = B, isto é, que AX0 = B, provamos
que X0 − Xp é solução do sistema homogéneo associado. Tem-se,
16
logo, Xh = X0 − Xp é solução de AX = 0.
(⇐) Suponhamos que Xh é uma solução do sistema homogéneo associado ao dado,
AX = 0. Mostramos que X0 = Xp + Xh é solução de AX = B. Temos,
como queriamos.
Observação
Resulta da proposição anterior que, a solução geral de um sistema de equações linea-
res pode ser obtida somando a uma sua solução particular a solução geral do sistema
homogéneo associado.
Definição 23 Seja A uma matriz quadrada de ordem n. Diz-se que A é não sin-
gular (regular) se c(A) = n.
Observação
Dada uma matriz A, quadrada de ordem n, tal que c(A) = n (logo, invertı́vel), a
inversa de A é a solução da equação matricial AX = In . Podemos, por isso, calcular
17
facilmente A−1 . Basta considerar a matriz [A|In ] e efectuar operações elementares (só)
sobre linhas até a transformar na matriz [In |A−1 ].
Exemplo
3 1 0
1 — Consideremos a matriz A = 2 1 1 , de caracterı́stica 3. Calculamos A−1
0 1 1
pelo método descrito (condensação, operando só sobre linhas).
3 1 0 1 0 0 1 0 −1 1 −1 0
[A|I3 ] = 2 1 1 0 1 0 −− −−−−→ 2 1 1 0 1 0 −−0 −−−−−→
0 L1 =L1 −L2 L2 =L2 −2L1
0 1 1 0 0 1 0 1 1 0 0 1
1 0 −1 1 −1 0 1 0 −1 1 −1 0
−→ 0 1 3 −2 3 0 −− −−−−→ 0 1 3 −2 3 0 −−0−−−1−→
L03 =L3 −L2 L3 =− 2 L3
0 1 1 0 0 1 0 0 −2 2 −3 1
1 1
1 0 −1 1 −1 0 1 0 0 0 2
− 2
L01 =L1 +L3
−→ 0 1 3 −2 3 0 −−0 −−−−−→ 0 1 0 1 − 23 32 .
L2 =L2 −3L3
3
0 0 1 −1 2
− 12 0 0 1 −1 3
2
− 12
1
0 2
− 21
A−1 = 1 − 32 3
.
2
−1 32 − 21
(O resultado obtido pode ser confirmado usando a definição de inversa. Basta verificar
que AA−1 = In .)
1
3 0 0 0 3
0 0 0
0 −1 0 0
, é muito fácil concluir que B = 0 −1 0 0
−1
2 — Se B =
0 0 2 0 0 0 1 0
.
2
0 0 0 −4 0 0 0 − 41
Propriedades
Se A e B são matrizes reais (complexas) quadradas de ordem n, invertı́veis e
α ∈ R \ {0}(C \ {0}) então:
(I1) A−1 é invertı́vel e (A−1 )−1 = A;
(I2) αA é invertı́vel e (αA)−1 = α−1 A−1 ;
(I3) ∀m ∈ N, Am é invertı́vel e (Am )−1 = (A−1 )m ;
(I4) At é invertı́vel e (At )−1 = (A−1 )t ;
(I5) (A)−1 = A−1 ;
(I6) (A∗ )−1 = (A−1 )∗ ;
18
(I7) AB é invertı́vel e (AB)−1 = B −1 A−1 .
Justificação
(I1) Da igualdade A−1 A = AA−1 = In , da definição e da unicidade da inversa resulta
que A−1 é a matriz inversa de A e A é a matriz inversa de A−1 .
(I2) (αA)(α−1 A−1 ) = (αα−1 )(AA−1 ) = In e (α−1 A−1 )(αA) = (α−1 α)(A−1 A) = In .
(I3) A prova rigorosa faz-se por indução em m.
(I4) At (A−1 )t = (A−1 A)t = Int = In e (A−1 )t At = (AA−1 )t = Int = In .
(I5) A A−1 = AA−1 = In = In e A−1 A = A−1 A = In = In .
(I6) A∗ (A−1 )∗ = (A−1 A)∗ = In∗ = In e (A−1 )∗ A∗ = (AA−1 )∗ = In∗ = In .
(I7) (AB)(B −1 A−1 ) = A(BB −1 )A−1 = AIn A−1 = AA−1 = In e
(B −1 A−1 )(AB) = B −1 (A−1 A)B = B −1 In B = B −1 B = In .
19
Capı́tulo 2
DETERMINANTES
Notação
O conjunto de todas as permutações de 1, 2, . . . , n denota-se por Sn .
Oservação
Existem n! permutações de 1, 2, . . . , n.
Exemplos
1) n = 2
Permutação Total de Inversões Paridade
1,2 0 par
2,1 1 ı́mpar
21
2) n = 3
Permutação Total de Inversões Paridade
1,2,3 0 par
2,3,1 2 par
3,1,2 2 par
3,2,1 3 ı́mpar
2,1,3 1 ı́mpar
1,3,2 1 ı́mpar
X
det(A) = (−1)σ a1i1 a2i2 · · · anin ,
i1 ,...,in ∈Sn
• det[a11 ] = a11 ;
" #
a11 a12
• det = a11 a22 − a12 a21 ;
a21 a22
a11 a12 a13
• det a21 a22 a23 = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 − a13 a22 a31 − a12 a21 a33 −
22
(P1) Se A tem uma linha (resp.: coluna) de zeros, então det(A) = 0.
(P2) Se A tem duas linhas (resp.: colunas) iguais ou proporcionais, então det(A) = 0.
a11 a12 ··· a1n a11 a12 · · · a1n a11 a12 · · · a1n
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
(P9) ai1 + bi1 ai2 + bi2 · · · ain + bin = ai1 ai2 · · · ain + bi1 bi2 ··· bin .
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
an1 an2 ··· ann an1 an2 · · · ann an1 an2 · · · ann
23
Exemplo
n
X n
X
det(A) = aij Aij = ars Ars , ∀i, s ∈ {1, 2, . . . , n}.
j=1 r=1
Exemplo
2 4 6 8 1 2 3 4 1 2 3 4
0 −4 −3
3 6 5 9 3 6 5 9 0 0 −4 −3
=1 2 =2 2 =3 2×1×(−1)2 −3 −2 −1
2 1 4 7 2 1 4 7 0 −3 −2 −1
0 −1 −2
1 2 2 2 1 2 2 2 0 0 −1 −2
−4 −3
= 4 2 × (−3) × (−1)3 = 6((−4)(−2) − (−1)(−3)) = 6 × 5 = 30.
−1 −2
1
Pela Propriedade (P5)aplicada à linha 1
2
Efectuando as operações elementares L02 = L2 − 3L1 ; L03 = L3 − 2L1 ; L04 = L4 − L1
3
Teorema de Laplace na coluna 1
4
Teorema de Laplace na coluna 1
24
2.5 Aplicações dos Determinantes
1
A−1 = adj(A).
det(A)
Exemplo
" #
1 2
Seja A = .
3 4
A11 = (−1)2 × 4 = 4; A12 = (−1)3 × 3 = −3; A21 = (−1)3 × 2 = −2; A22 = (−1)4 × 1 = 1.
" # " #
A11 A12 4 −3
 = =
A21 A22 −2 1
" #
4 −2
adj(A) = Ât =
−3 1
" # " #
4 −2 −2 1
A−1 = 1
det(A)
adj(A) = − 12 = 3
.
−3 1 2
− 21
25
2.5.2 Resolução de Sistemas Lineares Possı́veis e Determinados
Regra de Cramer
Dado o sistema de n equações lineares a n incógnitas
a11 x1 + a12 x2 + · · · + a1n xn = b1
a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. ,
. . .
an1 x1 + an2 x2 + · · · + ann xn = bn
det(Ci )
∀i ∈ {1, 2, · · · , n}, xi = .
det(A)
Exemplo
Consideremos o sistema
x + y − z = −2
x − 2y + z = 5 .
−x + 2y + z = 3
1 1 −1 −2
A= 1 −2 1 e B = 5 .
−1 2 1 3
1 1 −1 1 1 −1
1 1
|A| = 1 −2 1 = 1 −2 1 =2 = 2(−2 − 1) = −6.
1 −2
−1 2 1 0 0 2
−2 1 −1 1 −2 −1
5 −2 1 1 5 1
3 2 1 −10 5
−1 3 1 −2 1
x= |A|
= −6
= 3
;y= |A|
= −6
= 3
26
1 1 −2
1 −2 5
−1 2 3 −24
z= |A|
= −6
= 4.
27
Capı́tulo 3
ESPAÇOS VECTORIAIS
29
Exemplos
1– São espaços vectoriais reais:
a) E = R2 , com as operações:
30
Proposição 3.1.1 Seja E um espaço vectorial sobre F. Então, para quaisquer vec-
tores e quaisquer escalares, tem-se:
→
−
a) 0→
−u = 0
→
− →
−
b) α 0 = 0
→
− →
−
c) α→
−u = 0 ⇒ α = 0 ou → −u = 0
d) (−α)→−
u = −(α→ −u ) = α(−→−u)
e) α(→−u −→−
v ) = α→
−u − α→
−v
f ) (α − β)→
−
u = α→−u − β→
−u.
d) (−α)→
−
u = −(α→−
u ) porque
→
−
(−α)→−
u + α→
−
u = (−α + α)→−u = 0→
−
u = 0 (por a)).
Exemplos
1) Em R3 , o vector (−2, 2, 5) é combinação linear de (1, 1, 1), (1, 1, 0) e (1, 0, 1) se
existem números reais α1 , α2 e α3 tais que
31
ou seja, se o sistema
−2 = α1 + α2 + α3
2 = α1 + α2
5 = α1 + α3
logo,
α1 = 9
α2 = −7 ,
α3 = −4
donde,
(−2, 2, 5) = 9(1, 1, 1) + (−7)(1, 1, 0) + (−4)(1, 0, 1).
2) Em R3 , o vector (−2, 2, 5) não é combinação linear de (1, 1, 0), (0, 0, 1), já que o
sistema cuja matriz ampliada é
1 0 −2 1 0 −2
1 0 2 −− −−−−→ 0 0 4
0
L2 =L2 −L1
0 1 5 0 1 5
é impossı́vel.
Observação
→
−
O vector nulo de E, 0 , é sempre combinação linear de quaisquer vectores →
−
u 1, →
−
u 2, . . . , →
−
uk ∈
E. Com efeito,
→
−
0→
−
u 1 + 0→
−
u 2 + . . . + 0→
−
uk = 0.
A esta combinação linear nula (isto é, cujo resultado é o vector nulo) dá-se o nome de
combinação linear nula trivial.
32
Definição 34 Seja E um espaço vectorial sobre F.
Diz-se que os vectores →
−
u ,→
−
u ,...,→
1 2
−u ∈ E são:
k
Ou seja, para além da combinação linear nula trivial (que existe sempre), existem ou-
tras combinações lineares nulas (com, pelo menos, um escalar não nulo) dos vectores
→
−u 1, →
−
u 2, . . . , →
−
u k.
Exemplos
1) Em R3 , verificamos se os vectores (1, 1, 1), (1, 1, 0) e (1, 0, 1) são linearmente de-
pendentes ou independentes:
2) Em R4 , estudamos os vectores (1, 2, 2, 0), (1, 1, 3, 1) e (0, 2, −2, −2) quanto à de-
pendência/independência linear. Para tal, condensamos a matriz simples do sistema de
33
equações
α1 + α2 = 0
2α + α + 2α
1 2 3 = 0
.
2α1 + 3α2 − 2α3 = 0
α − 2α
2 3 = 0
1 1 0 1 1 0 1 1 0
2 1 2 L02 =L2 −2L1 0 −1 2 L04 =L4 +L2 0 −1 2
2 3 −2 −
−−−−−−→
0 1 −2 −
−−−−−→
0 0 0 ,
L0 =L −2L L 0 =L +L
3 3 1 3 3 2
0 1 −2 0 1 −2 0 0 0
donde, os vectores são linearmente dependentes (a caracterı́stica da matriz é menor que
o número de vectores, logo, de escalares a determinar).
∀α 6= 0 → −
v 1, →
−
v 2 , . . . , α→−
v i, . . . , →
−
v n são linearmente independentes.
(viii) Os vectores → − v 1, →
−
v 2, . . . , →
−
v i, . . . , →
−
v j, . . . , →
−
v n são linearmente independentes se
e só se →
−v ,→
−
1v ,...,→
2
− v ,...,→
i
−v +→
i j
−
v ,...,→ −v são linearmente independentes.
n
34
→
− − →
−
Suponhamos que →−v 6= 0 , α→
v = 0 e que, com vista a um absurdo, α 6= 0. Então
→
− →
− →
−
α−1 (α→
−
v ) = α−1 0 ⇔ (α−1 α)→
−
v = 0 ⇔→ −
v = 0 , o que contradiz a hipótese.
β1 →
−
v 1 = −β2 →
−
v 2 − . . . − βk →
−
vk⇔→
−
v 1 = −β2 β1−1 →
−
v 2 − . . . − βk β1−1 →
−
v k,
donde, →
−
v 1 é combinação linear dos restantes vectores.
(⇐) Por hipótese, um dos vectores dados é combinação linear dos restantes. Sem
→
−
perda de generalidade, →
−
v 1 = α2 →
−
v 2 + . . . + αk →
−
v k ⇔ 1→
−
v 1 − α2 →
−
v 2 − . . . − αk →
−
vk = 0,
ou seja, os vectores são linearmente dependentes.
→
−
(vii) (⇒) α1 →
−
v 1 + α2 → −
v 2 + . . . + αi (α→
−
v i ) + . . . + αn →
−
vn= 0 ⇒
→
−
α1 →
−
v 1 + α2 →
−
v 2 + . . . + (αi α)→
−
v i + . . . + αn →
−
v n = 0 ⇒ (→ −
v 1, . . . , →
−
v i, . . . , →
−
v n l.i.)
α1 = α2 = · · · = ααi = · · · = αn = 0 ⇒ (α 6= 0) α1 = α2 = · · · = αi = · · · = αn = 0.
→
−
(⇐) α1 →
−v 1 + α2 →−v 2 + . . . + αi →
−
v i + . . . + αn →−vn= 0 ⇒
→
−
α1 →
−
v 1 + α2 →
−
v 2 + . . . + αi (α−1 α)→ −
v i + . . . + αn → −
vn= 0 ⇒
→
−
α1 →
−
v 1 + α2 →
−
v 2 + . . . + (αi α−1 )(α→− v i ) + . . . + αn →
−
v n = 0 ⇒ (→
−
v 1 , . . . , α→
−
v i, . . . , →
−
v n l.i.)
α1 = α2 = · · · = αi α−1 = · · · = αn = 0 ⇒ (α−1 6= 0) α1 = α2 = · · · = αi = · · · = αn = 0.
Seja A uma matriz do tipo m×n com entradas num corpo F. Cada uma das m linhas
de A identifica-se com um vector de Fn e cada uma das n colunas de A identifica-se com
um vector de Fm .
1 2 3 4
Por exemplo, dada a matriz real 2 3 4 5 , as suas linhas identificam-se com
3 4 5 6
os vectores (1, 2, 3, 4), (2, 3, 4, 5), (3, 4, 5, 6) de R4 e as suas colunas com os vectores
(1, 2, 3), (2, 3, 4), (3, 4, 5), (4, 5, 6) de R3 .
Todos os resultados enunciados àcerca da dependência e independência lineares de
vectores são, por isso, aplicáveis às linhas e às colunas de A.
35
Atendendo à Proposição 3.2.1, efectuar operações elementares sobre as linhas (resp.:
colunas) de A não altera a dependência/independência linear das linhas (resp.: colunas)
da matriz.
Tendo em conta que:
(i) A pode ser transformada numa matriz com linhas em escada, U , efectuando
operações elementares sobre as suas linhas (como foi visto no Capı́tulo 1),
(ii) são linearmente independentes as linhas de A correspondentes às linhas não nulas
de U ,
(iii) são linearmente independentes as colunas de A correspondentes às colunas com
pivots de U ,
a caracterı́stica de A, número de linhas não nulas de U , coincide com o número
máximo de linhas linearmente independentes de A e com o número máximo de colunas
linearmente independentes de A.
c) →
−
x ,→
−
y ∈ E1 ⇒ →
−
x −→
−
y ∈ E1 .
36
Demonstração
Como E1 6= ∅, seja → −
x ∈ E1 . Dado que F é um corpo, 0 ∈ F e −1 ∈ F, logo, pela
→
−
condição (iii) do Critério de Subespaço, 0→
−
x = 0 ∈ E e (−1)→
1
−
x = −→−x ∈E . 1
Por último, se →
−
x ,→
−
y ∈ E1 , por b), −→
−
y ∈ E1 e, pela condição (ii) do Critério de
→
− →
− →
− →
−
Subespaço, x + (− y ) = x − y ∈ E . 1
Observação
Atendendo à proposição anterior, a condição (i) do Critério de Subespaço pode ser
→
−
substituida pela condição (i’): 0 ∈ E1 .
Exemplos
→
−
1 — Se E é um espaço vectorial, E1 = { 0 } e E1 = E são subespaços vectoriais de E,
designados por subespaços triviais.
37
(iii) Sejam (0, y) ∈ E1 e α ∈ R
α(0, y) = (α0, αy) = (0, αy) ∈ E1 .
4 — Já os subconjuntos de R3
a) H1 = {(x, y, z) ∈ R3 : y = 1},
b) H2 = {(x, y, z) ∈ R3 : x ∈ Q},
c) H3 = {(x, y, z) ∈ R3 : |z| ≤ 1},
d) H4 = {(x, y, z) ∈ R3 : x ≥ y},
e) H5 = {(x, y, z) ∈ R3 : y = 0 ou z = 0},
não são subespaços vectoriais de R3 .
Com efeito,
a) (0, 0, 0) ∈
/ H1 (ver Prop. 3.3.2),
√ √ √
b) α = 2 ∈ R, (1, 0, 0) ∈ H2 e 2(1, 0, 0) = ( 2, 0, 0) ∈
/ H2 (falha condição (iii) da
Prop.3.3.1),
c) α = 7 ∈ R, (1, 1, 1) ∈ H3 e 7(1, 1, 1) = (7, 7, 7) ∈
/ H3 (falha condição (iii) da
Prop.3.3.1. Observe-se que também falha a condição (ii)),
d) α = −1 ∈ R, (2, 1, 0) ∈ H4 e (−1)(2, 1, 0) = (−2, −1, 0) ∈
/ H4 (falha condição (iii)
da Prop.3.3.1),
38
e) (0, 0, 1) ∈ H5 , (0, 1, 0) ∈ H5 e (0, 0, 1) + (0, 1, 0) = (0, 1, 1) ∈
/ H5 (falha condição
(ii) da Prop.3.3.1).
Demonstração
a) (Usamos a Proposição 3.3.3)
→
− →
− →
−
(i) 0 ∈ E1 e 0 ∈ E2 , donde, 0 ∈ E1 ∩ E2 ;
(ii) Sejam →
−
x ,→
−
y ∈ E ∩ E e α, β ∈ F.
1 2
Se →
−
e1+→
−
e 2 ∈ E1 , como →
−
e 1 ∈ E1 , −→
−
e 1 ∈ E1 , donde, (−→
−
e 1 ) + (→
−
e1+→
−
e 2) = →
−
e 2 ∈ E1 ,
o que contradiz a hipótese.
Se →
−
e1+→ −
e 2 ∈ E2 conclui-se, de forma análoga, que →
−
e 1 ∈ E2 , ou seja, um absurdo.
39
→
−
(i) Pondo λ1 = λ2 = . . . = λn = 0, tem-se 0→
−
v 1 + 0→
−
v 2 + . . . + 0→
−
v n = 0 ∈ G;
(ii) Sejam →
−
x ,→
−
y ∈ G e α, β ∈ F.
Então, ∃λ1 , λ2 , . . . , λn , γ1 , γ2 , . . . , γn ∈ F tais que →
−
x = λ1 →
−
v 1 + λ2 →
−
v 2 + . . . + λn →
−
vne
→
−
y = γ1 →
−
v 1 + γ2 →
−v 2 + . . . + γn → −v n.
Tem-se, α→−x +β → −y = α(λ → 1
−
v +λ →
1 2 2
−v +. . .+λ →
n
−v )+β(γ →
n 1
−v +γ →
1 2
−v +. . .+γ →
2 n
−
v )=
n
(αλ1 + βγ1 )→
−
v 1 + (αλ2 + βγ2 )→
−
v 2 + . . . + (αλn + βγn )→
−
v n ∈ G.
Notação
O subespaço gerado por →
−
v 1, →
−
v 2, . . . , →
−
v n denota-se por < →
−
v 1, →
−
v 2, . . . , →
−
v n > ou
L(→
−
v ,→
−v ,...,→
1 2
−
v ). n
Exemplos
1 — Em R3 , determinamos o subespaço gerado por (1, 1, 1), (1, 0, 1).
(x, y, z) ∈< (1, 1, 1), (1, 0, 1) > sse (x, y, z) = α1 (1, 1, 1) + α2 (1, 0, 1) sse
1 1 x
1 0 y
1 1 z
é a matriz ampliada de um sistema linear possı́vel.
1 1 x 1 1 x
L02 =L2 −L1
1 0 y −− −−−−→ 0 −1 y − x
L03 =L3 −L1
1 1 z 0 0 z−x
O sistema é possı́vel sse z − x = 0, pelo que,
40
O sistema é possı́vel sse z − 2x − 2y = 0 e w − 5x − 3y = 0, pelo que,
3 — Em R3 , determinamos o subespaço gerado por (1, 1, 1), (1, 0, 1), (1, 2, 0).
(x, y, z) ∈< (1, 1, 1), (1, 0, 1), (1, 2, 0) > sse (x, y, z) = α1 (1, 1, 1)+α2 (1, 0, 1)+α3 (1, 2, 0)
sse
1 1 1 x
1 0 2 y
1 1 0 z
é a matriz ampliada de um sistema linear possı́vel.
1 1 1 x 1 1 1 x
L02 =L2 −L1
1 0 2 y −− −−−−→ 0 −1 1 y−x
0 L3 =L3 −L1
1 1 0 z 0 0 −1 z − x
Exemplo
Do que vimos no exemplo anterior, R3 é finitamente gerado, já que
41
Definição 38 Seja E um espaço vectorial finitamente gerado.
Diz-se o conjunto B = {→
−
e 1, →
−
e 2, . . . , →
−
e n } ⊆ E é uma base de E se:
(i) B é um conjunto de vectores linearmente independentes;
(ii) B é um conjunto de geradores de E, ou seja, E =< →
−
e 1, →
−
e 2, . . . , →
−
e n >.
Proposição 3.4.1 Todo o espaço vectorial finitamente gerado tem uma base.
Observações
→
− →
− →
−
1 — O espaço nulo, E = { 0 }, é finitamente gerado, uma vez que { 0 } =< 0 >,
mas não possui vectores linearmente independentes. Por isso, convenciona-se que a sua
base é o conjunto vazio, ∅.
2 — Se se atribuir uma certa ordem aos vectores da base B, diz-se que B é uma base
ordenada de E, e escreve-se B = (→−e ,→
−
e ,...,→
1
−e ).
2 n
Proposição 3.4.2 Duas quaisquer bases de um mesmo espaço vectorial têm o mesmo
número de vectores.
Demonstração
Suponhamos que → −x = a1 → −
e 1 +a2 →−
e 2 +. . .+an →
−
e n e que → −
x = b1 →
−
e 1 +b2 →
−
e 2 +. . .+bn →
−
e n.
Então, a1 →
−
e 1 + a2 →
−
e 2 + . . . + an →
−
e n = b1 →−
e 1 + b2 →
−e 2 + . . . + bn →
−
en ⇒
→
− →
− →
− →
−
⇒ (a1 − b1 ) e 1 + (a2 − b2 ) e 2 + . . . + (an − bn ) e n = 0 ⇒
(os vectores de B são linearmente independentes)
a1 − b1 = a2 − b2 = . . . = an − bn = 0 ⇒ a1 = b1 , a2 = b2 , . . . , an = bn .
42
tais que →
−
x = a1 →
−
e 1 + a2 →
−
e 2 + . . . + an →
−
e n designam-se por coordenadas de →
−
x na base
→
−
B e escreve-se x = (a , a , . . . , a ) para o traduzir.
1 2 n B
Exemplo
Em R3 , já vimos que os vectores (1, 1, 1), (1, 0, 1), (1, 2, 0) geram o espaço. E são
linearmente independentes porque
1 1 1 1 1 1
L02 =L2 −L1
1 0 2 −− −−−−→ 0 −1 1 ,
0
L3 =L3 −L1
1 1 0 0 0 −1
tem caracterı́stica 3.
Por isso, B = ((1, 1, 1), (1, 0, 1), (1, 2, 0)) é uma base de R3 .
Tem-se (1, 1, 1) = (1, 0, 0)B , (1, 0, 1) = (0, 1, 0)B , (1, 2, 0) = (0, 0, 1)B ,
(3, 3, 2) = (1, 1, 1)B , (x, y, z) = (−2x + y + 2z, 2x − y − z, x − z)B .
Observação
Num espaço vectorial de dimensão n, n é o número máximo de vectores linearmente
independentes e o número mı́nimo de geradores do espaço.
Exemplos de bases
Prova-se facilmente que:
a) Bc = ((1, 0), (0, 1)) é uma base de R2 — a base canónica de R2 . Logo, dim(R2 ) = 2.
Tendo em conta que (x, y) = x(1, 0) + y(0, 1), (x, y) = (x, y)Bc .
b) Seja n ∈ N. Bc = ((1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)) é uma base de Rn —
a base canónica de Rn . Logo, dim(Rn ) = n.
Tendo em conta que (x1 , x2 , . . . , xn ) = x1 (1, 0, . . . , 0)+x2 (0, 1, . . . , 0)+. . .+xn (0, 0, . . . , 1),
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )Bc .
c1) Bc = ((1, 0), (0, 1)) é uma base de C2 como espaço vectorial complexo — a base
canónica de C2 sobre C. Logo, dim(C2C ) = 2.
Tendo em conta que (z1 , z2 ) = z1 (1, 0) + z2 (0, 1), (z1 , z2 ) = (z1 , z2 )Bc .
43
c2) Bc = ((1, 0), (i, 0), (0, 1), (0, i)) é uma base de C2 como espaço vectorial real — a
base canónica de C2 sobre R. Logo, dim(C2R ) = 4.
Tendo em conta que (z1 , z2 ) = z1 (1, 0) + z2 (0, 1) = (a1 + b1 i)(1, 0) + (a2 + b2 i)(0, 1) =
a1 (1, 0) + b1 (i, 0) + a2 (0, 1) + b2 (0, i), (z1 , z2 ) = (a1 + b1 i, a2 + b2 i) = (a1 , b1 , a2 , b2 )Bc .
d1) Seja n ∈ N. Bc = ((1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)) é uma base de Cn
como espaço vectorial complexo — a base canónica de Cn sobre C. Logo, dim(CnC ) = n.
Tendo em conta que (z1 , z2 , . . . , zn ) = z1 (1, 0, . . . , 0)+z2 (0, 1, . . . , 0)+. . .+zn (0, 0, . . . , 1),
(z1 , z2 , . . . , zn ) = (z1 , z2 , . . . , zn )Bc .
d2) Seja n ∈ N.
Bc = ((1, 0, . . . , 0), (i, 0, . . . , 0), (0, 1, . . . , 0), (0, i, . . . , 0), . . . , (0, 0, . . . , 1), (0, 0, . . . , i)) é uma
base de Cn como espaço vectorial real — a base canónica de Cn sobre R. Logo,
dim(CnR ) = 2n.
Tendo em conta que (z1 , z2 , . . . , zn ) = z1 (1, 0, . . . , 0)+z2 (0, 1, . . . , 0)+. . .+zn (0, 0, . . . , 1) =
(a1 +b1 i)(1, 0, . . . , 0)+(a2 +b2 i)(0, 1, . . . , 0)+. . .+(an +bn i)(0, 0, . . . , 1) = a1 (1, 0, . . . , 0)+
b1 (i, 0, . . . , 0) + a2 (0, 1, . . . , 0) + b2 (0, i, . . . , 0) + . . . + an (0, 0, . . . , 1) + bn (0, 0, . . . , i),
(z1 , z2 , . . . , zn ) = (a1 + b1 i, a2 + b2 i, . . . , an + bn i) = (a1 , b1 , a2 , b2 , . . . , an , bn )Bc .
" # " # " # " #
1 0 0 1 0 0 0 0
e) Sendo E11 = , E12 = , E21 = , E22 = ,
0 0 0 0 1 0 0 1
Bc = (E11 , E12 , E21 , E22 ) é uma base de R2×2 — a base canónica de R2×2 . Logo,
dim(R2×2 ) = 4.
" # " # " # " # " #
a b 1 0 0 1 0 0 0 0
Tendo em conta que =a +b +c +d =
c d 0 0 0 0 1 0 0 1
" #
a b
aE11 + bE12 + cE21 + dE22 , = (a, b, c, d)Bc .
c d
f) Em R2 , consideremos o subespaço vectorial
E1 = {(x, y, z) : x + y + z = 0}.
44
Logo, E1 =< (1, 0, −1), (0, 1, −1) >. Os vectores (1, 0, −1), (0, 1, −1) são linearmente in-
dependentes (nenhum é combinação linear do outro). Por isso, B = ((1, 0, −1), (0, 1, −1))
é uma base de E1 e dim(E1 ) = 2.
H = {(x, y, z, w) : x − y + 2z = 0, w − x − z = 0}.
( (
x − y + 2z = 0 y = x + 2z
⇔ ,
w−x−z = 0 w = x+z
pelo que os vectores de H são da forma
Logo, H =< (1, 1, 0, 1), (0, 2, 1, 1) >. Os vectores (1, 1, 0, 1), (0, 2, 1, 1) são linearmente in-
dependentes (nenhum é combinação linear do outro). Por isso, B = ((1, 1, 0, 1), (0, 2, 1, 1))
é uma base de H e dim(H) = 2.
onde
→
−
e 1 = a11 →
−
u 1 + a21 →
−
u 2 + . . . + an1 →
−
un
→
−
e 2 = a12 →
−
u 1 + a22 →
−
u 2 + . . . + an2 →
−
un
.. . (3.1)
.
→
−
e = a → −
u +a → −
u + ... + a → −u
n 1n 1 2n 2 nn n
45
Uma matriz de mudança de base permite relacionar as coordenadas de um qualquer
vector de E nas duas bases envolvidas. Pondo P = M(B1 , B2 ), podemos usar notação
matricial para traduzir as relações (3.1). Tem-se
h i h i
→
−e1 → −e 2 ... → −
en = → −
u1 →
−
u 2 ... →
−
u n P. (3.2)
Se →
−
x = x1 →
−
e 1 + x2 →
−
e 2 + . . . + xn →−e n = x01 →
−
u 1 + x02 →
−
u 2 + . . . + x0n →
−
u n , então
x1 x01
i x2 h → x02
h i
→
− →
− →
− − →
− →
−
e 1 e 2 ... e n .. = u 1 u 2 . . . u n .. .
. .
xn x0n
x1 x01
0
x2 x
Pondo X = . e X = .2 , vem
0
. .
. .
xn x0n
h i h i
→
−
e1 → −
e 2 ... → −en X = → −
u1 → −u 2 ... → −
u n X0 ⇒
h i h i
→
− →
− →
− →
−
(por (3.2)) ( u 1 u 2 . . . u n P )X = u 1 u 2 . . . u n X 0 ⇒→
− →
−
h i h i
→
− →
−
u 1 u 2 ... u n →
− (P X) = →
− →
− →
−
u 1 u 2 . . . u n X 0 ⇒ P X = X 0.
Observação
Se Q = M(B2 , B1 ) conclui-se, analogamente, que X = QX 0 . Como P X = X 0 ⇔
⇔ X = P −1 X 0 (as n colunas de P , correspondentes às coordenadas de cada vector da
base B1 relativamente à base B2 , são linearmente independentes. Por isso, c(P ) = n,
donde, P é invertı́vel), tem-se QX 0 = P −1 X 0 . A arbitrariedade de X 0 permite concluir
que Q = P −1 .
Exemplo
Em R3 , consideremos as bases B1 e B2 tais que B1 é a base canónica e
B2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)). De
1 −1 0
46
Dado o vector (3, 2, 1) = (3, 2, 1)B1 , determinamos as suas coordenadas na base B2
usando a matriz de mudança de base:
0 0 1 3 1
0 1 −1 2 = 1 ,
1 −1 0 1 1
pelo que, (3, 2, 1) = (1, 1, 1)B2 , ou seja, (3, 2, 1) = 1(1, 1, 1) + 1(1, 1, 0) + 1(1, 0, 0).
Como
(1, 1, 1) = 1(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1)
(1, 1, 0) = 1(1, 0, 0) + 1(0, 1, 0) + 0(0, 0, 1) ,
(1, 0, 0) = 1(1, 0, 0) + 0(0, 1, 0) + 0(0, 0, 1)
temos
1 1 1
M(B2 , B1 ) = 1 1 0 .
1 0 0
−1
1 1 1 0 0 1
(Note-se que 1 1 0 = 0 1 −1 , uma vez que
1 0 0 1 −1 0
1 1 1 0 0 1 1 0 0
1 1 0 0 1 −1 = 0 1 0 .)
1 0 0 1 −1 0 0 0 1
Se →
−
x = (1, 2, 3)B2 ,
1 1 1 1 6
1 1 0 2 = 3 ,
1 0 0 3 1
donde, →
−
x = (6, 3, 1)B1 = (6, 3, 1).
47
Capı́tulo 4
APLICAÇÕES LINEARES
Exemplos
1 — Se E e E0 são espaços vectoriais sobre um mesmo corpo F, a aplicação f : E → E0
→
−
definida por f (→
−
x ) = 0 E0 é linear (a aplicação linear nula), uma vez que:
→
− →
− →
−
i) f (→
−
x +→
−y ) = 0 E0 = 0 E0 + 0 E0 = f (→ −x ) + f (→
−y)
e
→
− →
−
ii) f (α→
−
x ) = 0 E0 = α 0 E0 = αf (→
−
x ).
49
4 — Já as funções que se seguem não são lineares:
a) f : R2 → R2 definida por f (x, y) = (xy, x + y)
b) f : R2 → R3 definida por f (x, y) = (2x + y, 1, x − y)
a
3×1
c) f : R → R definida por f ( b ) = (a2 , b + c − 2)
2
c
Com efeito,
a) f (2, 3) = (2 × 3, 2 + 3) = (6, 5), f ((−1)(2, 3)) = f (−2, −3) = (6, −5) e
(−1)f (2, 3) = (−6, −5) 6= (6, −5) = f ((−1)(2, 3)). Por isso, falha a condição ii) da
Definição 42.
b) f (1, 1) = (2 + 1, 1, 1 − 1) = (3, 1, 0), f (−1, −1) = (−2 − 1, 1, −1 + 1) = (−3, 1, 0),
f ((1, 1) + (−1, −1)) = f (0, 0) = (0, 1, 0) 6= (0, 2, 0) = f (1, 1) + f (−1, −1). Assim, a
condição i) da Definição 42 não se verifica.
1 1 2
2
c) f ( 0 ) = (1 , 0 + 2 − 2) = (1, 0) e f (2 0 ) = f ( 0 ) = (22 , 0 + 4 − 2) =
2 2 4
1
(4, 2) 6= 2f ( 0 ) = 2(1, 0) = (2, 0), não se verificando a condição ii) da Definição 42.
Demonstração
→
− →
− →
− →
− →
− →
−
a) 0 E + 0 E = 0 E ⇒ f ( 0 E + 0 E ) = f ( 0 E ) ⇒
→
− →
− →
− →
− →
− →
− →
− →
−
(f linear) f ( 0 E ) + f ( 0 E ) = f ( 0 E ) ⇒ f ( 0 E ) + f ( 0 E ) − f ( 0 E ) = f ( 0 E ) − f ( 0 E ) ⇒
→
− →
−
⇒ f ( 0 E ) = 0 E0
→
− →
−
b) f (→
−
x )+f (−→
−
x ) = f (→
−
x +(−→
−
x )) = f ( 0 E ) = 0 E0 (por (a)), logo, f (−→
−
x ) = −f (→
−
x)
c) f (→
−
x −→
−
y ) = f (→
−
x + (−→
−
y )) = f (→
−
x ) + f (−→
−
y ) = f (→
−
x ) − f (→
−
y ) (por (b)).
∀ α, β ∈ F, ∀ →
−
x ,→
−
y ∈ E f (α→
−
x + β→
−
y ) = αf (→
−
x ) + βf (→
−
y ).
50
(A demonstração fica ao cuidado do leitor)
∀i ∈ {1, 2, . . . , n} f (→
−
e i) = →
−
u i.
Mais ainda,
se →
−
x = a1 →
−
e 1 + a2 →
−
e 2 + · · · + an →
−
e n então f (→
−
x ) = a1 →
−
u 1 + a2 →
−
u 2 + · · · + an →
−
u n.
Demonstração
Seja f : E → E0 definida por
f (a1 →
−
e 1 + a2 →
−
e 2 + · · · + an →
−
e n ) = a1 →
−
u 1 + a2 →
−
u 2 + · · · + an →
−
un
Provamos que
(a) f é linear
(i) f ((a1 →
−
e 1 + a2 →
−
e 2 + · · · + an →
−
e n ) + (b1 →
−
e 1 + b2 →
−
e 2 + · · · + bn →
−
e n )) =
→
− →
−
= f ((a + b ) e + (a + b ) e + · · · + (a + b ) e ) = →
−
1 1 1 2 2 2 n n n
= (a1 + b1 )→
−
u 1 + (a2 + b2 )→−u 2 + · · · + (an + bn )→
−
un =
→
− →
− →
− →
− →
−
= (a1 u 1 + a2 u 2 + · · · + an u n ) + (b1 u 1 + b2 u 2 + · · · + bn →
−
u n) =
= f (a →
−e +a →
1
−
e + ··· + a →
1
−
2e ) + f (b →
2
−e +b → −
e + ··· + b →
n n
−e ) 1 1 2 2 n n
(ii) f (α(a1 →
−
e 1 + a2 →
−
e 2 + · · · + an →
−
e n )) = f ((αa1 )→
−
e 1 + (αa2 )→
−
e 2 + · · · + (αan )→
−
e n) =
→
− →
− →
− →
− →
−
= (αa ) u + (αa ) u + · · · + (αa ) u = α(a u + a u + · · · + a u ) = →
−
1 1 2 2 n n 1 1 2 2 n n
= αf (a1 →
−
e 1 + a2 →
−
e 2 + · · · + an →
−
e n)
(c) f é única
Se g : E → E0 é uma aplicação linear tal que
∀i ∈ {1, 2, . . . , n} g(→
−
e i) = →
−
u i,
então, dado →−
x ∈ E arbitrário, tem-se:
g(→
−x ) = 1 g(a1 →
−
e 1 + a2 →
−e 2 + · · · + an →
−
e n ) = a1 g(→
−
e 1 ) + a2 g(→
−
e 2 ) + · · · + an g(→
−
e n) = 2
= a f (→
1
−e ) + a f (→
−
1e ) + · · · + a f (→
2
−
e ) = f (a →
2
−
e +a → −e +···+a →
n n
−e ) = f (→
1
−
x ), logo,
1 2 2 n n
f = g.
1→
−
x = a1 → −
e 1 + a2 →
−
e 2 + · · · + an →
−
e n , para certos escalares a1 , a2 , . . . , an , dado que B é uma base de E
2 →− →
− →
−
g( e i ) = u i = f ( e i )
51
Observação
Traduz a Proposição 4.0.3 que uma aplicação linear cujo domı́nio é um espaço vecto-
rial de dimensão finita fica perfeitamente definida quando se conhecem as imagens dos
vectores de uma qualquer base desse mesmo domı́nio.
Exemplos
1 — Consideremos a aplicação linear ϕ : R2 → R3 tal que
É fácil mostrar que os vectores (1, 2, 3), (0, 1, 0), (0, 0, 1) constituem uma base de R3
(cf. com o Capı́tulo 3). Então, a aplicação linear g : R3 → R3 tal que
52
a) Núcleo de f , e denota-se por N uc(f ) ou por Ker(f ), ao subconjunto de E
formado por todos os vectores cuja imagem por f é o vector nulo de E0 , ou seja,
→
−
N uc(f ) = {→
−
x ∈ E : f (→
−
x ) = 0 E0 }.
Im(f ) = {f (→
−
x):→
−
x ∈ E} = f (E).
Demonstração
→
− →
− →
−
a) (i) f ( 0 E ) = 0 E0 ⇒ 0 E ∈ N uc(f )
→
−
(ii) Sejam →−x ,→−
y ∈ N uc(f ) e α, β ∈ F quaisquer. Por definição, f (→
−
x ) = f (→
−
y ) = 0 E0 .
Tem-se,
→
− →
− →
− →
− →
−
f (α→
−
x +β →
−
y ) = αf (→
−
x )+βf (→
−
y ) = α 0 E0 +β 0 E0 = 0 E0 + 0 E0 = 0 E0 ⇒ α→
−
x +β →
−
y ∈ N uc(f ).
→
− →
− →
−
b) (i) f ( 0 E ) = 0 E0 ⇒ 0 E0 ∈ Im(f )
→
−
(ii) Sejam → −
u ,→−v ∈ Im(f ) e α, β ∈ F quaisquer. Então, ∃→
−
a , b ∈ E tais que
→
−
f (→
−
a)=→ −u e f( b ) = →−v . Tem-se,
→
− →
−
α→
−
u + β→
−
v = αf (→
−
a ) + βf ( b ) = f (α→
−
a + β b ) ⇒ α→
−
u + β→
−
v ∈ Im(f ).
Im(f ) =< f (→
−
e 1 ), f (→
−
e 2 ), . . . , f (→
−
e n) > .
Demonstração
Vamos mostrar que qualquer vector de Im(f ) pode escrever-se como combinação
linear dos vectores f (→
−
e ), f (→
1
−
e ), . . . , f (→
2
−
e ).
n
⇒→
−
y ∈< f (→
−
e 1 ), f (→
−
e 2 ), . . . , f (→
−
e n) > .
53
Observação
Se E é um espaço vectorial de dimensão finita e f : E → E0 é uma aplicação linear,
resulta imediatamente da proposição 4.1.2 que Im(f ) também tem dimensão finita. Mais
ainda, dim(Im(f )) ≤ dim(E).
Por outro lado, como N uc(f ) ≤ E, também N uc(f ) tem dimensão finita e
dim(N uc(f )) ≤ dim(E).
Veremos adiante como se relacionam as dimensões de N uc(f ), Im(f ) e E.
Exemplos
1 — Consideremos a aplicação linear f : R3 → R2 definida por
f (x, y, z) = (x+y +z, 2x−y). Determinamos N uc(f ), Im(f ) e as dimensões respectivas.
N uc(f ) = {(x, y, z) ∈ R3 : f (x, y, z) = (0, 0)} = {(x, y, z) ∈ R3 : (x+y+z, 2x−y) = (0, 0)}
( ( (
x+y+z = 0 x + 2x + z = 0 z = −3x
⇒ ⇒ ,
2x − y = 0 y = 2x y = 2x
donde,
N uc(f ) = {(x, 2x, −3x) : x ∈ R} = {x(1, 2, −3) : x ∈ R} =< (1, 2, −3) >
(1, 2, −3) 6= (0, 0, 0), pelo que, o gerador de N uc(f ) é linearmente independente e, por
isso, B = ((1, 2, −3)) é uma base de N uc(f ) e nf = 1.
Im(f ) =< f (1, 0, 0), f (0, 1, 0), f (0, 0, 1) >=< (1, 2), (1, −1), (1, 0) >= R2 .
2 — Seja g : R3 → R4 a aplicação linear tal que g(x, y, z) = (x−z, 0, y +2z, x−y +z).
Determinamos N uc(g), Im(g), ng e cg .
54
= {(x, y, z) ∈ R3 : (x − z, 0, y + 2z, x − y + z) = (0, 0, 0, 0)}.
x−z = 0
x = z
x = 0
0 = 0
⇒ y = −2z ⇒ y = 0 ,
y + 2z = 0
z + 2z + z = 0 z = 0
x−y+z = 0
donde,
N uc(g) = {(0, 0, 0)} e ng = 0.
Im(g) =< g(1, 0, 0), g(0, 1, 0), g(0, 0, 1) >=< (1, 0, 0, 1), (0, 0, 1, −1), (−1, 0, 2, 1) >
1 0 −1 x 1 0 −1 x
0 0 0 y 1 −1 1 w
−−−−→ −−−−−−→
0 1 0
2 z L2 ↔L4 0 1
2 z L2 =L2 −L1
1 −1 1 w 0 0 0 y
1 0 −1 x 1 0 −1 x
0 −1 2 w − x 0 −1 2 w−x
−− −−−−→ −− −−−−→ ,
L02 =L2 −L1
0 1 2 z 3 L0 =L +L
3 2 0 0 4 z+w−x
0 0 0 y 0 0 0 y
logo,
Alternativamente,
ou, abreviadamente,
dim(E) = nf + cf .
55
Demonstração
Sejam B1 = (→ −u 1, →
−
u 2, . . . , →
−
u p ) (0 ≤ p ≤ dim(E)) uma base de N uc(f ) e
B = ( u 1 , u 2 , . . . , u p , e p+1 , →
→
− →
− →
− →
− −e p+2 , . . . , →
−e n ) uma base de E que contém B1 . Vamos
provar que B = (f ( e →
− →
−
), f ( e ), . . . , f (→
−e )) é uma base de Im(f ), de onde resultará
2 p+1 p+2 n
imediatamente a tese.
Seja →
−
y ∈ Im(f ). Então, ∃→
−
x ∈ E tal que →
−
y = f (→
−
x ).
Como B é uma base de E, ∃a1 , a2 , . . . , ap , bp+1 , bp+2 , . . . , bn ∈ F tais que
→
−
x = a1 →
−
u 1 + a2 →
−
u 2 + · · · + ap →
−
u p + bp+1 →
−
e p+1 + bp+2 →
−
e p+2 + · · · + bn →
−
e n.
Donde,
→
−
y = f (→
−
x ) = f (a1 →
−
u 1 + a2 →
−
u 2 + · · · + ap →
−
u p + bp+1 →
−
e p+1 + bp+2 →
−
e p+2 + · · · + bn →
−
e n) =
= a1 f (→
−
u 1 ) + a2 f (→
−
u 2 ) + · · · + ap f (→
−u p ) + bp+1 f (→
−
e p+1 ) + bp+2 f (→
−e p+2 ) + · · · + bn f (→
−
e n) = 3
→
− →
− →
−
= a1 0 E0 + a2 0 E0 + · · · + ap 0 E0 + bp+1 f (→ −e p+1 ) + bp+2 f (→
−e p+2 ) + · · · + bn f (→−e n) =
→
− →
− →
−
= 0 E0 + 0 E0 + · · · + 0 E0 + bp+1 f (→ −
e p+1 ) + bp+2 f (→−
e p+2 ) + · · · + bn f (→−e n) =
= b f (→ p+1
−
e p+1) + b f (→
p+2
−
e ) + · · · + b f (→
p+2 n
−e )⇒
n
⇒ Im(f ) =< f (→
−
e p+1 ), f (→
−
e p+2 ), . . . , f (→
−
e n) > .
→
−
Suponhamos agora que α1 f (→
−e p+1 ) + α2 f (→
−e p+2 ) + · · · + αn−p f (→
−
e n ) = 0 E0 . Então,
→
−
f (α1 →
−
e p+1 + α2 →
−
e p+2 + · · · + αn−p → −
e n ) = 0 E0 ⇒
⇒ α1 →
−e p+1 + α2 →
−
e p+2 + · · · + αn−p →
−
e n ∈ N uc(f ) ⇒ 4
⇒ ∃β1 , β2 , . . . , βp ∈ F : α1 →
−
e p+1 +α2 →
−e p+2 +· · ·+αn−p →
−e n = β1 →
−u 1 +β2 →
−
u 2 +· · ·+βp →
−
up ⇒
→
−
⇒β → −u +β →
1 1
−
u + ··· + β →
2 2
−
u −α →
p p
−e 1 −α →
p+1
−
e − ··· − α →
2 p+2
−
e = 0 ⇒5
n−p n E
⇒ β1 = β2 = . . . = βp = α1 = α2 = . . . = αn−p = 0,
como querı́amos.
56
Proposição 4.1.4 Uma aplicação linear f : E → E0 é um monomorfismo se e só se
→
−
N uc(f ) = { 0 E }.
Demonstração
→
−
(⇒) Seja →
−
x ∈ N uc(f ). Supondo f injectiva, mostramos que →
−
x = 0 E.
→
− →
− →
− →
−
x ∈ N uc(f ) ⇒ f (→
−
x ) = 0 E0 = 6 f ( 0 E ) ⇒ 7 →
−
x = 0 E.
→
− →
−
f (→
−
x ) = f (→
−y ) ⇒ f (→
−
x ) − f (→
−
y ) = 0 E0 ⇒ f (→
−
x −→
−
y ) = 0 E0 ⇒
→
− →
−
⇒→ −x −→ −y ∈ N uc(f ) = { 0 E } ⇒ →
−x −→−y = 0E⇒→ −x =→−
y.
Observação
Se f : E → E0 é linear e E tem dimensão finita então:
(i) f é um monomorfismo sse nf = 0;
(ii) f é um epimorfismo (Im(f ) = E0 ) sse cf = dim(E0 );
(iii) f é um isomorfismo sse nf = 0 e cf = dim(E0 ) = dim(E).
Demonstração
Seja n = dim(E) = dim(E0 ). Pelo Teorema da Dimensão (Proposição 4.1.3),
n = n f + cf .
f monomorfismo ⇔ nf = 0 ⇔ n = cf ⇔ f epimorfismo.
Observação
1 — Resulta da Proposição anterior que, para que uma aplicação linear entre espaços
vectoriais com a mesma dimensão seja bijectiva, basta que seja injectiva ou sobrejec-
tiva.
6
Pela Proposição 4.0.1
7
f é injectiva
57
2 — Só podem existir isomorfismos entre espaços vectoriais com a mesma dimensão.
Com efeito, de acordo com a Proposição 4.1.3, se:
a) dim(E) < dim(E0 ), f nunca é sobrejectiva
(cf = dim(E) − nf ≤ dim(E) < dim(E0 ));
b) dim(E) > dim(E0 ), f nunca é injectiva
(cf ≤ dim(E0 ) < dim(E) = cf + nf ⇒ nf > 0).
Demonstração
(⇒) Por hipótese, f transforma vectores linearmente independentes em vectores li-
→
−
nearmente independentes. Mostramos que N uc(f ) = { 0 E } (ou seja, que f é injectiva).
→
− →
−
x ∈ N uc(f ) ⇒ f (→
−
x ) = 0 E0 ⇒ f (→
−
x ) linearmente dependente ⇒
→
−
⇒ (hipótese) x linearmente dependente ⇒ →
→
− −x = 0 E.
→
−
(⇐) Suponhamos que N uc(f ) = { 0 E } e sejam →
−e 1, → −e 2, . . . , →
−
e p vectores linearmente
→
− →
− →
−
independentes de E. Provamos que f ( e ), f ( e ), . . . , f ( e ) são vectores linearmente
1 2 p
0
independentes de E .
→
− →
−
α1 f (→
−e 1 ) + α2 f (→
−
e 2 ) + · · · + αp f (→
−
e p ) = 0 E0 ⇒ f (α1 →
−
e 1 + α2 →
−
e 2 + · · · + αp →
−
e p ) = 0 E0 ⇒
→
− →
−
α1 →
−e 1 + α2 →−e 2 + · · · + αp →
− e p ∈ N uc(f ) = { 0 E } ⇒ α1 →−
e 1 + α2 →
−
e 2 + · · · + αp →
−ep= 0E⇒
(→
−e ,...,→
1
−
e linearmente independentes) α = α = . . . = α = 0.
p 1 2 p
Observação
Das Proposições 4.1.2 e 4.1.6 conclui-se que, se E é um espaço vectorial de dimensão
finita, B = (→−e 1, →
−
e 2, . . . , →
−
e n ) uma base de E e f : E → E0 um monomorfismo, então
B 0 = (f (→
−
e ), f (→
1
−
e ), . . . , f (→
2
−e )) é uma base de Im(f ), pelo que dim(Im(f )) = dim(E).
n
58
a) (f + g) : E → E0 definida por (f + g)(→−
x ) = f (→
−x ) + g(→
−
x ), ∀→
−
x ∈E
b) (λf ) : E → E0 definida por (λf )(→
−
x ) = λf (→
−
x ), ∀→
−x ∈E
são lineares.
Demonstração
a) (f + g)(α→
−
x + β→
−
y ) = f (α→
−
x + β→
−
y ) + g(α→
−
x + β→
−
y)=8
= (αf (→
−
x ) + βf (→
−
y )) + (αg(→
−
x ) + βg(→
−
y )) = α(f (→
−
x ) + g(→
−
x )) + β(f (→
−
y ) + g(→
−
y )) =
= α(f + g)(→−
x ) + β(f + g)(→
−y)
b) tem prova análoga a a)
Demonstração
(f ◦ g)(α→
−x + β→−y ) = f (g(α→
−x + β→−y )) = 9 f (αg(→
−
x ) + βg(→
−
y )) = 10
= αf (g(→−
x )) + βf (g(→
−y )) = α(f ◦ g)(→−
x ) + β(f ◦ g)(→
−y ).
Demonstração
A inversa de uma bijecção é ainda uma bijecção. Por outro lado,
→
− →
−
f −1 (α→
−
x + β→ −y ) = 11 f −1 (αf (→
−a ) + βf ( b )) = f −1 (f (α→
−
a + β b )) =
→
− →
−
= (f −1 ◦ f )(α→−
a + β b ) = α→ −a + β b = αf −1 (→ −x ) + βf −1 (→
−
y ).
Donde, f −1 é um isomorfismo.
Observação
De acordo com os dois resultados anteriores, podemos afirmar que a composta de duas
aplicações lineares ainda é linear e que a inversa de um isomorfismo é um isomorfismo.
8
f e g são lineares
9
g é linear
10
f é linear
→
− →
−
11
f é, em particular, sobrejectiva. Por isso, existem →
−
a , b ∈ E tais que →
−
x = f (→
−
a ), →
−
y = f( b ) ⇒
→
−
(por f ser injectiva) f −1 (→
−
x)=→−a , f −1 (→
−
y)= b
59
4.3 Matriz de uma Aplicação Linear
No que se segue, todos os espaços vectoriais mencionados têm dimenso finita.
h i h →
−0 →− →
− i
f (→
−
e 1 ) f (→
−
e 2 ) . . . f (→
−
e n) = e 1 e0 2 . . . e0 p A,
onde A = M(f ; B1 , B2 ).
2 — Tendo em conta a definição de caracterı́stica de uma matriz, a Proposição 4.1.2
e a forma como se constrói a matriz de uma aplicação linear, é fácil concluir que, se f é
linear e A é a matriz de f em relação a certas bases, dim(Im(f )) = cf = c(A).
Exemplos
1 — Sejam f : R2 → R3 a aplicação linear definida por f (x, y) = (2x, x − y, 3y),
B1 = ((1, 0), (0, 1)), B2 = ((1, 1), (−1, 2)) bases de R2 e B 0 1 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)),
B 0 2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)) bases de R3 . Escrevemos:
a) M(f ; B1 , B 0 1 )
f (1, 0) = (2, 1, 0) = 2(1, 0, 0) + 1(0, 1, 0) + 0(0, 0, 1)
f (0, 1) = (0, −1, 3) = 0(1, 0, 0) + (−1)(0, 1, 0) + 3(0, 0, 1), logo,
2 0
M(f ; B1 , B 0 1 ) = 1 −1 .
0 3
60
b) M(f ; B2 , B 0 2 )
f (1, 1) = (2, 0, 3) = 3(1, 1, 1) + (−3)(1, 1, 0) + 2(1, 0, 0)
f (−1, 2) = (−2, −3, 6) = 6(1, 1, 1) + (−9)(1, 1, 0) + 1(1, 0, 0), logo,
3 6
M(f ; B2 , B 0 2 ) = −3 −9 .
2 1
1 −1 0
A = M(g; ((1, 0, 0), (0, 1, 0), (0, 0, 1)), ((1, 0, 0), (0, 1, 0), (0, 0, 1))) = −1 1 0 .
0 2 −1
1 −1 0 1 −1 0 x x x−y
x −1 +y 1 +z 0 = −1 1 0 y = A y = −x + y ,
0 2 −1 0 2 −1 z z 2y + z
61
Como já vimos, uma aplicação linear fica perfeitamente definida quando se conhece
a sua expressão geral ou as imagens dos vectores de uma base do domı́nio. Outra forma
de a definir é a partir da sua matriz em relação a bases previamente fixadas no domı́nio
e no espaço de chegada. Concretamente,
Demonstração
→
−
h i
x = → −e1 →−
e 2 ... →
−en X ⇒
h →
−0 →−0 →
−0 i
⇒ f (→
−
h i
x ) = f (→− →
− →
−
e 1) f ( e 2) . . . f ( e n) X = e 1 e 2 . . . e p AX.
Exemplo
Seja f : R2 → R3 a aplicação linear cuja matriz em relação às bases B1 = ((1, 1), (−1, 2))
3 6
de R2 e B2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)) de R3 é A = −3 −9 . Calculamos f (1, 0)
2 1
e f (x, y), recorrendo a A.
(1, 0) = 32 (1, 1) + (− 31 )(−1, 2), e
"
2
# 3 6 "
2
# 0
3 3
A = −3 −9 = 1 ,
− 13 − 13
2 1 1
logo,
f (1, 0) = 0(1, 1, 1) + 1(1, 1, 0) + 1(1, 0, 0) = (2, 1, 0).
Analogamente,
y+2x y−x
(x, y) = 3
(1, 1) + 3
(−1, 2), e
"
y+2x
# 3 6 "
y+2x
# 3y
3 3
A = −3 −9 = x − 4y ,
y−x y−x
3 3
2 1 x+y
logo,
62
Proposição 4.3.2 Sejam E e E0 espaços vectoriais sobre um mesmo corpo F, λ ∈ F,
f : E → E0 e g : E → E0 aplicações lineares, B1 uma base de E, B2 uma base de E0 .
Se A = M(f ; B1 , B2 ) e B = M(g; B1 , B2 ) então
A + B = M(f + g; B1 , B2 ) e λA = M(λf ; B1 , B2 ).
BA = M(g ◦ f ; B1 , B3 ).
A−1 = M(f −1 ; B2 , B1 ).
Exemplo
Sejam f1 : R2 → R3 , f2 : R2 → R3 , g : R3 → R3 as aplicações lineares definidas por
f1 (x, y) = (2x, x − y, 3y) , f2 (x, y) = (x + 2y, −y, 0) , g(x, y, z) = (x + y, y − z, x − z),
B1 = ((1, 0), (0, 1)) a base canónica de R2 e B2 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)) a base
canónica de R3 .
2 0
f1 (1, 0) = (2, 1, 0), f1 (0, 1) = (0, −1, 3) ⇒ A1 = M(f1 ; B1 , B2 ) = 1 −1 ,
0 3
1 2
f2 (1, 0) = (1, 0, 0), f2 (0, 1) = (2, −1, 0) ⇒ A2 = M(f2 ; B1 , B2 ) = 0 −1 ,
0 0
g(1, 0, 0) = (1, 0, 1), g(0, 1, 0) = (1, 1, 0), g(0, 0, 1) = (0, −1, −1) ⇒
1 1 0
⇒ B = M(g; B2 , B2 ) = 0 1 −1 . Então:
1 0 −1
3 2
M(f1 + f2 ; B1 , B2 ) = A1 + A2 = 1 −2 ,
0 3
e
63
" # 3x + 2y
x
(A1 + A2 ) = x − 2y ⇒ (f1 + f2 )(x, y) = (3x + 2y, x − 2y, 3y)12 .
y
3y
10 0
M(5f1 ; B1 , B2 ) = 5A1 = 5 −5 ,
0 15
e
" # 10x
x
(5A1 ) = 5x − 5y ⇒ (5f1 )(x, y) = (10x, 5x − 5y, 15y).
y
15y
3 −1
M(g ◦ f1 ; B1 , B2 ) = BA1 = 1 −4 ,
2 −3
e
" # 3x − y
x
(BA1 ) = x − 4y ⇒ (g ◦ f1 )(x, y) = (3x − y, x − 4y, 2x − 3y).
y
2x − 3y
Vamos agora obter estes mesmos resultados usando as expressões gerais das funções
dadas:
(f1 +f2 )(x, y) = f1 (x, y)+f2 (x, y) = (2x, x−y, 3y)+(x+2y, −y, 0) = (3x+2y, x−2y, 3y),
(g◦f1 )(x, y) = g(f1 (x, y)) = g(2x, x−y, 3y) = (2x+x−y, x−y−3y, 2x−3y) = (3x−y, x−4y, 2x−3y).
64
1
2
− 12 1
2
M(g −1 ; B2 , B2 ) = B −1 = 1 1
− 21 , e
2 2
1
2
− 12 − 21
1
x 2
x − 21 y + 12 z
1 1 1 1 1 1 1 1 1
B −1 y = 1
x + 12 y − 12 z ⇒ g −1 (x, y, z) = ( x− y+ z, x+ y− z, x− y− z),
2 2 2 2 2 2 2 2 2 2
1
z 2
x − 21 y − 21 z
ou, com escrita mais simplificada,
1 −1 1
M(g −1 ; B2 , B2 ) = B −1 = 21 1 1 −1 , e
1 −1 −1
x x−y+z
1 1
B −1 y = x + y − z ⇒ g −1 (x, y, z) = (x − y + z, x + y − z, x − y − z).
2 2
z x−y−z
Invertemos g a partir da sua expressão geral:
x+y = u
g(x, y, z) = (u, v, w) ⇒ (x + y, y − z, x − z) = (u, v, w) ⇒ y−z = v
x−z = w
1 1 0 u 1 1 0 u
0 1 −1 v −− −−−−→ 0 1 −1 v −− −−−−→
0 L3 =L3 −L1 0 L3 =L3 +L2
1 0 −1 w 0 −1 −1 w − u
1 1 0 u 1 1 0 u
0 1 −1 v −−0−−1−→ 0 1 −1 v −− −−−−→
0L2 =L2 +L3
L3 = 2 L3
0 0 −2 w − u + v 0 0 1 12 (u − v − w)
1 1 0 u 1 0 0 12 (u − v + w)
0 1 0 12 (u + v − w) −− −−−−→ 0 1 0 12 (u + v − w) , donde,
0
L1 =L1 −L2
0 0 1 12 (u − v − w) 0 0 1 12 (u − v − w)
1
x = 2 (u − v + w)
y = 12 (u + v − w) .
z = 12 (u − v − w)
Assim,
1 1 1
g −1 (u, v, w) = ( (u − v + w), (u + v − w), (u − v − w)) ⇒
2 2 2
1
⇒ g −1 (x, y, z) = (x − y + z, x + y − z, x − y − z).
2
65
4.3.1 Relação entre as diferentes Matrizes de uma Aplicação
Linear
A
E −
→ E0
f
(B1 ) (B 0 1 )
Q ↑ 1E 1E0 ↓ P
f
E −
→ E0
B
(B2 ) (B 0 2 )
Como,
f = 1E0 ◦ f ◦ 1E ,
ou seja,
B = P AQ.
M(1E ; B2 , B1 ) = M(B2 , B1 ).
Analogamente,
M(1E0 ; B 0 1 , B 0 2 ) = M(B 0 1 , B 0 2 ).
66
Exemplo
Vimos num exemplo anterior que, dadas a aplicação linear f : R2 → R3 definida
por f (x, y) = (2x, x − y, 3y), B1 = ((1, 0), (0, 1)), B2 = ((1, 1), (−1, 2)) bases de R2 e
B 0 1 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)), B 0 2 = ((1, 1, 1), (1, 1, 0), (1, 0, 0)) bases de R3 ,
2 0 3 6
A = M(f ; B1 , B 0 1 ) = 1 −1 , B = M(f ; B2 , B 0 2 ) = −3 −9 .
0 3 2 1
Vamos obter B, a partir de A e de matrizes de mudança de base convenientes. Tem-se,
A
R2 −
→ R3
f
(B1 ) (B 0 1 )
Q ↑ 1R2 1R3 ↓ P
f
R2 −
→ R3
B
(B2 ) (B 0 2 )
" #
1 −1
Q = M(B2 , B1 ) = ,
1 2
P = M(B 0 1 , B 0 2 )
e,
(1, 0, 0) = 0(1, 1, 1) + 0(1, 1, 0) + 1(1, 0, 0)
(0, 1, 0) = 0(1, 1, 1) + 1(1, 1, 0) + (−1)(1, 0, 0) ,
(0, 0, 1) = 1(1, 1, 1) + (−1)(1, 1, 0) + 0(1, 0, 0)
donde,
0 0 1
−1 .
P = 0 1
1 −1 0
0 0 1 2 0 " # 0 3 " # 3 6
1 −1 1 −1
B = P AQ = 0 1 −1 1 −1 = 1 −4 = −3 −9 .
1 2 1 2
1 −1 0 0 3 1 1 2 1
Caso Particular
Sejam f : E → E um endomorfismo de E, B1 , B2 duas bases de E, A = M(f ; B1 , B1 )
e B = M(f ; B2 , B2 ). Então B = P −1 AP porque, se P = M(B2 , B1 ), P −1 = M(B1 , B2 )
(cf. com o Capı́tulo 3).
67
Do que foi dito antes e da definição resulta que, se A é a matriz de um endomorfismo
em relação a uma base B e B é a matriz do mesmo endomorfismo em relação a uma base
B 0 , então A e B são semelhantes.
Exemplo
Seja g o endomorfismo de R3 cuja matriz A, em relação à base canónica de R3 , que
designaremos por B, é:
1 0 −1
A= 0 1 1 .
−1 0 1
Determinamos a matriz de B, de g, em relação à base B 0 = ((1, 0, 1), (0, 1, 1), (0, 0, 1)),
usando matrizes de mudança de base.
1 0 0 1 0 0
B = P −1 AP onde, P = M(B 0 , B) = 0 1 0 e P −1 = M(B, B 0 ) = 0 1 0 .
1 1 1 −1 −1 1
Logo,
1 0 0 1 0 −1 1 0 0
B= 0 1 0 0 1 1 0 1 0 =
−1 −1 1 −1 0 1 1 1 1
1 0 −1 1 0 0 0 −1 −1
= 0 1 1 0 1 0 = 1 2 1 .
−2 −1 1 1 1 1 −1 0 1
Vamos confirmar o resultado, calculando a expressão geral de g e depois as imagens
dos vectores da base B 0 .
h i 1 0 −1 x
g(x, y, z) = (1, 0, 0) (0, 1, 0) (0, 0, 1) 0 1 1 y =
−1 0 1 z
h i x−z
= (1, 0, 0) (0, 1, 0) (0, 0, 1) y + z = (x − z, y + z, −x + z).
−x + z
g(1, 0, 1) = (0, 1, 0) = 0(1, 0, 1) + 1(0, 1, 1) + (−1)(0, 0, 1),
g(0, 1, 1) = (−1, 2, 1) = (−1)(1, 0, 1) + 2(0, 1, 1) + 0(0, 0, 1),
g(0, 0, 1) = (−1, 1, 1) = (−1)(1, 0, 1) + 1(0, 1, 1) + 1(0, 0, 1), logo,
0 −1 −1
B = M(g; B 0 , B 0 ) = 1 2 1 .
−1 0 1
68
Observação
Se E e E0 são espaços vectoriais sobre o corpo F, o conjunto de todas as aplicações
lineares de E para E0 , que se denota por L(E, E0 ), é um espaço vectorial sobre F, para
as operações de adição e de multiplicação por um escalar definidas na secção 2 deste
Capı́tulo.
Se E e E0 têm dimensão finita, digamos dim(E) = n e dim(E0 ) = m, e fixando uma
base B em E e uma base B 0 em E0 , existe um isomorfismo natural entre L(E, E0 ) e Fm×n :
a função (linear) que a cada aplicação linear de E em E0 faz corresponder a sua matriz
em relação às bases B e B 0 .
69
Capı́tulo 5
VECTORES e VALORES
PRÓPRIOS
Exemplos
1 — Seja f o endomorfismo de R2 definido por
71
Se x 6= 0, y = 0, λ = −1, pelo que (x, 0) é vector próprio de f associado ao valor
próprio (−1), para qualquer x ∈ R \ {0}.
Se x 6= 0, y 6= 0 então λ = 1 e λ = −1, o que é impossı́vel.
O espectro de f é {−1, 1}.
Observação
Um endomorfismo de R2 pode ser interpretado geometricamente como uma trans-
formação do plano. As direcções dos vectores próprios respectivos são as direcções
principais da transformação.
Relativamente aos dois exemplos anteriores, f é a simetria em relação à recta x = 0
(o eixo dos yy) e as suas direcções principais são os eixos coordenados e g é a simetria
em relação à recta y = x, sendo as rectas y = x e y = −x as suas direcções principais.
72
Demonstração
→
−
1) λ é valor próprio de f ⇔ ∃→
−
x 0 ∈ E \ { 0 } tal que f (→
−
x 0 ) = λ→
−
x0 ⇔
⇔1 ∃X0 ∈ Fn×1 \ {0} tal que AX0 = λX0 ⇔
⇔ ∃X0 ∈ Fn×1 \ {0} tal que AX0 − λX0 = 0 ⇔
⇔ ∃X0 ∈ Fn×1 \ {0} tal que (A − λIn )X0 = 0 ⇔
⇔ o sistema homogéneo (A − λIn )X = 0 é indeterminado (tem solução não nula) ⇔
⇔ det(A − λIn ) = 0.
2) Se λ0 é valor próprio de f e X0 é uma solução não nula do sistema (A−λ0 In )X = 0
então (A − λ0 In )X0 = 0, ou seja, AX0 = λ0 X0 .
Seja →−
x 0 ∈ E o vector cuja coluna de coordenadas em relação à base B é X0 . Como
→
−
X0 6= 0, →
−x 0 6= 0 e AX0 = λ0 X0 ⇔ f (→−x 0 ) = λ→
−x 0 , donde, →
−
x 0 é um vector próprio de f
associado a λ0 .
Observação
Atendendo a que o polinómio caracterı́stico de A, p(λ) = det(A−λIn ), é um polinómio
de grau n e que um polinómio de grau n tem, no máximo, n raı́zes, conclui-se que f tem,
no máximo, n valores próprios.
Demonstração
Tendo em conta a relação entre duas matrizes de um endomorfismo (cf. com o
Capı́tulo 4), A0 = P −1 AP para certa matriz regular P (matriz de mudança de base).
Tem-se:
73
= det(P −1 AP − P −1 (λIn )P ) = det(P −1 (A − λIn )P ) = det(P −1 )det(A − λIn )det(P ) =
1
= det(A − λIn )det(P −1 )det(P ) = det(A − λIn ) det(P ) = det(A − λIn ).
det(P )
Observação
Resulta desta proposição que, matrizes semelhantes têm os mesmos valores próprios.
Exemplos
1 — Seja f o endomorfismo de R3 definido por
−6 6 −2
−3 − λ 1 −1
A − λI3 = −7 5−λ −1 ⇒
−6 6 −2 − λ
−3 − λ 1 −1
⇒ p(λ) = |A − λI3 | = −7 5−λ −1 =
−6 6 −2 − λ
= (−3 − λ)(5 − λ)(−2 − λ) + 42 + 6 − (6(5 − λ) − 6(−3 − λ) − 7(−2 − λ)) =
74
= (2+λ)((3+λ)(5−λ)−7) = (2+λ)(−λ2 +2λ+8) = (2+λ)(2+λ)(4−λ) = (2+λ)2 (4−λ).
0 1 1
75
Calculamos os valores próprios de g e os vectores próprios associados.
1 − λ −1 0
A − λI3 = −1 2 − λ 1 ⇒
0 1 1−λ
1−λ −1 0
⇒ p(λ) = |A − λI3 | = −1 2−λ 1 =
0 1 1−λ
= (1 − λ)(2 − λ)(1 − λ) − ((1 − λ) + (1 − λ)) = (1 − λ)2 (2 − λ) − 2(1 − λ) =
= (1 − λ)[(2 − λ)(1 − λ) − 2)] = (1 − λ)(λ2 − 3λ + 2 − 2) = (1 − λ)λ(λ − 3).
76
( (
−x − y + z = 0 x = −z
⇒ ,
y − 2z = 0 y = 2z
logo, os vectores próprios associados a λ = 3 são os vectores da forma
(−z)(1, 1, 1) + 2z(1, 1, 0) + z(1, 0, 0) = (2z, z, −z), com z 6= 0.
1−λ 2 0 −1
0 −1 − λ 1 0
⇒ p(λ) = |A − λI4 | = =
0 0 1−λ −2
0 0 0 2−λ
= (1 − λ)(−1 − λ)(1 − λ)(2 − λ).
77
Para λ = 1:
0 2 0 −1 0 2 0 −1 0 2 0 −1
0 −2 1 0 L03 =− 12 L3 0 0 1 −1
−−−−−−→ 0 0 1 −1
A − 1I4 =
−
− −−−−→
0 0 0 −2 L0 =L +L
2 2
1 0 0 0 1 0
L4 =L4 −L3 0 0 0 1
0 0 0 1 0 0 0 1 0 0 0 0
2y − w = 0 y = 0
z−w = 0 ⇒ z = 0 ,
w = 0 w = 0
Para λ = 2:
−1 2 0 −1
0 −3 1 0
A − 2I4 =
0 0 −1 −2
0 0 0 0
7
−x + 2y − w = 0 x = 2y − w
x = −3w
−3y + z = 0 ⇒ y = 31 z ⇒ y = − 23 w ,
−z − 2w = 0 z = −2w z = −2w
com w 6= 0.
Eλ = {→
−
x ∈ E : f (→
−
x ) = λ→
−
x}
é um subespaço vectorial de E.
78
Demonstração
→
− →
− →
− →
−
(i) f ( 0 ) = 0 = λ 0 ⇒ 0 ∈ Eλ
(ii) Sejam α, β ∈ F e →
−
x ,→
−
y ∈ Eλ . Provamos que α→
−
x + β→
−
y ∈ Eλ
f (α→
−
x + β→
−
y ) = αf (→
−
x ) + βf (→
−
y ) = 2 α(λ→
−
x ) + β(λ→
−
y ) = λ(α→
−
x + β→
−
y)⇒
⇒ α→
−
x + β→
−
y ∈ Eλ .
Observação
→
−
Eλ 6= { 0 } se e só se λ é um valor próprio de f .
1 ≤ mg (λ0 ) ≤ ma (λ0 ).
Demonstração
Seja λ0 ∈ F um valor próprio de f , n = dim(E), k = dim(Eλ0 ) = mg (λ0 ) e
Bλ0 = (→
−
u 1, . . . , →
−
u k ) uma base de Eλ0 .
Seja B = ( u , . . . , →
→
−
1
−
u ,→−
e
k ,...,→
k+1
− e ) uma base de E que contém a base B
n λ0 de Eλ0 .
Então,
λ0 0 ... 0
0 λ0 . . . 0
.. .. . . .. A1,2
.
. . .
0 0 . . . λ0
A = M(f ; B, B) = ,
0 0 ... 0
0 0 ... 0
.. .. . . .. A2,2
. . . .
0 0 ... 0
2
por hipótese, f (→
−
x ) = λ→
−
x , f (→
−
y ) = λ→
−
y
79
para certas matrizes A1,2 ∈ Fk×(n−k) , A2,2 ∈ F(n−k)×(n−k) e
λ − λ0 0 ... 0
0 λ − λ0 . . . 0
p(λ) = |A−λIn | = .. .. .. .. |A2,2 −λIn−k | = (λ−λ0 )k |A2,2 −λIn−k | ⇒
. . . .
0 0 . . . λ − λ0
⇒ ma (λ0 ) ≥ k = mg (λ0 ).
Observação
Resulta da proposição anterior que, se ma (λ0 ) = 1 (isto é, se λ0 é uma raı́z simples
do polinómio caracterı́stico) então mg (λ0 ) = 1.
Demonstração
A prova é feita por indução em k.
Se k = 1, →−u 1 é linearmente independente uma vez que é não nulo (um vector próprio
→
−
é, por definição, diferente de 0 ).
Suponhamos, por hipótese de indução, que k − 1 vectores próprios associados a k − 1
valores próprios distintos são linearmente independentes.
Sejam → −u 1, →
−
u 2, . . . , →
−
u k vectores próprios de f associados aos valores próprios
λ1 , λ2 , . . . , λk , respectivamente, onde λi 6= λj para quaisquer i, j ∈ {1, 2, . . . , k}, i 6= j.
Suponhamos que
→
−
α1 →
−
u 1 + α2 →
−
u 2 + · · · + αk →
−
uk = 0 (5.1)
Então,
→
−
f (α1 →
−
u 1 + α2 →−
u 2 + · · · + αk →−u k) = f ( 0 ) ⇒
→
−
⇒ α1 f (→
−
u 1 ) + α2 f (→
−
u 2 ) + · · · + αk f (→
−
u k) = 0 ⇒ 3
3
f (→
−
u i ) = λi →
−
ui
80
→
−
⇒ α1 (λ1 →
−
u 1 ) + α2 (λ2 →
−
u 2 ) + · · · + αk (λk →
−
u k) = 0 (5.2)
⇒ α2 (λ2 − λ1 ) = . . . = αk (λk − λ1 ) = 0
α2 = . . . = αk = 0.
Exemplos
Averiguamos se os endomorfismos seguintes são diagonalizáveis e, em caso afirmativo,
escrevemos a matriz diagonal que os representa, relativamente a uma certa base do espaço
(formada por vectores próprios desses mesmos endomorfismos).
1 — f : R2 → R2 tal que f (x, y) = (x + y, 3x − y)
4
por hipótese de indução, →
−
u 2, . . . , →
−
u k são linearmente independentes, pois são k −1 vectores próprios
associados a k − 1 valores próprios distintos
5→
− →
−
u 1 6= 0
81
f (1, 0) = (1, 3) e f (0, 1) = (1, −1),
logo, " # " #
1 1 1−λ 1
A = M(f ; Bc , Bc ) = ⇒ A − λI2 =
3 −1 3 −1 − λ
1−λ 1
|A−λI2 | = = (1−λ)(−1−λ)−3 = λ2 −1−3 = λ2 −4 = (λ+2)(λ−2)
3 −1 − λ
donde, f é diagonalizável.
Determinamos uma base para cada subespaço próprio de f :
Para λ = 2: " # " #
−1 1 −1 1
A − 2I2 = −−0 −−−−−→
3 −3 L2 =L2 +3L1 0 0
−x + y = 0 ⇒ y = x,
logo,
E2 = {(x, x) : x ∈ R} = {x(1, 1) : x ∈ R} =< (1, 1) >
Para λ = −2: " # " #
3 1 3 1
A − (−2)I2 = −−
0
−−−−→
3 1 L2 =L2 −L1 0 0
3x + y = 0 ⇒ y = −3x,
donde,
E−2 = {(x, −3x) : x ∈ R} = {x(1, −3) : x ∈ R} =< (1, −3) >
Como vectores próprios de f associados a valores próprios distintos são linearmente
independentes, os vectores (1, 1) e (1, −3) formam uma base de R2 , Bvp = ((1, 1), (1, −3)).
Tem-se,
f (1, 1) = 2(1, 1) = 2(1, 1) + 0(1, −3) e f (1, −3) = (−2)(1, −3) = 0(1, 1) + (−2)(1, −3),
logo, " #
2 0
D = M(f ; Bvp , Bvp ) = .
0 −2
Observe-se que, de acordo com o Capı́tulo 4, D = P −1 AP onde,
82
Vamos confirmá-lo.
" # " #
3 1
1 1
P = M(Bvp , Bc ) = , P −1 = M(Bc , Bvp ) = 4
1
4
1 −3 4
− 14
e
" #" #" # " #" # " #
3 1 3 1
1 1 1 1 2 −2 2 0
P −1 AP = 4
1
4
= 4 4
= = D.
4
− 14 3 −1 1 −3 1
4
− 41 2 6 0 −2
1−λ 0
|A − λI2 | = = (1 − λ)(1 − λ) = (1 − λ)2 ,
2 1−λ
pelo que, g tem um único valor próprio: λ = 1, com multiplicidade algébrica igual a 2.
Então, mg (1) = 1 ou mg (1) = 2. Se for mg (1) = 2, g é diagonalizável, se for mg (1) = 1
não o é. " # " #
0 0 2 0
A − 1I2 = −−−−→ ⇒ 2x = 0 ⇒ x = 0,
2 0 L2 ↔L1 0 0
pelo que,
e g não é diagonalizável.
1−λ −3 3
|A − λI3 | = 3 −5 − λ 3 =
6 −6 4−λ
83
= (1 − λ)(−5 − λ)(4 − λ) − 54 − 54 − (18(−5 − λ) − 18(1 − λ) − 9(4 − λ)) =
= (1−λ)(−5−λ)(4−λ)−108+90+18λ+18−18λ+9(4−λ) = (1−λ)(−5−λ)(4−λ)+9(4−λ) =
= (4 − λ)[(1 − λ)(−5 − λ) + 9] = (4 − λ)(λ2 + 4λ + 4) = (4 − λ)(λ + 2)2
h tem dois valores próprios: λ = −2 e λ = 4, tendo-se:
e h é diagonalizável.
Como vectores próprios de h associados a valores próprios distintos são linearmente
independentes, Bvp = ((1, 1, 2), (1, 1, 0), (−1, 0, 1)) é uma base de R3 formada por vectores
próprios de h.
4 0 0
D = M(h; Bvp , Bvp ) = 0 −2 0
0 0 −2
84
Tal como no Exemplo 1, D = P −1 AP onde,
1 1 −1
P = M(Bvp , Bc ) = 1 1 0
2 0 1
e
1
2
− 12 1
2
P −1 = M(Bc , Bvp ) = − 12 3
− 12 .
2
−1 1 0
" #
0 1
4 — f : R2 → R2 tal que A = M(f ; Bc , Bc ) =
−1 0
" #
−λ 1 −λ 1
A − λI2 = ⇒ p(λ) = |A − λI2 | = = λ2 + 1,
−1 −λ −1 −λ
logo, f não tem qualquer valor próprio (uma vez que o polinómio caracterı́stico de f não
raı́zes reais).
Se, no entanto, fe for o endomorfismo do espaço vectorial complexo C2 , cuja matriz
em relação à base canónica de C2 é
" #
0 1
A= ,
−1 0
então fe tem dois valores próprios: λ = i e λ = −i que, por serem raı́zes simples de p(λ),
permitem imediatamente concluir que fe é diagonalizável.
Determinamos uma base para cada subespaço próprio de fe.
Para λ = i:
" # " #
−i 1 −i 1
A − iI2 = −−0−−−−−→ ⇒ −ix + y = 0 ⇒ y = ix,
−1 −i L2 =L2 +iL1 0 0
pelo que,
Ei = {(x, ix) : x ∈ C} = {x(1, i) : x ∈ C} =< (1, i) >
Para λ = −i:
" # " #
i 1 i 1
A + iI2 = −−0−−−−−→ ⇒ ix + y = 0 ⇒ y = −ix,
−1 i L2 =L2 −iL1 0 0
pelo que,
E−i = {(x, −ix) : x ∈ C} = {x(1, −i) : x ∈ C} =< (1, −i) >
85
Os vectores (1, i) e (1, −i) formam uma base de C2 , Bvp = ((1, i), (1, −i)). Tem-se,
fe(1, i) = i(1, i) = i(1, i) + 0(1, −i) e fe(1, −i) = −i(1, −i) = 0(1, i) + (−i)(1, −i),
logo, " #
i 0
D = M(fe; Bvp , Bvp ) = .
0 −i
Observação
1 — Se f é um endomorfismo de um espaço vectorial E, de dimensão n, com n valores
próprios distintos então f é diagonalizável.
Com efeito, como a multiplicidade algébrica de cada valor próprio é 1, a multiplicidade
geométrica respectiva também é 1. Por isso, a soma das multiplicidades geométricas dos
n valores próprios de f é igual a n, ou seja, existe uma base de E formada por vectores
próprios de f .
Observação
Do que foi visto anteriormente para endomorfismos conclui-se que, se A é uma matriz
quadrada de ordem n, A é diagonalizável se e só se tem n vectores próprios linearmente
independentes. Uma matriz P , diagonalizadora de A, tem por colunas as coordenadas
dos vectores próprios de A linearmente independentes. Se P é uma matriz diagonali-
zadora de A e D = P −1 AP , os elementos diagonais de D são os valores próprios de A
correspondentes às colunas de P .
86