Transformações

lineares .

Noção de transformação linear. Transformações lineares

de espaços n-dimensionais em espaços m-dimensionais.
Mudança de base. Subespaços invariantes. Valores e
vetores próprios. Propriedades gerais dos valores e
vetores próprios.
 Seja E um espaço vetorial sobre um corpo . Uma
aplicação T de E no conjunto F (espaço vetorial ou
não) chama-se transformação dos vetores do espaço E.

Dada uma transformação T dos vetores do espaço E, a

cada vetor u  E fica a corresponder um elemento
uˆ = T (u ) pertencente a F. O domínio da transformação é
E e o seu contradomínio é F .
F
E Eˆ = T (E )  F
T (E ) = Eˆ
T
Natália Furtado, Ph. D. 2
 Considerem-se dois espaços vetoriais, E e F , sobre o
mesmo corpo  . Uma transformação T dos vetores
de E em vetores F diz-se linear se e só se verifica as
duas condições seguintes:
◼ Quaisquer que sejam u , v  E : T (u + v ) = T (u ) + T (v ) .
◼ Quaisquer que sejam u  E ,    : T ( u ) = T (u ) .

OBS:
◼ u , v  E ,  ,    : T (u + v ) = T (u ) + T (v ).
◼ As transformações lineares de E nele próprio dizem-se
transformações lineares em E (operadores).

Natália Furtado, Ph. D. 3

OBS: Considerem-se dois espaços vetoriais, E e F ,
sobre o mesmo corpo  e T uma transformação
linear de E em F . Facilmente se prova que T (E ) = Eˆ
é um subespaço de F .
◼ uˆ , vˆ  T (E )  uˆ + vˆ  T (E ) :
uˆ + vˆ = T (u ) + T (v ) = T (u + v )  T (E ) .
◼ uˆ  T (E ),      uˆ  T (E ) :
 uˆ = T (u ) = T ( u )  T (E ) .
Note-se que T (u + 0 ) = T (u ) + T (0 ) = T (u ) e daqui se
obtém que T (0 ) = 0̂ ; onde 0̂ representa o elemento
neutro da adição em T (E ) = Eˆ .
Natália Furtado, Ph. D. 4
 Chama-se núcleo da transformação linear T de E em
F ao conjunto dos vetores de E que são transformados
por T no vetor nulo 0̂  Ê :

Ker T = Nuc T = N (T ) = u  E : T (u ) = 0̂ 
Teorema 1.
Seja T uma transformação linear de E em F , espaços
vetoriais sobre  . O núcleo desta transformação é um
subespaço de E .
Demonstração.
Com efeito, se u , v  N (T ) : T (u ) = 0̂ , T (v ) = 0̂ , então
também T (u + v ) = T (u ) + T (v ) =  0̂ +  0̂ = 0̂ ,
i.e. u + v  N (T ) .
Natália Furtado, Ph. D. 5
Uma transformação linear T de E em F ,
espaços vetoriais sobre , é não degenerada
se T (u ) = 0̂ implica u = 0 .

Uma transformação linear T de E em F, que

também se designam por injetivas, o núcleo da
transformação coincide com  0.

Natália Furtado, Ph. D. 6

Teorema 2.
Uma transformação linear T não degenerada do espaço
E no espaço F transforma vetores independentes em
vetores independentes.
Demonstração.
Com efeito, suponha-se que u1 , u 2 ,  , u n são
vetores linearmente independentes de E. Considerem-se
os transformados daqueles vetores:
T (u1 ), T (u 2 ),  , T (u n )  F .
Em virtude de T ser uma transformação linear tem-se:

1T (u1 ) + 2T (u2 ) +  + nT (un ) = T (1u1 + 2u2 +  + nun ) .

Natália Furtado, Ph. D. 7

 Natália Furtado, Ph. D.

Como T é não degenerada tem-se:

T (1u1 + 2u2 +  + nun ) = 0̂  1u1 + 2u2 +  + nun = 0 .
A última igualdade implica, uma vez que os ui são linearmente
independentes, que 1 = 2 =  = n = 0 . Assim, se conclui
que as imagens dos vetores independentes ui são também
vetores independentes.
Teorema 3.
Se T é uma transformação linear não degenerada de E
em F não existem dois vetores distintos de E com a
mesma imagem.
Demonstração.
Se existissem dois vetores u1 , u2  E , distintos, u1  u 2 , com a
mesma imagem, T (u1 ) = T (u2 ) ter-se-ia T (u ) − T (u ) = 0̂ ou seja
T (u1 − u2 ) = 0̂ e portanto a transformação seria degenerada.
1 2
8
 Teorema 4.
Se T é uma transformação linear não degenerada de E
em F, ela define uma correspondência biunívoca entre
E e Ê , onde Eˆ = T (E )  F .

OBS:
Como Ê é também um espaço vetorial sobre  é
fácil de concluir que existe um isomorfismo entre E e
Ê . Evidentemente, que se E = F , a transformação
linear T não degenerada define um isomorfismo entre
E e um seu subespaço Ê .
Natália Furtado, Ph. D. 9
Teorema 5.
Sejam E e F dois espaços vetoriais sobre o mesmo
corpo  . O conjunto de todas as transformações
lineares de E em F é também um espaço vetorial
sobre  .

Verificar os axiomas de espaço vetorial sobre  .

◼ O elemento neutro da adição de transformações lineares
é a transformação nula: O(x ) = 0̂ .
◼ A transformação simétrica de T é -T :
T + (− T )(x ) = O(x ) .
Natália Furtado, Ph. D. 10
Sejam E , F e G três espaços vetoriais sobre . Se
T é uma transformação que a cada x  E faz
corresponder um vetor y = T (x )  F , se U é uma
transformação que a cada vetor y  F faz
corresponder um vetor z = U ( y )  G , então chama-se
transformação produto ou transformação composta
das transformações T e U e representa-se por UT , a
uma transformação que a cada vetor x  E faz
corresponder o vetor z = U ( y ) = U T ( x ) G .
F G
U  T (x ) = U T (x )
E
• • •
x T y U z
Natália Furtado, Ph. D. 11
OBS: As três transformações que se consideram operam
em espaços vetoriais diferentes, e vê-se que não tem
sentido a comutatividade. Mas, esta multiplicação de
transformações é associativa e distributiva (à esquerda e
à direita) em relação à adição de transformações.
Quando as duas transformações T e U são lineares
então UT é também linear.
Consideremos o caso: E = F = G
Propriedades:
◼ M 1 : T , U − transformações lineares, então U  T é uma
transformação linear;
◼ M 2 : T ,U ,V : (V U )  T = V  (U  T ) ;
Natália Furtado, Ph. D. 12
◼ M 4 :  I (transformação identidade):  T : T  I = I  T = T ;
◼ M : U , T , V : (V + U )  T = V  T + U  T ;
A
◼
M A :U , T ,V : V  (U + T ) = V U + V  T ;
◼
 M i : U , T , V , W : T = U , V = W  V  T = W  U .

O conjunto das transformações lineares de E nele

próprio é um anel, não comutativo.
A propriedade M 4 define a transformação identidade:
 x  E : I (x ) = x .
Note-se que a transformação linear  I = 
consiste em transformar cada vetor x  E no vetor
 x  E ; a transformação  é permutável com
qualquer outra transformação linear.
Natália Furtado, Ph. D. 13
 Transformações lineares de espaços n-
dimensionais em espaços m-dimensionais
◼ Seja E um espaço vetorial, n-dimensional, sobre o
corpo  ,  u1 , u 2 ,  , u n  uma base;
◼ Seja F um espaço vetorial, m-dimensional, sobre o
corpo  ,  v1 , v2 ,  , vm  uma base;
Deste modo o espaço E é um  n , e o espaço F é
um  m. Vão caracterizar-se as transformações lineares
de um  n num  m por meio das matrizes de tipo
m n sobre  .

Natália Furtado, Ph. D. 14

Teorema 6.
A cada transformação linear T de um
 n num  m corresponde uma matriz A de tipo
m n sobre  . Inversamente, a cada matriz A de
tipo m n sobre  corresponde uma transformação
linear T de um  n num  m .

Demonstração.  x1 
 x  E =  n : x = x1u1 +  + xnun  x =      n
 xn 
 y1 
 y  F =  m : y = y1v1 +  + ym vm  y =      m
Natália Furtado, Ph. D.
 ym  15
 n ⎯
⎯→  m ,
T T é uma transformação linear.
y = T ( x ) = x1T (u1 ) +  + xnT (u n ), T (u1 ), T (u2 ),  , T (un )   m
T (u1 ) = a11v1 + a21v2 +  + am1vm
T (u ) = a v + a v +  + a v
 2 12 1 22 2 m2 m


T (un ) = a1n v1 + a2 n v2 +  + amn vm

y = T ( x ) = x1 (a11v1 + a21v2 +  + am1vm ) +

+ x2 (a12 v1 + a22 v2 +  + am 2 vm ) +

+ xn (a1n v1 + a2 n v2 +  + amn vm ) =
Natália Furtado, Ph. D. 16
 = (a11 x1 + a12 x2 +  + a1n xn )v1 +
+ (a21 x1 + a22 x2 +  + a2 n xn )v2 +

+ (am1 x1 + am 2 x2 +  + amn xn )vm
.
Mas, y = y1v1 + y2 v2 +  + ym vm , daí  y1 = a11 x1 + a12 x2 +  + a1n xn
 y2 = a21 x1 + a22 x2 +  + a2 n xn
 a11 a12  a1n  
a 
a22  a2 n  
 ym = am1 x1 + am 2 x2 +  + amn xn
A =  21
    
 
am1 am 2  amn  y = Ax
onde A é a matriz cujas colunas representam matricialmente as
imagens em  m dos vetores da base do espaço  n .
Natália Furtado, Ph. D. 17
Seja dada uma matriz A = aij  , de tipo m n , e defina-
se para cada u   n a correspondente imagem T (u )   m
do seguinte modo: determina-se a coluna x = x1  xn T
das coordenadas de x   n na base  u1 , u 2 ,  , u n ; em
seguida determina-se a coluna y = y1  ym T pela
igualdade y = Ax ; sendo y o vetor de  m cujas
coordenadas na base  v1 , v2 ,  , vm  fixada em  m
são dadas pela coluna y , determinada como se
indicou, defina-se y = T (x ) . A transformação de  n
em  m assim definida é uma transformação linear.
Com efeito, x = x1u1 +  + xnun  x = x1  xn T
x = x1u1 +  + xnun  x = x1  xn 
      T

Natália Furtado, Ph. D. 18

y = T (x ) = y1v1 +  + ymvm  y = Ax =  y1  ym 
T

y  = T (x ) = y1v1 +  + ym vm  y = Ax =  y1  ym 

T

Suponha-se que o vetor  x +  x  de coordenadas

 x +  x se transforma em z = T ( x +  x ) de
coordenadas z . A partir do modo como se definiu a
transformação T tem-se:
z = A( x +  x) =  ( Ax ) +  ( Ax) =  y +  y .
donde se conclui que
T ( x +  x ) =  T (x ) +  T (x )
e portanto T é uma transformação linear.
Natália Furtado, Ph. D. 19
Teorema 7.
Seja E um espaço vetorial n-dimensional sobre o
corpo  , onde se fixa a base  u1 , u 2 ,  , u n  e seja F
outro espaço vetorial m- dimensional sobre o mesmo
corpo, onde se fixa a base  v1 , v2 ,  , vm  . Uma
transformação linear T de E =  n em F =  m é não
degenerada se e só se a matriz A correspondente tem a
característica igual a n.

Demonstração.
◼ Com efeito, suponha-se que T é não degenerada, i.e. apenas o
vetor nulo de E se transforma no vetor nulo de F . Então o
sistema homogéneo Ax = 0 é determinado o que significa que
( )
r A =n.
Natália Furtado, Ph. D. 20
◼ Se o sistema Ax = 0 é determinado, i.e. se só tem a solução
nula x = 0 , então a respetiva transformação linear T é não
degenerada.
OBS:
◼ Note-se que é condição necessária para que T seja não
degenerada que n  m .
◼ Se n = m a transformação linear é não degenerada se
e só se A  0 .
Teorema 8.
Se E e F são espaços vetoriais n-dimensionais sobre
 e se T é uma transformação linear não degenerada
de E em F tem-se T (E ) = Eˆ = F .

Natália Furtado, Ph. D. 21

Demonstração.
Seja  u1 , u2 ,  , un  uma base de E . De acordo com o
teorema 2 , T (u1 ), T (u2 ), , T (un ) constitui uma base de F.
Como se tem sempre Eˆ  F basta mostrar que também
F  Eˆ . Com efeito, dado um y  F tem-se
y = 1T (u1 ) +  + nT (u n ) e como T é transformação
linear vem y = T (1u1 +  + nun ) pelo que y  Eˆ
pois y é o transformado de certo vetor de E . Conclui-
se então que Eˆ = F .
OBS: A correspondência biunívoca que a transformação linear T
não degenerada de E sobre F estabelece, permite afirmar que
existe a transformação inversa T −1 de E sobre F, que também
é linear. É então fácil de concluir que se T é representada pela
matriz A , a transformação T −1 é representada pela matriz A−1 .
Natália Furtado, Ph. D. 22
Teorema 9.
Seja T uma transformação linear do espaço vetorial E
n-dimensional sobre o corpo  no espaço vetorial F
m-dimensional sobre o mesmo corpo . O espaço dos
transformados Ê é r-dimensional se e só se a
característica da matriz A que representa a
transformação linear é igual a r .

Teorema 10.
Seja T uma transformação linear de E, n-dimensional,
em F , m-dimensional. O núcleo N da transformação
tem dimensão d = n − r se e só se a característica de A
é r.
Natália Furtado, Ph. D. 23
Demonstração. Basta notar que y = T (x ) se pode
representar por y = Ax e o conjunto das soluções do
sistema homogéneo Ax = 0 é um espaço com
dimensão d = n − r se e só se r ( A) = r .
OBS: Considere o teorema 9 e seja T (u1 ), T (u2 ),, T (ur ) a base
obtida para Ê . Considerem-se os respetivos vetores de E ,
u1 , u2 , , ur . Naturalmente que estes vetores são linearmente
independentes e geram um subespaço linear V de E de
dimensão r que se chama um alcance da transformação. Por
outro lado, o núcleo N da transformação linear T é, pelo
teorema anterior, um subespaço linear N de E de dimensão
d = n − r . Prove-se que E é a soma direta de V com N :
E =V  N
Natália Furtado, Ph. D. 24
 Dim(E ) = DimN (T ) + DimT (E )

E F
 u1 T T (u1 )
 T (u 2 )
 u2 Ê 
V :
  N • 0̂ T (u r )

 ur
◼ A dimensão imagem Im (T ) de T chama-se
característica de T.
◼ A dimensão do núcleo Ker T = Nuc T = N (T ) chama-se
nulidade de T .

Natália Furtado, Ph. D. 25

 Natália Furtado, Ph. D.

Mudança de base
Teorema 11.
Sejam  u1 , u 2 ,  , u n e  u1, u 2 ,  , u n 
a antiga base e a nova base de espaço E e seja B a
matriz da mudança de base. Sejam  v1 , v2 ,  , vm  e
 v1, v2 ,, vm  a antiga base e a nova base de espaço F
e seja C a matriz da mudança de base. Considere-se
uma transformação linear T de E em F e sejam A e
A as matrizes que representam a transformação quando
se tomam, respetivamente, as bases antigas e as bases
novas. Tem-se 
A = CAB −1 .
26
 transforma ção linear T

u1, u2 , , un

A´
v1, v2 ,  , vm

B 
A = CAB −1
C

v1 , v2 ,  , vm
u1 , u2 , , un
A
espaço F
espaço E
Natália Furtado, Ph. D. 27
 Demonstração.
xE , y = T (x )  F , A de tipo (m  n )
y = Ax - nas bases antigas ;
y = Ax - nas bases novas ; y = Cy
, x = Bx
Daí, Cy = ABx  y = C ABx , mas y = Ax.
−1

Consequentemente, A = C −1 AB e
A = CAB −1
OBS:
◼  −1
C = I  A = AB ;
◼ B = I  A = CA ;
−1
◼ E = F  A = BAB ;
−1
A = BAB −1
= B AB = A .
Natália Furtado, Ph. D. 28
 Natália Furtado, Ph. D.

Seja T uma transformação linear no espaço vetorial E

sobre , i.e. uma transformação de E em E. Seja F  E
um subespaço de E. Em geral a imagem de x  F , dada
por T, T ( x ) , não pertence a F .

• • T (x )  F
T (x )
•x T :E →E
E F

Têm especial interesse os subespaços tais que os

transformados de todos os vetores x  F ainda lhe
pertencem. 29
 Um subespaço F de um espaço vetorial E
sobre  diz-se invariante em relação à
transformação linear T em E , sse T (F )  F .
Exemplos.
1. Seja T uma rotação do espaço ordinário em torno do
seu eixo Oz . O plano xOy ( ou Oxy) e o eixo Oz são
subespaços invariantes em relação a rotação.
2. Qualquer subespaço é invariante em relação à
transformação identidade e à transformação nula.
3. O espaço E e o espaço  0 são invariantes em relação
a qualquer transformação linear em E.

Natália Furtado, Ph. D. 30

OBS:

É fácil de provar que a interseção e

a soma de subespaços invariantes
em relação a uma transformação
linear T ainda são subespaços
invariantes em relação à mesma
transformação.

Natália Furtado, Ph. D. 31

Têm particular interesse os subespaços
invariantes de dimensão um.

Se F é um subespaço nestas condições e se

x  F então também T (x )  F e, portanto,
T ( x ) = x
Se y é outro qualquer vetor de F , tem-se
e y = xF
T ( y ) = T ( x ) =  x =  (x ) = y
Natália Furtado, Ph. D. 32
Vetores e valores próprios de uma
transformação linear T em E
Quando existe um vetor não nulo x  0  E tal
que T ( x ) = x , diz-se que o escalar  é um
valor próprio (ou valor característico, ou
autovalor) da transformação linear T ;
qualquer vetor x  0 que verifica a igualdade
T (x ) = x chama-se vetor próprio (ou vetor
característico, ou autovetor) associado ao valor
próprio .
Natália Furtado, Ph. D. 33
OBS:
Vê-se imediatamente que, sendo F um
subespaço invariante unidimensional de E,
qualquer vetor x  0 , x  F, é um vetor
próprio da transformação linear T , todos
eles correspondendo ao mesmo valor próprio.
Inversamente, se x é um vetor próprio de
T, o subespaço F unidimensional gerado por x
é invariante em relação a T .

Natália Furtado, Ph. D. 34

 Subespaço próprio associado a
um valor próprio
Os vetores próprios correspondentes a um
mesmo valor próprio  de uma transformação
linear T em E (de um operador) juntamente
com o vetor nulo constituem um espaço de E
que se chama subespaço próprio, associado a
 . A dimensão deste subespaço é a
multiplicidade geométrica do valor próprio
.
Natália Furtado, Ph. D. 35
Seja E um espaço n - dimensional sobre  , fixe-se
uma base desse espaço, u1 , u2 ,  , un  , considere-se uma
transformação linear em E e seja A a matriz que a
representa naquela base.T Dado um qualquer x  0 ,
sendo x = x1 x2  xn  a coluna das respetivas
coordenadas na base fixada, a igualdade T ( x ) = x
equivale à igualdade matricial Ax = x ou ainda
( A −  I )x = 0 que é um sistema homogéneo de n
equações a n incógnitas, onde A −  I é a matriz dos
coeficientes.
Assim, a existência de escalares  para os quais
seja T ( x ) = x , com algum x  0 , equivale ao facto
de sistema( A −  I )x = 0 ser indeterminado, pois no
caso de ser determinado apenas admite a solução nula.

Natália Furtado, Ph. D. 36

 A indeterminação daquele sistema equivale ao
anulamento do determinante,
a11 −  a12  a1n
a21 a22 −   a2 n
A− I =
  
an1 an 2  ann − 

O valor do determinante A −  I é um polinómio

de grau n em  que se chama polinómio
característico da transformação linear: p( ) = A −  I
Igualando o polinómio característico a zero, obtém-
se a equação característica da transformação
linear: A −  I = 0 . Natália Furtado, Ph. D. 37
 Pode-se demonstrar que
p( ) = A −  I = (− 1)  + (− 1)
n −1
S1n −1 + 
n n

 + (− 1)
n−k
Sk  n−k
+  + Sn ,
onde S k representa a soma de todos os
menores principais de ordem k da matriz A.
Em particular, S1 = tr ( A) , S n = A .

Tem-se também p(0) = A .

Natália Furtado, Ph. D. 38

Sendo que p ( ) um polinómio de grau n , em  , no
corpo  , chama-se raiz de p ( ) a qualquer  1 tal que
p( 1 ) = 0 . Sabe-se que  1 é raiz de p ( ), então p ( )
é divisível por ( −  1 ) , ou seja, existe um polinómio q ( )
(
tal que p( ) =  − 1 q( ) .)
Se  1não for raiz de q ( ) diz-se que  1é raiz simples
de p ( ) ; se q ( ) admitir ainda como raiz  1 , então
existe um polinómio r ( ) tal que
( ) (
p( ) =  − 1 q( ) =  − 1 r ( ) .
2
)
Se  1 não for raiz de r ( ) diz-se que  1 é raiz dupla de
p ( ) ; se 1 ainda for raiz de r ( ) , ... .
Em geral,  1é raiz de multiplicidade algébrica  de
p ( ) se e só se p( ) = ( − 1 ) s( )
 e  1 não
é raiz de s ( ) .
Natália Furtado, Ph. D. 39
 Natália Furtado, Ph. D.

No caso de  = C, o teorema fundamental da álgebra

garante que o polinómio de grau n , p ( ) , tem n raízes
reais ou complexas 1 ,  2 , ,  n .
No caso de  = r , o polinómio característico tem
coeficientes reais e é claro que apenas são valores
próprios os valore reais de  que o anulam.
Embora o polinómio tenha coeficientes reais, algumas das
raízes do polinómio podem ser complexas. Portanto, no caso das
transformações lineares em espaços n-dimensionais reais, haverá
no máximo n valores próprios, mas pode haver menos se algumas
das n raízes do polinómio característico forem números
complexos.
Em geral, para qualquer corpo  ,uma
transformação linear num espaço n - dimensional não
tem mais do que n valores próprios. 40
◼ O polinómio característico não depende da base
fixada no espaço. Com efeito, se se notar que,
mudando para outra base u1, u2 ,  , un  a matriz
A´ que então passara a representar a
transformação linear obter-se-ia de A fazendo
A = BAB −1 e que
A −  I = BAB −  I = BAB −  BIB = B( A −  I )B
 −1 −1 −1 −1


tem-se: A −  I = B  A −  I  B = A −  I .
−1

◼ Os valores próprios e vetores próprios de uma

transformação linear num espaço n-dimensional sobre
 , chamam-se também valores e vetores próprios
da matriz A.
Natália Furtado, Ph. D. 41
◼ As duas matrizes A e A = BAB , com B −1

quadrada de ordem n, regular, têm os mesmos

valores próprios.
Contudo, as matrizes semelhantes A e A
não têm os mesmos vetores próprios
associados a  .
◼ O conjunto dos valores próprios constitui o espectro
da respetiva transformação linear T (ou de qualquer
matriz A que a representa).Verifica-se
imediatamente que  pertence ao espectro de T se e
só se a transformação linear T −  I é degenerada.

Natália Furtado, Ph. D. 42

◼ Com a transformação identidade I todos os
vetores não nulos do espaço são vetores
próprios associados ao valor próprio  = 1 .
◼ Com a transformação nula  todos os
vetores não nulos do espaço são os vetores
próprios associados ao valor próprio  = 0 .
Em ambos os casos as multiplicidades
algébrica e geométrica do valor próprio são
ambas iguais a n .

Natália Furtado, Ph. D. 43

Teorema 12. (Cayley-Hamilton).
Qualquer matriz quadrada é raiz do seu
próprio polinómio característico.
Demonstração. Considere-se o polinómio
característico de uma matriz A , quadrada de ordem n,
p( ) = A −  I = (− 1)  I − A = (− 1) Q( ) , onde
n n

Q( ) =  − an −1 +  + a1 + a. 0 .

n n −1

Vai demonstrar-se que Q ( A) = 0 .

Seja B a matriz adjunta de  I − A . Tem-se:
( I − A) B =  I − A  I .
Natália Furtado, Ph. D. 44
 Os elementos de B são os complementos algébricos da
matriz  I − A e, portanto são polinómios em  de
grau não superior a n − 1 . Tem-se:
 b110 + b111  +  + b11n −1n −1  b10n + b11n  +  + b1nn−1n −1 
 
B( ) =    =
bn01 + bn11 +  + bnn1−1n −1  bn0n + bn1 n  +  + bnnn−1n −1 
 
= B0 + B1 + 2 B2 +  + n −1 Bn −1 ,
onde
b11k b12k  b1kn 
 k k 
 b21 b22k  b2 n 
Bk =
 
(k = 0, 1, , n − 1) .
  
 k k 
bn1 bnk2  bn n 
Natália Furtado, Ph. D. 45
 Tem-se então
( I − A)(B0 + B1 + 2 B2 +  +  n−1Bn−1 ) = ( n + an−1 n−1 +  + a1 + a0 )I
 n Bn −1 +  n −1 (Bn − 2 − ABn −1 ) +  n − 2 (Bn −3 − ABn − 2 ) +  +
(
+  2 (B1 − AB2 ) +  (B0 − AB1 ) − AB0 =  n + an −1 n −1 +  + a1 + a0 I )
 Bn −1 = I  An  A n Bn −1 = A n
 B − AB = a I  n −1 n −1
 n−2 n −1 n −1  A n −1  A B n−2 − A n
B n −1 = a n −1 A
 Bn −3 − ABn − 2 = an − 2 I  A n−2  A n − 2 Bn −3 − A n −1 Bn − 2 = an − 2 A n − 2
 
    
 B − AB = a I  A2  A 2 B1 − A3 B2 = a2 A 2
 1 2 2

 B0 − AB1 = a1 I A  AB0 − A2 B1 = a1 A
 
 − AB0 = a0 I  − AB0 = a0 I

Natália Furtado, Ph. D. 46

 Daí,
n −1 n−2
A + a n−1 A
n
+ a n−2 A +  + a 2 A + a1 A + a 0 I = 0 ,
2

i.e. Q ( A) = 0 .

Natália Furtado, Ph. D. 47

 Propriedades gerais dos
valores e vetores próprios
Seja T uma transformação linear no espaço E
n - dimensional sobre  representada por
matriz da transformação A na base u1 , u2 ,  , un .
Teorema 13.
Dados r vetores próprios x1 , x2 ,, xr
associados aos valores próprios1 , ,  r ,
todos distintos, então aqueles r vetores
próprios são linearmente independentes.
Natália Furtado, Ph. D. 48
Teorema 14.
Sendo T uma transformação linear em E
sobre  , se existem n vetores próprios
linearmente independentes, existe uma
base em E na qual a transformação linear T
se representa por uma matriz diagonal. Na
diagonal desta matriz encontram-se os
valores próprios que estão associados
àqueles n vetores próprios.

Natália Furtado, Ph. D. 49

Teorema 15.

Sendo T uma transformação linear em E

sobre  , se existe uma base
u 1
 
u , ,u
2

n 
na qual a transformação se representa por

uma matriz diagonal A , então existem
n vetores próprios linearmente
independentes.

Natália Furtado, Ph. D. 50

OBS:
A condição necessária e suficiente para
que exista uma base do espaço n-
dimensional E , na qual uma
transformação linear T em E seja
representada por uma matriz diagonal, é
que a transformação admita n vetores
próprios linearmente independentes.

Natália Furtado, Ph. D. 51

Teorema 16.
Sendo T uma transformação linear num espaço n -
dimensional E sobre R ,  u1 , u 2 ,  , u n  uma base
desse espaço,  um valor próprio da transformação e
x1 , x2 ,  , xk vetores próprios independentes
associados a , então é possível determinar um novo
conjunto de vetores próprios x1, x2 ,  , xk associados
a  , cujas colunas de coordenadas na base considerada
verificam as seguintes condições de ortonormalidade
1 i = j
 
x.i x. j = 
T

0 i  j
Os novos vetores próprios (as colunas x1 , x2 ,  , xk )
são também linearmente independentes.

Natália Furtado, Ph. D. 52

Teorema 17.
Seja  um valor próprio de uma
transformação linear T em E sobre  .
A multiplicidade algébrica de 
(multiplicidade de  como raiz do polinómio
característico) nunca é inferior
à multiplicidade geométrica do mesmo valor
próprio  (dimensão do respectivo subespaço
próprio).

Natália Furtado, Ph. D. 53

Teorema 18.
Seja T uma transformação linear em E ,
espaço n - dimensional sobre  , onde se fixa
uma base u1 , u2 ,  , un , de tal modo que nesta
base T se representa pela matriz A . Suponha-
se também que os valores próprios distintos de
T são 1 ,  2 , ,  m com multiplicidades
algébricas 1 ,  2 ,  ,  m , respectivamente,
tais que 1 +  2 +  +  m = n . A matriz A é
diagonalizável se e só se a multiplicidade
algébrica de cada  ( i = 1, m ) é igual à
i

respectiva multiplicidade geométrica.

Natália Furtado, Ph. D. 54

Teorema 19.
Se a matriz A é diagonalizável então a
característica de A é igual ao número de
valores próprios não nulos.

OBS:
◼ Se a matriz A não é diagonalizável apenas se
pode demonstrar que o número de valores
próprios não nulos não pode exceder a
característica de A.

Natália Furtado, Ph. D. 55

OBS:

◼ A transformação linear T é degenerada ( a

matriz A é singular) se e só se tem um valor
próprio nulo.
A negação lógica desta proposição será então:
◼ A transformação linear T é não degenerada ( a
matriz A é regular) se e só se não tem valores
próprios nulos.
◼ Se a transformação T não tiver valores próprios
ela é não degenerada.

Natália Furtado, Ph. D. 56

Teorema 20.
Se a matriz A tem n valores próprios então:
a) A = 1   2   n ;
b) tr( A) = 1 +  2 +  +  n .
Teorema 21.
Dada uma matriz A sobre  são verdadeiras as
seguintes propriedades:
a) Se  é valor próprio de A então  k
é valor
próprio de Ak;
b)  é valor próprio de A, não singular, se e só
−1
se −1é valor próprio de A .
Natália Furtado, Ph. D. 57
 T
c) As matrizes A e A têm os mesmos valores
próprios.
Dadas duas matrizes A e B , quadradas de
ordem n , sobre  tem-se:
d) As matrizes AB e BA têm os mesmos valores
próprios.

Teorema 22.
Os valores próprios de uma matriz ortogonal
são iguais a +1 ou -1 .

Natália Furtado, Ph. D. 58

◼ São particularmente importantes as transformações
lineares representantes por meio de matrizes
idempotentes .
Considere-se uma transformação linear T num espaço E n-
 
dimensional sobre  e que na base u1 , u 2 ,  , u n é
representada pela matriz A .
Já se sabe que o núcleo de T , N (T ) , tem dimensão n − r ( A) :
Dim N (T ) = n − r ( A) Dim V (T ) = r ( A)
e que E é a soma directa dum alcance de T , V (T ) , com o
núcleo de T , N (T ) :
E = V (T )  N (T )
Um alcance e o núcleo de T são variedades complementares de E .
Natália Furtado, Ph. D. 59
 Considere-se o espaço E como a soma direta de dois
subespaços, E = E1  E2 , i.e. cada x  E representa-se
univocamente na forma x = x1 + x2 , com

x1  E1 , x2  E2 , E1 E2 = 0 . Uma transformação
linear T em E chama-se uma projeção de E sobre
E1 ao longo de E 2 se se tem a seguinte condição:
T ( x ) = T ( x1 + x2 ) = x1 .
OBS:
A condição T ( x ) = x1 é equivalente às duas seguintes condições:
1) T (x1 ) = x1 ou Ax1 = x1 ; 2) T ( x2 ) = 0 ou Ax2 = 0
Evidentemente que se tem: E2 = N (T ) e E1 = V (.T )
Natália Furtado, Ph. D. 60
 Teorema 23. Natália Furtado, Ph. D.

A transformação linear T em E é uma

projeção se e só se A é idempotente.
OBS:
Note-se que se A I − A é também idempotente:
é idempotente então
(I −A)2 = I −A−A+A2 = I −A
Tem-se: E1 = V (T ) e E2 = N (T )
Dim V (T ) = r ( A) Dim N (T ) = n − r ( A)
Por outro lado, como I − A é idempotente
( )
E1 = N I − T e E2 = V ( I − T )
Dim N (I − T ) = n − r (I − A) Dim V (I − T ) = r (I − A)

Mas como, E1= N (I − T ) = V,(Tsai

) r ( I − A) = n − r ( A)
DimN (I −T ) = n − r (I − A) DimN (T ) = r ( A)
61
Teorema 24.
Seja A uma matriz idempotente (A2 = A) . São
verdadeiras as seguintes propriedades:
a) Os valores próprios de A são iguais a 0 ou 1.
−1  I 0
b) A matriz A é diagonalizável: BAB =  
0 0 
onde I é a matriz identidade de ordem igual a
r ( A) ;
a) tr ( A) = r ( A) .

Natália Furtado, Ph. D. 62

Teorema 25.
◼

 u1 , u2 ,  , un 

A 1
1
1

Natália Furtado, Ph. D. 63

OBS:
Os dois teoremas anteriores garantem
que qualquer matriz simétrica é
diagonalizável e existe uma matriz
diagonalizadora ortogonal.

Natália Furtado, Ph. D. 64