Escolar Documentos
Profissional Documentos
Cultura Documentos
Adriano Vitor
Adaptada por Luiz Arthur Dornelles Jr.
Florianópolis, SC
Revisado - 25 de março de 2020
Sumário
1 Espaços Vetoriais 4
1.1 Espaço Vetorial: Conceitos Iniciais . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Exemplos de Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . 7
1.1.2 Alguns teoremas importantes sobre Espaços Vetoriais . . . . . . . . . 12
1.2 Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1 Soma e Intersecção de Subespaços . . . . . . . . . . . . . . . . . . . . 17
1.3 Combinação Linear e o Espaço Gerado . . . . . . . . . . . . . . . . . . . . . 19
1.3.1 Combinações Lineares e a Solução de um Sistema Linear . . . . . . . 23
1.4 Dependência e Independência Linear . . . . . . . . . . . . . . . . . . . . . . 24
1.5 Base e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5.1 Aplicação para determinar uma base . . . . . . . . . . . . . . . . . . 35
1.6 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.7 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.8 Aplicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2 Transformações Lineares 46
2.1 Transformações no Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.2 Transformações no Espaço(em construção) . . . . . . . . . . . . . . . . . . . 54
2.3 Núcleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.4 Posto e Nulidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.5 Transformações Injetoras e Sobrejetoras . . . . . . . . . . . . . . . . . . . . . 59
2.6 Espaços Vetoriais Isomorfos . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.7 Operações com Transformações . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.8 Transformação Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2
2.9 Aplicações (em construção) . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3 Produto Interno 75
3.1 Matriz do Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.2 Desigualdade de Cauchy-Schwarz . . . . . . . . . . . . . . . . . . . . . . . . 78
3.3 Norma de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.4 Ângulo entre Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.5 Bases Ortogonais - Processo de Gram-Schmidt . . . . . . . . . . . . . . . . . 81
3.6 Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.7 Operadores Auto-Adjuntos e Ortogonais . . . . . . . . . . . . . . . . . . . . 84
4 Autovalores e Autovetores 86
4.1 Descrição Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.2 Alguns Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.3 Outros Resultados e Definições . . . . . . . . . . . . . . . . . . . . . . . . . 88
5 Diagonalização de Operadores 93
5.1 Definições e Teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.2 Aplicação em Produtos Matriciais . . . . . . . . . . . . . . . . . . . . . . . . 101
3
Capı́tulo 1
Espaços Vetoriais
Na Matemática e em áreas afins, é comum nos depararmos com situações que envolem con-
juntos nos quais é interessante trabalhar com combinações lineares de seus elementos. Nesse
contexto, uma combinação linear está relacionada ao fato de poder somar múltiplos dos ele-
mentos que pertencem ao conjunto com a garantia de que o resultado ainda pertença ao
conjunto, preservando assim a estrutura. Além disso, essas operações entre elementos podem
satisfazer propriedades muito úteis em situações práticas. vejamos alguns exemplos.
Uma maneira de resolver esse sistema é somar uma equação com um múltiplo da outra a fim
de isolar encontrar o valor da primeira incógnita.
Exemplo 1.2 Na fı́sica é comum o cálculo de uma força vetorial originária da soma de duas
ou mais forças, também vetoriais. O gráfico da figura 1.11 ilustra uma situação como essa:
4
Figura 1.1: Representação de Forças Vetoriais
A Álgebra Linear é o ramo da matemática que trata das propriedades comuns a algébricos
constituı́dos por um conjunto no qual a noção de combinação linear de seus elementos possa
ser definida. por isso vamos definir o objeto matemático que é uma abstração útil deste tipo
de sistema algébrico.
5
Axiomas da Operação de Adição:
(3) Uma operação de adição de vetores, que associa a cada par de elementos u, v ∈ V um
elemento u + v ∈ V , ou seja, V é fechado com relação a operação de adição. Esta
operação possui as seguintes propriedades:
6
A4 ) Elemento Simétrico: para todo elemento u ∈ V existe o elemento −u ∈ V tal que
u + (−u) = 0V para todo u ∈ V .
(4) Uma operação de multiplicação por escalar, que associa a cada elemento u ∈ V e a
cada escalar α ∈ K, um elemento αu ∈ V , o que torna V um conjunto fechado para a
multiplicação por escalar. Esta operação possui as seguintes propriedades:
Observações:
- A palavra vetor será usada para designar um elemento do espaço vetorial. Esta palavra
difere-se em relação ao seu uso na geometria analı́tica ou mesmo na fı́sica (onde termo
vetor quase sempre é usado para caracterizar uma grandeza que possui módulo, direção
e sentido). Aqui nos interessa somente o fato de ser um elemento do conjunto para o
qual são válidos os axiomas da Definição 1.2.
a1 v1 + a2 v2 + · · · + an vn
- Em geral, este texto considerará o corpo dos reais para as discussões, no entanto, em
outros estudos poderia-se adotar o conjunto dos complexos como corpo.
Com o intuito de promover um entendimento mais amplo dos conceitos de espaço vetorial e de
vetores em relação ao que foi discutido na disciplina de geometria analı́tica, serão apresentados
nesta seção, alguns exemplos mais gerais de espaços vetoriais que extrapolam os domı́nios do
7
espaço tridimensional. Porém, começaremos vendo um exemplo bidimensional verificar em
detalhes as propriedades de Espaço Vetorial para que a definição fique bem fixada.
Essas são as operações usuais de adição e multiplicação por escalar. Para verificarmos
os oito axiomas de espaço vetorial, consideremos u = (x1 , y1 ), v = (x2 , y2 ) e w = (x3 , y3 ) em
V . Basicamente serão utilizadas as propriedades do corpo dos reais para as demonstrações
que seguem:
[A1 ] Comutatividade:
u + v = (x1 , y1 ) + (x2 , y2 )
= (x1 + x2 , y1 + y2 )
a
=1 (x2 + x1 , y2 + y1 )
= (x2 , y2 ) + (x1 , y1 )
= v + u.
[A2 ] Associatividade:
= (x1 + x2 , y1 + y2 ) + (x3 , y3 )
= ((x1 + x2 ) + x3 , (y1 + y2 ) + y3 )
a
=2 (x1 + (x2 + x3 ), y1 + (y2 + y3 ))
= (x1 , y1 ) + (x2 + x3 , y2 + y3 )
= u + (v + w).
8
[A3 ] Elemento Neutro: Existe um elemento neutro dado por 0V = (0, 0) ∈ R2 . Com efeito
u + 0 = (x1 , y1 ) + (0, 0)
= (x1 + 0, y1 + 0)
a
=3 (x1 , y1 ) = u.
[A4 ] Elemento Simétrico: Para todo u ∈ R2 existe um elemento oposto dado por −u =
(−x1 , −y1 ) ∈ R2 . Com efeito
[M1 ] Associatividade:
= α(x1 , y1 ) + α(x2 , y2 ) = αu + αv
1 · u = 1 · (x1 , y1 ) = (1 · x1 , 1 · y1 ) = (x1 , y1 ) = u.
9
e a operação de multiplicação por escalar definida por:
Exemplo 1.6 (Espaço das Matrizes Mm×n ) O conjunto de todas as matrizes Mm×n é um
espaço vetorial sobre o corpo dos reais em relação às operações usuais de adição de matrizes
e multiplicação por escalar.
Como as matrizes são constituı́das de números reais e as operações são definidas entrada
a entrada, pode-se verificar que o conjunto Mm×n é um espaço vetorial utilizando as propri-
edades do Corpo dos Reais, de maneira muito semelhante com o que foi feito no exemplo
1.3.
Exemplo 1.7 (Espaço de Polinômios Pn (R) de grau menor ou igual a n) Seja Pn (R) o
conjunto de todos os polinômios
10
Exemplo 1.8 (O Conjunto F (R)). Seja o conjunto F (R) = {f : R → R | f é uma função },
com a operação de adição de elementos definida por:
é um espaço vetorial.
Exemplos de Espaços Vetoriais com operação de adição dos elementos e multiplicação por
escalar não usuais. Para situações como as descritas abaixo, usaremos e para representar
as operações não usuais citadas acima, respectivamente.
Exemplo 1.9 (Vetores no Espaço R2 ). Seja o conjunto V = {(x, y) | x, y > 0}, com a
operação de adição de elementos definida por:
α (x, y) = (xα , y α )
é um espaço vetorial (será demonstrado em sala). Note que nem a adição e nem a multi-
plicação são operações usuais, portanto devemos usar todos os axiomas.
α (x, y) = (α.x, y)
Não é um espaço vetorial (será demonstrado em sala). Note que a adição é uma operação
usual, mas a multiplicação não é uma operação usual, portanto devemos usar os axiomas
para a operação multiplicação por escalar.
11
1.1.2 Alguns teoremas importantes sobre Espaços Vetoriais
o que prova a unicidade do elemento neutro. Nessa demonstração utilizamos apenas a de-
finição de elemento neutro, tanto em K como em V .
u + (−u) = 0V e u + u1 = 0V
então v = w.
Demonstração:
Somando (−u) em ambos os lados da igualdade temos:
v = −u + (u + v) = −u + (u + w) = (−u + u) + w = 0V + w = w
12
Teorema 1.4 Sejam V , um espaço vetorial sobre o corpo K, u, v ∈ V e α, β ∈ K. Temos
as seguintes propriedades:
(a) 0K · u = 0V
(b) α · 0V = 0V
(d) Se α · u = 0V então α = 0K ou u = 0V
(e) Se α · u = α · v e α 6= 0K então u = v
(f ) Se α · u = β · u e u 6= 0V então α = β
v + v = 0K · u + 0K · u = 0K · (u + u) = 2 · 0K · u = 0K · u = v.
(b) A prova deste item é análoga ao item anterior e pode ficar a cargo do leitor.
13
(d) Se α = 0K recaı́mos ao caso do item (a). Vamos supor então que αu = 0V com
α 6= 0K . Sabemos que existe um único α−1 ∈ K tal que α−1 α = 1K . Desse modo,
utilizando o item (b), tem-se que
Portanto u = 0V .
(e) Como α 6= 0K , sabemos que existe um único α−1 ∈ K tal que α−1 α = 1K . Desse
modo, temos que
(g) A prova deste item utiliza a propriedade do item (a), além da distributividade do
produto por escalar com relação a soma em V.
(h) A prova é feita a partir dos axiomas (A2 ) e (M3 ) da definição de espaço vetorial.
Primeiro mostra-se que essa relação é válida para n = 2. Em seguida, supões-se
que a relação é válida para n qualquer e mostra-se que continua valendo para n+1.
Esse tipo de demostração é conhecido como “prova por indução”.
14
Demonstração:
⇒ Se S é um subespaço vetorial de V, então S satisfaz todos os axiomas de espaço vetorial,
em particular os axiomas de fechamento propostos nos itens i e ii.
⇐ Agora vamos mostrar que se S satisfaz os axiomas de fechamento, então S satisfaz os
axiomas de adição de elementos e de multiplicação por escalar. Como S ⊂ V , os axiomas
de A1 até A2 são automaticamente satisfeitos pois são válidos para todos os elementos de V .
Por um argumento análogo, os axiomas M1 , M2 , M3 e M4 são satisfeitos automaticamente.
Resta mostrar somente os axiomas A3 e A4 .
(ii) Qualquer subespaço de V precisa, necessariamente, conter o vetor nulo para que a
condição ii) do Teorema 1.5 seja satisfeita para α = 0.
(iii) Todo espaço vetorial admite ao menos dois subespaços (que são chamados subespaços
triviais), o conjunto formado somente pelo vetor nulo e o próprio espaço vetorial, pois,
ambos satisfazem o Teorema 1.5.
15
ii) αu = α(x1 , 2x1 ) = (αx1 , 2αx1 ) ∈ S, pois a segunda componente de αu é igual ao dobro
da primeira.
16
é um subespaço vetoriar de R3 . Verifique!
Qual interpretação geométrica podemos fazer para S?
Exemplo 1.15 Mostrar que dada uma matriz A ∈ Mn×n (R), o conjunto S ∈ Rn definido
por:
N (A) = {X = (x1 , x2 , · · · , xn ) | A.X = 0Rn }
U ∩ W = {v ∈ V | v ∈ U e v ∈ W }
é um subespaço vetorial de V.
Demonstração:
Corolário 1.1 Seja V um espaço vetorial sobre o corpo K. A intersecção de uma coleção
arbitrária de subespaços de V é um subespaço vetorial de V.
17
Exemplo 1.16 Seja o espaço vetorial R3 e os subespaços vetoriais S1 = {(a, b, 0) ∈ R3 |a, b ∈
R} e S2 = {(0, b, c) ∈ R3 |b, c ∈ R}. A interseção S1 ∩ S2 é o subespaço {(0, b, 0) ∈ R3 |b ∈ R}.
U + W = {v ∈ V | v = u + w com u ∈ U e w ∈ W }
é um subespaço vetorial de V.
Demonstração:
Definição 1.4 (Soma Direta) Sejam V um espaço vetorial sobre o corpo K, U e W su-
bespaços vetoriais de V tais que U ∩ W = {0V }. Dizemos que o subespaço U + W é a soma
direta dos subespaços U e W , e denotamos por U ⊕ W .
18
A soma gerada no exemplo 1.17 não é uma soma direta, pois a intersecção entre U e W
não é constituı́da somente do vetor nulo. A seguir temos um exemplo de soma direta:
U = {(x, y) ∈ R2 |y = 0} e W = {(x, y) ∈ R2 |x = 0}
Definição 1.5 Seja V um espaço vetorial sobre o corpo K. Um vetor v ∈ V é uma com-
binação linear dos vetores v1 , v2 , · · · , vk ∈ V se existirem escalares α1 , α2 , · · · , αk ∈ K tais
que:
k
X
v = α1 .v1 + α2 .v2 + · · · + αk .vk = (αi .vi )
i=1
19
Definição 1.6 (Subespaço Gerado) Sejam V um espaço vetorial sobre o corpo K e S um
conjunto finito de elementos de V , isto é, S = {v1 , · · · , vn }. O subconjunto U construı́do à
partir dos elementos de S da seguinte forma:
( n
)
X
U = u∈V |u= αi · v i ; αi ∈ K
i=1
U = (x, y, z) ∈ R3 | x = z
W = (x, y, z) ∈ R3 | x + y + z = 0
20
Exemplo 1.23 Mostre que o espaço vetorial M2×2 (R) é gerado pelas matrizes
1 1 1 1 1 0 0 1
A1 = A2 = A3 = A4 =
1 0 0 1 1 1 1 1
p1 (x) = x3 − 1
p2 (x) = x2 + x −1
p3 (x) = x + 2
Verifique se p1 (x) pode ser escrito como uma combinação linear de p2 (x) e p3 (x).
Logo U = [(1, 0, 1), (0, 1, 1)], ou seja, o conjunto de vetores que geram U é {(1, 0, 1), ((0, 1, 1)}.
Exemplo 1.26 Determine o subespaço U do R3 gerado pelo conjunto {(1, 0, 1), (0, 1, 1), (−1, 1, 0)}.
Sabemos que os vetores de U podem ser escritos como uma combinação linear dos vetores
dados. Sendo assim, temos:
(x, y, z) = (a − c, b + c, a + b)
logo:
21
a − c = x
b + c = y
a + b = z
Deste sistema de equações podemos determinar a expressão x + y − z = 0, então, o
subespaço pode ser escrito U = {(x, y, z) ∈ R3 | x + y − z = 0}.
(x, y) = (2a + b, a + b)
logo:
2a + b = x
a + b = y
O vetores u e v geram o R2 .
U = (x, y, z) ∈ R3 | x − 2y + 3z = 0
W = (x, y, z) ∈ R3 | x + y + z = 0
22
logo, U = [(2, 1, 0), (−3, 0, 1)].
Determinando um sistema de geradores para W , considerando x = −y − z:
U = {(x, y, z) ∈ R3 | x − 2y + 3z = 0}
W = {(x, y, z) ∈ R3 | x + y + z = 0}
É possı́vel relacionar a ideia de combinação linear, presente no estudo dos espaços vetoriais,
com a obtenção da solução de um sistema linear. Consideremos o sistema dado abaixo:
a .x + a12 .x2 + · · · + a1n .xn = b1
11 1
.. .. .. ..
. + . +···+ . = .
a .x + a .x + · · · + a .x =
bm
m1 1 m2 2 mn n
23
Um olhar mais atento sobre o sistema anterior nos permite extrair a seguinte relação:
b1 a11 a12 a1n
.. . . .
. = x1 . .. + x2 . .. + · · · + xn . ..
bm am1 am2 amn
o que pela Definição 1.5 é equivalente a dizer que o vetor B do sistema A.X = B pode ser
escrito como combinação linear das colunas da matriz A se, e somente se, o sistema A.X = B
possuir solução. As componentes xis da solução são, na verdade, os escalares da combinação
linear.
implicar que α1 = α2 = · · · = αn = 0
24
Teorema 1.8 Seja V um espaço vetorial sobre um corpo K e v1 , v2 , · · · , vn ∈ V . O conjunto
U = {v1 , v2 , · · · , vn } ⊂ V é Linearmente Dependente (LD) se, e somente se, um de seus
elementos for uma combinação linear dos outros elementos.
Demonstração:
⇒ Sejam {v1 , v2 , · · · , vn } um conjunto LD e a combinação linear nula
α1 · v1 + α2 · v2 + · · · + αj · vj + · · · + αn · vn = 0
de acordo com a Definição 1.9, ao menos um dos coeficientes deve ser diferente de zero.
Suponhamos que αj 6= 0, então:
1
vj = − (α1 · v1 + α2 · v2 + · · · + αj−1 · vj−1 + αj+1 · vj+1 + · · · + αn · vn )
αj
e portanto
α1 αn
vj = − · v1 − · · · − · vn
αj αj
logo vj é uma combinação linear dos outros vetores.
⇐ Por outro lado, se tivermos {v1 , v2 , · · · , vn } tal que para algum j
Exemplo 1.31 O conjunto S = {v1 , v2 , v3 } onde v1 = (2, 3, 1), v2 = (1, 5, 4) e v3 = (4, 13, 9)
é linearmente dependente no R3 , verifique.
Exemplo 1.32 Verificar que o conjunto S = {v1 , v2 , v3 } onde v1 = (1, 2, 3), v2 = (−2, 1, 4)
e v3 = (4, 2, 3), é linearmente independente no R3 .
Definição 1.10 Considere o espaço vetorial real C([a, b]). Dizemos que o conjunto de funções
U = {f1 (x), f2 (x), · · · , fn (x)} ⊂ C([a, b]) é Linearmente Dependente se existirem escalares
α1 , α2 , · · · , αn não todos nulos tais que:
25
Exemplo 1.33 Mostrar que o conjunto U = {1, cos(x), cos(2x)} é Linearmente Indepen-
dente no espaço vetorial C([−π, π])
Teorema 1.9 Considere o espaço vetorial C (n−1) ([a, b]), as funções f1 , f2 , · · · , fn ∈ C (n−1) ([a, b]).
O conjunto U = {f1 (x), f2 (x), · · · , fn (x)} é linearmente dependente se, e somente se, o de-
terminante det(A(x)) = 0 para todo x ∈ [a, b], onde a matriz A(x) é dada por:
f1 (x) f2 (x) ··· fn (x)
0 0 0
f1 (x) f2 (x) ··· fn (x)
A(x) = f100 (x) 00
···
00
f2 (x) fn (x)
.. .. ..
..
.
. . .
(n−1) (n−1) (n−1)
f1 (x) f2 (x) · · · fn (x)
o determinante da matriz A(x) é denominado Wronskiano das funções f1 (x), f2 (x), · · · , fn (x)
que vamos denotar por W (f1 , f2 , · · · , fn )(x).
Demonstração:
Vamos considerar a combinação linear nula
para que o sistema dado em (a) admita solução não trivial é necessário e suficiente que o
determinante da matriz de coeficientes seja nulo, ou seja,
26
Exemplo 1.35 Utilize o Teorema 1.9 para mostrar que as funções f (x) = ex e g(x) = xex
são linearmente independentes para x ∈ R.
Exemplo 1.36 Mostre que as funções f (x) = sen(x) e g(x) = x sen(x) são linearmente
independentes para x ∈ R.
Exemplo 1.37 Mostre que as funções f (x) = 1, g(x) = sen(x) e h(x) = cos(x) são linear-
mente independentes para x ∈ R.
é L.I. no R2 e gera o espaço R2 . Sendo assim, B2 é uma base para o R2 , além da base
canônica {(1, 0), (0, 1)}.
27
De fato, para mostrar que B2 é uma base do R2 , vamos mostrar que é LI e que gera R2 :
I) B2 é LI, logo a(1, 1) + b(−1, 0) = (0, 0), o que implica em:
a − b = 0
a = 0
Resultando em a = b = 0.
II) B2 gera R2 , então, para todo (x, y) ∈ R2 , temos (x, y) = a(1, 1) + b(−1, 0), o que
implica em:
a − b = x
a = y
Resultando em a = y e b = y − x.
Mostramos, assim, que B2 é uma base do R2 .
é L.I. no R3 e gera o espaço R3 . Sendo assim, B1 é uma base para o R3 (base canônica).
Exemplo 1.40 Considere o espaço vetorial real R3 . O conjunto {(1, 0, 0), (0, 1, 0)} não é
uma base do R3 . Apesar de ser L.I. ele não gera o R3 .
é uma base de V .
α1 · v1 + α2 · v2 + · · · + αn · vn = 0
28
digamos que αi 6= 0, Então podemos escrever
α1 α2 αn
vi = − v1 − v2 − · · · − vn
αi αi αi
ou seja, vi é uma combinação linear dos outros vetores, sendo possı́vel retirá-lo do conjunto e
ainda gerar V . Seguindo este procedimento interativamente, em alguma iteração será obtido
um conjunto LI, contendo r (r ≤ n) vetores que ainda geram V e, portanto, formando uma
base.
Como m > n, podemos encontrar escalares α1 , · · · , αm não todos nulos, solução do sistema
linear homogêneo
m
X
cij · αj = 0 ; i = 1, · · · , n
j=1
Exemplo 1.42 O conjunto B = {(1, 2, 1), (−1, −3, 0)} ⊂ R3 é LI e gera o espaço S =
{(x, y, z) ∈ R3 | 3x − y − z = 0}. Então B é base de S, pois B é LI e gera S.
Teorema 1.12 Se V é um espaço vetorial não nulo finitamente gerado, então toda base de
V possui o mesmo número de elementos.
Demonstração:
29
Vamos supor que β1 = {v1 , · · · , vn } e β2 = {w1 , · · · , wm } sejam duas bases finitas para
V . Como β1 gera V e β2 forma um conjunto LI em V , de acordo com o Teorema 1.11 temos
que m ≤ n. Por outro lado, se β2 gera V e β1 é LI, novamente o Teorema 1.11 nos permite
afirmar que n ≤ m. Mostrando, portanto, que m = n.
Exemplo 1.43 Considere o espaço vetorial real R2 . Os conjuntos β1 = {(1, 1), (−1, 0)} e
β2 {(1, 0), (0, 1)} são bases para o R2 .
Definição 1.12 (Dimensão) Seja V um espaço vetorial de dimensão finita, que possui
uma base com n elementos. A dimensão de V é definida como sendo o número de elementos
de um base de V . Indicaremos a dimensão do espaço vetorial V por dim(V ) = n.
Exemplo 1.44 Veja os exemplos 1.38.e1.39. A base do exemplo 1.38, R2 , tem dois vetores,
então sua dimensão dim(R2 ) = 2 e a base do exemplo 1.39, R3 , tem três vetores, então sua
dimensão dim(R3 ) = 3.
Alguns espaços vetoriais infinitos não tem base finita, este fato ocorre principalmente entre
espaços de funções. Nestes casos, precisamos de um conjunto infinito de vetores para gerar
o espaço. Isto não quer dizer que estamos trabalhando com combinações lineares infinitas,
mas sim, que cada vetor do espaço é uma combinação linear finita da base ”infinita”. Ou
seja, para cada vetor, podemos escolher uma quantidade finita de vetores da base para, com
eles, escrever o vetor dado.
30
Se existe vr+1 ∈ V tal que vr+1 ∈
/ [v1 , v2 , . . . , vr ], ou seja, não é uma combinação linear
de v1 , v2 , . . . , vr , então {v1 , v2 , . . . , vr , vr+1 } é LI.
Se [v1 , v2 , . . . , vr , vr+1 ] = V , então {v1 , v2 , . . . , vr , vr+1 } é a base procurada. Caso contrário,
existe vr+2 ∈
/ [v1 , v2 , . . . , vr , vr+1 ], e, então {v1 , v2 , . . . , vr , vr+1 , vr+2 } é LI.
Se [v1 , v2 , . . . , vr , vr+1 , vr+2 ] = V a prova está concluı́da. Caso contrário, prosseguimos
usando este argumento, até obtermos, após um número finito de passos, uma base de V .
Teorema 1.14 Se U e W são subespaços de um espaço vetorial V que tem dimensão finita,
então dim(U ) ≤ dim(V ) e dim(W ) ≤ dim(V ). Além disso,
31
Demonstração Seja {w1 , . . . , wm } uma base para o subespaço W . Pelo teorema do Comple-
tamento, podemos completar a base de W para obter uma base de V , isto é, {w1 , . . . , wm , wm+1 , . . . , wn }
é uma base de V .
Considerando U o subespaco gerado pelo conjunto linearmente independente {wm+1 , . . . , wn },
que satisfaz as propriedades desejadas.
De fato, podemos afirmar que V = U + W , pois o conjunto {w1 , . . . , wm , wm+1 , . . . , wn } é
linearmente independente e gera V ,
Por outro lado, como W = [w1 , . . . , wm ], U = [wm+1 , . . . , wn ] e o conjunto {w1 , . . . , wm , wm+1 , . . . , wn }
é linearmente independente, temos que W ∩ U = {0V }, o que completa a demonstração.
S = {(x, y, z) ∈ R3 | 2x + y + z = 0}.
Os vetores de S tem a forma (x, y, −2x − y), o que nos permite escrever:
Observação: Podemos obter uma nova base atribuindo valores para x e y. Note que cada
variável livre (x e y) corresponde a um vetor da base.
Exemplo 1.47 Sejam os vetores v1 = (1, 2, 3), v2 = (0, 1, 2) e v3 = (0, 0, 1). Mostre que o
conjunto B = {v1 , v2 , v3 } é uma base do R3 .
32
Vamos mostrar que B é LI, ou seja, a.v1 + b.v2 + c.v3 = 0:
logo:
a = 0
2a + b = 0
3a + 2b + c = 0
ou seja,
(x, y, z) = a.(1, 2, 3) + b.(0, 1, 2) + c.(0, 0, 1)
logo:
a = x
2a + b = y
3a + 2b + c = z
33
Solução:
a) Vamos verificar se os vetores v1 , v2 e v3 são LI ou LD. Podemos usar a base canônica
de P2 , ou seja, A = {t2 , t, 1}. Logo podemos escrever:
S1 = {(a, b, c, d) ∈ R4 | a + b + c = 0}
S1 = {(a, b, c, d) ∈ R4 | a − 2b = 0 e c = 3d}
Determine:
34
Algumas observações importantes sobre dimensão de um Espaço Vetorial:
(iii) dim(Rn ) = n;
(iv) dim(M(2×2) ) = 4;
(v) dim(M(m×n) ) = m × n;
(vii) dim(0) = 0.
para determinar uma base de um subespaço vetorial dentre um conjunto de geradores deste
subespaço, podemos usar duas aplicações.
Dado o conjunto gerador do subespaço W = ger{u1 , u2 , . . . , un } podemos usar os seguintes
algoritmos:
Algoritmo do espaço linha:
35
(iii) O vetores da base serão as linhas não nulas de M , portanto teremos, também, a di-
mensão de W .
Quando queremos encontrar uma base dentre os vetores originais, usamos o seguinte
algoritmo.
Algoritmo do espaço coluna:
(iii) Para cada coluna Ck da matriz escalonada que não tenha pivô, elimine o vetor uk
correspondente do conjunto gerador ger{u1 , u2 , . . . , un };
(iv) A base será formada pelos vetores não eliminados (sobram - correspondem às colunas
com pivôs).
Exemplo 1.50 Seja W o subespaço de R5 gerado pelos seguintes vetores: u1 = (1, 2, 1, 3, 2),
u2 = (1, 2, 2, 5, 3), u3 = (3, 8, 7, 13, 8), u4 = (1, 4, 6, 9, 7) e u5 = (5, 13, 13, 25, 19).
Encontre uma base de W dentre os vetores dados e encontre dim(W ).
Construimos a matriz M cujas linhas são os vetores dados e encontrado sua forma esca-
lonada:
1 2 1 3 2 1 2 1 3 2
1 3 3 5 3 0 1 2 2 1
M = 3 8 7 13 8 ∼ 0
0 0 0 0
1 4 6 9 7 0 0 1 2 3
5 13 13 25 19 0 0 0 0 0
Veja que temos três pivôs, refetentes às linhas 1, 2 e 4. Portanto, uma base de W será
composta pelos vetores v1 = (1, 2, 1, 3, 2), v2 = (0, 1, 2, 2, 1) e v3 = (0, 0, 1, 2, 3).
Note que o conjunto inicial é LD. Podemos concluir, também, que dim(W ) = 3.
Podemos determinar, entre os vetores originais, os que compõe a base de W . Construimos
a matriz M cujas colunas são os vetores dados e encontrando sua forma escalonada:
36
1 1 3 1 5 1 1 3 1 5
2 3 8 4 13 0 1 2 2 3
M = 1 3 7 ∼
6 13 0 0 0 1 2
3 5 13 9 25 0 0 0 0 0
2 3 8 7 19 0 0 0 0 0
Note que os pivôs da matriz escalonada aparacem nas colunas C1 , C2 e C4 . Sendo assim,
eliminamos os vetores u3 e u5 , dentre os originais.
Resta para a base de W os vetores u1 , u2 e u4
A razão pela qual o vetor u3 não fazer parte da base de W se deve ao fato de que este
vetor pode ser escrito como uma combinação alinear do vetores u1 e u2 .
1.6 Coordenadas
Definição 1.13 Seja S um conjunto de n elementos, uma ordenação do conjunto S, é
uma função do conjunto dos inteiros 1, · · · , n sobre o conjunto S.
Seguindo a definição precedente, considerar uma base ordenada para um espaço vetorial
implica em propor uma regra para tomar seus elementos de forma ordenada sempre que se
for manipular a base.
37
Teorema 1.18 Considere a matriz A ∈ Mn×n (R). Os vetores colunas de A formam um
conjunto LI em Rn se, e somente se, A é uma matriz invertı́vel.
Demonstração:
(=⇒) Sejam v1 , v2 , · · · , vn ∈ Rn os vetores coluna de A e W o subespaço de Rn , gerado
pelos vetores colunas de A.Como os vetores v1 , v2 , · · · , vn são linearmente independentes,
temos que dim(W ) = n. Pelo Teorema 1.16, temos que W = Rn .
Então existem escalares bij ∈ R, com i = 1, . . . , n, de modo que cada elemento ej pode
ser escrito de forma única:
n
X
ej = bij vi = 1, . . . , n,
i=1
n
X
0F vi = 0V .
i=1
38
Exemplo 1.51 Sejam V = R2 e β = {(1, 0), (0, 1)} uma base ordenada do R2 . Portanto, o
vetor v = (4, 3) pode ser escrito da forma:
Exemplo 1.52 Seja o conjunto B = {(1, 2, 3), (0, 1, 2), (0, 0, 1)} uma base do R3 .
O que proporciona:
a = 5
2a + b = 4 (1)
3a + 2b + c = 2
39
5
Então v na base B é dado por: [v]B = −6
−1
b) O vetor
v na base B é representado por:
2
[v]B = −3 , então, podemos escrever:
4
Exemplo 1.53 Considere o espaço vetorial P2 (t) dos polinômios de grau ≤ 2. Os polinômios
p1 = t + 1 p2 = t − 1 p3 = t2 − 2t + 1,
Resultando em x = 3, y = −4 e z = 2.
Logo as coordenadas de v na base S será:
40
Note que usando p1 , p2 e p3 , podemos fazer:
UM FATO IMPORTANTE!
Execute os passos descritos abaixo:
iii) Multiplique a matriz A−1 pelo vetor v do item a do exemplo 1.52, representado em
5
coluna, ou seja, v = 4 , ou ainda, A−1 .v T .
2
41
(a) (b)
Para começar este assunto, Mudança de Base, vamos ver o exemplo que segue.
e1 = a11 u1 + a21 u2
e2 = a12 u1 + a22 u2
Assim, obtemos os seguintes sistemas de equações:
42
Como temos uma das bases a base canônica do R2 (E), a matriz de nudança de base de
β para E será:
3 1
[P ]βE = (5)
2 1
−1
β
Note que [P ]E
β = [P ] E , pois veja que:
β 1 −1 3 1 1 0
[P ]E
β .[P ]E =
. =
−2 3 2 1 0 1
Observe que como trabalhamos com a base canônica, a matriz 5 é a matriz dos coeficientes
dos sistemas de equações 3, mas isto ocorre somente quando uma das bases envolvidas é a
canônica, caso contrário, deve realizar todo o procedimento de conversão de coordenadas para
cada vetor da base.
Teorema 1.20 Sejam V um espaço vetorial de dimensão finita sobre o corpo K, e duas bases
ordenadas para V , β1 = {v1 , · · · , vn } e β2 = {w1 , · · · , wn }. Então, existe uma única matriz
[P ]ββ21 ∈ Mn×n (R) invertı́vel tal que para todo u ∈ V tem-se:
Salientando que [P ]ββ12 representa a matriz de mudança da base β1 para a base β2 o que
−1
é equivalente a notação [P ]ββ21 onde a mesma mudança é obtida usando o conceito de
−1
inversão de matriz, ou seja, [P ]ββ12 = [P ]ββ21
Demonstração:(A demonstração desse teorema não será apresentada em vir-
tude de ser bastante extensa. Porém, ela pode ser vista nas principais biblio-
grafias da disciplina)
Exemplo 1.55 Sejam β1 = {(5, 2), (7, 3)} e β2 = {(3, 2), (1, 1)} bases de R2 , determine:
a) [P ]ββ12 ;
b) [P ]ββ21 ;
43
−3
c) Seja [w]β2 = , determine [w]β1 .
7
Solução: a) Vamos escrever os vetores da base β1 = {v1 , v2 } em termos dos vetores de
β2 = {u1 , u2 }:
v1 = a11 u1 + a21 u2
v2 = a12 u1 + a22 u2
Assim, obtemos os seguintes sistemas de equações:
−1
3 4 −5 −4
[P ]ββ21 = =
−4 −5 4 3
−3
c) Para determinar [w]β2 = na base β1 faremos [w]β1 = [P ]ββ2 .[w]β2 :
1
7
−5 −4 −3 −13
[w]β1 = [P ]ββ21 .[w]β2 = . = ,
4 3 7 9
−13
ou seja, [w]β1 =
9
Podemos usar uma forma alternativa para determiminar a matriz mudança de base de
β1 para β2 que consiste em mudar, primeiro, de β1 para a base canônica E e depois para β2 .
Vejamos como.
44
Vamos considerar a matriz de mudança de base [V ]βE1 de β1 para a base canônica, e a
matriz [U −1 ]E
β2 de mudança da base canônica para a base β2 (veja matriz 4 do exemplo 1.54).
O vetor [x]E é o vetor na base canônica, [x]β1 o mesmo vetor na base β1 e [x]β2 o mesmo
vetor na base β2 . Então:
β1
[U −1 ]E
β2 [V ]E .[x]β1 = [U
−1 E
]β2 [x]E = [x]β2
1.8 Aplicações
(em construção)
45
Capı́tulo 2
Transformações Lineares
Exemplo 2.1 Seja T : R → R, dada por u 7→ T (u) = αu. Mostre que é uma transformação
linear.
Sejam u, v ∈ R, então temos: T (u + v) = α(u + v) = αu + αv = T (u) + T (v).
Para a ∈ R, temos T (au) = α(au) = a(αu) = aT (u). Sendo assim, T é uma trans-
formação linear.
46
Sejam u, v ∈ R, então temos: T (u + v) = (u + v)2 = u2 + 2uv + v 2 .
Como T (u) + T (v) = u2 + v 2 , temos que T (u + v) 6= T (u) + T (v), sendo assim T não é
uma transformação linear.
Exemplo 2.3 Seja T : R2 → R3 , dada por (x, y) 7→ T (x, y) = (2x, 0, x + y). Verifique se T
é uma transformação linear.
Sejam u, v ∈ R2 , tal que u = (x1 , y1 ) e v = (x2 , y2 ), então temos:
T (u + v) = T ((x1 , y1 ) + (x2 , y2 ))
= T ((x1 + x2 , y1 + y2 ))
= (2(x1 + x2 ), 0, (x1 + x2 ) + (y1 + y2 ))
= (2x1 + 2x2 , 0, (x1 + y1 ) + (x2 + y2 ))
= (2x1 , 0, x1 + y1 ) + (2x2 , 0, x2 + y2 )
= T (u) + T (v)
Seja α ∈ R, logo:
T (αu) = T (α(x, y))
= T ((α.x, α.y))
= (2αx, 0, αx + αy)
= α(2x, 0, x + y)
= αT (u)
sendo assim T é uma transformação linear.
T (vj ) = wj para j = 1, 2, · · · , n
T (0, 1) = 1 − x e T (1, 0) = 1 − x2
47
2.1 Transformações no Plano
Exemplo 2.6 (Expansão ou Contração) Seja o R2 um espaço vetorial sobre um corpo
R. Vamos definir a seguinte transformação linear
T : R2 7→ R2
(x, y) 7→ T (x, y) = α.(x, y) α∈R
T (1, 0) = (α, 0) x 1 0 x α 0 x
⇒ 7→ α · · = ·
T (0, 1) = (0, α) y 0 1 y 0 α y
Exemplo 2.7 (Reflexão em torno do eixo x) Dado o espaço vetorial R2 sobre o corpo
R. Consideremos a transformação definida abaixo:
T : R2 7→ R2
(x, y) 7→ T (x, y) = (x, −y)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0) = (1, 0) x 1 0 x
⇒ 7→ .
T (0, 1) = (0, −1) y 0 −1 y
Exemplo 2.8 (Reflexão em torno do eixo y) Dado o espaço vetorial R2 sobre o corpo
R. Consideremos a transformação definida abaixo:
T : R2 7→ R2
(x, y) 7→ T (x, y) = (−x, y)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0) = (−1, 0) x −1 0 x
⇒ 7→ .
T (0, 1) = (0, 1) y 0 1 y
48
Exemplo 2.9 (Reflexão em torno da reta y = x) Dado o espaço vetorial R2 sobre o
corpo R. Consideremos a transformação definida abaixo:
T : R2 7→ R2
(x, y) 7→ T (x, y) = (y, x)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0) = (0, 1) x 0 1 x
⇒ 7→ .
T (0, 1) = (1, 0) y 1 0 y
T : R2 7→ R2
(x, y) 7→ T (v) = −v
Exemplo 2.11 (Translação) Considere o espaço vetorial real R2 . Dado um elemento fixo
(a, b) ∈ R2 , a transformação
T : R2 7→ R2
(x, y) 7→ T (x, y) = (x, y) + (a, b)
49
ou, usando a notação matricial, podemos escrever de forma equivalente:
T (1, 0) = (1, 0) x 1 α x
⇒ 7→ .
T (0, 1) = (α, 1) y 0 1 y
Exemplo 2.14 (Projeção ortogonal sobre o eixo x) Considere o espaço vetorial real
R2 e a transformação
T : R2 7→ R2
(x, y) 7→ T (x, y) = (x, 0)
ou, usando a notação matricial, podemos escrever de forma equivalente:
T (1, 0) = (1, 0) x 1 0 x
⇒ 7→ .
T (0, 1) = (0, 0) y 0 0 y
Exemplo 2.15 (Projeção ortogonal sobre o eixo y) Considere o espaço vetorial real
R2 e a transformação
T : R2 7→ R2
(x, y) 7→ T (x, y) = (0, y)
ou, usando a notação matricial, podemos escrever de forma equivalente:
T (1, 0) = (0, 0) x 0 0 x
⇒ 7→ .
T (0, 1) = (0, 1) y 0 1 y
T : R2 7→ R2
(x, y) 7→ T (v) = Av
50
tal que:
x cos(θ) −sen(θ) x
7→ .
y sen(θ) cos(θ) y
esta transformação rotaciona todo o conjunto de vetores v em θ no sentido anti-horário.
(a) (b)
y 0 = y.cos(θ) + x.sen(θ).
Assim, temos:
v 0 = (x.cos(θ) − y.sen(θ), y.cos(θ) + x.sen(θ)),
51
x x.cos(θ) − y.sen(θ) cos(θ) −sen(θ) x
7→ = .
y y.cos(θ) + x.sen(θ) sen(θ) cos(θ) y
TA : Rn 7→ Rm
y = TA (x)
onde
n
X
yi = αij xj para i = 1, 2, · · · , m
j=1
T : Rn 7→ Rm
T (v) = A.v
desta forma fica bem definida a possibilidade de associar elementos de um espaço vetorial
Rn a elementos de outro espaço Rm , relacionando esta operação a uma matriz, denominada
matriz de transformação.
T : Rn 7→ R
n
X
T (x) = cj x j
j=1
Exemplo 2.17 Determine a matriz da transformação do exemplo 2.4. Para tanto use as
bases canônicas do R2 e R3 .
Em primeiro lugar, devemos aplicar a tranformação T (x, y) = (−2x + y, −x + y, −x)
(determinada no exemplo 2.4) aos vetores da base de R2 , ou seja:
52
T (1, 0) = (−2, −1, −1) = a11 (1, 0, 0) + a21 (0, 1, 0) + a31 (0, 0, 1),
53
Sendo assim a matriz da transformação [T ]A
B é:
−4 5 13
[T ]A
B =
,
2 −2 −5
logo [T (v)]B = [T ]A
B .[v]A .
Como o vetor dado, [v]R3 = (3, −4, 2), está na base do R3 , precisamos mudar para a base
A, ou seja,
o que nos fornece a = 3, b = −7 e c = 6, ou ainda, [v]A = (3, −7, 6). Portanto aplicando a
transformação em v, temos:
3
−4 5 13 31
[T (3, −7, 6)]B = [T ]A
B .[v]A = −7 =
.
2 −2 −5 −10
13
Exemplo 2.19 (Reflexão no plano xy) Dado o espaço vetorial R3 sobre o corpo R.
Consideremos a transformação definida abaixo:
T : R3 7→ R3
(x, y, z) 7→ T (x, y, z) = (x, y, −z)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0, 0) = (1, 0, 0) x 1 0 0 x
⇒ y 7→ 0 0 . y
T (0, 1, 0) = (0, 1, 0) 1
T (0, 0, −1) = (0, 0, −1) z 0 0 −1 z
Exemplo 2.20 (Reflexão no plano xz) Dado o espaço vetorial R3 sobre o corpo R.
Consideremos a transformação definida abaixo:
54
T : R3 7→ R3
(x, y, z) 7→ T (x, y, z) = (x, −y, z)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0, 0) = (1, 0, 0) x 1 0 0 x
T (0, −1, 0) = (0, −1, 0) ⇒ y 7→ 0 −1 0 . y
T (0, 0, 1) = (0, 0, 1) z 0 0 1 z
Exemplo 2.21 (Reflexão no plano yz) Dado o espaço vetorial R3 sobre o corpo R.
Consideremos a transformação definida abaixo:
T : R3 7→ R3
(x, y, z) 7→ T (x, y, z) = (−x, y, z)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (−1, 0, 0) = (−1, 0, 0) x −1 0 0 x
⇒ y 7→ 0 1 0 . y
T (0, 1, 0) = (0, 1, 0)
T (0, 0, 1) = (0, 0, 1) z 0 0 1 z
Exemplo 2.22 (Projeção ortogonal sobre o plano xy) Dado o espaço vetorial R3 sobre
o corpo R. Consideremos a transformação definida abaixo:
T : R3 7→ R3
(x, y, z) 7→ T (x, y, z) = (x, y, 0)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0, 0) = (1, 0, 0) x 1 0 0 x
T (0, 1, 0) = (0, 1, 0) ⇒ y 7→ 0 1 0 . y
T (0, 0, 1) = (0, 0, 0) z 0 0 0 z
Exemplo 2.23 (Projeção ortogonal sobre o plano xz) Dado o espaço vetorial R3 sobre
o corpo R. Consideremos a transformação definida abaixo:
T : R3 7→ R3
(x, y, z) 7→ T (x, y, z) = (x, 0, z)
55
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0, 0) = (1, 0, 0) x 1 0 0 x
T (0, 1, 0) = (0, 0, 0) ⇒ y 7→ 0 0 0 . y
T (0, 0, 1) = (0, 0, 1) z 0 0 1 z
Exemplo 2.24 (Projeção ortogonal sobre o plano yz) Dado o espaço vetorial R3 sobre
o corpo R. Consideremos a transformação definida abaixo:
T : R3 7→ R3
(x, y, z) 7→ T (x, y, z) = (0, y, z)
Esta mesma transformação pode ser apresentada usando uma notação matricial, ou seja:
T (1, 0, 0) = (0, 0, 0) x 0 0 0 x
T (0, 1, 0) = (0, 1, 0) ⇒ y 7→ 0 1 0 . y
T (0, 0, 1) = (0, 0, 1) z 0 0 1 z
T : R3 7→ R3
(x, y, z) 7→ T (v) = Av
Observe como fica para cada eixo:
x 1 0 0 x
y 7→ 0 cos(θ) −sen(θ) . y
z 0 sen(θ) cos(θ) z
x cos(θ) 0 sen(θ) x
y 7→ 0 . y
0 1
z −sen(θ) 0 cos(θ) z
56
(iii) Rotação anti-horária em torno do eixo z (positivo) de um ângulo θ
x cos(θ) −sen(θ) 0 x
y 7→ cos(θ) 0 . y
sen(θ)
z 0 0 1 z
Ker(T ) = {v ∈ V | T (v) = 0}
T (u) + T (v) = T (u + v) = 0W ,
logo, u + v ∈ Ker(T ).
Tomando α ∈ K e u ∈ Ker(T ), temos:
T (αu) = αT (u) = 0W ,
logo αu ∈ Ker(T ).
Exemplo 2.26 Calcular o núcleo, ou seja, Ker(T ) para a transformação linear dada por
T : R2 → R
T (x, y) = x + y
57
na sequência represente graficamente Ker(T ).
αT (u) = T (αu),
T : R3 → R3
T (x, y, z) = (x, 2y, 0)
Determine:
T : R3 → R2
T (x, y, z) = (x − 3y + 5z, −x + 4y − z)
Determine:
58
a) O subespaço Im(T ) e dim(Im(T ))
(i) O Posto de T , que denotamos por posto(T ) como sendo a dimensão da imagem de T .
isto é, posto(T ) = dim(Im(T )).
(ii) A nulidade de T , que denotamos por null(T ) como sendo a dimensão do núcleo de
T , isto é, null(T ) = dim(Ker(T )).
59
Vamos mostrar que ker(T ) = {0V }.
Se u ∈ Ker(T ), isto é, T (u) = 0W . Como T (0V ) = 0W , temos que T (u) = T (0V ). Pelo
fato de T ser injetora, devemos ter que u = 0V , logo Ker(T ) = {0V }.
(⇐) Por hipótese, temos que Ker(T ) = {0V }. Vamos provar que T é injetora. Para
tanto, tomamos u, v ∈ V tal que T (u) = T (v), assim, temos:
T (u) − T (v) = T (u − v) = 0W .
a) T é injetora
c) dim(Im(T )) = n
d) Seja {v1 , v2 , · · · , vn } uma base para V . Então {T (v1 ), T (v2 ), · · · , T (vn )} é uma base
para Im(T ).
Demonstração:
Vamos mostrar que a) ⇒ b).
60
Tomando uma combinação linear nula:
n n
!
X X
0W = ai T (vi ) = T ai vi ,
i=1 i=1
a1 , a2 , · · · , = an = 0,
n n
! n
X X X
u= ai vi ⇒ w = T ai v i = ai T (vi ),
i=1 i=1 i=1
Como dim(Im(T )) = n, temos que {T (v1 ), T (v2 ), · · · , T (vn )} é uma base de Im(T ).
Para mostrar d) ⇒ a).
Tomando u ∈ V , temos
n
X n
X
u= ai vi ⇒ T (u) = ai T (vi ),
i=1 i=1
pois, {T (v1 ), T (v2 ), · · · , T (vn )} é linearmente independente, logo Ker(T ) = {0V }. Pelo teo-
rema 2.4 temos que T é injetora. O que conclui nossa demonstração.
61
Demonstração: Pelo teorema 2.5 temos que
Supondo que T seja injetora, pelo teorema 2.4, Ker(T ) = {0V } e, consequentemente,
dim(Ker(T )) = 0. Segue, de (1), que
dim(V ) = dim(W ),
T : R3 → R
T (x, y, z) = −x + y + 2z
T : R2 → R2
T (x, y, z) = (2x − y, x + y)
Verifique se T é injetora.
62
Exemplo 2.32 Considere a seguinte transformação linear T : R4 → R3 , definda por:
T (x, y, z, t) = (x − 2y + t, 2x + y − z, 5y − z − 2t)
T : R2 → R3
T (x, y) = (x − y, x, x + y)
Mostre que T não é bijetora.
T : R3 → R4
63
2.6 Espaços Vetoriais Isomorfos
Definição 2.11 Sejam V e W espaços vetoriais de dimensão finita sobre um corpo K. Uma
transformação linear T : V → W bijetora, isto é, injetora e sobrejetora ao mesmo tempo, é
denominada isomorfismo de V em W . Quando existe um isomorfismo de V em W , dizemos
que estes espaços são isomorfos, ou que V é isomorfo a W . Um isomorfismo T : V → V é
denominado um automorfismo de V .
Pelo resultado do Teorema 2.5, observamos que espaços isomorfos devem ter a mesma
dimensão. Desse modo, pelo Corolário 2.2, um isomorfismo leva base em base . Do ponto de
vista da Álgebra Linear, espaços isomorfos são considerados idênticos mesmo que os elementos
e as operações definidas nestes espaços sejam bem diferentes.
T : R3 → R3
x − 2y =0
z =0
x + y =0
que admite somente a solução trivial, ou seja, x = y = z = 0, logo Ker(T ) = {0R3 }, logo
T é injetora. Isto associado ao corolário 2.1, temos que T é sobrejetora, então T é bijetora,
sendo assim, T é um isomorfismo.
Construa um isomorfismo de V em R3 .
64
Solução: Podemos escrever A, um elemento de V , da seguinte forma:
1 1 0 1 0 0
A = a + b + c
0 0
0 0 0 1
1 1 0 1 0 0
logo, temos como base de V o conjunto: β = , , . Sendo
0 0 0 0 0 1
assim, dim(V ) = 3.
A aplicação T : V → R3 dada por T (A) = (a, a + b, c) é o isomorfismo procurado. Note
que T leva a base β na base {(1, 1, 0), (0, 1, 0), (0, 0, 1)}, uma base do R3 .
Exemplo 2.41 Em muitas situações identificamos o espaço vetorial Rn com o espaço ve-
torial de matrizes reais de ordem n × 1. Esta identificação é feita, muitas vezes, sem que
façamos alguma referência ao fato de que esses espaços vetoriais sejam isomorfos. Uma ilus-
tração muito simples dessa ideia, ocorre quando estamos trabalhando com o espaço solução
de um sistema linear homogêneo e considerando a representação matricial para sistemas li-
neares . Desse modo, existe um isomorfismo evidente entre o espaço vetorial Rn e o espaço
vetorial real Mn×1 (R), definido da seguinte forma:
x1
..
.
(x1 , · · · , xi , · · · , xn ) ∈ Rn → xi ∈ Mn×1 (R)
..
.
xn
Assim, sempre que conveniente, podemos fazer a identificação do espaço vetorial Rn com o
espaço vetorial real Mn×1 (R).
Teorema 2.7 Sejam V e W espaços vetoriais de dimensão finita sobre o corpo K. Então,
V e W são isomorfos se, e somente se, dim(V ) = dim(W ).
Teorema 2.8 Seja V um espaço vetorial sobre o corpo K, com dim(V ) = n. Então, V é
isomorfo ao espaço vetorial Kn .
65
2.7 Operações com Transformações
Definição 2.12 Sejam V e W espaços vetoriais sobre o corpo K. Denotamos por L(V, W )
o conjunto de todas as transformações lineares de V em W , isto é,
Definição 2.13 Dadas duas transformações P, T ∈ L(V, W ). A Soma destas duas trans-
formações, denotada por T + P : V → W é dada por:
(P ◦ T )(u) = P (T (u)) ∈ W ∀u ∈ U
66
(T1 + T2 )(x, y) = T1 (x, y) + T2 (x, y)
= (x + 2y, 2x − y, x) + (−x, y, x + y)
= (2y, 2x, 2x + y)
b)
(3T1 − 2T2 )(x, y) = (3T1 )(x, y) − (2T2 )(x, y)
(3T1 − 2T2 )(x, y) = 3T1 (x, y) − 2T2 (x, y)
= 3(x + 2y, 2x − y, x) − 2(−x, y, x + y)
= (5x + 6y, 6x − 5y, x − 2y)
c)
5 6 1 2 −1 0
[3T1 − 2T2 ] = 6 −5 = 3 2 −1 − 2 0
1
1 −2 1 0 1 1
67
Para P ◦ T , temos:
(P ◦ T )(x, y) = P (T (x, y)) = P (x − 3y) = 4x − 12y.
Exemplo 2.45 Sejam P e T operadores lineares sobre R2 definidos por T (x, y) = (2x, x − y)
e P (x, y) = (x + y, 4x). Determine, se possı́vel, as seguintes aplicações:
a) P + T ;
b) T ◦ P ;
c) P ◦ T .
Solução: Note que estas operações estão definidas.
a) (P + T )(x, y) = P (x, y) + T (x, y) = (3x + y, 5x − y);
b) (P ◦ T )(x, y) = P (T (x, y)) = P (2x, x − y) = (3x − y, 8x);
c) (T ◦ P )(x, y) = T (P (x, y)) = T (x + y, 4x) = (2x + 2y, −3x + y).
Definição 2.16 Seja V um espaço vetorial sobre o corpo K. Um operador linear sobre V
é uma transformação linear de V em V .
Definição 2.17 Seja V um espaço vetorial sobre o corpo K. Denotamos por L(V ) ao con-
junto de todos os operadores lineares sobre V , isto é,
Definição 2.18 No espaço vetorial L(V ) podemos definir a operação de potenciação, para
expoentes naturais, de um operador T ∈ L(V ) da seguinte forma:
T0 = I T1 = T T2 = T ◦ T T n = T ◦T n−1 para n ∈ N
Definição 2.19 Sejam V um espaço vetorial sobre um corpo K e T um operador linear sobre
V . Dizemos que T é um Operador Idempotente se T 2 = T , isto é,
Definição 2.20 Sejam V um espaço vetorial sobre um corpo K e T um operador linear sobre
V . Dizemos que T é um Operador Auto-Reflexivo se T 2 = I, isto é,
68
Definição 2.21 Sejam V um espaço vetorial sobre um corpo K e T um operador linear sobre
V . Dizemos que T é um Operador Nilpotente se T n = 0 para um certo n ∈ N, isto é,
Exemplo 2.46 Considere o espaço vetorial real R3 . O operador de projeção sobre o plano
xy:
T : R3 → R3
T (x, y, z) = (x, y, 0)
é um operador idempotente.
Exemplo 2.47 Considere o espaço vetorial real R2 . O operador de reflexão sobre o eixo x:
T : R2 → R2
é um operador auto-reflexivo.
Exemplo 2.48 Considere o espaço vetorial real P3 (R). O operador de derivação sobre P3 (R)
é um operador nilpontente, ou seja, este operador é definido por D(p(x)) = p0 (x), sendo
p(x) ∈ P3 (R).
69
Figura 2.2: Composta de T1 com T2 .
70
Exemplo 2.50 Verifique se o operador linear T : R3 → R3 definido por:
T (1, 1, 1) = (1, 0, 0), T (−2, 1, 0) = (0, −1, 0) e T (−1, −3, −2) = (0, 1, −1)
T −1 (1, 0, 0) = (1, 1, 1), T −1 (0, −1, 0) = (−2, 1, 0) e T −1 (0, 1, −1) = (−1, −3, −2)
T (x, y) = (x + y, x − y)
71
x + y = 0
x − y = 0
que admite somente a solução trivial, ou seja, x = y = 0, logo Ker(T ) = {0R2 }. T é injetor
(teorema 2.4), logo, pelo corolário 2.1, T é sobrejetor. Indicando que T é um isomorfismo.
Para o elemento (x, y) ∈ R2 supomos que T −1 (x, y) = (a, b), logo (x, y) = T (a, b), logo:
(x, y) = (a + b, a − b)
x+y x−y
fornecendo a solução a = eb= .
2 2
−1 x+y x−y
Logo, T (x, y) = , .
2 2
Exemplo 2.52 Considere T : R2 → P1 (R), definido por:
72
T −1 (2 + x) = (1, −1) eT −1 (x − 1) = (0, 1)
a+b 2b − a
fornecendo a solução c = ed= . Sendo assim, podemos escrever (a, b):
3 3
a+b 2b − a
(a + bx) = (2 + x) + (x − 1),
3 3
aplicando T −1 :
a + b 2b − a
T −1 (a + bx) = T −1 (2 + x) + T −1 (x − 1)
3 3
a+b 2b − a
= (1, −1) + T −1 (0, 1)
3 3
a+b a+b 2b − a
= ,− + 0,
3 3 3
a + b b − 2a
= ,
3 3
−1 a + b b − 2a
Logo, T (a + bx) = , .
3 3
−1
[T −1 ]βα = [T ]αβ
73
Exemplo 2.53 Seja T : V → W uma transformação linear dada por:
3 4
[T ]αα = .
2 3
Verifique se T é invertı́vel e, se for, determine T −1 .
Solução: Note que det[T ]αα = 1, logo, pelo corolário 2.4, T é invertı́vel.
Pelo corolário 2.3, temos que:
−1
3 4 3 −4
[T −1 ]αα = ([T ]αα )−1 = = .
2 3 −2 3
x 3 −4 x 3x − 4y
Então [T −1 (x, y)]α = [T −1 ]αα = = , ou seja
y −2 3 y −2x + 3y
−1
T = (3x − 4y, −2x + 3y).
Exemplo 2.54 Seja o operador linear em R2 definido por T (x, y) = (4x − 3y, −2x + 2y)
a) Mostrar que T é invertı́vel;
b) Determinar T −1 .
Solução:
a) Podemos escrever a matriz canônica da transformação T :
4 −3
[T ] = .
−2 2
Note que det[T ] = 2, logo, pelo corolário 2.4, T é invertı́vel.
b) Pelo corolário 2.3, temos que:
−1 3
4 −3 1
[T −1 ] = [T ]−1 = = 2 .
−2 2 1 2
3 3y
x 1 x x+
Então [T −1 (x, y)] = [T ]−1 = 2 = 2 , ou seja
y 1 2 y x + 2y
3y
T −1 (x, y) = x + , x + 2y .
2
74
Capı́tulo 3
Produto Interno
h·, ·i : V × V → R
Definição 3.2 Um espaço vetorial com produto interno, que denotamos por (V, h·, ·i) é um
espaço vetorial V sobre o corpo K com produto interno h·, ·i. Todo espaço munido de produto
interno é denominado Espaço Euclidiano.
75
Exemplo 3.1 Seja B = {e1 , · · · , en } a base canônica do espaço vetorial Rn . Todo elemento
v = (x1 , · · · , xn ) ∈ Rn é escrito de modo único da seguinte forma:
n
X
v= xi e i
i=1
Desse modo o produto interno usual do Rn que vamos denotar por h·, ·i, denominado produto
interno Euclidiano, pode ser escrito como:
n
X
hx, yi = xi yi = Y T X = Y T In X para todo x, y ∈ Rn
i=1
Exemplo 3.2 No espaço vetorial real Mn×n (R) o produto interno usual é definido da seguinte
forma:
n X
X n
T
hA, Bi = tr(B A) = aij bij ∀ A, B ∈ Mn×n (R)
i=1 j=1
Exemplo 3.3 Seja V o espaço vetorial das matrizes quadradas de ordem 2 com entradas
reais e o produto
interno
usual
definido
sobre este espaço, calcular o produto interno entre
1 −1 2 1
as matrizes: e .
0 1 −1 1
Exemplo 3.4 Considere o espaço vetorial real C 1 ([a, b]). O produto interno usual é definido
da seguinte forma: Z b
hf, gi = f (x)g(x)dx ∀f, g ∈ C 1 ([a, b])
a
76
onde [u]β , [v]β ∈ Mn×1 (R) são matrizes de coordenadas dos elementos u e v em relação a
base ordenada β, respectivamente. A matriz A = [aij ] ∈ Mn×n (R) tem seus elementos dados
por:
aij = hvi , vj i ∀i, j = 1, · · · , n
Exemplo 3.5 Os vetores u1 = (1, 1, 0), u2 = (1, 2, 3) e u3 = (1, 3, 5) formam uma base S
do espaço euclidiano R3 . Encontre a matriz A que representa o produto interno de R3 em
relação à base S.
Solução: Conforme definição 3.3, devemos calcular hui , uj i.
hu1 , u1 i = 1 + 1 + 0 = 2 hu1 , u2 i = 1 + 2 + 0 = 3 hu1 , u3 i = 1 + 3 + 0 = 4
hu2 , u1 i = hu1 , u2 i = 3 hu2 , u2 i = 1 + 4 + 9 = 14 hu2 , u3 i = 1 + 6 + 15 = 22
hu3 , u1 i = hu1 , u3 i = 4 hu3 , u2 i = hu2 , u3 i = 22 hu3 , u3 i = 1 + 9 + 25 = 35
2 3 4
Então A = 3 14 22 .
4 22 35
Exemplo 3.6 Considere o espaço vetorial real P2 (R) com o produto interno
Z1
hp, qi = p(x) · q(x)dx ∀p, q ∈ P2 (R)
0
Determinar a matriz A ∈ M3×3 (R) do produto interno relativa a base canônica do P2 (R).
Solução: Conforme definição 3.3, devemos calcular hui , uj i para os elementos da base
canônica ordenada de P2 (R), ou seja, {1, x, x2 }. Sejam u1 = 1, u2 = x e u3 = x2 . Então:
1 1
x2 1 x3 1
hu1 , u1 i = x|10 = 1 hu1 , u2 i = = hu1 , u3 i = =
2 0 2 3 0 3
1 1 1
x2 1 x3 1 x4 1
hu2 , u1 i = hu1 , u2 i = = hu2 , u2 i = = hu2 , u3 i = =
2 0 2 3 0 3 4 0 4
1 1 1
x3 1 x4 1 x5 1
hu3 , u1 i = hu1 , u3 i = = hu3 , u2 i = hu2 , u3 i = = hu3 , u3 i = =
3 0 3 4 0 4 5 0 5
77
1 1
1 2 3
Então A =
1 1 1
2 3 4
1 1 1
3 4 5
Exemplo 3.7 Considerando o espaço vetorial real R2 munido com o produto interno usual
h·, ·i e com a base ordenada β = {(1, −1), (1, 1)}, calcular a matriz do produto interno rela-
tivamente à base ordenada β.
Solução: Conforme definição 3.3, devemos calcular hui , uj i.
hu1 , u1 i = 1 + 1 = 2 hu1 , u2 i = 1 − 1 = 0
hu2 , u1 i = hu1 , u2 i = 0 hu2 , u2 i = 1 + 1 = 2
2 0
Então A = .
0 2
além disso a igualdade é válida se, e somente se, os elementos u, v são linearmente depen-
dentes.
Exemplo 3.8 Considere o espaço vetorial real C 1 ([−1, 1]) com o produto interno usual de-
finido por Z b
hf, gi = f (x)g(x)dx ∀f, g ∈ C 1 ([−1, 1])
a
78
(b) Homogeneidade: ||λv|| = |λ| · ||v|| para todo v ∈ V , λ ∈ K.
(c) Desigualdade Triangular: ||u + v|| ≤ ||u|| + ||v|| para todo par u, v ∈ V
Verifica-se facilmente que as aplicações || · ||∞ , || · ||1 e || · ||2 satisfazem a Definição 3.4.
Para o vetor v = (−3, 4), temos:
||v||1 = | − 3| + |4| = 7
p
||v||2 = (−3)2 + 42 = 5
||v||∞ = máx{| − 3|, |4|} = 4
79
Teorema 3.2 Seja V um espaço vetorial sobre o corpo K munido do produto interno h·, ·i.
A aplicação q(·) : V → R definida por
p
q(u) = hu, ui,
Exemplo 3.12 Considere o espaço vetorial real C 1 ([0, 1]) com o produto interno usual defi-
nido por Z 1
hf, gi = f (x)g(x)dx ∀f, g ∈ C 1 ([0, 1])
0
Sabendo que ||f ||2 define uma norma em C 1 ([0, 1]). Dada a função f (x) = cos(π · x), calcular
||f ||2 .
Exemplo 3.13 Considere o espaço vetorial real P2 (R), de classe C 1 ([0, 1]), munido do pro-
duto interno usual. Determine o ângulo entre os os polinômios p(x) = x e q(x) = x2 .
Exemplo 3.14 Seja M2×2 (R) o espaço das matrizes quadradas de ordem 2 com entradas
reais e o produto interno dado pela expressão:
* +
a b e f
, = ae + 2bf + 3cg + dh
c d g h
80
3.5 Bases Ortogonais - Processo de Gram-Schmidt
Definição 3.6 (Ortogonalidade) Seja V um espaço vetorial com produto interno h·, ·i. Diz-
se que dois vetores u, v ∈ V são ortogonais em relação a este produto interno se hu, vi = 0.
Para o caso em que u e v são ortogonais escrevemos: u⊥v.
Teorema 3.3 Num espaço vetorial V munido do produto interno h·, ·i, temos as seguintes
propriedades:
a) 0V ⊥ v para todo v ∈ V .
b) u ⊥ v implica em v ⊥ u.
d) Se v ⊥ w e u ⊥ w então (v + u) ⊥ w.
e) Se v ⊥ u e λ é um escalar, então λv ⊥ u.
Teorema 3.4 Seja {v1 , · · · , vn } um conjunto de vetores não nulos e ortogonais dois a dois
num espaço vetorial V munido do produto interno h·, ·i, isto é, hvi , vj i = 0 ∀i 6= j então
{v1 , · · · , vn } é LI.
Definição 3.7 Diz-se que uma base {v1 , · · · , vn } para um espaço vetorial V munido de pro-
duto interno h·, ·i é uma base ortogonal se hvi , vj i = 0 sempre que i 6= j, isto é, os vetores da
base são ortogonais dois a dois.
81
Teorema 3.5 (Teorema de Pitágoras) Sejam V um espaço vetorial real munido do pro-
duto interno h·, ·i e || · ||2 a norma proveniente deste produto interno. Então, os elementos
u, v ∈ V são ortogonais somente quando é valida a igualdade:
Teorema 3.6 (Lei dos Cossenos) Sejam V um espaço vetorial real munido do produto
interno h·, ·i e || · ||2 a norma proveniente deste produto interno e os elementos u, v ∈ V não
nulos. Se θ é o ângulo entre u e v, então:
Teorema 3.7 Sendo dada uma base β = {v1 , v2 , · · · , vn } para o espaço vetorial V , é possı́vel
0 0 0 0 0 0
obter uma base β = v1 , v2 , · · · , vn de forma que vi , vj = 0 para todo i 6= j, ou seja, de
0
forma que a base β seja ortogonal. O processo de construção desta base ortogonal recebe o
nome de Processo de Ortogonalização de Gram-Schmidt e é obtido seguindo os passos abaixo:
0
1) Faça v1 = v1
0
0 v2 , v 0
2) Faça v2 = v2 − 0 10 · v1
v1 , v1
0 0
0 v3 , v 0 v3 , v 0
3) Faça v3 = v3 − 0 20 · v2 − 0 10 · v1
v2 , v2 v1 , v1
.. ..
. .
0 0 0
0 vn , vn−1 0 vn , v 0 vn , v 0
n) Faça vn = vn − 0 0 · vn−1 − · · · − 0 02 · v2 − 0 01 · v1
vn−1 , vn−1 v2 , v2 v1 , v1
Sendo dada uma base β = {v1 , v2 , · · · , vn } para o espaço vetorial V , é possı́vel obter uma
base ortonormal para V, ou seja, uma base ortogonal e normal ao mesmo tempo.
0 0 0 0
Para isto basta tomar a base β = v1 , v2 , · · · , vn obtida pelo Processo de Ortogonalização
0 0
de Gram-Schmidt e normalizar cada vetor vi ∈ β .
Exemplo 3.15 Seja β = {(1, 1, 1), (0, 2, 1), (0, 0, 1)} uma base para R3 . Utilizando o Pro-
0
cesso de Gram-Schmidt, à partir de β, determine uma base β que seja ortogonal, na sequência
0
transforme β numa base ortonormal para R3 .
82
Exemplo 3.16 Considere o espaço vetorial P3 (R) munido do produto interno
Z 1
hp, qi = p(x)q(x)dx.
−1
Teorema 3.8 Todo espaço espaço vetorial de dimensão finita munido de um produto interno
possui uma base ortonormal.
Teorema 3.9 O conjunto S ⊥ é um subespaço de V , mesmo que S não o seja. Além disso,
tem-se que S ∩ S ⊥ = {0V } para o caso em que S é um subespaço de V.
Teorema 3.10 Sejam V um espaço vetorial de dimensão finita munido de produto interno
h·, ·i, U e W subespaços vetoriais de V . Então:
(U + W )⊥ = U ⊥ ∩ W ⊥
Teorema 3.11 Sejam V um espaço vetorial munido do produto interno h·, ·i, W um su-
bespaço de V e β = {w1 , w2 , · · · , wn } uma base para W . Então, v ∈ W ⊥ se, e somente se,
hwi , vi = 0 para todo i = 1, 2, · · · , n.
Exemplo 3.17 Considere o espaço vetorial real R4 munido do produto interno usual. Seja
W o subespaço de R4 dado por: W = [(1, 0, 1, 1), (1, 1, 0, 1)]. Determine uma base para o
espaço W ⊥ .
83
Exemplo 3.18 Considere o espaço vetorial
Teorema 3.12 Uma matriz A ∈ Mn×n é ortogonal se, e somente se, tanto suas colunas
quanto suas linhas formam conjuntos ortogonais de vetores do espaço Rn .
Teorema 3.13 Se V é um espaço vetorial com produto interno e α e β são bases ortonormais
de V , então a matriz de mudança de base [P ]αβ é uma matriz ortogonal.
84
Vale ressaltar que para o caso de um operador ser auto-adjunto ou ortogonal para uma
dada base α o torna bem definido como auto-adjunto ou ortogonal, o que quer dizer que para
qualquer outra base ortonormal, o operador T será ortogonal ou auto-adjunto, conforme o
caso.
Exemplo 3.19 Considere o espaço vetorial real R3 com o produto interno usual e o operador
linear T sobre o R3 definido por T (x, y, z) = (x + 2y, 2x + 3y − z, −y + 2z). Mostre que T é
um operador auto-adjunto.
Teorema 3.15 Seja V um espaço vetorial real com o produto interno h·, ·i e α = {v1 , v2 , · · · , vn }
uma base ortonormal para V e T um operador linear sobre V . A matriz [T ]αα do operador
linear T com relação a base ortonormal α é dada por aij = hT (vj ), vi i
85
Capı́tulo 4
Autovalores e Autovetores
86
4.2 Alguns Exemplos
Exemplo 4.1 Para a transformação T : R2 → R2 dada por
2 0 x
T (x, y) = ·
0 2 y
◦
Exemplo 4.2 Uma transformação que representa uma rotação de 90 em torno da origem
é dada por
0 −1 x
T (x, y) = ·
1 0 y
Notemos que nenhum vetor diferente do vetor nulo é levado em um múltiplo de si mesmo, já
que se trata de uma rotação. Assim, T não deve possuir autovalores nem autovetores
87
(ii) Se y = 0 e x 6= 0 (pois v 6= 0V - definição 4.1), obetemos que 2x = λx, ou seja, λ = 2,
outro autovalor. Qualquer autovetor não, nulo do tipo (x, 0) (sobre o eixo X) é levado
em vetores de mesma direção, ou seja T (x, 0) = (2x, 0) ou T (x, 0) = 2 (x, 0).
Vλ = {v ∈ V | T (v) = λv}
Teorema 4.2 Seja A uma matriz associada ao operador linear T . Os autovetores e autova-
lores satisfazem a equação
(A − λI)v = 0V
Corolário 4.1 Seja A uma matriz de ordem n associada ao operador linear T , o escalar λ
é um autovalor de A se, e somente se,
det(A − λIn ) = 0
88
2 1 1
Como A = 2 , então
3 4
−1 −1 −2
2−λ 1 1
p(λ) = det(A − λI) = 2 3−λ 4 =0
−1 −1 −2 − λ
λ3 − 3λ2 + λ − 3 = 0 (1)
89
o que é equivalente ao sistema homogêneo
3x + y + z = 0
2x + 4y + 4z = 0 que adimite soluções próprias da forma z = −y e x = 0
−x − y − z = 0
Então temos o autovetor v2 = (0, y, −y) = y(0, 1, −1) associado ao autovalor λ = −1.
Para λ3 = 3 temos:
2−3 1 1 −1 1 1
(A − λI) = 3−3 = 2
2 4 0 4
−1 −1 −2 − 3 −1 −1 −5
Podemos obter o autovetor:
−1 1 1 x 0
· y = 0
2 0 4
−1 −1 −5 z 0
Definição 4.3 Seja V um espaço vetorial de dimensão finita sobre um corpo K e T um ope-
rador linear sobre V . Definimos o polinômio caracterı́stico de T como sendo o polinômio
caracterı́stico da matriz [T ]ββ em relação a qualquer base ordenada β de V (veja o polinômio
1 do exemplo 4.4).
90
Teorema 4.3 Sejam V um espaço vetorial de dimensão finita sobre o corpo R, sendo dim(V ) =
n e T um operador linear sobre V . Então os autovalores do operador T são os mesmos esca-
lares λ ∈ R que são raı́zes do polinômio caracterı́stico da matriz [T ]ββ em relação a qualquer
base ordenada β de V .
Definição 4.4 Sejam A, D ∈ Mn×n (R). Dizemos que a matriz D é similar ou semelhante
a matriz A, se existe uma matriz invertı́vel P ∈ Mn×n (R) de maneira que
A = P · D · P −1 ou D = P −1 · A · P.
O Teorema 4.4 nos permite usar qualquer base β para construir a matriz que representa o
operador linear T e, à partir desta matriz, determinar o polinômio caracterı́stico que auxilia
na obtenção dos autovalores de T . Para isso vamos usar o seguinte resultado.
Teorema 4.5 Sejam V um espaço vetorial de dimensão finita sobre o corpo K, T um ope-
rador linear sobre V , β e α bases ordenadas de V . Então,
Corolário 4.2 Sejam V um espaço vetorial de dimensão finita sobre o corpo K, T um ope-
rador linear sobre V , β e α bases ordenadas de V . Então,
det [T ]ββ = det ([T ]αα )
Teorema 4.6 Seja V um espaço vetorial de dimensão finita sobre o corpo K e T um operador
linear sobre V . Então, T é invertı́vel se, e somente se, det(T ) 6= 0
são semelhantes.
Solução: Devemos encontrar uma matriz P invetı́vel, tal que D = P −1 · A · P , ou seja,
multiplicando à esquerda por P , temos P · D = P · P −1 · A · P , o que resulta em:
P ·D =A·P
91
x y
tomando P = , assim
z t
x y 1 2 5 2 x y
· = ·
z t 0 1 −8 −3 z t
o que é equivalente ao sistema homogêneo
−4x
− 2z = 0
2x − 4y
− 2t = 0
8x 4z = 0
8y + 2z + 4t = 0
Este sistema admite, além da solução trivial, soluções próprias, da forma z = −2x e
t = x − 2y.
Podemos solução (1, 1, −2, −1), logo:
obter uma
1 1
P = , que satisfaz D = P −1 · A · P .
−2 −1
Exemplo 4.6 Dado o espaço vetorial P2 (R) e o operador linear T sobre P2 (R) definido por:
T (p(x)) = p(x) + x · p0 (x). Considerando a base canônica para o P2 (R), verifique se T é
invertı́vel.
Solução: Seja p(x) = a+bx+cx2 ∈ P2 (R) e considerando a base canônica β = {1, x, x2 }
de P2 (R), temos:
T (p(x)) = p(x) + x · p0 (x)
,
= a + 2bx + 3cx2
de β temos p1 (x) = 1, p2 (x) = x e p3 (x) = x2 (x). Aplicando T :
92
Capı́tulo 5
Diagonalização de Operadores
Em capı́tulos anteriores discutimos o fato de que uma transformação linear pode ser repre-
sentada por um produto matricial, ou seja, para qualquer T é sempre possı́vel obter uma
matriz A, tal que T (v) = A · v, ∀v ∈ V . A matriz A não é única e está vinculada às
bases que escolhemos pare representar v e T (v). Neste capı́tulo, discutiremos as condições
necessárias para que, dado um operador linear T : V → V e escolhidas bases apropriadas
para V e Im(T ), a matriz A que representa T seja diagonal, o que facilita na manipulação
dos vetores do espaço e suas respetivas imagens.
Salientamos que a forma mais simples de representar o operador T por uma matriz é
escolher bases de forma que a matriz seja diagonal. A solução para este problema de diago-
nalização de operadores lineares também nos remete naturalmente ao conceito de autovalores
e autovetores apresentados anteriormente.
93
Corolário 5.1 Seja T : V → V um operador linear. Se dim(V ) = n e T possui n autovalores
distintos, então V possui uma base formada por autovetores de T .
Teorema 5.1 Um operador linear T : V → V admite uma base β em relacão a qual a matriz
[T ]ββ é diagonal se,e somente se, essa base β for formada por autovetores de T .
Corolário 5.2 Sejam V um espaço vetorial de dimensão finita sobre o corpo K, digamos
que dim(V ) = n e T um operador linear sobre V que possui n autovalores distintos. Então,
T é um operador diagonalizável.
Em resumo:
i) Se T tem uma representação por uma matriz diagonal [T ]ββ , então as entradas da diagonal
principal de [T ]ββ são dadas pelos autovalores de T ;
Teorema 5.2 Uma matriz A ∈ Mn (R) é diagonalizável se, e somente se, existe uma matriz
P , invertı́vel de ordem n, tal que D = P −1 AP é uma matriz diagonal.
Demostração: Tomemos β : {v1 , v2 , · · · , vn }, base formada de autovetores onde vj é o
vetor da j-ésima coluna de P . Seja α a base canônica de Rn . Pelo teorema 4.5, temos
ou seja,
[T ]ββ = P −1 · A · P
Exemplo 5.1 Considere o espaço vetorial real R2 . Dado o operador linear T sobre R2
definido por T (x, y) = (4x − y, 2x + y). Responda:
94
b) Mostre que o conjunto formado pela união das bases do item a) forma uma base para o
espaço vetorial R2 .
Solução:
4−λ −1
p(λ) = det(A − λI) = =0
2 1−λ
(4 − λ)(1 − λ) − 2 · (−1) = 0
λ2 − 5λ + 6 = 0 (1)
Para λ1 = 2 temos:
2 −1 x 0
· =
2 −1 y 0
95
Para λ2 = 3 temos:
1 −1 x 0
· =
2 −2 y 0
o que é equivalente ao sistema homogêneo
x − y = 0
que adimite soluções próprias da forma x = y
2x − 2y = 0
Associado a λ1 = 2, temos a base {(1, 2)} e associado a λ2 = 3, temos a base {(1, 1)}.
b) Veja que o conjunto formado pela união das duas bases acima, ou seja, β = {(1, 2), (1, 1)},
gera o R2 e, também, é linearmente independente (verifique!;-), sendo assim, é uma base
do R2 (de autovetores associados a autovalores distintos).
c) Como o conjunto β = {(1, 2), (1, 1)} é uma base do R2 , podemos obter a matriz de T
nesta base, de modo que seja diagonal, dada pelos autovalores determinados
em a), ou
2 0 1 1
seja, [T ]ββ = D = . A matriz P , dada pelos autovetores será P = , cuja
0 3 2 1
−1 1
inversa é P −1 = , logo, pelo teorema 5.2, temos:
2 −1
1 1 2 0 −1 1 4 −1
A = P DP −1 = · · = ,
2 1 0 3 2 −1 2 1
ou, ainda,
−1 1 4 −1 1 1 2 0
D = P −1 AP = · · = .
2 −1 2 1 2 1 0 3
Exemplo 5.2 Considere o espaço vetorial real R3 . Dado o operador linear T sobre R3 defi-
nido por T (x, y, z) = (3x−4z, 3y +5z, −z). Mostre que T é um operador linear diagonalizável
e determine uma base ordenada β para R3 , tal que [T ]ββ seja uma matriz diagonal.
96
Solução: Seja a matriz canônica de T , A = [T ], dada por:
3 0 −4
A= 0 3 5 , então, pelo corolário 4.1, temos:
0 0 −1
Como
3−λ 0 −4
p(λ) = det(A − λI) = 0 3−λ 5 =0
0 0 −1 − λ
97
A matriz
P , dadapelos autovetores será:
4 1 0 0 0 41
P = −5 0 1 , cuja inversa é P −1 = 1 0 −1
5
4 0 0 0 1 4
Portanto, a matriz A = [T ] é diagonalizável, pois
1
4 1 0 −1 0 0 0 0 4
A = −5 0 1 · 0 3 0 · 1 0 −1 .
5
4 0 0 0 0 3 0 1 4
Nos levando a concluir que T é diagonalizável.
Sendo assim, podemos obter uma base β para o R3 dada pelos autovetores de T , dada
por β = {(4, −5, 4), (1, 0, 0), (0, 1, 0)}, de modo que [T ]ββ seja uma matriz diagonal dada pelos
autovalores de T .
Determine uma base ordenada β para P2 (R) tal que [T ]ββ seja uma matriz diagonal.
Solução: para p(x) = a + bx + cx2 ∈ P2 (R), temos que:
0 1 2
A= 0 1 2 , então, pelo corolário 4.1, temos:
0 0 2
Como
−λ 1 2
p(λ) = det(A − λI) = 0 1−λ 2 =0
0 0 2−λ
98
−λ(1 − λ)(2 − λ) = 0
2x − y − 2z = 0
que adimite soluções próprias da forma x = 2z e y = 2z
y − 2z = 0
Então temos o autovetor da forma v = (2z, 2z, z) = z(2, 2, 1) associado aos autovalor
λ3 = 2. Assim, obtemos o vetor v3 = (2, 2, 1).
A matriz P , dada pelos autovetores será:
99
1 1 2 1 −1 2
−1
P = 0 1 2 , cuja inversa é P = 0 1 −2
0 0 1 0 0 1
Portanto, a matriz A = [T ] é diagonalizável, pois
1 1 2 0 0 0 1 −1 2
A= 0 1 2 · 0 1 0 · 0 1 −2 .
0 0 1 0 0 2 0 0 1
Nos levando a concluir que T é diagonalizável.
Sendo assim, podemos obter uma base β para o P2 (R) dada pelos autovetores de T , dada
por β = {p1 (x), p2 (x), p3 (x)} obtidos de v1 , v2 e v3 , ou seja, p1 (x) = 1, p2 (x) = 1 + x e
p3 (x) = 2 + 2x + x2 .
Teorema 5.3 Se A ∈ Mn (R) é simétrica, então existe uma matriz ortogonal Q ∈ Mn (R),
tal que D = QT AQ é diagonal (QQT = QT Q = I, ou seja, QT = Q−1 ).
100
√2 √1 1 0 √2 √1 2 −2
5 5 5 5
Note que QDQT = · · = =A
√1 − 25
√ 0 6 √1 − 25
√ −2 5
5 5
4 2 2
Exemplo 5.5 Para a matriz A = 2 4 2 determine uma matriz Q que diagonaliza A
2 2 4
ortonornalmente.
Solução: Para A, temos os autovalores λ1 = 8 e λ2 = λ3 = 2 e os autovetores
v1 = (1, 1, 1), v2 = (−1, 1, 0) e v3 = (−1, 0, 1), associados aos autovalores λ1 , λ2 e λ3 ,
respectivamente.
Note que v1 ⊥ v2 , pois < v1 , v2 >= 0, mas v2 e v3 não são ortogonais, pois são associados à
um mesmo autovalor, portanto, devemos usar o processo de Gram-Schmidt de ortogonalização
para v3 :
hv3 , v 0 i hv3 , v 0 i
1 1 1
v30 = v3 − 0 20 · v20 − 0 10 · v10 = (−1, 0, 1) − (−1, 1, 0) − 0 = − ,− ,1
hv2 , v2 i hv1 , v1 i 2 2 2
Note que
√1 − √12 − √16 8 0 0 √1 √1 √1 4 2 2
3 3 3 3
T
QDQ = √1 − √12 − √16 · 0 2 0 · − 12 − 12 0 = 2 4 2 =A
√ √
3
1 √2
√
3
0 6
0 0 2 − √16 − √16 √2
6
2 2 4
101
uma estratégia mais acertiva pode reduzir o número de produtos requeridos, por exemplo,
abaixo estão representadas as duas estratégias com k − 1 produtos no primeiro caso e log2 k
produtos para o segundo caso:
Teorema 5.5 Sejam A, B ∈ Mn×n (R) matrizes semelhantes, existe uma matriz P invertı́vel
tal que é válida a relação A = P · B · P −1 com B uma matriz diagonal. Desta forma,
Ak = P · B k · P −1 .
Exemplo
5.6 Determine
A5 para a matriz
3 0 −4
A= 0 3 5
0 0 −1
102