Você está na página 1de 137

LGEBRA L INEAR

SOMESB
Sociedade Mantenedora de Educao Superior da Bahia S/C Ltda.
Presidente Vice-Presidente Superintendente Administrativo e Financeiro Superintendente de Ensino, Pesquisa e Extenso Superintendente de Desenvolvimento e Planejamento Acadmico Gervsio Meneses de Oliveira William Oliveira Samuel Soares Germano Tabacof Pedro Daltro Gusmo da Silva

FTC-E A D
Faculdade de Tecnologia e Cincias Ensino a Distncia
Diretor Geral Diretor Acadmico Diretor de Tecnologia Diretor Administrativo e Financeiro Gerente Acadmico Gerente de Ensino Gerente de Suporte Tecnolgico Coord. de Softwares e Sistemas Coord. de Telecomunicaes e Hardware Coord. de Produo de Material Didtico Waldeck Ornelas Roberto Frederico Merhy Andr Portnoi Reinaldo de Oliveira Borba Ronaldo Costa Jane Freire Jean Carlo Nerone Romulo Augusto Merhy Osmane Chaves Joo Jacomel

E QUIPE

DE

E LABORAO / P RODUO

DE

MATERIAL D IDTICO

Produo Acadmica Autor Gerente de Ensino Superviso Coordenador de Curso Reviso Final Tailson Jeferson Paim dos Santos Jane Freire Ana Paula Amorim Geciara da Silva Carvalho Adriano Pedreira Cattai Paulo Henrique Ribeiro do Nascimento. Produo Tcnica Edio em LATEX 2 Reviso de Texto Coordenao Equipe Tcnica Adriano Pedreira Cattai Paulo Henrique Ribeiro do Nascimento. Carlos Magno Joo Jacomel Cefas Gomes, Delmara Brito, Fbio Gonalves, Francisco Frana Jnior, Israel Dantas, Lucas do Vale, Hermnio Filho, Alexandre Ribeiro e Diego Maia.
Copyright c FTC-E A D Todos os direitos reservados e protegidos pela lei 9.610 de 19/02/98. proibida a reproduo total ou parcial, por quaisquer meios, sem autorizao prvia, por escrito, da FTC-E A D Faculdade de Tecnologia e Cincias - Ensino distncia. www.ftc.br/ead

Sumrio
Matrizes e Espaos Vetoriais
Matrizes, Determinantes e Sistemas Lineares
Matrizes 1.1 1.2 Representao de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Tipos de Matrizes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.1 1.2.2 1.2.3 Matriz Coluna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz Linha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz Quadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5
5
5 5 6 6 7 7 7 7 7 8 8 8 9 9 9

Diagonal Principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagonal Secundria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.4 1.2.5 1.2.6 1.2.7 1.2.8 1.2.9 Matriz Diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz Nula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz Identidade ou Unidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz Transposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz Simtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matriz Anti-Simtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.10 Matriz Triangular Superior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 1.4

1.2.11 Matriz Triangular Inferior. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Igualdade de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Operaes com Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.4.1 1.4.2 1.4.3 1.5 Adio de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Produto de uma Matriz por um Nmero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 Produto de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Propriedades do Produto de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Operaes Elementares sobre Linhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.5.1 1.5.2 1.5.3 1.6 1.6.1 1.6.2 1.7 1.8 1.9 1.10 1.11 1.12 1.13 1.14 Matriz Linha Reduzida Escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 Matrizes Inversveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 Matrizes Elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 Histrico sobre a lgebra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 Breve Histrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Permutaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 1.8.1 Menor Complementar e Complemento Algbrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Propriedades dos Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 Matriz Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 Processo de Clculo da Inversa de uma Matriz Quadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 Equao Linear. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3 Dispositivos Prticos para Determinantes de Ordem n 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

1.10.1 As Operaes Elementares Sobre Linhas e o Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . 31

1.14.1 Soluo de uma Equao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

LGEBRA LINEAR 1.15 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 Sistema Homogneo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 1.15.1 Representao na Forma Matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 1.15.2 Matriz Ampliada do Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 1.16 Conjunto Soluo de um Sistema Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 1.16.1 Soluo de um Sistema Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 1.16.2 Sistemas Equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 1.16.3 Sistemas Escalonados (Mtodo de Gauss-Jordan). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 1.16.4 Classicao dos Sistemas quanto ao Conjunto Soluo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 1.17 1.18 1.19 1.20 Discusso e Resoluo de um Sistema Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 Sistemas de Crammer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Gabarito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

1.18.1 Regra de Crammer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Espaos e Subespaos Vetoriais


Espao Vetorial 2.1 2.2 2.3 2.4

45
45

Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Espaos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 Igualdade e Operaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 2.3.1 2.4.1 2.4.2 2.4.3 Propriedades de um Espao Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 Soma de Subespaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 Soma Direta de dois Subespaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 Combinaes Lineares e Subespao Gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 Dependncia Linear e Independncia Linear. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 Propriedades da Dependncia Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Base de um Espao Vetorial Finitamente Gerado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Dimenso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 Coordenadas de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 Mudana de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 Subespaos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

2.5

Bases e Dimenso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 2.5.1 2.5.2 2.5.3 2.5.4 2.5.5 2.5.6

2.6 2.7

Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 Gabarito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

Transformaes e Operadores Lineares. Produto Interno


Transformaes e Operadores Lineares
Transformaes Lineares, Autovetores e Autovalores 3.1 3.2 3.3

67
67
67

Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 Transformaes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Exemplo Geomtrico das Transformaes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.3.1 3.3.2 3.3.3 3.3.4 Expanso ou Contrao Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 Reexo em Torno do Eixo-x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 Reexo em Torno da Origem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 Rotao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

3.4

Principais Conceitos e Teoremas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1 Ncleo de uma Transformao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.2 Propriedades do Ncleo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.3 Imagem de uma Transformao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.4 Propriedades da Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.5 Teorema do Ncleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.6 Isomorsmo e Automorsmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.7 Posto e Nulidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.8 Transformaes Singulares e No-Singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.9 Exerccios Resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.10 Aplicaes Lineares e Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.1 Autovalores e Autovetores de uma Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.2 Polinmio Caracterstico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.3 Matrizes Semelhantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.4 Matrizes Diagonalizveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6 Diagonalizao de Operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6.1 Polinmio Minimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.6.2 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.7 Gabarito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

72 73 74 75 75 75 76 77 77 78 80 85 87 88 90 90 94 95 97 98

Espaos com Produto Interno


Produto Interno 4.1 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2 Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.2 ngulos entre Dois Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3 Espaos Complexos com Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.1 Espao Hermitiano com Produto Interno Usual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3.2 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1 Propriedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.2 Conjunto Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.3 Conjunto Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.4 Base Ortogonal e Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.5 Projeo Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.6 Processo de Ortogonalizao de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.7 Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.6 Gabarito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

99
99 99 101 101 102 103 104 105 105 105 106 106 107 107 108 109 111 112 112

Atividade Orientada 119 5.1 Etapa 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 5.2 Etapa 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 5.3 Etapa 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 Referncias Bibliogrcas 131 5

LGEBRA LINEAR

Apresentao da Disciplina
Caro aluno, Damos-lhe as boas vindas ao curso de lgebra Linear. A nossa inteno apresentar um texto gradativo, concatenado, escrito em linguagem simples e objetiva, com algumas conexes e aplicaes a outras reas de conhecimento, respeitando, porm, o rigor necessrio ao nvel que se destina, que servir de referncia aos educadores e estudantes da FTC-E A D que se preparam para exercer o magistrio. A lgebra Linear constitui uma parte da matemtica da qual necessitam matemticos, engenheiros, fsicos, programadores de computador e outros cientistas. Este requisito reete a importncia desta disciplina pelas suas mltiplas aplicaes e pelo alcance de sua linguagem. Essa importncia no se restringe apenas rea de exatas: muitas questes de grande atualidade na rea biolgica encontram na lgebra Linear a ferramenta matemtica apropriada para sua abordagem. Os objetos de que trata a lgebra Linear so vetores e matrizes, que aparecem, por exemplo, quando procuramos as solues para um sistema de equaes lineares. Assim, so generalizaes do conceito de nmero. No Bloco Temtico 1, veremos, ao longo do Tema 1, Matrizes, Determinantes e Sistemas Lineares. No Tema 2, estudaremos os Espaos e Subespaos vetoriais, suas propriedades, bem como conceitos fundamentais, como as Combinaes Lineares, Base e Dimenso desses Espaos Vetoriais. J no Bloco Temtico 2, estudaremos no Tema 3, as Transformaes Lineares, Diagonalizao de Operadores, Autovalores, Autovetores e Aplicaes. Por m, no Tema 4, veremos os Espaos com Produto Interno. Em relao s aplicaes da teoria, inseriremos, em um primeiro momento, questes emergentes da geometria em duas e trs dimenses, com objetivo de uma maior visualizao e compreenso, de forma que uma soluo geomtrica, sempre que possvel, ser confrontada com a soluo algbrica. Inclumos, tambm, exerccios resolvidos e atividades complementares, bem como, no nal deste trabalho, um bloco de atividades orientadas como parte de sua avaliao individual. E, claro, registramos nossa gratido, ainda que previamente, por quaisquer observaes ou comentrios sobre o trabalho, para que possamos aprimor-lo continuamente. Uma boa leitura, determinao e constncia em seu objetivo. Prof.

Tailson Jeferson Paim dos Santos.

Matrizes e Espaos Vetoriais

Matrizes, Determinantes e Sistemas Lineares Matrizes


Apresentao
comum nos depararmos com conjuntos de nmeros que so operados essencialmente da mesma maneira. Isto sugere trat-los em bloco, de forma nica. Esta forma de tratamento possvel atravs do uso de elementos matemticos chamados Matrizes. Foi apenas em meados do sculo X I X que as matrizes tiveram sua importncia detectada e saram da sombra dos determinantes. O primeiro a lhes dar um nome parece ter sido Cauchy, por volta de 1.826. Ele as chamou de tableau (tabela). O nome Matriz s veio com James Joseph Sylvester, 1.850. Seu amigo Cayley, com sua famosa Memoir on the Theory of Matrices, 1.858, divulgou esse nome e iniciou a demonstrar sua utilidade. O signicado coloquial da palavra matriz : local onde algo se gera ou cria. Sylvester as via como um bloco retangular de termos... o que no representa um determinante, mas como se fosse uma MATRIZ a partir da qual podemos formar vrios sistemas de determinantes, ao xar um nmero p e escolher vontade p linhas e p colunas. . . . Observe que Sylvester ainda via as matrizes como mero ingrediente dos determinantes. s com Cayley que elas passam a ter vida prpria e, gradativamente, comeam a suplantar os determinantes em importncia. A referncia mais antiga a matrizes, entretanto, data de aproximadamente do ano 2.500 a.C., no livro chins Chui-Chang Suan-Shu (Nove captulos sobre a arte matemtica). Este livro apresenta problemas sobre a mensurao de terras, agricultura, impostos, equaes, etc. Um destes problemas resolvido com clculos efetuados sobre uma tabela, tais como efetuamos hoje com as matrizes. Atualmente, as matrizes so muito utilizadas em vrias reas de conhecimento. Suas aplicaes se do na Matemtica, Fsica, Engenharia e Computao, por exemplo. 1.1 Denio. Uma matriz uma tabela retangular de nmeros, ou outro tipo de objetos matemticos, dispostos em m linhas (las horizontais) e n colunas (las verticais). Dizemos assim que a matriz possui ordem m n (l-se: ordem m por n).

1.1

Representao de uma Matriz

Representamos uma matriz colocando os dados da tabela entre parnteses ou entre colchetes. Vejamos abaixo alguns exemplos de matrizes. Exemplo 1.1. 7

LGEBRA LINEAR

A=

0 3

5 7

B=

1 0 3 5 7

C=

3 4 2 3 1 0 7 5 9 15 6 3

D=

1 0 5 4 4 3 1 10 0

A uma matriz de uma linha e cinco colunas (matriz de ordem 1 5). B uma matriz de cinco linhas e uma coluna (matriz de ordem 5 1) C uma matriz de trs linhas e quatro colunas (matriz 3 4) D uma matriz de trs linhas e quatro colunas (matriz 33). A matriz D possui o nmero de linhas igual ao de colunas. Dizemos, ento, que ela uma matriz quadrada de ordem 3 3 ou, simplesmente, matriz de ordem 3. Uma matriz A de ordem m n, pode ser indicada como A = [ai j ]mn , i {1, 2, 3, . . . , m} e j {1, 2, 3, . . . , n}, em que ai j o elemento da linha i e da coluna j da matriz A. Desta forma podemos generalizar uma matriz Amn = [ai j ]mn por uma tabela da seguinte forma:

a11 a21 . . . am 1

a12 a22 . . . am 2

... ... .. .

a1 n a2 n . . . . . . amn

Na matriz C do exemplo acima, temos, por exemplo, c23 = 7, c33 = 6 e c31 = 9. Exemplo 1.2. A matriz B23 = [bi j ]23 denida por bi j = 3i 2j , uma matriz real, representada por 2 linhas e 3 colunas. Assim,

B=

b11 = 3 1 2 1 = 1 b21 = 3 2 2 1 = 4

b12 = 3 1 2 2 = 1 b13 = 3 1 2 3 = 3 b22 = 3 2 2 2 = 2 b23 = 3 2 2 3 = 0

1 4

1 3 2 0

1.2

Tipos de Matrizes

Existem matrizes que, por apresentarem caractersticas notveis, merecem destaque. Vejamos, a seguir, algumas delas.

1.2.1
A matriz

Matriz Coluna

a1 a2 a3 . . . am

de ordem m 1 chamada matriz coluna. 8

1.2.2
A matriz

Matriz Linha

a1
de ordem 1 n chamada matriz linha.

a2

a3

. . . an

1.2.3

Matriz Quadrada

Chama-se matriz quadrada, toda matriz cujo nmero de linhas igual ao nmero de colunas.

a11 a21 . . . an 1

a12 a22 . . . an 2

... ... .. .

a1 n a2 n . . . . . . ann

( 1.1)

Nota 1. A ordem da matriz quadrada n n ou, simplesmente, n.

Diagonal Principal 1.2 Denio. Numa matriz quadrada A = [ai j ] de ordem n, os elementos ai j , em que i = j , constituem a diagonal principal. Assim, em 1.1, os elementos a11 , a22 , a33 , . . . , ann constituem a diagonal principal. Nota 2. Seja A = [ai j ]nn uma matriz quadrada de ordem n. Denomina-se trao da matriz A, a soma a11 + a22 + a33 + . . . + ann dos elementos da diagonal principal de A, o qual indicamos por tr(A). Desse modo temos:

Diagonal Secundria 1.3 Denio. Numa matriz quadrada A = [ai j ] de ordem n, os elementos ai j , em que i + j = n + 1, constituem a diagonal secundria da matriz. Assim, em 1.1, os elementos a1n , a2n1 , a3n2 , . . . , an1 constituem a diagonal secundria. Exemplo 1.3. A matriz

M=

8 9 1 6 4 5 2 2 2

quadrada de ordem 3. Sua diagonal principal {8, 4, 2} e sua diagonal secundria {1, 4, 2}. O trao da matriz M dado por tr(M ) = 8 + 4 + 2 = 14.

1.2.4

Matriz Diagonal

1.4 Denio. A matriz quadrada A = [ai j ], de ordem n e que tem os elementos ai j = 0, quando i = j , chamada matriz diagonal, ou seja, toda matriz quadrada em que os elementos que no pertencem a 9

LGEBRA LINEAR

diagonal principal so iguais a zero.

a11 0 0 . . .
0 0

0 a22 0 . . . 0 0

0 0 a33 . . . 0 0

0 0 0

... ... ... .. .

0 0 0 0

a44
0 0

0 . . . ann

1.2.5

Matriz Nula

1.5 Denio. toda matriz em que todos os seus elementos so iguais a zero. Exemplo 1.4.

0 0

0 0 0 0

a matriz nula de ordem 2 3. Exemplo 1.5.

0 0 0

0 0 0 0 0 0

a matriz nula de ordem 3 3.

1.2.6

Matriz Identidade ou Unidade

1.6 Denio. A matriz diagonal, de qualquer ordem e a qual os elementos da sua diagonal principal so iguais a 1, chamada de matriz identidade. Indica-se a matriz identidade de ordem n por In ou simplesmente por I . Exemplo 1.6.

I2 =
a matriz identidade de ordem 2. Exemplo 1.7.

1 0 0 1

I3 =
a matriz identidade de ordem 3.

1 0 0

0 0 1 0 0 1

1.2.7

Matriz Transposta

1.7 Denio. Chama-se transposta de A = [ai j ]mn a matriz At = [aji ]nm tal que aji = ai j , para todo i e todo j , ou seja, a transposta de A a matriz obtida de A, trocando-se, ordenadamente, suas linhas por colunas (ou, suas colunas por linhas).

10

Indica-se a matriz transposta de A por At . Exemplo 1.8.


A=

a c

b d

At =

a b

c d

B=

2 1 7

Bt =

3 2 1 7

1.2.8

Matriz Simtrica

1.8 Denio. Uma matriz quadrada A = [ai j ]nn dita simtrica se ai j = aji . Nota 3. Observe que: (a) A simtrica se At = A; (b) No caso de uma matriz simtrica, a parte superior uma reexo da parte inferior, em relao diagonal principal. Exemplo 1.9. So simtricas as matrizes:

A=

a b

b d

B=

4 3 3 2 1 0

1 0 5

C=

a b c d

b e f g

c f h i

d g i j

1.2.9

Matriz Anti-Simtrica

1.9 Denio. Uma matriz quadrada A = [ai j ]nn diz-se anti-simtrica quando ai j = aji , para todo i , j {1, 2, 3, . . . , n}. Assim, i. os elementos da diagonal principal so todos nulos; ii. os elementos simetricamente dispostos em relao diagonal principal so opostos. Nota 4. Observe que a matriz quadrada A anti-simtrica de ordem n se, e somente se,

At = A.
Exemplo 1.10. So anti-simtricas as matrizes:

A=

0 a a 0

B=

0 3 1 3 0 7 1 7 0

C=

0 b c d

b 0 f g

c f 0 i

d g i 0

1.2.10

Matriz Triangular Superior

1.10 Denio. A matriz quadrada A = [ai j ]nn , que tem os elementos ai j = 0, para i > j , chamada de triangular superior, ou seja, quando todos os elementos abaixo da diagonal principal so nulos. 11

LGEBRA LINEAR

Exemplo 1.11.

A=

1 0 0

3 1 4 7 0 7

1.2.11

Matriz Triangular Inferior

1.11 Denio. A matriz quadrada A = [ai j ]nn , que tem os elementos ai j = 0, para i < j , chamada de triangular inferior, ou seja, quando todos os elementos acima da diagonal principal so nulos. Exemplo 1.12.

A=

1 0 0 3 1 0 4 2 7

Nota 5. Ao conjunto de todas as matrizes de ordem m n, cujos elementos pertencem a R, denotaremos por Mmn (R) ou Rmn .

1.3

Igualdade de Matrizes

1.12 Denio. Duas matrizes A = [ai j ]mn e B = [bi j ]mn so iguais quando ai j = bi j , para todo i {1, 2, 3, . . . , m} e todo j {1, 2, 3, . . . , n}. De outro modo, a denio anterior nos diz que A e B so iguais se, e somente se, tm a mesma ordem e os elementos correspondentes (entradas da matriz) so iguais. Indica-se: A = B . Exemplo 1.13.

A=

1 7

3 4

igual a B =

1 3 7 4

pois, a11 = b11 , a12 = b12 , a21 = b21 e a22 = b22 . A igualdade de matrizes goza das seguintes propriedades: Reexiva: A = A; Simtrica: Se A = B , ento B = A; Transitiva: Se A = B e B = C , ento A = C .

1.4
1.4.1

Operaes com Matrizes


Adio de Matrizes

1.13 Denio. Dada duas matrizes A = [ai j ]mn e B = [bi j ]mn , chama-se soma A + B , a matriz C = [ci j ]mn tal que ci j = ai j + bi j , para todo i e todo j . 12

Isto signica que a soma de duas matrizes A e B , de mesma ordem m n, uma matriz C , de mesma ordem, em que cada elemento a soma dos elementos correspondentes em A e B . Exemplo 1.14.

2 1 0 4 2 5

2 0 1 3 1 0

2 + (2) 1 + 0 0 + (1) 4+3 2 + 1 5+0


0 1 1 7 1 5

Exemplo 1.15.

5 5+1 6 1 11 + 2 = 11 2 = 9 3 3 15 3 +3 4 4 4 1.14 Teorema. A adio de matrizes do tipo m n apresenta as seguintes propriedades: 1. associativa: (A + B ) + C = A + (B + C ), quaisquer que sejam A, B e C do tipo m n; 2. comutativa: A + B = B + A, quaisquer que sejam A e B , do tipo m n; 3. tem elemento neutro: M | A + M = A, qualquer que seja A do tipo m n; 4. todo elemento tem simtrico: para toda A de ordem m n : A | A + A = M . Prova: 1. Fazendo (A + B ) + C = X e A + (B + C ) = Y , temos:

xi j = (ai j + bi j ) + ci j = ai j + (bi j + ci j ) = yi j ,
para todo i e todo j , pois, a associatividade vlida entre os nmeros reais. 2. Fazendo A + B = X e B + A = Y , temos:

xi j = ai j + bi j = bi j + ai j = yi j ,
para todo i e todo j , pois, a comutatividade vlida entre os nmeros reais. 3. Faamos A + M = A, para encontrarmos, caso exista o elemento neutro. Resulta que:

ai j + mi j = ai j mi j = 0 M = 0, i , j ,
isto , o elemento neutro existe e a matriz nula do tipo m n. 4. Do mesmo modo, impondo A + A = M , resulta:

ai j + aij = 0 aij = ai j , i , j ,
isto , a simtrica da matriz A para a adio a matriz A de mesmo tipo que A, na qual cada elemento simtrico da entrada correspondente em A. 2 1.15 Denio. Dada a matriz A = [ai j ]mn , chama-se oposta de A (indica-se A) a matriz A , tal que A + A = 0. Exemplo 1.16.

A=

1 7

3 4

A =

1 3 7 4

13

LGEBRA LINEAR

Exemplo 1.17.

B=

2 1 0 4 2 5

B =

2 1 0 4 2 5

1.4.2

Produto de uma Matriz por um Nmero

1.16 Denio. Dado um nmero k e uma matriz A = [ai j ]mn , chama-se o produto k A a matriz B = [bi j ]mn tal que bi j = k ai j , para todo i e todo j . Isto signica que multiplicar uma matriz A por um nmero real k construir uma matriz B formada pelos elementos de A, onde todas entradas so multiplicadas por k . Exemplo 1.18. 5 Exemplo 1.19.

1 3 7 4

5 35

15 20

1 2

1 0 0 6 1 0 4 2 7

1 2 3 2

0 1 2 1

0 0 7 2

1.17 Teorema. O produto de um nmero por uma matriz apresenta as seguintes propriedades: 1. a (b A) = (ab ) A; 2. a (A + B ) = a A + a B ; 3. (a + b ) A = a A + b A; 4. 1 A = A; em que A e B so matrizes quaisquer do tipo m n e a e b so nmeros reais quaisquer. Prova: 1. Fazer como exerccio. 2. Suponhamos A = [ai j ] e B = [bi j ]. Ento:

a ([ai j ] + [bi j ]) = a [ai j ] + a [bi j ] = a A + a B .


3. (a + b ) A = [(a + b ) [ai j ]] = a [ai j ] + b [ai j ] = a A + b A. 4. Fazer como exerccio. 2 14

1.4.3

Produto de Matrizes

1.18 Denio. Dadas duas matrizes A = [ai j ]mn e B = [bi j ]np , chama-se o produto A B a matriz C = [ci j ]mp , tal que
n

ci k = ai 1 b1k + ai 2 b2k + ai 3 b3k + . . . + ai n bnk =


para todo i {1, 2, . . . , m} e todo k {1, 2, . . . , p }. Matriz A m n
iguais

j =1

ai j bjk ,

Matriz B n p

Cmp

Nota 6. A denio dada garante a existncia do produto A B se, e somente se, o nmero de colunas de A for igual ao nmero de linhas de B , pois, A de ordem m n e B , n p . O produto A B uma matriz que tem o nmero de linhas de A e o nmero de colunas de B , pois, C = A B do tipo m p . Um elemento ci k da matriz C = AB deve ser obtido pelo procedimento a seguir: 1. toma-se a linha i da matriz A: ai 1 2. toma-se a coluna k da matriz B :

ai 2

ai 3 b1 k b2 k b3 k . . . bnk

. . . ai n

(n elementos)

(n elementos)

3. calculam-se os n produtos dos elementos (conforme o esquema):

ai 1 b1 k ai 2 b2 k ai 3 b3 k . . . ai n bnk
4. somam-se esses n produtos, obtendo ci k .

Exemplo 1.20. Dadas A =

1 0

2 3 1 6

eB =

4 0 1

, calcular A B .

Soluo: Sendo A de ordem 2 3 e B 3 1, decorre que existe A B e de ordem 2 1. Fazendo A B = C , devemos calcular c11 e c21 :

C=

c11 c21

1a linha de A 1a coluna de B 2a linha de A 1a coluna de B

14+20+31 0 4 + (1) 0 + 6 1

7 6

15

LGEBRA LINEAR

Exemplo 1.21. Considere as matrizes A =

2 4 5

1 2 3

eB

1 0

1 4

e calcule, se possvel, A B e B A.

Soluo: Como A de ordem 3 2 e B 2 2, decorre que existe A B e de ordem 3 2. Fazendo A B = C , temos:

2 4 5

1 2 3

1 1 0 4

21+10 41+20 51+30

2 (1) + 1 4 4 (1) + 2 4 5 (1) + 3 4

2 2 4 4 5 7

J o produto B A no pode ser obtido, porque o nmero de colunas da primeira diferente do nmero de linhas da segunda.

Propriedades do Produto de Matrizes O produto de matrizes, desde que sejam possveis as operaes, apresentam as seguintes propriedades: 1. A I = I A = A (Isto justica o nome matriz identidade); 2. A (B + C ) = A B + A C (distributividade esquerda em relao soma); 3. (A + B ) C = A C + B C (distributividade direita da multiplicao em relao soma); 4. (A B ) C = A (B C ); 5. (A B )1 = B 1 A1 (observe a ordem); 6. 0 A = A 0 = 0, em que 0 a matriz nula. Prova: 1. Sendo In = [i j ]nn , em que

i j = 0 , i j = 1 ,

se i = j se i = j

e B = AIn = [bi j ]mn . Temos:

bi j = ai 1 1j + ai 2 2j + ai 3 3j + ai i i i + . . . + ai n nj = ai 1 0 + ai 2 0 + ai 3 0 + . . . + ai n 0 = ai i ,
para todos i e j , ento A In = A. 2. Fazer como exerccio. 3. Fazendo D = (A + B )C = (di k )mp , temos:
n n

di k

=
j =1 n

(ai j + bi j ) cjk =
n

j =1

(ai j cjk + bi j cjk )

=
j =1

ai j cjk +

j =1

bi j cjk = A C + B C .

Fazer os demais itens como exerccio. 2 16

Nota 7. Em geral, A B = B A, ou seja, as matrizes no gozam da propriedade comutativa.

Exemplo 1.22. Sejam A =


1 1 1 3 2 1 2 1 0

eB =

1 2 1

2 3 4 6 2 3

Ento, A B =

0 0 0

0 0 0 0 0 0

eB A =

11 6 1 22 12 2 11 6 1

Nota 8. Observe, ainda, que A B = 0, sem que, necessariamente, A = 0 ou B = 0. Nota 9. No incio deste tema, mencionamos um tipo de matriz chamada matriz transposta. Podemos, agora, apresentar as seguintes propriedades: 1. (At )t = A, para toda matriz A = [ai j ]mn ; 2. Se A = [ai j ]mn e B = [bi j ]mn , ento (A + B )t = At + B t , 3. Se A = [ai j ]mn e k R, ento (kA)t = kAt ; 4. Se A = [ai j ]mn e B = [bi j ]mn , ento (AB )t = (BA)t .
Prova: Seja A = [ai j ]mn , e considere At = (aji )nm tal que aji = ai j , para todo i e todo j .

1. Fazendo (At )t = (ai )mn , resulta: j para todos i , j .

ai j = aji = ai j

2. Esta demonstrao deixamos como exerccio. 3. Fazendo (kA)t = (ai )mn , resulta: j para todos os valores de i e j .
n
4. Fazendo AB = C = (ci k )mp e (AB )t = C t = (cki )pm , resulta: cki = ci k =

kai = kai j = kaji , j

ai j bjk =
j =1 j =1

bkj aji ,

para todo i e todo j . 2

1.5

Operaes Elementares sobre Linhas

1.19 Denio. Denomina-se operaes elementares sobre linhas de uma matriz s seguintes: 1. Permutao de linhas; 2. Multiplicao de todos elementos de uma linha por um escalar no-nulo; 3. Substituio dos elementos de uma linha pela soma deles com os elementos correspondentes de outra linha previamente multiplicados por um escalar no-nulo. 17

LGEBRA LINEAR

Se A uma matriz m n, cujas linhas so L1 , L2 , . . . , Lm , indicaremos as operaes acima com os seguintes smbolos: 1. Lr Ls , que signica permutar as linhas r e s . 2. Lr k Lr signica que a r -sima linha foi substituda por ela prpria multiplicada pela constante no nula k . 3. Lr Lr + k Ls , ou seja, a r -sima linha foi substituda por ela mais k vezes a s -sima linha. Exemplo 1.23. Aplique as operaes elementares na matriz

A=

2 4 3 5 4 2

6 6 1

de modo a transform-la na matriz identidade.

Soluo:

2 3 4

4 6 5 6 2 1

L1

1 L1 2

1 3 4

2 3 5 6 2 1

L2 L2 + (3)L1

(1)L2

3 3 7 0 0 1

1 0 0 1 0 0

0 1 0 0 1 0

1 2 3 0 1 3 0 6 11

L1

L1 + (2)L2 3 3 1

1 0 0

L3

1 L3 7

1 0 0 1 0 0

0 3 1 3 6 11 1 0 0

1 2 0 1 0 6

3 3 11

L2

L3

L 3 + 6 L2

L1 L1 + 3 L3

0 0 1 3 0 1

L2 L2 + (3)L2

As operaes elementares sobre as linhas de uma matriz possuem as propriedades: reexiva, simtrica e transitiva. 1.20 Denio. Sejam A, B Mmn (R), ou seja, matrizes de ordem m n. Diz-se que B linha equivalente a matriz A, quando B pode ser obtida de A por meio de uma seqncia nita de operaes elementares sobre as linhas de A. 1 3 5 Exemplo 1.24. Sejam A = 0 0 2 eB = 0 4 12 a seguir mostra que B linha equivalente a A.

1 0 0

3 5 1 3 0 2

. A seqncia de operaes elementares

A=

1 0 0

3 5 0 2 4 12

L2 L3 A =

1 0 0

3 5 4 12 0 2

L2

1 L2 A = 4

1 3 0 1 0 0

5 3 2

=B

1.5.1

Matriz Linha Reduzida Escalonada

1.21 Denio. Uma matriz Mmn dita linha reduzida escalonada ou reduzida forma de escada (LRFE) se A = 0 ou satisfaz a todas as seguintes condies: 1. Primeiro elemento no-nulo de cada linha deve ser igual a 1. 18

2. Toda coluna que contm o primeiro elemento no-nulo de uma determinada linha deve ter todos os outros elementos dessa coluna nulos. 3. Toda linha nula deve car abaixo das linhas no-nulas. 4. Se L1 , L2 , ...Lr so linhas no-nulas de M , e se o primeiro elemento no-nulo da linha Li ocorre na linha ki ento k1 < k2 < ... < kr , ou seja, o nmero de zeros precedendo o primeiro elemento no-nulo de uma linha, aumenta a cada linha, at que sobrem somente linhas nulas, se houver. Esta condio impe a forma escada matriz. Podemos citar como exemplos de matrizes linha reduzida escalonada:

A=

1 0 0

0 1 0

0 4 0 3 1 4

B=

0 0 0

1 3 0 0 0 0

C=

0 0

0 0

D=

1 0 0 1 0 0

0 0 1

Por outro lado, as matrizes abaixo no so reduzida escalonada:

F =

1 0 0

0 1 0

0 3 2 1 1 3

G=

1 0 0

2 3 5 2 0 0

H=

1 2 0 0 0 1

3 0 0

1.22 Proposio. Toda matriz A Mmn linha equivalente a uma nica matriz linha reduzida escalonada. Prova: Seja A = [ai j ]mn uma matriz no nula e suponha que A seja equivalente duas matrizes LRFE, M e N . Assim, temos que: A M e A N , pela propriedade transitiva temos que N A. Assim, A M e N A ou ento N A e A M . Segue que, N M . Mas, tanto M como N so matrizes LRFE, ento M = N . 2 1.23 Denio. Dada uma matriz Amn , seja Bmn a matriz linha reduzida escalonada linha equivalente a A. Chama-se posto (ou caracterstica) de A o nmero de linhas no-nulas da matriz B e denotado por P (A). 1.24 Denio. Chamamos de nulidade( ou grau de liberdade) de uma matriz A o nmero N (A) = [n P (A)], onde n o nmero de colunas da matriz A.

Exemplo 1.25. Encontre o posto e a nulidade da matriz A =

1 0 0 1 0 0

1 1 2 2 0 0

Soluo: Observando que a matriz A linha reduzida escalonada, como o nmero de linhas no nulas de A igual a 2 P (A) = 2 e a nulidade N (A) = [4 2] = 2.

1.5.2

Matrizes Inversveis

1.25 Denio. Seja A uma matriz quadrada de ordem n. Dizemos que A matriz inversvel se existir uma matriz B tal que AB = BA = In . 1.26 Denio. Se A no inversvel, dizemos que A uma matriz singular. 1.27 Teorema. Se A inversvel, ento nica a matriz B tal que AB = BA = In . 19

LGEBRA LINEAR

Prova: Admitamos que exista uma matriz C tal que AC = C A = In . Temos:

C = In C = (BA)C = B (AC ) = BIn = B .


2 1.28 Denio. Dada uma matriz inversvel A, chama-se inversa de A a matriz A1 (que nica) tal que AA1 = A1 A = In . evidente que A1 deve ser tambm quadrada de ordem n, pois, A1 comuta com A.

Exemplo 1.26. A matriz A =

7 3 2 1

1 0

0 1

1 3 2 7

inversvel e A 7 3 2 1

eA

A =

1 3 2 7

1 0 0 1

7 3 2 1

, pois, A A

1 3 2 7

Exemplo 1.27. Qual a inversa da matriz A =

3 7 5 11

Soluo: Fazendo A

a c

b d

, temos: 3 7 5 11

A = I2

a c

b d

1 0

0 1

3a + 5b 3c + 5d

7a + 11b 7c + 11d

1 0

0 1

Pela denio de igualdade de matrizes, temos: a =

11 7 5 3 , b = , c = , d = , isto , 2 2 2 2 7 2 3 2

A1 =

11 2 5 2

pois temos tambm:


A=

3 5

7 11

11 2 5 2

7 2 3 2

1 0

0 1

= I2 .

1.29 Teorema. Se A inversvel, sua matriz linha reduzida escalonada a identidade.

Exemplo 1.28. Verique se a matriz A =

4 8 2 9

inversvel.

Soluo: Devemos vericar, portanto, se a matriz linha reduzida escalonada de A a identidade.

A=

4 2

8 9

1 L1 L1 4

1 2

2 9

L2 L2 + (2L1 )

1 2 0 5

1 L2 L2 5

1 0 0 1

Como a matriz linha reduzida escalonada de A a identidade, temos que A inversvel.

Exemplo 1.29. Com base no teorema acima, verique se a matriz 20

1 4

2 8

ou no inversvel.

Soluo:

4 8 2 9

L2 L 2 4 L1

1 2 0 0

. Logo, a referida matriz no inversvel ou singular.

1.30 Teorema. Se An inversvel, ento existe uma seqncia nita de operaes elementares que torna An igual a matriz identidade (In ). Estas mesmas sequncias de operaes aplicadas ao mesmo tempo em An e em In transformam In em A1 . n

Exemplo 1.30. Encontre a inversa de A =

1 0 1

1 1 0

0 1 2

, caso seja possvel.

Soluo: 1 1 0 | 1 0 1 1 | 0 1 0 2 | 0

0 0 1 0 0 1

L3 L3 + (L1 )
0 0 1

1 0 1 | 1 1 0 1 1 | 0 1 0 1 2 | 1 0 1 | 1 | 1 0 | 0 | 1 | | 2 3 1 3 1 3 1 0 1 3 2 3 2 3 1 3 1 1 1 3

1 0 0 1 0 0

1 0 0 1 0 0

0 1 | 1 1 0 1 L3 L3 + (L2 ) 1 1 | 0 1 0 L3 L3 3 0 3 | 1 1 1 2 1 2 1 0 0 | 0 3 3 3 0 0 1 0 L2 L2 + (L3 ) L1 L1 + (L3 ) 0 1 1 | 1 1 1 1 3 0 0 1 | 3 3 3 1 3 1 0 1 1 3 1 3


1 1 0 0 1 1 1 1 2

| 1 0 | 0 1 | 1 0

0 0 1

L1 L1 L2

Conclumos que A inversvel e sua inversa 2 3 1 3 1 3 2 3 2 3 1 3 2 3 1 3 1 3

A1 =

1.5.3

Matrizes Elementares

1.31 Denio. Uma matriz elementar de ordem n uma matriz E obtida de In (matriz identidade) por meio de uma s operao elementar. As matrizes

E1 =

1 0 0 2 0 0

0 0 1

e E2 =

1 0 3 1 0 0

0 0 1

so elementares. A primeira se obtm de I3 multiplicando-se por

1 1 , L2 L2 . A segunda se obtm de 2 2 I3 subtraindo segunda linha desta matriz a sua primeira linha multiplicada por 3(L2 L2 3 L1 ). 21

LGEBRA LINEAR

1.32 Proposio. Toda matriz elementar E inversvel. Nota 10. Quando efetuamos qualquer operao elementar nas linhas de uma matriz, estamos na verdade multiplicando a esquerda da matriz por uma matriz elementar.

Exemplo 1.31. Seja A = (LRFE) matriz A.

1 2 1 1

uma matriz. Encontre uma matriz linha reduzida forma escalonada

Soluo: Iremos obter uma matriz linha reduzida a forma escalonada B . Observe as operaes elementares realizadas.

A=

1 1

2 1

L2 L2 L1 A =

1 0

2 1

L2 L2 A =

1 2 0 1

L1 L1 2L2 I =

1 0 0 1

Como efetuamos 3 operaes elementares, existiro 3 matrizes elementares envolvidas, as quais chamaremos de E1 , E2 e E3 . 1 0 Aplicando a operao elementar L2 L2 L1 a I = , obtemos: 0 1

E1 =

1 0 1 1

E1 A =

1 0 1 1

1 2 1 1

=A =

1 0

2 1

Da mesma forma, aplicando a operao elementar L2 L2 a I =

1 0 0 1

obtemos,

E2 =

1 0 0 1

E2 A =

1 0 1 1

1 1

2 1

=A =

1 0

2 1

Por m, aplicando a operao elementar L1 L1 2L2 a I =

1 0 0 1

, obtemos:

E2 =

1 2 0 1

1 0 1 2 1 2 E3 A = = A = 1 1 1 1 0 1 Assim, temos que E1 A = A , E2 A = A e E3 A = I . Portanto,

E3 E2 E1 A = I .
Pelo fato que E1 , E2 e E3 foram obtidas da identidade de ordem 2 2 por uma operao elementar, temos que estas so inversveis. Assim,
1 1 1 A1 = E3 E2 E1 e A = (E3 E2 E1 )1 = E1 E2 E3 .

22

1.6

Exerccios Propostos

1.1. Sejam: A =

1 2

F =

1 0

0 1

2 3 1 1

,B =

2 0 3 0

1 1

,C =

1 2 4

,D =

2 1 , E =

1 0 3 1 4 2

. Calcule, quando possvel: (e) E t + (A) (f) C D + 2E At (g) C t E 3D (h) E F + At B t

(a) A + B (b) B + F (c) A C (d) C A 1.2. Dadas as matrizes A = [ai j ]22 , tal que ai j = ento A + B igual a:

i +j , 0 ,

se i = j e B = [bi j ]22 , tal que bi j = 2i 3j , se i = j


(a)

1 4 1 2

(b)

1 4 1 2

(c)

1 4 1 2

(d)

1 1

4 2

(e)

1 4 1 2

1.3. Se A e B so matrizes de tipo 2 3, qual das seguintes operaes no pode ser efetuada? (a) A + B (b) At B t (c) (A + B ) B t (d) B t A (e) A B

1.4. Sendo as matrizes M = (mi j )23 , N = (ni j )ab , P = (pi j )c 4 , Q = (qi j )d e , possvel determinar M + N , N P e P Q , se: (a) b a = c d (b) a = b = c = d = e 1 (c) b = a + 1, c = d = e = 4 (d) a b = 6, a + 1 = b = c = d = e 1 a+c (e) b = c = d = 2

1.5. O valor de x para que o produto das matrizes A = simtrica : (a) 1 (b) 0 (c) 1

2 x 3 1

eB =

1 1 0 1

seja uma matriz

(d) 2

(e) 3

1.6. Sejam A e B matrizes quadradas de ordem n e inversveis. Mostre que tambm so inversveis: (a) A1 e que (A1 )1 = A. (b) AB e que (AB )1 = B 1 A1 (c) At e que (At )1 = (A1 )t .

1.7. Reduza as matrizes abaixo forma reduzida escalonada e determine o posto e a nulidade das mesmas.

(a) A =

1 1 1 0 0 1 6 4 1 0 1 2 1 2 3

1 3 1 1 2 2 3 4 1 6 2 5

(d) D =

1 4 0 2 1 0 0 1 0 1 0 2

(b) B =

(c) C =

3 2 4 3 2 1

(e) E =

23

LGEBRA LINEAR

1.8. Com base no teorema 1.30, verique se a matriz

B=

1 0 2

2 1 3

6 5 7

ou no inversvel e determine sua inversa. 1.9. D exemplos, se possvel, de matrizes satisfazendo as condies dadas abaixo. Observao: N (A) = nulidade de A e P (A) = posto de A. (a) B23 , P (B ) = 2 (b) C32 , P (C ) = 3 (c) D24 , P (D ) = 3 (d) F23 , N (F ) = 2 (e) G43 , N (G ) = 0 (f) H3 , N (H ) = 0 (g) J3 , P (J ) = 2

1.10. Verique se so verdadeiras ou falsas as seguintes armaes: (a) O posto de uma matriz um nmero natural maior ou igual a zero e menor ou igual ao nmero de linhas. (b) O posto de uma matriz um nmero natural maior ou igual a zero e menor ou igual ao nmero de colunas. (c) Se C uma matriz quadrada de ordem 3 e possui uma linha nula, ento P (C ) = 2. (d) Se P (D ) = 3 e Dnm com n 3, ento m 3. 1.11. Use as operaes elementares sobre linhas para descobrir se A inversvel. Determine, se possvel, A1 nos casos abaixo:

(i) A =

2 5 1 3

(ii) A =

1 1

1 1

(iii) A =

2 4 4 8

1.6.1

Histrico sobre a lgebra

Costuma-se associar a lgebra, mais do que outras partes da matemtica, ao uso de smbolos especcos em sua linguagem - letras, em particular. Curiosamente, porm, o termo lgebra oriundo do ttulo de um livro sobre equaes, especialmente as de segundo grau, escrito no sculo I X , onde no h emprego de nenhum smbolo matemtico especco: at os nmeros que nele aparecem so expressos em palavras. Alis, essa era, quase que invariavelmente, a maneira de se fazer matemtica at ento. E assim continuou sendo at o sculo X V I . Os babilnicos, por exemplo, uns 1.800 anos antes de Cristo, j resolviam equaes do segundo grau. Mas, embora usassem um procedimento equivalente tcnica atual de resoluo, no se baseavam em nenhuma frmula, mas sim numa regra verbal. Os primeiros artigos registrados de lgebra foram achados no Egito em 2.000 a.C, mas quem realmente desenvolveu a lgebra foi o antigo Isl. Al-Khwarizmi considerado o fundador da lgebra como a conhecemos hoje. Estranha e intrigante a origem da palavra lgebra. Ela no se sujeita a uma etimologia ntida como, por exemplo, a palavra aritmtica, que deriva do grego arithmos (nmero). O termo lgebra uma 24

variante latina da palavra rabe al-jabr (s vezes transliterada al-jebr), usada no ttulo de um livro, Hisab aljabr wal-muqabalah, escrito em Bagd por volta do ano 825 pelo matemtico rabe Mohammed ibn-Musa al Khowarizmi (Maom, lho de Moiss, de Khowarizm), trabalho entitulado: Al-Jabr wal-Muqabalah, isto O livro sumrio sobre clculos por transposio e reduo. Este trabalho, freqentemente citado, abreviadamente, como Al-jabr era extremamente didtico e destinava-se ensinar solues para os problemas matemticos cotidianos da poca. Uma traduo literal do ttulo completo do livro a cincia da restaurao (ou reunio),conexo ou complementao e reduo, mas, matematicamente, seria melhor cincia da transposio e cancelamento ou, conforme Boher, a transposio de termos subtrados para o outro membro da equao e o cancelamento de termos semelhantes (iguais) em membros opostos da equao. Podemos, ainda, considerar a lgebra como o ramo que estuda as generalizaes dos conceitos e operaes de aritmtica ou talvez a melhor traduo fosse, simplesmente, a cincia das equaes. Ainda que originalmente lgebra rera-se a equaes, a palavra, hoje, tem um signicado muito mais amplo e pode se referir a vrias reas da matemtica. De uma forma geral, podemos organizar a lgebra como: lgebra universal, lgebras abstratas, lgebra elementar, lgebra Computacional, lgebra Linear. A notao algbrica utilizada hoje normalmente por ns, comea com Fraois Vite e congurada na forma atual por Ren Descartes. Assim, os processos para achar as razes de equaes dos babilnios, gregos, hindus, rabes e mesmo dos algebristas italianos do sculo X V eram formuladas com palavras e as vezes at com versos (ndia). Uma lgebra como a de al-Khowarizmi, desprovida de smbolos especcos, costuma-se ser chamada lgebra retrica. Mas, por este aspecto, a obra de al-Khowarizmi era um retrocesso. Diofanto de Alexandria, s vezes chamado o pai da lgebra, por exemplo, j usara alguns smbolos (abreviaes) em sua obra: para a incgnita, potncias da incgnita (at a sexta potncia), igualdade, subtrao e inversos. Mas, por vrios motivos, sua notao no pegou. Enm, pensando na lgebra retrica de al-Khowarizmi e na inuncia que teve, pode-se entender por que no sculo X V I , algebrista signicava popularmente, na Itlia e na Espanha, o especialista em consertar ossos quebrados ou destroncados.

Determinantes
A toda matriz quadrada A = [ai j ], ai j R est associada um elemento de R chamado determinante de A, usualmente representado por

det(A) ou |A|.

A teoria dos determinantes teve origem em meados do sculo X V I I I , quando eram estudados processos para resoluo de sistemas lineares de equaes. Hoje em dia, embora no sejam um instrumento muito prtico na resoluo de sistemas, os determinantes so utilizados, por exemplo, para sintetizar certas expresses matemticas complicadas. Veremos, nos prximos temas, que o determinante um instrumento indispensvel na investigao e obteno das propriedades de um operador linear. 25

LGEBRA LINEAR

1.6.2

Breve Histrico

Na matemtica ocidental antiga so poucas as aparies dos sistemas de equaes lineares. No Oriente, contudo, o assunto mereceu ateno bem maior. Com seu gosto especial por diagramas, os chineses representavam os sistemas lineares por meio de seus coecientes escritos com barras de bambu sobre os quadrados de um tabuleiro. Assim acabaram descobrindo o mtodo de resoluo por eliminao - que consiste em anular coecientes por meio de operaes elementares. Exemplos desse procedimento encontram-se nos nove captulos sobre a arte da matemtica, um texto que data provavelmente do sculo 111 a.C. Mas foi s em 1.683, num trabalho do japons Seki Kowa, que a idia de determinante (como polinmio que se associa a um quadrado de nmeros) veio luz. Kowa, considerado o maior matemtico japons do sculo X V I I , chegou a essa noo atravs do estudo de sistemas lineares, sistematizando o velho procedimento chins (para o caso de duas equaes apenas). O uso de determinantes no Ocidente comeou dez anos depois num trabalho de Leibnitz, ligado tambm a sistemas lineares. Em resumo, Leibnitz estabeleceu a condio de compatibilidade de um sistema de trs equaes a duas incgnitas em termos do determinante de ordem 3 formado pelos coecientes e pelos termos independentes (este determinante deve ser nulo). Para tanto criou at uma notao com ndices para os coecientes: o que hoje, por exemplo, escreveramos como a12 , Leibnitz indicava por 12. A conhecida regra de Crammer para encontrar o conjunto soluo de um sistema de n equaes a n incgnitas, por meio de determinantes, na verdade uma descoberta do escocs Colin Maclaurin (1.698 1.746), datando provavelmente de 1.729, embora s publicada postumamente em 1.748 no seu Treatise of algebra. Mas o nome do suo Gabriel Crammer (1.704 1.752) no aparece nesse episdio de maneira totalmente gratuita. Crammer tambm chegou regra (independentemente), mas depois, na sua Introduo anlise das curvas planas (1.750), em conexo com o problema de determinar os coecientes da cnica geral A + By + C x + Dy 2 + E xy + x 2 = 0. O francs tienne Bzout (1.730 1.783), autor de textos matemticos de sucesso em seu tempo, sistematizou em 1.764 o processo de estabelecimento dos sinais dos termos de um determinante. E coube a outro francs, Alexandre Vandermonde (1.735 1.796), em 1.771, empreender a primeira abordagem da teoria dos determinantes independente do estudo dos sistemas lineares - embora tambm os usasse na resoluo destes sistemas. O importante teorema de Laplace, que permite a expanso de um determinante atravs dos menores de r las escolhidas e seus respectivos complementos algbricos, foi demonstrado no ano seguinte pelo prprio Laplace num artigo que, a julgar pelo ttulo, nada tinha a ver com o assunto: Pesquisas sobre o clculo integral e o sistema do mundo. O termo determinante, com o sentido atual, surgiu em 1.812 num trabalho de Cauchy sobre o assunto. Neste artigo, apresentado Academia de Cincias, Cauchy sumariou e simplicou o que era conhecido at ento sobre determinantes, melhorou a notao (mas a atual com duas barras verticais ladeando o quadrado de nmeros s surgiria em 1.841 com Arthur Cayley) e deu uma demonstrao do teorema da multiplicao de determinantes - meses antes J. F. M. Binet (1.786 1.856) dera a primeira demonstrao deste teorema, mas a de Cauchy era superior. Alm de Cauchy, quem mais contribuiu para consolidar a teoria dos determinantes foi o alemo Carl G. J. Jacobi (1.804 1.851), cognominado, s vezes, o grande algorista. Deve-se a ele a forma simples como essa teoria se apresenta hoje elementarmente. Como algorista, Jacobi era um entusiasta da notao de determinante, com suas potencialidades. Assim, o importante conceito de jacobiano de uma funo, salientando um dos pontos mais caractersticos de sua obra, uma homenagem das mais justas. Comearemos o estudo dos determinantes com uma discusso de permutaes, que necessria 26

para a denio do determinante.

1.7

Permutaes

Seja n 1 um nmero natural. Consideremos o conjunto Nn = {1, 2, . . . , n}. 1.33 Denio. Toda aplicao bijetora : Nn Nn chama-se permutao do conjunto Nn . Se e so permutaes de Nn , ento o : Nn Nn tambm uma permutao. A aplicao idntica de Nn (indicaremos por Id) obviamente uma permutao. Alm disso, a inversa 1 de uma permutao de Nn tambm permutao de Nn . Notao: indicaremos abreviadamente uma permutao de Nn por

1 2 (1) (2)

... n . . . (n)

Observe que, como injetora e sobrejetora, a seqncia (1), (2), . . . , (n) simplesmente um rearranjo dos nmeros 1, 2, . . . , n. Observamos que o nmero de tais permutaes n! e que o conjunto delas , usualmente, representado por Sn . Se n = 2, existem duas (2!) permutaes do conjunto N2 = {1, 2} que so

1 1

2 2

1 2 2 1

Ou, de outra maneira, podemos dizer que existem 2! = 2 1 = 2 permutaes em S2 : (1 2) e (2 1). Existem 6(= 3!) permutaes de N3 = {1, 2, 3}. So elas:

1 2 1 2 1 2 1 3

3 3 3 2

1 2 1 3

2 1 2 1

3 3 3 2

1 2 1 3

2 3 3 1 2 3 2 1

Ou de outro modo, podemos dizer que existem 3! = 3 2 1 = 6 permutaes em S3 : (1 2 3), (1 3 2), (2 1 3), (2 3 1), (3 1 2), (3 2 1). 1.34 Denio. Consideremos uma permutao

1 2 (1) (2)

... n . . . (n)

de Nn . Seja r o nmero de pares ordenados (i , j ) com 1 i < j n tais que (i ) > (j ). Chama-se sinal ou paridade da permutao o nmero inteiro representado por sg n(), que

sg n() = 1, sg n() = 1,
1 2 3 1 3 2

se r par se r mpar.

Exemplo 1.32. Seja = Logo, r = 2 e sg n() = 1.

. Os pares (i , j ) com 1 i < j 3 e (i ) > (j ) so (1, 2) e (1, 3). 27

LGEBRA LINEAR

Exemplo 1.33. Seja =

1 1

2 3 3 2

. O nico par (i , j ) com 1 i < j 3 e (i ) > (j ) (2, 3). Logo, 2 1 3 4 2 5 5 4

r = 1 e sg n() = 1.
Exemplo 1.34. Tomemos =

1 3

Neste caso os pares (i , j ) com 1 i < j 5 e (i ) > (j ) so (1, 2), (1, 3) e (4, 5). Logo, r = 3 e sg n() = 1.

Exemplo 1.35. A permutao identidade I d = satisfazer a condio 1 i < j < 4, ou seja, r = 0.

1 1

2 3 2 3

4 4

par, porque nenhum par (i , j ) pode

1.35 Denio. Uma permutao par (respectivamente, mpar) se sg n() = 1 (respectivamente, sg n() = 1). 1.36 Denio. Chama-se transposio uma permutao em que existe apenas um par (i , j ) de maneira que i < j e (i ) > (j ) e que deixa os demais elementos xos, isto , (k ) = k , k = i , j . Esta transposio indicada por (i j ). Exemplo 1.36. Os exemplos abaixo representam tranposies de permutaes.

1 2 1 1 1 1

2 1

(i = 1 e j = 2);

2 3 3 2 2 3 2 6

(i = 2 e j = 3); 4 5 4 5 6 3

( neste exemplo i = 3 e j = 6)

As transposies so permutaes mpares muito simples pois n 2 elementos de Nn = {1, . . . , n} so inalterados por elas e, logicamente, os outros dois so invertidos ou transpostos. 1.37 Teorema. Toda permutao do conjunto Nn pode fatorar-se na forma = 1 2 . . . s onde i so transposies. Se = 1 2 . . . t outra decomposio de em transposies, ento s e t so ambos pares ou ambos mpares. Alm disso, sg n() = (1)s . Decorre desse teorema que sg n( ) = sg n()sg n(), onde e so permutaes quaisquer do conjunto Nn . Em particular para toda transposio , sg n( ) = sg n(). A vericao destas frmulas deixamos como exerccio para o leitor.

1.8

Determinante

Seja A = [ai j ] uma matriz real de ordem n. Consideremos um produto da forma

a1(1) a2(2) . . . an(n) ,


em que uma permutao do conjunto Nn . Nesse produto aparece apenas um elemento de cada linha de A(pois os primeiros ndices no se repetem) e apenas um elemento de cada coluna de A (pois os segundos ndices tambm no se repetem, j que bijetora). Vamos multiplicar esse produto pelo sinal de que 1 ou 1: sg n()a1(1) a2(2) . . . an(n) . 28

Finalmente somemos todos os nmeros assim obtidos, de maneiras que percorra o conjunto de todas as permutaes de Nn . Teremos portanto n! parcelas no somatrio

sg n()a1(1) a2(2) . . . an(n) .

1.38 Denio. Chama-se determinante da matriz A de ordem n o nmero real det(A) =

sg n()a1(1) a2(2) . . . an(n) ou |A| =

sg n()a1(1) a2(2) . . . an(n) .

, freqentemente, representado por


a11 a21 . . . a

n1

a12 a22 . . . an 2

... ... .. .

a1 n a2 n . . . . . . ann

Nota 11. No confundir a representao acima do determinante da matriz A com a prpria matriz de A. 1.39 Proposio. Se A = [a11 ], ento det(A) = a11 .

1.40 Proposio. Seja A =

a11 a21

a12 a22

ai j R. Ento, det(A) = a11 a22 a12 a21 .


do conjunto {1, 2}

Prova:

Id =

As permutaes 1 2 ( sinal 1) 1 2

seus

sinais

so: Logo, 2

1 2 2 1

( sinal 1).

e det(A) = a11 a22 a12 a21 .

1.41 Proposio. Seja A =

a11 a21 a31

a12 a22 a32

a13 a23 a33

M3 (R). Ento

det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a11 a23 a32 a13 a22 a31 a12 a21 a33 . Prova: As permutaes do conjunto {1, 2, 3} e seus respectivos sinais so:

1 2 1 2 1 2 1 3

3 3 3 2

(+1)

1 2 1 3

2 3 3 1 2 3 2 1

(+1)

1 3 1 2

2 3 1 2 2 1 3 3

(+1)

(1)

(1)

(1).

Logo, det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a11 a23 a32 a13 a22 a31 a12 a21 a33 . 2 Notemos que, como o nmero de parcelas de det(A) n!, ento o clculo de determinantes atravs da denio se torna trabalhoso em demasia a medida que cresce o n. Portanto, usamos mtodos indiretos para calcular determinantes, em vez da denio. Na verdade demonstraremos um nmero de 29

LGEBRA LINEAR

propriedades sobre determinantes que nos permitiro encurtar consideralvelmente este clculo. Em particular, mostraremos que um determinante de ordem n igual a uma combinao linear de determinantes de ordem n 1. Para as matrizes de ordem n = 2 e n 3 existem dispositivos prticos para o clculo dos respectivos determinantes, os quais sero estudados a seguir, tomando por losoa que uma vez dominada a teoria que fundamenta os determinantes, utilizaremos estes dispositivos como ferramenta prtica de clculo dos mesmos.

1.8.1

Dispositivos Prticos para Determinantes de Ordem n 3

1. Se A de ordem n = 1, ento det(A) o nico elemento de A.

A = [a11 ] det(A) = a11 .


2. Se A de ordem 2, det(A) o produto dos elementos da diagonal principal subtrado do produto dos elementos da diagonal secundria.

A=

a11 a21

a12 a22
1 2

a11 det(A) = a21

a12 a22

= a11 a22 a12 a21 .

3 Exemplo 1.37. det(A) = 4

= 3 2 4(1) = 10.

3. Regra de Sarrus: Se A de ordem n = 3, isto ,

A=

a11 a21 a31

a12 a22 a32

a13 a23 a33

denimos: det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a11 a23 a32 a13 a22 a31 a12 a21 a33 . Podemos memorizar esta denio da seguinte forma: (a) Repetimos, ao lado da matriz, as duas primeiras colunas. (b) Os termos precedidos pelo sinal so obtidos multiplicando-se os elementos segundo as echas situadas na direo da diagonal principal:

a11 a22 a33 ; a12 a23 a31 ; a13 a21 a32 .


(c) os termos precedidos pelo sinal so obtidos multiplicando-se os elementos segundo as echas situadas na direo da diagonal secundria: a13 a22 a31 ; a11 a23 a32 ; a12 a21 a33 . Exemplo 1.38.
1 5 1

3 4 2 3 = 4 9 + 80 8 + 12 30 = 49. 4 2

30

1.9

Menor Complementar e Complemento Algbrico

1.42 Denio. Consideremos uma matriz A de ordem n 2; seja ai j um elemento de A. Denimos o menor complementar do elemento ai j , e indicamos por Di j , como sendo o determinante da matriz que se obtm suprimindo a linha i e a coluna j de A.

Exemplo 1.39. Seja A =

4 3 2 1 3 3 5 6 7 8

4 5 2

e calculemos D11 , D21 e D31 .

Exemplo 1.40. Seja A =

e calculemos D12 , D22 .

1.43 Denio. Consideremos uma matriz de ordem n 2; seja ai j um elemento de A. Denimos complemento algbrico do elemento ai j (ou cofator de ai j ) e indicamos por Ai j , como sendo o nmero resultante do produto (1)i +j Di j . 1.44 Teorema. O determinante da matriz A = [ai j ] igual soma dos produtos obtidos multiplicando os elementos de qualquer linha(coluna) pelos seus respectivos co-fatores:
n

|A| = ai 1 Ai 1 + ai 2 Ai 2 + . . . + ai n Ai n = e |A| = a1j A1j + a2j A2j + . . . + anj Anj =

ai j Ai j
j =1 n

ai j Ai j .
i =1

As frmulas acima, chamadas desenvolvimento de Laplace do determinante de A, (teorema de Laplace) segundo a i -sima linha e j -sima coluna, respectivamente, oferecem um mtodo de simplicar o clculo de |A|. Isto , adicionando um mltiplo de uma linha(coluna) a outra linha(coluna), podemos reduzir A a uma matriz contendo uma linha ou coluna com um elemento 1 e os outros elementos 0. Desenvolvendo segundo esta linha ou coluna, reduzimos o clculo do |A| ao clculo de um determinante de ordem uma unidade inferior ordem de |A|.

1.10

Propriedades dos Determinantes

A denio de determinante e o teorema de Laplace nos permite o clculo de qualquer determinante. Contudo, possvel simplicar este clculo empregando-se certas propriedades. Relacionamos, agora, propriedades bsicas do determinante de uma matriz nos teoremas a seguir. No nos atenhamos aqui com formalismos e o rigor das demonstraes.

P1 . O determinante de uma matriz A e o de sua transposta At so iguais, isto , det(A) = det(At ).

Exemplo 1.41. Seja A =


1 det(A) = 2

1 2

4 5

. Calcule det(A) e det(At ).


= 1 5 4 2 = 3.

Soluo:

4 5

1 t = 1 5 4 2 = 3 e det(A ) = 4

2 5

Vericamos que, atravs desta, qualquer outra propriedade envolvendo o determinante de uma matriz A e suas linhas, a mesma tambm vlida para det(A) e suas colunas. Em certos casos, o determinante pode ser obtido de imediato. Vejamos isso nas propriedades a seguir. 31

LGEBRA LINEAR

P2 . Seja A uma matriz quadrada. Se A tem uma linha (coluna) de zeros, ento det(A) = 0.
Exemplo 1.42. Calcule o determinante das matrizes:

A=

3 0 a

1 0 b

4 0 c

B=

1 2 5 7

5 2 3 1

z q w s

0 0 0 0

Soluo: A segunda linha em A e a quarta coluna em B so nulas. Portanto, de acordo com a propriedade anterior, temos que det(A) = det(B ) = 0.

P3 . Seja A uma matriz quadrada. Se A tem duas linhas (colunas) idnticas, ento det(A) = 0.

Exemplo 1.43. Calcule o determinante das matrizes A =

a 2 a

b 5 b

c 7 c

eB =

1 2 5 7

5 2 3 1

z q w s

1 2 5 7

Soluo: A primeira e terceira linhas so idnticas em A e, em B , a primeira e a quarta coluna tambm. Portanto, de acordo com a propriedade anterior, temos que det(A) = det(B ) = 0.

P4 . Seja A = [ai j ] uma matriz quadrada de ordem n. Se A triangular inferior ou superior, ento det(A)
n

produto dos elementos diagonais det(A) =


k =1

akk . Assim, em particular, det(In ) = 1, onde In a


matriz identidade de ordem n. 3 0 2 5 4 3 0 0 1

Exemplo 1.44. Calcule o determinante da matriz A =

Soluo: det(A) = 3 5 1 = 15.

Exemplo 1.45. Calcule o determinante da matriz A =

3 0 0 0

2 1 0 0

3 4 2 0

5 7 2 6

Soluo: det(A) = 3 5 1 2 6 = 36.

P5 . Se uma matriz A de ordem n 2 tem duas las paralelas (duas linhas ou duas colunas) formadas por elementos respectivamente proporcionais, ento det(A) = 0.

Exemplo 1.46. Calcule o determinante da matriz A =

1 2x 2 2y 3 2z

x y z

Soluo: Como a segunda coluna igual ao dobro da terceira, det(A) = 0. 32

1.10.1

As Operaes Elementares Sobre Linhas e o Determinante

Veremos aqui como o determinante de uma matriz afetado pelas operaes elementares. Seja B uma matriz obtida da matriz A por:

P6 . Seja B uma matriz obtida da multiplicao de uma linha (ou coluna) de A por um escalar k . Ento, det(B ) = k det(A).

Exemplo 1.47. Qual a relao existente entre os determinantes das matrizes A =

eB =

1 3 0

2 7 5 2 2 7
7 3 0

7 14 49 3 5 2 0 2 7

Soluo:

14 49 7 1 7 2 7 7 5 2 = 3 5 2 0 2 7 2 7

1 =7 3 0

2 5 2

7 2 7

. Portanto, det(A) = 7 det(B ).

P7 . Troca entre si de duas linhas(respectivamente, colunas) de A; ento |B | = |A|.


3 Exemplo 1.48. 7

4 2

7 = 22 e 3

2 4

= 22.

1 Exemplo 1.49. 3 0

1 4 1 4 1 1 2 = 37 e 2 1 3 2 3 2 3 0

= 37.

P8 . Adicionando a uma linha ou coluna de uma matriz A, de ordem n, uma outra linha ou coluna paralela, previamente multiplicada por uma constante, obteremos uma nova matriz B tal que: |B | = |A|.
1 Exemplo 1.50. |A| = 4 4

1 um novo determinante |B | = 4 4

3 2 1

5 7 6

. Adicionando, a 1a coluna a (3) vezes a 1 3 0 5 5 1 10 7 tal que |A| = 4 2 7 = 4 4 1 6 4 11 6

2a coluna, obtemos 0 5 10 7 11 6
= |B |

Nota 12. A importncia desta propriedade reside no fato de que podemos introduzir zeros numa la de uma matriz, sem alterar seu determinante: com isso, podemos facilitar bastante seu clculo atravs do teorema de Laplace.

P9 . Se uma matriz quadrada A = [ai j ], de ordem n, tem uma linha (ou coluna) que combinao linear de outras linhas (ou colunas), ento det(A) = 0.

Exemplo 1.51. Calcule o determinante da matriz A =

25 7 1 44 8 5 27 1 6

. 33

LGEBRA LINEAR

Soluo: Pode-se vericar, facilmente, que a primeira coluna uma combinao linear da 2a e 3a colunas de A. De fato, usando os multiplicadores 3 e 4, respectivamente, temos: 3 7 + 4 1 = 25 3 8 + 4 5 = 44 . 3 1 + 4 6 = 27 Assim, det(A) = 0. Exemplo 1.52. Sem calcular, d uma justicativa plausvel. Por qu o determinante das seguintes matrizes so nulos?

(a) A =

2 4 5

3 5 1 3 4 9

(b) B =

2 1 7

3 4 2 5 12 23

Soluo: (a) nulo, pois, a 3a coluna igual a soma da 1a coluna com a 2a coluna; (b) nulo, pois, a 3a linha igual a soma do dobro da 1a linha com o triplo da 2a linha.

P10 . Teorema de Binet: Se A e B so matrizes quadradas de ordem n, ento


det(A B ) = det(A) det(B ). Exemplo 1.53. Verique que det(A B ) = det(A) det(B ), sabendo que A = 2 3 0 5

1 2 3 4

e B =

1 2 2 3 Soluo: det(A) = = 1 4 3 2 = 2, det(B ) = = 2 5 0 3 = 10 e 3 4 0 5 2 13 det(A B ) = = 58 78 = 20. Portanto, det(A) det(B ) = det(AB ) = 20. 6 29

Nota 13. Como conseqncia decorre de P10 que det(A1 ) = De fato, se existe A1 , ento: 1 . det(A)

A A1 = In det(A A1 ) = det(In ) det(A) det(A1 ) = 1 det(A) = 0


e det(A1 ) = 1 . det(A)

1.11

Matriz Adjunta

1.45 Denio. Seja A = [ai j ] uma matriz quadrada de ordem n, Ai j o cofator de ai j e A a matriz dos cofatores de A. Chamamos de matriz adjunta de A e indicamos por A, a transposta da matriz A , isto , A = (A )t . 34

Em resumo:

A=

a11 a21 . . . an 1

a12 a22 . . . an 2

... ... .. .

a1 n a2 n . . . . . . ann

, A =

A11 A21 . . . An1

A12 A22 . . . An2

A1n A2n . . . . . . Ann

... ... .. .

eA=

B11 B21 . . . Bn1

B12 B22 . . . Bn2

B1n B2n . . . . . . Bnn

... ... .. .

em que Bi j = Aji , i {1, 2, . . . , n} e j {1, 2, . . . , n}.

Exemplo 1.54. Determine a matriz adjunta de A =

1 2 3 4

Soluo: Se A =

1 3

2 4

, ento A =

4 3 2 1

, pois,

A11 = (1)2 |4| = 4 A21 = (1)3 |2| = 2


e conclumos que

A12 = (1)3 |3| = 3 A22 = (1)4 |1| = 1

A=

4 2 3 1

Exemplo 1.55. Determine a matriz adjunta de A =

1 0 2 1 3 1

2 3 0

Soluo: Se A =
A11 = (1) A21 = (1)3 A31 = (1)4
2

1 2 3

0 2 1 3 1 0

, ento A =

3 9 1 2 6 1 2 1 1

, pois,
A13 = (1) A23 = (1)5 A33 = (1)6
4

1 3 2 = 3 A12 = (1)3 3 1 0

0 2 =2 1 3 0 2 = 2 1 3

A22 = (1)4 A32 = (1)5

3 0 2 0 2 3

1 3 1 2

=9 = 6 = 3

2 3 1 3 1 2

1 1 0 1 0 2

= 1 = 1 =1

e conclumos que:

A=

3 9 1

2 2 6 1 1 1

1.12

Processo de Clculo da Inversa de uma Matriz Quadrada

1.46 Teorema. Se A uma matriz quadrada de ordem n e det(A) = 0, ento a inversa de A :

A1 =

1 A. det(A) 35

LGEBRA LINEAR

1.47 Corolrio. Seja A uma matriz quadrada de ordem n. A inversa da matriz A existe se, e somente se, det(A) = 0. Prova: Se det(A) = 0, pelo teorema anterior vimos que existe a inversa e

A1 =

1 A. det(A) 2

Se existe A1 , ento A A1 = In e det(A) det(A1 ) = det(In ) = 1 = 0. Portanto, det(A) = 0.

Exemplo 1.56. Determine a inversa, se possvel, da matriz A = teorema 1.46.


1 Como det(A) = 3

1 3

2 4

, utilizando-se do resultado do

Soluo: Logo,

2 4

4 = 2, temos que A inversvel. Segue que, A = 3

2 1

A1 =

1 2

4 2 3 1

2 1 1 3 2 2

1.13

Exerccios Propostos

1.12. O determinante de uma matriz 42. Se multiplicarmos a primeira linha da matriz por trs e dividirmos sua segunda coluna por nove, a nova matriz ter determinante igual a: (a) 12 (b) 14 (c) 21 (d) 42

1.13. A e B so matrizes quadradas de ordem 3 e B = K A. Sabe-se que det(A) = 1, 5 e det(B t ) = 96. Ento: (a) K = 64 (b) K = 96

(c) K =

a b 1.14. Dadas as matrizes A = 5 3 2 4 quaisquer valores de a, b e c , temos:

c 2 6

1 4

(d) K =

eB =

a b c

5 3 2

1 2 3

3 2

(e) K = 4

, de determinantes no-nulos. Ento, para

(a) det(A) = 2 det(B )(b) det(A) = det(B t ) (c) det(At ) = det(B ) (d) det(B ) = 2 det(A)(e) det(A) = det(B )
1.15. O valor do determinante

2 0 0 0

2 2 1 1 0 2 0 0

2 1 3 1

(a) 4

(b) 2

(c) 0

(d) 2

(e) 4

1.16. Considere as armativas: 1. Se At a transposta da matriz quadrada A, ento det(At ) = det(A). 2. Se A uma matriz quadrada de ordem 2 tal que A A = 0, ento a matriz I-A inversvel.

36

3. Se A uma matriz inversvel, ento det(A1 ) = [det(A)]1 . A soma dos nmeros associados s armativas corretas : (a) 9

(b) 5

(c) 1 0 1

1 2

(d) 4

1.17. A matriz A =

a a1 a + 1 1 1 2

inversvel se, e somente se:

(a) a = 1 e a = 2

(b) a = 1 e a = 2 (c) a = 1 e a = 2

(d) a = 1 e a = 2 (e) a = 1 ou a = 2

1.18. A e B so matrizes quadradas de ordem 3 e B = cA, sendo c um nmero real no-nulo. Se o determinante A 3 e o determinante da transposta de B 81, ento o valor de c : (a) 6 (b) 2 (c) 3 (d) 5 (e) 4

Sistemas Lineares
Muitos problemas na lgebra Linear so equivalentes ao estudo de um sistema de equaes lineares, por exemplo, a procura do ncleo de uma transformao linear e a caracterizao do subespao gerado por um conjunto de vetores. Assim, as tcnicas introduzidas nesta seo sero aplicveis aos temas subsequentes.

1.14

Equao Linear

1.48 Denio. Dados os nmeros reais a11 , a12 , . . . , a1n , b (n 1), chamamos de equao linear, nas incgnitas x1 , x2 , . . . , xn , toda equao do tipo

a11 x1 + a12 x2 + . . . + a1n xn = b .


Os nmeros a11 , a12 , . . . , a1n , so chamados coecientes e b , o termo independente da equao. Exemplo 1.57. So lineares as equaes: 13x1 + 4x2 5x3 2x4 = 5; 10x1 x2 x3 = 0 0x1 + 0x2 0x4 = 5 0x1 + 0x2 0x3 0x4 = 0 Exemplo 1.58. Observemos que no so lineares as equaes:
2 13x1 + 4x2 5x3 = 0

10x1 x2 x3 + x4 = 3 0x1 x2 x3 = 5 37

LGEBRA LINEAR

1.14.1

Soluo de uma Equao Linear

Dizemos que a seqncia ou n-upla ordenada de nmeros reais (1 , 2 , 3 , . . . , n ) uma soluo da equao linear a11 x1 + a12 x2 + . . . + a1n xn = b se a11 1 + a12 2 + . . . + a1n n = b for uma sentena verdadeira. Exemplo 1.59. Seja a equao linear 2x1 + 3x2 x3 + x4 = 3. A seqncia (1, 2, 3, 2) soluo, pois, 2 (1) + 3 (2) 3 + (2) = 3 sentena verdadeira, porm, a seqncia (1, 1, 2, 1) no soluo, pois, 2 1 + 3 1 2 + 1 = 3 sentena falsa. Exemplo 1.60. Seja a equao linear 0x + 0y + 0z = 0. fcil observar que qualquer tripla ordenada (1 , 2 , 3 ) soluo da equao.

1.15

Sistemas Lineares

1.49 Denio. Um sistema de m equaes lineares com n incgnitas (m, n 1) um conjunto de m equaes lineares, cada uma com n incgnitas, consideradas simultaneamente.

S:

a11 x1 + a12 x2 + . . . + a1n xn a21 x1 + a22 x2 + . . . + a2n xn am1 x1 + am2 x2 + . . . + amn xn

= b1 = b2 . . . = bm

Sistema Homogneo Um sistema linear dito homogneo se, e somente se, b1 = b2 = . . . = bn = 0. Exemplo 1.61. So homogneos os sistemas: 3x + 4y + z + t = 0 3x y 3z = 0 x + 2y + z 3t = 0 4x z + t = 0

S1 :

x +y +z =0 2x y + z = 0

e S2 :

Podemos observar que um sistema linear homogneo admite sempre como soluo a seqncia (1 , 2 , 3 , . . . , n ), em que i = 0, i {1, 2, 3, . . . , n}, chamada soluo trivial. Nos exemplos dados temos: (0, 0, 0) soluo de S1 e (0, 0, 0, 0) soluo de S2 .

1.15.1

Representao na Forma Matricial

Considere o sistema:

S:

a11 x1 + a12 x2 + . . . + a1n xn = b1 a21 x1 + a22 x2 + . . . + a2n xn = b2 . . . am1 x1 + am2 x2 + . . . + amn xn = bm

38

Fazendo-se:

A=

a11 a11 . . . a11

a11 a11 . . . a11

. . . a11 . . . a11 . .. . . . . . . a11

X =
m n

x1 x2 . . . xn

B=
n1

b1 b2 . . . bm

m1

podemos representar o sistema S na forma matricial por A X = B , onde A matriz dos coecientes (ou matriz incompleta), X a matriz das incgnitas e B a matriz dos termos independentes. Exemplo 1.62. O sistema linear S1 :

2x + 3y = 4 pode ser escrito na forma matricial por: x y =2 2 1 3 1


x y

4 2

Exemplo 1.63. O sistema linear S2 :

x +y =4 3x y = 1 pode ser escrito na forma matricial por: 2x y = 0


1 1 3 1 2 1

x y

4 1 0

1.15.2

Matriz Ampliada do Sistema

Dado um sistema linear S : A X = B , a sua matriz ampliada denida por:

a11
M = [A|B ] ou M =

a11 a11 . . . a11

. . . a11 . . . a11 . .. . . . . . . a11

a11 . . . a11

. . b . 1 . . b . 2 . . . . . . . . b . n

em que A a matriz dos coecientes e B a matriz dos termos independentes.

1.16
1.16.1

Conjunto Soluo de um Sistema Linear


Soluo de um Sistema Linear

1.50 Denio. Dizemos que (x1 , x2 , . . . , xn ), em que xi R uma soluo do sistema S , se satisfaz todas as equaes de S . O conjunto de todas as solues de um sistema linear denominado Conjunto Soluo. Exemplo 1.64. Dado o sistema S1 : pois, 2x + 3y = 4 ; o par ordenado (2, 0) a soluo desse sistema, x y =2

22+30 =0 so sentenas verdadeiras. 20=2

39

LGEBRA LINEAR

Exemplo 1.65. O sistema S2 :

x +y +z =6 2x + y z = 1 admite como soluo a tripla ordenada (1, 2, 3), pois, 3x y + z = 4

1+2+3=6 2 1 + 2 3 = 1 so sentenas verdadeiras. Porm, S2 no admite, como soluo a tripla (5, 11, 0), 312+3 =4 pois a mesma no soluo da equao 3x y + z = 4, ou seja, 3 (5) 11 + 0 = 4 uma sentena falsa.

1.16.2

Sistemas Equivalentes

1.51 Denio. Se um sistema linear S1 foi obtido de um sistema linear S atravs de um nmero nito de operaes elementares (ver 1.5), dizemos que S1 equivalente a S . Notao: S1 S . Podemos observar que para a relao valem as seguintes propriedades: (a) S S (reexiva) (b) S1 S S S1 (c) S1 S e S S2 S1 S2 Nota 14. Sistemas lineares equivalentes possuem o mesmo conjunto soluo. Desta forma, criamos um mecanismo extremamente til para a procura de solues de um sistema linear S . Procuramos sempre encontrar um sistema linear equivalente a S e que seja mais simples. Vejamos um exemplo. Exemplo 1.66. Consideremos o sistema:

S:

x y +z =1 2x y + z = 4 x 2y + 2z = 0

e observe a seqncia de operaes elementares aplicadas. Soluo: Efetuando-se as operaes (L2 = L2 2L1 ) e (L3 = L3 L1 ) em S , temos:

S S (1) =
Neste, efetuando-se L3 = L3 + L1 , temos:

x y +z y + z y + z

= = =

1 2 1

(1)

(2)

x y +z = y z = 0 =

1 2 1

Como este ltimo sistema impossvel ou incompatvel, o mesmo acontece com o sistema S dado inicialmente. 40

1.16.3

Sistemas Escalonados (Mtodo de Gauss-Jordan)

As operaes elementares sobre as linhas de um sistema so:

1. Permuta da i -sima e j -sima equaes. 2. Multiplicao de uma equao por k R . 3. Substituio da i -sima equao por ela prpria mais k vezes a j -sima equao, com i = j .

Consideremos um sistema linear de m equaes com n incgnitas que tem o seguinte aspecto:

a1r1 xr1
S:

a1r2 xr2 a2r2 xr2

+ +

a1r3 xr3 a2r3 xr3 akrk xrk

+ + +

... + ... + ... +

a1n xn a2n xn akn xn 0xn

= b1 = b2 . . , . = bk = bk +1

em que, a1r1 = 0, a2r2 = 0, . . ., akrk = 0 e cada ri 1. Se tivermos 1 r1 < r2 . . . < rk n, ou seja, o nmero de coecientes nulos, antes do primeiro coeciente no-nulo, aumenta de equao para equao, dizemos que S um sistema linear escalonado. Esto escalonados os sistemas:

x
S1 :

y y

+ 3z z 2z

= = =

1 4 5

S2 :

4y 2y

+ +

z z

= =

5 0

4x

S3 :

z z

t t 2t

= = =

1 0 1

1.52 Proposio. Todo sistema linear S equivalente a um sistema escalonado.

Sendo todo sistema equivalente a um sistema escalonado, bastar que saibamos lidar com os sistemas escalonados e saibamos reduzir um sistema qualquer a um escalonado. Nota 15. Convm observar que as equaes do tipo 0 = 0 que, por ventura, aparecerem no processo de escalonamento devem ser suprimidas. Exemplo 1.67. Escalonar o sistema: 2x 3x 2x 5x y + 2y y + +

S:

z z z

t 2t t 2t

= = = =

4 1 0 1 41

LGEBRA LINEAR

Soluo:

z z z

+ + +

2x 3x 2x 5x + +

+ +

y 2y y

t 2t t 2t
= = = =

= = = = 4 1 4 1

4 1 0 1

+ 2x 5x 4x 5x 2x +

y + y 2y +

+ + +

t t 2t 2t t
1 t 5 14 t 5

= = = = = = = = 4 5 0 4

4 5 4 1 4 1 0 4

+ 2x

y
1 y 5 2y

t
1 t 5 2t 2t + +

y
1 y 5 14 y 5

x
4x 5x

y y y y

t t t t 2t
= = = =

+ 2x 5x

y + y y y

t t t t

= = = =

4 5 0 4

2x 5x

+ +

Observe o leitor que (1, 2, 2, 2) a nica soluo de S , pois, a nica soluo do sistema escalonado.

1.16.4

Classicao dos Sistemas quanto ao Conjunto Soluo

1.53 Teorema. Um sistema de m equaes com n incgnitas admite soluo se, e somente se, o posto da matriz ampliada (P (M )) igual ao posto da matriz dos coecientes (P (A)). De forma mais explicativa temos que: i. Se P (M ) = P (A) = n (nmero de incgnitas) a soluo ser nica e o sistema classicado como determinado, compatvel ou consistente; ii. Se P (M ) = P (A) < n a soluo ser indeterminada, ou seja, existe um grau de liberdade. Chamando P (M ) = P (A) = p , o grau de liberdade ser n p . Teremos na verdade innitas solues e o sistema classicado como indeterminado. Se P (M ) = P (A) o sistema no possui soluo e o mesmo classicado como Impossvel, Inconsistente ou Incompatvel. Nota 16. Um sistema homogneo sempre possvel, pois admite, pelo menos, a soluo trivial (0, 0, . . . , 0).

1.17

Discusso e Resoluo de um Sistema Linear

Discutir um sistema linear S signica efetuar um estudo de S visando a classic-lo em sistema possvel determinado (SPD), sistema possvel indeterminado (SPI) ou sistema impossvel (SI). Seja S um sistema linear de m equaes com n incgnitas. Procedendo ao escalonamento de S e retiradas as equaes do tipo 0 = 0, restam p equaes com n incgnitas. 42

(I) Se a ltima das equaes restantes

0x1 + . . . + 0xn = bp (bp = 0), ento o sistema incompatvel;

(II) Se p = n o sistema compatvel determinado;

(III) Se p < n, ento o sistema compatvel indeterminado. Assim, podemos escolher n p incgnitas, e as outras p incgnitas sero dadas em funo destas. Neste caso o sistema ter innitas solues.

Exemplo 1.68. Discutir e resolver o seguinte sistema:

S:

x 2x 3x

y y y

+ + +

z 2z z

= 1 = 0 . = 1

Soluo: Efetuemos em S as seguintes operaes sobre obtenhamos S1 S x y + z S1 : 3y 2y 2z

linhas: L2 L2 2L1 e L3 L3 3L1 e = = = 1 2 2

Com as operaes sobre linhas L3 L2 e L2 1 L2 , encontramos S2 S1 2

x
S2

y y 3y

+ z z

= 1 = 1 = 2

Fazendo-se L3 L3 3L2 , encontramos S3 S2

x
S3

y y

z z 3z

= 1 = 1 = 1

x y +z y z z

= 1 = 1 = 1 3

x y

= = =

2 3 1 3 2 3

x =0 y =
2 3 1 z= 3

y z

Portanto, nos restaram p = 3 equaes e n = 3 incgnitas. Como p = n, o sistema compatvel 2 1 o vetor soluo. determinado e 0, , 3 3 Exemplo 1.69. Resolva, por escalonamento, os sistemas lineares:

S1
5x 3x 4x + 2y y 3y + 2z + 4z + z = = = 2 1 3

S2

x x

+ y + y

z z

+ +

3t 2t

: = 1 S3 : = 0

x x 2x

+ +

y y y

+ +

z z z

= 1 = 2 = 3 43

LGEBRA LINEAR

Soluo:

S1

y 2y 3y y
+

+ +

3x 5x 4x

+ + +

4z 2z z

= = =

1 2 3

3x 11x 13x 3x x

+ + + + +

4z 10z 13z 4z z z

= 1 = 0 = 0

3x 11x x

+ 4z + 10z + z

= 1 = 0 = 0

= 1 = 0 = 0

De z = 0, tiramos x = 0 e da teremos y = 1. Resposta: (0, 1, 0) a nica soluo; o sistema compatvel determinado. Soluo:

S2 :

+ y

z 2z

+ +

3t t

= =

1 1

x t

= 2 + 5z y = 1 2z

Resposta: {(2 + 5z y , y , z , 1 2z ); y , z R} o conjunto soluo do sistema. O sistema compatvel indeterminado, pois, tem innitas solues. Soluo: S3 equivalente a

+ y 2y y

z 2z z

= 1 = 1 = 1

y y 2y

+ z + z + 2z

= = =

1 1 1

y y

+ +

z = z = 0 =

1 1 1

O sistema, portanto, incompatvel, por causa da igualdade 0 = 1.

Exemplo 1.70. Discuta, em funo de a, os sistemas: 2x 2x x 2y y ay + + +

S1 :

az az z

= 2 = 3 = 0

S2 :

x x x

+ +

y ay

az 2z + 4z

= = =

2 a 5

Soluo: Efetuemos a operao sobre linha L2 L2 L1 para obtermos um sistema S1


(2) S1

(2)

2x 2y + az = 2 0x y + 0z = 3 x ay + z = 0

2x 2y + az = 2 y =1 x +z =3

S1

2x + az = 4 x +z =a x +z =a L2 L 2 2 L1 . x +z =a 2x + az = 4 (a 2)z = 4 2a Se a = 2 temos 0z = 0 e x + z = 2. Como descartamos equaes do tipo 0z = 0, camos com p = 1 (uma equao) e n = 2 (duas incgnitas). Portanto, p < n e o sistema possvel e indeterminado. Porm, se a = 2 temos p = n = 2. Portanto, o sistema possvel e determinado, tendo como soluo 4 2a S1 = {(a + 2, 1, 2)}, pois, da equao (a 2)z = 4 2a z = z = 2. a2

44

1 0 a | 2 1 0 a | 2 L3 L3 aL2 0 1 0 1 2 + a | a 2 2+a | a 2 0 a 4a | 3 0 a a 2 3a + 4 | a 2 + 2a 3 Temos que analisar a expresses a2 3a + 4 e a2 + 2a 3 para ns de discusso do sistema. Se a2 3a + 4 = 0e a2 + 2a 3 = 0 teremos n = p = 3 e, portanto, o sistema possvel e determinado. Se a2 3a + 4 = 0 e a2 + 2a 3 = 0 temos que o sistema possvel e indeterminado. E se a2 3a + 4 = 0 e a2 + 2a 3 = 0 o sistema ser impossvel. Encontrando as razes da equao a2 3a + 4 = 0, obtemos a = 1 e a = 4. Portanto se a = 1 e a = 4 ento o sistema possvel, determinado. Se a = 4 o sistema impossvel. Se a = 1, o sistema possvel, indeterminado e S = {(x , y , z ) R3 ; x = z 2; y = 3z 3)}.

Soluo: Para facilitar os clculos esbocemos as matrizes apenas com os coecientes das incgnitas. 1 0 a | 2 1 0 a | 2 L2 L2 L1 1 1 2 | a 0 1 2 a | a + 2 L2 L2 L2 L3 L1 1 a 4 | 5 0 a 4a | 3

1.18

Sistemas de Crammer

1.54 Denio. Um sistema de Crammer um sistema linear de n equaes com n incgnitas cuja matriz dos coecientes inversvel. 1.55 Proposio. Se AX = B um sistema de Crammer, ento esse sistema compatvel determinado e sua nica soluo dada por A1 B . Em particular, um sistema quadrado e homogneo cuja matriz dos coecientes inversvel s admite a soluo trivial. Prova: De fato, se AX = B um sistema de Crammer, temos A1 (AX ) = A1 B . Segue que, X = A1 B . 2

1.18.1

Regra de Crammer

Consideremos um sistema de Crammer AX = B , ai j R e bi R, i , j . De posse do conhecimento de que tais sistemas so compatveis determinados com soluo dada por X = A1 B e levando em 1 AB , ou seja, considerao o teorema ( 1.46) temos: X = det(A)

x1 x1 . . . x1

1 det(A)

A11 A12 ... A1n

A21 A22 ... A2n

. . . An1 . . . An2 ... ... . . . Ann

b1 b2 . . . bn

Aj 1 bj
= 1 det(A)
j =1

. . .
n

Ajn bj
j =1

O termo
j =1

Aj 1 bj o determinante da matriz

1 =

b1 a21 b2 a22 ... ... bn a2 n

. . . an 1 . . . an 2 ... ... . . . ann

45

LGEBRA LINEAR

desenvolvido pela sua primeira coluna. De um modo geral, o termo


j =1

Ajk bj , k = 1, 2, . . . , n, o desen-

volvimento, pela coluna k -sima, do determinante da matriz

k =

a11 a21 ... an 1

. . . b1 . . . b2 ... ... . . . bn

. . . a1 n . . . a2 n ... ... . . . ann

obtida de A, pela substituio de sua k -sima coluna por B . Temos ento, nalmente,

xk =

det(k ) , k = 1, 2, . . . , n. det(A)

Esta frmula d a soluo de AX = B quando A inversvel e conhecida como regra de Crammer. Exemplo 1.71. Resolver o sistema 2x y 2z = 5 4x + y + 2z = 1 8x y + z = 5 utilizando a regra de Crammer. Soluo: Neste caso

A=
Alm disso,

2 1 4 1 8 1

2 2 1

e det(A) = 18.

1 2 1 = 2 = 3 = 1 2 1 1 18 18 36 com det(1 ) = 18, det(2 ) = 18 e det(3 ) = 36. Logo, x = = 1, y = =1e = 2. 18 18 18 2 4 8 2 4 8

1 2 1 2 1 1

2 1 2 4 1 2 8 1 1

1.19

Exerccios Propostos

1.19. Resolva os sistemas abaixo, usando o escalonamento:

S1 :

x + 2y 2z = 6 3x + 2y 2z = 2 3x 5z = 9

S2 :

x y + 2z = 4 3x + y + 4z = 6 x +y +z =1

S3 :

x + 2y 3z = 0 2x + 4y 2z = 2 3x + 6y 4z = 3

S4 :

x y z =4 x y +z =2

1.20. Discuta em funo de k os sistemas: 4x 5x 2x + 3y 4y y = 2 = 0 = k

S1 :

S2 :

x kx

+ y + y

kz z

= =

0 2

1.21. Determine os valores de a e de b que tornam o seguinte sistema possvel e determinado. 3x x 5x x 46 7y + y + 3y + 2y = = = =

a b 5a + 2b a+b1

1.22. Utilize a Regra de Crammer para resolver os sistemas:

(a)

x 2x x

+ + +

y 5y 7y

+ z 2z 7z

= = =

6 6 10

(b)

x x

3y y

= 8 = 0

1.20
1.1 (a) 1 5

Gabarito
2 1 4 0 4 5 6 ; (b) no possvel; (c) 1 0 0

15 4 ; (d) no possvel; (e)

15

9 1 0 0 0 1

0 1 0

; (h)
7 9 26 9

0 2 1 2 0 1 2 0

1 2

1 0

; (f)

1.2 (d) 1.3(e) 1.4 (d) 1.5 (c) 1.6 1.7 (a) 1 0 0 0 0
1 2 1 2

(b)

1 0 0
5 2

0 1 0

1 8 13

1 5 1

; (g)

P (A) = 2; N (A) = [4 2] = 2.

, P (A) = 2; N (A) = [3 2] = 1. (c)

0 1 0

7 2

3 0

2 0

, P (A) = 2; N (A) = [4 2] = 2. 1 0 0 0 0 1 0 0 0 0 1 0

1.8 1.9 (a)

(f) H = I3 (g) J =

1 0

0 0

(b) impossvel (c) impossvel (d) F =

1 0

0 0
1 2

(e) G =

1 0 0

0 1 0

0 0 0

1.10 V, V, F, F. 1.11 (i) A1 =

1 1.16 (c) 1.17 (b) 1.18 (c) 1.19 S1 = {(2, 1, 3)}, S2 = {(x , y , z ) R ; x = 53z e y = z 3 }, S3 = {( 34y , y , 2 ), y R} e 2 2 2 S4 = {(x , y , z ) R3 ; x = y + 3 e z = 1}; 1.20 S1 : Se k = 6, ento o sistema possvel determinado e S1 = {(8, 10)}. Se k = 6, o sistema impossvel. S2 : Se k = 1, ento o sistema possvel e indeterminado. Se k = 1, o sistema impossvel. S3 : Se k = 2, ento o sistema possvel, determinado e S3 = {(k + 2, 1, 2)}. Se k = 2, o sistema indeterminado. S4 : Se k = 1 e k = 4, ento o sistema possvel, determinado. Se k = 4 o sistema impossvel. Se k = 1, o sistema possvel, indeterminado 2 x = 1 = 28 3 3

3 1

5 2

(ii) B 1 =

1 2

(iii) Matriz no inversvel. 1.12 (b) 1.13 (e) 1.14 (a) 1.15 (e)

e S = {(x , y , z ) R3 ; x = z 2; y = 3z 3}. 1.21 a = 2 e b = 4 1.22 (a) det(A) = 42,

2 = 108 3 = 172

y =

18 7 86 21

(b)

det(A) = 4,

z =

1 = 8 2 = 8

e x = y = 2.

Espaos e Subespaos Vetoriais Espao Vetorial


Apresentao
Em vrias partes da matemtica, defrontamo-nos com um conjunto, tal que , ao mesmo tempo, signicativo e interessante lidar com combinaes lineares dos objetos daquele conjunto. Por exemplo, em nosso estudo de equaes lineares, foi bastante natural considerar combinaes lineares das linhas de uma matriz. A grosso modo, a lgebra linear trata das propriedades comuns a sistemas algbricos constitudos por um conjunto mais uma noo razovel de uma combinao linear de elementos do conjunto. Neste tema estudaremos o ambiente dos Espaos Vetoriais que, como a experincia nos mostra, a abstrao mais til deste tipo de sistema algbrico. 47

LGEBRA LINEAR

2.1

Introduo

Em vrias aplicaes fsicas aparecem certas grandezas tais como temperatura, massa e presso, que possuem somente magnitude. Estas podem ser representadas por nmeros reais e so chamadas grandezas escalares. Por outro lado, tambm h grandezas, como fora, acelerao e velocidade, que possuem alm de magnitude, direo e sentido. Estas podem ser representadas por echas (tendo comprimento e direo apropriados e partindo de um dado ponto de referncia 0) e so chamadas vetores. Comeamos por considerar as seguintes operaes com vetores: (i) Adio: A resultante + de dois vetores obtida pela lei do paralelou v + a diagonal do paralelogramo formado por e . gramo, isto , u v u v Essa adio dotada das propriedades comutativa, associativa, alm da existncia do elemento neutro (vetor nulo) e do oposto para cada vetor.

O vetor nulo pode ser representado por qualquer ponto do espao e o oposto de um vetor de mesma direo e mesmo mdulo, u u porm, de sentido contrrio. Veja a gura ao lado.

u u

(ii) Multiplicao por escalar: O produto , de um nmero u obtido multiplicando a magnitude real por um vetor u de por e mantendo o mesmo sentido, se > 0 ou, o u sentido oposto, se < 0, como mostra o esquema abaixo:

(>0) u (<0) u

Supomos que o estudante esteja familiarizado com a representao de pontos no plano por pares ordenados de nmeros reais. Se a origem dos eixos escolhida no ponto de referncia 0 como no exemplo acima, ento cada vetor determinado, de maneira nica, pelas coordenadas da sua extremidade. As relaes entre as operaes acima e as extremidades dos vetores so as seguintes:

(i) Adio. Se (a, b ) e (c , d ) so as extremidades dos vetores u e v , ento (a + c , b + d ) ser extremidade de u + v , como mostra a gura ao lado. (ii) Multiplicao por escalar. Se (a, b ) a extremidade do vetor u , ento (a, b ) ser a extremidade do vetor u , como mostra a gura ao lado. Matematicamente, identicamos um vetor com sua extremidade; isto , chamamos o par ordenado (a, b ), de nmeros reais, um vetor. Na realidade, generalizaremos esta noo e chamaremos uma n-upla (a1 , a2 , . . . , an ) de nmeros reais de vetor. 48

y b+d b d a y b b a
a

c a+c

2.2

Espaos Vetoriais

A denio de um espao vetorial envolve um corpo arbitrrio cujos elementos no contexto da lgebra Linear so chamados de escalares. Veremos a seguir a denio de corpo. 2.1 Denio. Um corpo um conjunto K , munido de duas operaes, uma chamada adio que, a cada par de elementos a, b K , associa um elemento a + b K , e outra chamada multiplicao, que a cada par de elementos a, b K , associa um elemento a b K , satisfazendo as seguintes condies:

K1 : a + b = b + a, a, b K (comutatividade da adio); K2 : a + (b + c ) = (a + b ) + c , a, b , c K (associatividade da adio); K3 : existe um elemento 0 K tal que a + 0 = a, a K (existncia do elemento neutro para a adio); K4 : para cada a K existe um elemento a K tal que a + (a) = 0 (existncia do elemento simtrico para a adio); K5 : ab = ba, a, b K (comutatividade da multiplicao); K6 : a(bc ) = (ab )c , a, b K (associatividade da multiplicao); K7 : existe um elemento 1 K tal que 1a = a, K ( existncia do elemento neutro para a multiplicao);
1 K8 : para cada a K , a = 0, existe a1 K , tambm denotado por , tal que a a1 = 1 (existncia do a elemento inverso para a multiplicao);

K9 : a(b + c ) = ab + ac , a, b , c K (distributividade da multiplicao em relao a adio).


Os conjuntos R dos nmeros reais, C dos nmeros complexos, so exemplos de corpos. O conjunto Z dos inteiros e Q dos nmeros racionais so outros exemplos de corpos em relao s operaes usuais de adio e multiplicao. O conjunto M de todas as matrizes 2 2, com elementos reais no constituem um corpo. Lembre-se que no vlida a propriedade comutativa para a multiplicao de matrizes. Ao longo do presente texto K denotar sempre um corpo. 2.2 Denio. Dizemos que um conjunto V = , um espao vetorial sobre um corpo K se, e somente se, I - Existe uma operao de adio (u , v ) u + v em V , que verica os seguintes axiomas:

A1 : u + v = v + u , u , v V (comutativa); A2 : (u + v ) + w = u + (v + w ), u , v , w V (associativa); A3 : Existe em V um elemento neutro para essa adio o qual ser simbolizado, genericamente, por 0. Ou seja:
0 V ; u + 0 = u, u V ;

A4 : Para todo elemento u de V existe o oposto que indicado por (u ). Assim:


u V , (u ) V ; u + (u ) = 0; 49

LGEBRA LINEAR

II - Est denida uma multiplicao de K V em V , o que signica que a cada para (, u ) de K V est associado um nico elemento de V , que se indica por u , e, para essa operao, os seguintes axiomas so vericados:

M1 : ( u ) = ()u , u V e , K ; M2 : ( + )u = u u , u V e , K ; M3 : (u + v ) = u + v , u , v V e K ; M4 : 1 u = u , V .
Os elementos de um espao vetorial, independente de sua natureza, so chamados de vetores. O elemento neutro da adio, de vetor nulo desse espao. Os elementos de K so denominados escalares. Naturalmente, o termo vetor inspirado nos elementos de espao euclidiano(espao vetorial real), porm tambm usado para designar, por exemplo, uma matriz ou uma funo. Observe-se que o smbolo + usado indistintamente para representar a soma de escalares ou a soma de vetores, embora representando operaes distintas. O estudante tambm deve est atento para distinguir entre o produto dos escalares , K e o produto u do escalar pelo vetor u . Veremos, a seguir, alguns exemplos de espaos vetoriais. Onde em alguns desses exemplos vericaremos se as operaes denidas nos espaos apresentados realmente satisfazem as condies A1 , A2 , A3 , A4 e M1 , M2 , M3 , M4 da denio 2.2 e nos demais deixaremos como exerccio. Na maioria dos casos, nos limitaremos a descrever o vetor nulo e, para cada vetor u V , o vetor u V o simtrico de u em relao soma em V . Vejamos alguns exemplos de espaos vetoriais. Exemplo 2.1. Os espaos vetoriais euclidianos R, R2 , R3 , Rn . No novidade que a adio de nmeros reais verica as propriedades A1 , A2 , A3 , A4 da denio de espao vetorial. To pouco que o produto de um nmero real por um outro tambm um nmero real e que essa multiplicao obedece aos tens M1 , M2 , M3 e M4 da denio mencionada. Logo, R um espao vetorial sobre o corpo K = R. O conjunto R2 = R R = {(x , y )/x , y R} interpretado geometricamente como sendo o plano x 0y , onde v = (x , y ) identica as coordenadas de P com as componentes de v . (Figura) A origem do sistema O (0, 0) representa o vetor nulo. (Figura) O vetor oposto de v = (x , y ) o vetor v = (x , y ).) (Figura)

2.3

Igualdade e Operaes

2.3 Denio. Dois vetores u = (x1 , y1 ) e v = (x2 , y2 ) so iguais se, somente se, x1 = x2 e y1 = y2 , e escreve-se u = v . 2.4 Denio. Sejam os vetores u = (x1 , y1 ) e v = (x2 , y2 ) e R. Dene-se: (a) u + v = (x1 + x2 , y1 + y2 ); (b) u = (x1 , y1 ). Veriquemos agora se com estas operaes o conjunto R2 tem estrutura de um espao vetorial, ou seja, satisfaz os axiomas da denio de espao vetorial. 50

Dados os vetores u = (x1 , y1 ), v = (x2 , y2 ), w = (x3 , y3 ) R2 temos:

A1 : u + v = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) = (x2 + x1 , y2 + y1 ), pois as coordenadas so nmeros reais onde vlida a propriedade comutativa. Segue que
(x2 + x1 , y2 + y1 ) = (x2 , y2 ) + (x1 , y1 ) = v + u . Portanto, u + v = v + u .

A2 : (u + v ) + w = (x1 + x2 , y1 + y2 ) + (x3 , y3 ) = [(x1 + x2 ) + x3 , (y1 + y2 ) + y3 ] = [x1 + (x2 + x3 ), y1 + (y2 + y3 )] = (x1 , y1 ) + (x2 + x3 , y2 + y3 ) = u + (v + w ). Portanto, (u + v ) + w = u + (v + w ). A3 : Existe um s vetor nulo 0, o par ordenado (0, 0) tal que, para todo vetor u = (x1 , y1 ), se tem: u + 0 = (x1 , y1 ) + (0, 0) = (x1 , y1 ) = u . A4 : Qualquer que seja o vetor u = (x1 , y1 ), existe um s vetor u = (x1 , y1 )(vetor oposto de u) tal que: u + (u ) = (x1 , y1 ) + (x1 , y1 ) = (0, 0) = 0. M1 : ()u = ()(x1 , y1 ) = (()x1 , ()y1 ) = ( x1 , y1 ) = ((x1 , y1 )) = ( u ). M2 : ( + )u = ( + )(x1 , y1 ) = (( + )x1 , ( + )y1 )) = (x1 + x1 , y1 + y1 ) = (x1 , y1 ) + (x1 , y1 ) = u + u . M3 : (u + v ) = (x1 + x2 , y1 + y2 ) = ((x1 + x2 ), ((y1 + y2 )) = ((x1 + x2 ), (y1 + y2 )) = (x1 , y1 ) + (x2 , y2 ) = (x1 , y1 ) + (x2 , y2 ) = u + v . M4 : 1u = 1(x1 , y1 ) = (1x1 , 1y1 ) = (x1 , y1 ) = u
Portanto, o conjunto R2 com as operaes acima denidas constitui um espao vetorial. O conjunto R3 = R R R = {(x , y , z )/x , y , z R} interpretado geometricamente como sendo o espao cartesiano tridimensional Oxy z ou conjunto de todas as ternas ordenadas de nmeros reais onde v = (x , y , z ) identica as identica as coordenadas de P com as componentes de v . (Figura) A origem do sistema O (0, 0, 0) representa o vetor nulo. (Figura) O vetor oposto de v = (x , y , z ) o vetor v = (x , y , z ).) (Figura) De fato, segue de forma anloga ao conjunto R2 o qual vimos acima, inclusive a igualdade entre vetores e as operaes de adio e multiplicao. Assim a adio e a multiplicao por escalares so denidas no R3 por: a) u + v = (x1 , y1 , z1 ) + (x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ); b) u = (x1 , y1 , z1 ) = (x1 , y1 , z1 ). Faremos, neste caso, apenas a vericao dos axiomas relativos adio. Dados os vetores u = (x1 , y1 , z1 ), v = (x2 , y2 , z2 ), w = (x3 , y3 , z3 ) R3 temos:

A1 : u + v = (x1 , y1 , z1 )+(x2 , y2 , z2 ) = (x1 + x2 , y1 + y2 , z1 + z2 ) = (x2 + x1 , y2 + y1 , z2 + z1 ), pois as coordenadas so nmeros reais onde vlida a propriedade comutativa. Segue que (x2 + x1 , y2 + y1 , z2 + z1 ) = (x2 , y2 , z2 ) + (x1 , y1 , z1 ) = v + u . Portanto, u + v = v + u .
51

LGEBRA LINEAR

A2 : (u + v ) + w = (x1 + x2 , y1 + y2 , z1 + z2 ) + (x3 , y3 , z3 ) = [(x1 + x2 ) + x3 , (y1 + y2 ) + y3 , (z1 + z2 ) + z3 ] = [x1 + (x2 + x3 ), y1 + (y2 + y3 ), z1 + (z2 + z3 )] = (x1 , y1 , z1 ) + (x2 + x3 , y2 + y3 , z2 + z3 ) = u + (v + w ). Portanto, (u + v ) + w = u + (v + w ). A3 : Existe um s vetor nulo 0, a terna ordenada (0, 0, 0) tal que, para todo vetor u = (x1 , y1 , z1 ), se tem: u + 0 = (x1 , y1 , z1 ) + (0, 0, 0) = (x1 , y1 , z1 ) = u ; A4 : Qualquer que seja o vetor u = (x1 , y1 , z1 ), existe um s vetor u = (x1 , y1 , z1 ) (vetor oposto de u ) tal que: u + (u ) = (x1 , y1 , z1 ) + (x1 , y1 , z1 ) = (0, 0, 0) = 0.
Nota 17. Os elementos de R2 e os do R3 so de natureza distinta e assim sendo no deve o estudante cometer o engano de dizer que o R2 subconjunto do R3 . Mais adiante ser explicado que o R2 pode, de uma certa maneira, ser considerado idntico ao subconjunto {(x , y , 0)|x , y R} do R3 . E de forma anloga a R2 e R3 podemos assim generalizar, mencionando o conjunto Rn = R R R . . . R = {(x1 , x2 , x3 , . . . , xn /xj R}, que o conjunto de todas as n-uplas de nmeros reais. O Rn pode ser visto como espao vetorial sobre K = R desde que se denam adio e multiplicao da seguinte maneira: (x1 , . . . , xn ) + (y1 , . . . , y2 ) = (x1 + y1 , . . . , xn + yn ); (x1 , . . . , xn ) = (x1 , . . . , xn ). Ora, tal armao pressupe que se tenham vericado os oito axiomas que constam da denio, o que deixaremos como exerccio. Exemplo 2.2. Os espaos vetoriais complexos C e C2 . Soluo: Com a mesma argumentao utilizada para justicar o conjunto R como espao vetorial, verica-se que C um espao vetorial sobre K = C(corpo dos nmeros complexos). Mas C tambm um espao vetorial sobre o corpo R. Quanto adio no h novidades: tudo como no caso anterior. O produto de um nmero complexo por um nmero real um nmero complexo e para essa multiplicao valem M1 , M2 , M3 , M4 como situaes particulares das propriedades da multiplicao em C. Seja C = {a + bi , a, b R} e dados os vetores u = a + bi e v = c + di temos que: (a) u + v = (a + b ) + (c + d )i (b) u = u + bi O vetor nulo dos complexos tem a forma 0 + 0i , ou seja parte real e imaginria nula. Dado u = a + bi , o vetor simtrico a u u = a bi . Quanto ao conjunto C2 faz-se uma analogia ao conjunto R2 tendo ateno quanto a multiplicao de nmeros complexos. Seja C2 = {(a + bi , c + di )/a, b , c , d R} com soma e produto usuais dos nmeros complexos e dados u = (a1 + b1 i , c1 + d1 i ) e v = (a2 + b2 i , a2 + b2 i ) temos ento: (a) u + v = (a1 + b1 i , c1 + d1 i ) + (a2 + b2 i , a2 + b2 i ) = [(a1 + a2 ) + (b1 + b2 )i , (c1 + c2 ) + (d1 + d2 )i ] (b) u = (a1 + b1 i , c1 + d1 i ) = [a1 + (b1 )i , c1 + (d1 )i ] 52

Note que, assim como o espao vetorial C, C2 um espao vetorial sobre C e sobre R, pois, na denio, as constantes a e b podem ser reais ou complexas. Deixemos como exerccio para o estudante a vericao das propriedades A1 , A2 , A3 , A4 , M1 , M2 , M3 e M4 de C e C2 . Exemplo 2.3. O conjunto Mmn (R) um espao vetorial sobre R. Soluo: No conjunto Mmn (R) tambm est denida uma adio, a adio de matrizes estudadas no tema 1. Conforme vimos nesse tema, essa adio associativa, comutativa, admite elemento neutro, que a matriz nula 0 0 ... 0 0 0 ... 0 ... ... ... ... 0 0 ... 0 e toda matriz A Mmn (R) tem uma oposta. Pode-se tambm multiplicar uma matriz por um nmero forma: a11 a12 . . . a1n a11 a21 a22 . . . a2n a21 = ... ... ... ... ... am1 am2 . . . amn am1 real obtendo-se uma matriz da seguinte a12 a22 ... am2 . . . a1n . . . a2n ... ... . . . amn

Essa multiplicao apresenta as mesmas propriedades que as destacadas em R2 , R3 , Rn . Ou seja, valem sempre as igualdades:

M1 : ()A = ( A); M2 : ( + )A = A + A; M3 : (A + B ) = A + B ; M4 : 1A = A.
Nota 18. O vetor u = (x1 , x2 , x3 , . . . , xn ) e o vetor v = (y1 , y2 , y3 , . . . , yn ) podem aparecer, s vezes, com a notao matricial (matriz-coluna n 1), ou seja, podemos ter o Rn na forma de matriz:

x1 x2 . . . xn

y1 y2 . . . yn

Sendo assim u + v e u na notao matricial so, respectivamente, os vetores

x1 + y1 x2 + y2 . . . xn + yn

x1 x2 . . . xn

Conforme acabamos de ver, os conjuntos Rn e Mmn , munidos desse par de operaes, apresentam uma estrutura comum em relao a essas operaes. Esse fato no vale apenas para esses conjuntos com essas operaes mas para muitos outros, razo que justica estud-los simultaneamente a luz de uma estrutura comum entre eles que a de um espao vetorial. 53

LGEBRA LINEAR

2.3.1

Propriedades de um Espao Vetorial

Seja V um espao vetorial sobre um corpo K . Provaremos, a seguir, algumas propriedades que so conseqncias praticamente imediatas da denio de espao vetorial.

P1 . Para todo R, 0 = 0.
Prova: Devido aos axiomas M3 e A3 da denio de espao vetorial tm-se: 0 = (0 + 0). Somando a ambos os membros o vetor (0) temos: 0 = (0) + 0 = 0 + 0 + 0 = 0. 2

P2 . Para todo u V , 0u = 0.
A prova deixada como exerccio (anlogo ao anterior).

P3 . Uma igualdade u = 0, com R e u V , s possvel se = 0 ou u = 0.


Prova: Suponha que = 0. Logo, existe o nmero real 1 . Multiplicando-se a equao u = 0 por 1 , temos: 1 (u ) = 1 0. Levando-se em conta o axioma M1 , a propriedade P1 e que 1 = 1, podemos concluir (usando o axioma M4 ) que u = 0. 2

P4 . Para todo R e todo u de V , ()u = (u ) = (u ).


Prova: Notemos que u + ()u = ( + ())u = 0u = 0 usando o axioma M2 e P2 . Por outro lado, u + (u ) = 0. Ento: u + ()u = u + (u ). Somando u a ambos os membros desta ltima igualdade acharemos: ()u = u . Um raciocnio anlogo nos mostrar que (u ) = (u ). Nota 19. Dene-se diferena entre dois vetores u e v do espao V , assim: 2

u v = u + (v ). P5 . Quaisquer que sejam , R e u V , ( )u = u u .


Prova: ( )u = ( + ())u = u + ()u = u + (( u )) = u u . 54 2

P6 . Quaisquer que sejam em R e u em V , (u v ) = u v .


Anloga anterior. Fica como exerccio.

P7 . Dados , 1 , , n em R e u1 , , un em V , ento:
n n

j =1

j uj

=
j =1

(j )uj .

Prova: Faz-se por induo a partir dos axiomas M1 e M3 da denio de espao vetorial.

2.4

Subespaos Vetoriais

s vezes, necessrio detectar, dentro de um espao vetorial V , subconjuntos W que sejam eles prprios espaos vetoriais menores. Tais conjuntos sero chamados subespaos de V . Isto acontece, por exemplo, em R2 , o plano, onde W uma reta deste plano, que passa pela origem. 2.5 Denio. O subconjunto W de um espao vetorial V chama-se subespao de V , quando W por si prprio um espao vetorial sob as operaes de soma e multiplicao por um escalar denidas em V . Podemos de forma mais explcita, reescrever esta denio atravs do teorema abaixo. 2.6 Teorema. Seja V um espao vetorial sobre K = R. Um subespao vetorial de V um subconjunto W V , tal que: i. W = , ou 0 W ( vetor nulo ); ii. u , v W , u + v W ; iii. R, e u W , u W . Vejamos alguns exemplos de subespaos vetoriais. Exemplo 2.4. V = R3 e W V , um plano passando pela origem. Veja geometricamente que se u , v W , ento u + v W ; bem como, qualquer que seja R, u W e como W um plano que passa pela origem, possui o vetor nulo. Observe que se W no pela origem, ele no seria um subespao. Na verdade, os nicos subespaos de R3 so a origem, as retas e planos que passam pela origem, e o prprio R3 . Exemplo 2.5. Para todo espao vetorial V imediato que {0} e V so subespaos de V . So os chamados subespaos imprprios ou triviais. Exemplo 2.6. W = {(x , y , z ) R3 |x + y = 0} subespao de R3 . Vejamos: i. 0 = (0, 0, 0) W , pois, satisfaz x + y = 0 + 0 = 0. ii. se u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) esto em W , ento x1 + y1 = x2 + y2 = 0. Como u + v = (x1 + x2 , y1 + y2 , z1 + z2 ) e (x1 + x2 ) + (y1 + y2 ) = (x1 + y1 ) + (x2 + y2 ) = 0 + 0 = 0, ento u + v W . iii. R e u = (x1 , y1 , z1 ), u = (x1 , y1 , z1 ). Se u = (x1 , y1 , z1 ) W , ento x1 + y1 = 0. Como u = (x1 , y1 , z1 ) e x1 + y1 = (x1 + y1 ) = 0 = 0, ento u W . 55

LGEBRA LINEAR

Exemplo 2.7. A interseco de dois subespaos vetoriais do mesmo espao V tambm um subespao vetorial de V . Soluo: Sejam U e W esses subespaos. i. U W = pois 0 U e 0 W . Logo 0 U W . ii. Dados u + v U W ento u + v U e u + v W sendo U e W subespaos de V . Portanto, u + v U W. iii. Tomemos R e u U W . Logo u U e u W (que so subespaos), ento u U e u W . Portanto, u U W . Exemplo 2.8. V = R3 . U W a reta de interseo dos planos U e W . Exemplo 2.9. Seja V = Mn . Os conjuntos U das matrizes triangulares superiores e W das matrizes triangulares inferiores so subespaos de V . Ento U W (conjunto das matrizes diagonais) um subespao de V . Exemplo 2.10. Mostrar que subespao de M2 (R) o seguinte subconjunto:

V =

x z

y t

M2 (R)|y = x

Soluo:

(i)

0 0 0 0

V , pois, 0 = 0. Logo, y = x

(ii) Sejam u =

x1 z1

y1 t1

ew =

x2 z2 x1 z1

y2 t2 y1 t1

elementos de V . Ento

u+w =

x2 z2

y2 t2

x1 + x2 z1 + z2

y1 + y2 t1 + t2

Como y1 + y2 = (x1 ) + (x2 ) = (x1 + x2 ), ento u + w V .

(iii) Sejam: u = u V .

x z

y t

em V e R. Da u =

x z

y t

Como y = (x ) = (x ), ento

2.4.1

Soma de Subespaos

Uma vez que a interseo de dois subespaos ainda um subespao vetorial, poderamos esperar o mesmo da reunio. Mas isso no acontece, como podemos ver no prximo exemplo. Os espaos U e W so retas que passam pela origem. Ento, U W = {0} e U W o feixe formado pelas duas retas, que no subespao vetorial de R3 . De fato, se somarmos os dois vetores u e w , pertencentes a U W , vemos que u + w est no plano que contm U e W mas u + w U W . Assim, U W no subespao de V . Entretanto podemos construir um conjunto tal que contenha U e W e seja subespao de V , denominado U + W onde ser formado por todos os vetores de V que forem a soma de vetores de U com os vetores de W . Sejam U e W subespaos vetoriais de um espao vetorial V . 56

2.7 Denio. Indicaremos por U + W e chamaremos de soma de U com W o seguinte subconjunto de V: U + W = {u + w |u U e w W }. Observe que U + W = W + U e U + {0} = U , para todos os subespaos U e W de V . Assim como verdade que U U + W e W U + W . 2.8 Proposio. Se U e W so subespaos vetoriais de V , ento U + W tambm subespao vetorial de W . Prova: i. Como 0 = 0 + 0, 0 U e 0 V , ento 0 U + W . ii. Sejam v1 = (u1 + w1 ) e v2 = u2 + w2 ) elementos de U + W , onde estamos supondo u1 , u2 U e v1 , v2 V . Ento,

v1 + v2 = (u1 + w1 ) + (u2 + w2 ) = (u1 + u2 ) + (w1 + w2 ).


Como u1 + u2 e w1 + w2 pertencem, respectivamente, a U e W , ento v1 + v2 U + W . iii. Exerccio. 2

2.4.2

Soma Direta de dois Subespaos

2.9 Denio. Sejam U e W subespaos vetoriais de V , tais que U W = {0}. Neste caso diz-se que U + W soma direta dos subespaos U e W . Notao: U W . Se U e W so subespaos de V tais que U W = V dizemos que U e W so suplementares ou que U suplementar de W (ou W suplementar de U ). 2.10 Proposio. Sejam U e W subespaos vetoriais de um espao vetorial V . Ento V = U W se, somente se, cada vetor w W admite uma nica decomposio v = u + w , com u U e w W . Prova: () Por hiptese a decomposio existe. suponhamos v = u + w = u1 + w1 (u , u1 Uew , w1 W ). Da u u1 = w1 w . Como w1 w W (pois ambos os termos esto em W), ento u u1 U V = {0}. Logo u u1 = 0 e ento u = u1 . Levando em conta isto conclui-se que w1 w = 0 e portanto que w1 = w () Suponhamos que v U W . Tomando ento u U e w W , teremos:

u + w = (u + v ) + (w v ).
Devido unicidade que a hiptese menciona podemos armar que: u = u + v e w = w v . Logo v = 0. Provamos pois que U W = {0}. 2 Exemplo 2.11. O espao R3 soma direta dos subespaos U = {(x , 0, 0)|x R} e W = {(0, y , z )|y , z R}. imediato que U W = {(0, 0, 0)}; por outro lado, (x , y , z ) R3 , (x , y , z ) = (x , 0, 0) + (0, y , z ) U + W . 57

LGEBRA LINEAR

Exemplo 2.12. Dados os espaos vetoriais reais a seguir, diga em cada caso, se W subespao de V . (a) V = R3 e W = {(x , y , z ); x 0}; (b) V = P2 = {a + bt + ct 2 ; a, b , c R} e W = {a + bt + ct 2 ; a 2b + c = 0}. Soluo: (a) i. u , v W u + v W ? Seja u W . Ento u = (x1 , y1 , z1 ), tal que x1 0 e v = (x2 , y2 , z2 ), tal que x2 0; u + v = (x1 + x2 , y1 + y2 , z1 + z2 ); x1 + x2 0, pois, a soma de dois nmeros reais positivos ou iguais a zero um nmero positivo ou igual a zero. ii. u W e R u W ? u = (x , y , z ) = (x , y , z ), x 0 somente se 0; caso < 0, temos x < 0. Portanto, W no um subespao vetorial de V . (b) i. W = {a + bt + ct 2 ; a = 2b c }. Sejam u = a1 + b1 t + c1 t 2 ; a1 = 2b1 c1 W e v = a2 + b2 t + c2 t 2 ; a2 = 2b2 c2 W u + v = (a1 + a2 ) + (b1 + b2 )t + (c1 + c2 )t 2 W . ii. Sejam u = a + bt + ct 2 W e R. u = (a + bt + ct 2 ) = a + bt + ct 2 . Chamando a = x , b = y e c = z temos: u = x + y t + zt 2 ; x , y , z R pertence ao conjunto W . Logo, W um espao subespao vetorial de P2 .

2.4.3

Combinaes Lineares e Subespao Gerado

Vamos agora comentar, agora uma das caractersticas mais importantes de um espao vetorial, que a obteno de novos vetores a partir de vetores dados. 2.11 Denio. Sejam V um espao vetorial real (ou complexo), v1 , v2 , . . . , vn V e a1 , a2 , . . . , an nmeros reais (ou complexos). Ento, o vetor a1 v1 , a2 v2 , . . . , an vn um elemento de V ao que chamamos combinao linear de v1 , v2 , . . . , vn . Note que uma combinao linear envolve apenas um nmero nito de vetores! Uma vez xados vetores v1 , v2 , . . . , vn em V , o conjunto W de todos os vetores de V que so combinao linear destes, um subespao vetorial. W chamado subespao gerado por v1 , v2 , . . . , vn e usamos a notao W = [v1 , v2 , . . . , vn ]. Note que, formalmente, podemos escrever

W = [v1 , v2 , . . . , vn ] = {v V ; v = a1 v1 + a2 v2 , . . . , an vn , ai R, 1 i n}.
Uma outra caracterizao de um subespao gerado a seguinte: W = [v1 , v2 , . . . , vn o menor subespao de V que contm o conjunto de vetores {v1 , v2 , . . . , vn }, no sentido de que qualquer outro subespao W de V que contenha {v1 , v2 , . . . , vn }, satisfar W W . Exemplo 2.13. V = R3 , v V , v = 0. Ento [v ] = {av : a R} a reta que contm o vetor v Exemplo 2.14. Se v1 , v2 R3 so tais que v1 = v2 para todo R, ento [v1 , v2 ] ser o plano que passa pela origem e contm v1 e v2 . Observe que se v3 [v1 , v2 ], ento [v1 , v2 , v3 ] = [v1 , v2 ], pois todo vetor que pode ser escrito como combinao linear de v1 , v2 , v3 uma combinao linear apenas de v1 e v2 (pois v3 combinao linear de v1 e v2 ). 58

Exemplo 2.15. Os vetores e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1) geram o espao vetorial R3 . Pois qualquer vetor (a, b , c ) R3 uma combinao linear dos ei ; especicamente, (a, b , c ) = a(1, 0, 0) + b (0, 1, 0) + a(0, 0, 1) = a e1 + b e2 + c e3 . 2.12 Denio. Dizemos que um espao vetorial V nitamente gerado se existe S V , S nito, de maneira que V = [S ]. Exemplo 2.16. O espao V dos vetores da geometria denidos por segmentos orientados nitamente gerado pois considerando a terna fundamental { i , j , k }, para todo V , existem a, b , c R, de u = a i + b j , +c k . maneira que u Ressalte-se que i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1), desde que se tenha identicado V e R3 Exemplo 2.17. Se 0 indica o vetor nulo de um espao vetorial qualquer, ento V = 0 nitamente gerado pois, fazendo S = 0, vale V = [S ].

2.5

Bases e Dimenso

Nosso objetivo principal mostrar que em todo espao vetorial nitamente gerado V existe um subconjunto nito W tal que todo elemento de V combinao linear, de uma nica maneira, desse subconjunto. E que todos os outros subconjuntos de V que tm tambm essa propriedade (sempre os h) possuem o mesmo nmero de elementos que W . Em outras palavras, queremos determinar um conjunto de vetores que gere V e tal que todos os elementos sejam realmente necessrios para gerar V . Passamos agora tarefa de atribuir uma dimenso a certos espaos vetoriais. Apesar de associarmos usualmente dimenso a algo geomtrico, precisamos encontrar uma denio algbrica adequada da dimenso. Elaboraremos da ento o conceito de dimenso.

2.5.1

Dependncia Linear e Independncia Linear

Questionar sobre a existncia de um conjunto de geradores para um espao vetorial no trs conseqncias signicativas, pois, a resposta sim, basta considerar W = V . Uma questo mais relevante examinar a existncia de um conjunto de geradores satisfazendo determinadas propriedades, como ser nito ou no, enumervel, ortogonal, etc... Para isto apresentemos tais denies. Seja V um espao vetorial sobre R. 2.13 Denio. Dizemos que um conjunto L = {u1 , u2 , . . . , un } V linearmente independente (L.I.) se, e somente se, uma igualdade do tipo 1 u1 + . . . + n un = 0 com os i em R, s for possvel para 1 = . . . = n = 0. 2.14 Denio. Dizemos que um conjunto L = {u1 , u2 , . . . , un } V linearmente dependente (L.D.) se, e somente se, 1 u1 + . . . + n un = 0 sem que os escalares i sejam todos iguais a zero. Exemplo 2.18. Sejam v1 , v2 V = R3 . O conjunto {v1 , v2 } L.D. se, e somente se, v1 e v2 estiverem na mesma reta, que passa pela origem. (v1 = v2 ). Veja a Figura 59

LGEBRA LINEAR

Exemplo 2.19. Sejam v1 , v2 , v3 V = R3 . O conjunto {v1 , v2 , v3 } L.D. se os trs vetores estiverem no mesmo plano, que passa pela origem. Veja a Figura Exemplo 2.20. Considere o espao V = R2 e os vetores e1 = (1, 0) e e2 = (0, 1). O conjunto {e1 , e2 } L.I., pois, 1 e1 + 2 e2 = 0 1 (1, 0) + 2 (0, 1) = (0, 0) (1 , 2 ) = (0, 0) 1 = 0 e 2 = 0. Exemplo 2.21. O conjunto {(1, 1, 0, 0); (0, 2, 1, 0); (0, 0, 0, 3)} R4 L.I., pois:

x (1, 1, 0, 0) + y (0, 2, 1, 0) + z (0, 0, 0, 3) = (0, 0, 0, 0)

x x

= 0 + 2y y = = 0 0 3z x = y = z = 0. = 0

Exemplo 2.22. O conjunto {(1, 1, 0, 0); (0, 1, 0, 0); (2, 1, 0, 0)} R4 L.D., pois:

x (1, 1, 0, 0)+y (0, 1, 0, 0)+z (2, 1, 0, 0) = (0, 0, 0, 0)

x x

+ +

+ +

2z z

= 0 = 0

x y

2z z

= 0 = 0

Sendo indeterminado o sistema obtido, ento h outras solues, alm da trivial, para a igualdade condicional de que partimos. Nota 20. Convencionamos que o conjunto vazio ( V ) L.I., pois no podemos exibir vetores distintos do conjunto vazio. Como para um subconjunto L V deve valer um, e uma s, das duas denies anteriores e a segunda destas pressupe elementos em L, ca justicada esta conveno. Exemplo 2.23. Vericar quais dos seguintes conjuntos de vetores do espao vetorial R3 , so linearmente independentes. (a) {(1, 1, 0), (1, 4, 5), (3, 6, 5)} (b) {(1, 2, 3), (1, 4, 9), (1, 8, 27)} (c) {(1, 2, 1), (2, 4, 2), (5, 10, 5)}

Soluo: (a) Faamos: x (1, 1, 0) + y (1, 4, 5) + z (3, 6, 5) = (0, 0, 0). Portanto:

y 3y 5y

+ 3z + 3z + 5z

= = =

0 0 0

Escalonando o sistema, temos:

y 3y 5y

+ 3z + 3z + 5z

= = =

0 0 0

+ y y

+ 3z + z

= =

0 0

Esse sistema admite outras solues alm da trivial; da o conjunto linearmente dependente. Como x = 2, y = 1 e z = 1 uma soluo no trivial temos 2(1, 1, 0) (1, 4, 5) + (3, 6, 5) = (0, 0, 0). Esta uma relao de dependncia entre os 3 vetores dados. 60

Soluo: (b) Faamos x (1, 2, 3) + y (1, 4, 9) + z (1, 8, 27) = (0, 0, 0). Portanto,

y 2y 6y

+ + +

z 3z 24z

= = =

0 0 0

+ y y y

+ 3z + 3z + 4z

= = =

0 0 0

+ y y

+ +

3z 3z z

= = =

0 0 0

Da, a nica soluo a trivial, e o conjunto linearmente independente. Soluo: (c) Faamos: x (1, 2, 1) + y (2, 4, 2) + z (5, 10, 5) = (0, 0, 0). Portanto,

x 2x x

+ + +

2y 4y 2y

+ 5z + 10z + 5z

= 0 = 0 = 0

Escalonando o sistema, chegamos a: x + 2y + 5z = 0 e o sistema indeterminado, isto , alm da soluo trivial admite outras solues; portanto o conjunto linearmente dependente. Achar uma relao de dependncia entre os 3 vetores.

2.5.2

Propriedades da Dependncia Linear

Consideremos um espao vetorial V sobre R.

P1 . Se um conjunto nito L V contm o vetor nulo, ento esse conjunto L.D.


Prova: Seja S = {0, u2 , . . . , un }. Ento, evidentemente, 0 + 0u2 + . . . + 0un = 0, para todo = 0. Isso suciente para concluir que S L.D. 2

P2 . Se S = {u } V e u = 0, ento S L.I.
Prova: Suponhamos que u = 0. Como u = 0, ento = 0 conforme j vimos nas propriedades dos espaos vetoriais. 2

P3 . Se S = {u1 , . . . , un} V L.D., ento um dos seus vetores combinao linear dos outros.
Prova: Por hiptese existem nmeros reais 1 , 2 , . . . , n , nem todos iguais a zero, de modo que 1 u1 + 2 u2 + . . . + n un = 0. Suponhamos 1 = 0. Ento existe o inverso de 1 e multiplicando a igualdade acima por este inverso teremos: u1 + (1 2 )u2 + . . . + (1 n )un = 0. 1 1 Da,
1 u1 = (1 2 )u2 + . . . + (1 n )un , 1

o que mostra que u1 combinao linear de u2 , . . . , un . Analogamente se procede quando j = 0. 2

P4 . Se S1 e S2 so subconjuntos nitos e no vazios de V , se S1 S2 e S1 L.D., ento S2 tambm L.D. P5 . Se S1 e S2 so subconjuntos nitos e no vazios de V , se S1 S2 e S1 L.I., ento S2 tambm L.I.
61

LGEBRA LINEAR

P6 . Se S = {u1 , u2 , . . . , un } L.I., e para um certo u V tivermos S {u } = {u1 , u2 , . . . , un , u } L.D., ento o vetor u combinao linear dos vetores u1 , u2 , . . . , un , isto , u [S ]. P7 . Se S = {u1 , . . . , uj , . . . , un } e uj = u1 + . . . + un (combinao linear dos demais vetores de S ), ento
[S ] = [S {uj }]. A teoria de espaos vetoriais divide-se em duas linhas de estudos: se o espao admite ou no admite um conjunto nito de geradores. Restringiremo-nos a examinar os que admitem um conjunto nito de geradores. Porm, existem espaos que no tm base nita. Isto acontece principalmente quando trabalhamos com espaos de funes. Nestes casos, precisaremos de um conjunto innito de vetores para gerar o espao. Isto no quer dizer que estamos trabalhando com combinaes lineares innitas, mas sim, que cada vetor do espao uma combinao linear nita daquela base innita.

2.5.3

Base de um Espao Vetorial Finitamente Gerado

2.15 Denio. Seja V um espao vetorial nitamente gerado. Uma base de V um subconjunto nito W V para o qual as seguintes condies se vericam: i. [W ] = V ; ii. W linearmente independente. Exemplo 2.24. {(1, 0), (0, 1)} uma base do R2 . Exemplo 2.25. {(2, 0), (3, 0)} no base de R2 , pois um conjunto L.D. Exemplo 2.26. {(1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)} uma base do Rn . Exemplo 2.27. {(1, 0, 0), (0, 1, 0)} no base de R3 . L.I., mas no gera todo R3 , isto , [(1, 0, 0), (0, 1, 0)] = R3 . Exemplo 2.28. Os n + 1 polinmios 1, t , . . . , t n formam uma base de Pn (R). Exemplo 2.29. {(1, 2, 0), (0, 1, 1), (2, 0, 1), (0, 4, 1)} no uma base do R3 , pois, constitui um conjunto L.D. Exemplo 2.30. Se indicamos por 0 o vetor nulo de um espao vetorial qualquer, ento uma base do espao {0} , conforme nossas convenes a respeito, o conjunto . Exemplo 2.31. O conjunto das m n matrizes reais

1 0 ... 0 0 0 ... 0 ... ... ... ... 0 0 0 0

1 0 ... 0 0 0 ... 0 ... ... ... ... 0 0 0 0

,...,

1 0 ... 0 0 0 ... 0 ... ... ... ... 0 0 0 0

uma base do espao Mmn (R). Nota 21. As base dos exemplos 2.24, 2.26, 2.28 e 2.31 acima mencionados so chamadas bases cannicas dos espaos R2 , Rn , Pn (R) e Mmn (R). 2.16 Proposio. Todo espao vetorial nitamente gerado admite uma base. 62

Prova: Indiquemos por V o espao vetorial. 1. Se V = {0}, ento uma base de V devido s convenes. 2. Se V = {0}, ento existe um subconjunto nito e no vazio S V , de maneira que V = [S ]. De fato, como S = {0}, ento existem subconjuntos no vazios de S que so L.I. Tomemos um deles com o maior nmero possvel de elementos. Indicando por B esse subconjunto, armamos que B uma base de V . Dessa forma, para todo u S B temos que B {u } L.D. Logo, u combinao linear de B e por P7 , conclui-se que: [B ] = [S ] = V . Como B L.I. (pela prpria maneira como foi construdo), ento B uma base de V . 2

2.5.4

Dimenso

2.17 Denio. Seja V um espao vetorial nitamente gerado. Denomina-se dimenso de V (notao: dim(V )) o nmero de vetores de uma qualquer de suas bases (cardinalidade). Diz-se, tambm, neste caso, que V um espao vetorial de dimenso nita. Podemos constatar, portanto, que: 1. dim(R2 ) = 2; 2. dim(Rn ) = n; 3. dim(Mmn (R)) = m n; 4. dim(Pn (R) = n + 1; 5. dim({0}) = 0.

2.18 Teorema. Seja V um espao vetorial de dimenso nita. Ento todas as bases de V tem o mesmo nmero de elementos. Exemplo 2.32. Toda base do espao vetorial R2 tem cardinalidade 2. 2.19 Lema. Suponhamos que o conjunto {v1 , v2 , . . . , vn } gera um espao vetorial V . Se {w1 , w2 , . . . , wm } linearmente independente, ento m n e V gerado por um conjunto da forma {w1 , w2 , . . . , wm , vi1 , . . . , vinm }. Assim, em particular, quaisquer n + 1 ou mais vetores em V so linearmente dependentes. 2.20 Denio. Seja S um subconjunto de um espao vetorial V . Chamamos {v1 , v2 , . . . , vn } de subconjunto independente maximal de S se i. ele um subconjunto independente de S ; ii. {v1 , v2 , . . . , vn , w } dependente para qualquer w S . Segue o seguinte teorema. 2.21 Teorema. Suponhamos que S gera V e {v1 , v2 , . . . , vn } um conjunto independente maximal de S . Ento {v1 , v2 , . . . , vn } base de V . A principal relao entre a dimenso de um espao vetorial e seus subconjuntos independentes est contida no teorema a seguir. 2.22 Teorema. Seja V de dimenso nita n. ento, 63

LGEBRA LINEAR

i. Qualquer conjunto de n + 1 ou mais vetores linearmente dependente. ii. Qualquer conjunto linearmente independente parte de uma base, isto , pode ser estendido a uma base. iii. Um conjunto linearmente independente com n elementos uma base. Exemplo 2.33. Os quatro vetores em R4 : (1, 1, 1, 1), (0, 1, 1, 1), (0, 0, 1, 1), (0, 0, 0, 1) so linearmente independentes, pois formam uma matriz na forma reduzida escalonada. Alm disso, como dim(R4 ) = 4 eles formam uma base de R4 . Ou seja, quatro vetores que geram o R4 formam uma base para este espao. Exemplo 2.34. Os trs vetores (1, 1), (2, 3), (1, 1) em R2 , so linearmente dependentes, pois, pertencem a um espao vetorial de dimenso 3. 2.23 Teorema. Se U e W so subespaos de um mesmo espao vetorial V que possui dimenso nita, ento dim(U ) dim(V ) e dim(W ) dim(V ). Alm disso: dim(U + W ) = dim(U ) + dim(W ) dim(U W ). Nota 22. No caso em que dim(U W ) = {0} dizemos que U soma direta com W e denotamos por U W. Exemplo 2.35. Suponhamos que U e W so, respectivamente, os planos xy e y z , em R3 : U = {(a, b , 0)}, W = {(0, b , c )}. Como R3 = U + W , dim(U + W ) = 3. Tambm dim(U ) = 2 e dim(W ) = 2. Pelo teorema acima, 3 = 2 + 2 dim(U W ) dim(U W ) = 1. Observe que isso esta de acordo com o fato que U W o eixo y , isto , U W = {(0, b , 0)}. Logo, tem dimenso 1.

2.5.5

Coordenadas de um Vetor

2.24 Denio. Seja W V um conjunto com n elementos, n > 0. Ordenar o conjunto W escolher uma funo injetiva e sobrejetiva s : {1, 2, . . . , n} W . Observe que neste caso o conjunto imagem de s tem n elementos. Feito isso, indicamos o conjunto por W = {v1 , v2 , . . . , vn } chamando-o de conjunto ordenado. Dada uma base B de um espao vetorial V de dimenso n, ser sempre vantajoso considerar uma ordem em B que passar a ser chamada de base ordenada. Uma base ordenada uma base na qual xamos quem o primeiro, o segundo, at o i -simo elemento da base ou a i -sima coordenada do vetor relativo B . Vamos assumir que tenhamos ordenado a base B , digamos B = {v1 , v2 , . . . , vn }. Como sabemos, existem escalares 1 , 2 , . . . , n K tais que v = 1 v1 +1 v2 +. . .+n vn . Um fato importante a unicidade dos coecientes desta combinao linear, ou seja, eles esto bem denidos. Suponha que escrevamos o mesmo vetor como v = 1 v1 + 1 v2 + . . . + n vn . Por subtrao das combinaes lineares obtemos 0 = (1 1 )v1 + (2 2 )v2 + . . . + (n n )vn . A independncia linear da base implica nas igualdades 1 = 1 , 2 = 2 , . . . , n = n . 64

2.25 Denio. Sejam B = {v1 , v2 , . . . , vn } base de V e v V onde v = 1 v1 + 2 v2 + . . . + n vn . Os escalares 1 , 2 , . . . , n so chamados coordenadas do vetor v em relao base ordenada B . conveniente, por outro lado, associar uma matriz s coordenadas do vetor v . Assim, se v = 1 v1 + 2 v2 + . . . + n vn , em relao base ordenada B = {v1 , v2 , . . . , vn }, considera-se a matriz n 1

1 . . . n

ou
B

1 . . . n

apenas se no houver possibilidades de confuso, como a matriz das coordenadas de v em relao base ordenada B . Exemplo 2.36. Considere V = R2 e B = {(1, 0), (0, 1)}. Seja v = (2, 5). Segue que (2, 5) = 2 . 2(1, 0) + 5(0, 1). Portanto, [(2, 5)]B = 5 Se B = {(1, 1), (0, 1)}, ento (2, 5) = x (1, 1) + y (0, 1), resultando x = 2 e y = 3. Ento (2, 5) = 2 2(1, 1) + 3(0, 1) e, portanto, [(2, 5)]B = . 3 Nota 23. importante notar que a ordem dos elementos de uma base tambm inui na matriz das coordenadas de um vetor em relao a esta base. Por exemplo, se tivermos B1 = {(1, 0), (0, 1)} e B2 = {(1, 0), (0, 1)}, ento

[(2, 5)]B1

2 5

; [(2, 5)]B2

5 2

Em virtude disto, evidente a necessidade de trabalhar com bases ordenadas de V (no apenas bases de V ) para podermos considerar a matriz de coordenadas como foi denida acima. Sem ordenar a base, no saberamos qual seria o 1 , o 2 , etc.

2.5.6

Mudana de Base

Na disciplina de Geometria Analtica voc deve ter visto uma diversas situaes em que a resoluo de um problema torna-se muito mais simples se for escolhido um referencial conveniente. Por exemplo, a equao da elipse x 2 + xy + y 2 3 = 0 torna-se muito simplicada se, ao invs de trabalharmos com os eixos x e y , (isto , o referencial determinado pela base i = (1, 0) e j = (0, 1)) utilizarmos um referencial que se apia nos eixos focal e normal da elipse. Neste novo referencial, a equao da elipse ser mais simples:
2 2 3x1 + 2y1 = 6.

Numa situao desse tipo, existe uma questo pertinente: Uma vez escolhido o novo referencial, qual a relao entre as coordenadas de um ponto no antigo referencial e suas coordenadas no novo? Passando a um contexto mais amplo, estamos interessados na seguinte situao. Sejam B = {u1 , u2 , . . . , un } e B = {w1 , w2 , . . . , wn } duas bases ordenadas de um mesmo espao vetorial V . Dado um vetor v V , podemos escrev-lo como: ()

v = 1 u1 + 2 u2 + . . . + n vn v = 1 w 1 + 2 w 2 + . . . + n w n
65

LGEBRA LINEAR

Como podemos relacionar as coordenadas de v em relao base B ,

[v ]B =

1 . . . n

com as coordenadas do mesmo vetor v em relao base B ,

[v ]B =

1 . . . n

Como {u1 , u2 , . . . , un } uma base de V , podemos escrever os vetores wi como combinao linear dos uj , isto ,

()

w1 w2 wn

= = . . . =

a11 u1 a12 u1 a1 n u1

+ + +

a21 u2 a22 u2 a2 n u2

+ ... + + ... + + ... +

an 1 un an 2 un ann un

Substituindo em () temos:

= = =

1 w 1 + . . . + n w n 1 (a11 u1 + . . . + an1 un ) + . . . + n (a1n u1 + . . . + ann un ) (a11 1 + . . . + a1n n )u1 + . . . + (an1 1 + . . . + ann n )un

Mas, v = 1 u1 + . . . + n un , e como as coordenadas em relao a uma base so nicas, temos: 1 n Na forma matricial = . . . =

a11 1 a n 1 1

+ +

a12 2 a n 2 2

+ ... + + ... +

a n 1 1 ann n

1 . . . n

a11 . . . an 1

a1 n . . . . . . ann

... .. .

1 . . . n

Isto , denotando

[I ]B = B

a11 a21 . . . an 1

a12 a22 . . . an 2

... ...

a1 n a2 n . . . . . . ann

temos [v ]B = [I ]B [v ]B . B A matriz [I ]B [v ]B chamada matriz de mudana de base da base B para a base B . Uma vez obtida B [I ]B [v ]B podemos encontrar as coordenadas de qualquer vetor v em relao base B , multiplicando a B matriz pelas coordenadas de v na base B supostamente conhecidas. Exemplo 2.37. Sejam B = {(2, 1), (3, 4)} e B = {(1, 0), (0, 1)} bases de R2 . Encontre [I ]B [v ]B . B

66

Soluo: w1 = (1, 0) = a11 (2, 1) + a21 (3, 4), donde (1, 0) = (2a11 + 3a21 , a11 + 4a21 ). O que implica 4 1 que a11 = e a11 = . 11 11 3 2 w2 = (0, 1) = a12 (2, 1) + a22 (3, 4). computando os clculos, encontramos a12 = e a22 = . 11 11 Portanto, 3 4 11 11 a11 a12 [ I ]B [ v ] B = = B a21 a22 1 2 11 11 Observe que, ao encontrarmos a matriz mudana de base, podemos exibir qualquer vetor na base B . Por exemplo, [v ]B para v = (5, 8).

[(5, 8)]B =

[I ]B [v ]B B

[(5, 8)]B =

4 11 1 11

3 11

5 8

2 11

4 1

O clculo feito atravs da matriz de mudana de base operacionalmente vantajoso quando trabalharmos com mais vetores, pois, neste caso, no teremos que resolver um sistema de equaes para cada vetor.

2.6

Exerccios Propostos

2.1. Seja V o conjunto dos pares ordenados (a, b ) de nmeros reais com adio em V e multiplicao em V denidos por (a, b ) + (c , d ) = (a + c , b + d ) e (a, b ) = (a, 0). Verique se V um espao vetorial sobre R, ou seja, satisfaz todos os axiomas de espao vetorial. 2.2. Mostre que os seguintes subconjuntos de R4 so subespaos: (a) W = {(x , y , z , t ) R4 |x + y = 0 e z t = 0}; (b) W = {(x , y , z , t ) R4 |2x + y t = 0 e z = 0}.

2.3. No espao vetorial R3 consideremos os seguintes subespaos vetoriais: U = {(x , y , z )|x + y = 4x z = 0}, V = {(x , y , z )|3x y z = 0}, S = [(1, 1, 2), (2, 1, 1)] e T = [(0, 1, 1), (1, 2, 1)]. Determinar as dimenses de cada um dos seguintes subespaos U , S , T , V , S + T , S T . 2.4. Quais os subconjuntos abaixo do R3 so linearmente independentes: (a) {(1, 0, 0), (0, 1, 0), (0, 0, 1), (2, 5, 3)} (b) {(1, 1, 1), (1, 0, 1), (1, 0, 2)} (c) {(0, 0, 0), (1, 2, 3), (4, 1, 2)} (d) {(1, 1, 1), (1, 2, 1), (3, 2, 1)}

2.5. Determinar m e n para que os conjuntos de vetores do R3 dados abaixo sejam L.I. (a) {(3, 5m, 1), (2, 0, 4), (1, m, 3)} (b) {(1, 3, 5), (2, m + 1, 10)} (c) {(6, 2, n), (3, m + n, m 1)}

2.6. Quais so as coordenadas de x = (1, 0, 0) em relao base = {(1, 1, 1), (1, 1, 0), (1, 0, 1)}? 2.7. Sejam 1 = {(1, 0), (0, 1)}, 2 = {(1, 1), (1, 1)} bases ordenadas de R2 . Ache: (a) [I ]1 2 (b) [I ]2 1 67

LGEBRA LINEAR

2.7

Gabarito

2.1 O conjunto V satisfaz todos os axiomas de espao vetorial exceto [M4 ] : 1u = u . Portanto, [M4 ] no conseqncia dos outros axiomas e V no um espao vetorial. 2.2 (a) i. Sejam v1 = (x1 , y1 , z1 , t1 ) W e v2 = (x2 , y2 , z2 , t2 ) W . Ento v1 + v2 ainda est em W . Vejamos: v1 + v2 = (x1 + x2 , y1 + y2 , z1 + z2 , t1 + t2 ). Testemos se este novo vetor satisfaz as condies que denem W : (x1 + x2 ) + (y1 + y2 ) = (x1 + y1 ) + (x2 + y2 ) = 0 + 0 = 0 e (z1 + z2 ) + (t1 + t2 ) = (z1 t1 ) + (z2 t2 ) = 0 + 0 = 0, pois, v1 e v2 esto em W e satisfazem as condies implicando que v1 + v2 tambm o faa. Portanto, v1 + v2 W . ii. Seja v = (x , y , z , t ) W e R. Ento v = (x , y , z , t ). Testemos as condies: x + y = (x + y ) = 0 = 0 e z t = (z t ) = 0 = 0. Assim, v W . Portanto, W subespao. (b) um subespao. Procedimento idem ao visto no item (a). 2.3 1. Os vetores de U so da seguinte forma: (x , x , 4x ) = x (1, 1, 4). Logo, {(1, 1, 4)} uma base de U e dim(U ) = 1. 2. Escalonando os vetores do subespao 1 1 2 1 1 2 S , temos . Logo, dim(S ) = 2. 3. dim(T ) = 2. 4. dim(V ) = 2. 5. dim(S + T ) = 3. 6. 2 1 1 0 3 3 t 1 1 1 . dim(S T ) = 1. 2.4 (a) No; (b) Sim; (c) No; (d) Sim. 2.5 (a) m = 0; (b) m = 5; (c) n = 0 ou m = 1 2.6 [x ] = 3 3 3 1 1 2 2 1 1 (b) [I ]2 = 2.7 (a) [I ]1 = 1 2 1 1 1 1 2 2

68

Transformaes e Operadores Lineares. Produto Interno Transformaes e Operadores Lineares Transformaes Lineares, Diagonalizao de Operadores, Autovetores , Autovalores e Aplicaes
Apresentao
Nos temas anteriores nos detivemos estudando alguns aspectos intrnsecos dos espaos vetoriais nitamente gerados: base e dimenso, principalmente. Neste tema, o nosso enfoque est em torno de analisar as correspondncias entre espaos vetoriais. As transformaes lineares que deniremos neste tema constituem o ponto mais importante desse estudo. Mas antes faamos algumas consideraes preliminares.

3.1

Preliminares

3.1 Denio. Dados dois conjuntos U e V , ambos no vazios, uma aplicao de U em V uma lei pela qual a cada elemento de U est associado um nico elemento de V . Se F indica essa lei e u indica elemento genrico de U , ento o elemento associado a u representado por F (u ) (l-se F de u ) e se denomina imagem de u por F . O conjunto U o domnio e o conjunto V o contra-domnio da aplicao F . Para indicar que F uma aplicao de U em V costuma-se escrever F : U V , ou ainda, indicado por u um elemento genrico de U , u F (u ). 3.2 Denio. Duas aplicaes F : U V e H : U V so iguais se, e somente se, F (u ) = H (u ), u U. Dado W U denomina-se imagem de W por F o seguinte subconjunto de V : F (W ) = {F (u )|u W }. Se W = U , ento F (U ) recebe o nome de imagem de F e a notao ser Im(F ). Portanto, Im(F ) = {F (u )|u U }. 3.3 Denio. Uma aplicao F : U V se diz injetora se, e somente se, u1 , u2 U , F (u1 ) = F (u2 ) u1 = u2 , ou ainda, equivalentemente, u1 , u2 U , u1 = u2 F (u1 ) = F (u2 ). Exemplo 3.1. A aplicao R : R2 R2 dada por R (x , y ) = (x , y ), injetora, pois, se u1 = (x1 , y1 ) e u2 = (x2 , y2 ), ento

F (u1 ) = F (u2 ) (x1 , y1 ) = (x2 , y2 ) x1 = x2 e y1 = y2 Rig htar r ow u1 = u2 .


69

LGEBRA LINEAR

Exemplo 3.2. A aplicao f : R2 R3 dada por F (x , y ) = (0, x + y , 0) no injetora, pois, temos, por exemplo, (1, 1) = (2, 0) e F (1, 1) = F (2, 0) = (0, 2, 0). 3.4 Denio. Uma aplicao F : U V sobrejetora se, e somente se, Im(F ) = V , ou seja, para todo v V , existe u U tal que F (u ) = v . Exemplo 3.3. A aplicao f : R2 R3 dada por F (x , y ) = (0, x + y , 0) no sobrejetora. Isto porque, por exemplo, (1, 0, 0) R3 e no imagem de por f de nenhum elemento u R2 (o primeiro termo de cada imagem zero). Exemplo 3.4. A aplicao R : R2 R2 dada por R (x , y ) = (x , y ), (x , y ) R2 , sobrejetora, pois, dado v = (a, b ) R2 , basta tomarmos u = (a, b ) para termos R (u ) = v . 3.5 Denio. Uma aplicao F : U V bijetora se, e somente se, F injetora e sobrejetora. Exemplo 3.5. A aplicao R : R2 R2 dada por R (x , y ) = (x , y ), (x , y ) R2 , injetora e sobrejetora. Nota 24. Se F : U V bijetora, ento cada elemento de V do tipo F (u ), com u U , e se zermos a associao F (u ) u teremos uma aplicao de V em U , pois, no podemos ter F (u1 ) = F (u2 ) e u1 = u2 j que F injetora. Essa nova aplicao assim denida chamada aplicao inversa de F e indicada por F 1 . Tem-se ento:

F 1 (F (u )) = u e F (F 1 (v )) = v u U e v V .

3.2

Transformaes Lineares

3.6 Denio. Sejam U e V espaos vetoriais sobre R. Uma aplicao T : U V chamada transformao linear de U em V se, e somente se, i. T (u + v ) = T (u ) + T (v ), u , v U ; ii. T (u ) = T (u ), R e u U , ou, de forma equivalente,

T (u + v ) = T (u ) + T (v ).
No caso em que U = V , uma transformao linear T : U V chamada tambm de operador linear. A denio anterior pode ser resumida por: Exemplo 3.6. A transformao identidade I : U U , denida por I (u ) = u , u U um exemplo de transformao linear, pois, i. I (u + v ) = u + v = I (u ) + I (v ); ii. I (u ) = u = I (u ).

I tambm chamado o operador idntico de U .


Exemplo 3.7. A transformao linear nula O : U V , denida por O (u ) = 0 (vetor nulo de V ) u V uma transformao linear, pois, i. O (u + v ) = 0 = 0 + 0 = Ou + Ov ; 70

ii. O (u ) = 0 = 0 = O (u ). Exemplo 3.8. Observemos que a transformao linear T : R3 R2 , denida por

T (x , y , z ) (x + 1, y + z )
no uma transformao linear. De fato, dados u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) i. T (u + v ) = T (x1 + x2 , y1 + y2 , z1 + z2 ) = (x1 + x2 + 1, y1 + y2 + z1 + z2 ) enquanto que T (u ) + T (v ) = (x1 + 1, y1 + z1 ) + (x2 + 1, y2 + z2 ) = (x1 + x2 + 2, y1 + z1 + y2 + z2 ). Portanto, T (u + v ) = T (u ) + T (v ), ou seja, no satisfaz i . Exemplo 3.9. A transformao T : R R denida por T (u ) = u 2 no linear. Vejamos que: T (u + v ) = (u + v )2 = u 2 + 2uv + v 2 e T (u ) + T (v ) = u 2 + v 2 . Portanto, no satisfaz i . Exemplo 3.10. Seja , R, U = R um espao vetorial sobre R , T : U U uma aplicao denida por u u (T (u ) = u ). Como T (u + v ) = (u + v ) = u + v = T (u ) + T (v ) e T (u ) = (u ) = ( u ) = T (u ), T uma transformao linear. Mais ainda, toda transformao linear de R em R s pode ser deste tipo. Observe que, T (x ) = T (x 1) e como T uma transformao linear e x um escalar, pois T de R em R, temos T (x 1) = x T (1). Chamando T (1) = , encontramos T (x ) = x . Assim, T : R R uma transformao linear se, e somente se, seu grco uma reta passando pela origem, o que nos induz a entender que o nome transformao linear certamente foi inspirado neste caso, U = R. Nota 25. Decorre da denio que, uma transformao linear T : U V leva o vetor nulo de U no vetor nulo de V , isto , se 0 U , T (0) = T (0 + 0) = T (0) + T (0) = 0 + 0 = 0 V . Isto nos auxilia a detectar transformaes no lineares. Se T (0) = 0, T no linear. Mas cuidado T (0) = 0 no suciente para que T seja linear. Assim, no exemplo ( 3.8) podemos detectar que T no uma transformao linear pelo fato de T (0) = 0. J no exemplo ( 3.9), apesar de T (0) = 0, T no uma transformao linear.

3.3

Exemplo Geomtrico das Transformaes Lineares

Apresentaremos uma viso geomtrica das transformaes lineares, exibindo exemplos de transformaes do plano no plano (R2 R2 ). Veremos assim que, por exemplo, uma expanso, uma rotao e certas deformaes podem ser expressas por transformaes lineares.

3.3.1

Expanso ou Contrao Uniforme

Uma transformao linear T : R2 R2 , que a cada vetor v associado um mltiplo deste, ou seja, v v , com R, denominada expanso ou contrao, conforme o valor de ||. A saber, respectivamente, || > 1 ou 0 < || < 1. Exemplo 3.11. A transformao linear T : R2 R2 denida por T (x , y ) = 2(x , y ) leva cada vetor do plano num vetor de mesma direo e sentido de v , mas de mdulo maior, exatamente o dobro. Na forma de matriz ou vetores coluna, temos

x y

x y

ou

x y

2 0

0 2

x y

71

LGEBRA LINEAR

y y T (v ) v T

x x
1 (x , y ), T seria uma contrao. 2 y

Se zssemos T : R2 R2 tal que T (x , y ) =

T (v )

3.3.2

Reexo em Torno do Eixo-x

A transformao linear T : R2 R2 tal que T (x , y ) = (x , y ) chamada reexo em torno do eixo x .

y v

x T (v )

Podemos representar essa transformao por

x y

1 0 0 1

x y

3.3.3

Reexo em Torno da Origem

Uma transformao linear T : R2 R2 tal que T (x , y ) = (x , y ) leva um vetor v em seu simtrico, em relao origem, v . Escrevendo na forma de vetores-coluna, temos

x y

72

x y

1 0 0 1

x y

y v

y T

x T (v )

3.3.4

Rotao

Veremos aqui a transformao linear no plano que gira um vetor de um ngulo no sentido anti-horrio.

y y

R (v ) v

Observando a gura acima temos que: x = r cos( + ) = r cos cos r sen sen . Mas, r cos = x e r sen = y . Ento, x = x cos y sen . Analogamente, tem-se que

y = r sen( + ) = r (sen cos + cos sen ) = y cos + x sen .

Assim, R (x , y ) = (x cos y sen , y cos + x sen ) ou na forma de coluna,

x y

x cos y sen x cos y sen

cos sen

sen cos

x y

Consideremos o caso particular onde =

. Neste caso, cos = 0 e sen = 1. Ento, 2 y x


x y

0 1 1 0

x y

R (v ) 2 v

y y

x
73

LGEBRA LINEAR

3.4

Principais Conceitos e Teoremas

Nesta seo exibiremos os resultados que daro uma estrutura para um estudo mais preciso e signicativo das transformaes lineares. Dados v1 , v1 , . . . , vn V e 1 , 2 , . . . , n K , se T : V W uma transformao linear, ento

T (1 v1 + 2 v2 + . . . + n vn ) = T (1 v1 ) + . . . + T (n vn ) = 1 T (v1 ) + 2 T (v2 ) + . . . + n T (vn ).


Dizemos ento que T preserva combinaes lineares. Um fato importante sobre as aplicaes lineares que elas so perfeitamente determinadas conhecendo-se apenas seu valor nos elementos de uma base, ou seja, uma transformao linear determinada pelas imagens dos vetores de uma base qualquer do domnio. 3.7 Teorema. Dados dois espaos vetoriais reais V e W e uma base de V , {v1 , v2 , . . . , vn }, sejam w1 , . . . , wn elementos arbitrrios de W . Ento, existe uma nica aplicao linear T : V W tal que T (v1 ) = w1 . . . , T (vn ) = wn . Esta aplicao dada por: se v = 1 v1 + . . . + n vn ,

T (v ) = 1 T (v1 ) + . . . + n T (vn ) = 1 w1 + . . . + n wn
Verique que T assim denida linear e que a nica que satisfaz as condies exigidas. Exemplo 3.12. Sabendo que um operador linear T : R2 R2 tal que T (1, 0) = (3, 2) e T (0, 1) = (1, 4), determine T (x , y ). Soluo: Observemos que {(0, 1), (1, 0)} a base cannica do R2 . Assim, um vetor (x , y ) R2 pode ser escrito como combinao linear (x , y ) = x (1, 0) + y (1, 0) e, portanto,

T (x , y ) = xT (1, 0) + y T (0, 1) = x (3, 2) + y (1, 4) = (3x + y , 2x + 4y )

Exemplo 3.13. Encontre a transformao linear T : R2 R3 tal que T (1, 1) = (3, 2, 1) e T (0, 2) = (0, 1, 0). Soluo: Um vetor (x , y ) R2 pode ser escrito como (x , y ) = 1 (1, 1) + 2 (0, 2). Primeiramente, busquemos encontrar 1 e 2 . Multiplicando-se por 1 e 2 a equao anterior, o seguinte sistema obtido: 1 = x 1 22 = y Temos ento que 1 = x e 2 =

x y . Podemos ento reescrever o vetor (x , y ) da seguinte forma: 2


(x , y ) = x (1, 1) +

x y (0, 2). 2

Logo,

T (x , y ) = xT (1, 1) +

x y x y x y T (0, 2) = x (3, 2, 1) + (0, 1, 0) = (3x , 2x , ) 2 2 2

Exemplo 3.14. Seja T : R3 R2 uma transformao linear e B = {v1 , v2 , v3 } uma base de R3 , sendo v1 = (0, 1, 0), v2 = (1, 0, 1), v3 = (1, 1, 0). Determinar T (5, 3, 2), sabendo que T (v1 ) = (1, 2), T (v2 ) = (3, 1) e T (v3 ) = (0, 2). 74

Soluo: Expressemos v = (5, 3, 2) como combinao linear dos vetores da base: (5, 3, 2) = 1 (0, 1, 0) + 2 (1, 0, 1) + 3 (1, 1, 0), ou 2 + 3 1 + 3 1 sistema cuja soluo : 1 = 4, 2 = 2, 3 = 7. Ento: (5, 3, 2) = 4v1 2v2 + 7v3 . Logo, = 5 = 3 = 2

T (5, 3, 2) = T (5, 3, 2) = T (5, 3, 2) =

4T (v1 ) 2T (v2 ) + 7T (v3 ) 4(1, 2) 2(3, 1) + 7(0, 2) (10, 20)

3.4.1

Ncleo de uma Transformao Linear

3.8 Denio. O ncleo de uma transformao linear T : V W o conjunto de todos os vetores v V que so transformados em 0 W . Indica-se esse conjunto por N (T ) ou ker(T ). ker(T ) = {v V ; T (v ) = 0}. Observemos que ker(T ) V e ker(T ) = , pois 0 ker(T ), tendo em vista que T (0) = 0. Exemplo 3.15. Determine o ncleo da transformao linear

T : R2 R2 , T (x , y ) = (x + y , 2x y )
Soluo: ker(T ) = {(x , y ) R2 ; T (x , y ) = (0, 0)}. O que implica: (x + y , 2x y ) = (0, 0), ou seja,

x +y 2x y
Sistema cuja soluo :

= =

0 0.

x = 0 e y = 0.
Logo: ker(T ) = {(0, 0)}.

Exemplo 3.16. Determine o ncleo da transformao linear T : R3 R2 denida por T (x , y , z ) = (x y + 4z , 3x + y + 8z ). 75

LGEBRA LINEAR

Soluo: Nesse caso, temos: ker(T ) = {(x , y , z ) R3 /T (x , y , z ) = (0, 0)}, isto , um vetor (x , y , z ) ker(T ) se, e somente se, (x y + 4z , 3x + y + 8z ) = (0, 0), ou seja,

x y + 4z 3x + y + 8z

= =

0 0.

Sistema linear homogneo, cuja soluo x = 3z e y = z . Logo, ker(T ) = {(3z , z , z ); z R} = {z (3, 1, 1); z R}, ou ainda, ker(T ) = [(3, 1, 1)]. Observe que este conjunto representa uma reta no R3 que passa pela origem e tal que todos os seus pontos tm por imagem a origem do R2 .

3.4.2

Propriedades do Ncleo

3.9 Proposio. O ncleo de uma transformao linear T : V W um subespao vetorial de V . Prova: De fato. Sejam v1 e v2 vetores pertencentes ao ker(T ) e um nmero real qualquer. Ento, T (v1 ) = 0 e T (v2 ) = 0. Assim: I T (v1 + v2 ) = T (v1 ) + T (v2 ) = 0 + 0 = 0, isto : v1 + v2 ker(T ); II T (v1 ) = T (v1 ) = 0 = 0, isto : v1 ker(T ). 2 3.10 Proposio. Uma transformao linear T : V W injetora se, e somente se, ker(T ) = {0}. Prova: Lembremos que uma aplicao T : V W injetora se v1 , v2 V ; T (v1 ) = T (v2 ) v1 = v2 ou, de modo equivalente, se v1 , v2 V , v1 = v2 T (v1 ) = T (v2 ). Primeiramente mostremos que se T injetora, ento ker(T ) = {0}. Seja v ker(T ), isto , T (v ) = 0. Por outro lado, sabe-se que T (0) = 0. Logo, T (v ) = T (0). Como T injetora por hiptese, v = 0. Portanto, o vetor zero o nico elemento do ncleo, isto , ker(T ) = {0}. Agora vamos mostrar que se ker(T ) = {0}, ento T injetora. Sejam v1 , v2 V tais que T (v1 ) = T (v2 ). Ento, T (v1 ) T (v2 ) = 0 ou T (v1 v2 ) = 0 e, portanto, v1 v2 ker(T ). Mas, por hiptese, o nico elemento do ncleo o vetor 0 e, portanto, v1 v2 = 0, isto , v1 = v2 . Como T (v1 ) = T (v2 ) implica v1 = v2 , ou seja, T injetora. 2 76

3.4.3

Imagem de uma Transformao Linear

3.11 Denio. A imagem de uma transformao linear T : V W o conjunto dos vetores w W que so imagens de pelo menos um vetor v V . Indica-se esse conjunto por Im(T ) ou T (V ). Simbolicamente, Im(T ) = {w W ; T (v ) = w para algum v V }. Observemos que Im(T ) W e Im(T ) = , pois, 0 = T (0) Im(T ). Se Im(T ) = W , T diz-se sobrejetora, isto , para todo w W existe pelo menos um v V tal que T (v ) = w . Exemplo 3.17. Seja T : R3 R3 , T (x , y , z ) = (x , y , 0) a projeo ortogonal de R3 sobre o plano xy .

z
A imagem de T o prprio plano xy , ou seja, Im(T ) = {(x , y , 0) R ; x , y R}.
3

10

v = (5, 5, 7)
5
| | | | | | | | |

5
| | | | | | | | | | | | |

Observemos que o ncleo de T o eixo dos z , isto 10 , T (v ) = (5, 5, 0) ker(T ) = {(0, 0, z ); z R}, pois, T (0, 0, z ) = (0, 0, 0), para todo z R. A gura ao lado apresenta o vetor v = (5, 5, 7) e sua imagem T (v ) = (5, 5, 0).

| |

5 5

10 10

10

5 5

(0, 0, 0)

Exemplo 3.18. A imagem da transformao linear identidade I : V V denida por I (v ) = v , v V , todo o espao V . O ncleo, neste caso, ker(I ) = {0}. Exemplo 3.19. A imagem da transformao nula O : V W denida por O (v ) = 0, v V , o conjunto Im(O ) = {0}. O ncleo, nesse caso, todo espao V .

3.4.4

Propriedades da Imagem

3.12 Proposio. A imagem de uma transformao T : V W um subespao de W . Prova: Sejam w1 e w2 vetores pertencentes a Im(T ) e um nmero real qualquer. Devemos mostrar que w1 + w2 I m(T ) e que w1 Im(T ), isto , devemos mostrar que existem vetores u e v pertencentes a V tais que T (v ) = w1 + w2 e T (u ) = w1 . Como w1 , w2 Im(T ), existem vetores v1 , v2 V tais que T (v1 ) = w1 e T (v2 ) = w2 . Fazendo v = v1 + v2 e u = v1 , tem-se:

T (v ) = T (v1 + v2 ) = T (v1 ) + T (v2 ) = w1 + w2


e

T (u ) = T (v1 ) = T (v1 ) = w1
e, portanto, Im(T ) um subespao vetorial de W . 2

3.4.5

Teorema do Ncleo e Imagem

3.13 Teorema. Seja T : V W uma aplicao linear. Ento, dim(ker(T )) + dim(Im(T )) = dim(V ). ( 3.2) 77

LGEBRA LINEAR

Prova: Considere v1 , . . . , vn uma base de ker(T ). Como ker(T ) V subespao de V , podemos completar este conjunto de modo a obter uma base de V . Seja {v1 , . . . , vn , w1 , . . . , wm } a base de V . Queremos mostrar que T (w1 ), . . . , T (wm ) uma base de Im(T ), isto ,

i [T (w1 ), . . . , T (wm )] = Im(T ); ii {T (w1 ), . . . , T (wm )} linearmente independente. Mostremos, primeiramente, i. Dado w Im(T ), existe u V tal que T (u ) = w . Se u V , ento

u = 1 v1 + . . . + n vn + 1 w1 + . . . + m wm .
Mas,

= =

T (u ) = T (1 v1 + . . . + n vn + 1 w1 + . . . + n wm ) 1 T (v1 ) + . . . + n T (vn ) + 1 T (w1 ) + . . . + m T (wm )

Como os vetores {v1 , . . . , vn } pertencem ao ker(T ), T (vi ) = 0, para i = 1, . . . , n. Assim,

w = b1 T (w1 ) + . . . + bm T (wm )
e a imagem de T gerada pelos vetores T (w1 ), . . . , T (wm ). Mostremos, agora, ii. Consideremos, a combinao linear 1 T (w1 ) + 2 T (w2 ) + . . . + m T (wm ) = 0 Como T linear, T (1 w1 + 2 w2 + . . . + m wm ) = 0. Logo 1 w1 + 2 w2 + . . . + m wm ker(T ). Ento, 1 w1 + 2 w2 + . . . + m wm pode ser escrito como combinao linear da base {v1 , . . . , vn } de ker(T ), isto , existem 1 , 2 , . . . , n tais que 1 w1 + . . . + m wm = 1 v1 + . . . + n vn , ou ainda, 1 w1 + . . . + m wm 1 v1 . . . n vn = 0. Mas {v1 , . . . , vn , . . . , w1 , . . . , wm } uma base de V , e temos ento 1 = 2 = . . . = m = 1 = 2 = . . . = n = 0. 2 3.14 Corolrio. Se dim(V ) = dim(W ), ento a transformao linear T injetora se, e somente se, sobrejetora. 3.15 Corolrio. Seja T : V W uma aplicao linear injetora. Se dim(V ) = dim(W ), ento T leva base em base. Suprimiremos as demonstraes dos corolrios acima e exibiremos exerccios resolvidos sobre o assunto em questo.

3.4.6

Isomorsmo e Automorsmo

3.16 Denio. Se uma transformao linear T : V W bijetora, damos o nome de isomorsmo. 3.17 Denio. Dois espaos vetoriais U e V so isomorfos se existe um isomorsmo T : U V . Sob o ponto de vista da lgebra Linear, espaos vetoriais isomorfos so, por assim dizer, idnticos. 78

Observe que devido ao Teorema ( 3.2), espaos isomorfos devem ter a mesma dimenso. Portanto, pelo corolrio ( 3.15), um isomorsmo leva base em base. Alm disso, um isomorsmo T : V W tem uma aplicao inversa T 1 : W V que linear e tambm um isomorsmo. Exemplo 3.20. Seja T : R3 R3 dada por T (x , y , z ) = (x 2y , z , x + y ). Mostre que T um isomorsmo e calcule sua inversa T 1 . Soluo: Se pudermos mostrar que T injetora, teremos que T um isomorsmo (Corolrio 3.14). Isto equivale a mostrar que ker(T ) = {(0, 0, 0)}. Mas ker(T ) = {(x , y , z ); T (x , y , z ) = (0, 0, 0)} e T (x , y , z ) = {(0, 0, 0)} se, e somente se, (x 2y , z , x + y ) = (0, 0, 0). Resolvendo o sistema de equaes lineares x 2y = 0 z = 0 x +z = 0 achamos que x = y = z = 0 a nica soluo e, portanto, T um isomorsmo. Tomando a base cannica de R3 , sua imagem pela T {T (1, 0, 0), T (0, 1, 0), T (0, 0, 1)} = {(1, 0, 1), (2, 0, 1), (0, 1, 0)} que ainda uma base de R3 . Do fato de T ser um isomorsmo, calculemos a aplicao inversa de T. Como T (1, 0, 0) = (1, 0, 1), T (0, 1, 0) = (2, 0, 1) e T (0, 0, 1) = (0, 1, 0), temos que T 1 (1, 0, 1) = (1, 0, 0),T 1(2, 0, 1) = (0, 1, 0),T 1(0, 1, 0) = (0, 0, 1). Queremos calcular T 1 (x , y , z ). Para isto escrevemos (x , y , z ) em relao base {(1, 0, 1), (2, 0, 1), (0, 1, 0)}, obtendo: (x , y , z ) = Ento,

zx x + 2z (1, 0, 1) + (2, 0, 1) + y (0, 1, 0). 3 3

T 1 (x , y , z ) =
Ou seja,

x + 2z 1 z x 1 T (1, 0, 1) + T (2, 0, 1) + y T 1 (0, 1, 0). 3 3 T 1 (x , y , z ) = ( x + 2z z x , , y ). 3 3

3.4.7

Posto e Nulidade

Seja T : V U uma transformao linear. Ento, 3.18 Denio. o posto de T a dimenso da sua imagem e a nulidade de T a dimenso do seu ncleo. Assim, posto(T ) = dim(Im(T )) e nulidade(T ) = dim(ker(T )). Assim, o Teorema 3.2 produz a seguinte frmula para um transformao T , quando V tem dimenso nita: posto(T ) + nulidade(T ) = dim(V ).

3.4.8

Transformaes Singulares e No-Singulares

3.19 Denio. Diz-se que uma transformao linear T : V U singular se existe v V , com v = 0, mas T (v ) = 0. Assim, T : V U no-singular se, e somente se, o vetor nulo de V transformado no 79

LGEBRA LINEAR

vetor nulo de v , ou equivalentemente, se seu ncleo consiste somente no vetor zero (ker(T ) = {0}). Exemplo 3.21. Seja T : R3 R3 a transformao linear que gira um vetor de um ngulo em redor do eixo dos z , T (x , y , z ) = (x cos y sen , x sen + y cos , z ). Observe que somente o vetor zero transformado no vetor zero. Portanto, T no-singular. Agora, se a transformao linear T : V U injetora, somente o vetor 0 V pode ser transformado em 0 U e ento T no-singular. A recproca desta armao tambm verdadeira. Suponhamos que T no-singular e T (v ) = T (w ), ento T (v w ) = T (v ) T (w ) = 0 e, portanto, v w = 0 ou v = w . Assim, T (v ) = T (w ) implica v = w , isto , T injetora. Este resultado um importante teorema que enunciaremos a seguir. 3.20 Teorema. T uma transformao linear injetora se, e somente se, ker(T ) = {0}.

3.4.9

Exerccios Resolvidos

Exemplo 3.22. Seja T : R3 R2 a transformao linear dada por T (x , y , z ) = (x + y , 2x y + z ). (a) Dar uma base e a dimenso de ker (T ); (b) Dar uma base e a dimenso de I m(T ).

Soluo: (a) ker(T ) = {(x , y , z ) R3 ; (x + y , 2x y + z ) = (0, 0)}. Como

x +y =0 Cuja soluo geral (y , y , 3y ), y R, ento ker(T ) = {(y , y , 3y ); y R}. Logo, 3y + z = 0 ker(T ) = [(1, 1, 3)] e {(1, 1, 3)} uma base de ker(T ). (b) Achemos um conjunto de geradores de Im(T ) : (x + y , 2x y + z ) = x (1, 2) + y (1, 1) + z (0, 1) do que segue Im(T ) = [(1, 2), (1, 1), (0, 1)]. Para determinar uma base de Im(T ) usamos o processo prtico que consiste em colocar os vetores geradores de Im(T ) em linha e escalonar. Vejamos abaixo:

x +y =0 2x y + z = 0

1 2 1 1 0 1

1 0 0

2 3 1

1 2 0 1 0 1

1 2 1 1 0 0.

Assim, uma base de Im(T ) {(1, 2), (0, 1)} e dim(Im(T )) = 2. Segue que Im(T ) = R2 e T sobrejetora. Observe que T no injetora, pois, seu ncleo ker(T ) = {(0, 0, 0)}. Exemplo 3.23. Determinar uma aplicao linear T : R3 R4 tal que

I m(T ) = [(1, 1, 2, 1), (2, 1, 0, 1)].


Soluo: Como dim(Im(T )) = 2. Lembrando do teorema 3.2 dim(ker(T )) + dim(Im(T )) = dim(V ), em que, V = R3 . Temos ento que dim(ker(T )) = 1. Podemos tomar T : R3 R4 tal que T (1, 0, 0) = (0, 0, 0, 0), T (0, 1, 0) = (1, 1, 2, 1) e T (0, 0, 1) = (2, 1, 0, 1). A imagem ser o conjunto dado. Temos

T (x , y , z )

= xT (1, 0, 0) + y T (0, 1, 0) + zT (0, 1, 0) = y (1, 1, 2, 1) + z (2, 1, 0, 1) = (y + 2z , y + z , 2y , y + z ).

Vale observar que tomamos em R3 , a base cannica, a qual zemos o vetor (1, 0, 0) pertencer ao ncleo de T . Portanto, segue que o exerccio em questo admite vrias solues. 80

Exemplo 3.24. Seja T o operador linear de M2 (R) denido por T (X ) = BX , X M2 (R), onde 1 0 determine ker(T ) e uma base da imagem de T . B M2 (R). No caso de B = 2 1

Soluo:

ker(T ) =

x z

y t

M2 (R);

1 0 2 1

x z

y t

x 2x z

y 2y t

0 0

0 0

x =0 y =0 s admite a soluo trivial, T injetora. Por outro lado, levando em Como o sistema 2x z = 0 2y t = 0 conta o teorema do ncleo e da imagem, tiramos que
dim(Im(T )) = dim(M2 (R)) dim(ker(T )) = 4 0 = 4. Logo, Im(T ) = M2 (R) e qualquer base deste espao base de I m(T ). Observe que T um automorsmo de M2 (R). Os mesmos resultados seriam obtidos para qualquer matriz B inversvel.

Exemplo 3.25. Mostrar que o operador linear T do R3 dado por T (x , y , z ) = (x + z , x z , y ) um automorsmo. Determinar T 1 .

Soluo: Para achar o ncleo de T devemos resolver o sistema

x +z =0 x z =0 y =0
cuja nica soluo (0, 0, 0). Logo, ker(T ) = {(0, 0, 0)} e T injetora. devido ao corolrio do teorema do ncleo e da imagem podemos armar que T um automorsmo. Supondo T 1 (x , y , z ) = (a, b , c ), ento (x , y , z ) = T (a, b , c ) = (a + c , a c , b ). Logo,

a+c =x ac =y y =0
do que resulta que a =

x +y x y ,b = z e c = . Logo: 2 2 T 1 (x , y , z ) = x y x +y , z, 2 2
= 1 (x + y , 2z , x y ). 2

Exemplo 3.26. Mostrar que T : R3 R4 dada por T (x , y , z ) = (x , x y , y z , z ) injetora mas no isomorsmo de R3 em R4 . 81

LGEBRA LINEAR

Soluo: Primeiramente mostremos que T linear. Sejam u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) vetores de R3 . (i )T (u + v ) = = = = = = = =

(ii )T (u )

T (x1 + x2 , y1 + y2 , z1 + z2 ) (x1 + x2 , x1 + x2 (y1 + y2 ), (y1 + y2 ) (z1 + z2 ), (z1 + z2 )) (x1 + x2 , x1 y1 + x2 y2 , y1 z1 + y2 z2 , z1 + z2 ) (x1 , x1 y1 , y1 z1 , z1 ) + (x2 , x2 y2 , y2 z2 , z2 ) = T (u ) + T (v ). T (x1 , y1 , z1 ) (x1 , x1 y1 , y1 z1 , z1 ) (x1 , x1 y1 , y1 z1 , z1 ) T (u )

Por outro lado, o sistema

x x y y z z

=0 =0 =0 =0

s admite a soluo trivial. Logo, ker(T ) = {(0, 0, 0, 0)} e T injetora, mas no sobrejetora, pois, dim(Im(T )) = dim(R3 ) dim(ker(T )) = 3. Segue que Im(T ) = R4 .

3.4.10

Aplicaes Lineares e Matrizes

Veremos nesta seo que, em certo sentido, o estudo das transformaes lineares pode ser reduzido ao estudo das matrizes. J vimos em exemplos anteriores que a toda matriz m n est associada uma transformao linear T : Rn Rn . Vamos formalizar este resultado para espaos vetoriais V e W e tambm estabelecer o seu recproco, isto , veremos que uma vez xadas as bases, a toda transformao linear T : V W estar associada uma nica matriz. Inicialmente veremos como, dados dois espaos vetoriais V e W com bases e e uma matriz A, podemos obter uma transformao linear.

Exemplo 3.27. Encontre a transformao linear associada a matriz A = bases = {(1, 0), (0, 1)} e = {(1, 1), (0, 1)}.

2 0 0 1

e que depende das

Soluo: Queremos associar a esta matriz A uma aplicao linear que depende de A e das bases dadas e , isto , T A : R2 R2 v TA (v ).

Considere v = (x , y ). Seja X = [v ] =

x y

AX =

2 0

0 1

x y

2x y

= [TA (v )]

Ento, TA (v ) = 2x (1, 1)+ y (1, 1) = (2x y , 2x + y ). Por exemplo, se v = (2, 1), ento TA (2, 1) = (3, 5). Note que se tivssemos partido de = = {(1, 0), (0, 1)}, teramos obtido TA (v ) = (2x , y ) = Av . 82

Nota 26. De modo geral, xadas as bases = {v1 , . . . , vn } e = {w1 , . . . , wn }, matriz

A=

a11 . . . am 1

...

a1 n . . . . . . amn

m n

podemos associar

T A : Rn v

Rm . TA (v )

Seja X = [v ] =

x1 . . . xn

AX =

a11 . . . am 1

...

a1 n . . . . . . amn

x1 . . . xn

y1 . . . ym

Ento, TA (v ) = y1 w1 + . . . + ym wm , onde yi = Ai X e Ai a i -sima linha de A. Em geral, dada a matriz Amn , ela encarada como uma aplicao linear TA : Rn Rm em relao s bases cannicas de Rn e Rm . 1 3 5 , = {(1, 0), (0, 1)} e = {(1, 0, 0), (0, 0, 1), (0, 0, 1)}, TA : R3 R2 . Exemplo 3.28. A = 2 4 1 Encontremos a expresso desta transformao linear.

Seja X =

x y z

AX =

1 3 5 2 4 1

x y z

x 3y + 5z 2x + 4y z

. Ento,

TA (x , y , z ) = (x 3y + 5z )(1, 0) + (2x + 4y z )(0, 1) = (x 3y + 5z , 2x + 4y z )


Agora iremos encontrar a matriz associada a uma transformao linear. Seja T : V V linear, = {v1 , v2 , . . . , vn } base de V e b = {w1 , w2 , . . . , wm } base de W . Ento, T (v1 ), . . . , T (vn ) so vetores de W e, portanto, T (v1 ) = a11 w1 + . . . + am1 wm T (v2 ) = a12 w1 + . . . + am2 wm . . . T (vn ) = a1n w1 + . . . + amn wm A transposta da matriz de coecientes deste sistema, denotada por [T ] chamada matriz de T em relao s bases e . a11 . . . a11 . . .. . . =A [ T ] = . . . a11 . . . a11 Observe que T passa a ser a aplicao linear associada matriz A e bases e , isto T = TA . 83

LGEBRA LINEAR

Exemplo 3.29. Seja T : R3 R2 tal que T (x , y , z ) = (2x + y z , 3x 2y + 4z ) e as bases = {(1, 1, 1), (1, 1, 0), (1, 0, 0} e = {(1, 3), (1, 4)}. Encontre [T ] . Soluo: Calculando T nos elementos da base temos:

T (1, 1, 1) = (2, 5) = 3(1, 3) 1(1, 4) T (1, 1, 0) = (3, 1) = 11(1, 3) 8(1, 4) T (1, 0, 0) = (2, 3) = 5(1, 3) 3(1, 4)
Ento, [ T ] =

3 11 5 1 8 3

Observe que se xarmos outras bases e , teremos uma outra matriz para a transformao T . Exemplo 3.30. Seja T a transformao linear do exemplo acima e sejam = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e = {(1, 0), (0, 1)}. Calcule [T ] . Soluo:

T (1, 0, 0) = (2, 3) = 2(1, 0) + 3(0, 1) T (0, 1, 0) = (1, 2) = 1(1, 0) 2(0, 1) T (0, 0, 1) = (1, 4) = 1(1, 0) + (0, 1)
Ento, [ T ] =

2 1 1 3 2 4

Nota 27. Usa-se denotar simplesmente por [T ] matriz de uma transformao linear T : R m R n em relao s suas bases cannicas. Assim, neste exemplo [T ] = [T ]. Tambm comum usar-se a notao simplicada: T v = T (v ).
Exemplo 3.31. Seja T : V V , a transformao identidade, = {v1 , . . . , vn } e = {v1 , . . . , vn } bases de V . Determine [T ] .

T v1 . . Soluo: Como . T vn

= =

v1 . . . vn

= =

a11 v1 + . . . + an1 vn . . . a1n v1 + . . . + ann vn

[ T ] =

a11 . . . an 1

a1 n . . . . . . ann

...

= [I ]

a matriz mudana de base. Exemplo 3.32. Dadas as bases = {(1, 1), (0, 1)} de R2 e = {(0, 3, 0), (1, 0, 0), (0, 1, 1)} de R3 , encontre a transformao linear T : R2 R3 cuja matriz

[T ] = 84

0 2 1 0 1 3

Soluo: Por denio, temos que:

T (1, 1) = T (1, 1) =

0(0, 3, 0) 1(1, 0, 0) 1(0, 1, 1) = (1, 1, 1) 2(0, 3, 0) + 0(1, 0, 0) + 3(0, 1, 1) = (0, 9, 3)

Devemos encontrar agora T (x , y ). Para isto, escrevemos (x , y ) em relao base : (x , y ) = x (1, 1) + (y x )(0, 1) Aplicando T e usando a linearidade, temos:

T (x , y ) = = =

xT (1, 1) + (y x )T (0, 1) x (1, 1, 1) + (y x )(0, 9, 3) (x , 9y 10x , 3y 4x )

O prximo resultado d o signicado da matriz de uma transformao linear. 3.21 Teorema. Sejam V e W espaos vetoriais, base de V , base de W e T : V W uma aplicao linear. Ento, para todo v V temos: [T (v )] = [T ] [v ] . Suprimiremos a demonstrao acima e exibiremos exerccios resolvidos sobre o assunto em questo. Exemplo 3.33. Seja a transformao linear T : R2 R3 dada por

[ T ] =

1 1 0 1 2 3

em que, = {(1, 0), (0, 1)} a base do R2 , = {(1, 0, 1), (2, 0, 1), (0, 1, 0)} a base do R3 . Qual a imagem do vetor v = (2, 3) pela aplicao T ? Soluo: Queremos saber qual a imagem do vetor v = (2, 3) pela aplicao T . Para isto, 2 . A seguir, de achamos as coordenadas do vetor v em relao base , obtendo [v ] = 3 acordo com o teorema 3.21, temos

[T (v )] = [T ] [v ] = ou seja,

1 1 0 1 2 3

2 3

5 3 13

T (v ) = =

5(1, 0, 1) 3(2, 0, 1) 13(0, 1, 0) (11, 13, 2) e , a base cannica de M2 (R) determine a transformao 2 1 . 1 0 85

Exemplo 3.34. Sendo = {(2, 1), (1, 0)} 4 2 linear T : R2 M2 (R) tal que [T ] = 3 3

LGEBRA LINEAR

Soluo: T (2, 1) = 1

T (1, 0) = 5

1 0

0 0

1 0

0 0

+2 0 0 1 0

0 1 0 0 + 7

+3 0 0 1 0

0 0 1 0

+4

0 0

+ 6 4 2 3 3 2 1 1 0

+ 8

0 0 0 1

0 1

T (2, 1) =

1 3 6 8

T (1, 0) =

5 7

2 4

Do fato de [T ] =

temos que 1 = 4, 2 = 2, 3 = 3, 4 = 3, 5 = 2, 6 = 1, 7 = 1 e

8 = 0. Escrevamos um vetor genrico do R2 como combinao linear da base . (x , y ) = 1 (2, 1) + 2 (1, 0). Segue que 21 + 2 = x Portanto, (x , y ) = y (2, 1) + x 2y (1, 0). Assim, 1 = y

T (x , y ) =

4 3

2 3 2y 3y

+ (x 2y )

2 1 1 0

4y 3y

2x 4y x 2y

x 2y 0
2x 4y x +y

T (x , y ) =

2y + 2x 3y

4y + x 3y

x 2y 3y

Exemplo 3.35. Sendo = {(2, 1), (1, 0)} , a base cannica de M2 (R) e T : R2 M2 (R) a transfor 4 2 2 1 mao linear tal que [T ] = , calcule: 3 1 3 0

(a) [T (2, 1)]

(b) T (2, 1)

(c) [T (1, 0)]

(d) T (1, 0)

(e) [T (5, 3)]

Soluo:

(a) [T (2, 1)] . Temos que T (2, 1) = 1

1 0

0 0

+ 2 4 2 3 3

0 0

1 0

+ 3

0 0 1 0

+ 4

0 0

0 1

T (2, 1) =

1 3

2 4

. Portanto, [T (2, 1)] =

Soluo: (b) T (2, 1). Pelo que foi visto acima, segue que T (2, 1) = 86

4 3

2 3

Soluo: (c) [T (1, 0)] 1 0 0 1 0 + 6 + 7 T (1, 0) = 5 0 0 0 0 1

Portanto T (1, 0)] =

2 1 1 0

0 0

+ 8

0 0 0 1

T (1, 0) =

5 7

6 8

Soluo: (d) T (1, 0). De modo anlogo ao tem anterior, temos T (1, 0) =

2 1 1 0

Soluo: (e) [T (5, 3)] Primeiramente encontremos o vetor v = (5, 3) na base , ou seja, [(5, 3)] . (5, 3) = 1 (2, 1) + 2 (1, 0). Portanto, 1 = 3 e 2 = 1. Usando o teorema 3.21, temos que

[T (5, 3)] =

4 2 3 3

2 1 1 0

3 1

10 5 8 9

3.5

Autovalores e Autovetores

Toda transformao linear possui uma matriz associada, xando as bases. Assim, ser que no existe uma forma mais simplicada de representar tal matriz? Dada uma transformao linear de um espao vetorial T : V V , estamos interessados em saber quais vetores so levados em um mltiplo de si mesmo; isto , procuramos um vetor v V e um escalar R tais que T (v ) = v . Neste caso T (v ) ser um vetor de mesma direo que v . Por vetores de mesma direo entenderemos vetores sobre a mesma reta suporte. Como v = 0 satisfaz a equao T (v ) = v , para todo , iremos determinar vetores v = 0, tais que T (v ) = v . O escalar ser chamado autovalor ou valor caracterstico de T e o vetor v um autovetor ou vetor caracterstico de T . Formalizemos este conceito. Lembre-se de que a designao usual de operador linear atribuda a uma transformao linear de um espao nele mesmo. 3.22 Denio. Seja T : V V um operador linear. Se existem v V , v = 0, e R tais que T (v ) = v , um autovalor de T e v um autovetor de T associado a .

Observe que pode ser o nmero 0, embora v no possa ser o vetor nulo. Daremos a seguir exemplos de como calcular autovalores e autovetores, usando esta denio. Exemplo 3.36. Determine os autovalores e os autovetores associados transformao T : R2 R2 tal que T (x , y ) = (2x , 2y ). 87

LGEBRA LINEAR

Soluo:

T (x , y ) =

2 0 0 2

x y

Observe que T (x , y ) = 2(x , y ) . Na forma matricial temos

x y

2 0 0 2

x y

2x 2y

=2

x y

Neste caso, 2 um autovalor de T e qualquer (x , y ) = (0, 0) um autovetor de T associado ao autovalor 2. Observe geometricamente:

T (v ) = 2v

x x

T : R2 R2 tem como autovalor e v v , = 0 qualquer (x , y ) = (0, 0) como autovetor correspondente. Observe que T (v ) sempre um vetor de mesma direo que v . Ainda mais, se: 1. < 0, T inverte o sentido do vetor; 3. || < 1, T contrai o vetor;
Nota 28. De um modo geral, toda transformao 2. || > 1, T dilata o vetor;

4. || = 1, T a identidade. 2 0 2 1

Exemplo 3.37. Considere a matriz A = transformao TA (x , y ).

. Determine os autovalores e os autovetores associados

2 2 x 2 Soluo: Se A = , ento A = 0 1 y 0 2y , y ). Para procurar os autovalores e autovetores de ou 2x + 2y x = y y Assim, temos o sistema de equaes

2 x 2x + 2y = e TA (x , y ) = (2x + 1 y y TA , devemos resolver a equao TA (v ) = v


x y

1 (i ) Se y = 0, ento da segunda equao = 1. Logo, 2x + 2y = x e y = x . Obtemos, assim, para 2 1 o autovalor = 1, os autovetores do tipo (x , x ). 2 (ii ) Se y = 0, x deve ser diferente de 0, pois, seno, o autovalor (x , y ) seria nulo, o que no pode acontecer pela denio de autovalor. Da primeira equao, 2x + 0 = x ou = 2. Portanto, outro autovalor 2 e qualquer vetor no nulo (x , 0) um autovetor correspondente. Ento, todos os vetores sobre o eixo-x so levados em vetores de mesma direo: T (x , 0) = (2x , 0) ou T (v ) = 2v . 1 Temos, assim, para esta transformao T , autovetores x , x , x = 0, associados ao autovalor 1 2 e autovetores (x , 0), x = 0, associados ao autovalor 2. Todos os outros vetores do plano so levados por T em vetores de direes diferentes. 88

2x + 2y = x . y = y Consideremos os casos quando (i )y = 0 e (ii )y = 0.

3.23 Teorema. Dada uma transformao T : V V e um vetor v associado a um autovalor , qualquer vetor w = v ( = 0), ou seja, mltiplo de v , tambm autovetor de T associado a . Prova: T (w ) = T (v ) = T (v ) = (v ) = (v ) 2

3.24 Denio. Seja um autovalor de um operador T : V V . Ento, o conjunto V = {v V : T (v ) = v } um subespao vetorial de V associado ao autovalor . Alm disso, a imagem T (V ) do subespao V est contida em V , isto , V invariante sob T . O subespao V chamado autoespao de T associado a e formado por autovetores associados a e pelo vetor nulo. Recordando os exemplos 3.36 e 3.37 temos os seguintes autoespaos, respectivamente: 1 V=2 = R2 , V=1 = {(x , y ) R2 /y = x )} e V=2 = {(x , y ) R2 /y = 0}. 2 Exemplo 3.38. Seja um autovalor de um operador T : V V . Seja V o conjunto de todos os autovetores de T associados ao autovalor (chamado autoespao de ). Mostre que V um subespao de V . Soluo: Suponha que v , w V ; isto , T (v ) = v e T (w ) = w . Ento, para quaisquer escalares , K , T (v + w ) = T (v ) + T (w ) = (w ) + (w ) = (v + w ). Assim, v + w um autovetor associado a , isto , v + w V . Portanto, V=2 um subespao de V .

3.5.1

Autovalores e Autovetores de uma Matriz

3.25 Denio. Dada uma matriz quadrada, A, de ordem n, entendemos por autovalor e autovetor de A, o autovalor e autovetor da transformao linear TA : Rn Rn , associada a matriz A em relao base cannica, isto , TA (v ) = A v (na forma coluna). Assim, um autovalor R de A, e um autovetor v Rn , so solues da equao A v = v , v = 0. Exemplo 3.39. Dada a matriz diagonal

a11 0 . . . 0

0 a22 . . . 0

... ...

0 0 . . . . . . ann

e dados os vetores e1 = (1, 0, 0 . . . , 0), e2 = (0, 1, 0 . . . , 0), . . . , en = (0, 0, 0 . . . , 1), temos

A e1 =

a11 0 . . . 0

= a11 e1

e, em geral, A ei = ai i ei . Ento, estes vetores da base cannica de Rn so autovalores para A, e o autovetor ei associado ao autovalor ai i . Veremos, a seguir, que dada uma transformao linear T : V V e xada uma base , podemos reduzir o problema de encontrar autovalores e autovetores para T determinao de autovalores para a matriz [T ] . 89

LGEBRA LINEAR

3.5.2

Polinmio Caracterstico

Observamos, nos exemplos anteriores, que se nos basearmos nas denies de autovalor e autovetor para efetuar os clculos que determinam seus valores, estaremos adotando um processo complexo e trabalhoso. Por isto, desejamos procurar um mtodo prtico para encontrar autovalores e autovetores de uma matriz A de ordem n. Faremos, a seguir, um exemplo para o caso em que n = 2, e em seguida generalizaremos para n qualquer.

Exemplo 3.40. Seja A =

5 2

1 3

Procuramos vetores v R2 e escalares R (corpo) tais que A v = v . Observe que se I for a matriz identidade de ordem 2, ento a equao acima pode ser escrita na forma A v = (I )v , ou ainda, (A I )v = 0. Escrevendo, explicitamente,

5 1 2 3

x y

0 0

Temos, ento, a equao matricial

5 2

1 3

x y

0 0

Se escrevermos explicitamente o sistema de equaes lineares equivalente a esta equao matricial, iremos obter um sistema homogneo com duas equaes e duas incgnitas. (5 )x y = 0 2x + (3 )y = 0 Se o determinante da matriz dos coecientes for diferente de zero, sabemos que este sistema tem uma nica soluo, que a soluo trivial nula, ou seja, x = y = 0. Portanto neste caso temos que v = (x , y ) = (0, 0). Mas estamos interessados em calcular os autovalores de A, isto , pela denio vetores v = 0, tais que (A I )v = 0. Neste caso det(A I ) deve ser zero, ou seja,

det

5 2

1 3

= 0

(5 )(3 ) + 2 2 8 + 7

= 0 = 0

Vemos que det(AI ) um polinmio em . Este chamado o polinmio caracterstico de A. Prosseguindo com a resoluo, temos ( 1)( 7) = 0. Logo, = 1 ou = 7 so razes do polinmio caracterstico de A, e portanto os autovalores da matriz A so 1 e 7. Conhecendo os autovalores podemos encontrar os autovetores correspondentes. Resolvendo a equao Av = v , para os casos: i) = 1

Os autovetores associados a = 1 so (2y , y ), ou seja, pertencem ao subespao [(2, 1)]. 90

4 1 2 2

x y

=1

x y

4x + y 2x + 2y

x y

4x + y = x 2x + 2y = y

x = 2y

ii) 7 = 2 1 x x 2x + y 7x =7 = 2 4 y y 2x 4y 7y Os autovetores associados associados a = 7 so do tipo

spao

10 ,1 11

10 y , y , ou seja pertencem ao sube11

2x + y = 7x 2x 4y = 7y

x =

10 y 11

O que zemos neste exemplo com a matriz A de ordem 2 2 pode ser generalizado. Seja A uma matriz de ordem n. Quais so os autovalores e autovetores correspondentes a A? So exatamente aqueles que satisfazem a equao Av = v ou Av = (I )v ou (A I )v = 0. Escrevendo esta ltima equao explicitamente, temos

a11 a12 a21 a22 . . . . . . an 1 an 2

... ...

a1 n a2 n . . . . . . ann

x1 x2 . . . xn

0 0 . . . 0

Chamemos de B a matriz dos coecientes (primeira matriz). Ento, B v = 0. Se det B = 0, sabemos que o posto da matriz B n e portanto o sistema de equaes lineares homogneo indicado acima tem nica soluo. Como o sistema homogneo , ento a nica soluo a trivial nula, x1 = x2 = . . . = xn = 0 (ou v = 0). Mas, sabemos que a denio de autovetor exclui v = 0, assim, impondo a condio v = 0, o sistema homogneo (A I )v = 0 tem soluo (no trivial) se, e somente se, a matriz B = A I no inversvel, o que signica que B = A I no linha equivalente identidade ou det B = 0, ou seja, det(A I ) = 0. Observamos que

P () = det(A I ) = det

a11 a12 ... a1 n a21 a22 . . . a2 n . . . . . . . . . an 1 an 2 . . . ann

um polinmio em de grau n. P () chamado polinmio caracterstico da matriz A. Nota 29. um autovalor de A se e somente se, uma raiz do polinmio caracterstico de A, isto P () = 0. O nmero de razes do polinmio caracterstico no mximo n, grau do polinmio e depende do corpo K . Vejamos um exemplo enfocando este fato.

Exemplo 3.41. Seja A =

0 1 1 0

, calcule seu polinmio caracterstico e autovalores.

1 Soluo: P () = det(I A) = det = 2 + 1 1 Portanto, se K = R ou K R a matriz A no possui autovalores. Porm se K = C, a matriz A possui dois autovalores, = i e = i . 3.26 Proposio. Se V um espao vetorial complexo de dimenso n ento um operador T : V V tem n autovetores (distintos ou no). 91

LGEBRA LINEAR

3.5.3

Matrizes Semelhantes

3.27 Denio. Duas matrizes A, B Mnn (K ), ou seja, matrizes quadradas so semelhantes se existe uma matriz inversvel P Mnn (K ) tal que B = P 1 AP . 3.28 Teorema. Duas matrizes A e B so semelhantes se, e somente se, possuem o mesmo determinante. Prova: det(B ) = det(P 1 AP ) = det(P 1 ) det(A) det(P ) 1 = det(A) det(P ) det(P ) = det(A) 2 3.29 Lema. Matrizes semelhantes tm os mesmos autovalores. Prova: Sejam A e B = P 1 AP matrizes semelhantes.

PB ()

= = = = =

det(I B ) = det(I P 1 AP ) det(P 1 P P 1 AP ) = det(P 1 I P P 1 AP ) det(P 1 I P P 1 AP ) = det(P 1 (I A)P det P 1 det(I A) det P = det(I A) PA ()

Os polinmios caractersticos de B e de A so iguais. Logo, os autovalores (razes do polinmio caracterstico) so os mesmos. 2

3.5.4

Matrizes Diagonalizveis

Uma matriz A diagonalizvel (sob semelhana) se existe uma matriz no-singular P tal que D = P 1 AP uma matriz diagonal, isto , se A semelhante a uma matriz diagonal D . 3.30 Teorema. Uma matriz quadrada A de ordem n semelhante a uma matriz diagonal D se, e somente se, A tem n autovetores linearmente independentes. Em tal caso, os elementos diagonais de D so os autovalores correspondentes e D = P 1 AP , onde P a matriz cujas colunas so os autovetores. Suponhamos que uma matriz A possa ser diagonalizada, ou seja, tenha a forma diagonal, P 1 AP = D , onde D diagonal. Ento, A admite a fatorao diagonal, extremamente til, A = PDP 1 . Utilizando-se esta fatorao, a lgebra de A reduz-se lgebra da matriz diagonal D , que pode ser facilmente calculada. Especicamente, seja D = diag (k1 , k2 , . . . , kn ). Ento,
m m m Am = ((PDP )1 )m = PD m P 1 = P diag(k1 , k2 , . . . , kn )P 1

e, mais geralmente, para qualquer polinmio f (x ),

f (A) = f (PDP 1 ) = PD m P 1 = Pf (D )P 1 = P diag(f (k1 ), . . . , (f (kn ))P 1 .


Alm disso, se os elementos diagonais de D so no-negativos, ento a matriz seguinte B uma raiz quadrada de A: B = P diag( k1 , . . . , k1 )P 1 , isto , B 2 = A. 92

Exemplo 3.42. Consideremos a matriz A =

independentes

2 3

1 1

1 3

2 2

onde esta matriz tem dois autovetores linearmente


. Faamos P =

1 2 3 2

, e, assim, P

1 5 3 5

1 5 2 5

Ento, A semelhante matriz diagonal

B=P

AP =

1 5 3 5

1 5 2 5

1 2 3 2

2 1 3 1

4 0

0 1

Como era de se esperar, os elementos diagonais 4 e 1 da matriz diagonal B so os autovalores correspondentes aos autovetores dados. Em particular, A admite a fatorao

A = PDP 1 =

2 1 3 1

4 0 0 1

1 5 3 5

1 5 2 5

Conseqentemente,

A = PD P

2 1 3 1

256 0 0 1

1 5 3 5

1 5 2 5

103 102 153 154

Alm disso, se f (x ) = x 3 7x 2 + 9x 2, ento

f (A) = Pf (D )P

2 3

1 1

14 0 0 19

1 5 3 5

1 5 2 5

17 2 3 16

Nota 30. Utilizamos o fato de que a inversa da matriz

P=
a matriz

a c

b d

P 1 =

d det(P ) c det(P )

b det(P )

a det(P )

isto , P 1 se obtm permutando-se os elementos diagonais a e d de P , tomando os negativos dos elementos no-diagonais b e c , e dividindo cada elemento pelo determinante, det(P ). At o momento denimos polinmio caracterstico de uma matriz. Desejamos agora estender este conceito para qualquer transformao linear T : V V . De modo geral, se T : V V um operador linear e uma base de V , ento, para se determinar um valor tal que exista v = 0 de forma que T (v ) = v , ou ento, [T (v )] = [v ] devemos vericar se a equao matricial [T ] I [v ] = 0 o que pode ser visualizado atravs das seguintes equivalncias:

T v = v

([T ] [v ] [T ] I [v ] det [T ] I

= = =

[v ] 0 0

Observamos que a ltima condio dada por P () = 0 onde P () o polinmio caracterstico [T ] . Neste caso P () tambm ser chamado polinmio caracterstico da transformao T e suas razes sero os autovalores de T . O fator fundamental nesta denio a sua no dependncia da base escolhida. 93

LGEBRA LINEAR

Exemplo 3.43. Encontre os autovalores e autovetores de T : R2 R2 dada por T (x , y ) = (3x + 4y , x + 2y ). Soluo: Observemos que se a base cannica de R2 ,

[T ] =

3 1

4 2

e, portanto, podemos dar o polinmio caracterstico de T como P () = det([T ] I ). Segue que:

P () = (3 )(2 ) + 4 = 6 + 3 2 + 2 + 4 = 2 + 2 = ( + 2) ( 1).
Assim, P () = 0 ( + 2)( 1) = 0 = 1, ou seja, = 2. Ento, os autovalores do operador T so 1 e 2. Vejamos, agora, os autovalores associados. Para = 1, temos:

3 4 1 2

x y

=1

x y

3x + 4y x + 2y

x y

4x + 4y = 0 x =y x + y = 0

Portanto os autovalores associados a = 1 so os vetores v = (x , x ), x = 0. Para = 2, temos:

3 4 1 2

x y

= 2

x y

3x + 4y x + 2y

2x 2y

x + 4y = 0 x = 4y x + 4y = 0

Os autovetores correspondentes ao autovalor = 2 so da forma v = (4y , y ), y = 0, ou equivalentemente v = (x , 1 x ). 4 As retas acima so invariantes em relao a esta aplicao. 3.31 Denio. Chamamos multiplicidade algbrica de um autovalor a quantidade de vezes que o autovalor aparece como raiz do polinmio caracterstico. Exemplo 3.44.

A=

3 0 0

0 4 3 5 0 1

e A I =

3 0 0

0 4 3 5 0 1

Ento, P () = det(A I ) = (3 )2 (1 ). Os autovalores associados matriz A so 1 = 3 e 2 = 1. O autovalor 1 = 3 tem multiplicidade algbrica igual a 2, ou ainda, 3 uma raiz dupla do polinmio caracterstico. J 2 = 1 tem multiplicidade algbrica igual a 1. 3.32 Denio. Chamamos multiplicidade geomtrica de um autovalor a dimenso do autoespao V de autovetores associados a . Exemplo 3.45. No exemplo 3.44 acima desenvolvendo as equaes matriciais encontramos para o autovalor 1 = 3 vetores do tipo v = (x , y , 0). Note que {(x , y , 0) R3 ; x , y R} = {x (1, 0, 0) + y (0, 1, 0); x , y R} = [(1, 0, 0), (0, 1, 0)] e, portanto, a dimenso deste subespao associado ao autovalor 1 = 3 2. E para o autovalor 1 = 1 5 5 vetores do tipo v = (z , 5 z , z ); z = 0. Vejamos que {(z , 4 z , z ) R3 ; z R } = {z (1, 4 , 1); z R } = 4 5 [(1, 4 , 1)] e, portanto, a dimenso deste subespao associado ao autovalor 2 = 1 1. Exemplo 3.46. Determine caso existam, os autovalores do operador linear T os autovetores associados sobre o corpo K = R e uma base para cada autoespao: 94

16 10 (a) T : C C tal que = , onde a base cannica; 16 8 (b) T : R3 R3 , T (x , y , z ) = (3x y + z , x + 5y z , x y + 3z ).


2 2

[ T ]

16 Soluo: (a) O polinmio caracterstico do operador T : det(T I ) = 16

10 = 0, isto 8 , (16 )(8 ) + 160 = 0 2 + 8 + 32 = 0. As razes dessa equao so: 1 = 4 + 4i e 2 = 4 4i . As razes 1 , 2 R. Logo, T no possui autovalores nem autovetores associados. /

Soluo: (b) A equao caracterstica do operador T


3 det(A I ) = 1 1

1 1 5 1 = 0 1 3

e assim 3 112 + 36 36 = 0. As solues inteiras, caso existam, so divisoras do termo independente 36. Com as devidas substituies na equao acima, constata-se que = 2 uma delas. Conseqentemente, 2 um fator do polinmio caracterstico 3 112 + 36 36. Se dividirmos esse polinmio por 2, a equao poder ser apresentada como ( 2)(2 9 + 18) = 0 e, portanto, as demais razes so solues da equao 2 9 + 18 = 0. Logo, os valores prprios do operador T so: 1 = 2, 2 = 3, 3 = 6. O sistema homogneo de equaes lineares que permite a determinao dos autovetores t (A I )v = 0. Considerando v = x y z o sistema ca:

3 1 1 1 5 1 1 1 3

x y z

0 0 0

Substituindo por 2, obtm-se os autovetores associados a 1 = 2. Vejamos:

1 1 1 1 3 1 1 1 1

x y z

0 0 0

x y +z =0 x + 3y z = 0 x y +z =0

O sistema admite uma innidade de solues prprias, tal que z = x , y = 0. Assim, os vetores do tipo v1 = (x , 0, x ) ou v1 = x (1, 0, 1), x = 0, so autovetores associados a 1 = 2. Agora vamos obter os autovetores associados a 2 = 3, substituindo por 3.

0 1 1 1 2 1 1 1 0

x y z

0 0 0

y + z = 0 x + 2y z = 0 x y =0

O sistema admite uma innidade de solues prprias, tal que y = x , z = x . Assim, os vetores do tipo v2 = (x , x , x ) ou v2 = x (1, 1, 1), x = 0, so autovetores associados a 2 = 3. Por m, vamos obter os autovetores associados a 3 = 6, substituindo por 6.

3 1 1 1 1 1 1 1 3

x y z

0 0 0

3x y + z = 0 x y z = 0 x y 3z = 0

O sistema admite uma innidade de solues prprias, tal que y = 2x , z = x . Assim, os vetores do tipo v3 = (x , 2x , x ) ou v3 = x (1, 2, 1), x = 0, so autovetores associados a 3 = 6. 95

LGEBRA LINEAR

3.6

Diagonalizao de Operadores

Seja T : V V um operador linear. Estamos procura de uma base de V tal que [T ] seja uma matriz diagonal, que neste caso a forma mais simples possvel para uma matriz de uma transformao. Observemos, inicialmente, a seguinte propriedade de autovetores. 3.33 Teorema. Autovetores associados a autovalores distintos so linearmente independentes. Prova: Vamos pensar primeiramente no caso de duas dimenses. Sejam 1 e 2 autovalores tais que 1 = 2 e v1 e v2 autovetores associados aos autovalores 1 e 2 , respectivamente. Seja 1 v1 + 2 v2 = 0. Queremos mostrar que 1 = 2 = 0. Apliquemos transformao linear T 2 I , a 1 v1 + 2 v2 = 0. Usando a linearidade de T e lembrando que T (vi ) = i vi e I vi = vi para i = 1, 2 temos que:

T 2 I (1 v1 + 2 v2 ) = T 2 I (1 v1 ) + T 2 I (2 v2 ) = T (1 v1 ) 2 1 v1 + 2 T (v2 2 2 v2
1 T (v1 ) 2 1 v1 + 2 T (v2 ) 2 2 v2 1 1 v1 2 1 v1 + 2 2 v2 2 v2 1 (1 2 ) v1 = = = =

T 2 I (0)
0 0 0 0 0

observe que 1 = 2 e v1 = 0 por denio de autovetor. Assim, 1 = 0. Usando agora a transformao T 1 I a equao original 1 v1 + 2 v2 = 0 temos que 1 (1 1 )v1 + 2 (2 1 )v2 = 2 (2 1 ) = 0 0 2 = 0

Assim, v1 e v2 so linearmente independentes. Generalizando, se 1 , 2 , . . . , r so autovalores distintos e v1 , v2 , . . . , r , respectivamente, ento v1 , v2 , . . . , vr so linearmente independentes. Se 1 v1 + 2 v2 + . . . r vr = 0 e usando as transformaes lineares T i I 1 i n mostramos que 1 = 2 = . . . = r = 0. 2 3.34 Corolrio. Se V um espao vetorial de dimenso n e T : V V um operador linear que possui n autovalores distintos ento V possui uma base cujos vetores so todos de T . Ou seja, se conseguirmos encontrar tantos autovalores distintos quanto for a dimenso do espao, podemos garantir a existncia de uma base de autovetores. Exemplo 3.47. Seja T : R2 R2 dado por T (x , y ) = (3x + 4y , x + 2y ). Sejam = {(1, 0), (0, 1)} 3 4 2 base cannica de R , [T ] = . Temos que 1 2

P () = det
Segue que

[T ]

I = det

3 4 1 2

= det

3 4 1 2

P () = (3 ) (2 ) + 4 = 6 + 3 2 + 2 + 4 = 2 + 2.
Se P () = 0 ento 2 + 2 = 0 ou ( + 2)( 1) = 0 donde 1 = 2, 2 = 1. Calculando os autovalores associados. 96

Para 1 = 2 temos:

3 4 1 2

x y

2x 2y

3x + 4y = 2x x + 2y = 2y

3x + 2x + 4y = 0 x + 2y + 2y = 0

x + 4y = 0 x + 4y = 0

logo x = 4y e portanto os vetores associados so do tipo (4y , y ), y = 0. Para 2 = 1 temos:

3x + 4y = x x + 2y = y

4x + 4y = 0 x =y x + y = 0

logo os autovetores associados so do tipo (x , x ). Assim, pelo teorema anterior, os vetores: (4, 1) e (1, 1) formam uma base para R2 , pois, so L.I. Seja = {(4, 1), (1, 1)} vamos agora encontrar [T ] .

T (4, 1) = T (1, 1) =

2(4, 1) = 0(4, 1) =

Assim,

[T ]

2 0 0 1

2(4, 1) + 0(1, 1) . 2(4, 1) + 1(1, 1)

, uma matriz diagonal. Logo, o operador T diagonalizvel.

Nota 31. O fato de existir uma base de autovetores, signica diagonalizar a matriz do operador. 3.35 Denio. Seja T : V V um operador linear. Dizemos que T um operador diagonalizvel se existe uma base de V cujos elementos so autovalores de T . Observemos que, se dim V = n e T : V V tem n autovalores distintos ento T diagonalizvel pois teremos n autovetores linearmente independentes. Para vericar se um operador diagonalizvel, podemos calcular seus autovalores e autovetores associados e tentar construir, quando possvel, uma base com os autovetores. Uma outra maneira veremos posteriormente com o estudo do polinmio minimal. Exemplo 3.48. Seja T : R3 R3 a transformao linear cuja matriz em relao a base cannica

[T ] =

3 3 4 0 3 5 0 0 1

Verique se [T ] diagonalizvel. Soluo: Como P () = (3 )2 (1 ), os autovalores so 1 = 3 e 2 = 1. Associado a 1 = 3 encontramos apenas um autovetor L.I. Por exemplo, v = (1, 0, 0). Associado a 2 = 1 temos o autovetor L.I, u = (1, 2, 16). Neste caso, temos apenas dois autovetores L.I para T e, portanto, no existe uma base de R3 constituda s de autovetores. Isto signica que em nenhuma base a matriz de T uma matriz diagonal, ou seja, T no diagonlizvel.

3.6.1

Polinmio Minimal

Nos exemplos vistos at agora, dizer que a matriz de um operador linear diagonalizvel signica que existe uma base de autovetores que a diagonaliza. Porm encontrar tal base se torna um trabalho 97

LGEBRA LINEAR

rduo quando nos referimos a espaos de dimenso maiores que 2 ou 3 por exemplo. Assim, estaremos interessados em encontrar uma forma de saber se tal matriz do operador diagonalizvel ou no sem que seja necessrio encontrar a base de autovetores. 3.36 Denio. Seja p (x ) = an x n + . . . + a1 x + a0 um polinmio e A uma matriz quadrada. Ento, P (A) a matriz p (A) = an An + . . . + a1 A + a0 I . Quando p (A) = 0 dizemos que p (x ) anula a matriz A.

Exemplo 3.49. Sejam p (x ) = x 9 e A = Soluo:

1 2

4 1

. Calcule p (A).

p (A) = A 9I =

1 4 2 1

1 4 2 1

1 0 0 1

0 0 0 0

3.37 Denio. Seja A uma matriz quadrada. O polinmio minimal de A um polinmio

m(x ) = x k + ak 1 x k 1 + . . . + a0
tal que (i) m(A) = 0, isto , m(x ) anula a matriz A (ii) m(x ) o polinmio de menor grau entre aqueles que anulam A 3.38 Teorema. Sejam T : V V um operador linear e uma base qualquer de V de dimenso n. Ento, T diagonalizvel se e somente se o polinmio minimal de [T ] da forma:

m(x ) = (x 1 ) (x 2 ) . . . (x n ),
com 1 , 2 , . . . , r autovalores distintos. Nota 32. O nosso problema de saber se um operador linear diagonalizvel ou no se resume ao de encontrar o polinmio minimal de T . Os resultados a seguir nos ajudaro a encontrar o polinmio minimal para cada operador linear. 3.39 Teorema. [Teorema de Cayley-Hamilton] Seja T : V V um operador linear, uma base de V e p (x ) o polinmio caracterstico de T . Ento, p ([T ] ) = 0. Exemplo 3.50. Seja T (x , y ) = (3x + 4y , x + 2y ) onde T : R2 R2 e = {(1, 0), (0, 1)} base cannica do R2 assim 3 4 [ T ] = 1 2 e o polinmio caracterstico :

p ()

= =

3 4 0 det = det 1 2 0 6 + 3 2 + 2 + 4 = 2 + 2 3 4 1 2 0 0 0 0

3 1

4 2

= (3 )(2 ) + 4

Logo,

p ([T ] )

3 4 1 2

3 1

4 2

1 0

0 1

5 4 1 2

3 4 1 2

2 0

0 2

= 98

3.40 Teorema. As razes do polinmio minimal so as mesmas razes(distintas) do polinmio caracterstico. Nota 33. Os resultados anteriores nos dizem que encontrar o polinmio minimal signica encontrar o polinmio caracterstico de menor grau que anula [T ] onde uma base qualquer de V . 3.41 Teorema. Sejam 1 , 2 , . . . , r os autovalores distintos de um operador linear de T . Ento, T ser diagonalizvel se, e somente se, o polinmio (x 1 ) (x 2 ) . . . (x r ) anula a matriz de T . Exemplo 3.51. Seja T : R4 R4 um operador linear denido por T (x , y , z , t ) = (3x 4z , 3y +5z , z , t ). T diagonalizvel? Soluo: matriz Seja = {(1, 0, 0, 0), (0, 1, 0, 0), (0, 0, 1, 0), (0, 0, 0, 1)} a base cannica. Ento, temos a

[ T ] =

3 0 0 0

0 3 0 0

4 0 5 0 1 0 0 1

Seu polinmio caracterstico p () = det([T ] I ) = (3 )2 (1 )2 . Os autovalores so 1 = 3 e 2 = 1, ambos com multiplicidade 2. Ento, os candidatos para o polinmio minimal so:

p1 () = (3 )2 (1 )2 , p2 () = (3 ) (1 )2 ,

p3 () = (3 )2 (1 ) p4 () = (3 ) (1 )

Assim, notamos que p4 ([T ] ) = 0 e , dentre as possibilidades, o de menor grau. Ento,

p4 (x ) = (x 3)(x + 1)
o polinmio minimal. Portanto, T diagonalizvel, isto , existe uma base de autovetores e nesta base 3 0 0 0 0 3 0 0 . [ T ] = 0 0 1 0 0 0 0 1

3.6.2

Exerccios Propostos

3.1. Determine quais das seguintes funes so aplicaes lineares: (a) f : R2 R2 dada por f (x , y ) = (x + y , x y ); (b) g : R2 R dada por g (x , y ) = xy ; (c) N : R R dada por N (x ) = |x |; (d) k : P2 P3 dada por k (ax 2 + bx + c ) = ax 3 + bx 2 + cx . 99

LGEBRA LINEAR

3.2. Qual a transformao linear T : R2 R3 tal que T (1, 1) = (3, 2, 1) e T (0, 2) = (0, 1, 0)? Ache tambm T (1, 0) e T (0, 1). 3.3. Encontre a transformao T do plano que uma reexo em torno da reta x = y . Logo aps, escreva sua forma matricial. 1 3.4. Seja A = 0 1 Real; (b) Complexo.

2 0 1 1 0 0

. Quais so os autovalores e autovetores de A de um espao vetorial: (a)

3.5. Aplique o algoritmo da diagonalizao a A =

4 3

2 1

e d:

(a) o polinmio caracterstico;

(b) os autovalores e autovetores correspondentes;

(c) a matriz diagonal.

3.6. Encontre o polinmio caracterstico p (x ) da matriz A =

1 6 3 2 0 3

2 0 4

3.7. Seja A =

1 4 2 3

. Determine:

(a) todos os autovalores de A e os correspondentes autovetores;

(b) f (A), onde f (t ) = t 4 3t 3 7t 2 + 6t 15. 3.8. Determine o polinmio mnimo mA (x ) e mB (x ) das matrizes:

(a) A =

2 6 3

1 1 3 4 2 3

(b) B =

a 0 0 0

0 a

onde a = 0

3.7
(3,

Gabarito
5x y , x ); T (1, 0) = 2

3.1 (a) funo linear; (b) no funo linear; (c) no funo linear; (d) funo linear. 3.2 T (x , y ) = (3x ,

1 5 x 0 1 x , 1); T (0, 1) = (0, , 0). 3.3 T (x , y ) = (y , x ); 3.4 (a) = 2, v = (2x , x , x ); (b) y 1 0 y 2 2 1 = 2, v1 = (2x , x , x ); 2 = i , v2 = [(1 + i )y , y , (1 + i )y ]; 3 = i , v3 = [(1 i )y , y , (1 i )y ]. 3.5 (a) p (x ) = (x 5)(x 2) 1 5 0 3.6 p (x ) = x 3 + x 2 8x + 62. 3.7 (a) 1 = 5; v1 = [(1, 1)y ] e (b) 1 = 5, v1 = [(2, 1)y ] e 2 = 2, v1 = [( , 1)y ] (c) 0 2 3 2 = 1; v1 = [(2, 1)y ]; (b) 14 38 76 52 3.8 (a) mA (x ) = (x 2)(x 1) = x 2 3x + 2; (b) mb (x ) = (x )3 .

100

Espaos com Produto Interno Produto Interno


Apresentao
Um dos conceitos fundamentais quando se estudam os vetores da geometria o de produto escalar, o qual uma aplicao que a cada par de vetores ( , ) associa um nmero real dado por u v = | || | cos(), u v u v em que o ngulo formado por e . Se em relao base cannica { i , j , k } temos = u v u x1 i + x2 j + x3 k e v = y1 i + y2 j + y3 k , ento =x y +x y +x y . u v 1 1 2 2 3 3 Neste tema generalizaremos a denio de produto escalar, visando formalizar os conceitos de comprimento de um vetor e de ngulo entre dois vetores. Com isto, teremos processos para introduzir o conceito de distncia em situaes bem gerais, ou seja, para que se possa medir num espao vetorial, da mesma forma pela qual se mede no plano ou no espao.

4.1

Produto Interno

4.1 Denio. Seja V um espao vetorial sobre R. Um produto interno sobre V uma funo que associa a cada par de vetores (u , v ) V V um nmero real indicado por u , v . Ou mais explicitamente, u , v temos , :V V (u , v ) R u, v

obedecendo aos seguintes axiomas: 1. u + v , w = u , w + v , w ; 2. u , v = u , v 3. u , v = v , u 4. u , u 0; u , u = 0 u = 0 Exemplo 4.1. Seja V = R2 , u = (x1 , x2 ) , v = (y1 , y2 ) e w = (z1 , z2 ). Verique se

u , v = x1 y1 + x2 y2
um produto interno. 101

LGEBRA LINEAR

Soluo: Temos que vericar se todos os 4 axiomas relativos a um produto interno esto satisfeitos. 1.

u + v, w

= = = = = = = =

(x1 + y1 , x2 + y2 ), (z1 , z2 ) (x1 + y1 ) z1 + (x2 + y2 ) z2 x1 z1 + y1 z1 + x2 z2 + y2 z2 (x1 z1 + x2 z2 ) + (y1 z1 + y2 z2 ) u, w + v , w

2. u , v (x1 , x2 ), (y1 , y2 ) x1 y1 + x2 y2 = (x1 y1 + x2 y2 ) u, v

3.

u , v = x1 y1 + x2 y2 = y1 x1 + y2 x2 = v , u .
4.
2 2 u , u = x1 + x2 0.

Vejamos a possibilidade do produto interno ser igual a zero.


2 2 u , u = x1 + x1 = 0 x1 = x2 u = (0, 0).

u = (0, 0) u , u = 02 + 02 = 0 u , u = 0. Exemplo 4.2. Verique se a funo , : Rn (x1 , . . . , xn ), (y1 , . . . , yn ) um produto interno. Soluo: Sejam V = Rn , u = (x1 , . . . , xn ), v = (y1 , . . . , yn ) e w = (z1 , . . . , zn ). Ento 1. Rn x1 y1 + + xn yn

u + v, w

= (x1 + y1 , . . . , xn + yn ), (z1 , . . . , zn ) = (x1 + y1 ) z1 + (x2 + y2 ) z2 + . . . + (xn + yn ) zn = x1 z1 + y1 z1 + x2 z2 + y2 z2 + . . . + xn zn + yn zn = (x1 z1 + x2 z2 + . . . + xn zn ) + (y1 z1 + y2 z2 + . . . + yn zn ) = u, w + v , w (x1 , . . . , xn ), (y1 , . . . , yn ) x1 y1 + x2 y2 + . . . + xn yn = (x1 y1 + x2 y2 + . . . + xn yn ) u, v

2. u , v = = =

3.

u , v = x1 y1 + x2 y2 + . . . + xn yn = y1 x1 + y2 x2 + . . . + yn xn = v , u
4. Se u = (0, 0, . . . , 0), ento um dos xi , ao menos, no nulo. Logo,
2 2 2 u , u = x1 + x1 + . . . + xn > 0.

Logo, este , um produto interno e chamado de produto interno usual. Agora observe este contra-exemplo. 102

Exemplo 4.3. Verique se

f : R2 R2 R f ((x1 , x2 ), (y1 , y2 )) x1 y1 3x2 y2


um produto interno. Soluo: Seja u = (0, 1). Logo,

u , u = (0, 1), (0, 1) = 0 3 = 3 < 0.


Portanto, f no produto interno, uma vez que o axioma 4 falhou.

4.1.1

Propriedades

4.2 Proposio. Seja V um espao vetorial sobre R com , . i. u , 0 = 0, u V ; ii. u , v = u , v , u , v V e R; iii. u , v + z = u , v + u , w , u , v , w V ;


n n

iv.
i =1

i ui ,
j =1

j vj =
i =1 j =1

i j ui , vj , ui , vj V e R.

Prova: i. u , 0 = u , 0u = 0u , u = 0 u , u = 0; ii. u , v = v , u = v , u = u , v ; iii. u , v + w = v + w , u = v , u + w , u = u , v + u , w ;


n n

iv.
i =1

i ui ,
j =1

j vj =
i =1 j =1

i j ui , vj , ui , vj V e ; R. Por exemplo para n = 2 temos: = = =

1 u1 + 2 u2 , 1 v1 + 1 v2 1 u1 + 2 u2 , 1 v1 +1 u1 + 2 u2 , 2 v2 1 u1 , 1 v1 + 2 u2 , 1 v1 + 1 u1 , 2 v2 + 2 u2 , 2 v2 1 1 u1 , v1 + 2 1 u2 , v1 + 1 2 u , v2 + 2 2 u2 , v2

4.2

Norma

4.3 Denio. Seja V um espao vetorial com produto interno , . Chama-se norma de v V , em 1 relao ao produto interno , , ao nmero real no negativo ( v , v ) 2 e indicaremos por ||v ||, ou seja, ||v || =

v, v .

Exemplo 4.4. Seja V = R3 com produto interno usual. Calcule a norma de u = (1, 0, 2). 103

LGEBRA LINEAR

Soluo: ||u || =

(1, 0, 2), (1, 0, 2) =

12 + 02 + 22 =

5.
1

Exemplo 4.5. Seja V = P1 (R) com norma ||p (t )|| = Calcule ||p (t )||. Soluo:
1

p (t ), p (t ) =
0

(p (t ))2 dt e p (t ) = 1 + t .

||p (t )|| =

(1 + t ) dt =
0 0

(1 + 2t + t ) dt =

(t +

t2

t 3 1 + )0 = 3

1 1+1+ = 3

7 3

Nota 34. A norma de um vetor v depende do produto interno. Exemplo 4.6. Considere V = R2 e seja u = (1, 1). Calcule ||u ||, nos seguintes casos: (a) V est munido do produto interno usual; (b) V est munido do produto interno (x1 , x2 ), (y1 , Y2 ) = x1 y1 + 4x2 y2 . Soluo: 12 + 12 = 2; (b) ||u || = 12 + 4 12 = 1 + 4 = 5. (a) ||u || =

4.2.1

Propriedades

Sejam V um espao vetorial real com produto interno , . Ento: i. ||v || = || ||v ||, V e R; ii. ||v || 0 e ||v || = 0 v = 0. Nota 35. 2. O vetor 1. Dizemos que um vetor v V , v = 0 (vetor nulo) unitrio quando ||v || = 1; 1 v (v = 0) unitrio. Com efeito, ||v ||

1 1 1 = ||v || v ||v || ||v || = ||v || ||v || = 1.

Esse vetor chamado versor de v e denotado por v . Exemplo 4.7. Determine o versor do vetor u = (1, 1) R2 com produto interno usual. Verique se u unitrio. 1 1 1 + 1 = 2. Logo, u = u = (1, 1) = ||u || 2 2 2 1 1 , + = 1 = 1. = 2 2 2 2 2 2 . , 2 2

Soluo: ||u || =

unitrio, pois,

104

4.4 Proposio. [Desigualdade de Cauchy-Schwarz] Seja V um espao vetorial real com produto interno , . Ento, | u , v | ||u || ||v ||, u , v V . Prova: 1. Se u = 0 ou v = 0 u , v = 0 e ||u || = 0 ou ||v || = 0. Ento a desigualdade reduz-se a 0 0 e , portanto, verdadeira. 2. Supondo que v = 0; ||u + v ||2 0, R. ||u + v ||2 = = = = = = =

u + v , u + v u , u + v + v , u + v u , u + u , v + v , u + v , v u , u + u , v + v , u + 2 v , v ||u ||2 + u , v + v , u + 2 ||v ||2 ||u ||2 + 2 u , v + 2 ||v ||2 ||v ||2 2 + 2 u , v + ||u ||2

Trata-se de uma equao do 2 grau em , com o coeciente a = ||v ||2 0. Como ||v ||2 2 + 2 u , v + ||u ||2 0 implica em 0 e, portanto, (2 u , v )2 4||v ||2 ||u ||2 4( u , v )2 4||v ||2 ||u ||2 ( u , v )2 (||u || ||v ||)2 ( u , v )2 ( u , v )2 | u, v | | u, v | 0 0 (4) 0 (||u || ||v ||)2 |||u || ||v ||| ||u || ||v ||

(||u || ||v ||)2

4.2.2

ngulos entre Dois Vetores

O clculo do ngulo entre dois vetores uma aplicao da desigualdade de Cauchy-Schwarz. Sejam u , v = 0. Pela desigualdade de Cauchy-Schwarz | u , v | ||u || ||v || | u, v | 1. ||u || ||v ||

Relembremos, agora, que se |x | a a x a. Logo, voltando a aplicao em questo, temos que 1 Logo, existe um nico [0, ] tal que cos() = em que o ngulo entre os vetores u e v . Exemplo 4.8. Sejam V = R2 com o produto interno usual , , u = (1, 2) e v = (0, 2) V . Determine o ngulo entre os vetores u e v . 105 | u, v | 1, ||u || ||v ||
| u, v | 1. ||u || ||v ||

LGEBRA LINEAR

Soluo: u , v = (1, 2), (0, 2) = 0 + 4 = 4, ||u || =

12 + 22 = 5 e ||v || = 02 + 22 = 2. Assim, |4| 2 2 5 cos() = = = 5 2 5 5

e = arccos

2 5 . 5

4.5 Corolrio (Desigualdade Triangular). Seja V um espao vetorial real com produto interno. Ento ||u + v || ||u || + ||v ||, u , v V . Prova: ||u + v ||2 = u + v , u + v = u, u + v + v + u + v = u, u + v , u + u, v + v , v = u, u + u, v + u, v + v , v = ||u ||2 + 2 u , v + ||v ||2

Como u , v ||u || ||v ||, ento ||u ||2 + 2 u , v + ||v ||2 ||u + v ||2 ||u ||2 + 2 ||u || ||v || + ||v ||2 (||u || + ||v ||)2 . 2

Extraindo-se a raiz quadrada, temos ||u + v ||2 ||u || + ||v ||.

4.3

Espaos Complexos com Produto Interno

Nesta seco iremos considerar espaos vetoriais V sobre o corpo complexo C. Recordemos importantes propriedades dos nmeros complexos. Seja z C, ou seja, z = a + bi , em que a, b R. Ento i. o conjugado de z z = a bi ; ii. z z = a2 + b 2 e |z | = a2 + b 2 ; iii. z1 + z2 = z1 + z2 e z1 z2 = z1 z2 ; z = z ; z , z1 , z2 C; iv. z real se, e somente se, z = z . 4.6 Denio. Seja V um espao vetorial sobre C. Um produto interno sobre V a funo , :V V (u , v ) satisfazendo s seguintes condies: (a) u + v , w = u , w + v , w ; (b) u , v = u , v ; (c) u , v = v , u , chamada de propriedade simtrica conjugada; (d) u , u 0; u , u = 0 u = 0. O espao vetorial V sobre C com produto interno chamado de espao hermitiano. 106 C u, v

4.3.1

Espao Hermitiano com Produto Interno Usual

Sejam V = C2 , u = (z1 , z2 ), w = (w1 , w2 ) V e , : C2 C2 (u , v ) chamado produto interno usual. Exemplo 4.9. Sejam V = C2 com produto interno usual, u = (1 + i , 1) e v = (2, 3 + i ) V . Calcule u , v e ||u || Soluo: 1. u , v = (1 + i ) 2 + 2 (3 + i ) = (1 + i ) 2 + 1 (3 i ) =5+i 2. u , u = (1 + i ) (1 + i ) + 1 1 = (1 + i ) (1 i ) + 1 = 1 i 2 + 1 = 3. Portanto, neste caso, u , u = ||u ||2 = 3 ||u || = 3. C2 u , v = (z1 , z2 ), (w1 , w2 ) = z1 w1 + z2 w2

4.3.2

Propriedades

4.7 Proposio. Seja V um espao vetorial hermitiano. i. u , v = u , v ; u , v V C; ii. u , v + w = u , v + u , w . Prova: i. u , v = v , u = v , u = v , u = u , v . ii. v + w , u = v , u + w , u = u , v + u , w . 2

4.4

Ortogonalidade

4.8 Denio. Seja V um espao vetorial sobre um corpo K com produto interno , . Dizemos que u , v V so ortogonais se, e somente se,

u , v = 0.

Exemplo 4.10. Sejam V = C2 com produto interno usual. Verique se u = (1 + i , i ) e v = (i , 1 i ) so ortogonais. Soluo:

u, v

= (1 + i ) i + i (1 i ) = (1 + i )(i ) + i (1 + i ) = i i 2 + i + i 2 = 0 107

Logo, u , v so ortogonais.

LGEBRA LINEAR

Exemplo 4.11. Sejam V = P2 (R), p , q =


1

p (t )q (t )dt , p (t ) = t e q (t ) = t 2 . Calcule p , q .

Soluo:

p, q =
1

t t 2 dt =

1 1

t 3 dt =

t4 1 1 1 |1 = = 0. 4 4 4

O conceito de ortogonalidade depende do produto interno. Vejamos o prximo exemplo.


1

Exemplo 4.12. Sejam V = P2 (R), p , q = ortogonais.


0

p (t )q (t )dt , p (t ) = t e q (t ) = t 2 . Verique se p e q so

Prova:

p, q =
0

t t 2 dt =

1 1

t 3 dt =

t4 1 1 | = = 0. 4 0 4
2

Logo, p e q no so ortogonais com relao a esse produto interno.

4.4.1

Propriedades

4.9 Proposio. Seja V um espao vetorial sobre K com produto interno , . Ento

i. 0, v = 0, v V , (o vetor nulo ortogonal a qualquer vetor v V ; ii. v , u = 0, u V , v = 0. Prova: i. 0, v = 0u , v = 0 u , v = 0; ii. Como a propriedade vlida para todo u V , consideremos u = v . Ento v , v = 0 v = 0. 2

4.4.2

Conjunto Ortogonal

4.10 Denio. Sejam V um espao vetorial sobre o corpo K com produto interno , , S V , S = . Dizemos que S um conjunto ortogonal se seus elementos so ortogonais dois a dois. Exemplo 4.13. Verique,em cada caso, se o conjunto S ortogonal.

(a) V = R2 com o produto interno usual e S = {(1, 0), (0, 1)}; (b) V = C3 com o produto interno usual e S = (1, i , 1), 108 2 1 3i i, 3 3 , 3i . 3

Soluo: (a) (1, 0), (0, 1) = 0 1 + 1 0 = 0. Logo, S ortogonal. (b)

u, v

= = =

2 1 i i +1 1 1 i +i 3 3 3 2 i 1 i +i +i +1+ 3 3 3 i i 2 1 + +i =11=0 3 3

Logo S um conjunto ortogonal.

4.4.3

Conjunto Ortonormal

4.11 Denio. Trata-se de um conjunto ortogonal com a propriedade adicional de que ||v || = 1, v S , ou seja, dado um conjunto S = {v1 , . . . , vn }; S ortonormal se

vi , vj = 0 i , j = 1, . . . , n. ||vi || = 1,
As bases cannicas do R2 e do R3 , expressas, respectivamente, por B2 = {(1, 0), (0, 1)} e B3 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} so ortonormais. 1 1 v1 , . . . , vn ||v1 || ||vn || ortonormal, ou seja, todos os vetores de S so unitrios e, portanto, ortonormais. Nota 36. Seja S = {v1 , . . . , vn } ortogonal e vi = 0, i . Ento S =

4.4.4

Base Ortogonal e Ortonormal

4.12 Denio. Seja B = {v1 , . . . , vn } uma base de um espao vetorial V com produto interno. Dizemos que B uma base ortogonal (ortonormal) se B um conjunto ortogonal (ortonormal). 4.13 Proposio. Todo conjunto ortogonal de vetores no-nulos linearmente independente.

Prova: Considere S = {v1 , . . . , vn }, vi = 0 e a combinao linear 1 v1 + 2 v2 + . . . + n vn = 0, ento 1 v1 , v1 1 v1 + 2 v2 + . . . + n vn , v1 + 2 v2 , v1 + . . . + n vn , v1 = = 0 0

Segue que 2 v2 , v1 = 0; 3 v3 , v1 = 0; 4 v4 , v1 = 0, . . . , n vn , v1 = 0, pois, o conjunto ortogonal; restando 1 v1 , v1 = 0. O fato de 1 v1 , v1 = 0 1 ||v1 ||2 = 0 1 = 0. Analogamente, 2 = . . . = n = 0. Logo, teremos todos os coecientes nulos da combinao linear considerada. Portanto, S linearmente independente. 2 4.14 Proposio. Sejam V um espao vetorial sobre um corpo K com produto interno , e u , v V , v = 0. Ento, existe 0 K tal que u 0 v , v = 0. 109

LGEBRA LINEAR

Prova: Supondo que 0 K, u 0 v , v = 0 u , v 0 v , v = 0. Portanto, 0 =

u, v u, v , = v, v ||v ||2
2

em que 0 o coeciente de Fourier do vetor u sobre v .

4.4.5

Projeo Ortogonal

4.15 Denio. Seja V um espao vetorial sobre K com produto interno , e {u1 , . . . , un } V um conjunto ortonormal. A projeo ortogonal de um vetor v V sobre W = [v1 , . . . , vn ] o vetor: projW v = v , u1 u1 + . . . + v , un un . Exemplo 4.14. Sejam V = R2 , u = (2, 1) e v = (1, 0). Determine a projeo ortogonal de u sobre v . Soluo: 0 = 4 22+10 u, v = = 1. = v, v 22 + 02 4

0 v = 1 (2, 0) = (2, 0) = v . projv u = 0 v = 1 v = v .

Nota 37. Se o conjunto {v1 , . . . , vn } for ortogonal, projW v =

v , un v , u1 u1 + . . . + un . ||u1 ||2 ||un ||2

Exemplo 4.15. Sejam W = [(1, 1, 0), (0, 0, 1)] R3 e v = (2, 1, 1). Determine projW v . Soluo: Observe que (1, 1, 0), (0, 0, 1) = 0, ou seja, estes vetores so ortogonais. Assim, projW v =

v , u1 v , u2 u1 + u2 , 2 ||u1 || ||u2 ||2

em que estamos denominando u1 = (1, 1, 0) e u2 = (0, 0, 1).

v , u1 = (2, 1, 1), (1, 1, 0) = 2 + 1 = 3 v , u2 = (2, 1, 1), (0, 0, 1) = 1


||u1 ||2 = u1 , u1 = (1, 1, 0), (1, 1, 0) = 1 + 1 = 2 ||u2 ||2 = u2 , u2 = (0, 0, 1), (0, 0, 1) = 1 Portanto, projW v = 3 (1, 1, 0) 1 (0, 0, 1) = 2 3 3 , , 1 2 2

4.16 Proposio. Seja S = {u1 , . . . , un } um conjunto ortonormal de um espao vetorial V com produto interno , . Ento, para qualquer u V , o vetor v = u u , u1 u1 . . . u , un un ortogonal a todo vetor do subespao [u1 , . . . , un ]. Nota 38. S = [u1 , . . . , un ], ento v = u projS u . 110

Exemplo 4.16. Seja S = {(1, 0, 0), (0, 1, 0)} e u = (1, 2, 3). Determine o vetor v que ortogonal aos vetores em S . Soluo:

= =

u u , u1 u1 u , u2 u2 (1, 2, 3) 1 (1, 0, 0) 2 (0, 1, 0) = (0, 0, 3)

4.17 Proposio. Sejam V um espao vetorial sobre K com produto interno , e B = {v1 , v2 , . . . , vn } uma base ortogonal de V . Ento para todo u V temos:

u=

u , v2 u , vn u , v1 v1 + v2 + . . . + vn . 2 2 ||v1 || ||v2 || ||vn ||2

Prova: Seja B = {v1 , v2 , . . . , vn } base de V (ortogonal). Se u V u = 1 v1 + 2 v2 + . . . + n vn .

u , v1 u , v1 u , v1
1 Analogamente, mostra-se que

= = = =

1 v1 + . . . + n vn , v1 1 v1 , v1 + . . . + n vn , v1 1 ||v1 ||2 u , v1 . ||v1 ||2

i =

u , v1 , i = 1, 2, . . . , n. ||vi ||2

Nota 39. 1. O vetor u nada mais que a soma das projees ortogonais de u sobre os vetores da base B . 2. Se B ortonormal ento u = u , v1 v1 + . . . u , vn vn , pois, ||vi || = 1, i = 1, . . . , n. Exemplo 4.17. Consideremos no espao vetorial R2 o seguinte produto interno: (x1 , y1 ), (x2 , y2 ) = x1 y1 + 2x2 y2 . Verique se u e v so ortogonais em relao a este produto interno. Soluo: (a) u = (1, 1) e v = (2, 1); u , v = 1 2 + 2 1 (1) = 2 2 = 0. Portanto u e v so ortogonais com relao ao produto interno dado. (b) u = (2, 1) e v = (2, i ); u , v = 2 2 + 2 1 (i ) = 4 2i = 0. Portanto u e v so ortogonais com relao ao produto interno dado. Exemplo 4.18. Determinar m de modo que u = (m + 1, 2) e v = (1, 4) R2 sejam ortogonais com relao ao produto interno usual. Soluo:

u , v = (m + 1) (1) + 2 4 = 0 m 1 + 8 = 0 m = 7

4.4.6

Processo de Ortogonalizao de Gram-Schmidt

Todo espao vetorial de dimenso nita admite uma base ortogonal. Descreveremos um processo que, a partir de uma base qualquer de um espao vetorial, iremos obter uma base ortonormal. 111

LGEBRA LINEAR

Vamos dar uma descrio deste processo de ortonormalizao para uma base B = {v1 , v2 }.
Seja v1 = v1 . Precisamos encontrar a partir de v2 um novo vetor v2 ortogonal a v1 , isto , v2 , v1 = 0. Para isto tomamos v2 = v2 v1 , em que o nmero escolhido de modo que v2 , v1 = 0, isto , v2 , v v2 v1 , v1 = 0. Isto signica que = 1 . v1 , v1 v2 , v Ficamos ento com v1 = v1 . Logo, v2 = v2 1 v1 . v1 , v1 cv1

v2

v2

cv1

v1 =v1

Note que v2 foi obtido de v2 , subtraindo-se deste a projeo do vetor v2 na direo de v1 , que v1 e v2 so vetores ortogonais no nulos. Podemos ento normaliz-los, v1 v2 || e u2 = ||v || ||v1 2

v2 , v1 , v v1 , e v1 1

u1 =

obtendo uma base B = {u1 , u2 } que ortonormal. Exemplo 4.19. Ortonormalizar a base u1 = (1, 1, 1), u2 = (1, 1, 1), u3 = (1, 0, 1) do R3 , pelo processo de Gram-Schmidt. Soluo: Vamos denominar de B = {g1 , g2 , g3 } a base ortonormalizada que desejamos encontrar. Seja u1 = u1 = (1, 1, 1). Temos ento que:

g1 =
Segue que u2 = u2

u1 (1, 1, 1) = || = ||u1 3

1 1 1 , , . 3 3 3

u2 , u1 , u u1 e, portanto, u1 1

u2 = (1, 1, 1)

1 (1, 1, 1), (1, 1, 1) (1, 1, 1) = (1, 1, 1) (1, 1, 1) = (1, 1, 1), (1, 1, 1) 3

2 4 2 , , 3 3 3

2 4 2 , , 1 2 1 3 3 3 = , , . 6 6 6 6 2 3 u3 , u u3 , u Prosseguindo, o vetor u3 = u3 2 u2 - 1 u1 e, portanto, u2 , u2 u1 , u1

u g2 = 2 = ||u2 ||

(1, 0, 1),
u3 = (1, 0, 1)

2 4 2 , , 3 3 3 2 4 2 2 4 2 , , , , , 3 3 3 3 3 3

2 4 2 , , 3 3 3

(1, 0, 1), (1, 1, 1) (1, 1, 1) (1, 1, 1), (1, 1, 1)

u3 = (1, 0, 1) 0 0 = (1, 0, 1)

g3 =
Portanto,

(1, 0, 1) 1 u3 1 = , 0, . || = ||u3 2 2 2

1 1 1 1 1 2 1 1 , , , , , , , 0, 3 3 3 6 6 6 2 2

a base ortonormal procurada. 112

4.4.7

Complemento Ortogonal

4.18 Denio. Seja V um espao vetorial com produto interno , e S V , S = (no necessariamente um subespao). Chama-se complemento ortogonal de S ao seguinte conjunto:

S = {v V | v , u = 0, u S }.
Exemplo 4.20. Considerando S = {u = (x , x ) R2 |x R}, determine S . Soluo: S = {v = (x , y ) R2 | v , u = 0}, u S . Faamos o produto interno v , u = (x , y ), (x , x ) = x 2 + xy = 0 x (x + y ) = 0 x = 0 ou x = y . Se x = 0 temos que S = {(0, 0)} S = V . Se x = y temos que S = {(x , x ) R2 ; x R}. Exemplo 4.21. Seja S = {u = (x , y , 0) R3 |x , y R}, determine S . Soluo: v , u = (x , y , z ), (x , y , 0) = x 2 + y 2 = 0 x 2 = y 2 x = y = 0. Portanto, S = {(0, 0, z ) R3 |z R}. S o plano X OY . S o eixo Oz . 4.19 Proposio. Seja V um espao vetorial com produto interno , e S V , S = . Ento S um subespao de V . Prova: S = {v V ; v , w = 0, w S }. i. 0 S ; u , 0 = 0, u S ii. Considere u , v S . Mostremos que u + v S . u S u , w = 0; w S . v S v , w = 0; w S . u + v , w = u , v + v , w = 0 + 0 = 0 S ; w S iii. Seja u S e K Logo, S um subespao. 2 4.20 Proposio. Seja V um espao vetorial com produto interno , . Se W subespao de V , ento V = W W . Prova: Devemos tomar um elemento de V e escrever como soma de W e W . Seja B = {u1 , u2 , . . . , ur } base ortonormal de W . Qualquer que seja v V o vetor u = v v , u1 u1 . . . v , ur ur , ortogonal a todo vetor de W logo u W pela proposio 4.16, logo, u W . Qualquer que seja v V , exibindo o valor de v em temos da base B . u , w = u , w = 0 = 0 S .

v = u + v , u1 u1 + . . . + v , ur ur .
Portanto, V = W + W . Agora, para nalizar a prova vamos mostrar que a soma direta, ou seja, devemos demonstrar que W W = {0}. Tomemos v W W v W , v W e v V . v W v , w = 0, w W , mas v W . Logo, v , v = 0 v = 0 (vetor nulo). Ento,

V = W W .
2 113

LGEBRA LINEAR

4.21 Proposio. Seja V um espao vetorial com produto interno , . Se S1 e S2 V , ento:


i. S1 S2 S2 S1 ii. [S1 ] = S1 .

Prova: i. Seja v S2 v , w = 0, w S2 . Como S1 S2 v , w = 0, w S1 v S1 S2 S1 . ii. S1 [S1 ] [S1 ] S1 pelo que foi demonstrado no item i. Mostremos que S1 [S1 ] . Seja S1 = {u1 , u2 , . . . , un }, se v S1 v , ui = 0, i = 1, . . . , n. Qualquer que seja w [S1 ] w = 1 u1 + . . . + n un , ento v , w = v , 1 u1 + . . . + n un = 1 v , u1 + . . . + n v , un v, w = 0 Qualquer que seja w [S1 ] v [S1 ] S1 [S1 ] . Portanto, [S1 ] = S1 .

4.5

Exerccios Propostos
1

4.1. Considere o produto interno f (t ), g (t ) =

t 2t + 3. Determine:
(a) f , g ; (b) ||f ||;

f (t ) g (t ) dt em P2 (R). Sejam f (t ) = t + 2 e g (t ) =

(c) ||g ||.

4.2. Seja a funo f : R3 R3 R denida por f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = x1 x2 + 5y1 y 2 + 2z1 z2 . (a) Verique se f um produto interno; (b) A partir da base {(1, 0, 0), (0, 1, 0), (0, 0, 1)} ache uma base ortonormal. 4.3. Seja V um espao vetorial euclidiano. Dados u , v V (v = 0) e k = ortogonal a v .

u, v . Mostrar que u kv ||v ||2

4.4. Determinar m R a m de que sejam ortogonais os vetores u = (1, m + 1, m) e v = (m 1, m, m + 1) do R3 . 4.5. Seja W = {(x , y , z ) R3 |x 2y = 0}. Determinar uma base ortonormal de W . 4.6. Determinar a projeo ortogonal de u = (1, 1) sobre o subespao V = [(1, 3)] do R2 . 4.7. Seja V = R3 e S = {(1, 0, 1), (1, 1, 0), (2, 1, 1)}. (a) Encontre S ; (b) Encontre uma base ortogonal para S e S .

4.6
4.1 (a)

Gabarito

23 19 83 1 1 ; (b) ; (c) . 4.2 (a) f produto interno. (b) A base ortonormal (1, 0, 0), 0, , 0 , 0, 0, . 4 3 15 5 2 2 2 6 1 3 17 4.4 m = uma base ortonormal de W . 4.6 A projeo o vetor 4.7 (a) 4.5 (0, 0, 1), , , 0 , 4 5 5 5 5 S = [(1, 1, 1)]; (b) no subespao.

114

Baruch Spinoza e Idealismo


Introduo
O pensamento de Descartes exercer uma inuncia vasta no mundo cultural francs e europeu, diretamente at Kant e indiretamente at Hegel. E exerceu tal inuncia no tanto como sistema metafsico, quanto especialmente pelo esprito crtico, pelo mtodo racionalista, implcito nas premissas do sistema e realizado apenas parcialmente pelo lsofo. O desenvolvimento lgico do cartesianismo representado por alguns grandes pensadores originais: Spinoza, Malebranche, Leibniz. Spinoza a mais coerente e extrema expresso do racionalismo moderno depois do fundador e antes de Kant; Malebranche e Leibniz encontram, ao contrrio, nas suas preocupaes prticas, religiosas e polticas, limitaes ao desenvolvimento lgico e despreocupado do racionalismo. Ladeia estes trs pensadores uma turma numerosa de cartesianos mais ou menos ortodoxos, particularmente na Frana na segunda metade do sculo XVII. Signicativa a inuncia que o criticismo e o racionalismo cartesianos exerceram sobre a cultura do sculo de Lus XIV, o sculo de ouro da civilizao francesa; sobre a arte de Racine e de La Fontaine, sobre a potica de Boileau, a tica de La Bruyre, o pensamento de Bayle. Descartes teve seguidores em determinados meios religiosos de orientao platnico - agostiniana, mais ou menos ortodoxos. Os dois centros principais desse sincretismo so representados pelo Jansenismo e pelo Oratrio. Brs Pascal, porm, (se bem que, em parte, jansenista), grande fsico e matemtico, mas de um profundo sentimento religioso e cristo, parece ter tido intuio da falha da losoa cartesiana. razo matemtica, cientca - esprito geomtrico - que vale para o mundo natural, mas no chega at Deus, contrape a razo integral - esprit de nesse - que leva at o cristianismo. Descartes teve numerosos adversrios e crticos no campo losco, entre os quais Hobbes. Entretanto, as oposies maiores contra o cartesianismo surgiram no ambiente eclesistico e poltico, quer catlico quer protestante. Nesses ambientes, houve a intuio de um perigo revolucionrio para a religio e a ordem social, por causa do criticismo, mecanismo e innidade do universo, prprios daquela losoa. E, no entanto, o cartesianismo forjou a mentalidade (racionalista-matemtica) dos maiores lsofos at Kant. E tambm props os grandes problemas em torno dos quais girou a especulao desses lsofos, a saber: a relao entre substncia nita de um lado, e entre esprito e matria do outro. Da surgiram o ontologismo e o ocasionalismo de Malebranche, a harmonia preestabelecida de Leibniz e o pantesmo psicofsico de Spinoza.

Baruch Spinoza (1.632 -1.677)


Baruch Spinoza nasceu em Amsterdam em 1.632, lho de hebreus portugueses, de modesta condio social, emigrados para a Holanda. Recebeu uma educao hebraica na academia israelita de Amsterdam, com base especialmente nas Sagradas Escrituras. Demonstrando muita inteligncia, foi iniciado na losoa hebraica (medievalneoplatnico-pantesta) e destinado a ser rabino Segundo o historiador de losoa mile Brehier, no h doutrina que tenha excitado mais entusiasmo e tambm indignao do que a de Spinoza; para seus contemporneos, Spinoza a negao da Providncia, autor de um pantesmo que submerge o indivduo. Como ocorre sempre, os contemporneos se impressionam mais pelas negaes de um sistema do que 115

LGEBRA LINEAR

pelas armaes. Tomada em conjunto, a doutrina spinozista uma doutrina da salvao pelo conhecimento de Deus. Para Spinoza, o m da losoa buscar um bem capaz de comunicar-se, cuja descoberta far desfrutar eternamente uma alegria contnua e suprema. Baruch (Benedictus, em latim) Spinoza era de famlia judia de origem portuguesa. Seu pai era um comerciante abastado. Criado dentro do judasmo, Baruch estudou a Bblia Sagrada e o Talmude, o livro dos ensinamentos rabnicos. Entre os anos de 1.654 e 1.656, dirigiu os negcios de sua famlia, mas, em junho desse ano, foi acusado de heresia e excomungado, tendo de abandonar a comunidade judaica. Mudou-se, ento, para Leyden e depois para Haia, onde passou a viver de seu trabalho como polidor de lentes. Em 1.633, Spinoza publicou Princpios da Filosoa de Descartes, obra expositiva dirigida a um jovem discpulo. Certamente j trabalhava, nessa poca, na sua tica, obra-prima que s seria publicada postumamente. Vivendo num perodo em que os princpios de tolerncia da sociedade holandesa estavam ameaados, Spinoza preferiu trabalhar no seu Tratado Teolgico-poltico. Essa obra foi publicada anonimamente em 1.670, causando escndalo. Em 1.673, foi convidado pelo rei Lus II a permanecer na Frana, recebendo uma penso. Uma ctedra para lecionar na Universidade de Heidelberg lhe foi oferecida e tambm recusada. Spinoza preferiu a independncia para elaborar sua obra. Levou uma vida sbria, limitada por sua sade frgil.e faleceu em 1.677, aos 44 anos. Em sua obra mais importante, tica, o lsofo demonstrou, maneira dos gemetras, a inteligibilidade de Deus. Segundo ele, esprito e matria seriam apenas dois atributos da substncia nica, divina, de innitos atributos. O pensamento de Baruch Spinoza exerce ainda hoje considervel inuncia. Spinoza deixou como legado, ainda, a Reforma do Entendimento, o Tratado Poltico e uma numerosa e rica correspondncia. O racionalismo cartesiano levado a uma rpida, lgica, extrema concluso por Spinoza. O problema das relaes entre Deus e o mundo por ele resolvido em sentido monista: de um lado, desenvolvendo o conceito de substncia cartesiana, pelo que h uma s verdadeira e prpria substncia, a divina; de outro lado introduzindo na corrente racionalista-cartesiana uma preformada concepo neoplatnica de Deus, a saber, uma concepo pantesta-emanatista. O problema, pois, das relaes entre o esprito e a matria resolvido por Spinoza, fazendo da matria e do esprito dois atributos da nica substncia divina. Une os dois na mesma substncia segundo um paralelismo psicofsico, uma animao universal, uma forma de pampsiquismo. Em geral, pode-se dizer que Descartes fornece a Spinoza o elemento arquitetnico, lgico-geomtrico, para a construo do seu sistema, cujo contedo monista, em parte deriva da tradio neoplatnica, em parte do prprio Descartes. Os demais racionalistas de maior envergadura da corrente cartesiana se seguem, cronologicamente, depois de Spinoza; entretanto, logicamente, esto antes dele, pois no tm a ousadia - em especial Malebranche - de chegar at s extremas conseqncias e concluses racionalista-monista, exigidas pelas premissas cartesianas, detidos por motivos prticos-religiosos e morais, que no se encontram em Spinoza. Com isto no se excluem, por parte deles, desenvolvimentos em outro sentido. Por exemplo, no se excluem os desenvolvimentos idealistas do fenomenismo racionalista por parte de Leibniz.

Vida e Obras
Baruch Spinoza nasceu em Amsterdam, em 1.632, lho de hebreus portugueses, de modesta condio social, emigrados para a Holanda. Recebeu uma educao hebraica na academia israelita de Amster116

dam, com base especialmente nas Sagradas Escrituras. Demonstrando muita inteligncia, foi iniciado na losoa hebraica (medieval-neoplatnico-pantesta) e destinado a ser rabino. Mas, depois de se manifestar o seu racionalismo e tendo ele recusado qualquer retratao, foi excomungado pela Sinagoga em 1.656. Tambm as autoridades protestantes o desterraram como blasfemador contra a Sagrada Escritura. Spinoza reitrou-se, primeiro, para os arredores de Amsterdam, em seguida para perto de Leida e enm refugiou-se em Haia. Aos vinte e cinco anos de idade esse lsofo, sem ptria, sem famlia, sem sade, sem riqueza, se acha tambm isolado religiosamente. Os outros acontecimentos mais notveis na formao espiritual especulativa de Spinoza so: o contacto com Francisco van den Ende, mdico e livre pensador; as relaes travadas com alguns meios cristoprotestantes. Van den Ende iniciou-o no pensamento cartesiano, nas lnguas clssicas, na cultura da Renascena; e nos meios religiosos holandeses aprendeu um cristianismo sem dogmas, de contedo essencialmente moralista. Alm destes fatos exteriores, nada encontramos de notvel exteriormente na breve vida de Spinoza, inteiramente dedicada meditao losca e redao de suas obras. Provia pois s suas limitadas necessidades materiais, preparando lentes pticas para microscpios e telescpios, arte que aprendera durante a sua formao rabnica; e tambm aceitando alguma ajuda do pequeno grupo de amigos e discpulos. Para no comprometer a sua independncia especulativa e a sua paz, recusou uma penso oferecida pelo grande Cond e uma ctedra universitria em Heidelberg, que lhe propusera Carlos Ludovico, eleitor palatino. Uma tuberculose enfraquecera seu corpo. Aps alguns meses de cama, Spinoza faleceu aos quarenta e quatro anos de idade, em 1.677, em Haia. Deixou uma notvel biblioteca losca; mas a sua herana mal chegou para pagar as despesas do funeral e as poucas dvidas contradas durante a enfermidade. Um trao caracterstico e fundamental do carter de Spinoza a sua concepo prtica, moral, de losoa, como solucionadora ltima do problema da vida. E, ao mesmo tempo, a sua rme convico de que a soluo desse problema no possvel seno teoreticamente, intelectualmente, atravs do conhecimento e da contemplao losca da realidade. As obras loscas principais de Spinoza so: a Ethica (publicada postumamente em Amsterdam, em 1.677), que constitui precisamente o seu sistema losco; o Tractatus theologivo-politicus (publicado annimo em Hamburgo, em 1.670), que contm a sua losoa religiosa e poltica. A princpio desconhecido e atacado, o pensamento de Spinoza acabou por interessar e inuenciar particularmente a cultura moderna depois de Kant (Lessing, Goethe, Schelling, Hegel, Schleiermacher, etc.), proporcionando ao idealismo o elemento metafsico monista, naturalmente ltrado atravs da crtica kantiana.

O Pensamento: Deus
A teologia de Spinoza contida, substancialmente, no primeiro livro da Ethica (De Deo). Spinoza quereria deduzir de Deus racionalmente, logicamente, geometricamente toda a realidade, como aparece pela prpria estrutura exterior da Ethica ordine geometrico demonstrata. No nos esqueamos de que o Deus spinoziano a substncia nica e a causa nica; isto , estamos em cheio no pantesmo. A substncia divina eterna e innita: quer dizer, est fora do tempo e se desdobra em nmero innito de perfeies ou atributos innitos. Desses atributos, entretanto, o intelecto humano conhece dois apenas: o esprito e a matria, a cogitatio e a extensio. Descartes diminuiu estas substncias, e no monismo spinoziano descem condio de simples atributos da substncia nica. Pensamento e extenso so expresses diversas e irredutveis da substncia absoluta, mas nela unicadas e correspondentes, graas doutrina spinoziana do paralelismo psicofsico. A substncia e os atributos constituem a natura naturans. Da natura naturans (Deus) procede o mundo 117

LGEBRA LINEAR

das coisas, isto , os modos. Eles so modicaes dos atributos, e Spinoza chama-os natura naturata (o mundo). Os modos distinguem-se em primitivos e derivados. Os modos primitivos representam as determinaes mais imediatas e universais dos atributos e so eternos e innitos: por exemplo, o intellectus innitus um modo primitivo do atributo do pensamento, e o motus innitus um modo primitivo do atributo extenso. As leis do paralelismo psicofsico, que governam o mundo dos atributos, regem naturalmente todo o mundo dos modos, quer primitivos quer derivados. Cada corpo tem uma alma, como cada alma tem um corpo; este corpo constituiria o contedo fundamental do conhecimento da alma, a saber: a cada modo de ser e de operar na extenso corresponde um modo de ser e de operar do pensamento. Nenhuma ao possvel entre a alma e o corpo - como dizia tambm Descartes - e como Spinoza sustenta at o fundo. A lei suprema da realidade nica e universal de Spinoza a necessidade. Como tudo necessrio na natura naturans, assim tudo tambm necessrio na natura naturata. E igualmente necessrio o liame que une entre si natura naturans e natura naturata. Deus no somente racionalmente necessitado na sua vida interior, mas se manifesta necessariamente no mundo, em que, por sua vez, tudo necessitado, a matria e o esprito, o intelecto e a vontade.

O Homem
Do primeiro livro da Ethica - cujo objeto Deus - Spinoza passa a considerar, no segundo livro (De mente), o esprito humano, ou, melhor, o homem integral, corpo e alma. A cada estado ou mudana da alma, corresponde um estado ou mudana do corpo, mesmo que a alma e o corpo no possam agir mutuamente uma sobre o outro, como j se viu. No preciso repetir que, para Spinoza, o homem no uma substncia. A assim chamada alma nada mais que um conjunto de modos derivados, elementares, do atributo pensamento da substncia nica. E, igualmente o corpo nada mais que um complexo de modos derivados, elementares, do atributo extenso da mesma substncia. O homem, alma e corpo, resolvido num complexo de fenmenos psicofsicos. Mesmo negando a alma e as suas faculdades, Spinoza reconhece vrias atividades psquicas: atividade teortica e atividade prtica, cada uma tendo um grau sensvel e um grau racional. A respeito do conhecimento sensvel (imaginatio), sustenta Spinoza que ele inteiramente subjetivo: no sentido de que o conhecimento sensvel no representa a natureza da coisa conhecida, mas oferece uma representao em que so fundidas as qualidades do objeto conhecido e do sujeito que conhece e dispe tais representaes numa ordem fragmentria, irracional e incompleta. Spinoza distingue, pois, o conhecimento racional em dois graus: conhecimento racional universal e conhecimento racional particular. A ordem oferecida pelo conhecimento racional particular nada mais que a substncia divina; abrange ela, na sua unidade racional, os atributos innitos e os innitos modos que a determinam. E desse conhecimento racional intuitivo, mstico, derivam necessariamente a felicidade e virtude supremas. Das limitaes do conhecimento sensvel decorrem o sofrimento e a paixo, dada a universal correspondncia spinoziana entre teortico e prtico. Visto o paralelismo psicofsico de Spinoza, claro que o conhecimento, no sistema spinoziano, no constitudo pela relao de adequao entre a mente e a coisa, mas pela relao de adequao da mens do sujeito que conhece a mens do objeto conhecido. 118

A Moral
Como sabido, Spinoza dedica ao problema moral e sua soluo os livros III, IV e V da Ethica. No livro III faz ele uma histria natural das paixes, isto , considera as paixes teoricamente, cienticamente, e no moralisticamente. O lsofo deve humanas actiones non ridere, non lugere, neque detestari, sed intelligere; assim se exprime Spinoza energicamente no promio ao II livro da Ethica. Tal atitude rigidamente cientca, em Spinoza, favorecida pela concepo universalmente determinista da realidade, em virtude da qual o mecanismo das paixes humanas necessrio como o mecanismo fsico-matemtico, e as paixes podem ser tratadas com a mesma serena indiferena que as linhas, as superfcies, as guras geomtricas. Depois de nos ter oferecido um sistema do mecanismo das paixes no IV livro da Ethica, Spinoza esclarece precisamente e particularmente a escravido do homem sujeito s paixes. Essa escravido depende do erro do conhecimento sensvel, pelo que o homem considera as coisas nitas como absolutas e, logo, em choque entre si e com ele. Ento a libertao das paixes depender do conhecimento racional, verdadeiro; este conhecimento racional no depende, entretanto, do nosso livre-arbtrio, e sim da natureza particular de que somos dotados. No V e ltimo livro da Ethica, Spinoza esclarece, em especial, a condio do sbio, libertado da escravido das paixes e da ignorncia. O sbio realiza a felicidade e a virtude simultnea e juntamente com o conhecimento racional. Visto que a felicidade depende da cincia, do conhecimento racional intuitivo - que , em denitivo, o conhecimento das coisas em Deus - o sbio, a chegado, amar necessariamente a Deus, causa da sua felicidade e poder. Tal amor intelectual de Deus precisamente o jbilo unido com a causa racional que o produz, Deus. Este amor do homem para com Deus, retribudo por Deus ao homem; entretanto, no um amor como o que existe entre duas pessoas, pois a personalidade excluda da metafsica spinoziana, mas no sentido de que o homem idntico panteisticamente a Deus. E, por conseguinte, o amor dos homens para com Deus idntico ao amor de Deus para com os homens, que , pois, o amor de Deus para consigo mesmo (por causa precisamente do pantesmo). Chegado ao conhecimento e vida racionais, o sbio vive j na eternidade, no sentido de que tem conhecimento eterno do eterno. A respeito da imortalidade da alma, devemos dizer que excluda naturalmente por Spinoza como sobrevivncia pessoal porquanto pessoa e memria pertencem imaginao. A imortalidade, ento, no poder ser entendida seno como a eternidade das idias verdadeiras, que pertencem substncia divina. De sorte que imortais, ou eternas, ou pela mxima parte imortais, sero as almas ou os pensamentos dos sbios, ao passo que s almas e aos pensamentos dos homens vulgares, como que limitados ao conhecimento e vida sensveis, destinado o quase total aniquilamento no sistema racional da substncia divina.

A Poltica e a Religio
Spinoza tratou particularmente do problema poltico e religioso no Tractatus theologico-politicus. Considera ele o Estado e a Igreja como meios irracionais para o advento da racionalidade. As aes feitas ou no feitas - em vista das penas ou dos prmios temporais e eternos, ameaados ou prometidos pelo estado e pela igreja, dependem do temor e da esperana, que, segundo Spinoza, so paixes irracionais. Elas, entretanto, servem para a tranquilidade do sbio e para o treinamento do homem vulgar. No Estado de natureza, isto , antes da organizao poltica, os homens se encontravam em uma guerra perptua, em uma luta de todos contra todos. o prprio egosmo que impede os homens a se unirem, a se acordarem entre si numa espcie de pacto social, pelo qual prometem renunciar a toda violncia, auxiliando-se mutuamente. No entanto, no basta o pacto apenas: precisa o homem do arrimo da fora para sustentarse. De fato, mesmo depois do pacto social, os homens no cessam de ser, mais ou menos, irracionais e, 119

LGEBRA LINEAR

portanto, quando lhes fosse cmodo e tivessem a fora, violariam, sem mais, o pacto. Nem h quem possa opor-se a eles, a no ser uma fora superior, porquanto o direito sem a fora no tem eccia. Ento, os componentes devem conar a um poder central a fora de que dispem, dando-lhe a incumbncia e o modo de proteger os direitos de cada um. S ento o estado verdadeiramente constitudo. Entretanto, o Estado, o governo, o soberano podem fazer tudo o que querem: para isso tm o poder e, portanto, o direito, e se acham eles ainda no estado de pura natureza, do qual os sditos saram. O Estado, porm, no dominador supremo, porquanto no o m supremo do homem. Seu m supremo conhecer a Deus por meio da razo e agir de conformidade, de sorte que ser a razo a norma suprema da vida humana. O papel do Estado auxiliar na consecuo racional de Deus. Portanto, se o Estado se mantivesse na violncia e irracionalidade primitivas, pondo obstculos ao desenvolvimento racional da sociedade, os sditos - quando mais racionais e, logo, mais poderosos do que ele - rebelarse-o necessariamente contra ele, e o Estado cair fatalmente. Faltando-lhe a fora, faltar-lhe- tambm o direito. E de suas runas dever surgir um Estado mais conforme razo. E, assim, Spinoza deduz do estado naturalista o Estado racional. O outro grande instituto irracional a servio da racionalidade , segundo Spinoza, a religio, que representaria um sucedneo da losoa para o vulgo. O contedo da religio positiva, revelada, racional; mas a forma que seria absolutamente irracional, pois o conhecimento losco de Deus decairia em uma revelao mtica; a ao racional, que deveria derivar do conhecimento racional com a mesma necessidade pela qual a luz emana do sol, decairia no mandamento divino heternomo, a saber, a religio positiva, revelada, representaria sensivelmente, simbolicamente, de um modo apto para a mentalidade popular, as verdades racionais, loscas acerca de Deus e do homem; tais verdades podem aproveitar ao bem desse ltimo, quando encarnadas nos dogmas. Por conseguinte, o que vale nos dogmas no seria a sua formulao exterior, e sim o contedo moral; nem se deveria procurar neles sentidos metafsicos arcanos, porque o escopo dos dogmas essencialmente prtico a saber: induzir submisso a Deus e ao amor ao prximo, na unicao nal de tudo e de todos em Deus.

120

Atividade Orientada
A Atividade Orientada tem por objetivo constituir mais uma ferramenta de aprendizagem para os estudantes da FTC-EaD. Nela apresentaremos aspectos relevantes vistos durante o curso de lgebra Linear. As denies, conceitos, estruturas modeladas, entre outros aspectos presentes na atividade, so vistas em nossa percepo importantes tanto ao prossional que futuramente, ou desde j, encontra-se exercendo o magistrio no ensino mdio quanto aos prossionais que desejam prosseguir estudos na rea. Bons Estudos!

5.1

Etapa 1

5.1.1. Ana e Beto esto planejando comprar frutas para a prxima semana. Cada um deles quer comprar algumas mas, tangerinas e laranjas, porm em quantidades diferentes. A Tabela 1 mostra o que eles pretendem comprar. Nas proximidades existem duas bancas de frutas - a do Sr. Jos e a de D. Vera cujos preos esto apresentados na Tabela 2. (a) Quanto gastaro Ana e Beto para fazer suas compras em cada uma das duas bancas? (b) D a representao matricial do problema exposto, ou seja, a representao matricial do clculo utilizado para saber quanto ir gastar Ana e Beto. Tabela 2 Laranjas 10 5 Sr. Jos Ma Tangerina Laranja $ 0, 10 $ 0, 40 $ 0, 10 D. Vera $ 0, 15 $ 0, 30 $ 0, 20 1, se i j e 0, se i < j

Tabela 1 Mas Ana Beto 6 4 Tangerinas 3 8

5.1.2. Dada as matrizes A = [ai j ]23 tal que ai j = 2i + 4j 1, B = [bi j ]33 tal que bi j =

Ct =

2 1 0 0 1 0

D = I3 E =

1 1 0

F =

0 1

0 . Determine, se for possvel:

(a) At

(b) tr(B )

(c) tr(E )

(d) (B + D ) E

(e) D F

5.1.3. Encontre x , y , z e w se:

x z

y w

x 6 1 2w

4 z +w

x +y 3

Exemplo 5.1. Uma matriz quadrada A chama-se matriz simtrica quando At = A, e chama-se matriz anti-simtrica quando At = A. Acompanhe o exemplo resolvidoabaixo para ns de orientao para as 0 1 2 duas questes subsequentes. Calcule x , y e z de modo que M = x 3 y seja uma matriz simtrica. z 4 5 121

LGEBRA LINEAR

Soluo: Utilizando a denio de simetria e de igualdade entre matrizes, obtemos:

Mt = M

0 x 1 3 2 y

z 4 5

0 x z

1 3 4

2 y 5

x = 1, y = 4 e z = 2.

Exemplo 5.2. Calcule a, b e c de modo que P =

a1 b

2 c 3

seja uma matriz anti-simtrica.

Soluo:

P = P

a1 2

b c 3

a + 1 2

2 c + 3

a 1 = a + 1 b = 2 c 3 = c + 3

a=1 b = 2 c =3

5.1.4. Determine, se for possvel, o valor de x para que a matriz A =

0 x2 x +1

2x 0 x3

1 x 0

seja:

(a) simtrica

(b) anti-simtrica

Exemplo 5.3. Usando as operaes elementares sobre linhas verique se M = e, em caso armativo, determine sua inversa.

2 0 0 1 1 3

2 1 0

inversvel

Soluo: Temos abaixo dois blocos de matrizes, a esquerda, a matriz a qual desejamos saber se existe a inversa e determin-la, e a direita, a matriz identidade. O conjunto de operaes elementares que transformam a matriz da direita na matriz identidade, transformam simultaneamente a matriz identidade na inversa da nossa matriz em questo.

2 0 2 0 1 1 1 3 0 L1

1 0 0 1 0 0 1 2 L1

0 0 1

1 0 0 1 1 3 L3 1 0 0

1 0 0

1 0 0 0 1 2 0 1 0 1 1 1 0 4 2 3 1 1 L3 4 L3

1 1 0 0 2 1 0 1 0 0 0 0 1 L 3 L1

1 0 0 1 0 1 2 0 1 0 0 1 1 0 3 1 1 0 1 2 L3 L3 3 L2

0 1 0 L1 0 0 1 0 0 1

0 1 1 0 2 0 1 0 1 1 1 1 3 4 8 4 L1 L3
3 8 1 8 1 8 3 4 1 4 3 4

1 0 0 1 0 0

3 1 0 3 4 4 8 1 0 1 0 3 1 1 1 4 8 4 L2 L2 L3

1 0 0

1 4 1 4 1 4

Observe que as operaes elementares sobre as linhas resultaram na matriz identidade. Portanto a matriz inversvel e a inversa a matriz da direita representada por:

3 8 1 8 1 8 3 4 1 4 3 4 1 4 1 4

M 1 =

1 4

122

5.1.5. Usando as operaes elementares sobre linhas, verique, em cada item, se A inversvel e, em caso armativo, determine sua inversa.

(a) A =

3 7

2 5

(b) A =

1 2

2 4

(c) A =

1 0 1

2 2 1 2 3 4

(d) A =

1 0 0 1 1 3

2 1 0

3x + 3y + 3z x + y + z 2x + y + z Em seguida, determinar o posto da matriz ampliada e o posto da matriz dos coecientes. Exemplo 5.4. Usando o mtodo de Gauss, resolva o sistema de equaes lineares

= 3 = 2 . = 3

Soluo: importante lembrar que P (M ) o posto da matriz ampliada, P (A) o posto da matriz dos coecientes e n o nmero de incgnitas do sistema. Colocando o sistema na forma matricial e escalonando, obtemos:

3 3 3 3 1 1 1 2 3 2 1 1 1 L1 3 L1 1 1 1 1 0 2 2 1 1 0 1 1 1 L2 2 L2

1 1 2 L2 1 0 0

1 1 1 1 1 2 3 1 1 L2 + L1

1 0 2 L3

1 1 1 2 2 1 1 1 1 L3 2 L1 1 0 0 1 1 1 1 0 0

1 1 1 1 1 1 2 1 1 1 L3 L3 + L2

1 1 2
1 2

Temos que P (M ) = 3 e P (A) = 2. Portanto, P (M ) = P (A) e o sistema impossvel. 5.1.6. Usando o mtodo de Gauss, resolva os seguintes sistemas de equaes lineares. Em cada caso, determinar o posto da matriz ampliada e o posto da matriz dos coecientes.

(a)

x 2y + 3z = 0 2x + 5y + 6z = 0

(b)

x +y +z =1 x y z =2 2x + y + z = 3

(c)

x 2y 3z = 0 x + 4y z = 0 2x y + z = 0
= = = 1 1 tenha: 0

Exemplo 5.5. Determine os valores de a tais que o sistema

x + y + az (a 1)y + (1 a)z (a2 + a 2)z

soluo nica

nenhuma soluo

mais de uma soluo

Soluo: Se a 1 = 0 e a2 + a 2 = 0, isto , se a = 1 e a = 2, o sistema escalonado com igual nmero de equaes e incgnitas sendo, portanto, compatvel e determinado, possuindo soluo nica. x +y +z = 1 Se a = 1, o sistema ca: 0y + 0z = 1 e incompatvel. Logo, no possui solues. 0z = 1 Se a = 2, o sistema ca: innitas solues. 123

x + y 2z 3y 3z 0z = 0

= 1 = 1 e compatvel e indeterminado. Logo, possui

LGEBRA LINEAR

5.1.7. Determine os valores de a tais que os sistemas

(a)

x +y z =1 2x + 3y + az = 3 x + ay + 3z = 2

(b)

x + 2y + az = 1 2x + 4y + 8z = 3

tenham: (i) soluo nica (ii) nenhuma soluo

(iii) mais de uma soluo 3 1 3 4 6 0 1 3 6 9 0 0 1 2 0 2

Exemplo 5.6. Calcule o determinante da matriz M =

Soluo: Utilizando o teorema de Laplace para determinantes, escolhemos, estrategicamente, a segunda linha, por possuir maior nmero de zeros. Assim, necessitamos calcular apenas o cofator dos elementos no nulos, visto que, todos os outros so zero e anularo os seus respectivos cofatores. De fato,
6 2+1 det(M ) = 1 c21 + 0 c22 + 0 c23 + 0 c24 = c21 = (1) 1 3

6 9 1 2 = (1) 87 = 87. 0 2

5.1.8. Calcule o determinante das matrizes abaixo:


(a) A =

2 4

5 1

(b) B =

2 1 0 5 1 3

1 2 4

(c) C =

1 1 3 4

2 0 1 3

2 3 0 0 1 2 0 2

(d) C =

1 0 0 0

1 2 0 0

2 0 3 0

0 1 2 4

Exemplo 5.7. Calcular, se existir, a matriz inversa de A =

inversa para resolver AX = B , com B =

0 1

1 1 1 0

(usando sua adjunta) e use essa

Soluo: Calculemos a matriz dos cofatores de A.

A =

c11 = (1)1 + 1 |0| c12 = (1)1 + 2 | 1| c21 = (1)2 + 1 |1| c22 = (1)2 + 2 |1|

0 1 1 1

Como a matriz adjunta de A igual a transposta da matriz dos cofatores, temos que: adj(A) = 0 1 . do nosso conhecimento que 1 1

1 = adj(A) = 1 det(A)

0 1

1 1

0 1 1 1

Como AX = B A1 AX = A1 BX = A1 B , segue que:

X =

0 1 1 1

0 1

1 1

124

5.1.9. Calcular, se existir, a matriz inversa de A (usando sua adjunta) e use essa inversa para resolver o sistema Ax = B , nos seguintes casos:

(a) A =

1 2

1 3

eB =

1 4

(b) A =

1 1 2

2 1 0 1 1 0

eB=

4 3 2 1

Exemplo 5.8. Utilizando a regra de Crammer resolva o sistema

x +y +z x y z 2x y + z

= = =

6 4 1

Soluo: Calculemos o determinante da matriz dos coecientes A.


1 det(A) = 1 2

1 1 1 1 = 4 = 0. 1 1

Como det(A) = 0 o sistema possui soluo nica. Para calcular, Ax , Ay e Az , substituamos a coluna relativa aos coecientes de x , y e z , pela coluna da matriz dos termos independentes. Neste t t exemplo temos que 1 1 2 corresponde a matriz coluna dos coecientes de x e 6 4 1 corresponde a matriz coluna dos termos independentes. Assim,
6 det(Ax ) = 4 1

1 1 1 1 = 4. 1 1

De maneira anloga,
1 det(Ay ) = 1 2 1 6 1 4 1 = 12 e det(Az ) = 1 2 1 1

1 6 1 4 = 8 1 1

Desta forma, temos que x =

4 Ay 12 Az 8 Ax = = 1; y = = =3ez = = = 2. A 4 A 4 A 4

5.1.10. Resolva o sistema abaixo pela Regra de Crammer. 2x + 3y z = 1 3x + 5y + 2z = 8 x 2y 3z = 1 2x + y z = 3 x +y +z =1 x 2y 3z = 4

(a)

3x + 5y = 8 4x 2y = 1

(b)

(c)

5.2

Etapa 2

Exemplo 5.9. Verique se o conjunto V = {(x , y , z ) R3 ; y = 2x + z } um subespao do R3 .

125

LGEBRA LINEAR

Soluo: i. Veriquemos, inicialmente, se o vetor nulo do R3 pertence a este conjunto. (0, 0, 0) V , pois, 2x + z = 2 0 + 0 = 0 = y . ii. Veriquemos, agora, se para quaisquer u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) em V , u +v V . Lembrando y1 = 2x1 + z1 , segue que y1 + y2 = 2x1 + z1 + 2x2 + z2 = que u + v = (x1 + x2 , y1 + y2 , z1 + z2 ) e que y2 = 2x2 + z2 2x1 + 2x2 + z1 + z2 = 2 (x1 + x2 ) + (z1 + z2 ). Logo, temos que u + v V . iii. Por m, Dados k R e v = (x , y , z ) V , devemos vericar se o vetor k v , dado por (kx , ky , kz ) V . Temos que a segunda coordenada do vetor v expressa por y = 2x + z . Da, vericando para o vetor k v , temos que a segunda coordenada deste expressa por ky = k (2x + z ) = k 2x + k z = 2 (kx ) + kz . Logo, temos que o vetor kv V . De i, ii e iii, conclumos que V um subespao vetorial do R3 . 5.2.1. Verique se os seguintes conjuntos V abaixo so subespaos do R3 ? (a) V = {(x , y , z ) R3 ; x + y + z = 1} (b) V = {(x , y , z ) R3 ; x = 2y + z } (c) V = {(x , y , z ) R3 ; z = 1} (d) V = {(x , y , z ) R3 ; x = 0} (e) V = {(x , y , z ) R3 ; ax + by + cz = 0, com a, b , c R}

Exemplo 5.10. Determine as equaes que caracterizam o subespao W = [(2, 0, 2), (2, 0, 2), (2, 4, 2)] do V = R3 , se possvel. Verique se W um subespao prprio de V . Soluo: Vamos vericar se o subespao W no corresponde ao prprio R3 . Para isto, dado um elemento qualquer (x , y , z ) R3 , devem existir , , tais que (x , y , z ) = (2, 0, 2) + (2, 0, 2) + (2, 4, 2). Esta igualdade nos leva equivale ao sistema de equaes (nas variveis , e ): 2 2 + 2 4 22 + 2 = = =

x y z

Escalonando o sistema, por meio da sua matriz ampliada, temos:

2 0 2 2 0 2 2 4 2

x y z

1 0 1

1 1 0 2 1 1

x y z

1 1 1 0 0 2 0 0 0

x y z x

1 0 0

1 1 0 1 0 0

x
y 2

zx

No precisamos terminar o escalonamento para concluir que, pela ltima linha, o sistema no pode ser possvel e determinado, o que signica que W , de fato, no corresponde ao prprio R3 , nem vazio, sendo, portanto, um subespao prprio de R3 . Alm disso, o sistema s tem soluo se z x = 0 (caso contrrio, o mesmo seria impossvel), sendo esta, portanto, a equao que o caracteriza. Podemos escrever, ento que:

W = {(x , y , z ) R3 ; z x = 0}.

5.2.2. Determine as equaes que caracterizam os seguintes subespaos, se possvel. Verique se Wi um subespao prprio de Vi . (a) V1 = R2 , W1 = [(2, 2), (1, 1)]; (b) V2 = R3 , W2 = [(1, 0, 1), (1, 0, 1), (1, 2, 1)]; (c) V3 = R3 , W3 = [(1, 1, 0), (0, 1, 0), (0, 0, 1)]. 126

Exemplo 5.11. Dados os subespaos U = {(x , y , z ) R3 |x + y = 0} e V = {(x , y , z ) R3 ; x = 0} do espao R3 , determinar os subespao gerador de U V e U + V . Soluo: u = (x , y , z ) U V u U e u V x + y = 0 e x = 0 x = y = 0. Logo, U V = {(0, 0, z ); z R} = [(0, 0, 1)]. Buscando os geradores de U + V temos que para o subespao U = {(x , y , z ) R3 ; x + y = 0} temos o seguinte subespao gerador. Da equao x + y = 0 extraimos que x = y e, portanto, o subespao U = [(y , y , z )], ou seja, U = [y (1, 1, 0) + z (0, 0, 1)]. Da mesma maneira, para o subespao V = {(x , y , z ) R3 ; x = 0} temos que V = [(0, y , z )], ou seja, V = [y (0, 1, 0) + z (0, 0, 1)]. Assim, o conjunto {(1, 1, 0), (0, 0, 1), (0, 1, 0)}. Nota 40. Para o exemplo acima, pertinente a vericao se o conjunto linearmente independente. Para tal, basta colocar os vetores em linha e escalonar. Se ao nal do escalonamento nenhuma linha for nula, isto implica que o conjunto linearmente independente. Se, porventura, uma das linhas linhas for nula, o conjunto formado pelos vetores no nulos restantes, tambm um gerador. 5.2.3. Determine um conjunto de geradores para os seguintes subespaos: (a) U = {(x , y , z ) R3 ; x + z = 0 e x 2y = 0}; (b) W = {(x , y , z ) R ; x + 2y 3z = 0}; (c) V = {(x , y , z ) R3 ; x 2y = 0}; Exemplo 5.12. No espao vetorial R3 , considere U o plano xy e W o plano y z . Verique se U V = R3 . Determine a dimenso de U V . Soluo: U = {(a, b , 0); a, b R} e W = {(0, b , c ); b , c R}. Ento R3 = U + W , pois todo vetor de R3 a soma de um vetor de U e um vetor de W . Todavia, R3 no soma direta de U e W , pois, tais somas no so nicas. Por exemplo, (3, 5, 7) = (3, 1, 0) + (0, 4, 7) e tambm (3, 5, 7) = (3, 4, 0) + (0, 9, 7). Podemos entender U = [a(1, 0, 0) + b (0, 1, 0)] ou [(1, 0, 0), (0, 1, 0)] e, da mesma forma, o conjunto W = [b (0, 1, 0)+ c (0, 0, 1)] ou [(0, 1, 0), (0, 0, 1)]. Portanto, dim(U ) = 2 e dim(W ) = 2. O conjunto dos geradores de U W U W = [(0, 1, 0)]. Portanto, a dimenso de U W 1. Vericando o teorema das dimenses dos subespaos de dimenso nita temos que dim(R3 ) = dim(U ) + dim(W ) dim(U W ) 3 = 2 + 2 1. 5.2.4. Sejam S = [(1, 1, 2), (2, 1, 1)] e T = [(0, 1, 1), (1, 2, 1)] subespaos de V = R3 . (a) Verique se R3 = S + T ; (b) Determine as dimenses de S , T e S + T . (c) Utilize a proposio: Se U e V so subespaos de um espao vetorial W que tem dimenso nita, ento dim(U + V ) = dim(U ) + dim(V ) dim(U V ) e verique se R3 = S T . 5.2.5. Verique se so verdadeiras ou falsas as armaes abaixo: (a) Dois vetores so L.D. se, e somente se, um deles mltiplo do outro; (b) Um conjunto que contm um subconjunto de vetores L.D. L.D; 1 1 ,B = (c) Os vetores A = 2 3 em relao ao espao M22

3

(d) U V ; (e) V + W .

6 0 1 4

,C =

3 2

0 3

,D =

5 1 2 3

,E =

7 2

1 9

so L.I

127

LGEBRA LINEAR

(d) Um subconjunto de um conjunto L.I pode ser L. D. (e) Se {u1 , u2 , u3 } L.I ento {u3 , u2 , u1 } L. I. (f) Se w1 [w2 , w3 ] ento {w1 , w2 , w3 } L. D. 5.2.6. Verique se os conjuntos de vetores dados a seguir so L.I. ou L.D. (a) V = R2 , S1 = {(2, 5), (4, 10)} (b) V = R3 , S2 = {(1, 0, 5), (0, 4, 10), (0, 1, 2), (1, 2, 3)} (c) V = R3 , S3 = {(1, 1, 1), (1, 0, 1)(1, 0, 2)} (d) V = R3 , S4 = {(1, 1, 1), (0, 0, 0)(1, 0, 2)} (e) V = P3 (t ), S5 = {1 3t + 2t 2 3t 3 ; 3 + 9t 6t 2 + 9t 3 } 5.2.7. Verique, em cada caso, se o conjunto dado uma base para o respectivo espao. Caso no seja base, justique o porqu. (a) V = R2 , S1 = {(1, 1), (2, 2)} (b) V = R3 , S2 = {(1, 0, 5), (0, 1, 2), (1, 2, 3)} (c) V = R3 , S3 = {(1, 1, 0), (0, 0, 1)}

(d) V = M23 R(S4 =

1 0

0 1 0 1

0 1 0 0

1 0

0 0

0 0 1 2

(e) V = R2 , S1 = {(1, 3), (2, 2)} 5.2.8. No espao vetorial R3 consideremos os seguintes subespaos:

U = {(x , y , z ); x + y = 4x z = 0}; V = {(x , y , z ); 3x y z = 0};

S = [(1, 1, 2), (2, 1, 1)] e T = [(0, 1, 1), (1, 2, 1)].

Determinar uma base e a dimenso de cada um dos seguintes subespaos V , T , U V e S + T . Exemplo 5.13. Determinar o vetor-coordenada e a matriz coordenada de v = (5, 4, 2) em relao base B = {(1, 2, 3), (0, 1, 2), (0, 0, 1)} do R3 . Soluo: Devemos encontrar escalares , , tais que: =5 2 + = 4 3 + 2 + = 2

(5, 4, 2) = (1, 2, 3) + (0, 1, 2) + (0, 0, 1),

Resolvendo o sistema, obtm-se = 5, = 6 e = 1. Portanto, vB = (5, 6, 1) e vB = t 5 6 1 .

5.2.9. Determinar as coordenadas do vetor u = (4, 5, 3) R3 , em relao s seguintes bases: (a) cannica (b) {(1, 1, 1), (1, 2, 0), (3, 1, 0)}

128

Exemplo 5.14. Sejam 1 = {(1, 0), (0, 1)} e 2 = {(2, 1), (3, 4)} bases de R2 . Compute [I ]1 . 2

Soluo: Para determinarmos a matriz de mudana da base 1 para 2 devemos escrever cada vetor da base 2 como combinao linear dos vetores de 1 e tomarmos os coecientes de cada um para constituir as colunas da matriz pedida. Assim, temos (1, 0) = (2, 1) + (3, 4) e (0, 1) = (1, 0) + (3, 4). 1 4 e = , valores que formam a 11 11 3 2 1a coluna de [I ]2 . Da 2a equao, determinando e , vem que: = e= valores que 1 11 11 2 a constituem a 2 coluna de [I ]1 . Portanto, Da primeira equao, determinando e , temos que: =

[I ] 2 = 1

4 11 1 11

3 11

2 11

5.2.10. Sejam 1 = {(1, 0), (0, 2)}, 2 = {(1, 0), (1, 1)} bases ordenadas de R2 . Determine: (a) [I ]1 e 2 (b) [I ]2 . (c) Verique se as matrizes [I ]1 e [I ]2 so uma a inversa da outra. 1 2 1

5.3

Etapa 3

Exemplo 5.15. Verique se a aplicao T : R3 R2 , denida por T (x , y , z ) = (x , y ), linear. Soluo: Lembrando que uma aplicao T : V W linear se T (u + v ) = T (u ) + T (v ) e T ( u ) = T (u ). Portanto, considere u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) R3 e K.

i .T (u + v ) = T (x1 + x2 , y1 + y2 , z1 + z2 ) = (x1 x2 , y1 y2 ) = (x1 , y1 ) + (x2 , y2 ) = T (u ) + T (v ). ii .T ( u ) = T ((x1 , y1 , z1 )) = T ( x1 , y1 , z1 ) = ( x1 , y1 ) = (x1 , y1 ) = T (u ).


Portanto, T linear. 5.3.1. Dentre as seguintes funes, vericar quais so lineares: (a)T : R3 (x , y , z ) (c )T : R2 R2 ; (x , y ) (b )T : R2 R2 ; (x , y ) (|x |, y )

M2 (R) x +y (x , y ) 0

0 y

(d )T : M23 (R) a b c d e f

R2 (a + e , c + f )

Exemplo 5.16. Qual a transformao linear T : R3 R tal que: T (1, 1, 1) = 3, T (0, 1, 2) = 1 e T (0, 0, 1) = 2? Em seguida, determine T (1, 0, 3). Soluo: Faamos (x , y , z ) = (1, 1, 1) + (0, 1, 2) + (0, 0, 1) e assim encontramos, aps a computao dos clculos, = x , + = y = y x e = z 3x + 2y . Segue que: (x , y , z ) T (x , y , z ) T (x , y , z ) T (x , y , z ) = = = =

x (1, 1, 1) + y x (0, 1, 2) + z 3x + 2y (0, 0, 1) xT (1, 1, 1) + y xT (0, 1, 2) + z 3x + 2y T (0, 0, 1) 3x + y x + 2 (z 3x + 2y ) 4x + 5y + 2z

e, portanto, T (1, 0, 3) = 4 1 + 5 0 + 2 (3) = 10. 129

LGEBRA LINEAR

5.3.2. Determine: (a) a transformao linear denida por T : R3 R2 tal que T (1, 1, 1) = (1, 2), T (1, 1, 0) = (2, 3) e T (0, 0, 1) = (3, 3); (b) T (1, 0, 0) e T (0, 1, 0). 5.3.3. Seja T : R3 R2 uma transformao linear denida por T (1, 1, 1) = (1, 2), T (1, 1, 0) = (2, 3) e T (1, 0, 0) = (3, 4). Determine: (a) T (x , y , z ); (b) v R3 tal que T (v ) = (3, 2); (c) v R3 tal que T (v ) = (0, 0). Exemplo 5.17. Seja T : R3 R3 uma transformao linear tal que T (x , y , z ) = (x + 2y , y z , x + 2z ). Determine o ker(T ) e a Im(T ). T injetora? T sobrejetora? Soluo: Em busca de obtermos a imagem de T , primeiramente iremos extrair o conjunto de vetores que caracterizam a transformao T . Como T (x , y , z ) = (x + 2y , y z , x + 2z ) temos que: x (1, 0, 1) + y (2, 0, 1) + z (0, 1, 2). A imagem de T o conjunto denido por Im(T ) = {w W ; T (v ) = w ; para algum v V }. Agora colocaremos os vetores (1, 0, 1), (2, 0, 1), (0, 1, 2) em linha e escalonaremos com a nalidade de obter o menor subespao gerador da imagem de T , ou seja, uma base para Im(T ).

1 0 1 2 1 0 0 1 2

1 0 0

0 1 1 2 1 2

1 0 0

0 1 0 0 1 2

1 0 0

0 1 1 2 0 0

Portanto, B(Im(T )) = {(1, 0, 1), (0, 1, 2)}. Lembremos que se a dimenso do subespao gerado (Im(T )) igual a dimenso de contradomnio R3 da aplicao linear T , temos que a aplicao T sobrejetora. Para o exerccio em questo T no sobrejetora, pois, dim(Im(T )) = 2 = dim(R3 ) = 3. Em relao ao ncleo de T faz-se importante o conhecimento que: ker(T ) = {u V ; T (u ) = 0}, em que V o domnio da transformao, e que T injetora se, e somente se, ker(T ) = {0}. Faamos T (u ) = 0. Assim, encontraremos o seguinte sistema de equaes:

x + 2y y z x + 2z

= = =

0 0 0

Colocando na forma matricial e escalonando para ns de encontrar a soluo do mesmo, temos:

1 2 0 1 1 0

0 0 1 0 2 0

1 2 0 0 1 1 1 2 2

0 0 0

1 0 0 1 0 0

2 0 1 0 0 0

Portanto,

x + 2z y z

= =

0 0

o que implica x = 2z e y = z . Segue que um vetor genrico do ncleo de T (x , y , z ) = (2z , z , z ) = z (2, 1, 1). Logo, Bker(T ) = {(2, 1, 1)} e, conseqentemente, T no injetora. Para nalizar, veriquemos o Teorema de Ncleo e Imagem para este caso. Pelo Teorema dim(V ) = dim(ker(T )) + dim(Im(T )). Segue que V = R3 . Logo, dim(V ) = 3. A imagem de T o conjunto Im(T ) = {v R3 ; T (u ) = v }, tendo como uma de suas bases B(Im(T )) = {(1, 0, 1), (0, 1, 2)}. Logo, dim(Im(T )) = 2. O ncleo de T o conjunto ker(T ) = {u R3 ; T (u ) = 0}, tendo como uma de suas bases Bker(T ) = {(2, 1, 1)}. Logo, dim(ker(T )) = 1. Segue que: dim(R3 ) = dim(ker(T )) + dim(Im(T )) 3 = 1 + 2. 130

5.3.4. Seja a transformao linear T : R2 R3 tal que T (2, 3) = (1, 0, 1) e T (1, 2) = (0, 1, 0). (a) Determinar T (x , y ); (b) ker(T ) e Im(T ) (c) T injetora? E sobrejetora?

5.3.5. Seja T : R4 R3 a transformao tal que T (e1 ) = (1, 2, 1), T (e2) = (1, 0, 1), T (e3) = (0, 1, 2) e T (e4 ) = (1, 3, 1), sendo {e1 , e2 , e3 , e4 } a base cannica do R4 . (a) Determinar o ncleo e a imagem de T ; (b) Determinar bases para o ncleo e para a imagem; (c) Vericar o Teorema do ncleo e imagem. 5.3.6. Seja T : V V uma transformao linear. Sabendo-se que dim(V ) = 5 e dim(ker(T ))Im(T ) = 2: (a) Encontre dim(ker(T ) + Im(T )), justicando; (b) T pode ser injetora? Justique. Exemplo 5.18. Seja T : R3 R3 uma transformao linear tal que T (x , y , z ) = (x + z , x z , y + 6z ). Determine T 1 . Soluo: Para mostrar que T um isomorsmo, precisamos vericar as seguintes condies: i. T linear; ii. T bijetora, ou seja, injetora e sobrejetora. Mostrar que T injetora equivalente a mostrar que ker(T ) = {0}. Desta forma,

T (x , y , z ) = (0, 0, 0) (x + z , x z , y + 6z ) = (0, 0, 0) x = y = z = 0.
Logo, T (0, 0, 0) = (0, 0, 0) e T injetora. Mostremos que T sobrejetora.

T (x , y , z ) = (x + z , x z , y + 6z ) = x (1, 1, 0) + y (0, 0, 1) + z (1, 1, 6).


Buscando obter o conjunto dos geradores da imagem de T , temos que:

1 1 0 0 0 1 1 1 6

1 0 1

1 0 0 1 2 6

1 1 0 0 2 6 0 0 1

1 0 0

1 0 1 3 0 1

1 0 0 1 0 0

3 3 1

1 0 0

0 0 1 0 0 1

O menor subespao gerador de Im(T ) o conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Portanto, dim(Im(T ) = 3. Logo, T sobrejetora, pois, a dimenso da imagem de T igual a dimenso do contradomnio R3 , cuja dimenso sabemos que 3. Satisfeitas as condies i e ii, T bijetora. Encontremos, a seguir, a inversa da transformao. Sendo T denida como acima temos que:

T (1, 0, 0) = (1, 1, 0) T 1 T (1, 0, 0) = T 1 (1, 1, 0) T 1 (1, 1, 0) = (1, 0, 0) T (0, 1, 0) = (0, 0, 1) T 1 T (0, 1, 0) = T 1 (0, 0, 1) T 1 (0, 0, 1) = (0, 1, 0) T (0, 0, 1) = (1, 1, 6) T 1 T (0, 0, 1) = T 1 (1, 1, 6) T 1 (1, 1, 6) = (0, 0, 1)
Encontremos os escalares , e , tais que (x , y , z ) = (1, 1, 0) + (0, 0, 1) + (1, 1, 6) = Segue que

x y x +y , = z 3x + 3y e = . 2 2

T 1 (x , y , z ) T 1 (x , y , z ) T 1 (x , y , z )

= = =

x +y x y T 1 (1, 1, 0) + (z 3x + 3y ) T 1 (0, 0, 1) + T 1 (1, 1, 6) 2 2 x +y x y (1, 0, 0) + (z 3x + 3y ) (0, 1, 0) + (0, 0, 1) 2 2 x +y x y , z 3x + 3y , 2 2


131

LGEBRA LINEAR

5.3.7. Verique, em cada caso, se a transformao linear Ti um isomorsmo e, caso armativo, determine a transformao inversa de Ti , dada por Ti1 .

(a) T2 : R2 R2 , denida por T2 (x , y ) = (x y , x y ). (b) T3 : R3 R3 , tal que T3 (x , y , z ) = (x , y , z ). Exemplo 5.19. Determine os polinmios caractersticos, os autovalores e os autovetores do operador T : R2 R2 tal que T (x , y ) = (3x + 4y , x + 2y ). Soluo: O polinmio caracterstico dado pela equao P () = det(A I ) em que A a matriz associada ao operador T , e assim, segue que, da transformao T (x , y ) = (3x + 4y , x + 2y ) temos a matriz e o seguinte desenvolvimento:

A=

3 4 1 2

P () = det (A I ) =

3 4 1 2

1 0 0 1

3 = 1

4 2

M = (3 )(2 ) + 4 = 2 + + 2 2 = P ().
P () = 0 ( 1)( + 2) = 0 = 1 ou = 2. Agora faamos o clculo dos autovetores de T . i. = 1, temos 3 4 x x =1 1 2 y y
3x + 4y x 4x + 4y = 0 Ento, temos que x = y . Portanto, os autovetores Logo, x + 2y y x + y = 0 associados a = 1 so os vetores v = (x , x ), x = 0. ii. = 2, temos 3 4 x x = 2 1 2 y y Logo,

3x + 4y x + 2y

2x 2y

Ento, temos que x = 4y . Portanto, os autovetores associados a = 2 so da forma v = (4y , y ), y = 0. 5.3.8. Determine os polinmios caractersticos, os autovalores e os autovetores dos operadores a seguir:

(a)T1 : R2 R2 , tal que T1 (x , y ) = (x + y , x y ) (b)T2 : R2 R2 , tal que T2 (x , y ) = (x , y ) (c)T3 : R2 R2 , tal que T3 (x , y ) = (y , 2x + y )

Exemplo 5.20. Seja Y = 132

3 1 4 2

. Determine o valor de Y 5 .

Soluo: Transformemos Y em outra matriz diagonal equivalente, em uma base conveniente, calculando seus autovalores. Assim, facilitaremos as operaes com a mesma. Clculo dos autovalores:

Y =

3 1 4 2

3 M = det(Y I ) = 4

1 2

= (3 ) (2 ) + 4 = 0

2 + 2 = 0 =

1 3 b 2 4ac = 1 = 2 e 2 = 1 autovalores de Y 2a 2

Como os autovalores so distintos a matriz diagonalizvel e sua forma diagonal dada por

D=

1 0

0 2

D =

15 0

0 (2)5

1 0 0 32

Clculo da matriz P (matriz dos autovetores):

Se = 1 M X = O

4 4 1 1

x y

0 0

4x + 4y = 0 x + y = 0 x = y x + y = 0

V1 = {(x , x ), x R} = {x (1, 1), x R} v1 = (1, 1)


Se = 2 M X = O

1 4 1 4

x y

0 0

x + 4y = 0 x +4y = 0 x = 4y x + 4y = 0

V2 = {(4y , y ), y R} = {y (4, 1), y R} v2 = (4, 1)


. Agora faamos o clculo de P 1

Portanto, P =

1 4 1 1

1 4 1 0 1 1 0 1 L2 L1 L2

1 0

1 0 1 1 1 L2 3 L2

4 3

1 4 1 0 1 0 1 1 3 3 L1 4L2 + L1 1 3 1 3 4 3 1 3

1 0

0 1

1 3
1 3

4 3 1 3

P 1 = Logo, Y 5 = P D 5 P 1 . Ento,

5

Y =

1 128 1 32

1 3 1 3

4 3 1 3

1 128 3 3 1 32 3 3

4 128 + 3 3 4 32 + 3 3

129 3

132 3 36 3

33 3

43 44 11 12

5.3.9. Utilize a forma diagonal para encontrar A5 nos seguintes casos:

(a) A =

3 4 1 2

(b) A =

2 1

2 3

5.3.10. Determinar m a m de que sejam ortogonais os vetores u = (m + 1, 2) e v = (1, 4) do R2 . 5.3.11. Ortonormalizar a base u1 = (1, 1, 1), u2 = (1, 1, 1), u3 = (1, 0, 1) do R3 , pelo processo de Gram-Schmidt. 133

LGEBRA LINEAR

Referncias Bibliogrcas
[1] ANTON, Howard & RORRES, C.. lgebra Linear com Aplicaes. 8a edio. Porto Alegre: Bookman, 2.001. [2] CALLIOLI, C.; CAROLLI, & e outros. lgebra Linear e Aplicaes. 7a edio. So Paulo: Atual Editora, 2.000. [3] BOLDRINI, Jos L.; , e outros; , . lgebra Linear. 3a edio. So Paulo: Harbra, 1.984. [4] LIPSCHUTZ, Seymour. lgebra Linear. 3a edio. So Paulo: McGraw-Hill do Brasil Ltda, 1.997. [5] LIMA, Elon L.. lgebra Linear. Coleo Matemtica Universitria. 1.996.
a

edio. Rio de Janeiro: IMPA,

[6] LAY, David C.. lgebra Linear e suas Aplicaes. 2a edio. Rio de Janeiro: LTC, 1.999. [7] AABOE, Asger. Episdios da Histria Antiga da Matemtica. 2a edio. Rio de Janeiro: SBM, 2.002. [8] EVES, Howard. Introduo Histria da Matemtica. a edio. Campinas: UNICAMP, 1.995. [9] BOYER, Carl. B.. Histria de Matemtica. 2a edio. So Paulo: Edgard Blucher, 1.996. <http://pessoal.sercomtel.com.br/matematica/superior/algebra/glossario/glossario.htm> <http://web.mit.edu/18.06/www/> <http://pt.wikipedia.org/wiki/Matriz (matem%C3%A1tica)> <http://pt.wikipedia.org/wiki/Produto interno> <http://www.somatematica.com.br/> <http://www.mundodoslosofos.com.br/spinoza.htm> (consultada 23/11/2.006) <http://en.wikipedia.org/wiki/Baruch Spinoza> (consultada 23/11/2.006.)

134

FTC EaD Faculdade de Tecnologia e Cicnias Educao a Distncia Democratizando a educao. www.ftc.br/ead