Você está na página 1de 155

ALGEBRA LINEAR II

DANILO FELIZARDO BARBOZA


WILBERCLAY GONC ALVES MELO
Curso: Licenciatura em Matematica
Aracaju, Agosto de 2011
Sumario
1 Produto Interno e Norma de um Vetor 1
1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Denicao de Produto Interno e Exemplos . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Propriedades do Produto Interno . . . . . . . . . . . . . . . . . . . . 6
1.3 Norma de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Denic ao de Norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Ortogonalidade e Processo de Gram-Schmidt 16
2.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2

Angulo entre Vetores e Ortogonalidade . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Denic ao de Vetores Ortogonais e Exemplos . . . . . . . . . . . . . . 18
2.2.2 Propriedades da Ortogonalidade . . . . . . . . . . . . . . . . . . . . . 19
2.3 Conjuntos Ortonormais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.2 Processo de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . 22
ii
2.4 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Complemento e Projecao Ortogonal 30
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.2 Resultado Importante . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.3 Projec ao Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 A Adjunta de um Operador Linear 39
4.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Adjunta de um Operador Linear . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.2 Existencia e Unicidade da Adjunta . . . . . . . . . . . . . . . . . . . 43
4.2.3 Propriedades da Adjunta . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2.4 Matriz da Adjunta em Relac ao a uma Base Ortonormal . . . . . . . . 48
4.3 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.4 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Operadores Auto-adjuntos 52
5.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
iii
5.2 Operadores Auto-adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2 Resultados Importantes . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2.3 Matrizes de Operadores Auto-adjuntos . . . . . . . . . . . . . . . . . 54
5.2.4 Teorema Espectral para Operadores Auto-adjuntos . . . . . . . . . . 56
5.3 Operadores Denidos Positivos . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.3.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4 Raiz Quadrada de Operadores Lineares . . . . . . . . . . . . . . . . . . . . . 68
5.4.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.4.2 Resultados Importantes . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.5 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.6 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6 Operadores Ortogonais 76
6.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.2 Operadores Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.2.1 Denic ao e Exemplos de Isometrias . . . . . . . . . . . . . . . . . . . 77
6.2.2 Operadores Lineares e Isometrias . . . . . . . . . . . . . . . . . . . . 78
6.2.3 Denic ao e Exemplos de Operadores Ortogonais . . . . . . . . . . . . 79
6.2.4 Alguns Resultados sobre Operadores Ortogonais . . . . . . . . . . . . 79
6.2.5 Matrizes de Operadores Ortogonais . . . . . . . . . . . . . . . . . . . 82
6.3 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.4 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
iv
7 Operadores Normais 87
7.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
7.2 Operadores Normais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.2.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.2.2 Resultados Importantes . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.2.3 Matrizes de Operadores Normais . . . . . . . . . . . . . . . . . . . . 91
7.3 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.4 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
8 Formas Bilineares 95
8.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
8.2 Formas Bilineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.2.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
8.2.2 Formas Bilineares Simetrica e Anti-simetrica . . . . . . . . . . . . . . 99
8.2.3 Resultados Importantes . . . . . . . . . . . . . . . . . . . . . . . . . 100
8.2.4 Matrizes de Formas Bilineares . . . . . . . . . . . . . . . . . . . . . . 102
8.3 Formas Quadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
8.3.1 Resultados Importantes . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.4 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8.5 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
9 Polinomio Mnimo e Operadores Nilpotentes 114
9.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.2 Polinomio Mnimo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
v
9.2.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.3 Operadores Nilpotentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.3.1 Denic ao e Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
9.3.2 Resultados Importantes . . . . . . . . . . . . . . . . . . . . . . . . . 128
9.3.3 Matrizes de Operadores Nilpotentes . . . . . . . . . . . . . . . . . . . 130
9.4 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
9.5 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
10 Teorema da Decomposicao Primaria e Forma Canonica de Jordan 136
10.1 Introduc ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
10.2 Teorema da Decomposic ao Primaria . . . . . . . . . . . . . . . . . . . . . . . 137
10.2.1 Aplicac ao do Teorema da Decomposicao Primaria . . . . . . . . . . . 138
10.3 Forma Canonica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
10.3.1 Denic ao de Forma Canonica de Jordan e Exemplos . . . . . . . . . 142
10.4 Conclusao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
10.5 Exerccios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
vi
Captulo 1
Produto Interno e Norma de um
Vetor
Curso: Licenciatura em Matematica
Professor-autor: Danilo Felizardo Barboza
Wilberclay Goncalves Melo
Disciplina:

Algebra Linear II
Unidade II
Aula 1: Produto Interno e Norma de um Vetor
Meta
Estender os conceitos de produto escalar e comprimento de vetores para espacos vetoriais
arbitrarios.
1
Objetivos
Ao nal desta aula, o aluno dever a ser capaz de calcular o produto interno entre elementos
de um espaco vetorial bem como determinar sua norma.
Pre-requisitos

Algebra Linear I.
1.1 Introducao
Caro aluno, no curso de Vetores e Geometria Analtica, voce estudou um produto especial
entre dois vetores de R
2
(ou de R
3
), denominado produto escalar, que permitia introduzir a
ideia de distancia, comprimento de um vetor e angulo entre dois vetores. Nesta disciplina
estenderemos esta nocoes para um espaco vetorial arbitrario, obtendo assim uma estrutura
mais rica, denominada espaco vetorial com produto interno. Em todo o curso trabalharemos
apenas sobre o corpo dos n umeros reais, fazendo algumas observac oes no caso complexo.
1.2 Denicao de Produto Interno e Exemplos
Denicao 1.1. Seja V um espaco vetorial sobre R. Dizemos que uma aplicac ao , ) :
V V R, que associa dois vetores u, v V a um unico n umero u, v) real, e um produto
interno sobre V , se esta satisfaz as seguintes condicoes:
i) (Distributividade) u + w, v) = u, v) +w, v), para todos u, v, w V ;
ii) u, v) = u, v), para todos u, v V e todo R;
iii) (Comutatividade) u, v) = v, u), para todos u, v V ;
iv) (Positividade) v, v) 0, para todo v V ;
v) v, v) = 0 se, e somente se, v = 0.
2
Quando munimos o espaco vetorial V de um produto interno , ), dizemos que V e um
espaco vetorial com produto interno , ) ou que V e um espaco Euclidiano.
Obs 1.1 (Produto Interno sobre C). Poderamos ter denido produto interno num espaco
vetorial V sobre C (conjunto dos n umeros complexos), chamado produto interno Hermitiano,
como sendo uma aplicacao , ) : V V C que verica os itens i), ii), iv) e v), mas ao
inves do item iii), obtemos a veracidade de
iii) u, v) = v, u), para todos u, v V , onde v, u) signica o conjugado do n umero
complexo v, u).
Exemplo 1.1. Seja V = R
2
o espaco vetorial com a adicao de vetores e multiplicacao por
escalar usuais, ou seja, (x
1
, x
2
) + (y
1
, y
2
) = (x
1
+ y
1
, x
2
+ y
2
) e (x
1
, x
2
) = (x
1
, x
2
), para
todo R. Dena , ) : R
2
R
2
R por (x
1
, x
2
), (y
1
, y
2
)) := x
1
y
1
+ x
2
y
2
. Armamos
que , ) e um produto interno sobre R
2
(dito produto interno canonico de R
2
). Com efeito,
sejam u = (x
1
, x
2
), v = (y
1
, y
2
), w = (z
1
, z
2
) R
2
e R, ent ao
i) u + w, v) = (x
1
, x
2
) + (z
1
, z
2
), (y
1
, y
2
))
= (x
1
+ z
1
, x
2
+ z
2
), (y
1
, y
2
)) (denicao de adicao)
= (x
1
+z
1
)y
1
+ (x
2
+ z
2
)y
2
(denicao de produto interno)
= x
1
y
1
+ z
1
y
1
+ x
2
y
2
+ z
2
y
2
(distributividade em R)
= (x
1
y
1
+ x
2
y
2
) + (z
1
y
1
+ +z
2
y
2
) (associatividade da adicao emR)
= (x
1
, x
2
), (y
1
, y
2
)) +(z
1
, z
2
), (y
1
, y
2
)) (denic ao de produto interno)
= u, v) +w, v).
Na vericac ao das demais propriedades que compoem a denic ao de produto interno justi-
que cada passagem, conforme item anterior.
ii) u, v) = (x
1
, x
2
), (y
1
, y
2
))
= (x
1
, x
2
), (y
1
, y
2
))
= (x
1
)y
1
+ (x
2
)y
2
= (x
1
y
1
+ x
2
y
2
)
= (x
1
, x
2
), (y
1
, y
2
))
= u, v),
3
iii) u, v) = (x
1
, x
2
), (y
1
, y
2
))
= x
1
y
1
+ x
2
y
2
= y
1
x
1
+y
2
x
2
= (y
1
, y
2
), (x
1
, x
2
))
= v, u),
iv) v, v) = (y
1
, y
2
), (y
1
, y
2
))
= y
1
y
1
+ y
2
y
2
= y
2
1
+ y
2
2
0
v) v, v) = 0
y
2
1
+y
2
2
= 0
y
1
, y
2
= 0
v = (y
1
, y
2
) = (0, 0) = 0.
Em particular, (1, 0), (1, 1)) = 1 1 + 0(1) = 1 e (1, 0), (0, 1)) = 1 0 + 0 1 = 0.
Exemplo 1.2. Podemos generalizar o resultado anterior para o espaco vetorial
V = R
n
= (x
1
, x
2
, ..., x
n
) : x
i
R, i = 1, , n
com adicao de vetores e multiplicac ao por escalar usuais, isto e,
(x
1
, x
2
, ..., x
n
) + (y
1
, y
2
, ..., y
n
) = (x
1
+ y
1
, x
2
+ y
2
, ..., x
n
+y
n
)
e
(x
1
, x
2
, ..., x
n
) = (x
1
, x
2
, ..., x
n
),
para todo R. Dena , ) : R
n
R
n
R por
(x
1
, x
2
, ..., x
n
), (y
1
, y
2
, ..., y
n
)) = x
1
y
1
+x
2
y
2
+ ... + x
n
y
n
.
Seguindo os mesmos passos do Exemplo 1.1 e possvel provar que , ) e um produto interno
sobre R
n
(chamado produto interno canonico de R
n
). Em particular,
(1, 0, ..., 0, 2), (1, 0, ..., 0, 1)) = 1 1 + 0 0 + ...0 + +2(1) = 1.
4
Exemplo 1.3. Seja V = C([a, b]) o espaco vetorial das func oes reais contnuas em [a, b] com
as operac oes de adic ao de vetores e multiplicac ao por escalar usuais, ou seja,
(f + g)(t) = f(t) + g(t) e (f)(t) = f(t),
para todo t [a, b] e R. Dena a seguinte aplicacao
f, g) =
_
b
a
f(t)g(t)dt,
onde f, g V (este e o produto interno canonico de C([a, b])). Vamos provar que , ) e um
produto interno. De fato, se f, g, h C([a, b]) e R, ent ao
i) f + g, h) =
_
b
a
[f +g](t)h(t)dt
=
_
b
a
[f(t) + g(t)]h(t)dt
=
_
b
a
[f(t)h(t) + g(t)h(t)]dt
=
_
b
a
f(t)h(t)dt +
_
b
a
g(t)h(t)dt
= f, h) +g, h).
ii) f, h) :=
_
b
a
(f)(t)h(t)dt =
_
b
a
f(t)h(t)dt =
_
b
a
f(t)h(t)dt =: f, h).
iii) f, h) :=
_
b
a
f(t)h(t)dt =
_
b
a
h(t)f(t)dt =: h, f).
iv) f, f) :=
_
b
a
f(t)f(t)dt =
_
b
a
f(t)
2
dt 0.
v) f, f) = 0 se, e somente se,
_
b
a
f(t)
2
dt = 0. Mas isto implica que f(t) = 0, para todo
t [a, b]. Logo, f 0. (ver item iv)) Aqui utilizamos o seguinte resultado para integrais:
Se e uma funcao contnua com (t) 0, para todo t [a, b] e
_
b
a
(t)dt = 0, entao 0.
Em particular, se f(t) = t e g(t) = 1, para todo t [0, 1], ent ao
f, g) :=
_
1
0
f(t)g(t)dt =
_
1
0
t 1dt =
_
1
0
tdt =
t
2
2

1
0
=
1
2
.
5
Obs 1.2. Quando nada for dito sobre o produto interno, estaremos usando o produto interno
canonico dos espacos vetoriais exemplicados acima.
Exemplo 1.4. Seja V = M(2 2, R) o espaco vetorial das matrizes 2 2 com entradas
reais. Entao denimos sobre V um produto interno por
A, B) = tr(B
t
A),
onde A, B V . Recorde que o traco de uma matriz quadrada M, denotado por tr(M), e a
soma dos elementos da diagonal principal da matriz M. Convidamos o aluno a vericar que,
de fato, esta funcao satisfaz a denic ao de produto interno.
Exemplo 1.5. Seja V = R
2
o espaco vetorial com adic ao de vetores e multiplicac ao por
escalar usuais. Dena , ) : R
2
R
2
R por (x
1
, x
2
), (y
1
, y
2
)) = 2x
1
y
1
+ x
2
y
2
. Ar-
mamos que , ) nao e um produto interno sobre R
2
. Com efeito, para v = (1, 0) R
2
,
temos que v, v) = (1, 0), (1, 0)) := (2)1 1 +0 0 = 2 < 0, e isto contradiz o item iv) da
Denic ao 1.1.
Obs 1.3. Podemos denir varios produtos internos sobre um espaco vetorial. Por exemplo,
sobre R
2
poderamos denir (a, b), (b, c)) = ac + bc + ad + 3bd. Verique!
1.2.1 Propriedades do Produto Interno
Vejamos algumas propriedades do produto interno que decorrem imediatamente de sua
denic ao.
Proposicao 1.1. Seja V um espaco vetorial sobre R com produto interno , ). Entao as
seguintes armacoes sao verdadeiras:
i) u, v) = u, v), para todos u, v V e todo R;
ii) 0, v) = v, 0) = 0, para todo v V ;
iii) u, v +w) = u, v) +v, w), para todos u, v, w V ;
iv) Se u, v) = 0, para todo v V , entao u = 0.
6
Demonstracao. Sejam u, v V . Entao u, v) = v, u) = v, u) = u, v), onde nestas
igualdades utilizamos os itens iii), ii), iii), da Denicao 1.1, respectivamente. Isto prova
o item i). Agora, mostremos que o item ii) e verdadeiro. De fato, usando o item i) e a
comutatividade da Denic ao 1.1, obtemos 0, v) = v, 0) = v, 0 0) = 0v, 0) = 0, para todo
v V, onde 0 R e o n umero zero e 0 V e o vetor nulo de V .
Vejamos a demonstrac ao do item iii). Sejam u, v, w V , ent ao
u, v + w) = v + w, u) = v, u) +w, u) = u, v) +u, w),
aqui usamos os itens iii), i), iii), da Denic ao 1.1, respectivamente. Por m, veriquemos
o item iv). Se u, v) = 0, para todo v V , ent ao u, u) = 0 (basta considerar v = u).
Utilizando a Denic ao 1.1, item v), obtemos que u = 0. Isto conclui a demonstrac ao.
Obs 1.4 (Propriedades em C). Os itens ii), iii) e iv) da Proposic ao 1.1 continuam sendo
validos em espacos vetoriais com produto interno sobre C, mas o item i) tem uma signicante
modicacao:
u, v) = u, v),
para todos u, v V e todo C. Pense nisso!!!
Exerccios de Fixacao
1. Considerando o espaco vetorial R
3
, calcular u, v) nos seguintes casos
i) u = (
1
2
, 2, 1) e v = (4, 1, 3);
ii) u = (2, 1, 0) e v = (4, 0, 2);
iii) u = (1, 1, 1) e v = (2, 1, 5).
2. Usando o produto interno canonico de C([0, 1]) no espaco vetorial formado por polinomios
de grau menor que ou igual a 2. Determine o produto escalar de:
i) f(t) = t e g(t) = 1 t
2
;
ii) f(t) = t
1
2
e g(t) =
1
2

_
t
1
2
_
.
3. Seja V um espaco vetorial e dena u, v) = 0, para todos u, v V. Prove que , ) e um
produto interno em V .
7
4. Seja V = R
2
. Sendo u = (1, 2) e v = (1, 1) R
2
, determine um vetor w deste espaco
tal que u, w) = 1 e v, w) = 3.
5. Sendo u = (x
1
, x
2
) e v = (y
1
, y
2
) R
2
, denamos
u, v) :=
x
1
y
1
a
2
+
x
2
y
2
b
2
,
com a, b R xos e nao-nulos. Prove que , ) e um produto interno.
6. Sejam u = (x
1
, x
2
) e v = (y
1
, y
2
) R
2
. Para quais valores de t R a funcao dada por
u, v) := x
1
y
1
+ tx
2
y
2
e um produto interno em R
2
.
7. Sejam f(t) = a
0
+ a
1
t + a
2
t
2
+ ... + a
n
t
n
e g(t) = b
0
+ b
1
t + b
2
t
2
+ ... + b
n
t
n
polinomios.
Dena f, g) = a
0
b
0
+ a
1
b
1
+ ... +a
n
b
n
. , ). Isto e um produto interno?
8. Seja V um espaco vetorial com produto interno , ). Entao (u, v) := u, v), R e
u, v V , e um produto interno sobre V ?
1.3 Norma de um Vetor
Agora, estenderemos o conceito de comprimento de um vetor, como visto no curso de Vetores
e Geometria Analtica para R
2
e R
3
, para um espaco vetorial abstrato.
1.3.1 Denicao de Norma
Denicao 1.2 (Norma). Seja V um espaco vetorial. Uma aplicac ao | | : V R que
satisfaz
i) |v| 0, para todo v V e |v| = 0 se, e somente se, v = 0;
ii) |v| = [[|v|, para todo v V e todo R;
iii) (Desigualdade Triangular) |u + v| |u| +|v|, para todos u, v V ,
e chamada norma sobre V . Quando munimos um espaco vetorial V de uma norma, dizemos
que V e um espaco normado.
8
Proposicao 1.2 (Norma sobre um Espaco Euclidiano). Seja V um espaco vetorial com
produto interno , ). Entao a aplicacao | | : V R, denida por |v| :=
_
v, v), e uma
norma sobre V. Neste caso, dizemos que a norma | | provem do produto interno , ).
Demonstracao. Vericaremos as condic oes estabelecidas Denic ao 1.2.
i) Seja v ,= 0. Ent ao, v, v) > 0, pela Denic ao 1.1. Logo, |v| =
_
v, v) > 0.
ii) Sejam v V e R. Entao, utilizamos a Denic ao 1.1 para conclurmos que
|v| =
_
v, v) =
_

2
v, v) =

2
_
v, v) = [[
_
v, v) = [[|v|.
iii) Vamos provar a desigualdade triangular. Note que
|u + v|
2
= u + v, u + v)
= u, u) + 2u, v) +v, v)
= |u|
2
+ 2u, v) +|v|
2
|u|
2
+ 2[u, v)[ +|v|
2
|u|
2
+ 2|u||v| +|v|
2
= (|u| +|v|)
2
,
onde na ultima desigualdade usamos o Teorema 1.1. Logo, pelo item i), |u+v| |u|+|v|,
para todo u, v V.
Em particular, temos os seguintes exemplos de espacos normados.
Exemplo 1.6 (Norma sobre R
2
). Seja V = R
2
conforme o exemplo 1.1. Assim, || : R
2
R,
dada por |(x, y)| =
_
(x, y), (x, y)) =
_
x
2
+ y
2
e uma norma.
Exemplo 1.7 (Norma em R
n
). Seja V = R
n
conforme exemplo 1.2. Assim, | | : R
n
R,
denida por
|(x
1
, x
2
, ..., x
n
)| =
_
(x
1
, x
2
, ..., x
n
), (x
1
, x
2
, ..., x
n
)) =
_
x
2
1
+x
2
2
+ ... + x
2
n
.
e uma norma
Exemplo 1.8 (Norma de func oes contnuas). Seja V = C([a, b]) conforme o exemplo 1.3.
Logo, | | : C([a, b]) R, dada por |f| =
_
f, f) =
__
b
a
[f(t)]
2
dt
_
1/2
, e uma norma.
9
Exemplo 1.9 (Nao-Norma). Seja V = R
2
. Dena | | : R
2
R por |(x, y)| = x
2
+ y
2
.
Ent ao | | nao e uma norma. Basta observar que |2(1, 0)| = |(2, 0)| = 2
2
+ 0
2
= 4 e, por
outro lado, [2[|(1, 0)| = 2|(1, 0)| = 2(1
2
+0
2
) = 2, de forma que |2(1, 0)| ,= [2[|(1, 0)|. Isto
contradiz o item ii) da Denic ao 1.2.
Denicao 1.3 (Vetor Unitario). Seja V um espaco vetorial normado. Dizemos que um vetor
v V e unitario se |v| = 1.
Podemos transformar qualquer vetor nao-nulo v V em um vetor unitario. Basta
escolher u =
v
|v|
. Para vericar a veracidade deste fato, basta utilizar o item ii) da Denicao
1.2 e obter |u| =
_
_
_
v
v
_
_
_ =

1
v

|v| =
1
v
|v| = 1. Em particular, temos os seguintes
exemplos.
Exemplo 1.10. Desde que |(1, 0)| =

1
2
+ 0
2
= 1 e |(1, 1)| =

1
2
+ 1
2
=

2, temos
que (1, 0) e um vetor unitario e (1, 1) nao. Para transformar (1, 1) em vetor unitario, basta
realizar o seguinte processo
(1,1)
(1,1)
=
(1,1)

2
=
_
1

2
,
1

2
_
.
Exemplo 1.11. Seja V = C([0, 1]) e sejam f(t) = 1 e g(t) = t. Desde que
|f| =
__
1
0
[f(t)]
2
dt
_
1/2
=
__
1
0
1dt
_
1/2
= 1
e
|g| =
__
1
0
[g(t)]
2
dt
_
1/2
=
__
1
0
t
2
dt
_
1/2
=
1

3
,
segue que f e um vetor unitario e g nao. Usando a observac ao acima, obtemos o vetor
unitario
g
|g|
=
t
1

3
=

3t.
Teorema 1.1 (Desigualdade de Cauchy-Schwarz). Seja V um espaco vetorial com produto
interno , ). Entao [u, v)[ |u||v|, para todos u, v V , onde |u| :=
_
u, u).
Demonstracao. Utilizaremos na demonstrac ao deste Teorema uma ferramenta auxiliar. De-
na f : R R por f(x) = |u xv|
2
. Observe que f(x) 0. Por outro lado, usando a
denic ao da aplicac ao | |, obtemos
f(x) = |uxv|
2
= uxv, uxv) = u, u) 2xu, v) +x
2
|v|
2
= |u|
2
2xu, v) +x
2
|v|
2
.
10
Logo, |u|
2
2xu, v) + x
2
|v|
2
0. Note que o graco de f e uma parabola, a qual esta
acima do eixo das abscissas (o vertice desta parabola pode tocar tal eixo). Portanto, impomos
que = 4u, v)
2
4|u|
2
|v|
2
0 (discriminante). Ou seja, u, v)
2
|u|
2
|v|
2
. Por m,
[u, v)[ |u||v| (aqui usamos

a
2
= [a[). O Teorema esta provado.
Obs 1.5. A desigualdade de Cauchy-Schwarz e valida para espacos vetoriais com produto
interno Hermitiano. Voce aluno esta convidado a provar esta armac ao. Sugestao: Use
y = xu, v) no lugar de x.
Exemplo 1.12. Seja V = C([0, 1]) com o produto interno canonico, denido no exemplo
1.3. Podemos mostrar que
__
1
0
f(t)g(t)dt
_
2

__
1
0
[f(t)]
2
dt
___
1
0
[g(t)]
2
dt
_
. Com efeito,
pela desigualdade de Cauchy-Schwarz, temos que [f, g)[ |f||g|, para todos f, g V .
Com isso, f, g)
2
|f|
2
|g|
2
. Usando as denicoes de , ) e | |, encontramos o resultado
desejado.
Exerccios de Fixacao
1. Sejam u, v V , onde V e um espaco vetorial com produto interno. Se |v|, |u| = 1, e
|u v| = 2, determine u, v), onde || e a norma que provem do produto interno.
2. Seja V um espaco vetorial formado pelos polinomios de grau menor que ou igual a 2
com o produto interno interno canonico para C([0, 1]). Calcular |f(t)| (| | e a norma que
provem do produto interno) nos seguintes casos:
i) f(t) = t;
ii) f(t) = t
2
+ 1.
3. Num espaco vetorial com produto interno provar que
i) |u| = |v| u + v, u v) = 0;
ii) |u + v|
2
= |u|
2
+|v|
2
se, e somente se, u, v) = 0.
4. Sejam u = (x
1
, x
2
) e v = (y
1
, y
2
) R
2
.
i) Mostrar que u, v) := x
1
y
1
2x
1
y
2
2x
2
y
1
+ 5x
2
y
2
dene um produto interno sobre R
2
;
ii) Determinar a norma de u = (1, 2) em relac ao ao produto interno usual e tambem em
relacao ao produto denido em i).
11
5. Considere o espaco R
3
. Determinar a R de maneira que |u| =

41, onde u = (6, a, 1)


e | | e a norma que provem do produto interno canonico.
6. Prove que a igualdade na Desigualdade de Cauchy-Schwarz e valida se, e somente se, os
vetores linearmente dependentes.
7. Sejam u = (1, 1, 0) e v = (0, 1, 2) R
3
. Determinar os vetores w R
3
tais que |w| = 1 e
u, w) = v, w) = 0.
8. Sejam u = (1, 2, 0, 1) e v = (3, 1, 4, 2) R
4
. Determinar u, v), |u| e |v|, onde | |
provem do produto interno canonico de R
4
.
9. Sabendo que |u| = 3, |v| = 5, com u e v elementos de um espaco vetorial com produto
interno, determine t R de maneira que u + tv, u tv) = 0.
1.4 Conclusao
Conclumos que num espaco vetorial com produto interno ha modos ecientes de manipular
seus elementos e possibilitando denir comprimentos e distancias.
1.5 Exerccios Propostos
1. Encontre um produto interno sobre R
2
tal que (1, 0), (0, 1)) = 2.
2. Dena (x
1
, y
1
), (x
2
, y
2
)) = 2x
1
x
2
x
1
y
2
x
2
y
1
+ 2y
1
y
2
. Mostre que este e um produto
interno sobre R
2
.
3. Seja V um espaco vetorial sobre R. Sejam , )
1
, , )
2
dois produtos internos sobre V.
Dena , )
3
= , )
1
+ , )
2
e , )
4
= , )
1
, onde > 0. Prove que , )
3
e , )
4
sao
produtos internos sobre V. Agora, , )
5
= , )
1
, )
2
dene um produto interno sobre V ?
4. Seja , ) o produto interno canonico de R
2
.
i) Sejam u = (1, 2) e v = (1, 1). Se w e um vetor tal que u, w) = 1 e v, w) = 3, encontre
w;
ii) Mostre que para qualquer vetor v R
2
, temos v = v, (1, 0))(1, 0) +v, (0, 1))(0, 1).
5. Seja , ) o produto interno canonico de R
2
e seja T : R
2
R
2
dado por T(x, y) = (y, x).
Mostre que (x, y), T(x, y)) = 0, para todo (x, y) R
2
. Encontre todos os produtos internos
sobre R
2
que satisfazem esta mesma propriedade.
12
6. Seja A uma matriz 2 2 com entradas reais. Para X, Y matrizes 2 1 dena a funcao
X, Y )
A
:= Y
t
AX, onde Y
t
e a transposta de Y. Mostre que , )
A
e um produto interno
sobre o espaco das matrizes 2 1 se, e somente se, A = A
t
, A
11
, A
22
, det(A) > 0, onde
A = (A
ij
).
7. Seja V um espaco vetorial com produto interno , ). Considere sobre V a norma que
provem do produto interno. Prove a seguinte identidade de polarizac ao:
u, v) =
1
4
|u + v|
2

1
4
|u v|
2
,
para todo u, v V.
8. Seja V um espaco com produto interno , ). A distancia entre os vetores u e v em V e
dada por d(u, v) := |u v|. Mostre que:
i) d(u, v) 0;
ii) d(u, v) = 0 se, e somente se, u = v;
iii) d(u, v) = d(v, u);
iv) d(u, v) d(u, w) + d(w, v).
9. Seja V um espaco vetorial com produto interno , ). Sejam u, v V . Mostre que u = v
se, e somente se, u, w) = v, w), para todo w V.
10. Seja V um espaco vetorial com produto interno , ). Seja U um espaco vetorial. Seja
T : U V uma transformac ao linear injetora. Mostre que x, y)
U
:= T(x), T(y))
V
e um
produto interno sobre U. Conclua que qualquer espaco vetorial com dimensao nita possui
um produto interno. Sugestao: Crie um isomorsmo entre um espaco vetorial de dimensao
n e R
n
.
11. Seja V um espaco vetorial com dimensao nita. Seja = v
1
, v
2
, ..., v
n
. Seja , ) um
produto interno sobre V. Sejam
1
,
2
, ...,
n
R. Mostre que existe exatamente um vetor
v V tal que v, v
i
) =
i
, para todo i = 1, 2, ..., n.
12. Seja V um espaco vetorial com produto interno , ). Considere sobre V a norma que
provem do produto interno. Prove a seguinte lei do paralelogramo
|u + v|
2
+|u v|
2
= 2(|u|
2
+|v|
2
),
para todo u, v V.
13
13. Use a Desigualdade de Cauchy-Schwarz em R
3
para mostrar que, dados os n umeros reais
estritamente positivos x
1
, x
2
, x
3
, vale a desigualdade:
(x
1
+ x
2
+ x
3
)
_
1
x
1
+
1
x
2
+
1
x
3
_
9.
Proxima Aula
Na sequencia ampliaremos a nocao de angulo entre vetores e a importancia de se ter conjuntos
nos quais seus elementos sao dois a dois perpendiculares. Utilizaremos um processo para
construir tais conjuntos.
14
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
15
Captulo 2
Ortogonalidade e Processo de
Gram-Schmidt
Meta
Mostrar para o aluno um algoritmo que fornece bases ortonormais a partir de bases ar-
bitrarias.
Objetivos
Ao nal desta aula, o aluno devera ser capaz de vericar a ortogonalidade entre elementos
de uma espaco vetorial bem como transformar uma base qualquer deste espaco numa base
ortonormal.
Pre-requisitos

Algebra Linear I.
16
2.1 Introducao
O fato de dotarmos um espaco vetorial com um produto interno permite-nos denir a estru-
tura de um conjunto ortogonal e toda sua importancia na simplicac ao da representacao de
um elemento deste espaco bem como na representac ao de transformacoes lineares sobre este
espaco atraves do uso de bases ortonormais. Nesse intuito, apresentamos um processo para
construir bases ortonormais.
2.2

Angulo entre Vetores e Ortogonalidade
Prezado aluno, nesta secao, mostraremos como estender a ideia de vetores ortogonais, vista
no curso de Vetores e Geometria Analtica para espacos vetoriais mais gerais. A Desigualdade
de Cauchy-Schwarz nos permite denir angulo entre dois vetores quaisquer em um espaco
vetorial com produto interno sobre R , ). Com efeito, se u e v sao elementos nao-nulos de
V , ent ao [u, v)[ |u||v| e assim
|u||v| u, v) |u||v| 1
u, v)
|u||v|
1. (2.1)
Consequentemente, existe [0, ] tal que cos =
u, v)
|u||v|
. Estabelecemos entao a seguinte
denic ao.
Denicao 2.1 (

Angulo entre vetores). Seja V um espaco vetorial com produto interno , ).


Sejam u, v V vetores nao-nulos. Denimos o angulo entre u e v por
= arccos
_
u, v)
|u||v|
_
.
Obs 2.1. Encontrar = arccos
_
u,v
uv
_
e equivalente a encontrar o n umero tal que
cos() =
u, v)
|u||v|
.
Obs 2.2. Quando V e um espaco vetorial com produto interno Hermitiano, o modulo de
u, v) (encontrado no Teorema 1.1) nao pode ser tratado como em (2.1), pois neste espaco,
[u, v)[ signica o modulo do n umero complexo u, v). Pense nisso!!!
17
Exemplo 2.1. Seja V = R
2
e sejam u = (1, 0) e v = (1, 1) vetores em V. Desde que
u, v) = (1, 0), (1, 1)) = 1, |u| =
_
(1, 0), (1, 0)) = 1 e |v| =
_
(1, 1), (1, 1)) =

2, segue
que cos() =
u, v)
|u||v|
=
1
1

2
=

2
2
. Logo, =

4
. Agora, para w = (0, 1), temos que
u, w) = (1, 0), (0, 1)) = 0 e |w| =
_
(0, 1), (0, 1)) = 1. Consequentemente, =

2
pois
cos() =
u, w)
|u||w|
=
0
1 1
= 0.
Exemplo 2.2. Sejam V = C([0, 1]) e f(t) = t, g(t) = 1 V .

E possvel calcular o angulo
entre f e g. Como visto no Exemplo, |f| =
1

3
e |g| = 1, e desde que f, g) =
_
1
0
tdt =
1
2
,
segue que = arccos
_
f, g)
|f||g|
_
= arccos
_
1
2
1

3
1
_
= arccos
_

3
2
_
=

6
.
2.2.1 Denicao de Vetores Ortogonais e Exemplos
Agora, estamos prontos para denir quando dois vetores em um espaco vetorial com produto
interno formam um angulo de 90
o
ou

2
radianos. Usando a Denic ao 2.1 e o fato que
[0, ], temos que
=

2
cos() =
u, v)
|u||v|
= 0 u, v) = 0.
Mais precisamente, podemos adicionar ao conte udo a seguinte
Denicao 2.2 (Vetores Ortogonais). Sejam u, v V . Dizemos que u e v sao ortogonais (ou
perpendiculares) se u, v) = 0. Denotamos este fato por u v.
Obs 2.3 (Ortogonalidade emC). Se V e um espaco vetorial com produto interno Hermitiano,
nao podemos denir angulo entre dois vetores como na Denicao 2.1 (ver observac ao 2.2).
Porem, podemos denir vetores ortogonais, neste espaco, como na Denic ao 2.2.
Teorema 2.1 (Teorema de Pitagoras). Seja V um espaco com produto interno , ) real.
Entao u, v) = 0 se, e somente se, |u + v|
2
= |u|
2
+|v|
2
, onde |u| :=
_
u, u).
Demonstracao. Suponhamos que u, v) = 0. Segue da Denic ao 1.1, itens i) e iii), que
|u+v|
2
= u+v, u+v) = u, u)+u, v)+v, u)+v, v) = |u|
2
+2u, v)+|v|
2
= |u|
2
+|v|
2
,
onde na ultima igualdade usamos a hipotese do Teorema.
18
Reciprocamente, consideremos que |u + v|
2
= |u|
2
+|v|
2
. Vimos acima que,
|u +v|
2
= |u|
2
+ 2u, v) +|v|
2
.
Portanto, das duas ultimas igualdades, inferimos que |u|
2
+ |v|
2
= |u|
2
+ 2u, v) + |v|
2
.
Cancelando os termos iguais desta igualdade, obtemos 2u, v) = 0. Por m, u, v) = 0, como
queramos demonstrar.
Obs 2.4. A recproca do Teorema de Pitagoras, isto e, u, v) = 0 |u +v|
2
= |u|
2
+|v|
2
nao e verdadeira no caso do produto interno ser Hermitiano. Tente justicar o por que!!!
Exemplo 2.3. Seja V = R
2
e consideremos os vetores u = (1, 1), v = (1, 0) e w = (0, 1).
Ent ao |u|
2
= (1, 1), (1, 1)) = 2, |v|
2
= (1, 0), (1, 0)) = 1 e |w|
2
= (0, 1), (0, 1)) = 1.
Assim sendo, |u|
2
= |v|
2
+|w|
2
e como u = v + w, segue pelo Teorema de Pitagoras (ver
Teorema 2.1) que v, w) = 0.
Exemplo 2.4. Seja V = C([1, 1]) e consideremos os elementos f(t) = t e g(t) = 1 em
V . Desde que |f|
2
= f, f) =
_
1
1
t
2
dt =
t
3
3

1
1
=
2
3
, |g|
2
= g, g) =
_
1
1
1dt = t[
1
1
= 2 e
f, g) =
_
1
1
tdt =
t
2
2

1
1
= 0, segue pelo Teorema de Pitagoras (ver 2.1) que
|f + g|
2
= |f|
2
+|g|
2
=
2
3
+ 2 =
8
3
.
2.2.2 Propriedades da Ortogonalidade
Vejamos algumas propriedades herdadas da denicao de ortogonalidade
Proposicao 2.1. Seja V um espaco vetorial com produto interno , ). Entao sao validas
as seguintes armacoes:
i) 0 v, para todo v V ;
ii) Se u v, entao v u;
iii) Se u v, para todo v V , entao u = 0, em palavras, o unico vetor que e ortogonal a
todos os vetores de V e o vetor nulo;
iv) Se u w e v w, entao (u + v) w;
19
v) Se u v, entao (u) v, para todo R.
Demonstracao. Os itens i) e iii) e uma reformula cao dos itens ii) e iv) da Proposic ao 1.1,
repectivamente. Verique! Vamos mostrar os demais itens.
ii) Se u v, ent ao u, v) = 0 e, consequentemente, v, u) = u, v) = 0. Nesta pen ultima
igualdade usamos a comutatividade da Denic ao 1.1. Com isso, v u.
iv) Se u w e v w, ent ao u, w) = 0 e v, w) = 0. Portanto, utilizando a Denic ao
1.1 (qual item?), obtemos (u + v), w) = u, w) +v, w) = 0 + 0 = 0. Assim, (u + v) w.
v) Se u v, ent ao, u, v) = 0. Logo, u, v) = u, v) = 0 = 0, novamente pela
Denic ao 1.1. Ou seja, (u) v, para todo R.
Exerccios de Fixacao
1. Achar o angulo entre os seguintes pares de vetores do R
3
:
i) u = (1, 1, 1) e v = (
1
2
, 1,
1
2
);
ii) u = (1, 1, 0) e v = (2, 1, 2).
2. Achar o cosseno do angulo entre u e v nos seguintes casos:
i) u = (1, 1, 1, 1) e v = (0, 0, 1, 1) com o produto interno canonica em R
4
;
ii) f(t) = 1 + t t
2
e g(t) = 3t
2
, com o produto interno canonico para C([0, 1]);
iii) A =
_
1 1
0 0
_
e B =
_
0 1
1 0
_
com o produto interno denido por A, B) = tr(A
t
B),
onde tr(X) = X
11
+ X
22
e A
t
e a matriz transposta de A.
3. Seja V um espaco vetorial com produto interno , ). Dados u, v V (v ,= 0) e =
u, v)
|v|
2
,
mostrar que (u v) v.
4. Determinar m R a m de que sejam ortogonais os vetores u = (1, m + 1, m) e v =
(m1, m, m + 1) do R
3
.
5. Mostrar que se u e v sao tais que |u + v| = |u v|, ent ao u v.
6. Em R
3
dena o produto interno u, v) := x
1
y
1
+ 2x
2
y
2
, onde u = (x
1
, x
2
) e v = (y
1
, y
2
).
Vericar se u v, em relacao a esse produto, nos seguintes casos:
20
i) u = (1, 1) e v = (2, 1);
ii) u = (2, 1) e v = (1, 1);
iii) u = (3, 2) e v = (2, 1).
7. Consideremos em V espaco formado pelos polinomios de grau menor ou igual a 2 com
o produto interno canonico de C([0, 1]). Nessas condic oes, para que valor m R temos
(f(t) = mt
2
1) (g(t) = t)?
8. Determinar todos os vetores do R
3
de norma igual a 2 que sejam ortogonais simultanea-
mente a (2, 1, 2) e (1, 3, 4).
2.3 Conjuntos Ortonormais
Prezados alunos, nesta sec ao, trabalharemos para que uma base qualquer de um espaco
vetorial com produto interno seja transformada em outra base, onde os respectivos vetores sao
dois a dois ortogonais e cada vetor, isoladamente, seja unitario. Esta nova base facilita, em
muitos casos, as demonstrac oes dos resultados que estao por vir e os calculos que aparecerao
em varios exerccios deste material.
2.3.1 Denicao e Exemplos
Denicao 2.3. Seja V um espaco vetorial com produto interno , ). Dizemos que um
subconjunto X V e ortonormal se
i) u v, para todos u, v X distintos;
ii) todo vetor de X e unitario, isto e, |v| = 1, para todo v X.
Obs 2.5 (Conjunto Ortogonal). Quando um subconjunto X satisfaz o item i) dizemos que
X e um conjunto ortogonal.
Obs 2.6. Note que X na Denicao 2.3 nao precisa ser subespaco de V .
Exemplo 2.5. A base canonica de R
2
, X = (1, 0), (0, 1), e um conjunto ortonormal, pois
(1, 0), (0, 1)) = 0, |(1, 0)| = |(0, 1)| = 1. O subconjunto Y = (1, 1), (1, 1) e ortogonal,
mas nao e ortonormal. De fato, (1, 1), (1, 1)) = 1 1 = 0 e |(1, 1)| =

2 ,= 1.
21
Exemplo 2.6. O subconjunto X = 1, 3t
2
1 e um conjunto ortogonal, mas nao ortonor-
mal, pois 1, 3t
2
1) =
_
1
0
[3t
2
1]dt = 0, porem
|3t
2
1| =
__
1
0
(3t
2
1)
2
dt
_
1/2
=
__
1
0
(9t
4
6t
2
+ 1)dt
_
1/2
=
9
5
1 ,= 1.
Exemplo 2.7. Seja R
n
. A base canonica de R
n
, X = (1, 0, ..., 0), (0, 1, 0, ..., 0), ..., (0, ..., 1),
e um conjunto ortonormal de R
n
. Para vericar esta armacao siga os mesmos passos do
exemplo 2.5.
Denicao 2.4 (Base Ortonormal). Seja V um espaco vetorial com produto interno e di-
mensao nita. Uma base de V e dita ortonormal se esta for um conjunto ortonormal. Ou
equivalentemente, se v
1
, v
2
, ..., v
n
e base de V , ent ao
v
i
, v
j
) =
_
1, se i = j;
0, se i ,= j.
Exemplo 2.8 (Base Ortonormal de R
2
). Vimos no exemplo 2.5 que a base canonica de R
2
e uma base ortonormal.
Exemplo 2.9 (Base Ortonormal em R
n
). O conjunto X do exemplo 2.7 e uma base ortonor-
mal de R
n
.
Exemplo 2.10 (Base Nao-ortonormal). O conjunto Y do exemplo 2.5 e uma base. Porem
nao e ortonormal.
2.3.2 Processo de Gram-Schmidt
A pergunta que surge, neste momento, e: sempre existe uma base ortonormal para qualquer
espaco vetorial com produto interno e dimensao nita? A resposta e armativa. O proximo
resultado garante esta resposta ao armar que qualquer base de um espaco vetorial pode ser
convertida numa base ortogonal. Normalizando os vetores dessa nova base, obtemos uma
base ortonormal.
Teorema 2.2 (Teorema de Gram-Schmidt). Seja V um espaco vetorial com produto interno
, ) e dimensao nita n > 0. Seja = v
1
, v
2
, ..., v
n
uma base de V. Entao existe uma base
22
ortogonal = u
1
, u
2
, ..., u
n
de V , onde u
1
= v
1
e
u
j
= v
j

j1

i=1
v
j
, u
i
)
|u
i
|
2
u
i
(2.2)
para todo j = 2, , n.
Demonstracao. Faremos a prova por induc ao sobre n. Se n = 1, entao tomamos simples-
mente u
1
= v
1
. Considere agora n > 1 e suponhamos que todo espaco vetorial de dimensao
n 1 possui uma base ortogonal nos moldes do teorema. Assim, se v
1
, v
2
, ..., v
n
e base de
V entao u
1
, u
2
, ..., u
n1
satisfaz a expressao 2.2 e nos resta vericar que
u
n
= v
n

n1

i=1
v
n
, u
i
)
|u
i
|
2
u
i
(2.3)
e nao-nulo e ortogonal aos demais elementos u
1
, u
2
, ..., u
n1
. Ora, se u
n
= 0, ent ao a expressao
2.3 implica que os elementos v
1
, v
2
, ..., v
n
sao linearmente dependentes, o que e impossvel,
pois este conjunto e uma base de V . Logo, u
n
,= 0.
Agora, como
u
n
, u
j
) =
_
v
n

n1

i=1
v
n
, u
i
)
|u
i
|
2
u
i
, u
j
_
= v
n
, u
j
)
_
n1

i=1
v
n
, u
i
)
|u
i
|
2
u
i
, u
j
_
= v
n
, u
j
)
n1

i=1
v
n
, u
i
)
|u
i
|
2
u
i
, u
j
)
= v
n
, u
j
) v
n
, u
j
)
= 0,
para todo j = 1, ..., n 1,, segue que u
n
u
j
, para todo j = 1, 2, ..., n 1. N ante-
pen ultima igualdade usamos o fato que u
1
, u
2
, ..., u
n1
e um conjunto ortogonal. Logo,
= u
1
, u
2
, ..., u
n
e uma base ortogonal de V e isto conclui a prova.
Caro aluno, vejamos, em exemplos, como aplicar o Processo de Gram-Schmidt.
23
Exemplo 2.11. Seja V = R
3
e consideremos a base
= v
1
= (1, 1, 0), v
2
= (2, 0, 1), v
3
= (2, 2, 1)
(realmente e base? Verique!). Ent ao seguindo o Processo de Gram-Schmidt temos que
u
1
= v
1
= (1, 1, 0) e
u
2
= v
2

v
2
, u
1
)
|u
1
|
2
u
1
= (2, 0, 1)
2
2
(1, 1, 0)
= (1, 1, 1).
Finalmente,
u
3
= v
3

v
3
, u
1
)
|u
1
|
2
u
1

v
3
, u
2
)
|u
2
|
2
u
2
= (2, 2, 1)
4
2
(1, 1, 0)
1
3
(1, 1, 1)
=
_

1
1
,
1
3
,
2
3
_
.
Logo, =
_
u
1
= (1, 1, 0), u
2
= (1, 1, 1), u
3
=
_

1
1
,
1
3
,
2
3
__
e uma base ortogonal de R
3
obtida a partir da base . Se quisessemos uma base ortonormal, multiplicaramos cada
elemento da base pelo inverso de sua respectiva norma. Assim,
=
_
1

2
(1, 1, 0),
1

3
(1, 1, 1),
_
2
3
_

1
1
,
1
3
,
2
3
_
_
Exemplo 2.12. Seja V = T
2
(R) = a
0
+ a
1
x + a
2
x
2
: a
0
, a
1
, a
2
R o espaco vetorial
dos polinomios com coecientes reais de grau menor que ou igual a 2, e tomemos sobre
ele o produto interno do exemplo 1.3 para o espaco C([0, 1]). Seja = 1, x, x
2
a base
canonica de P
2
(R) (Verique que e base!). Vamos ortonormalizar atraves do Processo de
Gram-Schmidt. Sejam v
1
= 1, v
2
= x e v
3
= x
2
. Assim, u
1
= 1,
u
2
= v
2

v
2
, u
1
)
|u
1
|
2
u
1
= x
x, 1)
1
1
24
= x
1
2
e
u
3
= v
3

v
3
, u
1
)
|u
1
|
2
u
1

v
3
, u
2
)
|u
2
|
2
u
2
= x
2

x
2
, 1)
1
1
x
2
, x
1
2
)
x
1
2
, x
1
2
)
_
x
1
2
_
= x
2

1
3

_
x
1
2
_
= x
2
x +
1
6
.
Logo, = u
1
= 1, u
2
= x
1
2
, u
3
= x
2
x +
1
6
e uma base ortogonal de T
2
(R). Complete
as contas para determinar uma base ortonormal.
Obs 2.7 (Comunicado). Dedicados alunos, o Processo de Gram-Schmidt e de grande valia
para o nosso curso. Portanto, sugiro que voces pratiquem bastante como encontrar uma base
ortonormal atraves deste.
A proposicao abaixo mostra um outro caminho de vericar se um conjunto nito e lin-
earmente independente. Mais precisamente,
Proposicao 2.2. Seja V um espaco vetorial com produto interno , ). Entao todo conjunto
ortogonal X V tal que 0 , X e linearmente independente.
Demonstracao. Sejam v
1
, v
2
, ..., v
m
vetores em X e consideremos a combina cao linear nula

1
v
1
+
2
v
2
+ ... +
m
v
m
= 0. Devemos mostrar que a unica soluc ao para essa equacao e

1
=
2
= ... =
m
= 0. Ent ao
1
v
1
+
2
v
2
+ ... +
m
v
m
, v
1
) = 0, v
1
) = 0, nesta ultima
desigualdade usamos a Proposicao 1.1. Como X e um conjunto ortogonal, ent ao v
i
, v
j
) = 0
sempre que i ,= j (ver observac ao 2.5). Atraves das propriedades da Proposicao 1.2, obtemos
0 =
1
v
1
, v
1
) +
2
v
2
, v
1
) + ... +
m
v
m
, v
1
) =
1
v
1
, v
1
). (2.4)
Mas v
1
, v
1
) > 0, pois 0 , X (ver Denicao 1.1). Portanto, de (2.4), conclumos que
1
= 0.
Analogamente, prova-se que
2
,
3
, ...,
m
= 0. Isto garante que X e l.i..
Obs 2.8. Se X e um conjunto ortogonal de V com n vetores, onde dimV = n (dimensao de
V ), ent ao pela Proposic ao 2.2 temos que X e uma base de V (pois, X e l.i.).
25
Exemplo 2.13. O conjunto X = (1, 1), (1, 1) e l.i., pois X e ortogonal (ver exemplo
2.5). Usando a observac ao 2.8, X e uma base de R
2
, ja que dimR
2
= 2.
Exerccios de Fixacao
1. Ortonormalizar a base (1, 1, 1), (1, 1, 1), (1, 0, 1) do R
3
, pelo Processo de Gram-
Schmidt.
2. Seja W = (x, y, z) : x 2y = 0. Determinar uma base ortonormal de W.
3. Seja V o espaco formado pelos polinomios de grau menor ou igual a 2 munido pelo produto
interno canonico de C([0, 1]). Ortonormalizar utilizando o Processo de Gram-Schmidt a base
canonica 1, t, t
2
.
4. Determinar uma base ortonormal de cada um dos seguintes subespacos do R
4
utilizando
o Processo de Gram-Schmidt:
i) W = [(1, 1, 0, 0), (0, 1, 2, 0), (0, 0, 3, 4)];
ii) W = [(2, 0, 0, 0), (1, 3, 3, 0), (3, 3, 3, 0)].
5. Determinar uma base ortonormal do subespaco
W = (x, y, z, t) : x y z = 0 e z 2t = 0.
6. Determinar uma base ortonormal do subespaco W = [(1, 1, 1), (1, 2, 3)] em relac ao ao
produto interno dado por u, v) := x
1
y
1
+ 2x
2
y
2
+ x
3
y
3
, u = (x
1
, x
2
, x
3
) e v = (y
1
, y
2
, y
3
).
2.4 Conclusao
A denicao de angulo entre elementos de um espaco vetorial arbitrario atraves de um produto
interno permite trabalharmos com conjuntos ortonormais e, mais especicamente, com bases
ortonormais, simplicando a forma de representar os elementos deste espaco.
26
2.5 Exerccios Propostos
1. Considere agora o espaco vetorial C([, ]) com o produto interno canonico. Mostre
que 1, sen t, cos t, sen 2t, cos 2t, ... e um conjunto ortogonal. Este conjunto e ortonormal?
2. Sejam V um espaco vetorial com produto interno , ) e = v
1
, v
2
, ..., v
n
uma base
ortonormal de V . Sejam u, v V tais que
u = x
1
v
1
+ x
2
v
2
+... + x
n
v
n
e v =
1
v
1
+
2
v
2
+ ... +
n
v
n
.
Mostre que
i) v = v, v
1
)v
1
+v, v
2
)v
2
+ ... +v, v
n
)v
n
.;
ii) u, v) = u, v
1
)v, v
1
) +u, v
2
)v, v
2
) + ... +u, v
n
)v, v
n
);
iii) |u|
2
= u, v
1
)
2
+u, v
2
)
2
+ ... +u, v
n
)
2
.
3. Seja R
4
com o produto interno canonico. Seja W o subespaco de R
4
consistindo de todos
os vetores que sao ortogonais aos vetores u = (1, 0, 1, 1) e v = (2, 3, 1, 2). Encontre uma
base ortonormal para W.
4. Use o Processo de Gram-Schmidt aos vetores u = (1, 0, 1), v = (1, 0, 1) e w = (0, 3, 4),
para obter uma base ortonormal de R
3
.
5. Seja V um espaco vetorial com produto interno , ). Seja W um subespaco de V. Seja
v
1
, v
2
, ..., v
n
uma base ortonormal de W. Mostre que v V , vale a desigualdade de
Bessel
n

j=1
v, v
j
)
2
|v|
2
.
6. Seja T : V V um operador linear sobre um espaco vetorial V de dimensao nita
com produto interno , ). Ent ao se [T]

= (A
ij
) com relac ao a uma base ortonormal
= v
1
, v
2
, ..., v
n
, prove que A
ij
= Tv
j
, v
i
).
7. Determinar uma base ortonormal do subespaco W de R
3
dado por
W = (x, y, z) : x y = 0.
8. Seja v
1
, v
2
, v
3
base ortonormal de R
3
, denem-se os cossenos diretores de u em relac ao
`a base dada por cos =
u, v
1
)
|u|
, cos =
u, v
2
)
|u|
e cos =
u, v
3
)
|u|
. Provar que:
i) u = |u|((cos )v
1
+ (cos )v
2
+ (cos )v
3
);
27
ii) cos
2
+ cos
2
+ cos
2
= 1.
Proxima Aula
A seguir mostraremos como decompor um espaco vetorial numa soma direta de dois sub-
espacos.
28
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
29
Captulo 3
Complemento e Projecao Ortogonal
Meta
Mostrar para o aluno que a nocao de ortogonalidade possibilita decompor o espaco vetorial
numa soma de dois subespacos.
Objetivos
Ao nal desta aula, o aluno dever a ser capaz decompor um espaco vetorial de forma conve-
niente como soma direta entre um subespaco e seu complemento.
Pre-requisitos

Algebra Linear I
30
3.1 Introducao
A nocao de complemento ortogonal de um subconjunto de um espaco vetorial com produto
interno, permite decompor este espaco como soma direta entre um subespaco e seu com-
plemento ortogonal. Este fato possibilita uma melhor compreensao da estrutura de espacos
vetoriais com produto interno.
3.2 Complemento Ortogonal
Caro aluno, nesta secao, discutiremos uma forma conveniente de decompor um espaco veto-
rial em soma direta de dois subespacos.
3.2.1 Denicao e Exemplos
Denicao 3.1. Seja V um espaco vetorial com produto interno , ). Seja U V um sub-
conjunto qualquer. Denimos o complemento ortogonal de U em V como sendo o conjunto
U

= v V : v, u) = 0, para todo u U.
Exemplo 3.1. Vamos encontrar o complemento ortogonal do conjunto U = (1, 1) em
R
2
. Seja v = (x, y) U

qualquer. Ent ao v, (1, 1)) = 0 implica que (x, y), (1, 1)) = 0,
e da x y = 0. Dessa forma v = (x, y) = (y, y) = y(1, 1) e U

= v = (x, y) R
2
:
(x, y), (1, 1)) = 0 = y(1, 1) : y R = [(1, 1)]. Portanto, U

= [(1, 1)], onde [(1, 1)]


signica o espaco gerado pelo subconjunto (1,1).
Exemplo 3.2. Seja U = (x, y, 0) : x, y R. Para determinarmos U

tomemos um
elemento arbitrario v = (a, b, c) U

. Ent ao de v, (x, y, 0)) = 0 (ver exemplo 1.2), podemos


concluir que (a, b, c), (x, y, 0)) = 0, para todo x, y R. Ou seja, ax + by = 0, para todo
x, y R. Em particular, fazendo x = 1 e y = 0, temos que a = 0, e para x = 0 e y = 1,
obtemos b = 0. Dessa forma, v = (a, b, c) = (0, 0, c) = c(0, 0, 1). Portanto, U

= [(0, 0, 1)].
Note que U nao, necessariamente, e um subespaco de V , mas o que podemos armar
sobre U

? Nos exemplos 3.1 e 3.2, encontramos um subespaco para o conjunto U

. A
pergunta que surge e: isto e sempre verdade? A resposta e armativa.
31
Proposicao 3.1. Seja V um espaco vetorial com produto interno , ). Entao U

e um
subespaco de V .
Demonstracao. Com efeito, primeiramente, note que 0 U

, pois 0, u) = 0, para todo


u U (ver Proposic ao 1.1). Em seguida, sejam v, w U

e R. Logo, v, u) = 0 e
w, u) = 0, para todo u U. Consequentemente,
v + w, u) = v, u) + w, u) = 0 + 0 = 0,
para todo u U, ver Denic ao 1.1. Ou seja, v+w U

. Isto prova que U

e um subespaco
de V.
3.2.2 Resultado Importante
Prezado aluno, no caso em que U e um subespaco de dimensao nita, o Teorema a seguir
nos permite denir projec ao ortogonal.
Teorema 3.1. Seja V um espaco vetorial com produto interno , ) e seja U um subespaco
de dimensao nita de V . Entao
V = U U

, isto e, V = U + U

e U U

= 0.
Demonstracao. Inicialmente, provemos que U U

= 0. Ora, se v U U

, ent ao
v U e v U

. Usando a Denic ao 3.1, temos que v, u) = 0, para todo u U. Como


v U, entao, em particular, v, v) = 0. Usando a Denicao 1.1, concluimos que v = 0.
Logo, U U

= 0. Agora, vericaremos que V = U + U

. Como dimU e nita,


segue do Teorema 2.2 que existe uma base ortonormal = u
1
, u
2
, ..., u
m
de U. Seja
v V um vetor qualquer. Provaremos que v e a soma de um vetor de U com um vetor de
U

. Para isso, escolha u =


m

i=1
v, u
i
)u
i
U. Vimos na demonstracao do Teorema 2.2 que,
v u, u
j
) = 0, para todo j = 1, 2, ..., m. Para comodidade do leitor, faremos a prova desta
armac ao novamente.
v u, u
j
) = v, u
j
) u, u
j
)
= v, u
j
)
_
m

i=1
v, u
i
)u
i
, u
j
_
32
= v, u
j
)
m

i=1
v, u
i
)u
i
, u
j
)
= v, u
j
) v, u
j
) = 0,
pois e ortonormal. Consequentemente, v u U

. Mas, v = u + (v u), onde u U e


v u U

. Isto prova que V = U +U

. Portanto, V = U U

.
Obs 3.1. Sob as hipoteses do Teorema 3.1, temos que dimV = dimU + dimU

, pois
V = U U

.
Exemplo 3.3. No exemplo 3.2, vimos que para o subespaco U = (x, y, 0) : x, y R temos
U

= [(0, 0, 1)]. O Teorema 3.1, nos garante que R


3
= (x, y, 0) : x, y R [(0, 0, 1)].
3.2.3 Projecao Ortogonal
Denicao 3.2. Seja v V = U U

. Denimos, a projec ao ortogonal de v em U como


sendo o vetor u tal que v = u + u

, com u U, u

. Denotamos isto por P


U
(v) = u.
Obs 3.2. Quando nao houver possibilidade de confusao com o subespaco U, escreveremos,
simplesmente, P(v) = P
U
(v).
Obs 3.3 (Como Encontrar P(v)). Vimos na demonstracao do Teorema 3.1 que
P
U
(v) = u =
m

i=1
v, u
i
)u
i
= v, u
1
)u
1
+v, u
2
)u
2
+ ... +v, u
m
)u
m
,
onde u
1
, u
2
, ..., u
m
e uma (nao importa qual) base ortonormal de U.
Exemplo 3.4. Seja U = (x, y, 0) : x, y R. Vamos encontrar a projec ao ortogonal de
(1, 1, 1) em U. Desde que
U = (x, 0, 0) + (0, y, 0) : x, y R
= x(1, 0, 0) + y(0, 1, 0) : x, y R
= [(1, 0, 0), (0, 1, 0)],
segue que U e subespaco de R
3
e dimU = 2. Alem disso, u
1
= (1, 0, 0), u
2
= (0, 1, 0) e
uma base ortonormal de U. Logo, usando a observac ao 3.3, obtemos
P(1, 1, 1) = (1, 1, 1), u
1
)u
1
+(1, 1, 1), u
2
)u
2
33
= (1, 1, 1), (1, 0, 0))(1, 0, 0) +(1, 1, 1), (0, 1, 0))(0, 1, 0)
= (1, 1, 0).
Obs 3.4. No exemplo 3.4, a base encontrada para U e ortonormal. Nem sempre isso ocorre!
Quando encontrarmos uma base, a qual nao e ortonormal, devemos, primeiramente, aplicar
o Processo de Gram-Schmidt para ortonormaliza-la e, depois do processo realizado, procu-
rarmos a projecao ortogonal usando a observac ao 3.3. Veja o exemplo a seguir.
Exemplo 3.5. Sejam V = R
2
e U = [(1, 1), (0, 1)] um subespaco. Entao = (1, 1), (0, 1)
e uma base de nao ortonormal de U. Vamos encontrar P(1, 2). Para isso, precisamos de
uma base ortonormal de U. Convidamos o leitor a utilizar o processo de Gram-Schmidt para
vericar que =
_
u
1
=
_
1

2
,
1

2
_
, u
2
=
_

2
2
,

2
2
__
e uma base ortonormal de U. Logo,
pela observacao 3.3,
P(1, 2) = (1, 2), u
1
)u
1
+(1, 2), u
2
)u
2
=
_
(1, 2),
_
1

2
,
1

2
___
1

2
,
1

2
_
+
_
(1, 2),
_

2
2
,

2
2
___

2
2
,

2
2
_
= (1, 2).
Denicao 3.3 (Aplicacao Projec ao Ortogonal). Sob as mesmas hipoteses do Teorema 3.1
denimos a projec ao ortogonal de V em U como sendo a func ao P : V U que associa
cada v V ao vetor P
U
(v) (projec ao de v em U).
Proposicao 3.2 (Linearidade da Projecao Ortogonal). Considere que estamos sob as mes-
mas hipoteses do Teorema 3.1. Entao a projecao ortogonal de V em U e uma aplicacao
linear.
Demonstracao. Sejam v
1
, v
2
V . Como V = U U

, entao existem unicos u


1
, u
2
U e
u

1
, u

2
U

tais que v
1
= u
1
+ u

1
e v
2
= u
2
+ u

2
. Portanto, para R, temos que
v
1
+v
2
= (u
1
+ u
2
) + (u

1
+ u

2
),
onde u
1
+ u
2
U e u

1
+ u

2
(esta e a unica maneira de escrever v
1
+ v
2
, ver Teorema
3.1), pois U e U

sao subespacos de V (ver Teorema 3.1 e Proposic ao 3.1). Com isso,


P(v
1
) = u
1
, P(v
2
) = u
2
e P(v
1
+ v
2
) = u
1
+ u
2
.
34
Dessa forma,
P(v
1
+ v
2
) = u
1
+u
2
= P(v
1
) + P(v
2
),
isto e, P(v
1
+ v
2
) = P(v
1
) + P(v
2
), ou seja, P e linear.
Exemplo 3.6. Seja U = (x, y, 0) : x, y R. Vamos encontrar a projec ao ortogonal de R
3
em U. Vimos no exemplo 3.4 que U = [(1, 0, 0), (0, 1, 0)] e u
1
= (1, 0, 0), u
2
= (0, 1, 0) e
uma base ortonormal de U. Logo, usando a observac ao 3.3, obtemos
P(x, y, z) = (x, y, z), u
1
)u
1
+(x, y, z), u
2
)u
2
= (x, y, z), (1, 0, 0))(1, 0, 0) +(x, y, z), (0, 1, 0))(0, 1, 0)
= x(1, 0, 0) + y(0, 1, 0)
= (x, y, 0).
Logo, P(x, y, z) = (x, y, 0) dene a projec ao ortogonal de R
3
em U
Exerccios de Fixacao
1. Achar uma base do subespaco V

, onde V = [(1, 0, 1, 1), (1, 1, 2, 0)]. Ortonormalize esta


base.
2. Determinar a projec ao ortogonal de u = (1, 1) no subespaco U = [(1, 3)].
3. Achar a projecao ortogonal de (1, 1, 1, 1) no subespaco U = [(1, 1, 0, 0), (0, 0, 1, 1)].
4. Determinar a projec ao ortogonal de f(t) = 2t 1 no subespaco U = [t], em relac ao ao
produto interno canonico de C([0, 1]).
5. Determinar uma base ortonormal de U

, onde U = (x, y, z, t) : x +y = 0 e 2x +z = y.
6. Seja V o espaco formado pelos polinomios de grau menor que ou igual a 2 com o produto
interno canonico de C([0, 1]).
i) Ortonormalize 1, 1 + t, 2t
2
;
ii) Achar o complemento ortogonal do subespaco U = [5, 1 + t].
7. Mostre que a projec ao ortogonal, P : V U, de V em U satisfaz:
i) P
2
:= P P = P;
ii) ker(P) = U

(n ucleo de P) e Im(P) = U;
35
iii) V = ker(P) Im(P).
8. Seja u = (1, 1, 1, 1). Encontre u

. Determine uma base ortonormal para u

.
3.3 Conclusao
Nesta aula conclumos que e sempre possvel decompor um espaco vetorial com produto
interno e dimensao nita numa soma de dois subespacos, e assim denir uma projec ao
ortogonal sobre este espaco.
3.4 Exerccios Propostos
1. Seja V o espaco vetorial formado pelos polinomios com grau 3. Equipe V com o produto
interno f, g) =
_
1
0
f(t)g(t)dt.
i) Encontre o complemento ortogonal do subespaco formado pelos polinomios constantes;
ii) Aplique o processo de Gram-Schmidt `a base 1, x, x
2
, x
3
.
2. Seja V o espaco vetorial de toads as matrizes n n com entradas reais. Verique que
A, B) = tr(AB
t
), onde tr(X) = X
11
+ X
22
+ ... + X
nn
(traco de X), e um produto interno
sobre V . Encontre o complemento ortogonal do subespaco formado pelas matrizes diagonais.
3. Seja V um espaco vetorial com produto interno , ). Seja W um subespaco de V com
dimensao nita. Seja P a projec ao ortogonal de V em W. Mostre que P(u), v) = u, P(v)),
para todos u, v V .
4. Consideremos o espaco vetorial C([1, 1]) munido com o produto interno canonico. Seja
P C([1, 1]) o subespaco formado por todas as func oes pares e I C([1, 1]) o subespaco
formado pelas func oes mpares. Mostre que P

= I.
5. Mostre que se U for um subespaco de dimensao innita de um espaco vetorial V com
produto interno , ), ent ao nao e verdade, em geral, que V = U U

. Portanto, se reti-
rarmos a hipotese de dimensao nita do subespaco, no Teorema 3.1, o Teorema deixa de ser
verdadeiro.
Sugestao: Considere que V = l
2
(R) =
_
(x
n
) R :

n=1
x
2
n
<
_
com o produto interno
36
(x
n
), (y
n
)) :=

n=1
x
n
y
n
(verique!). Seja U = [(1, 0, ...), (0, 1, 0, ...), ..., (0, 0, ..., 1, 0, ...), ...].
Prove que U

= (0, 0, ...). Para concluir, mostre que V ,= U.


6. Seja W = [(3, 4)]. Seja , ) o produto interno canonico de R
2
. Encontre a projec ao
ortogonal P de R
2
em W, a matriz de P (em relacao `a base canonica), W

, uma base
ortonormal tal que [P]

=
_
1 0
0 0
_
.
7. Sejam U
1
, U
2
subespacos de dimensao nita de um espaco vetorial com produto interno
, ). Mostre que (U
1
+ U
2
)

= U

1
U

2
e (U
1
U
2
)

= U

1
+ U

2
.
8. Seja V um espaco vetorial com produto interno , ). Seja U um subespaco de dimensao
nita de V. Entao, para cada v V , tem-se
|v P(v)| |v u|,
para todo u U, em palavras, P(v) e o vetor de menor distancia a v.
9. Seja V um espaco vetorial com produto interno , ). Seja U V. Mostre que [U] U

,
onde [U] e o subespaco gerado por U e U

= (U

. Prove que se V tem dimensao nta,


ent ao [U] = U

. Conclua que se V tem dimensao nta e U e subespaco de V , entao


U = U

.
Proxima Aula
Na aula seguinte mostramos que todo funcional linear pode ser representado por um produto
interno e, a partir da, construiremos um operador linear importante, dito operador adjunto.
37
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
38
Captulo 4
A Adjunta de um Operador Linear
Meta
Mostrar para o aluno a construc ao de uma aplicacao linear importante, chamada de aplicac ao
adjunta.
Objetivos
Ao nal da aula, o aluno deve ser capaz de representar um funcional linear na forma de um
produto interno e calcular a adjunta de uma aplicac ao linear.
Pre-requisitos

Algebra Linear I
39
4.1 Introducao
A denicao de operador linear adjunto permitira, adiante, uma classicacao de operadores
lineares. A construc ao da adjunta de uma transformac ao linear e baseada no fato que para
cada funcional linear esta associado a um elemento do espaco vetorial, de forma que este
funcional e representado por um produto interno.
4.2 Adjunta de um Operador Linear
Caro aluno, nesta aula, mostraremos como, em alguns casos, e possvel obter, a partir de
um operador linear, uma aplicac ao linear chamada Adjunta. Veremos que propriedades este
novo operador satisfaz. A adjunta sera responsavel pela denicao de operadores de grande
relevancia para a

Algebra Linear.
4.2.1 Denicao e Exemplos
O Teorema a seguir caracteriza todos os funcionais lineares reais sobre um espaco vetorial
com produto interno e dimensao nita. Antes de enunci a-lo relembre a denic ao de funcional
linear real.
Denicao 4.1 (Funcional Linear). Seja V um espaco vetorial. Dizemos que uma aplicac ao
f : V R e um funcional linear se f(u + v) = f(u) + f(v), para todos u, v V e todo
R. O conjunto V

= f : V R : f e linear e um espaco vetorial chamado espaco dual


de V.
Exemplo 4.1. A aplicac ao f : R
2
R, dada por f(x, y) = 2x + y, e um exemplo de
funcional linear.
Seja V um espaco com produto interno e seja w V . A func ao g : V R denida por
g(v) = v, w), para todo v V , e linear (justique!). O proximo resultado expressara o fato
que se V e um espaco de dimensao nita, ent ao todo funcional linear sera desta forma.
Teorema 4.1 (Teorema da Representa cao de Riesz). Seja V um espaco vetorial com produto
interno , ) e dimensao nita. Dado um funcional linear f : V R, existe unico v V tal
que f(u) = u, v), para todo u V.
40
Demonstracao. Pelo Teorema 2.2, sabemos que existe uma base ortonormal de V . Digamos
que v
1
, v
2
, ..., v
n
e esta base. Dado u V , pela denicao de base, temos que
u =
1
v
1
+
2
v
2
+ ... +
n
v
n
.
Note que
u, v
1
) =
1
v
1
+
2
v
2
+ ... +
n
v
n
, v
1
).
Portanto, pela Denc ao 2.4,
u, v
1
) =
1
v
1
, v
1
) +
2
v
2
, v
1
) + ... +
n
v
n
, v
1
) =
1
.
Analogamente, prova-se que
i
= u, v
i
), para todo i = 1, 2, ..., n. Assim sendo,
u = u, v
1
)v
1
+u, v
2
)v
2
+ ... +u, v
n
)v
n
.
Consequentemente, usando a Denic ao 4.1,
f(u) = f(u, v
1
)v
1
+u, v
2
)v
2
+ ... +u, v
n
)v
n
)
= u, v
1
)f(v
1
) +u, v
2
)f(v
2
) + ... +u, v
n
)f(v
n
)
= u, f(v
1
)v
1
) +u, f(v
2
)v
2
) +... +u, f(v
n
)v
n
)
= u, f(v
1
)v
1
+ f(v
2
)v
2
+ ... +f(v
n
)v
n
).
Dena v = f(v
1
)v
1
+f(v
2
)v
2
+... +f(v
n
)v
n
. Portanto, f(u) = u, v), para todo u V. Agora,
vamos provar a unicidade de v V. Suponha que existe w V tal que f(u) = u, w), para
todo u V. Com isso, u, w) = f(u) = u, v), para todo u V . Da, u, w v) = 0, para
todo u V . Usando o item iv) da Proposicao 1.1, chegamos a w v = 0. Logo, w = v.
Isto porva a unicidade.
Exemplo 4.2. Seja f(x, y) = 2x + y o funcional visto no exemplo 4.1. Ent ao podemos
escrever f(x, y) = (x, y), (2, 1)), para todo (x, y) R
2
. Logo, v = (2, 1) e o vetor relatado
no Teorema 4.1.
Corolario 4.2 (Isomorsmo entre V e V

). Seja V um espaco vetorial com produto interno


, ). e dimensao nita. Entao V

e isomorfo a V .
Demonstracao. Dena T : V

V por T(f) = v, onde f(u) = u, v), para todo u V


(ver Teorema 4.1). Como dimV

= dimV , entao, pelo Teorema do n ucleo e imagem, basta


41
provar que T e linear e injetora, ou seja, que T e linear e ker(T) = 0, para provar que
T e um isomorsmo. Primeiramente, vamos provar que T e linear. Com efeito, sejam
f, g V

e R. Ent ao, pelo Teorema 4.1, existem unicos v, w V tais que f(u) = u, v)
e g(u) = u, w), para todo u V. Portanto,
(f +g)(u) = f(u) + g(u) = u, v) +u, w) = u, v + w),
para todo u V. Ou seja, T(f + g) = v + w (ver unicidade no Teorema 4.1). Conse-
quentemente,
T(f + g) = v + w = T(f) + T(g).
Assim, T e linear. Agora, considere que f ker(T), ou seja, T(f) = 0. Logo, v = T(f) = 0.
Por m, f(u) = u, v) = 0, para todo u V. Isto e, f = 0. Isto mostra que ker(T) = 0.
Denicao 4.2 (Adjunta). Seja T : U V uma transformacao linear, onde U e V sao
espacos vetoriais com produtos internos , )
U
e , )
V
, respectivamente. Dizemos que uma
aplicac ao T

: V U e a adjunta de T se esta satisfaz


v, T(u))
V
= T

(v), u)
U
,
para todo u U, v V.
Obs 4.1. Quando nao houver possibilidade de confusao escreveremos, simplesmente, , )
para representar , )
U
e , )
V
, mas deve estar claro que estes produtos estao sobre U e V ,
respectivamente.
Exemplo 4.3. Seja V o espaco dos polinomios sobre R com o produto interno canonico de
C([0, 1]) (ver exemplo 1.3). Fixe g V. Dena T : V V pondo T(f) = f g, para todo
f V. Vamos procurar a adjunta de T (caso esta exista). Observe que
f, T(h)) = f, h g) =
_
1
0
f(t)[h(t)g(t)]dt =
_
1
0
[f(t)g(t)]h(t)dt = f g, h) = T(f), h),
para todos f, h V. Portanto, T

(f) = T(f) para todo f V. Ou seja, T

= T.
42
4.2.2 Existencia e Unicidade da Adjunta
As perguntas que surgem no exemplo 4.3 sao: a adjunta sempre existe? E se existe, esta
e unica? A resposta para a primeira pergunta e negativa, veremos um exemplo na lista de
exerccios propostos. A resposta para a segunda pergunta esta na seguinte proposicao.
Proposicao 4.1 (Unicidade da Adjunta). Seja T : U V uma transformacao linear, onde
U e V sao espacos vetoriais com produtos internos , )
U
e , )
V
, respectivamente. Caso
exista T

, esta e unica.
Demonstracao. Suponha que existe S : V U tal que
v, T(u))
V
= S(v), u)
U
,
para todo u U e v V. Entao,
T

(v), u)
U
= v, T(u))
V
= S(v), u)
U
,
para todo u U e v V. Ou seja,
T

(v) S(v), u)
U
= 0,
para todo u U e v V. Assim, isto e, T

(v) S(v) = 0, para todo v V (ver item iv) da


Proposicao 1.1) e, portanto, S = T

. Isto garante a unicidade de T

.
Note que, no exemplo 4.3 vimos que T

= T, ent ao como T e linear podemos concluir


que T

e linear. Isto sempre ocorre? Ou seja, quando a adjunta existe, alem de ser unica,
esta e uma transformac ao linear? Conra a resposta na sequencia.
Proposicao 4.2. Seja T : U V uma transformacao linear, onde U e V sao espacos
vetoriais com produtos internos , )
U
e , )
V
, respectivamente. Caso exista T

, esta e
linear.
Demonstracao. Sejam v, w V e R. Ent ao, usando a Proposicao 1.1, obtemos
T

(v + w), u)
U
= v + w, T(u))
V
= v + w, T(u))
V
= v, T(u))
V
+w, T(u))
V
= T

(v), u)
V
+T

(w), u)
V
= T

(v) + T

(w), u)
V
,
43
para todo u U. Ou seja,
T

(v +w), u)
U
= T

(v) + T

(w), u)
V
,
para todo u U. Portanto,
T

(v + w) (T

(v) + T

(w)), u)
U
= 0,
para todo u U. Utilizando o item iv) da Proposicao 1.1, concluimos que
T

(v + w) (T

(v) + T

(w)) = 0,
Ou, equivalentemente, T

(v + w) = T

(v) + T

(w). Isto nos diz que T

e linear.
Prezado aluno, sera que existe alguma condic ao que estabelece a existencia da adjunta?
Teorema 4.3 (Existencia e Unicidade da Adjunta). Seja T : U V uma transformacao li-
near, onde U e V sao espacos vetoriais com produtos internos , )
U
e , )
V
, respectivamente,
e de dimensoes nitas. Entao T

existe, e unica e linear.


Demonstracao. Dena, para cada v V , f(u) = v, T(u))
V
, para todo u U. Note que
f : U R e um funcional linear. De fato, atraves da linearidade de T e da denic ao 1.1,
obtemos
f(u + w) = v, T(u + w))
V
= v, T(u))
V
+v, T(w))
V
= v, T(u))
V
+v, T(w))
V
= f(u) + f(w),
para todo u, w U. Ou seja, f(u + w) = f(u) + f(w), para todo u, w U. Isto nos diz
que f e linear. Pelo Teorema de Representac ao de Riesz 4.1, existe um unico w U tal que
f(u) = u, w)
U
= w, u)
U
, para todo u U. Da,
v, T(u))
V
= f(u) = w, u)
U
,
para todo u U. Por isso, dena T

(v) = w. Logo,
v, T(u))
V
= T

(v), u)
U
,
44
para todo u U e v V. T

e adjunta de T. A unicidade esta garantida pela Proposicao


4.1 e a linearidade atraves da Proposic ao 4.2.
Exemplo 4.4. Seja T : R
2
R
3
dado por T(x, y) = (x, 2x+y, y). Sabemos que a adjunta
de T existe, pelo Teorema 4.3. Ent ao vamos determina-la. Usando a denic ao 4.2, obtemos
(a, b, c), T(x, y)) = (a, b, c), (x, 2x +y, y))
= ax + b(2x + y) cy
= (a + 2b)x + (b c)y
= (a + 2b, b c), (x, y)).
Logo, T

(a, b, c) = (a + 2b, b c), para todo (a, b, c) R


3
, dene a adjunta de T.
Exemplo 4.5. Dena T : R
2
R
2
por T(x, y) = (y, x). Da,
(a, b), T(x, y)) = (a, b), (y, x)) = ay + bx = bx + (a)y = (b, a), (x, y)).
Logo, T

(a, b) = (b, a), (a, b) R


2
, dene a adjunta de T. Neste caso, T

= T.
Exemplo 4.6. Seja T : R
2
R
2
dada por T(x, y) = (y, x). Note que
(a, b), T(x, y)) = (a, b), (y, x)) = ay + bx = bx + ay = (b, a), (x, y)),
para todo (x, y), (a, b) R
2
. Ent ao T

(a, b) = (b, a). Logo, T

= T.
4.2.3 Propriedades da Adjunta
Caros alunos, sabemos que a soma de duas transformacoes lineares e uma transformac ao
linear. Faz sentido, entao, perguntar se existe ligacao entre a adjunta de uma soma e as
adjuntas de cada uma das parcelas. O mesmo pode ser indagado sobre composic ao, multi-
plicac ao por escalar envolvendo transformacoes lineares. O proximo resultado estabelece as
propriedades da adjunta.
Proposicao 4.3. Sejam T, S : U V e P : V W transformacoes lineares, onde U, V e
W sao espacos vetoriais com produto interno e dimensao nita. Seja R. Entao:
i) I

= I, onde I e a transformacao linear identidade, isto e, I(v) = v, para todo v;


45
ii) (T + S)

= T

+ S

, em palavras, a adjunta de uma soma e a soma das adjuntas;


iii) (T)

= T

, em palavras, a adjunta de uma multiplicacao por escalar e a multiplicacao


por escalar com a adjunta;
iv) (P T)

= T

, em palavras, a adjunta de uma composta e a composta das adjuntas


com os fatores comutados;
v) T

:= (T

= T, em palavras, a adjunta da adjunta de uma transformacao linear e a


propria transformacao.
Demonstracao. A existencia e a unicidade destas adjuntas estao garantidas pelo Teorema
4.3. Essas propriedades decorrem imediatamente da Denicao 4.2. De fato,
i) I

= I segue diretamente do fato que


v, I(u))
V
= v, u)
U
= I(v), u)
U
,
para todo u, v.
ii) (T + S)

= T

+ S

e uma consequencia do fato que


v, (T + S)(u)) = v, T(u) + S(u))
= v, T(u)) +v, S(u))
= T

(v), u) +S

(v), u)
= T

(v) + S

(v), u),
para todo u U e v V .
iii) Da Denic ao 4.2, tambem conclumos que
v, (T)(u)) = v, T(u)) = v, T(u)) = T

(v), u) = T

(v), u),
para todo u U e v V . Assim, (T)

= T

.
iv) Novamente pela Denicao 4.2, encontramos
w, (P T)(u)) = w, P(T(u)))
= P

(w), T(u))
= T

(P

(w)), u)
= (T

)(w), u),
46
para todo u U e w W. Portanto, (P T)

= T

.
v) Por m, T

= T segue do fato que


v, T

(u)) = T(v), u),


para todo u U e v V .
Exemplo 4.7. Seja S : R
2
R
3
, denido por S(x, y) = (2x, 4x + 2y, 2y). Desejamos
encontrar a adjunta de S. Observe que S = 2T, onde T(x, y) = (x, 2x + y, y). Vimos no
exemplo 4.4 que T

(a, b, c) = (a +2b, b c). Logo, pelo item iii) da Proposic ao 4.3, obtemos
S

(a, b, c) = (2T)

(a, b, c) = 2T

(a, b, c) = 2(a + 2b, b c) = (2a + 4b, 2b 2c).


Exemplo 4.8. Seja S : R
2
R
2
dado por S(x, y) = (x y, x + y). Note que,
S(x, y) = (x y, x + y) = (x, y) + (y, x) = I(x, y) + T(x, y) = (I + T)(x, y),
para todo (x, y) R
2
, onde T esta denida no exemplo 4.5 e I e a identidade de R
2
. Vimos
que T

(a, b) = (b, a). Portanto, usando os itens i) e ii) da Proposicao 4.3, encontramos
S

(a, b) = (I +T)

(a, b) = (I

+T

)(a, b) = I

(a, b)+T

(a, b) = (a, b)+(b, a) = (a+b, ba).


Veremos que a inversa da adjunta de um isomorsmo e a adjunta da inversa desta
aplicac ao.
Proposicao 4.4 (Adjunta da Inversa). Seja T : V V um isomorsmo, onde V e um
espaco vetorial com produto interno. Entao T

(caso exista) tambem o e. Neste caso,


[T

]
1
= [T
1
]

.
Demonstracao. Como T e um isomorsmo, existe aplicac ao linear T
1
: V V satisfazendo
T T
1
= T
1
T = I, onde I : V V e a identidade de V . Portanto, utilizando
os itens i) e iv) da Proposicao 4.3, obtemos [T T
1
]

= [T
1
T]

= I

. Com isso,
[T
1
]

= T

[T
1
]

= I. Isto nos diz que T

e inversvel, ou seja, T

e um isomorsmo
(ver Proposicao 4.2). Alem disso, [T

]
1
= [T
1
]

.
Exemplo 4.9. Seja T(x, y) = (y, x). Vamos mostrar que [T
1
]

= T
1
. Vimos no exem-
47
plo 4.5, que T

= T. Logo, pela Proposicao 4.4,


[T
1
]

= [T

]
1
= [T]
1
= T
1
.
Por que T e inversvel?
Proposicao 4.5. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno , ). Seja U um subespaco T-invariante, isto e, T(U) U. Suponha que
T

: V V existe, entao U

e T

-invariante, ou seja, T

(U

) U

.
Demonstracao. Seja u T

(U

), ent ao existe v U

tal que u = T

(v). Dado w U,
temos que u, w) = T

(v), w) = v, T(w)). Como w U, ent ao T(w) U, pois T(U) U.


Por conseguinte, u, w) = v, T(w)) = 0, pois v U

e T(w) U. Assim sendo, u U

. Ou
seja, T

(U

) U

.
Exemplo 4.10. Seja T : V V uma transformac ao linear tal que T = T

(caso exista),
onde V e um espaco vetorial com produto interno , ). Seja U um subespaco T-invariante,
ent ao U

e um subespaco T-invariante (ver Proposicao 4.5).


4.2.4 Matriz da Adjunta em Relacao a uma Base Ortonormal
Caros alunos, sera que existe uma relac ao entre a matriz de uma transformac ao linear e
a matriz de sua adjunta? Em geral a resposta e negativa, mas se a base for ortonormal
obtemos o seguinte resultado.
Teorema 4.4. Seja T : V V uma transformacao linear, onde V e um espaco vetorial
com produto interno , ) e dimensao nita. Seja = v
1
, v
2
, ..., v
n
uma base ortonormal
de V. Entao [T

= [T]
t

.
Demonstracao. Seja [T]

= (A
ij
). Note que T(v
j
) = A
1j
v
1
+ A
2j
v
2
+ ... + A
nj
v
n
. Conse-
quentemente,
T(v
j
), v
i
) = A
1j
v
1
+ A
2j
v
2
+ ... + A
nj
v
n
, v
i
) = A
1j
v
1
, v
i
) + A
2j
v
2
, v
i
) +... + A
nj
v
n
, v
i
).
Como e uma base ortonormal, ent ao T(v
j
), v
i
) = A
ij
v
i
, v
i
) = A
ij
(ver Denicao 2.4).
Logo, T(v
j
), v
i
) = A
ij
, para todo i, j = 1, 2, ..., n. Seja [T

= (B
ij
). Analogamente ao que
48
foi feito nesta demonstracao, temos que
B
ij
= T

(v
j
), v
i
) = v
j
, T(v
i
)) = T(v
i
), v
j
) = A
ji
,
para todo i, j = 1, 2, ..., n. Isto nos diz que [T

= [T]
t

.
Exemplo 4.11. Seja T(x, y) = (y, x). Ent ao [T]
c
=
_
0 1
1 0
_
e a matriz de T em
relac ao `a base canonica de R
2
. Como esta base e ortonormal, em relacao ao produto interno
canonico de R
2
, usamos o Teorema 4.4 para concluirmos que [T

]
c
= [T]
t
c
=
_
0 1
1 0
_
.
Portanto, T

(a, b) = (b, a).


Exerccios de Fixacao
1. Seja T : R
2
R
2
dado por T(x, y) = (10x y, y). Encontre T

.
2. Seja T : R
2
R
2
dado por T(x, y) = (

3x, x 4y). Encontre T

.
3. Seja T : R
3
R
3
dado por T(x, y, z) = (x y, z, y + z). Encontre T

.
4. Seja T : R
3
R
3
dado por T(x, y, z) = (0, 0, z). Encontre T

.
5. Em R
3
verique que (x
1
, x
2
, x
3
), (y
1
, y
2
, y
3
)) = 2x
1
y
1
+ 3x
2
y
2
+ 4x
3
y
3
dene um produto
interno. Encontre a adjunta da aplicacao linear T dada por
T
_
_
_
x
y
z
_
_
_
=
_
_
_
1 0 1
2 1 3
3 1 4
_
_
_
_
_
_
x
y
z
_
_
_
com relacao a esse produto interno.
6. Seja T : V V um operador linear sobre um espaco vetorial V com produto interno.
Suponha que existe T

e que T(v) = v e T

(w) = w, com ,= . Mostre que v, w) = 0.


7. Sejam U, V espacos vetoriais com produto interno e dimensao nita e T : U V linear.
Mostre que
i) T e injetora se, e somente se, T

e sobrejetora;
ii) T e sobrejetora se, e somente se, T

e injetora.
49
8. Seja V um espaco vetorial com produto interno e u, v V vetores xados. Mostre que
T(x) = x, u)v dene uma aplicacao linear. Mostre que T

existe e obtenha sua expressao.


9. Seja T : U V uma transformac ao linear entre espacos vetoriais de dimensao nita com
produto interno. Se dimU < dimV , prove que o operador T T

: V V nao e invertvel.
Mas se ker T = 0, prove que T

T : U U e invertvel.
4.3 Conclusao
Conclumos nesta sec ao que a cada operador linear sobre um espaco vetorial de dimensao
nita esta associado um operador linear adjunto que relaciona elementos do espaco dual com
elementos do espaco vetorial.
4.4 Exerccios Propostos
1. Sejam U, V espacos vetoriais com produto interno e dimensao nita. Seja T : U V
linear. Mostre que T

T : U U e T T

: V V tem o mesmo posto de T. Lembre que


posto(T) = dimIm(T).
2. Sejam U, V espacos vetoriais com produto interno. Mostre que U V e um espaco
vetorial com produto interno se denirmos (x
1
, y
1
), (x
2
, y
2
)) := x
1
, x
2
)
U
+y
1
, y
2
)
V
. Dena
T : U V V U por T(x, y) = (y, x). Mostre que T

existe e obtenha sua expressao.


3. Seja V um espaco vetorial com produto interno e dimensao nita. Para cada u, v V
dena T
u,v
(x) = x, v)u. Mostre que T

u,v
= T
v,u
.
Proxima Aula
Na sequencia faremos um estudo da classe de operadores dito auto-adjuntos.
50
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
51
Captulo 5
Operadores Auto-adjuntos
Meta
Apresentar ao aluno a denicao e principais propriedades de operadores auto-adjuntos.
Objetivos
Ao nal desta aula, o aluno devera ser capaz de identicar um operador auto-adjunto e saber
suas principais propriedades.
Pre-requisitos

Algebra Linear I.
5.1 Introducao
Operadores auto-adjuntos sao extremamente importantes em mecanica quantica. Por serem
diagonalizaveis, tem seu espectro totalmente determinado. Atraves de operadores auto-
52
adjuntos positivos podemos denir um produto interno sobre o espaco vetorial.
5.2 Operadores Auto-adjuntos
Caro aluno, nesta aula, trabalharemos com operadores denominados auto-adjuntos. Mostrare-
mos a estreita relacao existente entre o estudo dos autovetores, realizado em

Algebra Linear
I, com tais operadores.
5.2.1 Denicao e Exemplos
Prezado aluno, nosso principal interesse no estudo de operadores auto-adjuntos e estabele-
cer e aplicar o Teorema Espectral para tais operadores. Para isto precisamos percorrer o
prazeroso caminho que descreve esta teoria.
Denicao 5.1. Seja V um espaco vetorial com produto interno , ). Dizemos que um
operador linear T : V V e auto-adjunto se T = T

.
Exemplo 5.1. Seja T : R
2
R
2
, dada por T(x, y) = (y, x). Vimos, no exemplo 4.6, que
T

= T. Logo, T e um operador auto-adjunto.


Exemplo 5.2 (Operador Nao-auto-adjunto). Seja T : R
2
R
2
, dada por T(x, y) = (y, x).
Vimos, no exemplo 4.5, que T

(a, b) = (b, a). Em particular,


T

(1, 1) = (1, 1) e T(1, 1) = (1, 1).


Ou seja, T

,= T. Isto nos diz que T nao e auto-adjunto (ver denicao 5.1).


Exemplo 5.3. Seja V o espaco dos polinomios sobre R com o produto interno canonico de
C([0, 1]) (ver exemplo 1.3). Fixe g V. Dena T : V V pondo T(f) = f g, para todo
f V. Vimos, no exemplo 4.3, que T = T

. Com isso, T e auto-adjunto (ver denic ao 5.1).


Exemplo 5.4. Seja V um espaco vetorial com produto interno , ). Seja v V um vetor
xo. Seja T : V V denida por T(u) = v, u)v, para todo u V . Vamos mostrar que T
e auto-adjunto. De fato,
v, T(u)) = v, v, u)v) = v, u)v, v) = v, v)v, u) = T(v), u),
53
ou seja, T

= T. Isto nos diz que T e auto-adjunto (ver denicao 5.1).


5.2.2 Resultados Importantes
Vejamos alguns resultados para operadores auto-adjuntos.
Proposicao 5.1. Seja V espaco vetorial com produto interno e seja T : V V um operador
auto-adjunto e um isomorsmo. Entao T
1
tambem o e.
Demonstracao. A Proposicao 4.4 nos diz que (T
1
)

= (T

)
1
= T
1
, pois T = T

. Ou seja,
T
1
e auto-adjunto.
Exemplo 5.5. Seja T(x, y) = (x + y, x y). Entao T e auto-adjunto. De fato,
(a, b), T(x, y)) = (a, b), (x + y, x y))
= a(x + y) + b(x y)
= x(a + b) + y(a b)
= (a + b, a b), (x, y))
implica que T

(a, b) = (a+b, ab), e isso mostra que T

= T. Convidamos o aluno a mostrar


que T
1
(a, b) =
_
a + b
2
,
a b
2
_
e a inversa de T. Pelo Teorema 5.1, T
1
e auto-adjunto.
5.2.3 Matrizes de Operadores Auto-adjuntos
Caro aluno, e possvel vericarmos se um operador e auto-adjunto atraves da matriz deste,
em relacao a uma base ortonormal. Vejamos a prova desta armac ao.
Teorema 5.1 (Caracterizac ao de Operadores Auto-adjuntos). Seja V um espaco vetorial
com produto interno , ) e dimensao nita. Seja T : V V um operador linear. Entao T
e auto-adjunto se, e somente se, [T]

e simetrica, onde e base ortonormal de V. Lembre


que uma matriz A e simetrica se A = A
t
.
Demonstracao. Suponha que T e auto-adjunto. Seja base ortonormal de V . Vimos no
Teorema 4.4 que [T

= [T]
t

. Como T e auto-adjunto, ent ao T

= T (ver Denic ao 5.1).


Logo, [T]

= [T

= [T]
t

. Isto nos diz que [T]

e simetrica.
54
Reciprocamente, suponha que [T]

= [T]
t

, onde = v
1
, v
2
, ..., v
n
e uma base ortonor-
mal de V. Consequentemente, T(v
i
), v
j
) = T(v
j
), v
i
), para todo i, j, estas sao as entradas
das matrizes [T]

e [T]
t

, respectivamente. Se u, v V , entao, pela denicao de base,


u =

i
x
i
v
i
e v =

j
y
j
v
j
. Portanto,
u, T(v)) =
_

i
x
i
v
i
, T
_

j
y
j
v
j
__
=

i
x
i

j
y
j
v
i
, T(v
j
))
=

i
x
i

j
y
j
T(v
j
), v
i
)
=

i
x
i

j
y
j
T(v
i
), v
j
),
na ultima igualdade usamos que T(v
i
), v
j
) = v
i
, T(v
j
)). Por m,
u, T(v)) =
_

i
x
i
T(v
i
),

j
y
j
v
j
_
=
_
T
_

i
x
i
v
i
_
,

j
y
j
v
j
_
= T(u), v).
Logo, usando a Proposicao 1.1, temos que, T

= T. Pela Denic ao 5.1, T e auto-adjunto.


A hipotese de ortonormalidade da base nao pode ser desconsiderada. Veja o exemplo a
seguir.
Exemplo 5.6. Seja T(x, y, z) = (2x + 2z, x +z, x +z) operador linear sobre V = R
3
e seja
= (1, 1, 0), (1, 0, 0), (0, 0, 1) uma base de V (esta base nao e ortonormal, verique!). Note
que
[T]

=
_
_
_
1 1 1
1 1 1
1 1 1
_
_
_
.
Assim sendo, [T]

e simetrica, mas T nao e auto-adjunto. Com efeito,


T(1, 0, 0), (0, 1, 0)) = (2, 1, 1), (0, 1, 0)) = 1 e (1, 0, 0), T(0, 1, 0)) = (1, 0, 0), (0, 0, 0)) = 0.
Logo, T(1, 0, 0), (0, 1, 0)) ,= (1, 0, 0), T(0, 1, 0)).
55
Exemplo 5.7. Seja T : R
2
R
2
dado por T(x, y) = (y, x). Note que,
[T]
c
=
_
0 1
1 0
_
,
onde c e a base canonica de R
2
(a qual e ortonormal, ver exemplo 2.8). Veja que [T]
c
nao e
simetrica, logo, T nao e auto-adjunto, pelo Teorema 5.1.
Exemplo 5.8. Seja T : R
2
R
2
dado por T(x, y) = (y, x). Veja que
[T]
c
=
_
0 1
1 0
_
e uma matriz simetrica, onde c e a base canonica de R
2
. Dessa forma, pelo Teorema 5.1, T
e auto-adjunto.
5.2.4 Teorema Espectral para Operadores Auto-adjuntos
Prezados alunos, mostraremos nesta secao que para operadores auto-adjuntos sobre um
espaco vetorial V existe uma base ortonormal desse espaco formada por autovetores. Isto
garante que a representac ao matricial do operador e uma matriz diagonal. Tal resultado e
conhecido como Teorema Espectral para operadores auto-adjuntos. Para chegarmos ate tal
teorema, precisamos de alguns resultados preliminares.
Lema 5.1. Seja T um operador linear auto-adjunto sobre um espaco vetorial com produto
interno V . Entao autovetores associados a autovalores distintos sao ortogonais.
Demonstracao. Sejam v, w V autovetores associados a autovalores distintos e , re-
spectivamente. Ou seja, Tv = v e Tw = w. Entao, por ser T auto-adjunto, segue que
v, Tw) = Tv, w). Assim, v, w) = v, w). Consequentemente, v, w) = v, w) e
( )v, w) = 0. Como ,= , temos que v, w) = 0. Usando a Denic ao 2.2, concluimos
que v w.
Lema 5.2. Seja T um operador auto-adjunto sobre um espaco vetorial com produto interno
V . Se U e um subespaco T-invariante, entao U

tambem o e (ver Proposicao 4.5).


Demonstracao. Este Lema e so uma reformulacao do exemplo 4.10.
56
Lema 5.3. Seja T : V V um operador linear auto-adjunto sobre um espaco vetorial com
produto interno e dimensao nita V . Entao o conjunto de autovalores de T e nao-vazio e
esta constitudo por n umeros reais.
Demonstracao. Seja uma base ortonormal de V (existe pelo Teorema 2.2). Considere que
dimV = n > 0. Entao, pelo Teorema 5.1, [T]

= A = (A
ij
) e simetrica, pois T e um operador
auto-adjunto. Considere o polinomio caracterstico de T, p
A
(x) = det(xI A), onde I e a
matriz identidade nn. Entao e autovalor de T se, e somente se, p
A
() = det(I A) = 0.
Note que, pelo Teorema Fundamental da

Algebra, este polinomio tem pelo menos uma raiz
complexa . Vamos mostrar que R. Como det(I A) = 0, segue que o sistema linear
AX = X possui innita soluc oes nao-nulas para X (matriz n1 com entradas complexas).
Digamos que
Y =
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
e uma solucao nao-nula de AX = X. Ou seja, AY = Y e Y ,= 0. Escrevendo esta equac ao
matricial como sistema linear, obtemos as equacoes
n

j=1
A
ij
y
j
= y
i
, (i = 1, 2, ..., n).
Com isso, multiplicando por y
i
, encontramos
n

j=1
A
ij
y
j
y
i
= y
i
y
i
, (i = 1, 2, ..., n). Somando
estes resultados, obtemos
n

i,j=1
A
ij
y
j
y
i
=
n

i=1
y
i
y
i
=
n

i=1
[y
i
[
2
. (5.1)
(este modulo e o modulo de um n umero complexo). Observe que esta ultima soma resulta
em um n umero real. Vamos, agora, vericar que
n

i,j=1
A
ij
y
j
y
i
R. Ou seja,
n

i,j=1
A
ij
y
j
y
i
=
n

i,j=1
A
ij
y
j
y
i
.
57
De fato,
n

i,j=1
A
ij
y
j
y
i
=
n

i,j=1
A
ij
y
j
y
i
=
n

i,j=1
A
ij
y
j
y
i
,
na ultima igualdade usamos o fato que A e uma matriz real. Como A e simetrica, ent ao
n

i,j=1
A
ij
y
j
y
i
=
n

i,j=1
A
ji
y
j
y
i
=
n

i,j=1
A
ij
y
i
y
j
=
n

i,j=1
A
ij
y
j
y
i
,
na pen ultima igualdade zemos uma mudanca de ndices de i por j. Consequentemente,
n

i,j=1
A
ij
y
j
y
i
R. Mas,
n

i=1
[y
i
[
2
R. Pelas igualdades em 5.1, conclumos que R. Dessa
forma, e um autovalor real de T.
Teorema 5.2 (Teorema Espectral para Operadores Auto-adjuntos). Seja T um operador
linear sobre um espaco vetorial com produto interno e dimensao nita V . Entao T e auto-
adjunto se, e somente se, existe uma base ortonormal de V formada por autovetores de
T.
Demonstracao. Seja dimV = n. Faremos a prova por inducao sobre n. Se n = 1 e v e uma
base de V , segue que
_
v
|v|
_
e uma base ortonormal de V formada por um autovetor, pois
nesse caso, todo elemento nao-nulo de V e autovetor ja que T(v) V implica, pela denicao
de base, que T(v) = v, para algum R.
Agora considere n > 1 e suponha que o Teorema seja valido para todo subespaco de V
com dimensao menor que n. Como n > 1, segue do Lema 5.3 que existe v
1
V autovetor
unitario de T associado a um autovalor . Seja U = [v
1
]. Assim, pela Observa cao 3.1, temos
que dimU

= dimV dimU = n 1 < n. Alem disso, para qualquer elemento w = v


1
em U temos que T(v
1
) = T(v
1
) = ()v
1
U. Isto nos diz que U e T-invariante e,
em consequencia, do Lema 5.2, concluimos que U

e T-invariante. Resumindo, U

e um
subespaco de dimensao menor que n e T-invariante. Por hipotese de inducao, existe uma
base ortonormal v
2
, v
3
, ..., v
n
de U

formada por autovetores de T. Logo, v


1
, v
2
, ..., v
n
e
uma base ortonormal de V formada por autovetores de T (ver Teorema 3.1).
Reciprocamente, seja = v
1
, v
2
, ..., v
n
uma base ortonormal de V formada por au-
tovetores de T, digamos que T(v
i
) =
i
v
i
, para todo i = 1, 2, ..., n. Vamos provar que T e
58
auto-adjunta. Desde que nessa base
[T]

=
_
_
_
_
_
_

1
0 0
0
2
0
0 0
.
.
.
0
0 0
n
_
_
_
_
_
_
e uma matriz simetrica, ou seja, [T]

= [T]
t

, segue do Teorema 5.1 que T e auto-adjunto.


Vejamos uma aplicac ao (ou uma reformulac ao) do Teorema Espectral para matrizes.
Corolario 5.3 (Teorema Espectral para Matrizes Simetricas). Seja
A M
n
(R) = matrizes n n com coecientes reais
uma matriz simetrica. Entao existe P M
n
(R) ortogonal tal que D = P
t
AP, onde D e uma
matriz diagoonal, constituda dos autovalores de A na diagonal (lembre que P e ortogonal se
P
1
= P
t
, isto e, PP
t
= P
t
P = I).
Demonstracao. Sejam V = R
n
e c a base canonica desse espaco vetorial (ver exemplo 2.9).
Seja T : V V o operador linear tal que [T]
c
= A. Como c e ortonormal A e simetrica,
ent ao, pelo Teorema 5.1, T e um operador auto-adjunto. Pelo Teorema 5.2, existe base
ortonormal = v
1
, v
2
, ..., v
n
de V formada por autovetores de T, digamos T(v
i
) =
i
v
i
,
para todo i = 1, 2, ..., n. Logo,
D = [T]

=
_
_
_
_
_
_

1
0 0
0
2
0
0 0
.
.
.
0
0 0
n
_
_
_
_
_
_
.
Mas, D = [T]

= P
1
AP, onde P e a matriz mudanca de base de para c. Isto e, P possui
como colunas os vetores da base . Seja v
i
= (x
i
1
, x
i
2
, ..., x
i
n
), para todo i = 1, 2, ..., n. Logo,
P
t
P =
_
_
_
_
_
_
x
1
1
x
1
2
... x
1
n
x
2
1
x
2
2
... x
2
n

x
n
1
x
n
2
... x
n
n
_
_
_
_
_
_
_
_
_
_
_
_
x
1
1
x
2
1
... x
n
1
x
1
2
x
2
2
... x
n
2

x
1
n
x
2
n
... x
n
n
_
_
_
_
_
_
59
=
_
_
_
_
_
_
v
1
, v
1
) v
1
, v
2
) ... v
1
, v
n
)
v
2
, v
1
) v
2
, v
2
) ... v
2
, v
n
)

v
n
, v
1
) v
n
, v
2
) ... v
n
, v
n
)
_
_
_
_
_
_
=
_
_
_
_
_
_
1 0 ... 0
0 1 ... 0

0 0 ... 1
_
_
_
_
_
_
= I,
a pen ultima igualdade segue da ortonormalidade de . Ou seja, P e ortogonal (P
1
= P
t
),
basta utilizar o Teorema do n ucleo e imagem.
Exemplo 5.9. Seja A =
_
1 2
2 2
_
. Encontre A
n
, para todo n N. Note que A e uma
matriz simetrica. Vamos encontrar os autovalores de A. Para isto, basta encontrar as razes
do polinomio caracterstico. Veja que
p
A
(x) = det(xI A) = det
_
x 1 2
2 x + 2
_
= (x 1)(x + 2) 4
= (x + 3)(x 2),
(I e a matriz identidade 2 2) e o polinomio caracterstico de A. Logo, os autovalores
de A sao
1
= 3 e
2
= 2. Agora, vamos encontrar os autovetores associados a estes
autovalores. Comecemos com o autovalor
1
= 3. Seja v =
_
x
y
_
um autovetor qualquer
de A associado ao autovalor
1
= 3. Ent ao Av = 3v, ou seja,
_
1 2
2 2
__
x
y
_
= 3
_
x
y
_
.
Em forma de sistemas lineares, obtemos
_
x + 2y = 3x;
2x 2y = 3y.
60
Este sistema e equivalente ao sistema
_
4x + 2y = 0;
2x + y = 0.
A solucao deste sistema e y = 2x, para todo x R. Dessa forma,
v =
_
x
y
_
=
_
x
2x
_
= x
_
1
2
_
.
Logo o autoespaco associado ao autovalor
1
= 3 e V
3
= [(1, 2)]. Agora, considere o
autovalor
2
= 2. Seja v =
_
x
y
_
um autovetor qualquer de A associado ao autovalor

2
= 2. Logo, Av = 2v. Isto e,
_
1 2
2 2
__
x
y
_
= 2
_
x
y
_
.
Em forma de sistema linear, obtemos
_
x + 2y = 2x;
2x 2y = 2y.
Este sistema e equivalente ao sistema
_
x + 2y = 0;
2x 4y = 0.
Portanto, a solucao deste sistema e x = 2y, para todo y R. Assim sendo,
v =
_
x
y
_
=
_
2y
y
_
= y
_
2
1
_
.
Logo o autoespaco associado ao autovalor
2
= 2 e V
2
= [(2, 1)]. Consequentemente, obte-
mos uma base formada por autovetores v
1
= (1, 2), v
2
= (2, 1) do operador A. Ora,
esses autovetores sao asssociados a autovalores distintos, donde pelo Lema 5.1 eles sao or-
togonais. Resta ent ao normaliza-los para obtermos uma base ortonormal. Dessa forma,
61
__
1

5
,
2

5
_
,
_
2

5
,
1

5
__
e uma base ortonormal formada por autovetores de A. Colocando
estes vetores em coluna encontramos a matriz ortogonal
P =
_
_
_
1

5
2

5
2

5
1

5
_
_
_
.
A matriz diagonal
D =
_
3 0
0 2
_
(autovalores de A na diagonal) satisfaz D = P
1
AP, onde P
1
= P
t
. Consequentemente,
A = PDP
1
. Logo,
A
2
= (PDP
1
)(PDP
1
) = PD
2
P
1
,
A
3
= A
2
A = (PD
2
P
1
)(PDP
1
) = PD
3
P
1
.
.
.
A
n
= PD
n
P
1
.
Ou seja,
A
n
= PD
n
P
1
= PD
n
P
t
=
_
1

5
2

5
2

5
1

5
__
(3)
n
0
0 2
n
__
1

5
2

5
2

5
1

5
_
.
Exemplo 5.10. Seja
A =
_
_
_
1 2 0
2 1 0
0 0 1
_
_
_
.
Veja que A e uma matriz simetrica. Vamos encontrar os autovalores de A. Note que
p
A
(x) = det(xI A) = det
_
_
_
x 1 2 0
2 x 1 0
0 0 x + 1
_
_
_
= (x + 1)
2
(x 3).
(I e a matriz identidade 33) e o polinomio caracterstico de A. Logo, os autovalores de A sao

1
= 1 (com multiplicidade algebrica 2) e
2
= 3. Agora, vamos encontrar os autovetores
62
associados a estes autovalores. Comecemos com o autovalor
1
= 1. Seja v =
_
_
_
x
y
z
_
_
_
um
autovetor qualquer de A associado ao autovalor
1
= 1. Da, Av = v. Ou seja,
_
_
_
1 2 0
2 1 0
0 0 1
_
_
_
_
_
_
x
y
z
_
_
_
=
_
_
_
x
y
z
_
_
_
.
Em forma de sistema linear, obtemos
_

_
x 2y = x;
2x +y = y;
z = z.
Este sistema e equivalente ao sistema
_
2x 2y = 0;
2x + 2y = 0.
A solucao deste sistema e x = y, para todo y R. Com isso,
v =
_
_
_
x
y
z
_
_
_
=
_
_
_
y
y
z
_
_
_
= y
_
_
_
1
1
0
_
_
_
+z
_
_
_
0
0
1
_
_
_
.
Logo o autoespaco associado ao autovalor
1
= 1 e V
1
= [(1, 1, 0), (0, 0, 1)]. Agora,
considere o autovalor
2
= 3. Seja v =
_
_
_
x
y
z
_
_
_
um autovetor qualquer de A associado ao
autovalor
2
= 3. Logo, Av = 3v. Isto e,
_
_
_
1 2 0
2 1 0
0 0 1
_
_
_
_
_
_
x
y
z
_
_
_
= 3
_
_
_
x
y
z
_
_
_
.
63
Em forma de sistema linear, temos que
_

_
x 2y = 3x;
2x + y = 3y;
z = 3z.
Este sistema e equivalente ao sistema
_

_
2x 2y = 0;
2x 2y = 0;
z = 0.
Portanto, a solucao deste sistema e x = y, y R. Assim sendo,
v =
_
_
_
y
y
0
_
_
_
= y
_
_
_
1
1
0
_
_
_
.
Logo o autoespaco associado ao autovalor
2
= 3 e V
3
= [(1, 1, 0)]. Por conseguinte,
v
1
= (1, 1, 0), v
2
= (0, 0, 1), v
3
= (1, 1, 0) e uma base formada por autovetores de A.
Mais uma vez, como v
3
e autovetor associado ao autovalor
2
= 3 e v
1
e v
2
sao autovetores
associados ao autovalor
1
= 1, segue que v
3
v
1
e v
3
v
2
. Agora, v
1
, v
2
) = 0. Assim,
a base v
1
, v
2
, v
3
e ortogonal. Resta entao normaliza-la, multiplicando cada vetor base
pelo inverso de sua norma. Dessa forma,
__
1

2
,
1

2
, 0
_
, (0, 0, 1),
_
1

2
,
1

2
, 0
__
e uma base
ortonormal formada por autovetores de A. Colocando estes vetores em coluna encontramos
a matriz ortogonal
P =
_
_
_
1

2
0
1

2
1

2
0
1

2
0 1 0
_
_
_
.
A matriz diagonal
D =
_
_
_
1 0 0
0 1 0
0 0 3
_
_
_
(autovalores de A na diagonal) satisfaz D = P
1
AP, onde P
1
= P
t
.
64
Exerccios de Fixacao
1. Seja T(x, y, z) = (x +y +z, x +y +z) um operador linear. Mostre que T e auto-adjunto.
Encontre os autovalores de T e uma base ortonormal formada por autovetores de T.
2. Explique por que para
A =
_
_
_
1 2 0
2 1 0
0 0 1
_
_
_
existe uma matriz ortogonal P tal que P
t
AP = D e diagonal. Encontre as matrizes P e D.
3. Explique por que para
A =
_
_
_
2 2 0
2 1 0
0 0 2
_
_
_
existe uma matriz ortogonal P tal que P
t
AP = D e diagonal. Encontre os autovalores de A
e as matrizes P e D.
4. Explique por que para
A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
existe uma matriz ortogonal P tal que P
t
AP = D e diagonal. Encontre os autovalores de A
e as matrizes P e D. Determine A
5
, usando o Corolario 5.3.
5. Explique por que para
A =
_
_
_
_
_
_
0 1 1 1
1 0 1 1
1 1 0 1
1 1 1 0
_
_
_
_
_
_
existe uma matriz ortogonal P tal que P
t
AP = D e diagonal. Encontre os autovalores de A
e as matrizes P e D.
6. Explique por que para
A =
_
_
_
1 2 3
2 3 4
3 4 5
_
_
_
existe uma matriz ortogonal P tal que P
t
AP = D e diagonal. Encontre as matrizes P e D.
65
7. Dados o vetores v = (2, 1, 2) e w = (3, 6, 6), determine o operador auto-adjunto
T : R
3
R
3
tal que T(v) = (1, 1, 13) e T(w) = (3, 21, 33), sabendo que o traco de T e 5,
isto e, a
11
+ a
22
+ a
33
= 5, onde [T] = (a
ij
).
8. Seja
A =
_
_
_
4 2 2
2 4 2
2 2 4
_
_
_
.
Prove que A e simetrica e encontre P ortogonal tal que P
t
AP = D e uma matriz diagonal.
5.3 Operadores Denidos Positivos
Caros alunos, nesta sec ao exporemos as denic oes dos operadores denidos positivos. Alme-
jamos, principalmente, encontrar a caracterizac ao existente entre alguns destes operadores e
seus autovalores.
5.3.1 Denicao e Exemplos
Denicao 5.2. Seja V um espaco vetorial com produto interno , ). Seja T : V V um
operador auto-adjunto T sobre V (ver Denic ao 5.1) e dito denido positivo, e escrevemos
T > 0, se T(v), v) > 0, para todo v V , com v ,= 0.
Obs 5.1. De forma semelhante, denimos operadores denido nao-negativo, negativo, nao
positivo (usando os sinais , <, e , respectivamente. Dizemos que T e indenido se existem
u, v V tais que T(u), u) > 0 e T(v), v) < 0 e
Exemplo 5.11. Seja I(x, y) = (x, y) o operador identidade de R
2
. Vimos, na Proposic ao
4.3, que I e auto-adjunto. Alem disso,
I(x, y), (x, y)) = (x, y), (x, y)) = x
2
+ y
2
0.
Mas, x
2
+y
2
= 0 se, e somente se, x = y = 0. Assim,
I(x, y), (x, y)) = x
2
+y
2
> 0, (x, y) ,= (0, 0).
Dessa forma, pela Denicao 5.2, I > 0.
66
Exemplo 5.12. Seja T(x, y) = (y, x), para todo (x, y) R
2
. Vimos que T e auto-adjunto
(ver exemplo 4.6). Alem disso,
T(x, y), (x, y)) = (y, x), (x, y)) = yx + xy = 2xy.
Logo T e um operador indenido, pois
T(1, 1), (1, 1)) = 2 < 0 e T(1, 1), (1, 1)) = 2 > 0.
Obs 5.2. Poderamos denir operadores negativos, nao-negativos, nao-positivos ...
Exemplo 5.13 (Operador Nao-negativo em R
2
). Seja T(x, y) = (x+y, x+y), (x, y) R
2
.
Como
[T]
c
=
_
1 1
1 1
_
e simetrica, entao pelo Teorema 5.1, T e auto-adjunto. Alem disso,
T(x, y), (x, y)) = (x +y, x + y), (x, y)) = (x + y)x + (x +y)y = (x + y)
2
0.
Isto nos diz que T 0 (ver Denicao 5.2). Porem, T(1, 1), (1, 1)) = (1 1)
2
= 0.
Portanto, pela Denic ao 5.2, T nao e positivo.
Exemplo 5.14 (Operador Negativo em R
2
). Seja T(x, y) = (x, y). Note que T e auto-
adjunto, pois sua matriz, em relac ao `a base canonica c, e dada por
[T]
c
=
_
1 0
0 1
_
e simetrica (ver Teorema 5.1). Alem disso,
T(x, y), (x, y)) = (x, y), (x, y)) = x
2
y
2
0.
Mas, x
2
y
2
= 0 x = y = 0. Assim,
T(x, y), (x, y)) = x
2
y
2
< 0, (x, y) ,= (0, 0).
Dessa forma, pela Denicao 5.2, T < 0.
Exemplo 5.15 (Operador Nao-positivo emR
2
). Seja T(x, y) = (x, y). Vimos no exemplo
67
5.14 que
T(x, y), (x, y)) 0, (x, y) R
2
.
Logo, T 0.
Exerccios de Fixacao
1. Seja V um espaco vetorial com dimensao nita e produto interno. Seja = v
1
, v
2
, ..., v
n

uma base de V . Dena g


ij
= v
i
, v
j
). Se u =
n

i=1
x
i
v
i
e v =
n

i=1
y
i
v
i
, mostre que vale
u, v) =

n
i,j=1
g
ij
x
i
y
j
. Verique que G = (g
ij
) e uma matriz simetrica e positiva, isto
e, [u]
t

G[u]

, u ,= 0 em V. Reciprocamente, mostre que se G for uma matriz simetrica


positiva, ent ao , ) dene um produto interno em V . A matriz G e chamada matriz de
Gram dos vetores v
1
, v
2
, ..., v
n
.
2. Entre as matrizes abaixo, determine quais sao positivas.
_
_
_
9 3 6
3 9 6
6 6 9
_
_
_
,
_
_
_
1 2 3
3 2 2
2 3 5
_
_
_
e
_
_
_
1 0 0
0 1 2
0 2 1
_
_
_
.
3. Mostre que um operador T e positivo se, e somente se, T e nao-negativo e invertvel.
5.4 Raiz Quadrada de Operadores Lineares
5.4.1 Denicao e Exemplos
Denicao 5.3. Seja V um espaco vetorial. Seja S : V V um operador linear. Dizemos
que um operador linear T : V V e raiz quadrada de S se T
2
= S, isto e, T T = S.
Notacao: T =

S.
Exemplo 5.16. Seja T(x, y) = (y, x). Note que
T
2
(x, y) = T T(x, y) = T(y, x) = (x, y) = I(x, y),
para todo (x, y) R
2
. Logo, T
2
= I. Com isso, T =

I.
68
Exemplo 5.17. Seja S(x, y) = (x y, x y). Suponha que existe T : R
2
R
2
raiz
quadrada de S. Assim, T
2
= S, ou seja,
T
2
(x, y) = S(x, y) = (x y, x y).
Logo,
T
2
(1, 0) = (1, 1) e T
2
(0, 1) = (1, 1).
Aplicando o Teorema 4.1 aos funcionais T
1
(x, y) e T
2
(x, y), onde T(x, y) = (T
1
(x, y), T
2
(x, y)).
Conclumos que T(x, y) = (ax + by, cx + dy), onde a, b, c, d R. Da, T(1, 0) = (a, c) e
T(0, 1) = (b, d). Portanto,
(1, 1) = T
2
(1, 0) = T(a, c) = (a
2
+ bc, ca + dc)
e
(1, 1) = T
2
(0, 1) = T(b, d) = (ab + bd, cb + d
2
).
Consequentemente,
_

_
b(a + d) = 1;
c(a + d) = 1;
a
2
+ bc = 1.
Portanto, b = c (ver as duas primeiras equacoes do sistema acima). Substituindo este
resultado na terceira equacao, obtemos 0 a
2
+ b
2
= 1. Isto e um absurdo. Portanto, S
nao possui raiz quadrada.
5.4.2 Resultados Importantes
Prezados alunos, vejamos que condicoes devemos colocar em um operador para garantir a
existencia e unicidade de uma raiz quadrada deste. Alem disso, iremos responder `a seguinte
pergunta: que condic oes esta raiz deve satisfazer? Para responder esta indagacao, primeira-
mente iremos estabelecer uma nova denicao para operadores denidos.
Lema 5.4. Seja V um espaco vetorial com produto interno , ) e dimensao nita. Seja
T : V V um operador auto-adjunto. Entao T e positivo se, e somente se, os autovalores
de T sao positivos.
69
Demonstracao. Suponha que T > 0 (ver Denicao 5.2). Ent ao T(v), v) > 0, para taodo
v V, com v ,= 0. Seja autovalor de T. Logo, existe v ,= 0 tal que T(v) = v. Assim
sendo,
0 < T(v), v) = v, v) = v, v).
Como v, v) > 0 (ver Denic ao 1.2), entao > 0.
Reciprocamente, considere que os autovalores de T sao positivos. Como T e auto-adjunto,
ent ao, pelo Teorema 5.2, existe uma base ortonormal v
1
, v
2
, ..., v
n
de V formada por au-
tovetores de T, digamos T(v
i
) =
i
v
i
, para todo i = 1, 2, ..., n. Sabemos que
i
> 0, para
todo i = 1, 2, ..., n. Seja v ,= 0 tal que v =
n

i=1
x
i
v
i
(no mnimo um destes x
i
s e nao-nulo).
Vamos motrar que T(v), v) > 0. Com efeito,
T(v), v) =
_
T
_
n

i=1
x
i
v
i
_
,
n

j=1
x
j
v
j
_
=
n

i,j=1
x
i
x
j
T (v
i
) , v
j
)
=
n

i,j=1
x
i
x
j

i
v
i
, v
j
)
=
n

i,j=1

i
x
i
x
j
v
i
, v
j
)
=
n

i=1

i
x
2
i
> 0,
onde na ultima igualdade usamos a Denic ao 2.4 e na desigualdade acima usamos o fato que
v ,= 0. Com isso, T(v), v) > 0, para todo v V , com v ,= 0. Portanto, T > 0 (ver Denicao
5.2).
Obs 5.3. Note que o Lema 5.4 nos diz, implicitamente, que T e indenido se, e somente se
possui autovalores positivo e negativo simultaneamente (se dimV > 1).
Exemplo 5.18. Seja T(x, y) = (x +y, x +y). Sabemos que T 0 (ver exemplo 5.13). Pelo
Lema 5.4, os autovalores de T sao nao-negativos. De fato, a matriz de T em relacao `a base
70
canonica c (ver exemplo 2.8) e dada por
[T]
c
=
_
1 1
1 1
_
.
Note que o polinomio caracterstico de T e dado por
p
T
(x) = det
_
x 1 1
1 x 1
_
= (x 1)
2
1 = x(x 2).
Logo os autovalores de T sao 0 e 2, ou seja, n umeros nao-negativos.
Exemplo 5.19. Seja T(x, y) = (2y, 2x). Verique que T e auto-adjunto. Alem disso, a
matriz de T em relac ao `a base canonica c (ver exemplo 2.8) e dada por
[T]
c
=
_
0 2
2 0
_
.
Logo, o polinomio caracterstico de T e dado por
p
T
(x) = det
_
x 2
2 x

= x
2
4 = (x + 2)(x 2).
Logo os autovalores de T sao 2 e 2. Assim, T possui autovalor positivo e negativo. Usando
o Lema 5.4, temos que T e indenido.
Teorema 5.4 (Existencia e Unicidade da Raiz Quadrada). Seja V um espaco vetorial com
produto interno , ) e dimensao nita. Seja S : V V um operador nao-negativo. Entao
existe uma ( unica) raiz quadrada nao-negativa de T.
Demonstracao. Como S 0, entao S e auto-adjunto (ver Denicao 5.2). Usando o Teorema
5.2, encontramos uma base ortonormal v
1
, v
2
, ..., v
n
de V formada por autovetores de S,
digamos S(v
i
) =
i
v
i
, para todo i = 1, 2, ..., n (isto e, os
i
s sao os autovalores de S). Como
S 0, entao, pelo Lema 5.4,
i
0, para todo i = 1, 2, ..., n. Dena, para cada v =
n

i=1
x
i
v
i
,
o operador
T(v) =
n

i=1
_

i
x
i
v
i
.
71
Verique que T e linear. Vamos mostrar que T e auto-adjunto. Com efeito, para u =
n

i=1
y
i
v
i
,
temos que
u, T(v)) =
_
n

i=1
y
i
v
i
,
n

j=1
_

j
x
j
v
j
_
=
n

i,j=1
_

j
x
j
y
i
v
i
, v
j
) =
n

i=1
_

i
x
i
y
i
,
ver Denicao 2.4. Por outro lado,
T(u), v) =
_
n

i=1
_

i
y
i
v
i
,
n

j=1
x
j
v
j
_
=
n

i,j=1
_

i
x
j
y
i
v
i
, v
j
) =
n

i=1
_

i
x
i
y
i
,
ver Denicao 2.4. Com isso,
T(u), v) = u, T(v))
, para todo u, v V. Pela Denicao 5.1, temos que T e auto-adjunto. Alem disso, T(v
i
) =

i
v
i
, i = 1, 2, ..., n. Ou seja, os autovalores de T, sao n umeros nao-negativos (

i
0).
Usando o Lema 5.4, conclumos que T e nao-negativo. Por m, utilizando as denicoes de
T e S acima, obtemos
T
2
(u) = T[T(u)] = T
_
n

i=1
_

i
y
i
v
i
_
=
n

i=1
_

i
y
i
T(v
i
) =
n

i=1
_

i
y
i
_

i
v
i
=
n

i=1
y
i
(
i
v
i
)
=
n

i=1
y
i
S(v
i
) = S
_
n

i=1
y
i
v
i
_
= S(u).
Dessa forma, T
2
= S, ou seja, T =

S.
Obs 5.4. A unicidade da raiz quadrada nao foi provada no Teorema acima, por motivos de
simplicac oes na demonstrac ao. Para ver a prova deste resultado consulte [4]. Alem disso,
note que na demonstrac ao do Teorema 5.4, descrevemos como encontrar esta raiz quadrada
(ver denicao de T).
Exemplo 5.20. Seja S(x, y) = (x+y, x+y) um operador linear denido em R
2
. O exemplo
5.13 nos diz que S 0. Pelo Teorema 5.4, existe uma unica raiz quadrada para este operador.
Vamos encontr a-la. Primeiramente, precisamos dos autovalores de S. Vimos no exemplo 5.19
que
1
= 0 e
2
= 2 sao os autovalores de T. Verique que
S
_
1

2
,
1

2
_
= (0, 0) e S
_
1

2
,
1

2
_
= 2
_
1

2
,
1

2
_
,
72
onde
__
1

2
,
1

2
_
,
_
1

2
,
1

2
__
e uma base ortonormal de R
2
formada por autovetores de S
(utilize o metodo exposto no Corolario 5.3 para encontrar tais vetores). Seja T a raiz
quadrada de S. Vimos na demonstracao do Teorema 5.4 que
T(x, y) =

2(y x)
2

0
_
1

2
,
1

2
_
+

2(x + y)
2

2
_
1

2
,
1

2
_
=

2
2
(x + y, x +y),
onde
(x, y) =

2(y x)
2
_
1

2
,
1

2
_
+

2(x + y)
2
_
1

2
,
1

2
_
.
Verique que T =

S.
Exerccios de Fixacao
1. Mostre que sao equivalentes as seguintes condic oes sobre um operador linear T : V V .
i) T = P
2
, para algum P : V V auto-adjunto;
ii) T = S

S, para algum S : V V auto-adjunto;


iii) T 0.
5.5 Conclusao
Conclumos que operadores auto-adjuntos sao operadores lineares diagonalizaveis com es-
pectro real.
5.6 Exerccios Propostos
1. Seja A uma matriz simetrica. Seja o autovalor de T de menor modulo. Mostre que A
e invertvel se, e somente se, ,= 0.
2. Sejam S, T : V V operadores auto-adjuntos no espaco vetorial V com produto interno
e dimensao nita. Mostre que S T e auto-adjunto S T = T S.
3. Seja T : V V um operador auto-adjunto. Prove que T
n
(v) = 0, para algum n N
T(v) = 0.
73
4. Prove que os operadores auto-adjuntos S, T : V V sao iguais S(v), v) = T(v), v),
v V.
Proxima Aula
Na sequencia sera apresentado os operadores ortogonais e suas propriedades.
74
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
75
Captulo 6
Operadores Ortogonais
Meta
Apresentar ao aluno a denicao e diversas propriedades dos operadores ortogonais.
Objetivos
Ao nal desta aula, o aluno dever a ser capaz de identicar um operador ortogonal e conhecer
suas principais propriedades.
Pre-requisitos

Algebra Linear I.
6.1 Introducao
Os operadores ortogonais tem como principal caracterstica a preserva cao de comprimentos
e, consequentemente, transforma bases ortonormais em bases ortonormais. Diante disto,
76
vericamos que seus autovalores, caso existam, sao somente 1 ou -1. Transformacoes como
rotac oes sao exemplos de operadores ortogonais.
6.2 Operadores Ortogonais
Vamos utilizar, inicialmente, a denic ao de isometria para estabelecer quais condic oes deve
satisfazer um operador ortogonal.
6.2.1 Denicao e Exemplos de Isometrias
Denicao 6.1. Seja T : U V uma aplicacao linear, onde U e V sao espacos vetoriais com
respectivos produtos internos , )
U
, , )
V
. Dizemos que T e uma isometria se
|T(u) T(v)|
V
= |u v|
U
,
para todo u, v U. Aqui | |
U
=
_
, )
U
e | |
V
=
_
, )
V
.
Obs 6.1. Quando nao houver possibilidade de confusao denotaremos por , ) os produtos
, )
U
e , )
V
e por | | as normas | |
U
e | |
V
.
Exemplo 6.1 (Translac ao e Isometria). Seja V um espaco vetorial com produto interno.
Seja T : V V uma translac ao, isto e, T(v) = v +w, onde w V esta xo. Armamos que
T e uma isometria. Com efeito,
|T(u) T(v)| = |u + w (v + w)| = |u + w v w| = |u v|,
para todo u, v V.
Exemplo 6.2. Seja T : R
2
R
2
dada por T(x, y) = (y, x). Assim sendo,
|T(x, y) T(a, b)|
2
= |(y, x) (b, a)|
2
= (y b)
2
+ (x a)
2
= (x a)
2
+ (y b)
2
= |(x, y) (a, b)|
2
.
77
Logo,
|T(x, y) T(a, b)| = |(x, y) (a, b)|,
para todo (x, y), (a, b) R
2
. Da, T e uma isometria.
Exemplo 6.3. Seja T : R
2
R
2
dada por T(x, y) = (1, y). Assim sendo,
|T(1, 1) T(0, 1)| = |(1, 1) (1, 1)| = 0.
Por outro lado, |(1, 1) (0, 1)| = |(1, 0)| = 1. Da, |T(1, 1) T(0, 1)| ,= |(1, 1) (0, 1)|.
Logo, T nao e uma isometria.
6.2.2 Operadores Lineares e Isometrias
Prezado aluno, quando uma aplicac ao T : U V e linear, e possvel caracterizar uma
isometria da seguinte forma:
Proposicao 6.1 (Caracterizacao Isometria Linear). Seja T : U V uma aplicac ao linear,
onde U, V sao espacos vetoriais com os respectivos produtos internos , )
U
, , )
V
. Ent ao T
e uma isometria se, e somente se, |T(u)|
V
= |u|
U
, u U, isto e, T preserva norma.
Demonstracao. ) Suponha que T e uma isometria. Como T e linear, ent ao T(0) = 0.
Consequentemente,
|T(u)|
V
= |T(u 0)|
V
= |T(u) T(0)|
V
= |u 0|
U
= |u|
U
, u U,
na terceira igualdade usamos a Denic ao 6.1.
) Reciprocamente, suponha que |T(u)|
V
= |u|
U
, u U. Portanto, utilizando a
denic ao de aplicac ao linear, obtemos
|T(u) T(v)|
V
= |T(u v)|
V
= |u v|
U
, u, v U.
Portanto, T e uma isometria (ver Denicao 6.1).
Exemplo 6.4 (Isometria Linear em R
2
). Vejamos outra maneira de vericar que a aplicacao
78
T(x, y) = (y, x) e uma isometria. Note que T e linear (verique!). Alem disso,
|T(x, y)| = |(y, x)| =
_
y
2
+ x
2
=
_
x
2
+ y
2
= |(x, y)|, (x, y) R
2
.
Assim, pela Proposicao 6.1, T e uma isometria.
6.2.3 Denicao e Exemplos de Operadores Ortogonais
Denicao 6.2. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno. Dizemos que T e um operador ortogonal se T e uma isometria.
Obs 6.2. A Proposicao 6.1 nos diz que um operador linear T : V V e ortogonal se, e
somente se, |T(u)| = |u|, para todo u V.
Exemplo 6.5. No exemplo 6.4, vimos que T(x, y) = (y, x) e um operador ortogonal.
Exemplo 6.6. O operador T(x, y) = (x +y, y) nao e ortogonal. Com efeito,
|T(1, 1)| = |(2, 1)| =

5 e |(1, 1)| =

2.
Logo, |T(1, 1)| ,= |(1, 1)|. Usando a Proposicao 6.1, conclumos que T nao e ortogonal (ver
Denic ao 6.2).
6.2.4 Alguns Resultados sobre Operadores Ortogonais
Caro aluno, agora vamos mostrar outras maneiras de denir operador ortogonal sobre espacos
vetoriais com produto interno.
Teorema 6.1. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno , ). Entao sao equivalentes os seguintes itens:
i) T e um operador ortogonal;
ii) u, v) = T(u), T(v)), para todo u, v V, isto e, T preserva produto interno;
iii) T

T = I, caso exista T

(aqui I e o operador identidade).


79
Demonstracao. Vamos provar as implicacoes i) ii) iii) i).
Comecemos com a implicacao i) ii). Se T e um operador ortogonal, entao pela
Proposicao 6.1, |T(u)| = |u|, para todo u V. Assim, usando a identidade de polarizac ao
(ver exerccios da aula 01), obtemos
u, v)
2
=
1
4
|u +v|
2

1
4
|u v|
2
=
1
4
|T(u + v)|
2

1
4
|T(u v)|
2
=
1
4
|T(u) + T(v)|
2

1
4
|T(u) T(v)|
2
= T(u), T(v))
2
,
para todo u, v V. Logo, u, v) = T(u), T(v)), para todo u, v V.
ii) iii) Se u, v) = T(u), T(v)), para todo u, v V, entao, pela Denic ao 4.2, obtemos
u, v) = T(u), T(v)) = u, T

T(v)),
para todo u, v V, ou seja, u, T

T(v) v) = 0, para todo u, v V, Dessa forma, pela


Proposicao 1.1, conclumos T

T(v) = v, para todo v V. Com isso, T

T = I.
iii) i) Considere que T

T = I. Note que, pela Denicao 4.2, encontramos as


igualdades
|T(u)|
2
= T(u), T(u)) = u, T

T(u)) = u, I(u)) = u, u) = |u|


2
,
para todo u V. Portanto, pela Proposic ao 6.1, temos que T e um operador ortogonal.
Exemplo 6.7. Sabemos que a identidade, I : V V , satisfaz I

= I (ver Proposicao 4.3).


Alem disso, I
1
= I (verique!). Com isso, I
1
= I

. Portanto, pelo item iii) do Teorema


6.1, temos que I e ortogonal. Outra maneira de vericar que I e ortogonal e utilizar o item
ii) do Teorema 6.1. De fato,
u, v) = I(u), I(v)),
para todo u, v V.
Corolario 6.2. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno , ) e dimensao nita. Enao T e ortogonal se, e somente se, T

tambem o
e.
80
Demonstracao. Se T e ortogonal, ent ao T
1
= T

. Usando o Teorema 4.4 e a Proposic ao


4.3, temos que
(T

)
1
= (T
1
)

= T

.
Pelo item iii) do Teorema 6.1, T

e ortogonal.
Reciprocamente, se T

e uma isometria, ent ao (T

)
1
= T

= T (ver Proposic ao 4.3).


Com isso, T
1
= [(T

)
1
]
1
= T

, ou seja, T e uma isometria (ver item iii) do Teorema


6.1).
Exemplo 6.8. Seja T : R
2
R
2
dado por T(x, y) = (y, x). Verique que T e ortogonal.
Vimos que T

= T (ver exemplo 4.5). Logo, T, denido por T(x, y) = (y, x), e um


operador ortogonal, pelo Corolario 6.2.
Corolario 6.3. Seja T : V V um operador ortogonal, onde V e um espaco vetorial com
produto interno , ). Entao T transforma conjuntos ortonormais em conjuntos ortonormais,
isto e, se v
1
, v
2
, ..., v
m
e ortonormal entao T(v
1
), T(v
2
), ..., T(v
m
) tambem o e.
Demonstracao. Seja v
1
, v
2
, ..., v
m
um conjunto ortonormal de V . Utilizando o Teorema
6.1, obtemos
T(v
i
), T(v
j
)) = v
i
, v
j
) =
_
1, se i = j;
0, se i ,= j,
para todo i, j = 1, 2, ..., m (ver Denic ao 2.4). Logo, T(v
1
), T(v
2
), ..., T(v
m
) e um conjunto
ortonormal (ver Denic ao 2.4).
Exemplo 6.9. Seja T : R
2
R
2
dado por T(x, y) = (y, x). T e um operador ortogonal
(verique!). Sabemos que (1, 0), (0, 1) e uma base ortonormal de R
2
(ver exemplo 2.8).
Portanto, pelo Corolario 6.3, T(1, 0), T(0, 1) = (0, 1), (1, 0) e um conjunto ortonormal.
Proposicao 6.2. Seja T : V V um operador ortogonal, onde V e um espaco vetorial com
produto interno , ). Entao os possveis autovalores de T sao 1 e 1.
Demonstracao. Seja v um autovetor de T, ou seja, seja v ,= 0 tal que T(v) = v. Vamos
provar que = 1 ou = 1. Com efeito, sabemos que |T(v)| = |v| (ver Denic ao 6.2).
Com isso, pela Denicao 1.1,
[[|v| = |v| = |T(v)| = |v|.
Assim, ([[ 1)|v| = 0. Como |v| > 0, entao [[ = 1. Por m, = 1.
81
Exemplo 6.10. Seja T : R
2
R
2
dado por T(x, y) = (y, 2x). Note que
[T]
c
=
_
0 1
2 0
_
,
onde c e a base canonica de R
2
(ver exemplo 2.8). Portanto,
p
T
(x) = det
_
x 1
2 x
_
= x
2
2 = (x

2)(x +

2).
Com isso, os autovalores de T sao

2. Pela Proposic ao 7.1, T nao e ortogonal.


6.2.5 Matrizes de Operadores Ortogonais
Prezado aluno, vejamos como denir operador ortogonal atraves da matriz deste operador,
em relacao a uma base ortonormal.
Teorema 6.4. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno , ) e dimensao nita. Entao T e ortogonal se, e somente se, [T]

e uma
matriz ortogonal, onde e base ortonormal de V. Lembre que uma matriz A e ortogonal se
AA
t
= A
t
A = I.
Demonstracao. Suponha que T e ortogonal. Seja base ortonormal de V . Vimos no Teorema
4.4 que [T

= [T]
t

. Como T e ortogonal, segue que T

T = T T

= I, (ver Denicao
6.2) atraves do Teorema do N ucleo e Imagem. Logo,
[T]

[T]
t

= [T]

[T

= [T T

= [T

T]

= [T

[T]

= [T]
t

[T]

.
Alem disso,
[T]

[T]
t

= [T]

[T

= [T T

= [I]

= I e [T]
t

[T]

= [T

[T]

= [T

T]

= [I]

= I.
Portanto,
[T]

[T]
t

= [T]
t

[T]

= [I]

= I.
Isto nos diz que [T]

e ortogonal (esta matriz tem entradas reais).


82
Reciprocamente, suponha que [T]
t

[T]

= [T]

[T]
t

= I, onde = v
1
, v
2
, ..., v
n
e uma
base ortonormal de V. Assim sendo, [T

T]

= [T T

= [I]

( pelo que foi feito acima).


Consequentemente,
T

T(v
i
), v
j
) = T T

(v
j
), v
i
) = v
i
, v
j
),
para todo i, j = 1, 2, ..., n. Estas sao as entradas das matrizes [T

T]

, [T T

e [I]

,
respectivamente. Portanto,
u, T T

(v)) = T

T(u), v) = u, v),
para todo u, v V, ver demonstracao do Teorema 5.1. Assim sendo, T

T = T T

= I
(ver Proposicao 1.1). Pela Denic ao 6.2, T e ortogonal.
Exemplo 6.11. Seja A =
_
0 1
1 0
_
uma matriz. Note que
AA
t
=
_
0 1
1 0
__
0 1
1 0
_
=
_
1 0
0 1
_
= I.
Analogamente,
A
t
A =
_
0 1
1 0
__
0 1
1 0
_
=
_
1 0
0 1
_
= I.
Portanto, AA
t
= A
t
A = I. Logo, A e uma matriz ortogonal. Com isso, pelo Teorema 6.4,
temos que o operador, denido por, T(x, y) = (y, x) e ortogonal, pois [T]
c
= A (onde c e a
base canonica de R
2
).
Exerccios de Fixacao
1. Seja T : U V linear, onde U, V sao espacos vetoriais de dimensao nita, com produto
interno e dimU = dimV . Sejam e bases ortonormais de U e V , respectivamente. Mostre
que [T]

e ortogonal T e uma isometria.


2. Se uma matriz ortogonal e triangular superior, prove que ela e diagonal se seu quadrado
e igual `a matriz identidade.
83
3. Entre as matrizes abaixo, determine quais sao ortogonais.
_
_
_
9 3 6
3 9 6
6 6 9
_
_
_
,
_
_
_
1 2 3
3 2 2
2 3 5
_
_
_
e
_
_
_
1 0 0
0 1 2
0 2 1
_
_
_
.
4. Considere que a matriz P = (v
1
v
2
...v
n
), cujas colunas sao os vetores v
1
, v
2
, ..., v
n
de
uma base ortonormal de R
n
. Mostre que P e ortogonal.
5. Seja V = R
2
, com produto interno canonico. Se T : V V e um operador ortogonal,
mostre que a matriz de T em relac ao `a base canonica e
_
cos sen
sen cos
_
ou
_
cos sen
sen cos
_
,
para algum [0, 2].
6.3 Conclusao
Conclumos ent ao que operadores lineares que preservam comprimentos sao operadores or-
togonais.
6.4 Exerccios Propostos
1. Um isomorsmo dos espacos com produto interno U e V e uma bijecao linear T : U V
que satisfaz T(u), T(v))
V
= u, v)
U
, para todo u, v U. Seja T : U V linear, onde U, V
sao espacos vetoriais de dimensao nita, com produto interno e dimU = dimV . Mostre que
as seguintes armac oes sao equivalentes:
i) T preserva produto interno;
ii) T e um isomorsmo de espacos vetoriais com produto interno;
iii) T transforma base ortonormal de U em base ortonormal de V ;
iv) T transforma alguma base ortonormal de U em alguma base ortonormal de V .
2. Prove que todo operador linear T : V V admite uma decomposic ao da forma T = PR,
84
onde R : V V e ortogonal e P : V V e nao-negativo. Esta decomposicao chama-se
decomposicao polar do operador T.
3. Obtenha a decomposicao polar da matriz
A =
_
_
_

2 1 1

2 1 1
0 1 1
_
_
_
.
Proxima Aula
A seguir estudaremos operadores normais, cujos operadores auto-adjuntos e ortogonais sao
casos particulares.
85
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
86
Captulo 7
Operadores Normais
Meta
Apresentar ao aluno o conceito e as principais propriedades de operadores normais.
Objetivos
Ao nal desta aula, o aluno devera ser capaz de identicar operadores normais e conhecer
suas principais propriedades.
Pre-requisitos

Algebra Linear I.
7.1 Introducao
Operadores normais englobam as categorias de operadores auto-adjuntos e operadores or-
togonais. Diferentemente dessas classes, o espectro de um operador normal pode ser vazio.
87
Quando o corpo que age sobre o espaco vetorial e o conjuntos dos n umeros complexos, um
operador normal e diagonalizavel.
7.2 Operadores Normais
Prezados alunos, nesta sec ao, veremos quais propriedades operadores que comutam com sua
adjunta satisfazem.
7.2.1 Denicao e Exemplos
Denicao 7.1. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno. Dizemos que T e normal se T T

= T

T.
Exemplo 7.1. Os operadores auto-adjuntos e os operadores ortogonais sao operadores nor-
mais (ver Denic oes 5.1, ?? e 6.2).
Exemplo 7.2. Seja T : R
2
R
2
dada por T(x, y) = (x + y, x + y). Vamos provar que T
e normal. Primeiramente vamos encontrar T

.
(a, b), T(x, y)) = (a, b), (x + y, x + y))
= a(x + y) + b(x + y)
= (a b)x + (a + b)y
= (a b, a + b), (x, y)).
Logo, T

(a, b) = (a b, a + b). Assim sendo,


T T

(a, b) = T(a b, a + b) = (a b + a + b, a + b + a +b) = (2a, 2b).


Por outro lado,
T

T(x, y) = T

(x + y, x + y) = (x +y + x y, x + y x + y) = (2x, 2y).
Logo, T T

= T

T. Com isso, pela Denicao 7.1, T e normal. Observe que T nao e


auto-adjunto nem ortogonal (verique!).
88
Exemplo 7.3 (Operador Nao-normal). Seja T : R
2
R
2
dado por T(x, y) = (y, 2x). Vamos
mostrar que T nao e normal. De fato, T

(x, y) = (2y, x) (verique!). Logo,


T T

(x, y) = T(2y, x) = (x, 4y).


Por outro lado,
T

T(x, y) = T

(y, 2x) = (4x, y).


Dessa forma, T T

(0, 1) = (0, 4) e T

T(0, 1) = (0, 1). Ou seja, T T

,= T

T. Pela
Denic ao 7.1, T nao e um operador normal.
7.2.2 Resultados Importantes
Caro aluno, vejamos uma outra maneira de denir um operador normal.
Teorema 7.1. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno , ). Entao T e normal se, e somente se, |T(v)| = |T

(v)|, para todo


v V.
Demonstracao. Suponha que T e um operador normal. Assim sendo, usando as Denicoes
4.2 e 7.1, obtemos
|T(v)|
2
= T(v), T(v)) = v, T

T(v)) = v, T T

(v)) = T

(v), T

(v)) = |T

(v)|
2
,
para todo v V. Consequentemente, |T(v)| = |T

(v)|, para todo v V.


Reciprocamente, considere que |T(v)| = |T

(v)|, para todo v V. Vamos mostrar que


T e normal. Note que, atraves da Denic ao 4.2, conclumos que
T

T(v), v) = T(v), T(v)) = |T(v)|


2
= |T

(v)|
2
= T

(v), T

(v)) = T T

(v), v),
para todo v V. Portanto, T

T(v), v) = T T

(v), v), para todo v V. Dessa forma,


T

T(u +w), u + w) = T T

(u + w), u +w),
89
para todo u, w V. Pela Denicao 1.1 e usando a hipotese da recproca, obtemos
T

T(u), w) +T

T(w), u) = T T

(u), w) +T T

(w), u),
para todo u, w V. Atraves da Denic ao 4.2, encontramos
T

T(u), w) = T T

(u), w),
para todo u, w V. Consequentemente,
[T

T T T

](u), w) = 0,
para todo u, w V. Pela Proposic ao 1.1, [T

T T T

](u) = 0, para todo u V. Isto nos


diz que T

T = T T

. Atraves da Denicao 7.1, temos que T e normal.


Exemplo 7.4. Seja T : R
3
R
3
denido por T(x, y, z) = (2x, x y, 0). Vamos mostrar
que T nao e normal. De fato, verique que T

(x, y, z) = (2x + y, y, 0). Logo,


|T(0, 1, 0)| = |(0, 1, 0)| = 1 e |T

(0, 1, 0)| = |(1, 1, 0)| =

2.
Consequentemente, |T

(0, 1, 0)| ,= |T(0, 1, 0)|. Portanto, usando o Teorema 7.1, conclumos


que T nao e normal.
Proposicao 7.1. Seja T : V V um operador normal, onde V e um espaco vetorial com
produto interno , ). Entao todo autovalor de T e autovalor de T

, com o mesmo autovetor


associado.
Demonstracao. Seja um autovalor de T, ent ao existe v V , nao-nulo, tal que T(v) = v.
Assim, T(v) v = 0, isto e, (T I)(v) = 0. Portanto, pelo Teorema 7.1 e pela Proposicao
4.3, temos que e autovalor de T associado a v se, e somente se, |(T I)(v)| = 0 e isto
e equivalente a dizer que |(T I)

(v)| = 0. Assim, pela denicao de norma, segue que


(T

I)(v) = 0. Ou seja, T

(v) = v. Portanto, e autovalor de T

associado a v.
Obs 7.1. Note que, na demonstracao da Proposicao 7.1, nao provamos que T I e um
operador normal (hipotese do Teorema 7.1). Deixamos para o aluno este exerccio de xac ao.
90
7.2.3 Matrizes de Operadores Normais
Prezado aluno, vamos mostrar que e possvel dar outra denic ao para um operador normal.
Faremos isto estabelecendo a relac ao de um operador deste tipo com sua matriz, em relacao
a uma base ortonormal.
Teorema 7.2. Seja T : V V um operador linear, onde V e um espaco vetorial com
produto interno , ) e dimensao nita. Entao T e normal se, e somente se, [T]

e uma
matriz, com coecientes reais, normal, onde e base ortonormal de V. Lembre que uma
matriz, com coecientes reais, A e normal se AA
t
= A
t
A.
Demonstracao. Suponha que T e normal. Seja base ortonormal de V . Vimos no Teorema
4.4 que [T

= [T]
t

. Como T e normal, ent ao T

T = T T

(ver Denicao 7.1). Logo,


[T]

[T]
t

= [T]

[T

= [T T

= [T

T]

= [T

[T]

= [T]
t

[T]

.
Isto nos diz que [T]

e normal (esta matriz tem entradas reais).


Reciprocamente, suponha que [T]
t

[T]

= [T]

[T]
t

, onde = v
1
, v
2
, ..., v
n
e uma base
ortonormal de V. Assim sendo, [T

T]

= [T T

(pelo que foi feito acima). Consequente-


mente, T

T(v
i
), v
j
) = T T

(v
j
), v
i
), para todo i, j, estas sao as entradas das matrizes
[T

T]

e [T T

, respectivamente. Logo,
u, T T

(v)) = T

T(u), v),
para todo u, v V, ver demonstracao do Teorema 5.1. Dessa forma, pela Proposicao 1.1,
obtemos T

T = T T

. Pela Denic ao 7.1, T e normal.


Exemplo 7.5. Seja A =
_
1 1
1 1
_
uma matriz. Note que
AA
t
=
_
1 1
1 1
__
1 1
1 1
_
=
_
2 0
0 2
_
.
Analogamente,
A
t
A =
_
1 1
1 1
__
1 1
1 1
_
=
_
2 0
0 2
_
.
91
Isto nos diz que A
t
A = AA
t
. Portanto, A e uma matriz normal (com coecientes reais).
Utilizando o Teorema 7.1, conclumos que T : R
2
R
2
, dado por T(x, y) = (x +y, x +y),
e um operador normal, ja que [T]
c
= A onde c e a base canonica de R
2
.
Exerccios de Fixacao
1. Se T e um operador normal, prove que autovetores de T que estao associados a autovalores
distintos sao ortogonais.
2. Seja T : V V um operador linear sobre um espaco vetorial com produto interno e
dimensao nita. Prove que S e normal se, e somente se, |T(v)| = |T

(v)|, para todo v V.


3. Seja T : V V um operador normal tal que dimV = n. Se T possui n autovalores
distintos, prove que T e auto-adjunto.
4. Entre as matrizes abaixo, determine quais sao normais.
_
_
_
9 3 6
3 9 6
6 6 9
_
_
_
,
_
_
_
1 2 3
3 2 2
2 3 5
_
_
_
e
_
_
_
1 0 0
0 1 2
0 2 1
_
_
_
.
7.3 Conclusao
Conclumos ent ao que os vetores imagens de um operador linear e de sua adjunta, tem o
mesmo comprimento.
7.4 Exerccios Propostos
1. Sejam M e N operadores lineares sobre um espaco vetorial V com N sendo um operador
normal. Mostre que se N M = M N, entao N

M = M N

.
2. Sejam M, N : V V operadores lineares normais. Mostre que se N M = M N, ent ao
M

N = N M

e M N

= N

M. Conclua que N M e normal.


92
Proxima Aula
Na proxima aula estudaremos uma generalizac ao do conceito de produto interno na forma
de um funcional bilinear.
93
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
94
Captulo 8
Formas Bilineares
Meta
Propiciar ao aluno o conceito e principais propriedades de formas bilineares.
Objetivos
Ao nal desta aula, o aluno dever a ser capaz de identicar uma forma bilinear e quais suas
principais propriedades.
Pre-requisitos

Algebra Linear I.
8.1 Introducao
Formas bilineares e formas quadraticas estao envolvidas com a representac ao de conicas e
superfcies em R
2
e R
3
, respectivamente. Possuem aplicac oes importantes em otimizac ao e
95
programac ao linear. Ha uma relac ao entre formas bilineares simetricas e operadores auto-
adjuntos, de modo que a representac ao matricial de uma forma bilinear simetrica tambem e
diagonalizavel.
8.2 Formas Bilineares
8.2.1 Denicao e Exemplos
Denicao 8.1. Seja V um espaco vetorial. Uma funcao f : V V R que satisfaz
i) f(u, v) = f(u, v), para todo u, v V, R;
ii) f(u, v) = f(u, v), para todo u, v V, R;
iii) f(u + w, v) = f(u, v) + f(w, v), para todo u, v, w V ;
iv) f(u, v + w) = f(u, v) + f(u, w), para todo u, v, w V ;
e chamada forma bilinear sobre V , ou simplesmente forma bilinear.
Notacao: B(V ) = f : V V R e uma forma bilinear.
Obs 8.1. Verique que B(V ) munido das operacoes de adicao,
(f + g)(u, v) := f(u, v) + g(u, v),
para todo (u, v) V V e de multiplicac ao por escalar,
(f)(u, v) := f(u, v),
para todo (u, v) V V e R, e um espaco vetorial.
Exemplo 8.1. Seja f : R
2
R
2
R uma funcao denida por
f((x, y), (a, b)) = 3xa 2xb + 5ya + 7yb.
96
Vamos mostrar que f e bilinear. De fato, para (x, y), (a, b) e (c, d) R
2
e R, temos:
i) f((x, y), (a, b)) = f((x, y), (a, b))
= 3(x)a 2(x)b + 5(y)a + 7(y)b
= (3xa 2xb + 5ya + 7yb)
= f((x, y), (a, b)).
ii) f((x, y), (a, b)) = f((x, y), (a, b))
= 3x(a) 2x(b) + 5y(a) + 7y(b)
= (3xa 2xb + 5ya + 7yb)
= f((x, y), (a, b)).
iii) f((x, y), (a, b) + (c, d)) = f((x, y), (a + c, b + d))
= 3x(a + c) 2x(b + d) + 5y(a + c) + 7y(b + d)
= (3xa 2xb + 5ya + 7yb) + (3xc 2xd + 5yc + 7yd)
= f((x, y), (a, b)) + f((x, y), (c, d)).
iv) f((x, y) + (c, d), (a, b)) = f((x + c, y + d), (a, b))
= 3(x + c)a 2(x +c)b + 5(y + d)a + 7(y + d)b
= (3xa 2xb + 5ya + 7yb) + (3ca 2cb + 5da + 7db)
= f((x, y), (a, b)) + f((c, d), (a, b)).
Pela Denicao 8.1, conclumos que f e uma forma bilinear.
Exemplo 8.2. Seja f : R
2
R
2
R dada por f((x, y), (a, b)) = 2xb + 2ya. Sejam
(x, y), (a, b), (c, d) R
2
e R. Note que f e uma forma bilinear, pois:
i) f((x, y), (a, b)) = f((x, y), (a, b))
= 2(x)b + 2(y)a
= (2xb + 2ya)
= f((x, y), (a, b)).
97
ii) f((x, y), (a, b)) = f((x, y), (a, b))
= 2x(b) + 2y(a)
= (2xb + 2ya)
= f((x, y), (a, b)).
iii) f((x, y), (a, b) + (c, d)) = f((x, y), (a +c, b + d))
= 2x(b + d) + 2y(a + c)
= (2xb + 2ya) + (2xd + 2yc)
= f((x, y), (a, b)) + f((x, y), (c, d)).
iv) f((x, y) + (c, d), (a, b)) = f((x + c, y + d), (a, b))
= 2(x + c)b + 2(y + d)a
= (2xb + 2ya) + (2cb + 2da)
= f((x, y), (a, b)) + f((c, d), (a, b)).
Exemplo 8.3. Seja V um espaco vetorial com produto interno , ). Vamos provar que
, ) : V V R e uma forma bilinear. Note que, pela Denic ao 1.1,
i) u, v) = u, v), para todo u, v V, R;
ii) u, v) = u, v), para todo u, v V, R;
iii) u +w, v) = u, v) +w, v), para todo u, v, w V ;
iv) u, v + w) = u, v) +u, w), para todo u, v, w V ;
ou seja, , ) satisfaz todos os itens da Denic ao 8.1. Isto nos diz que , ) e uma forma
bilinear.
Exemplo 8.4. Seja V um espaco vetorial com produto interno , ). Seja T : V V um
operador linear. Seja f(u, v) = T(u), v), para todo u, v V. Ent ao,
i) f(u, v) = T(u), v) = T(u), v) = T(u), v) = f(u, v), para todo u, v V e
R;
98
ii) f(u, v) = T(u), v) = T(u), v) = f(u, v), para todo u, v V e R;
iii) f(u + w, v) = T(u + w), v) = T(u) + T(w), v) = T(u), v) + T(w), v) = f(u, v) +
f(w, v), para todo u, v, w V ;
iv) f(u, v + w) = T(u), v + w) = T(u), v) + T(u), w) = f(u, v) + f(u, w), para todo
u, v, w V.
Logo, f e uma forma bilinear.
Exemplo 8.5 (Forma Nao-bilinear). Seja f : R
2
R
2
R uma funcao denida por
f((x, y), (a, b)) = 1, para todo (x, y), (a, b) R
2
. Armamos que f nao e uma forma bi-
linear. Com efeito,
f(2(1, 0), (0, 1)) = f((2, 0), (0, 1)) = 1 e 2f((1, 0), (0, 1)) = 2 1 = 2.
Com isso,
f(2(1, 0), (0, 1)) ,= 2f((1, 0), (0, 1)).
Portanto, f nao satisfaz o item i) da Denic ao 8.1. Dessa forma, f nao e uma forma bilinear.
8.2.2 Formas Bilineares Simetrica e Anti-simetrica
Denicao 8.2. Seja V um espaco vetorial. Seja f : V V R uma forma bilinear. Dizemos
que
i) f e simetrica se f(u, v) = f(v, u), para todo u, v V ;
ii) f e anti-simetrica se f(u, v) = f(v, u), para todo u, v V .
Exemplo 8.6 (Forma Bilinear Nao-simetrica). A forma bilinear do exemplo 8.1 nao e
simetrica. Com efeito,
f((1, 0), (0, 1)) = 2 e f((0, 1), (1, 0)) = 5,
ver denicao da forma no exemplo 8.1. Consequentemente,
f((1, 0), (0, 1)) ,= f((0, 1), (1, 0)).
99
Portanto, f, denida no exemplo 8.1, nao e uma forma bilinear simetrica (ver Denicao 8.2)
Exemplo 8.7. Seja V um espaco vetorial com produto interno , ). Vimos no exemplo 8.3
que o produto interno e uma forma bilinear. Pela Denic ao 1.1, temos que u, v) = v, u),
para todo u, v V. Logo, , ) e uma forma bilinear simetrica (ver Denicao 8.2).
Exemplo 8.8. Considere a forma bilinear f((x, y), (a, b)) = 2xb + 2ya, vista no exemplo
8.2. Veja que
f((x, y), (a, b)) = 2xb + 2ya = (2ay + 2bx) = f((a, b), (x, y)),
para todo (x, y), (a, b) R
2
. Logo, pela Denic ao 8.2, f e uma forma bilinear anti-simetrica.
8.2.3 Resultados Importantes
Caros alunos, veremos, nesta secao, que a recproca do exemplo 8.4 e verdadeira, mas para
isto precisamos da nitude da dimenensao do espaco vetorial em questao.
Teorema 8.1. Seja V um espaco vetorial com produto interno , ) e dimensao nita. Seja
f : V V R uma forma bilinear. Entao existe um unico operador linear T : V V tal
que f(u, v) = T(u), v), para todo u, v V. Alem disso, f e simetrica se, e somente se, T e
auto-adjunto.
Demonstracao. Seja v V um vetor xado. Seja g : V R uma aplicacao denida por
g(u) = f(u, v), para todo u V. Note que, atraves da Denicao 8.1, chegamos a
g(u + w) = f(u + w, v) = f(u, v) + f(w, v) = g(u) + g(w),
para todo u, w V e R. Consequentemente, g e um funcional linear (ver Denic ao 4.1).
Logo, pelo Teorema 4.1, existe um unico w V tal que g(u) = u, w), para todo u V.
Dena o operador S : V V dado por S(v) = w. Como dimV e nita, entao existe unica
S

: V V (ver Teorema 4.3). Seja T = S

. Consequentemente, pela Denicao 4.2, obtemos


f(u, v) = g(u) = u, S(v)) = S

(u), v) = T(u), v),


para todo u, v V. Vamos vericar que T e unico. Suponha que existe um operador P :
100
V V linear tal que
f(u, v) = P(u), v) = T(u), v),
para todo u, v V. Por conseguinte, P(u)T(u), v) = 0, para todo u, v V. Pela Proposic ao
1.1, temos que P(u)T(u) = 0, para todo u V. Por m, T(u) = P(u), para todo u V. Ou
seja, T e o unico que satisfaz f(u, v) = T(u), v), para todo u, v V. Assim,f(u, v) = f(v, u)
se, e somente se, T(u), v) = T(v), u). Portanto, T e auto-adjunto, ver Denic ao 5.1.
Exemplo 8.9. Seja f : R
2
R dado por f((x, y), (a, b)) = 2xb +2ya. Vimos no exemplo
8.2, que f e uma forma bilinear. Seja T : R
2
R
2
um operador linear denido por
T(x, y) = (2y, 2x), ent ao
f((x, y), (a, b)) = 2xb + 2ya = (2y, 2x), (a, b)) = T(x, y), (a, b)),
para todo (x, y), (a, b) R
2
. Vimos no exemplo 8.8, que f e anti-simetrica.
Prezado aluno, na Observa cao da Denic ao 8.1, informamos que B(V ) e um espaco
vetorial. Com o Teorema 8.1, faz sentido perguntarmos se e possvel compararmos dimL(V )
com dimB(V ) (aqui L(V ) = T : V V e linear e dimV e nita), ja que existe uma
relac ao entre uma forma bilinear e um operador linear. Vejamos o corolario a seguir que
responde a esta indagacao.
Corolario 8.2. Seja V um espaco vetorial com produto interno , ) e dimensao nita.
Entao B(V ) e isomorfo a L(V ). Em particular, dimB(V ) = dimL(V ) = (dimV )
2
.
Demonstracao. Seja f B(V ) (ver Denic ao 8.1). Pelo Teorema 8.1, existe um unico
T L(V ) tal que f(u, v) = T(u), v), para todo u, v V. Dena : B(V ) L(V ) por
(f) = T. Mostre que e um isomorsmo, isto e, e uma transformacao linear bijetora.
Em particular, pelo Teorema do n ucleo e imagem, temos que
dimB(V ) = dimL(V ) = (dimV )
2
.
101
8.2.4 Matrizes de Formas Bilineares
Caro aluno, agora, vamos estabelecer a ideia de matriz de uma forma bilinear para um espaco
vetorial de dimensao nita.
Denicao 8.3. Seja V um espaco vetorial de dimensao nita. Seja = v
1
, v
2
, ..., v
n
uma
base de V . A matriz da forma bilinear f : V V R em relac ao `a base e dada por
[f]

= (f(v
j
, v
i
)), ou seja,
[f]

=
_
_
_
_
_
_
f(v
1
, v
1
) f(v
2
, v
1
) ... f(v
n
, v
1
)
f(v
1
, v
2
) f(v
2
, v
2
) ... f(v
n
, v
2
)

f(v
1
, v
n
) f(v
2
, v
1
) ... f(v
n
, v
n
)
_
_
_
_
_
_
.
Exemplo 8.10. Seja f((x, y), (a, b)) = 3xa 2xb + 5ya + 7yb a forma bilinear do exemplo
8.1. Vamos encontrar a matriz de f em relac ao `a base canonica de R
2
(ver exemplo 2.8).
_
f((1, 0), (1, 0)) f((0, 1), (1, 0))
f((1, 0), (0, 1)) f((0, 1), (0, 1))
_
=
_
3 5
2 7
_
.
Obs 8.2. Seja V um espaco vetorial com produto interno , ) e dimensao nita. Seja f uma
forma bilinear. Vimos, no Teorema 8.1, que existe um unico T tal que f(u, v) = T(u), v),
para todo u, v V. Seja = v
1
, v
2
, ..., v
n
uma base ortonormal de V , ent ao
[f]

=
_
_
_
_
_
_
f(v
1
, v
1
) f(v
2
, v
1
) ... f(v
n
, v
1
)
f(v
1
, v
2
) f(v
2
, v
2
) ... f(v
n
, v
2
)

f(v
1
, v
n
) f(v
2
, v
1
) ... f(v
n
, v
n
)
_
_
_
_
_
_
=
_
_
_
_
_
_
T(v
1
), v
1
) T(v
2
), v
1
) ... T(v
n
), v
1
)
T(v
1
), v
2
) T(v
2
), v
2
) ... T(v
n
), v
2
)

T(v
1
), v
n
) T(v
2
), v
n
) ... T(v
n
), v
n
)
_
_
_
_
_
_
= [T]

.
Teorema 8.3. Seja V um espaco vetorial com produto interno , ) e dimensao nita. Seja
f : V V R uma forma bilinear simetrica. Entao existe uma base ortonormal de V tal
102
que [f]

e diagonal.
Demonstracao. Usando o Teorema 8.1, temos que existe um unico operador auto-adjunto
T tal que f(u, v) = T(u), v), para todo u, v V, pois f e simetrica. Agora, utilizando o
Teorema 5.2, temos que existe uma base ortonormal tal que [T]

e diagonal. Mas, pela


observac ao 8.2, sabemos que [f]

= [T]

. Logo, [f]

e diagonal.
Exemplo 8.11. Verique que f((x, y), (a, b)) = ax +2ay +2bx 2by e uma forma bilinear.
Seja T(x, y) = (x + 2y, 2x 2y) um operador linear (verique). Veja que,
[T]
c
=
_
1 2
2 2
_
,
onde c e a base canonica de R
2
. Como [T]
c
e simetrica, entao pelo Teorema 5.1, T e auto-
adjunto. Mas,
f((x, y), (a, b)) = T(x, y), (a, b)),
para todo (x, y), (a, b) R
2
(verique). Dessa forma, pelo Teorema 8.1, temos que f e uma
forma bilinear simetrica. Usando o exemplo 4.11 e a observacao 8.2, conclumos que
[f]

= [T]

=
_
3 0
0 2
_
,
onde =
__
1

5
,
2

5
_
,
_
2

5
,
1

5
__
e uma base ortonormal.
Exerccios de Fixacao
1. Seja f : V V R uma forma bilinear. Provar que
i) f(0, v) = f(v, 0) = 0;
ii) f
_
n

i=1

i
v
i
, v
_
=
n

i=1

i
f(v
i
, v);
iii) f
_
v,
m

j=1

j
v
j
_
=
m

j=1

j
f(v, v
j
);
iv) f
_
n

i=1

i
v
i
,
m

j=1

j
v
j
_
=
n

i=1
m

j=1

j
f(v
i
, v
j
).
103
2. Sejam u = (x
1
, x
2
) e v = (y
1
, y
2
) R
2
. Quais das seguintes funcoes sao formas bilineares:
i) f(u, v) = x
1
y
1
;
ii) f(u, v) = x
1
y
2
;
iii) f(u, v) = x
1
(y
1
+y
2
);
iv) f(u, v) = 0;
v) f(u, v) = x
2
1
+ x
2
y
1
.
3. Calcular a matriz das formas bilineares da questao anterior em relac ao `a base canonica.
4. Seja f : R
2
R
2
R dada por f((x
1
, x
2
), (y
1
, y
2
)) = x
1
y
1
+ x
2
y
2
. Encontre a matriz de
f em relac ao a cada uma das bases abaixo:
(1, 0), (0, 1) e (1, 1), (1, 1).
5. Seja f : R
2
R
2
R dada por f((x
1
, x
2
), (y
1
, y
2
)) = x
1
y
1
+ 4x
2
y
2
+ 2x
1
y
2
+ 2x
2
y
1
.
Encontre uma base de R
2
tal que [f]

e diagonal.
6. Escreva a expressao geral de uma forma bilinear simetrica sobre R
2
e R
3
.
7. Escreva a expressao geral de uma forma bilinear anti-simetrica sobre R
2
e R
3
.
8.3 Formas Quadraticas
Caros aluno, nesta sec ao, utilizaremos o metodo de Lagrange para diagonalizar formas
quadraticas simetricas. Alem disso, enunciaremos e provaremos a Lei da Inercia proposta
por Sylvester.
Denicao 8.4 (Forma Quadratica). Seja V um espaco vetorial. Seja f : V V R uma
forma bilinear simetrica. Uma aplicac ao q : V R, denida por
q(v) = f(v, v),
para todo v V, e chamada forma quadratica sobre V .
Exemplo 8.12. f((x, y), (a, b)) = xa 5xb 5ya + yb e uma forma bilinear simetrica
(verique!). Logo, q : R
2
R, dada por
q(x, y) = f((x, y), (x, y)) = x
2
10xy + y
2
,
104
e uma forma quadratica.
Exemplo 8.13. Mostre que f((x, y), (a, b)) = 3xayb e uma forma bilinear simetrica. Com
isso, q : R
2
R, denida por
q(x, y) = f((x, y), (x, y)) = 3x
2
y
2
= 0,
e uma forma quadratica.
Exemplo 8.14. Seja V um espaco vetorial com produto interno , ). Vimos no exemplo
8.3 que o produto interno e uma forma bilinear. Logo q : V R, dado por
q(v) = v, v) = |v|
2
, v V,
e uma forma quadratica.
Obs 8.3. Se em vez da forma bilinear f : V V R tomarmos a forma bilinear simetrica
g(u, v) =
1
2
[f(u, v) + f(v, u)] ,
temos ainda que q(v) = f(v, v) = g(v, v). Portanto, nao ha perda de generalidade em se
exigir que a forma quadratica provenha de uma forma bilinear simetrica.
Denicao 8.5. Seja V um espaco vetorial. Seja U subespaco vetorial de V . Seja q : V R
uma forma quadratica. Dizemos que q e positiva em U, e escrevemos q > 0, se q(u) > 0,
para todo u U nao-nulo.
Obs 8.4. Analogamente, podemos denir formas quadraticas negativas, nao-negativas, nao-
positivas ...
Obs 8.5. Quando q e positiva, negativa, nao-negativa ou nao-positiva, dizemos que q e uma
forma quadratica denida em U. Caso contr ario q e dita indenida em U.
Exemplo 8.15. Considere a forma quadratica
q(x, y) = |(x, y)|
2
= x
2
+ y
2
,
vista no exemplo 8.14. Note que q(x, y) = x
2
+ y
2
> 0, para todo (x, y) ,= (0, 0) R
2
, pois
x
2
+y
2
= 0 se, e somente se, x = y = 0. Isto nos diz que q e uma forma quadratica positiva
em R
2
.
105
8.3.1 Resultados Importantes
Caros alunos, nesta secao, poderamos trabalhar em um espaco vetorial arbitrario V com
dimensao nita n. Porem, este espaco e facilmente identicado, atraves do isomorsmo
T : V R
n
, denido por T(v) = [v]

( e uma base ortonormal de V ), comR


n
. Portanto, por
conveniencia, as formas quadraticas que aparecem aqui estao denidas sobre R
n
. Com estas
considerac oes, veremos dois importantssimos Teoremas que trabalham com a diagonalizac ao
de uma forma quadratica.
Teorema 8.4 (Teorema de Lagrange). Seja q : R
n
R uma forma quadratica. Entao
existe uma mudanca de coordenadas de modo que nas novas coordenadas a forma quadratica
e diagonal, isto e,
q(y
1
, y
2
, ..., y
n
) = d
1
y
2
1
+d
2
y
2
2
+ ... + d
n
y
2
n
.
Antes de vermos a prova do Teorema 8.4, ilustremos com um exemplo o algoritmo que
sera utilizado para diagonalizar formas quadraticas simetricas. Este algoritmo e chamado
Metodo de Lagrange.
Exemplo 8.16 (Metodo de Lagrange em R
3
). Seja q : R
3
R dada por
q(a, b, c) = 2a
2
3b
2
+ c
2
2ab + 4ac 4bc.
Mostre que q e uma forma quadratica (veja como obter a forma bilinear que gerou esta forma
quadratica na lista de exerccios). Note que
q(a, b, c) = 2a
2
3b
2
+c
2
2ab + 4ac 4bc = 2(a
2
ab + 2ac) 3b
2
+ c
2
4bc
= 2
_
a
2
2a
_
b 2c
2
__
3b
2
+c
2
4bc
= 2
_
a
_
b 2c
2
__
2
2
_
b 2c
2
_
2
3b
2
+ c
2
4bc
= 2
_
a
_
b 2c
2
__
2

b
2
2
+ 2bc 2c
2
3b
2
+ c
2
4bc
= 2
_
a
_
b 2c
2
__
2

7b
2
2
2bc c
2
= 2
_
a
_
b 2c
2
__
2

7
2
_
b
2
+ 2
2
7
bc
_
c
2
= 2
_
a
_
b 2c
2
__
2

7
2
_
b +
2
7
c
_
2
+
2
7
c
2
c
2
106
= 2
_
a
_
b 2c
2
__
2

7
2
_
b +
2
7
c
_
2

5
7
c
2
.
Dessa forma, para y
1
= a
_
b 2c
2
_
, y
2
= b +
2
7
c, y
3
= c, obtemos
q(y
1
, y
2
, y
3
) = 2y
2
1

7
2
y
2
2

5
7
y
2
3
.
Logo, q esta na forma diagonal, onde d
1
= 2, d
2
=
7
2
, d
3
=
5
7
.
Note que o Metodo de Lagrange pode ser resumido na tecnica de completar quadrados.
Mas, para isso precisamos seguir algumas regras. Vejamos a prova do Teorema 8.4.
Demonstracao. Seja v
1
, v
2
, ..., v
n
a base canonica de R
n
. Entao, pelas Denic oes 8.1 e 8.4,
obtemos
q(x
1
, x
2
, ..., x
n
) = f((x
1
, x
2
, ..., x
n
), (x
1
, x
2
, ..., x
n
))
= f
_
n

i=1
x
i
v
i
,
n

j=1
x
j
v
j
_
=
n

i,j=1
x
i
x
j
f(v
i
, v
j
),
onde f e uma forma bilinear que gera q. Seja a
ij
= f(v
i
, v
j
). Assim,
q(x
1
, x
2
, ..., x
n
) =
n

i,j=1
a
ij
x
i
x
j
. (8.1)
Como q e uma forma quadratica, ent ao f e simetrica (ver Denic ao 8.4). Portanto,
a
ij
= f(v
i
, v
j
) = f(v
j
, v
i
) = a
ji
.
Se a
ij
= 0, para todo i, j, ent ao q(x
1
, ..., x
n
) = 0, ou seja q esta na forma diagonal com
d
1
= d
2
= ... = d
n
= 0. Armamos que podemos considerar que a
11
,= 0. De fato, suponha
que a
ii
= 0, para todo i e que existam i, j tais que a
ij
,= 0, com i ,= j. Sem perda de
generalidade, considere que a
12
,= 0. Da, as parcelas que contem x
1
e x
2
em (8.1) satisfazem
a
12
x
1
x
2
+a
21
x
2
x
1
= a
12
x
1
x
2
+ a
12
x
1
x
2
= 2a
12
x
1
x
2
.
107
Fa ca a mudanca de variavel x
1
= z
1
z
2
e x
2
= z
1
+z
2
, temos que
2a
12
x
1
x
2
= 2a
12
(z
1
z
2
)(z
1
+ z
2
) = 2a
12
z
2
1
2a
12
z
2
2
.
Como o termo que multiplica z
2
1
e diferente de zero, podemos considerar que a
11
,= 0. Com
isso, agrupando os termos que contem x
1
, obtemos
a
11
x
2
1
+ 2
n

j=2
a
1j
x
1
x
j
= a
11
_
x
2
1
+
2x
1
a
11
n

j=2
a
1j
x
j
_
= a
11
_
x
1
+
1
a
11
n

j=2
a
1j
x
j
_
2

1
a
11
_
n

j=2
a
1j
x
j
_
2
.
Sejam
y
1
= x
1
+
1
a
11
n

j=2
a
1j
x
j
, y
2
= x
2
, ..., y
n
= x
n
.
Portanto,
q(y
1
, y
2
, ..., y
n
) = a
11
y
2
1
+ q
1
(y
2
, y
3
, ..., y
n
),
onde q
1
e uma forma quadratica. Repita o processo para q
1
concluindo assim a diagonali-
zac ao.
Exemplo 8.17. Seja q : R
2
R dado por q(x, y) = xy, para todo (x, y) R
2
. Apliquemos
o Teorema 8.4. Sejam
x = y
1
y
2
e y = y
1
+ y
2
, ou seja , y
1
=
x + y
2
e y
2
=
y x
2
.
Da,
q(y
1
, y
2
) = (y
1
y
2
)(y
1
+y
2
) = y
2
1
y
2
2
.
Agora, veremos um resultado conhecido como Lei da Inercia.
Teorema 8.5 (Teorema de Sylvester). Seja q : R
n
R uma forma quadratica. O n umero
de termos positivos, negativos e nulos entre os coecientes d
i
, da diagonalizacao de q no
Teorema 8.4, e sempre o mesmo.
Demonstracao. Sabemos, pelo Teorema 8.4, que e possvel diagonalizar q. Digamos que
q(y
1
, y
2
, ..., y
n
) = d
1
y
2
1
+ d
2
y
2
2
+ ... + d
n
y
2
n
108
e uma diagonalizacao de q. Denote por m
+
, m

, m
0
o n umero de di

s positivos, negativos e
nulos, respectivamente. Vamos primeiramente provar a seguinte armacao
m
+
= maxdimU : q > 0 em U,
onde este maximo e tomado em todos os subespacos U de V. Reordene a diagonalizac ao de
q de forma que d
1
, d
2
, ..., d
m
+
sejam positivos, isto e,
q(y
1
, y
2
, ..., y
n
) = d
1
y
2
1
+ d
2
y
2
2
+ ... +d
m
+
y
2
m
+ + d
m
+
+1
y
2
m
+
+1
+ ... + d
n
y
2
n
.
Seja U
+
= (y
1
, y
2
, ..., y
m
+
, 0, ..., 0) um subespaco de R
n
(verique). Note que dimU
+
= m
+
(verique). Por outro lado,
m
+
= dimU
+
maxdimU : q > 0 em U,
pois,
q(y
1
, y
2
, ..., y
m
+
, 0, ..., 0) = d
1
y
2
1
+ d
2
y
2
2
+ ... + d
m
+
y
2
m
+
+d
m
+
+1
0 + ... + d
n
0
= d
1
y
2
1
+ d
2
y
2
2
+ ... + d
m
+
y
2
m
+
> 0,
relembre a denicao de maximo. Suponha que existe U subespaco de R
n
tal que q > 0 em
U e dimU > m
+
. Dena T : U U
+
, por
T(y
1
, ..., y
n
) = (y
1
, y
2
, ..., y
m
+
, 0, ..., 0).
Verique que T e linear. Pela propria denicao T e sobrejetiva, ja que (y
1
, y
2
, ..., y
m
+
, 0, ..., 0)
dene os elementos de U
+
. Como
dimU > m
+
= dimU
+
,
ent ao, pelo Teorema do n ucleo e imagem, T nao e injetiva. Dessa forma, existe
(y
1
, ..., y
n
) ,= (0, ..., 0) em U
tal que
T(y
1
, ..., y
n
) = (0, ..., 0).
109
Consequentemente,
(y
1
, y
2
, ..., y
m
+
, 0, ..., 0) = (0, ..., 0).
Isto nos diz que y
1
= y
2
= ... = y
m
+
= 0. Portanto,
q(y
1
, y
2
, ..., y
n
) = q(0, ..., 0, y
m
+
+1
, ..., y
n
) = d
m
+
+1
y
2
m
+
+1
+ ... + d
n
y
2
n
0,
mas q > 0 em U (ver Denic ao 8.5). Isto gera um absurdo. Logo,
m
+
= maxdimU : q > 0 em U.
Veja que nesta denic ao de maximo nao interessa como q esta diagonalizado. Analogamente,
prova-se que m

= maxdimU : q < 0 em U. Mas m


0
= nm
+
m

. Isto conclui a prova


do Teorema.
Exemplo 8.18. Vimos no exemplo 8.17 que a forma quadratica q(x, y) = xy pode ser
diagonalizada. A diagonalizac ao encontrada foi q(y
1
, y
2
) = y
2
1
y
2
2
. Aqui,
m
+
= 1, m

= 1, m
0
= 0,
pois d
1
= 1 (um positivo), d
2
= 1 (um negativo).
Exerccios de Fixacao
1. Seja f : V V R uma forma bilinear. Mostre que
f(u, v) + f(v, u) =
1
2
[q(u + v) q(u v)],
para todo u, v V, onde q : V R e uma forma quadratica proveniente de f. Conclua que,
se f e simetrica e possvel encontrar f em func ao de q.
2. Seja q : R
3
R dada por q(x
1
, x
2
, x
3
) = x
1
x
2
+ 2x
1
x
3
+ x
2
3
. Diagonalize q pelo metodo
de Lagrange.
3. Qual forma bilinear simetrica que da origem `a forma quadratica sobre R
3
:
i) q(x
1
, x
2
, x
3
) = x
2
1
+ x
2
2
+ x
2
3
2x
1
x
2
+ 4x
1
x
3
x
2
x
3
;
ii) q(x
1
, x
2
, x
3
) = x
2
1
x
2
2
+ 4x
2
x
3
;
110
iii) q(x
1
, x
2
, x
3
) = 2(x
1
x
2
+ x
1
x
3
+ x
2
x
3
).
4. Reduzir `a forma diagonal, pelo metodo de Lagrange, as seguint es formas quadraticas
sobre R
2
:
i) x
2
1
+ x
2
2
+ 2x
1
x
2
;
ii) x
2
1
+ x
2
2
2x
1
x
2
;
iii) x
2
1
x
2
2
+ 2x
1
x
2
;
iv) x
2
2
+ 4x
1
x
2
;
v) 4x
1
x
2
.
5. Chamamos de assinatura de uma forma quadratica o n umero p n, onde p e n sao a
quantidade de coecientes positivos e negativos, respectivamente, na diagonalizac ao desta
forma (ver Teorema 8.4). Encontre as assinaturas das formas quadraticas da questao anterior.
8.4 Conclusao
Conclumos que uma forma bilinear simetrica e diagonalizavel e a forma quadratica pode
ser escrita como um polinomio quadratico somente com termos de segunda ordem tendo a
quantidade de coecientes positivos e negativos xados.
8.5 Exerccios Propostos
1. Seja f : V V R uma forma bilinear. Seja v
0
um vetor xado em V e dena
U = v V : f(v
0
, v) = 0. Prove que U e subespaco de V.
2. Seja V um espaco vetorial. Mostre que B(V ) = f : V V R : f e uma forma bilinear
e um espaco vetorial quando esta munido das operacoes
i) (f + g)(u, v) = f(u, v) + g(u, v);
ii) (f)(u, v) = f(u, v), para todo u, v V e R.
3. Seja f : V V R uma forma, onde V e um espaco vetorial com produto interno e
dimensao nita. Seja uma base de V Seja A = [f]

. Denimos o posto de f como sendo


o posto de A.
i) Mostre que o posto de uma forma esta bem denido;
111
ii) Se o posto de f e 1, mostre que existem funcionais lineares g, h tais que f(u, v) = g(u)h(v),
para todo u, v V.
4. Seja f : V V R uma forma bilinear. Mostre que
q(u + v) + q(u v) = 2(q(u) + q(v)),
para todo u, v V, onde q : V R e uma forma quadratica proviniente de f.
5. Considere a forma quadratica q : R
4
R denida por
q(x
1
, x
2
, x
3
, x
4
) = x
2
1
+ 6x
1
x
2
+ 5x
2
2
4x
1
x
3
12x
2
x
3
+ 4x
2
3
4x
2
x
4
x
3
x
4
x
2
4
.
Coloque q na forma diagonal.
Proxima Aula
Comecaremos a estudar na proxima aula formas de simplicar a representac ao matricial de
um operador linear nao necessariamente diagonalizavel.
112
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
113
Captulo 9
Polinomio Mnimo e Operadores
Nilpotentes
Meta
Mostrar ao aluno resultados importantes que nos levam `a simplicacao da representacao
matricial de um operador linear.
Objetivos
Ao nal da aula, o aluno dever a ser capaz de determinar o polinomio mnimo de um ope-
rador linear, bem como identicar operadores nilpotentes e conhecer o Teorema de Cayley-
Hamilton.
Pre-requisitos

Algebra Linear I
114
9.1 Introducao
Apresentamos aqui resultados importantes em busca de uma representa cao matricial simpli-
cada para um operador linear. Associamos autovalores deste operador a razes de polinomios
especiais que sao anulados por este operador. Por m, conhecemos um pouco da classe de
operadores nilpotentes, uteis ao objetivo de simplicacao.
9.2 Polinomio Mnimo
Caros alunos, vimos em

Algebra linear 1 que se V e um espaco vetorial de dimensao nita
n, entao dimL(V ) = n
2
, onde L(V ) = T : V V e um operador linear. Considere
T L(V ). Assim sendo, o conjunto I, T, T
2
, ..., T
n
2
com n
2
+ 1 elementos e linearmente
dependente (l.d.), aqui T
r
= T T ... T, para todo r N (r fatores), pois este conjunto
possui mais elementos que a dimensao do espaco L(V ). Seja m o menor natural tal que
I, T, T
2
, ..., T
m
e l.d.. Por esta minimalidade de m, T
m
e combinc ao linear dos operadores
I, T, T
2
, ..., T
m1
, ja que I, T, T
2
, ..., T
m1
e linearmente independente (l.i.). Logo, existem
unicos (verique) a
0
, a
1
, ..., a
m1
R, nao todos nulos, tais que
T
m
+ a
m1
T
m1
+ a
m2
T
m2
+ ... + a
0
I = 0.
9.2.1 Denicao e Exemplos
Denicao 9.1. Seja V um espaco vetorial com dimensao nita. Seja T : V V um
operador linear. O polinomio
m
T
(x) = x
m
+ a
m1
x
m1
+ a
m2
x
m2
+... + a
0
,
para todo x R, onde T
m
+ a
m1
T
m1
+ a
m2
T
m2
+ ... + a
0
I = 0, e chamado polinomio
mnimo do operador T.
Obs 9.1. Note que m
T
e monico (coeciente do termo de maior grau igual a 1).
Exemplo 9.1. Seja V um espaco de dimensao nita. Seja I : V V o operador identidade,
isto e, I(v) = v para todo v V ). Logo, m
I
(x) = x 1, para todo x R, pois I
1
I =
I I = 0 (m = 1).
115
Denicao 9.2. Sejam V um espaco vetorial com dimensao nita, T : V V um operador
linear e
p(x) =
m
x
m
+
m1
x
m1
+
m2
x
m2
+ ... +
0
,
para todo x R um polinomio. Denimos um operador linear p(T) : V V pondo
p(T)(v) :=
m
T
m
(v) +
m1
T
m1
(v) +
m2
T
m2
(v) + ... +
0
I(v),
para todo v V. Ou seja,
p(T) :=
m
T
m
+
m1
T
m1
+
m2
T
m2
+ ... +
0
I.
Exemplo 9.2 (Minimalidade do Grau do Polin omio Mnimo). O polinomio mnimo de T
m
T
(x) = x
m
+ a
m1
x
m1
+ a
m2
x
m2
+ ... + a
0
, x R,
satisfaz
m
T
(T) = T
m
+ a
m1
T
m1
+ a
m2
T
m2
+ ... + a
0
I = 0.
Portanto, m
T
e o polinomio de menor grau (minimalidade de m) tal que m
T
(T) = 0.
Caro aluno, existe uma maneira mais simples de encontrar o polinomio mnimo de um
operador linear. Para isto precisaremos de alguns resultados preliminares.
Proposicao 9.1. Seja V um espaco vetorial de dimensao nita. Seja p um polinomio sobre
R. Entao p(T) = 0 (ver Denicao 9.2) se, e somente se, m
T
[ p, isto e, existe polinomio q
tal que p(x) = m
T
(x)q(x), para todo x R.
Demonstracao. Suponha que p(T) = 0. Dividindo o polinomio p por m
T
, encontramos
polinomios q, r tais que
p = m
T
q +r, onde r = 0 ou r < m
T
,
onde r representa o grau do polinomio r. Portanto,
0 = p(T) = m
T
(T)q(T) + r(T) = r(T)
(verique). Da, r(T) = 0. Com isso, r m
T
, pela minimalidade do grau de m
T
comentada no exemplo 9.2. Assim, r = 0. Com isso, p = m
T
q, ou seja, m
T
[p.
116
Reciprocamente, suponha que m
T
[p. Logo, existe q tal que p = m
T
q. Assim sendo,
p(T) = m
T
(T)q(T) = 0q(T) = 0,
verique este produto. Por m, p(T) = 0.
Proposicao 9.2 (Razes do Polinomio Mnimo). Seja V um espaco vetorial com dimensao
nita. Seja T : V V um operador linear. Seja m
T
o polinomio mnimo de T. Entao
m
T
() = 0 se, e somente se, e autovalor de T.
Demonstracao. Seja m
T
(x) = x
m
+ a
m1
x
m1
+ a
m2
x
m2
+ ... + a
0
e suponha que R
seja raiz de m
T
. Entao, pelo Teorema Fundamental da

Algebra, existe polinomio q tal que
m
T
(x) = (x )q(x), para todo x R, onde q = m 1 < m. Consequentemente, pela
Denic ao 9.2, obtemos m
T
(T) = (T I)q(T). Mas, m
T
(T) = 0 (ver exemplo 9.2). Assim,
0 = m
T
(T) = (T I)q(T).
Como q < m, ent ao q(T) ,= 0 (ver exemplo 9.2). Logo, existe u V tal que q(T)(u) ,= 0.
Para w = q(T)(u) ,= 0, temos que
(T I)(w) = (T I)q(T)(u) = 0.
Ou equaivalentemente,
T(w) = w, com w ,= 0.
Ou seja, e autovalor de T associado ao autovetor w.
Reciprocamente, suponha que seja autovalor de T. Ent ao existe v ,= 0 tal que
T(v) = v. Indutivamente, e possvel vericar que T
j
(v) =
j
v, para todo j N (veri-
que). Consequentemente,
0 = m
T
(T)(v) = (T
m
+ a
m1
T
m1
+ a
m2
T
m2
+ ... + a
0
I)(v)
= T
m
(v) + a
m1
T
m1
(v) + a
m2
T
m2
(v) + ... +a
0
v
=
m
v + a
m1

m1
v + a
m2

m2
v + ... +a
0
v
= (
m
+a
m1

m1
+ a
m2

m2
+ ... + a
0
)v
= m
T
()v.
117
Como v ,= 0, entao m
T
() = 0. Portanto, e raiz de m
T
.
Obs 9.2. Sabemos, atraves do curso

Algebra Linear 1, que as razes do polinomio carac-
terstico sao, exatamente, os autovalores. Logo, os polinomios mnimo e caracterstico tem
as mesmas razes (ver Proposic ao 9.2).
Teorema 9.1 (Teorema de Cayley-Hamilton). Seja V um espaco vetorial com dimensao
nita. Seja T : V V um operador linear. Seja p
T
o polinomio caracterstico de T. Entao
p
T
(T) = 0.
Demonstracao. Seja dimV = n. Seja uma base de V tal que A = [T]

. Ent ao,
p
T
(x) = det(A xI).
Desejamos provar que p
T
(A) = 0. Se q
T
(x) = det(xI A), ent ao basta provar que
q
T
(A) = 0.
Seja N = xI A. Considere Q =Adj(N) = (q
ij
), onde q
ij
sao os cofatores de N (relembre

Algebra Linear 1). Portanto,


q
ij
= q
0
ij
+ q
1
ij
x + q
2
ij
x
2
+... + q
n1
ij
x
n1
sao polinomios de grau menor ou igual a n 1. Para cada r = 0, 1, ..., n 1 ponha
Q
r
=
_
_
_
_
_
_
q
r
11
q
r
12
q
r
1n
q
r
21
q
r
22
q
r
2n

q
r
n1
q
r
n2
q
r
nn
_
_
_
_
_
_
Verique que
Q = Q
0
+Q
1
x + Q
2
x
2
+ ... + Q
n1
x
n1
. (9.1)
Por outro lado,
QN = Adj(N)N = det(N)I, (9.2)
118
onde I e a matriz identidade de ordem n. Usando (9.1) e (9.2), obtemos
(Q
0
+ Q
1
x + Q
2
x
2
+ ... +Q
n1
x
n1
)(xI A) = (a
0
+a
1
x + a
2
x
2
+ ... + a
n1
x
n1
+ x
n
)I,
onde q
T
(x) = a
0
+ a
1
x + a
2
x
2
+ ... + a
n1
x
n1
+ x
n
(este e polinomio monico de grau n).
Comparando os coecientes desta ultima igualdade, temos que
_

_
a
0
I = Q
0
A;
a
1
I = Q
0
Q
1
A;
= ;
a
n1
I = Q
n2
Q
n1
A;
I = Q
n1
.
Consequentemente, multiplicando estas igualdadedes por I, A, A
2
, ..., A
n
, respectivamente,
obtemos
_

_
a
0
I = Q
0
A;
a
1
A = Q
0
M Q
1
A
2
;
= ;
a
n1
A
n1
= Q
n2
A
n1
Q
n1
A
n
;
A
n
= Q
n1
A
n
.
Somando as equac oes deste sistema, encontranos
q
T
(A) = a
0
I + a
1
A + a
2
A
2
+... + a
n1
A
n1
+ A
n
= 0.
Com isso,
q
T
(A) = 0.
Isto conclui a prova do Teorema.
Obs 9.3. Atraves da Proposicao 9.1 e do Teorema 9.1, conclumos que o polinomio carac-
terstico p
T
divide o polinomio mnimo m
T
. Lembre que a Proposicao 9.2 nos diz que os
polinomios caracterstico p
T
e mnimo m
T
tem as mesmas razes. Pelo Teorema 9.1, temos
que p
T
(T) = 0, consequentemente, m
T
p
T
(ver exemplo 9.2). Portanto, na decom-
posicao dos polinomios m
T
e p
T
encontramos os mesmos fatores. Estes tendo um grau
inferior ou igual em m
T
. Alem disso, m
T
(T) = 0.
Obs 9.4.

E fato que, m
T
(T) = 0 m
T
([T]

) = 0, onde e uma base de V.


119
Vejamos uma aplicac ao do Teorema de Cayley-Hamilton.
Exemplo 9.3. Consideremos a matriz A =
_
1 1
9 1
_
. Vamos mostrar, atraves do Teorema
9.1, que A
2
= 2A + 8I. Com efeito,
p
A
(x) = x
2
2x 8
e o polinonmio caracterstico de A (verique). Usando o Teorema 9.1, conclumos que
p
A
(A) = 0. Consequentemente,
A
2
2A 8I = 0 A
2
= 2A + 8I.
Caros alunos, vejamos por que podemos calcular o polinomio mnimo de um operador
linear atraves da matriz deste em relac ao a uma base qualquer.
Teorema 9.2. Sejam A e B matrizes semelhantes, isto e, existe matriz P invertvel tal que
B = PAP
1
. Entao A e B tem o mesmo polinomio mnimo.
Demonstracao. Seja B = PAP
1
, ent ao B
2
= (PAP
1
)(PAP
1
) = PA
2
P
1
. Indutiva-
mente, temos que B
n
= PA
n
P
1
, para todo n N (verique). Seja
m
A
(x) = x
m
+a
m1
x
m1
+ ... + a
0
o polinomio mnimo de A. Logo,
m
A
(B) = B
m
+ a
m1
B
m1
+ ... + a
0
I
= PA
m
P
1
+ a
m1
PA
m1
P
1
+ ... + a
0
PIP
1
= P(A
m
+ a
m1
A
m1
+... + a
0
I)P
1
= Pm
A
(A)P
1
= 0,
ver Exemplo 9.2. Atraves do Lema 9.1, conclumos que m
B
[m
A
. Observe que
B
n
= PA
n
P
1
P
1
B
n
P = P
1
PA
n
P
1
P = A
n
A
n
= P
1
B
n
P,
para todo n N. Realizando um processo analogo ao que foi feito acima, conclumos que
m
A
[m
B
. Como m
A
e m
B
sao monicos (ver Denic ao 9.1), entao m
A
= m
B
.
120
Prezados alunos, as duas observac oes acima descrevem como encontrar o polinomio
mnimo de um operador T, ou de uma matriz, qualquer.
Exemplo 9.4. Seja T : R
3
R
3
dado por T(x, y, z) = (2x +y +z, 2x +y 2z, x 2z).
Ent ao
A = [T]
c
=
_
_
_
2 1 1
2 1 2
1 0 2
_
_
_
,
onde c e a base canonica de R
3
(ver exemplo 2.9). Vamos encontrar o polinomio mnimo
desta matriz (ver Teorema 9.2). Note que o polinomio caracterstico de A e dado por
p
A
(x) = det
_
_
_
x 2 1 1
2 x 1 2
1 0 x + 2
_
_
_
= (x + 1)
2
(x 3),
(verique). Com isso, atraves das observa coes acima, os possveis polinomios mnimos sao
(x + 1)(x 3) ou (x + 1)
2
(x 3).
Mas m
A
(A) = 0. Veriquemos se (x + 1)(x 3) e o polinomio mnimo. Olhe que
(A + I)(A 3I) =
_
_
_
3 1 1
2 2 2
1 0 1
_
_
_
_
_
_
1 1 1
2 2 2
1 0 5
_
_
_
=
_
_
_
2
_
_
_
.
Nao importa os valores das outras entradas, essa matriz nao e nula. Logo, (x + 1)(x 3)
nao e o polinomio mnimo. Portanto, o polinomio mnimo de A e
m
A
(x) = (x + 1)
2
(x 3) = p
A
(x).
Exemplo 9.5. Seja
A =
_
_
_
2 1 1
2 1 2
1 1 2
_
_
_
.
Desejamos revelar o polinomio mnimo desta matriz. Veja que o polinomio caracterstico de
121
A e dado por
p
A
(x) = det
_
_
_
x 2 1 1
2 x + 1 2
1 0 x 2
_
_
_
= (x 1)
3
,
verique. Com isso, os possveis polinomios mnimos sao
(x 1), (x 1)
2
ou (x 1)
3
.
Lembre que m
A
(A) = 0 (ver exemplo 9.2). Veriquemos se (x 1) e o polinomio mnimo.
Observe que
(A I) =
_
_
_
1 1 1
2 2 2
1 1 1
_
_
_
.
Esta matriz nao e nula. Logo, (x1) nao e o polinomio mnimo. Agora, vejamos se (x1)
2
e o polinomio minimo.
(A I)
2
=
_
_
_
1 1 1
2 2 2
1 1 1
_
_
_
_
_
_
1 1 1
2 2 2
1 1 1
_
_
_
=
_
_
_
0 0 0
0 0 0
0 0 0
_
_
_
.
Portanto, o polinomio mnimo de A e
m
A
(x) = (x 1)
2
.
Exemplo 9.6. Seja
A =
_
_
_
_
_
_
_
_
_
_
_
1 1 1 3 1 7
0 1 1 2 3 2
0 0 1 0 2 1
0 0 0 1 1 2
0 0 0 0 1 3
0 0 0 0 0 4
_
_
_
_
_
_
_
_
_
_
_
.
Vamos encontrar o polinomio mnimo desta matriz. Note que o polinomio caracterstico de
122
A e dado por
p
A
(x) = det
_
_
_
_
_
_
_
_
_
_
_
x + 1 1 1 3 1 7
0 x + 1 1 2 3 2
0 0 x + 1 0 2 1
0 0 0 x + 1 1 2
0 0 0 0 x + 1 3
0 0 0 0 0 x + 4
_
_
_
_
_
_
_
_
_
_
_
= (x + 1)
5
(x + 4),
verique. Com isso, os possveis polinomios mnimos sao
(x + 1)(x + 4), (x + 1)
2
(x + 4), (x + 1)
3
(x + 4), (x + 1)
4
(x + 4) ou (x + 1)
5
(x + 4).
Verique que
m
A
(x) = (x + 1)
3
(x + 4)
e o polinomio mnimo de A.
Exerccios de Fixacao
1. Prove ou de um contra exemplo para a seguinte armacao: se A e B tem o mesmo
polinomio mnimo ent ao A e B sao semelhantes.
2. Seja M =
_
1 1
9 1
_
. Encontre o polinomio caracterstico de M. Use o Teorema de
Cayley-Hamilton para mostrar que M
2
= 2M + 8I. Encontre M
3
e M
4
em func ao de M.
3. Seja T : V V linear, onde V e um espaco vetorial com dimensao nita. Suponha que
o polinomio caracterstico de T e dado por p
T
(x) = (x 1)
2
(x 4)
3
(x + 2). Ent ao, qual a
dimensao de V , quais os autovalores de T e quais as possibilidades para o polinomio mnimo
de T?
4. Seja T : V V linear, onde V e um espaco vetorial com dimensao nita 5. Seja
m
T
(x) = (x1)
2
(x2) o polinomio mnimo de T. Quais as possibilidades para o polinomio
caracterstico de T?
5. Seja T : R
3
R
3
um operador linear tal que a matriz de T em relac ao `a base canonica
123
e dada por
A =
_
_
_
a 0
0 a
0 0
_
_
_
.
Determine o polinomio mnimo de T quando a = 0 e a ,= 0.
6. Para as transformac oes lineares denidas pelas matrizes abaixo encontre o polinomio
caracterstico e o polinomio mnimo.
i)
_
_
_
_
_
_
_
_
14 8 1 6 2
12 4 2 8 1
8 2 0 9 0
8 8 0 0 2
8 4 0 4 0
_
_
_
_
_
_
_
_
;
ii)
_
_
_
_
_
_
_
_
0 2 6 6 2
1 2 0 0 2
1 0 3 3 2
1 2 1 1 2
1 4 3 3 4
_
_
_
_
_
_
_
_
;
iii)
_
_
_
_
_
_
_
_
2 1 2 1 2
0 3 2 1 2
2 1 0 1 2
2 3 2 1 2
0 1 0 1 0
_
_
_
_
_
_
_
_
;
iv)
_
_
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
;
v)
_
_
_
_
_
_
_
_
2 1 1 4 4
1 0 1 4 4
1 1 2 3 4
0 0 0 1 0
2 2 2 1 2
_
_
_
_
_
_
_
_
;
124
vi)
_
_
_
_
_
_
_
_
2 1 1 0 0
1 0 1 0 0
1 1 2 1 0
0 0 0 1 0
0 0 0 1 2
_
_
_
_
_
_
_
_
.
9.3 Operadores Nilpotentes
Caros alunos, nesta secao, estudaremos operadores que possuem alguma potencia nula.
9.3.1 Denicao e Exemplos
Denicao 9.3. Seja V um espaco vetorial de dimensao n. Dizemos que um operador linear
T : V V e nilpotente se existe k N tal que
T
k
= 0, onde T
k
= T T ... T, com k fatores.
O menor natural m tal que T
m
= 0 e chamado ndice de nilpotencia de T.
Obs 9.5. Seja T : V V um operador nilpotente com ndice de nilpotencia m, entao, pela
minimalidade de m, T
m1
,= 0, isto e, existe v V tal que T
m1
(v) ,= 0.
Exemplo 9.7. Seja T : R
4
R
4
um operador linear denido por T(x, y, z, t) = (z, t, 0, 0).
Observe que
T
2
(x, y, z, t) = T T(x, y, z, t) = T(T(x, y, z, t)) = T(z, t, 0, 0) = (0, 0, 0, 0).
Da, pela Denicao 9.3, T e um operador nilpotente com ndice de nilpotencia 2.
Exemplo 9.8. Considere o operador linear T : R
3
R
3
dado por T(x, y, z) = (y, 0, z).
Veja que
T
2
(x, y, z) = T T(x, y, z) = T(T(x, y, z)) = T(y, 0, z) = (0, 0, z).
Com isso,
T
3
(x, y, z) = T T
2
(x, y, z) = T(T
2
(x, y, z)) = T(0, 0, z) = (0, 0, z).
125
Indutivamente, e possvel vericar que T
k
(x, y, z) = (0, 0, z), k N. Portanto, pela
Denic ao 9.3, T nao e um operador nilpotente, pois
T
k
(0, 0, 1) = (0, 0, 1) ,= (0, 0, 0), k N.
Exemplo 9.9. Seja T : R
5
R
5
um operador linear denido por T(x, y, z, t, s) = (0, x, y, 0, t).
Note que
T
2
(x, y, z, t, s) = T(T(x, y, z, t, s)) = T(0, x, y, 0, t) = (0, 0, x, 0, 0).
Consequentemente,
T
3
(x, y, z, t, s) = T(T
2
(x, y, z, t, s)) = T(0, 0, x, 0, 0) = (0, 0, 0, 0, 0).
Logo, atraves da Denicao 9.3, conclumos que T e um operador nilpotente com ndice de
nilpotencia 3.
Exemplo 9.10. Seja P
2
(R) o espaco vetorial constitudo dos polinomios com coecientes
reais de grau menor ou igual a 2. Sabemos que dimP
2
(R) = 3. Seja T : P
2
(R) P
2
(R) o
operador derivada. Este e denido por
T(a
0
+ a
1
x + a
2
x
2
) = a
1
+ 2a
2
x.
Com isso,
T
2
(a
0
+ a
1
x + a
2
x
2
) = T(a
1
+ 2a
2
x) = 2a
2
.
Por conseguinte,
T
3
(a
0
+ a
1
x + a
2
x
2
) = T(T
2
(a
0
+ a
1
x + a
2
x
2
)) = T(2a
2
) = 0.
Portanto, pela Denic ao 9.3, T e um operador nilpotente com ndice de nilpotencia 3.
Denicao 9.4 (Matriz Nilpotente). Seja A uma matriz quadrada, com coecientes reais, de
ordem n. Dizemos que A e nilpotente se existe k N tal que
A
k
= 0, onde A
k
= A A ... A, com k fatores.
O menor natural m tal que A
m
= 0 e chamado ndice de nilpotencia de A.
126
Obs 9.6. Seja A uma matriz nilpotente com ndice de nilpotencia m, ent ao, pela minimali-
dade de m, A
m1
,= 0.
Exemplo 9.11. Seja
A =
_
_
_
_
_
_
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
_
_
_
_
.
Logo,
A
2
= A A =
_
_
_
_
_
_
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
_
_
_
_
0 0 1 0
0 0 0 1
0 0 0 0
0 0 0 0
_
_
_
_
_
_
=
_
_
_
_
_
_
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
_
_
_
_
_
_
.
Assim, pela Denic ao 9.4, A e nilpotente com ndice de nilpotencia 2.
Exemplo 9.12. Seja
A =
_
_
_
0 1 0
0 0 0
0 0 1
_
_
_
.
Ent ao,
A
2
= A A =
_
_
_
0 1 0
0 0 0
0 0 1
_
_
_
_
_
_
0 1 0
0 0 0
0 0 1
_
_
_
=
_
_
_
0 0 0
0 0 0
0 0 1
_
_
_
.
Assim,
A
3
= A A
2
=
_
_
_
0 1 0
0 0 0
0 0 1
_
_
_
_
_
_
0 0 0
0 0 0
0 0 1
_
_
_
=
_
_
_
0 0 0
0 0 0
0 0 1
_
_
_
.
Podemos, indutivamente, vericar que
A
k
=
_
_
_
0 0 0
0 0 0
0 0 1
_
_
_
,
para todo k N. Portanto, pela Denicao 9.4, A nao e nilpotente.
127
9.3.2 Resultados Importantes
Caros alunos, voces devem estar se perguntando: ate quando devemos calcular potencias de
um operador para sabermos se este e nilpotente? A resposta esta no seguinte Teorema:
Teorema 9.3. Seja V um espaco vetorial com dimensao nita n. Seja T : V V nilpotente.
Entao T
n
= 0.
Obs 9.7. Note que o Teorema 9.3 nos diz que nao e necessario calcular potencias de expoente
maior que a dimensao do espaco V. Se o operador nao zerar ate a potencia de expoente dimV ,
ent ao este nao e nilpotente.
Para provar o Teorema 9.3 precisaremos de alguns resultados preliminares.
Lema 9.1. Seja V um espaco vetorial com dimensao n. Seja T : V V linear. Se
ker T
m
= ker T
m+1
, para algum m N, entao
0 = ker T
0
ker T
1
ker T
2
... ker T
m
= ker T
m+1
= ...,
onde T
0
= I identidade sobre V e ker T = v V : T(v) = 0 e o n ucleo do operador T.
Demonstracao. Primeiramente, vamos provar que ker T
j
ker T
j+1
, para todo j N. Seja
v ker T
j
, ent ao T
j
(v) = 0. Logo,
T
j+1
(v) = T(T
j
(v)) = T(0) = 0,
pois T e linear. Da,
ker T
j
ker T
j+1
,
para todo j N. Agora, vamos mostrar que ker T
m+k
= ker T
m+k+1
, para todo k N. Ja
provamos que
ker T
m+k
ker T
m+k+1
(faca j = m +k).
Reciprocamente, considere que v ker T
m+k+1
. Logo, T
m+k+1
(v) = 0. Portanto,
0 = T
m+k+1
(v) = T
m+1
(T
k
(v)).
128
Isto nos diz que T
k
(v) ker T
m+1
. Por hipotese, ker T
m+1
= ker T
m
. Assim, segue que
T
k
(v) ker T
m
. Logo,
0 = T
m
(T
k
(v)) = T
m+k
(v).
Por m, v ker T
m+k
. Com isso, ker T
m+k+1
ker T
m+k
. Deste modo,
ker T
m+k+1
ker T
m+k
,
para todo k N.
Lema 9.2. Seja V um espaco vetorial com dimensao n. Seja T : V V linear. Entao
ker T
n
= ker T
n+1
= ker T
n+2
= ...,
ker T e o n ucleo do operador T.
Demonstracao. Pelo Lema 9.1, sabemos que ker T
n
ker T
n+1
. Suponha, por absurdo, que
ker T
n
ker T
n+1
. Novamente, pelo Lema 9.1, obtemos
0 = ker T
0
ker T ... ker T
n1
ker T
n
ker T
n+1
.
Portanto,
n = dimV dimker T
n+1
dimker T
n
+ 1 dimker T
n1
+ 2 ... dimker T + n
dimker T
0
+ n + 1 = n + 1.
Logo, n n + 1, consequentemente, 0 1. Isto e um absurdo. Por m, ker T
n
= ker T
n+1
.
Pelo Lema 9.1, obtemos
ker T
n
= ker T
n+1
= ker T
n+2
= ....
Caros alunos, agora, faremos a prova do Teorema 9.3.
Demonstracao. Como T e nilpotente, ent ao existe k N tal que T
k
= 0. Logo, T
k
(v) = 0,
129
para todo v V. Ou seja, V = ker T
k
. Pelos Lemas 9.1 e 9.2, temos que
ker T
1
ker T
2
... ker T
n
= ker T
n+1
= ...
Logo, se k n, entao V = ker T
k
= ker T
n
. Se k < n, entao V = ker T
k
ker T
n
V. De
qualquer forma, V = ker T
n
. Ou equivalentemente, T
n
(v) = 0, para todo v V. Isto nos diz
que T
n
= 0.
Exemplo 9.13. Vimos no exemplo 9.8, que o operador linear T : R
3
R
3
, dado por
T(x, y, z) = (y, 0, z), satisfaz T
3
(x, y, z) = (0, 0, z). Como dimR
3
= 3, ent ao T nao e nilpo-
tente, pois T
3
,= 0 (ver Terema 9.3). Nao precisamos usar induc ao para chegarmos a esta
conclusao.
Teorema 9.4 (Autovalor de um Operador Nilpotente). Seja V um espaco vetorial com
dimensao nita. Seja T : V V um operador nilpotente. Entao o unico autovalor de T e
0.
Demonstracao. Considere que T e nilpotente com ndice de nilpotencia m. Entao T
m
= 0 e
T
m1
,= 0. Da, existe w ,= 0 tal que T
m1
(w) ,= 0. Por outro lado,
T(T
m1
(w)) = T
m
(w) = 0,
isto implica que, T
m1
(w) ker T e T
m1
(w) ,= 0. Isto nos diz que ker T ,= 0. Dessa
forma, existe v ,= 0 em V tal que T(v) = 0 = 0v. Consequentemente, 0 e autovalor de T.
Suponha que seja autovalor de T, ou seja, T(u) = u (u ,= 0). Indutivamente, temos que
T
m
(u) =
m
u. Mas, T
m
(u) = 0, logo,
m
u = 0. Como u ,= 0, ent ao = 0. Ou seja, 0 e o
unico autovalor de T.
Obs 9.8. Vimos, na demonstracao do Teorema 9.4, que ker T ,= 0, para todo operador
nilpotente T. Dessa forma, todo operador nilpotente e nao-injetivo.
9.3.3 Matrizes de Operadores Nilpotentes
Caros alunos, vejamos como representar um operador nilpotente em forma de matriz.
Teorema 9.5. Seja V um espaco vetorial com dimensao nita n. Seja T : V V um
130
operador nilpotente. Entao existe uma base de V tal que
[T]

=
_
_
_
_
0
.
.
.
.
.
.

0 0
_
_
_
_
.
Demonstracao. Como T e nilpotente, entao existe k N tal que T
k
= 0. Isto nos diz que
V = ker T
k
(verique). Sabemos, atraves do Lema 9.1, que
0 = ker T
0
ker T
1
ker T
2
... ker T
k
= V.
Escolha uma base
1
= v
1
1
, v
1
2
, ..., v
1
r
1
de ker T. Complete esta base a uma base
2
=
v
1
1
, v
1
2
, ..., v
1
r
1
, v
2
1
, v
2
2
, ..., v
2
r
2
de ker T
2
. Siga este processo ate encontrar uma base
= v
1
1
, v
1
2
, ..., v
1
r
1
, v
2
1
, v
2
2
, ..., v
2
r
2
, ..., v
k
1
, v
k
2
, ..., v
k
r
k

de ker T
k
= V, onde

i
= v
1
1
, v
1
2
, ..., v
1
r
1
, v
2
1
, v
2
2
, ..., v
2
r
2
, ..., v
i
1
, v
i
2
, ..., v
i
r
i

e base de ker T
i
, i = 1, 2, ..., k. Verique que
[T]

=
_
_
_
_
0
.
.
.
.
.
.

0 0
_
_
_
_
.
Exerccios de Fixacao
1. Seja T : V V um operador linear nilpotente, com dimV = n. Mostre que o polinomio
caracterstico de T e p
T
(x) = x
n
.
2. Seja T : R
3
R
3
um operador linear tal que a matriz de T em relac ao `a base canonica
131
e dada por
A =
_
_
_
0 a 0
0 0 a
0 0 0
_
_
_
,
onde a R. T e nilpotente? No caso armativo, determine seu ndice de nilpotencia.
3. Prove que toda matriz diagonal A e nilpotente se, e somente se, A = 0.
4. Considere a matriz
A =
_
_
_
0 2 1
0 0 3
0 0 0
_
_
_
.
A e nilpotente? No caso armativo, determine seu ndice de nilpotencia.
5. Quais das seguintes matrizes e nilpotente?
i)
_
_
_
_
_
_
_
_
14 8 1 6 2
12 4 2 8 1
8 2 0 9 0
8 8 0 0 2
8 4 0 4 0
_
_
_
_
_
_
_
_
;
ii)
_
_
_
_
_
_
_
_
0 2 6 6 2
1 2 0 0 2
1 0 3 3 2
1 2 1 1 2
1 4 3 3 4
_
_
_
_
_
_
_
_
;
iii)
_
_
_
_
_
_
_
_
2 1 2 1 2
0 3 2 1 2
2 1 0 1 2
2 3 2 1 2
0 1 0 1 0
_
_
_
_
_
_
_
_
;
iv)
_
_
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
;
132
v)
_
_
_
_
_
_
_
_
2 1 1 4 4
1 0 1 4 4
1 1 2 3 4
0 0 0 1 0
2 2 2 1 2
_
_
_
_
_
_
_
_
.
9.4 Conclusao
Vimos nesta sec ao que os polinomios mnimo e caracterstico de um operador linear sao
anulados por este e que autovalores deste operador sao razes destes polinomios. Por m,
conhecemos algumas propriedades de operadores nilpotentes.
9.5 Exerccios Propostos
1. Seja A uma matriz de ordem n com entradas reais. Mostre que A e A
t
tem o mesmo
polinomio mnimo.
2. Sejam A e B matrizes de ordem n com entradas reais. Mostre que o polinomio mnimo
da matriz de ordem 2n, em forma de blocos,
C =
_
A 0
0 B
_
e o mmc dos polinomios mnimos de A e B.
3. Seja A uma matriz de ordem 4 com entradas reais e autovalores 1 e 1. Escreva todas
as possibilidades para o polinomio caracterstico de A. Para cada possibilidade do polinomio
caracterstico de A, escreva os possveis polinomios minimais de A.
4. Seja T : V V um operador linear nilpotente com ndice de nilpotencia m, onde
dimV = n. Mostre que o polinomio mnimo de T e p
T
(x) = x
m
. Conclua que o unico
autovalor de T e 0.
133
Proxima Aula
Em nossa proxima e ultima aula estudaremos a forma canonica de Jordan, que e o modo
mais simples de representac ao matricial para um operador linear nao diagonalizavel.
134
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
135
Captulo 10
Teorema da Decomposicao Primaria e
Forma Canonica de Jordan
Meta
Mostrar ao aluno como representar matricialmente um operador linear nao necessariamente
diagonalizavel, numa forma o mais simplicada possvel.
Objetivos
Ao nal desta aula, o aluno devera ser capaz de exibir a forma canonica de Jordan de um
operador linear.
Pre-requisitos

Algebra Linear I.
136
10.1 Introducao
A forma canonica de Jordan e uma representac ao matricial simples de um operador li-
near. Construiremos tal representacao atraves do conhecimento dos polinomios mnimo e
caracterstico do operador linear. O pano de fundo baseia-se no Teorema da Decomposicao
Primaria.
10.2 Teorema da Decomposicao Primaria
Caros alunos, nesta sec ao, enunciaremos o Teorema da Decomposic ao Primaria. A demons-
trac ao deste Teorema requer um conhecimento que nao e pre-requisito para esta disciplina.
Portanto, entendemos que nao e o momento de expor tal trabalho. Para os alunos mais
interessados, ver, por exemplo, [1].
Denicao 10.1 (Polin omios Irredutveis). Dizemos que um polinomio nao-constante p, com
coecientes reais, e irredutvel sobre R se e impossvel encontrar dois polinomios, com coe-
cientes reais, nao-constantes q, r tais que p(x) = q(x)r(x), para todo x R. Caso contr ario
dizemos que p e redutvel sobre R.
Exemplo 10.1. O polinomio x
2
+ 1 e irredutvel sobre R, pois a equacao x
2
+ 1 = 0 tem
discriminante negativo.
Exemplo 10.2. O polinomio x
2
1 e redutvel sobre R, pois
x
2
1 = (x 1)(x + 1).
Teorema 10.1 (Teorema da Decomposic ao Primaria). Seja V um espaco vetorial de di-
mensao n. Seja T : V V um operador linear. Seja p
T
o polinomio caracterstico de T tal
que
p
T
(x) = [p
1
(x)]
s
1
[p
2
(x)]
s
2
... [p
k
(x)]
s
k
,
onde p
i
(x) sao fatores irredutveis, para tdo i = 1, 2, ..., k, com p
i
,= p
k
, para i ,= k. Entao
seu polinomio mnimo e
m
T
(x) = [p
1
(x)]
d
1
[p
2
(x)]
d
2
... [p
k
(x)]
d
k
,
137
onde 0 < d
i
s
i
, para todo i = 1, 2, ..., k, e se W
i
= ker[p
i
(T)]
d
i
= ker[p
i
(T)]
s
i
, para todo
i = 1, 2, ..., k, temos tambem que
V = W
1
W
2
... W
k
,
onde W
i
e subespaco invariante por T, para todo i = 1, 2, ..., k.
10.2.1 Aplicacao do Teorema da Decomposicao Primaria
Prezados alunos, vejamos um exemplo onde podemos aplicar o Teorema da Decomposic ao
Primaria.
Exemplo 10.3 (Aplicacao do Teorema da Decomposicao Primaria). Seja T : R
5
R
5
dado
por
T(x
1
, x
2
, x
3
, x
4
, x
5
) = (10x
1
7x
4
+ x
5
, x
3
, x
2
, 13x
1
9x
4
+x
5
, 4x
1
3x
4
+ x
5
).
Escrevendo a matriz de T em relac ao `a base canonica c de R
5
(ver exemplo 2.9), encontramos
A = [T]
c
=
_
_
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
,
verique. Mostre que o polinomio caracterstico de A e
p
A
(x) = x(x
2
+ 1)(x 1)
2
.
Na linguagem do Teorema da Decomposic ao Primaria 10.1, temos que
p
1
(x) = x, p
2
(x) = x
2
+ 1, p
3
(x) = x 1, s
1
= s
2
= 1 e s
3
= 2.
O Teorema 10.1, nos garante que
R
5
= ker p
1
(A) ker p
2
(A) ker p
3
(A)
2
= ker A ker(A
2
+ 1) ker(A I)
2
,
138
onde ker A, ker(A
2
+ 1) e ker(A I)
2
sao subespacos invariantes por A. Vamos encontrar
tais espacos. Seja (x
1
, x
2
, x
3
, x
4
, x
5
) ker A, ent ao
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
= A
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
10x
1
7x
4
+ x
5
x
3
x
2
13x
1
9x
4
+ x
5
4x
1
3x
4
+ x
5
_
_
_
_
_
_
_
_
.
Resolvendo esta equac ao, obtemos
x
2
= x
3
= 0, x
4
=
3
2
x
1
, x
5
=
1
2
x
1
e x
1
R.
Portanto,
ker A = (x
1
, x
2
, x
3
, x
4
, x
5
) =
__
x
1
, 0, 0,
3
2
x
1
,
1
2
x
1
__
=
_
x
1
_
1, 0, 0,
3
2
,
1
2
__
= [(2, 0, 0, 3, 1)].
Agora, procuremos o espaco ker(A
2
+I). Assim sendo, seja (x
1
, x
2
, x
3
, x
4
, x
5
) ker(A
2
+I).
Da,
(A
2
+ I)
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
.
Mas,
A
2
+ I =
_
_
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
_
_
_
_
_
_
_
_
139
=
_
_
_
_
_
_
_
_
13 0 0 17 4
0 1 0 0 0
0 0 1 0 0
17 0 0 45 5
5 0 0 4 2
_
_
_
_
_
_
_
_
+
_
_
_
_
_
_
_
_
1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
14 0 0 17 4
0 0 0 0 0
0 0 0 0 0
17 0 0 44 5
5 0 0 4 3
_
_
_
_
_
_
_
_
.
Dessa forma,
_
_
_
_
_
_
_
_
0
0
0
0
0
_
_
_
_
_
_
_
_
= (A
2
+ I)
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
14 0 0 17 4
0 0 0 0 0
0 0 0 0 0
17 0 0 44 5
5 0 0 4 3
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
x
4
x
5
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
14x
1
17x
4
+ 4x
5
0
0
17x
1
44x
4
+ 5x
5
5x
1
4x
4
+ 3x
5
_
_
_
_
_
_
_
_
.
Esta equacao tem solucao x
1
= x
4
= x
5
= 0. Logo,
ker(A
2
+I) = (0, x
2
, x
3
, 0, 0) = x
2
(0, 1, 0, 0, 0)+x
3
(0, 0, 1, 0, 0) = [(0, 1, 0, 0, 0), (0, 0, 1, 0, 0)].
Analogamente, vericamos que
ker(A I)
2
= [(1, 0, 0, 0, 3), (0, 0, 0, 1, 2)].
Dessa forma, pelo Teorema 10.1 (ver soma direta), temos que
= (2, 0, 0, 3, 1), (0, 1, 0, 0, 0), (0, 0, 1, 0, 0), (1, 0, 0, 0, 3), (0, 0, 0, 1, 2)
e uma base de R
5
. Mostre que,
[T]

=
_
_
_
_
_
_
_
_
0 0 0 0 0
0 0 1 0 0
0 1 0 0 0
0 0 0 13 9
0 0 0 16 11
_
_
_
_
_
_
_
_
,
onde
(0),
_
0 1
1 0
_
e
_
13 9
16 11
_
140
sao as matrizes de T restrito a ker A, ker(A
2
+ I) e ker(A I)
2
, respectivamente.
Exerccios de Fixacao
1. Para as transformac oes lineares denidas pelas matrizes abaixo encontre bases para W
i
(ver Teorema 10.1) e a decomposic ao da matriz que representa T na base associada aos W

i
s.
i)
_
_
_
_
_
_
_
_
10 0 0 7 1
0 0 1 0 0
0 1 0 0 0
13 0 0 9 1
4 0 0 3 1
_
_
_
_
_
_
_
_
;
ii)
_
_
_
_
_
_
_
_
2 1 1 4 4
1 0 1 4 4
1 1 2 3 4
0 0 0 1 0
2 2 2 1 2
_
_
_
_
_
_
_
_
;
iii)
_
_
_
_
_
_
_
_
2 1 1 0 0
1 0 1 0 0
1 1 2 1 0
0 0 0 1 0
0 0 0 1 2
_
_
_
_
_
_
_
_
.
10.3 Forma Canonica de Jordan
Caro aluno, nesta sec ao, mostraremos como encontrar a Forma Canonica de Jordan de uma
matriz utilizando os polinomios caracterstico e mnimo desta.
141
10.3.1 Denicao de Forma Canonica de Jordan e Exemplos
Denicao 10.2 (Bloco de Jordan). Seja A uma matriz quadrada de ordem n. Seja um
autovalor de A. A matriz quadrada de ordem r, onde r n,
J
A
() =
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0

.
.
.

0 0 0 0 1
0 0 0 0
_
_
_
_
_
_
_
_
_
_
_
e chamada bloco de Jordan de A associado ao autovalor .
Teorema 10.2 (Forma Canonica de Jordan). Seja A uma matriz quadrada de ordem n.
Sejam
1
,
2
, ...,
r
autovalores distintos de A. Sejam
p
A
(x) = (x
1
)
m
1
(x
2
)
m
2
... (x
r
)
m
r
e m
A
(x) = (x
1
)
l
1
(x
2
)
l
2
... (x
r
)
l
r
os polin omios caracterstico e mnimo de A, respectivamente. Entao existe uma matriz dia-
gonal por blocos J, semelhante a A, chamada Forma Canonica de Jordan de A, onde na
diagonal estao os blocos de Jordan de A, tal que
i) existe pelo menos um bloco de Jordan J
A
(
i
) de ordem l
i
, todos os outros tem ordem
menor ou igual a l
i
;
ii) A soma das ordens dos blocos de Jordan J
A
(
i
) e m
i
;
iii) A quantidade dos blocos de Jordan J
A
(
i
) e a multiplicidade geometrica de
i
, isto e,
dimker(A
i
I);
iv) A quantidade dos blocos de Jordan J(
i
) de uma ordem qualquer e unicamente deter-
minda por A.
Exemplo 10.4. Seja
_
_
_
2 1 1
2 1 2
1 0 2
_
_
_
.
142
Vimos no exemplo 9.4, que os polinomios caracterstico e mnimo de A sao dados por
p
A
(x) = (x + 1)
2
(x 3) e m
A
(x) = (x + 1)
2
(x 3).
Asim, a diagonal da forma de Jordan e constituda dos n umeros 1, 1 e 3. Como o
expoente do termo (x + 1)
2
no polinomio mnimo e 2, entao o primeiro (e unico) bloco de
Jordan associado ao autovalor 1 de A e de ordem 2 (ver Teorema 10.2) e e dado por
J
A
(1) =
_
1 1
0 1
_
.
Analogamente, como o expoente do termo (x 3) e 1 entao o primeiro (e unico) bloco de
Jordan associado ao autovalotr 3 e de ordem 1 (ver Teorema 10.2) e e dado por
J
A
(3) =
_
3
_
.
Portanto, a Forma canonica de Jordan para A e
J =
_
_
_
1 1 0
0 1 0
0 0 3
_
_
_
.
Exemplo 10.5. Seja
A =
_
_
_
2 1 1
2 1 2
1 1 2
_
_
_
.
No exemplo 9.5, vimos que os polinomios caracterstico e mnimo de A sao dados por
p
A
(x) = (x 1)
3
e m
A
(x) = (x 1)
2
.
Portanto, 1 e autovalor de A com multipliciade algebrica 3. Portanto a diagonal da Forma
canonica de Jordan e constituda de tres elementos iguais a 1. Note que o expoente do termo
(x 1)
2
no polinomio mnimo e 2, ent ao o primeiro bloco de Jordan associado ao autovalor
1 de A e de ordem 2 (ver Teorema 10.2) e tem a seguinte representac ao
J
A
(1) =
_
1 1
0 1
_
.
143
O outro bloco de Jordan de A associado ao autovalor 1 deve ter ordem menor ou igual a 2
(ver Teorema 10.2). Mas, nao pode acontecer de ser 2, caso contr ario, a ordem da matriz
Forma Canonica de Jordan de A, J, seria 4. Isto e um absurdo (a matriz J tem ordem 3).
Portanto, este ultimo bloco tem ordem 1. Por m, a Forma canonica de Jordan para A e
J =
_
_
_
1 1 0
0 1 0
0 0 1
_
_
_
.
Exemplo 10.6. Seja
A =
_
_
_
_
_
_
_
_
_
_
_
1 1 1 3 1 7
0 1 1 2 3 2
0 0 1 0 2 1
0 0 0 1 1 2
0 0 0 0 1 3
0 0 0 0 0 4
_
_
_
_
_
_
_
_
_
_
_
.
Verique que os polinomios caracterstico e mnimo de A sao dados por
p
A
(x) = (x + 1)
5
(x + 4) e m
A
(x) = (x + 1)
3
(x + 4).
Portanto, 4 e 1 sao autovalores de A, este ultimo com multipliciade algebrica 5. Portanto
a diagonal da Forma canonica de Jordan J de A e constituda de cinco elementos iguais a
1 e um igual a 4. Olhe que o termo do polinomio mnimo (x + 4) tem expoente 1. Da,
so existe um (por que?) bloco de Jordan associado ao autovalor 4 de ordem 1. Por outro
lado, veja que o expoente do termo (x+1)
3
no polinomio mnimo e 3, ent ao o primeiro bloco
de Jordan associado ao autovalor 1 de A e de ordem 3 (ver Teorema 10.2) e tem a seguinte
representac ao
J
A
(1) =
_
_
_
1 1 0
0 1 1
0 0 1
_
_
_
.
Existem duas possibilidades para os outros blocos associados ao autovalor 1, ja que estes
devem ter ordem menor ou igual a 3 (ver Teorema 10.2). Logo, podemos encontrar mais
dois blocos de ordem 1, ou seja,
J
A
(1) =
_
1
_
e J
A
(1) =
_
1
_
144
ou podemos encontrar mais um bloco de dimensao dois, isto e,
J
A
(1) =
_
1 1
0 1
_
.
Portanto, as possveis Formas Canonicas de Jordan para A sao
_
_
_
_
_
_
_
_
_
_
_
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 4
_
_
_
_
_
_
_
_
_
_
_
ou
_
_
_
_
_
_
_
_
_
_
_
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 0 0 0
0 0 0 1 1 0
0 0 0 0 1 0
0 0 0 0 0 4
_
_
_
_
_
_
_
_
_
_
_
.
Mas,
A + I =
_
_
_
_
_
_
_
_
_
_
_
0 1 1 3 1 7
0 0 1 2 3 2
0 0 0 0 2 1
0 0 0 0 1 2
0 0 0 0 0 3
0 0 0 0 0 3
_
_
_
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
_
_
_
0 1 1 3 1 7
0 0 1 2 3 2
0 0 0 0 1 2
0 0 0 0 2 1
0 0 0 0 0 1
0 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
_
_
_
0 1 1 3 1 7
0 0 1 2 3 2
0 0 0 0 1 2
0 0 0 0 0 3
0 0 0 0 0 1
0 0 0 0 0 0
_
_
_
_
_
_
_
_
_
_
_

_
_
_
_
_
_
_
_
_
_
_
0 1 1 3 1 7
0 0 1 2 3 2
0 0 0 0 1 2
0 0 0 0 0 1
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
_
_
_
_
_
_
_
.
Portanto, como existem duas linhas nulas no nal destas congruencias, ent ao
dimker(A + I) = 2.
Logo, so existem dois blocos de Jordan associados ao autovalor 1 (ver Teorema 10.2). Com
145
isso, a Forma Canonica de Jordan e dada por
_
_
_
_
_
_
_
_
_
_
_
1 1 0 0 0 0
0 1 1 0 0 0
0 0 1 0 0 0
0 0 0 1 1 0
0 0 0 0 1 0
0 0 0 0 0 4
_
_
_
_
_
_
_
_
_
_
_
,
pois a outra Forma possvel tem tres blocos de Jordan para o autovalor 1.
Exemplo 10.7. Seja A uma matriz tal que os polinomios caracterstico e mnimo sao
p
A
(x) = (x 2)
3
(x 5)
2
e m
A
(x) = (x 2)(x 5).
Assim sendo, o termo (x 2) tem expoente 1 no polinomio mnimo, ent ao o primeiro bloco
de Jordan associado ao autovalor 2 tem ordem 1 (ver Teorema 10.2). Como os outros blocos
de Jordan associados a este mesmo autovalor tem ordem menor ou igual a 1 (ver Teorema
10.2), logo, temos tres (ver Teorema 10.2) blocos associados ao autovalor 2 de ordem 1, ou
seja, tres blocos da forma
J
A
(2) =
_
2
_
.
Da mesma forma, obtemos tres blocos de Jordam identicos associados ao autovalor 5, isto e,
J
A
(5) =
_
5
_
.
Com isso, a unica Forma de Jordan possvel para A e
J =
_
_
_
_
_
_
_
_
2 0 0 0 0
0 2 0 0 0
0 0 2 0 0
0 0 0 5 0
0 0 0 0 5
_
_
_
_
_
_
_
_
.
Obs 10.1. Note que a ordem de uma matriz e o grau do seu polinoimo caracterstico e nao
o grau do polinomio mnimo.
146
Exerccios de Fixacao
1. Considere a matriz
A =
_
_
_
0 2 1
0 0 3
0 0 0
_
_
_
.
Determine a forma canonica de A.
2. Seja A uma matriz de ordem 5 com entradas reais, polinomios caracterstico e mnimo
p
A
(x) = (x 2)
3
(x + 7)
2
e m
A
(x) = (x 2)
3
(x + 7), respectivamente. Determine a Forma
Canonica de Jordan de A.
3. Seja T : V V um operador linear com polinomios caracterstico p
T
(x) = (x 2)
5
e
mnimo m
T
(x) = (x 2)
2
Determine as possveis Formas Canonicas de Jordan para T e a
dimV.
4. Seja T : V V um operador linear com polinomio caracterstico p
T
(x) = (x 2)
5
. De-
termine as possveis Formas Canonicas de Jordan para T e a dimV. Em cada caso, determine
o polinomio mnimo de T.
5. Seja
A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
.
Encontre A
10
usando a Forma Canonica de Jordan.
10.4 Conclusao
Conclumos nosso curso aprendendo como encontrar a forma canonica de Jordan de um
operador linear atraves do conhecimento de seus polinomios mnimo e caracterstico.
10.5 Exerccios Propostos
1. Seja T um operador linear sobre um espaco vetorial V de dimensao nita. Se o polinomio
caracterstico de T e dado por p
T
(x) = (x 4)
2
(x + 2)
4
, entao quais as possibilidades para
dimker(T 4I) e dimker(T + 2I)?
147
2. Seja T : V V linear com autovalores distintos
1
e
2
, onde V e um espaco vetorial com
dimensao nita 6. Se dimker(T
1
I) = 3 e dimker(T
2
I) = 1, quais as possibilidades
para os polinomios caracterstico e mnimo de T?
3. Seja T : V V um operador linear com polinomio caracterstico p
T
(x) = (x+2)
4
(x1)
2
.
Determine as possveis Formas Canonicas de Jordan para T e encontre a dimV.
4. Para as transformac oes lineares denidas pelas matrizes abaixo encontre o polinomio
caracterstico, o polinomio mnimo bases para W
i
(ver Teorema 10.1) e a decomposicao da
matriz que representa T na base associada aos W

i
s.
i)
_
_
_
_
_
_
_
_
14 8 1 6 2
12 4 2 8 1
8 2 0 9 0
8 8 0 0 2
8 4 0 4 0
_
_
_
_
_
_
_
_
;
ii)
_
_
_
_
_
_
_
_
0 2 6 6 2
1 2 0 0 2
1 0 3 3 2
1 2 1 1 2
1 4 3 3 4
_
_
_
_
_
_
_
_
;
iii)
_
_
_
_
_
_
_
_
2 1 2 1 2
0 3 2 1 2
2 1 0 1 2
2 3 2 1 2
0 1 0 1 0
_
_
_
_
_
_
_
_
.
148
Referencias Bibliogracas
[1] BUENO, H. P.,

Algebra Linear - Um Segundo Curso, Primeira Edicao, Rio de Janeiro,
SBM, 2006.
[2] CALLIOLI, C. A., DOMINGUES, H. H.,COSTA, R. C. F.

Algebra Linear e
Aplicacoes, Sexta Edicao, Sao Paulo, Editora Atual, 1995.
[3] COELHO, F. O., LOURENC O, M. L., Um Curso de

Algebra Linear, Edic ao 2001,
Sao Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Clis, 1971.
[5] LANG, S.,

Algebra Linear, Primeira Edicao, New York, Ed. ciencia Moderna, 2003.
[6] LIPSCHUTZ, S.,

Algebra Linear, Terceira Edicao, Sao Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introducao `a

Algebra, Primeira Edicao, Editora Universitaria UFPB, Joao
Pessoa, 2007.
Professor Revisor
Professor Paulo de Souza Rabelo.
149