Vous êtes sur la page 1sur 168

Sumrio

1 MATRIZES E SISTEMAS
1.1 Tipos de matrizes . . . . . . . . . . . . . . . . . .
1.2 Operaes com matrizes . . . . . . . . . . . . . .
1.3 Matriz na forma escada reduzida por linhas . . .
1.4 Clculo da inversa . . . . . . . . . . . . . . . . .
1.5 Determinantes . . . . . . . . . . . . . . . . . . .
1.6 Primeira lista de exerccios . . . . . . . . . . . .
1.7 Sistema de equaes lineares . . . . . . . . . . . .
1.7.1 Introduo . . . . . . . . . . . . . . . . .
1.7.2 Sistemas e matrizes. . . . . . . . . . . . .
1.7.3 Soluo de um sistema por matriz inversa
1.8 Segunda lista de exerccios . . . . . . . . . . . . .
1.9 Apndice . . . . . . . . . . . . . . . . . . . . . .
1.9.1 Clculo da inversa por adjunta . . . . . .
1.9.2 Regra de Cramer . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

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

4
4
7
11
13
14
18
21
21
22
25
27
31
31
32

2 ESPAOS VETORIAIS
2.1 Introduo . . . . . . . . . . . . . . . . . . . . . . .
2.2 Subespaos . . . . . . . . . . . . . . . . . . . . . .
2.3 Interseco de dois Subespaos Vetoriais . . . . . .
2.4 Combinao Linear . . . . . . . . . . . . . . . . . .
2.5 Dependncia e Independncia Linear . . . . . . . .
2.6 Subespaos Gerados . . . . . . . . . . . . . . . . .
2.7 Soma de Subespaos . . . . . . . . . . . . . . . . .
2.8 Base e Dimenso de um Espao Vetorial . . . . .
2.8.1 Base . . . . . . . . . . . . . . . . . . . . . .
2.8.2 Dimenso . . . . . . . . . . . . . . . . . . .
2.8.3 Dimenso da Soma de Subespaos Vetoriais
2.8.4 Coordenadas . . . . . . . . . . . . . . . . .
2.9 Mudana de Base . . . . . . . . . . . . . . . . . . .
2.10 A Inversa da Matriz de Mudana de Base . . . . .
2.11 Terceira lista de exerccios . . . . . . . . . . . . . .

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

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

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

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

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

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

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

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

36
36
43
46
48
49
51
53
54
54
59
60
60
61
65
67

3 TRANSFORMAES LINEARES
3.1 Propriedades das Transformaes Lineares . . . . . .
3.2 Transformaes Lineares e Matrizes . . . . . . . . . .
3.2.1 Transformao linear associada a uma matriz
3.2.2 Matriz de uma transformao linear . . . . .
3.3 Composio de transformaes lineares . . . . . . .
3.4 A Inversa de uma transformao linear . . . . . . . .
3.5 Quarta lista de exerccios . . . . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

73
77
83
83
86
90
91
95

4 OPERADORES LINEARES
4.1 Transformaes especiais no plano e no espao
4.2 Propriedades dos operadores inversveis . . . .
4.3 Operadores autoadjuntos e ortogonais . . . . .
4.4 Quinta lista de exerccios . . . . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

100
100
121
124
126

5 AUTOVALORES E AUTOVETORES
5.1 Autovalores e autovetores de uma matriz .
5.1.1 Polinmio Caracterstico. . . . . .
5.1.2 Matrizes Semelhantes . . . . . . .
5.2 Diagonalizao de Operadores . . . . . . .
5.2.1 Matriz Diagonalizadora . . . . . .
5.3 Calculando potncias de uma matriz . . .
5.4 Sexta lista de exerccios . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

128
129
129
136
137
139
141
144

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

6 PRODUTO INTERNO
6.1 Normas, Distncias e ngulos em Espaos com Produto Interno .
6.2 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.1 Conjunto Ortogonal de Vetores . . . . . . . . . . . . . . .
6.2.2 Base ortogonal . . . . . . . . . . . . . . . . . . . . . . . .
6.2.3 Base ortonormal . . . . . . . . . . . . . . . . . . . . . . .
6.2.4 Coordenadas em relao a Bases Ortonormais . . . . . . .
6.2.5 Coordenadas em relao a Bases Ortogonais . . . . . . . .
6.3 Complementos Ortogonais . . . . . . . . . . . . . . . . . . . . . .
6.4 Projees Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . .
6.5 Encontrando Bases Ortogonais e Ortonormais: Processo de Ortogonalizao de Gram-Schmidt . . . . . . . . . . . . . . . . . . .
6.6 Fatorao QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.6.1 Aplicao da fatorao QR . . . . . . . . . . . . . . . . .
6.7 Stima lista de exerccios: . . . . . . . . . . . . . . . . . . . . . .

149
153
154
155
155
155
156
156
157
158
159
161
162
163

Apresentao da disciplina
Caro aluno
Esta apostila segue de muito perto a bibliograa referenciada no Plano de
Ensino da disciplina e que correspondem aos livros texto deste curso. Sugerese a sua aquisio. O nico objetivo deste material facilitar as atividades dos
alunos em sala de aula, de forma que possam complementar o assunto aqui
proposto com as notas expostas pelos professores em sala de aula e ainda servir
de referncia aos professores e alunos sobre quais tpicos devero ser trabalhados
em cada captulo. De maneira nenhuma a leitura ou consulta da bibliograa
est descartada, isto dever do aluno. Este material podem conter eventuais
erros, enganos ou omisses, caso encontrar, por favor, comunique seu professor.
As respostas da maior parte dos exerccios sero disponibilizadas na pgina:
http://www2.joinville.udesc.br/~dma2gm .
A lgebra Linear constitui uma parte da Matemtica da qual necessitam
matemticos, fsicos, engenheiros, programadores de computadore, economistas, administradores e outros cientistas. Este requisito reete a importncia
desta disciplina pelas mltiplas aplicaes e pelo alcance de sua linguagem. Ela
tambm se faz presente nos diversos ramos da matemtica, aparecendo em disciplinas como clculo, equaes diferenciais, matemtica discreta, estatstica,
anlise numrica e outras. Sendo assim, a lgebra Linear se tornou uma ferramenta indispensvel em quase todas as reas da matemtica e cincias ans. Os
objetos de que trata a lgebra Linear no so apenas matrizes e sistemas lineares. A sua essncia est no estudo dos espaos vetoriais e das transformaes
lineares.
Desejamos a todos um timo semestre de estudos.

Captulo 1

MATRIZES E SISTEMAS
Denio de matriz: Chama-se matriz de ordem m n a uma tabela de m n
elementos dispostos em m linhas e n colunas:
2

6
6
A=6
4

a11
a21
..
.

a12
a22

::::::::
::::::::

a1n
a2n
..
.

am1

am2

::::::::

amn

3
7
7
7
5

Notao: Costumamos denotar as matrizes por letras latinas maisculas:A;


B; C; ......
Denio 1 Sejam A = [aij ] e B = [bij ] duas matrizes de ordem m
Dizemos que as matrizes A e B so iguais se, e somente se,
aij = bij ;

1.1

i = 1; : : : ; m

j = 1; : : : ; n:

Tipos de matrizes

Matriz coluna:
a matriz de ordem m

A = [1]1

1:

3
1
6 2 7
7
B=6
4 3 5
4 4

1
2
3
..
.

6
6
6
6
C=6
6
6
4 999
1000

;
1

3
7
7
7
7
7
7
7
5

1000 1

n:

Matriz linha:
a matriz de ordem 1

n:

Exemplo 2 :
A = [1]1

; D=

10

1 8

n:

Matriz nula:
a matriz A = [aij ]m

onde aij = 0; para 1

me1

Exemplo 3 :
2

0
6 0
M =6
4 0
0

0
0
0
0

0
0
0
0

0
0
0
0

3
0
0 7
7 ;
0 5
0

0
0
0
0

N = [0]

Observao: Denotaremos freqentemente a matriz nula por 0:


Matriz quadrada:
a matriz de ordem n

n:
2

a11
6 ..
A=4 .
an1

..

3
a1n
.. 7
. 5
ann

Os elementos da forma aii costituem a diagonal principal


Os elementos aij em que i + j = n + 1 constituem a diagonal secundria.
Exemplo 4 : A = [0]1

3
3

; B=

3
3

Matriz diagonal:
Matriz diagonal a matriz quadrada A = [aij ] onde aij = 0 para i 6= j :
2
3
a11 0
0
0
6
7
6 0 ...
0 7
6
7
6
..
.. 7
..
A = 6 ...
7
.
.
.
6
7
6
7
..
.
.
4 0
.
.
0 5
0
0
0 ann
Notao: diag(A) = fa11 ;

Exemplo 5 : A = [0]1

; ann g

, B=

3
0

0
3
5

Matriz identidade:
a matriz diagonal I onde diag(I) = f1;
; 1g :
Notao: In representa a matriz identidade de ordem n:
Exemplo 6 :

1
0

I2 =

0
1

I100

1
0
..
.

6
6
6
=6
6
6
4 0
0

0
1
..
.

0
0
..
.

0
..
.
..

.
0

0
0

7
7
7
7
7
7
0 5
1

Matriz transposta:
Dada uma matriz A
[bij ]n m ; cujas linhas
transposta
2 de A:
a11 a12
6 a21 a22
6
A=6 .
4 ..
am1

Exemplo 7 :
2
1
6 11
6
A=6
6 21
4 31
41
D=

am2

2
12
22
32
42

= [aij ]m n ; podemos obter uma outra matriz AT =


so as colunas de A; isto , bij = aji : AT denominada a
::::::::
::::::::

a1n
a2n
..
.

::::::::

amn

3
13
23
33
43

4
14
24
34
44

5
15
25
35
45

3
7
7
7
5

m n

6
6
) AT = 6
4
2

6
7
6
7
7 ) AT = 6
6
7
4
5
5

1 6

1
2
3
4
5

11
12
13
14
15

a11
a12
..
.

a21
a22

::::::::
::::::::

am1
am2
..
.

a1n

a2n

::::::::

amn

21
22
23
24
25
2

6
6
6
T
)D =6
6
6
4

3
7
7
7
5

3
31 41
32 42 7
7
33 43 7
7
34 44 5
35 3 45
1
2 7
7
3 7
7
4 7
7
5 5
6 6 1

Matriz simtrica:
Uma matriz quadrada S = [aij ] simtrica se S T = S; isto , se aij = aji :
Assim, os elementos simetricamente opostos diagonal principal so iguais.
Exemplo 8
2
1
S=4 5
9

:
5
3
8

3
9
8 5;
7

N=

0
1

1
0

n m

Matriz anti-simtrica:
Uma matriz quadrada A = [aij ] anti-simtrica se AT =
aji : Assim,

A; isto , se aij =

i. os elementos da diagonal principal so todos nulos;


ii. os elementos simetricamente dispostos em relao diagonal principal so
opostos.
2
3
0 3 4
6 5
Exemplo 9 : A = 4 3 0
4 6 0
Matriz triangular superior:
A matriz quadrada A = [aij ] que tem os elementos aij = 0 para i > j chamada
matriz triagular
superior.3
2
5 4 7 9
6 0 3
8 4 7
7 ; B = 0 1 ; I10000
A=6
4 0 0
0 0
2 3 5
0 0 0 6
Matriz triangular inferior:
A matriz quadrada A = [aij ] que tem os elementos aij = 0 para i < j chamada
matriz triangular inferior.
Exemplo 10
2
5
6 4
B=6
4 7
9

1.2

:
0
3
4
1

0
0
2
2

3
2
1
0
6 0
0 7
7; C = 6
4 0
0 5
0
6

0
2
0
0

0
0
2
0

3
0
0 7
7
0 5
2

Operaes com matrizes

Adio:
Dados A = [aij ]m

e B = [bij ]m

denimos A + B por,

A + B = [aij + bij ]m
Propriedades:
i. A + B = B + A
ii. A + (B + C) = (A + B) + C
iii. A + 0 =A
7

Multiplicao por escalar:


Seja A = [aij ]m

e k um nmero real denimos k A por


kA = [k aij ]m

Exemplo 11 :

2
1

10
3

4
2

20
6

Propriedades:
i. k(A + B) = kA + kB
ii. (k1 + k2 )A = k1 A + k2 A
iii. 0 A = 0
iv. k1 (k2 A) = (k1 k2 )A
Multiplicao de Matrizes:
Sejam A = [aij ]m

e B = [bij ]n

cij =

n
X

; denimos A B por AB = [cij ]m

; onde

aik bkj = ai1 b1j + ::::: + ain bnj

k=1

Observe que o nmero de colunas de A deve ser igual ao nmero de linhas


de B:
Exemplo 12 :
2
3
2 1
4 4 2 5
5 3 3 2

1
0

1
4

2 2

2 1+1 0
=4 4 1+2 0
5 1+3 0

Propriedades da multiplicao de matrizes:


i. AI = IA = A
ii. A(B + C) = AB + AC
iii. (A + B)C = AC + BC
iv. (AB)C = A(BC)
v. (AB)T = B T AT
vi. 0A = A0 = 0
8

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

3
2
4 5
7

Observao 13 Note que, em geral, AB =


6 BA: Por exemplo,dadas as matrizes
2
3
2
3
1
1 1
1 2 3
15 e B = 42 4 65
A=4 3 2
2 1
0
1 2 3
2
3
11 6
1
25 :
Verique que AB = 0 e que BA = 4 22 12
11 6
1
Propriedades da matriz transposta
i. (A + B)T = AT + B T
ii. ( A)T = AT ; onde

um nmerto real

iii. (AT )T = A
iv. (AB)T = B T AT
Exemplo 14 Mostre que se A uma matriz quadrada ento A+AT simtrica
e A AT anti-simtrica.
Matriz inversa:
Dada uma matriz quadrada A = [aij ] ; se existir uma matriz B que satisfaa
AB = BA = I diz-se que B a inversa de A e denota-se B por A 1 ; ou seja,
A 1 A = AA 1 = I:
Exemplo 15 :
A=

11
7

3
2

2
7

3
11

Dizemos que uma matriz A inversvel (no singular) se existe a matriz


inversa A 1 , caso contrrio dizemos que a matriz A no inversvel (singular).
Algumas propriedades importantes:
1. A no singular se o determinante de A diferente de zero. A singular
se determinante de A igual a zero.
2. Se A admite inversa (det A 6= 0) esta nica.
3. Se A no singular, sua inversa A 1 tambm , isto , se det A 6= 0 ento
det A 1 6= 0: A matriz inversa de A 1 A:
4. A matriz identidade I no singular (pois det I = 1) e I

= I:

5. Se a matriz A no singular, sua transposta AT tambm . A matriz


inversa de AT (A 1 )T ; isto , (AT ) 1 = (A 1 )T ; dai concluimos que se
det A 6= 0 ento det AT 6= 0:
6. Se as matrizes A e B so no singulares e de mesma ordem, o produto
AB uma matriz no singular. Vale a relao (AB) 1 = B 1 A 1 :
Exemplo 16 :
A=
B=

2 3
=) det
2 2
1 10
) det
1 10

2 3
= 2 ) A no singular
2 2
1 10
= 0 ) A singular
1 10

Exemplo 17 Demonstre as propriedades 2 e 6.


Matriz ortogonal:
Uma matriz M; quadrada, cuja inversa conicide com sua transposta denominada matriz ortogonal. Portanto M ortogonal se M 1 = M T ; ou seja,

Exemplo 18 M =

"

MMT = MT M = I
p #
3
2
1
2

1
p2
3
2

Potncia de uma matriz:


Seja A = [aij ] uma matriz quadrada de ordem n:
1. Dene-se A0 = In
2. A matriz Ak = A
| A {z::::: A} chamada k-sima potncia de A para
p vezes

1:

3. Se A for invertvel, dene-se A


A=

1
4

2
3

; A2 =

9
16

8
17

= A

; A3 =

1 k

41
84

; k 2 N:
42
83

Trao de uma matriz:


Seja A = [aij ] uma matriz quadrada de ordem n: O trao de A; que denotamos
por tr(A); a soma dos elementos da diagonal principal, isto ,
tr(A) = a11 + a22 + : : : + ann =

n
X
i=1

10

aii

1.3

Matriz na forma escada reduzida por linhas

Denio 19 Uma matriz m


ada, se:

n linha reduzida forma escada, ou escalon-

a) O primeiro elemento no nulo de uma linha no nula 1:


b) Cada coluna que contm o primeiro elemento no nulo de alguma linha tem
todos os seus outros elementos iguais a zero.
c) Toda linha nula ocorre abaixo de todas as linhas no nulas (isto ,. daquelas
que possuem pelo menos um elemento no nulo)
d) Se as linhas 1; :::; p so as linhas no nulas, e se o primeiro elemento no
nulo da linha { ocorre na coluna k1 , ento k1 < k2 < ::::: < kn :
Exemplo
2
1
1) 4 0
0
2
0
2) 4 1
1
2
0
3)4 0
2 0
0
4)4 0
0

20 :
0
1
0
2
0
0
1
0
0
1
0
0

3
0
1 0 5 no forma escada. No vale b).
1
0
3
1
3 5 no forma escada. No vale a) e b).
0
3
3 0
1
0
0
0 5 no forma escada. No vale c).
0
1 23
3 0 1
0
1 3 5 forma escada.
0
0 0
0

Operaes elementares linha: So trs as operaes elementares sobre


as linhas de uma matriz.
1o ) Permuta da i

esima e j

esima linha (Li $ Lj ).

Exemplo 21 :
2
3
2
1
0
1
4 4
1 5L2 $ L3 4 3
3 4
4
2o ) Multiplicao da i
Exemplo 22 .
2
3
1
0
4 4
1 5 L2 !
3 4

0
4
1

3
5

esima linha por um escalar no nulo k (Li ! kLi ).


2

3L2 4

1
12
3

3
0
3 5
4
11

3o ) Substituio da i esima linha pela i esima linha mais k vezes a j esima


linha (Li ! Li + kLj )
Exemplo 23 :
2
3
2
1
0
1
4 4
1 5 L3 ! L3 + 2L1 4 4
3 4
1

0
4

1 5:

Observao 24 Se A e B so matrizes m n, dizemos que B linha equivalente a A; se B for obtida de A atravs de um nmero nito de operaes
elementares sobre as linhas de A: Notao A B:
Exemplo
2
1
4 4
2 3
1
4 4
3
L2 !

25 :
3

1
1 5 linha equivalente a 4 0
4 3
0
2
0
1
0
1 5 L2 ! L2 4L1 4 0
1
4
3 4
3
2
2
1
1 0
L2 4 0 1 5 L3 ! L3 4L2 4 0
0
0 4

3
0
1 5 pois,
0
3

3
1 0
5 L3 ! L3 + 3L1 4 0
1 5
0 4
3
0
1 5
0

Teorema: Toda matriz A de ordem m n linha equivalente a uma nica


matriz linha-reduzida forma escada.
3
2
2 1 3
Exemplo 26 : Dada a matriz A = 4 4 5 6 5 ;obtenha uma nica matriz
3 1
2
B na forma escada linha equivalente a matriz A:
Soluo:
2
2
3
2 1 3
1
4 4 5 6 5 L1 ! 1 L1 4 4
2
3 1
2
3
2
1
3
1 2
2
0
L3 ! L3 3L1 4 0 3
13
1
0
2
2

1
2 L22

1
4 0
0

1
2

3
2

1
2

3
2

5 6 5 L2 ! L2
1
2
3
2
1 12
5 L2 ! 1 L2 4 0 1
3
0

1
5 L3 ! 2 L3 4 0
1 0
13
13
0
0
2
2
3
1 0 0
L1 ! L1 32 L3 4 0 1 0 5
0 0 1

1
2

1
0

12

3
2

0 5 L1 ! L1
1

1
4L1 4 0
3

1
1
4
0
L
2 2
0

0
1
0

13
2

3
2

3
1
3

3
2

1
2

1
2

5 L3 ! L3 +
3
2

0 5
1

Exerccio 27 Dada a matriz A; obtenha


lente a matriz dada.
2
2
3
1 0
1
0 0 0
6 0 1
6 1
7
0
1
0
7
b)6
a)6
4 0 1
4 0
1 0 1 5
0 1
1 0 0
1

uma matriz na forma escada equiva1


0
0
1

3
0
1 7
7
1 5
1

Posto de uma matriz:


Dada uma matriz Am n , seja Bm n a matriz linha reduzida forma escada,
linha equivalente matriz A: O posto de A, denotado por p, o nmero de
linhas no nulas de B e a nulidade de A n p, onde n o nmero de colunas
de A e p o posto de A:
Exemplo 28 : Encontrar
2
1
2
1
3
a) A = 4 1 0
1
2 1

o posto e a nulidade das matrizes:


3
0
5 5
1
2

3
7
1 0 0
8
1 5
Soluo: A matriz A linha equivalente a matriz B = 4 0 1 0
4
11
0 0 1 8
portanto o posto de A 3 (o nmero de linhas no nulas da matriz B) e a
nulidade n p = 4 3 = 1 (n o numero de colunas da matriz A e p o posto
de A)
2

3
1 0 14
9
6 0 1 1 7
4 7
b) A = 6
4 0 0 0 5
0 0 0
Soluo: posto A = 2 e nulidade de A 3
2

3
2
2
2 1 10
6 0 1 1 7
6 0
4
6
7
6
c) A = 4
)B=4
1 2 0 5
0
1 3 0
0
Soluo posto de A = 3 e nulidade

1.4

2=1

3
1 10
1
7
1
4
7
43 5
0
8
0
0
de A 0

Clculo da inversa

Clculo da inversa por escalonamento:


Para se determinar a matriz inversa de uma matriz A, no singular, atravs
de operaes elementares entre as linhas da matriz fazemos o seguinte:
13

a) Coloca-se ao lado da matriz A a matriz I; separada por um trao vertical


tracejado.
b) Transforma-se por meio de operaes elementares a matriz A na matriz I;
aplicando simultaneamente matriz I colocada ao lado da matriz A as
mesmas operaes elementares aplicadas matriz A:
2
4

Exemplo 29 : Calcular inversa da matriz A =


2 1 1 0
1 12
L1 ! 12 L1
4 3 0 1
4 3
0
1 12 12
L1 ! L1 12 L2
0 1
2 1
Logo
A

1.5

1
2

0
0 1
1 0
0 1
3
2

1
3

L2 ! L2
3
2

por escalonamento.

4L1

1
2

1
2

Determinantes

Denio 30 Determinante de uma matriz A um nmero real associado


matriz A:
Notao: det A:

por

Denotamos tambm o determinante da matriz A;


2
a11
a12
a1n 1
6 a21
a
a2n 1
22
6
6 ..
..
.
. . ...
.
A=6
6 .
6
..
4 an 11 an 12
.
an1
an2
an 1n

det A =

a11
a21
..
.

a12
a22
..
.

an 11
an1

an 12
an2

..

14

a1n
a2n
..
.
..

1
1

an

1n

a1n
a2n
..
.
an 1n
ann

3
7
7
7
7
7
7
5

a1n
a2n
..
.
an 1n
ann

Propriedades do determinante:
1. det A = det AT ;
2. det(AB) = det A det B;
3. Se a matriz A possui uma linha ou coluna nula ento det A = 0;
4. Se a matriz A tem duas linhas ou colunas iguais ento det A = 0;
5. Se na matriz A uma linha (ou coluna) mltipla de outra linha (coluna)
ento det A = 0;
6. Trocando a posio de duas linhas (colunas) o derminante muda de sinal;
7. Quando se multiplica uma linha (coluna) de uma matriz A por um nmero
k 6= 0 o determinante ca multiplicado por esse mesmo nmero;
8. O determinante de uma matriz A no se altera quando se faz a seguinte
operao entre linha: Li ! Li + kLj ;
9. O determinante de uma matriz triangular superior ( ou inferior) igual
ao produto do elementos da diagonal principal;
10. A partir de det(AB) = det A det B temos
det(AA

) = det I ) det A det A

= 1 ) det A =

1
det A

Clculo do determinante por triangulao. Para se calcular o determinante de uma matriz A usamos as operaes elementares linha de modo a obter
uma matriz triangular superior (ou inferior) observando as propriedades do determinante e fazendo as compensaes necessrias.
3
2
2
1 1
1 5
Exemplo 31 A = 4 2 0
3
1 0

2
1 1
2 0
1 L2 ! L3 (Quando permutamos as linhas o deter3
1 0
minante troca de sinal)
2
1 1
1 0
( 1) det A = 3
L1 ! 12 L1 (Quando multiplicamos uma linha
2 0
1
por um nmero o det. ca multiplicado pelo mesmo nmero)
1 21 12
1
L2 ! L2 + ( 3)L1 (Esta operao no al3
1 0
2 ( 1) det A =
L3 ! L3 2L1
2 0
1
tera o determinante)
det A =

15

1
2(

1) det A =

1 21
0 12
0 1

1
2

3
2

(Esta operao no altera o


L3 ! L3

determinante)

2L2

1 21 21
3
(O determinante de uma matriz triangular
1) det A = 0 12
2
0 0
1
superior o produto dos elementos da diagonal principal)
1
1
1
2 ( 1) det A = 2 ) det A =
1
2(

Clculo do determinante por desenvolvimento de Laplace:

Regra de Chi:
Se a matriz A de ordem 2 2 ento:
a11 a12
det
= a11 a22 a21 a12
a21 a22
5 1
det
= 5 3 2 1 = 13
2 3
Regra de Sarrus:
Se A de
2
a11
A = 4 a21
a31

ordem 3

3
3

a11
a12
a13
a11
a12
a13
&
&%
&%
%
a23 5 ) a21
a22
a23
a21
a22
a33
%
&%
&%
&
a31
a32
a33
a31
a32
det A = (a11 a22 a33 ) + (a12 a23 a31 ) + (a13 a21 a32 ) (a31 a22 a13 ) (a32 a23 a11 )
(a33 a21 a12 )
a12
a22
a32

Desenvolvimento de Laplace:
Para uma matriz de ordem n
dado pela frmula.
det An

n usamos o desenvolvimento de Laplace qu


n
X

aij ( 1)i+j det Aij

j=1

onde Aij a submatriz obtida a partir da matriz A eliminando-se a i esima


linha e a j esima coluna da matriz A: Se chamarmos ij = ( 1)i+j det Aij
ento
n
X
det An n =
aij ij
j=1

Exemplo 32 :

16

3
2 3
4
6 4
2 0
0 7
7
A=6
4 1 2
3 0 5
2
5 3
1
Vamos calcular o determinante da matriz fazendo o desenvolvimento pela
primeira linha (note que seria mais conveniente desenvolver pela segunda linha,
pois ela possui dois elementos nulos).
4
0
0
2 0
0
1
3 0
3 0 + 2( 1)1+2
det A = 1( 1)1+1 2
2
3
1
5 3
1
4
2 0
4
2 0
1 2
3
1 2 0 +( 4)( 1)1+4
+3( 1)1+3
2
5 3
2
5 1
det A = ( 1)(1)( 6) + 2( 1)( 12) + (3)(1)(10) + ( 4)( 1)(78)
det A = 372:
1

17

1.6

Primeira lista de exerccios


a + 2b
2c + d

1. Dadas as matrizes A =

2a b
9
eB =
c 2d
4

2
; determine a; b; c
7

e d para que A = B.
2
x2
2x 1 0
matriz simtrica.

2. Seja A =

:Determine o valor de x para que A seja uma

3. Mostre que se A simtrica, ento B T AB simtrica (B quadrada de


mesma ordem que A).
4. Mostre que toda matriz quadrada A pode ser escrita como a soma de uma
matriz simtrica com uma matriz anti-simtrica, ou seja, A = S + N onde
S uma matriz simtrica e N uma matriz anti-simtrica. Sugesto: Use
o exemplo 14.
5. Seja A invertvel. Mostre que se AB = BC; ento B = C: D um exemplo
de uma matriz no-nula A tal que AB = BC; mas B 6= C:
6. Mostre que a matriz
2

cos
M = 4 sin
0

sin
cos
0

uma matriz ortogonal.

3
0
0 5
1

7. Sejam P e Q matrizes ortogonais de mesma ordem.


(a) P Q uma matriz ortogonal? P T uma matriz ortogonal? Justique
sua resposta.
(b) Quais os valores que det Q pode ter?
8. Dada uma matriz A de ordem m n mostre que a matriz AAT uma
matriz simtrica de ordem m m: A matriz AT A simtrica? Qual sua
ordem?
2
3
2
2
4
4 5 idempotente, isto , A2 = A:
9. Mostre que a matriz A = 4 1 3
1
2
3

10. Sejam A e B matrizes quadradas de mesma ordem. Qual a condio que


devemos ter para que (A + B)2 = A2 + 2AB + B 2 ?

11. Um construtor tem contratos para construir 3 estilos de casa: moderno,


mediterrneo e colonial. A quantidade empregada em cada tipo de casa
dada pela matriz

18

M oderno
M editerr^
aneo 4
Colonial

F erro
5
7
6

M adeira

V idro

20
18
25

16
12
8

T inta T ijolo
3
7
17
9
21 5
5
13

(a) Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterrneo
e colonial, respectivamente, quantas unidades de cada material sero
empregadas?
(b) Suponha agora que os preos por unidade de ferro, madeira, vidro,
tinta e tijolo sejam respectivamente, 15, 8, 5, 1 e 10 reais. Qual o
preo unitrio de cada tipo de casa?
(c) Qual o custo total do material empregado?
12. Calcule o determinante de A onde
3
2
3
1 5
0
6 0 2
0
1 7
7;
(a) A = 6
4 2 0
1 3 5
1 1
2
0
2
3
0
0 0 0
6 19 18
0
0 0
6
6
5
0 0
(b) A = 6
6
p
p
4 4
2
3 0 0
8
3
5 6
1
1
0
9 1 9 9 9
B9 0 9 9 2C
C
B
C
(c) A = B
B4 0 0 5 0C
@9 0 3 9 0A
6 0 0 7 0
13. Encontre A
2

3
7
7
7
7
5

; onde

4
1 2
6 3
1 0
(a) A = 6
4 2 3 1
0 7 1
2
3
1 0 x
(b) A = 4 1 1 x2 5
2 2 x2

3
2
0 7
7;
0 5
1

14. Encontre os valores d k para os quais a matriz


2
3
k 3
0
3
k+2
0 5
A=4 0
5
0
k+5
19

no inversvel.
15. Existe alguma matriz "inversvel"X tal que X 2 = 0? Justique sua resposta.
16. Encontre todos os valores de
em que

para os quais a matriz A

2
2
62
A=6
41
3

0
0
2
2

0
0
1
1

I4 tem inversa,

3
0
07
7
05
2

17. Para a matriz A = (aij )de ordem 2 denida por aij = i + j, calcular
f (t) = det(A tI2 ) e resolver a equao do segundo grau f (t) = 0.
18. Para a matriz denida por:
M=

a b
c d

calcular f (t) = det(M tI2 ) e resolver a equao do segundo grau f (t) = 0.


19. Verique se as armaes abaixo so VERDADEIRAS ou FALSAS.
Se forem verdadeiras, demonstre. Se forem falsas, d um contra-exemplo.
(a) Se uma matriz quadrada A for ortogonal ento det A =

1:

(b) det(I + A) = 1 + det A


(c) Se A uma matriz simtrica ento A + AT tambm simtrica.
(d) Se A e B so inversveis ento A + B tambm .
(e) Se A uma matriz quadrada simtrica e B uma matriz ortogonal
ento a matriz A + B 1 nunca ser simtrica.
(f) Se A uma matriz anti-simtrica de ordem 3, ento det A = 0
(g) Se A no-inversvel e AB = 0 ento B = 0
(h) Se A anti-simtrica inversvel, ento A

anti-simtrica.

(i) Seja A uma matriz quadrada, ento tr(A + B) = tr(A) + tr(B):


(j) Se A; B e C so matrizes n n inversveis, ento (ABC)
0
1
0
2 3
1 0
2
1 0 1
B1 1 0
C
B1 3 1
5
2
B
C
B
B
1 4
3C
(k) Se A = B
B1 2
CeD=B 1 1 1
@0 0 1
A
@ 1 4 1
3 2
2 3 1
0
1
2 1 2
fazem a relao A 1 BA = D ento det B = 24:
20

= C 1B 1A
1
1 4
2 1C
C
1 1C
C satis2 1A
1 2

1.7
1.7.1

Sistema de equaes lineares


Introduo

Uma equao linear uma equao da forma


a1 x1 + a2 x2 + a3 x3 + :::::: + an xn = b
na qual a1 ; a2 ; a3 ; ::::; an so os respectivos coecientes das variveies x1 ; x2 ; x3 ; ::::; xn
e b o termo independente. Os nmeros a1 ; a2 ; a3 ; ::::; an e o termo independente b geralmente so nmeros conhecidos e as variveis x1 ; x2 ; x3 ; ::::; xn so
as incgnitas.
Os valores das variveis que transformam uma equao linear em uma identidade, isto , que satisfazem a equao, constituem sua soluo. Esses valores
so denominados razes das equaes lineares.
A um conjunto de equaes lineares se d o nome de sistema de equaes
lineares e tem a seguinte representao:
a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn
a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn
..
..
..
..
.
.
.
.
am1 x1 + am2 x2 + am3 x3 + :::::: + amn xn

=
=
..
.

b1
b2
..
.

= bm

Os valores das variveis que transformam simultaneamente as equaes de


um sistema de equaes lineares em uma identidade, isto , que satisfazem a
equao constituem sua soluo.
Diz-se que dois sistemas de equaes lineares so equivalentes quando admitem a mesma soluo.
Exemplo 33 Os sistemas
2x + 3y = 11
x+y = 3

10x 2y = 38
3x + 5y = 7

so equivalentes pois possuem as mesmas solues, x = 4 e y = 1


Quanto as solues, trs casos podem ocorrer:
1. O sistema possui uma nica soluo. Neste caso, dizemos que o sistema
compatvel e determinado.
2. O sistema possui innitas solues. Neste caso, dizemos que o sistema
compatvel e indeterminado.
3. O sistema no possui nenhuma soluo. Neste caso, dizemos que o sistema
incompatvel.

21

1.7.2

Sistemas e matrizes.

Dado um sistema linear na forma,


a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn
a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn
..
..
..
..
.
.
.
.
am1 x1 + am2 x2 + am3 x3 + :::::: + amn xn
podemos representa-lo matricialmente utilizando as
trizes da seguinte maneira:
Se
2
a11 a12
a1n
6 a21 a22
a
2n
6
A=6 .
..
...... ..
4 ..
.
... .
am1

6
6
X=6
4

x1
x2
..
.

xn

am2

3
7
7
7
5

6
6
B=6
4

b1
b2
..
.

(1.1)

= bm

notaes da teoria de ma3


7
7
7
5

amn

=
=
..
.

b1
b2
..
.

bm

podemos escrever o sistema (1.1) na forma matricial:

3
7
7
7
5

AX = B
onde A a matriz dos coecientes, B a matriz
dentes e X a matriz coluna das incgnitas.
Ao sistema (1.1) associamos a seguinte matriz:
2
a11 a12
a1n j
6 a21 a22
a2n j
6
6 ..
..
..
4 .
.
.
j
am1

am2

amn

que chamamos matriz ampliada do sistema.

coluna dos termos indepen-

b1
b2
..
.

j bm

3
7
7
7
5

Teorema: Dois sistemas que possuem matrizes ampliadas equivalentes so


equivalentes.
Dada a matriz ampliada do sistema de equaes lineares consideramos a
matriz linha reduzida a forma escada obtida a partir da matriz ampliada do
sistema:
Teorema:
1. Um sistema de m equaes e n incgnitas admite soluo se, e somente se,
o posto da matriz ampliada igual ao posto da matriz dos coecientes.

22

2. Se as duas matrizes tem o mesmo posto p e p = n (nmero de colunas da


matriz dos coecientes, ou nmeros de variveis) a soluo nica.
3. Se as duas matrizes tem o mesmo posto e p 6= n podemos escolher n p
incgnitas e as outras incgnitas sero dadas em funo destas. O nmero
n p chamado grau de liberdade do sistema.
Resumo:
Dado um sistema de m equaes e n incgnitas seja Aa a matriz ampliada
do sistema e seja Ae a matriz linha equivalente a matriz Aa onde a matriz dos
coecientes esto na forma escada. Seja pa o posto da matriz ampliada e pc o
posto da matriz dos coecientes obtidos a partir da matriz Ae :
Se pa 6= pc ento o sistema incompatvel ( no possui soluo)
Se pa = pc ento o sistema compatvel (possui soluo). Seja p = pa = pc ,
se p = n ento o sistema compatvel e determinado (possui uma nica
soluo). Se p < n o sistema compatvel e indeterminado (possui innitas solues). Sempre que um sistema possuir innitas solues deveremos
atribuir valores a algumas variveis e determinar o valor das outras variveis em funo destas. O nmero de variveis as quais deveremos atribuir
valor o grau de liberdade do sistema, dado pelo nmero n p:

Exemplo 34 Classicar e resolver o sistema:


8
< 2x1 + x2 + 3x3
4x1 + 2x2 + 2x3
:
2x1 + 5x2 + 3x3

= 8
= 4
=
12

(1.2)

Soluo:
Matriz2Ampliada
3
2 1 3 j 8
5
Aa = 4 4 2 2 j 4
2 5 3 j
12
Matriz linha equivalente a matriz ampliada, onde a parte da matriz dos
coecientes
2 est na forma escada
3
1 0 0 j 2
5 5
Ae = 4 0 1 0 j
0 0 1 j 3
De Ae obtemos: pc = 3; pa = 3 e n = 3:
p = pc = pa = 3 ) sistema compatvel
p = n ) sistema compatvel e determinado (possui uma nica soluo)
A matriz Ac a matriz ampliada do seguinte sistema:
23

8
< x1 = 2
x2 = 5
:
x3 = 3
Como sistemas equivalentes tem a mesma soluo, a soluo do sistema (1.2)
x1 = 2
x2 = 5
x3 = 3

Exemplo 35 Classicar e resolver o sistema:


8
=
< 4y + 2x + 6z
4z 2y + 3x =
:
x + 3z + 2y
=

6
38
3

Soluo: Reescrevendo o sistema, obtm-se


8
6
< 2x + 4y + 6z =
3x 2y 4z =
38
:
x + 2y + 3z
=
3
2
3
2 4
6
j
6
2
4 j
38 5
Aa = 4 3
1 2
3
j
3
3
2
41
1
j
1 0
4
4
5
j 29
Ae = 4 0 1 13
8
8
0 0 0
j 0

(1.3)

Neste caso temos:


n=3
pa = 2
pc = 2 ) p = 2
p < n )sistema compatvel e indeterminado (innitas solues)
grau de liberdade = n p = 1
O sistema (1.3) equivalente ao sistema
1
41
=
x
4z
2
13
29
y + 8z = 8
Para encontrar uma soluo (note que existem innitas solues) devemos
atribuir valor a uma das variveis (pois o grau de liberdade 1) e determinar
as outras. Note que ca mais fcil se atribuirmos valor a varivel z : Por
41
exemplo fazendo z = 0; temos que: x =
e y = 29
( Poderamos
4
8
atribuir outro valor qualquer a z; e para cada valor de z teremos os valores
correspondentes de x e y, da temos innitas solues)
Exemplo 36 Classicar e resolver o sistema:

24

Soluo:
8
< 6x 4y 2z = 3
x+y+z
= 1
:
3x 2y z
= 1
2
3
6
4
2 j 3
1
j 1 5
Aa = 4 1 1
3
2
1 j 1
3
2
7
1 0 51 j 10
3
5
Ae = 4 0 1 45 j 10
1
0 0 0 j
2

Neste caso:
n=3
pc = 2
pa = 3 ) pa 6= pc )sistema incompatvel (no possui soluo)

1.7.3

Soluo de um sistema por matriz inversa

Usando a notao matricial para sistemas lineares temos que

CX
CX
IX
X

=
=
=
=

B (supondo que existe C 1 )


C 1 B (observe que estamos multiplicando C
C 1B
C 1B

pela esquerda)

Logo para se determinar a soluo basta multiplicar a matriz inversa dos


coecientes pela matriz dos termos independentes (pela esquerda, j que a multiplicao de matrizes no comutativa). Se a matriz C no tem inversa ento
ou o sistema no possui soluo ou possui innitas solues.
8
< 2x + 3y z = 1
x 3y + z
= 1 pelo mtodo da inExemplo 37 Resolva o sistema
:
x + 2y z
= 1
versa:
Soluo:
2

C=4 1

1
3

=4 0
1
CX = B
X = C 1B
C

3
2
1

1
1
1
1

1
0

3
5

1 5
3

3
1
B=4 1 5
1

25

3
x
X=4 y 5
z

3 2
x
1
4 y 5=4 0
z
1

1
1
1

32

3 2
1
1 54 1 5 = 4
3
1

3
2
2 5
3

O prximo teorema apresenta resultados importantes sobre sistemas lineares


e matrizes inversveis.
Teorema 38 Se A uma matriz n
valentes:

n; ento as seguintes armaes so equi-

a) A inversvel.
b) AX = 0 s tem a soluo trivial.
c) A equivalentes por linha matriz In :
d) AX = B tem exatamente uma soluo para cada matriz Bn
Demonstrao: A demonstrao ca como exerccio.

26

1:

1.8

Segunda lista de exerccios

1. Resolva o sistema de equaes, escrevendo a matriz ampliada do sistema


inicial e escrevendo o sistema nal do qual se obter a soluo do sistema
original:
8
2x y + 3z = 11
>
>
<
4x 3y + 2z = 0
= 6
> x+y+z
>
:
3x + y + z
= 4
8
< x + y + 3z = 2
x + 2y + 4z = 3 : Para que valores de a e b
2. Considere o sitema linear
:
x + 3y + az = b
o sistema
(a) tem uma innidade de solues?
(b) tem nica soluo?
(c) impossvel?
2
3
..
a
0
b
.
2
6
7
6
7
3. Seja 6a a 4 ... 47 a matriz ampliada de um sistema linear. Para quais
4
5
.
0 a 2 .. b
valores de a e b o sistema tem
(a) nica soluo,
(b) nenhuma soluo,
(c) uma soluo com duas variveis livres?
8
< x + 2y 3z = a
4. Encontre a relao entre a; b e c para que o sistema linear 2x + 3y + 3z = b
:
5x + 9y 6z = c
seja possvel para quaisquer valores de a; b e c:
5. Reduza as
2
1
(a) 4 2
3
2
0
6 1
(b) 6
4 3
2

matrizes forma escada atravs de operaes linhas:


3
2 3
1
1 2 3 5
1 2 3
3
2 2
1 3 7
7
4 2 5
3 1

27

6. Determine k para que o sistema admita soluo


8
< 4x + 3y = 2
5x 4y = 0
:
2x y
= k

7. Encontre todas as solues do sistema


8
< x1 + 3x2 + 2x3 + 3x4 7x5 = 14
2x1 + 6x2 + x3 2x4 + 5x5 =
2
:
x1 + 3x2 x3 + 2x5
=
1

8. Apresente todos os possveis resultados na discusso de um sistema nohomogneo de 6 equaes lineares com 4 incgnitas.
9. Se A uma matriz 3
E se A for 4 2?

5; quais so os possveis valores da nulidade de A?

10. Explique por que a nulidade de uma matriz nunca negativa.


11. Um sistema homogneo com 3 equaes e 4 incgnitas sempre tem uma
soluo no-trivial.
12. Chamamos de sistema homogneo de n equaes e m incgnitas aquele
sistema cujos termos independentes so todos nulos.
(a) Um sistema homogneo admite pelo menos uma soluo. Qual ela?
(b) Encontre os valores de k 2 R, tais que o sistema homogneo
8
< 2x 5y + 2z = 0
x+y+z
= 0
:
2x + kz
= 0
tenha uma soluo distinta da soluo trivial.
13. Se det A = 0, ento o sistema homogneo AX = 0 tem innitas solues
? Justique sua resposta.
14. Podemos resolver um sistema usando matriz inversa da seguinte forma:

AX
AX
X

= B
= A
= A

1
1

B
B

Isto til quando desejamos resolver vrios sistemas lineares que possuem
a mesma matriz dos coecientes.
2
3
1 2
2
4 5
Usando a teoria acima resolva os sistema AX = B onde A = 4 2 5
3 7
5
e
28

3
2
3
2
3
2
3
1
1
1000
111
a) B = 4 2 5 b) B = 4 3 5 c) 4 10 5 d) 4 311 5
3
100
100
511

15. Resolva o sistema matricial D


2
3
1 0 0 0 1
1
6 0 1 2 2 2
2 7
6
7
6 0 0 1 1 1
1 7
6
7
A=6
1
1 7
6 0 0 0 1
7
4 0 0 0 0 1
0 5
0 0 0 0 0
1
16. Classique o sistema
8
< 2x + 4y + 6z
3x 2y 4z
:
x + 2y + 3z

X = A onde D = diag(1; 2; 3; 4; 5; 6)

e exiba uma soluo, caso ela exista:


=
6
=
38
=
3

17. Uma editora publica um best-seller potencial com trs encadernaes diferentes: capa mole, capa dura e encardenao de luxo. Cada exemplar necessita de um certo tempo para costura e cola conforme mostra a tabela
abaixo:

Se o local onde so feitas as costuras ca disponvel 6 horas por dia e o


local onde se cola, 11 horas por dia, quantos livros de cada tipo devem
ser feitos por dia, de modo que os locais de trabalho sejam plenamente
utilizados?
18. Num grande acampamento militar h 150 blindados dos tipos BM3, BM4 e
BM5, isto , equipados com 3, 4 e 5 canhes do tipo MX9 respectivamente.
O total de canhes disponveis igual a 530. A soma dos BM4 com os BM5
corresponde aos 2 / 3 dos BM3. Se para o incio de uma manobra militar,
cada canho carrega 12 projteis, quantos projteis sero necessrios para
o grupo dos BM4 no incio da operao?
19. a) Em cada parte, use a informao da tabela para determinar se o sistema
AX = B possvel. Se for, determine o nmero de variveis livres
da soluo geral. Justique sua resposta.

Tamanho de A
Posto de A
Posto de [A jB ]

(a)
3 3
2
3

(b)
9
4
4
29

(c)
5

4
0
0

(d)
3 3
3
3

b) Para cada uma das matrizes da tabela acima determine se o sistema


homogneo AX = 0; possvel. Indique a quantidade de solues
para cada caso.

30

1.9
1.9.1

Apndice
Clculo da inversa por adjunta

Dada uma matriz , lembramos que o cofator dij do elemento aij da matriz A
o elemento ( 1)i+j det Aij , onde Aij a submatriz de A obtida extraindo-se a
i esima linha e a j esima coluna. Com estes cofatores forma-se uma nova
matriz A; denomindada matriz dos cofatores denotada por A: Portanto
A = [dij ]
onde dij = ( 1)i+j det Aij
Exemplo 39 :
2

A=4

a11 = 2 ) d11 = ( 1)1+1 det

a21
a22
a23
a31
a32
a33

3
1

1
6

4
5

3
1 0
1 4 5
6 5

= 1 ( 19) =

19

4
= 1 ( 19) = 19
5
3 1
= 0 ) d13 = ( 1)1+3 det
= 1 ( 19) = 19
1
6
1 0
= 3 ) d21 = ( 1)2+1 det
= 1 (5) = 5
6 5
2 0
= 1 ) d22 = ( 1)2+2 det
= 1 (10) = 10
1 5
2 1
= 4 ) d23 = ( 1)2+3 det
= 1 (11) = 11
1 6
1 0
= 1 ) d31 = ( 1)3+1 det
= 1 (4) = 4
1 4
2
0
= 6 ) d32 = ( 1)3+2 det
= 1 (8) = 8
3 4
2
1
= 1 (5) = 5
= 5 ) d33 = ( 1)3+3 det
3 1
2
3
19 19
19
10
11 5
A=4 5
4
8 5

a12 = 1 ) d12 = ( 1)1+2 det


a13

Denio: Dada uma matriz quadrada A, chamaremos de matriz adjunta de


A transposta da matriz dos cofatores de A e denotaremos adj A: Portanto adj
T
A=A :
Teorema: Uma matriz quadrada A admite inversa se e somente se det A 6= 0:
Neste caso
1
A 1=
(adjA)
det A
31

1.9.2

Regra de Cramer

Um outro mtodo de resoluo de sistemas lineares de ordem n n a Regra


de Cramer onde as solues do sistema linear so calculadas usando o determinante. Justamente por usar o determinante este mtodo torna-se invivel
computacionalmente, mas bastante prtico em certas questes tericas.

a11 x1 + a12 x2 + a13 x3 + :::::: + a1n xn


a21 x1 + a22 x2 + a23 x3 + :::::: + a2n xn
..
..
..
..
.
.
.
.
an1 x1 + an2 x2 + an3 x3 + :::::: + ann xn
Na forma matricial este sistema
2
a11 a12
6 a21 a22
6
6 ..
..
......
4 .
.
...
an1

an2

=
=
..
.

b1
b2
..
.

= bn

escrito da seguinte maneira:


32
3 2
3
a1n
x1
b1
6
7 6
7
a2n 7
7 6 x2 7 6 b2 7
=
7
6
6
7
..
.
. 7
5 4 .. 5 4 .. 5
.
ann

xn

bn

Supondo que det C 6= 0 e portanto que C tenha inversa C

CX
CX
IX
X

=
=
=
=

B
C
C
C

B (observe que estamos multiplicando C


1
B
1
B

usando a relao
C

1
(adjC)
det C

temos
X=

1
(adjC)B
det C

32

obtemos

pela esquerda)

2
6
6
6
4

2
6
6
6
4

2
6
6
6
4

x1
x2
..
.
xn
x1
x2
..
.
xn
x1
x2
..
.
xn

02

7
7
7 =
5

B6
1
B6
adj B6
det C
@4

7
7
7 =
5

1
det C

7
7
7 =
5

1
det C

02
B6
B6
B6
@4
2
6
6
6
4

a11
a21
..
.

a12
a22
..
.

an1

an2

......
...

31 2

a1n
a2n
..
.

7C 6
7C 6
7C 6
5A 4

ann

D11
Da21
..
.

Da12
Da22
..
.

Dan1

Dan2

......
...

b1 D11 +
b1 Da21 +
..
.

b2 Da12
b2 Da22
..
.

b1 Dan1

b2 Dan2

Da1n
Da2n
..
.

Dann
+
+
......
...

Analogamente

bn
31 2
7C 6
7C 6
7C 6
5A 4

xi =

6
6
det 6
4

a11
a21
..
.

an1
2
a11
6 a21
6
det 6 .
4 ..

an1

a1n
a2n
..
.

bn

ann
3

an2

i = 2; 3; :::::; n
Podemos escrever esta relao na forma

33

ann

b1
b2
..
.
a12
a22
..
.

......
...

7
7
7
5

b1
b2
..
.

bn

bn Dann

1
(b1 D11 + b2 Da12 +
+ bn Da1n )
det C
3
2
b1 a12
a1n
6 b2 a22
a2n 7
1
7
6
x1 =
det 6 .
7
.
.
.
.
..
...... ...
det C
4 ..
5
bn an2
ann
2
3
b1 a12
a1n
6 b2 a22
a2n 7
6
7
det 6 .
7
.
.
.
.
..
...... ...
4 ..
5
bn an2
ann
2
3
x1 =
a11 a12
a1n
6 a21 a22
a2n 7
6
7
det 6 .
7
.
.
.
.
..
...... ...
4 ..
5
an2

+ bn Da1n
+ bn Da2n
..
.

x1 =

an1

b1
b2
..
.

a1n
a2n
..
.

ann

7
7
7
5

3
7
7
7
5

3
7
7
7
5

3
7
7
7
5

xi =
onde

6
6
Di = det 6
4

Di
D

a11
a21
..
.

b1
b2
..
.

a1n
a2n
..
.

an1

bn

ann

6
6
D = det 6
4

a11
a21
..
.

a12
a22
..
.

an1

an2

......
...

a1n
a2n
..
.
ann

3
7
7
7
5

3
7
7
7
5

Usando a Regra de Cramer podemos classicar um sistema n n:


Se D 6= 0 ento o sistema possui uma nica soluo (compatvel e determinado)
Se D = 0 e algum dos Di 6= 0 ento o sistema incompatvel
Se D = 0 e todos os Di = 0, para i = 1; :::; n ento o sistema possui innitas
solues. Note que no podemos determinar o grau de liberdade pela Regra de
Cramer.
Exemplo 40 Resolver o sistema
x+y =2
10x + 10y = 20
D = det

1
10

1
10

=0

D1 = det

2
20

1
10

=0

D2 = det

1
10

2
20

=0

Logo o sistema possui innitas solues.


Exemplo 41 Resolver o sistema
8
<

2x + y z = 0
20x + 20y 20z = 1
:
x+y z =0
2
3
2
1
1
20 5 = 0
D = det 4 20 20
1
1
1
34

0
D1 = det 4 1
0
2
2
D2 = det 4 20
1
2
2
D3 = det 4 20
1

Como D2 = 20 e D3 =

1
20
1
1
0
1
1
20
1

3
1
20 5 = 0
1
3
1
20 5 = 20
1
3
0
1 5= 1
0

1 o sistema incompatvel

Exemplo 42 Resolva o sistema


8
< x+y z =0
x y z=1
:
x+y+z =1
2

1
D = det 4 1
1

1
1
1

Logo o sistema tem uma nica soluo


2
0
D1 = det 4 1
1
2
1
D2 = det 4 1
1
2
1
D3 = det 4 1
1

1
1
1

A soluo

x1

x2

x3

0
1
1
1
1
1

3
1
1 5=
1

3
1
1 5= 4
1
3
1
1 5=2
1
3
0
1 5= 2
1

4
D1
=
=1
D
4
2
1
D2
=
=
D
4
2
D
2
1
=
=
D3
4
2

Exerccio: Usando a Regra de Cramer faa a classicao de um sistema


homogneo AX = 0
35

Captulo 2

ESPAOS VETORIAIS
2.1

Introduo

lgebra linear uma parte da lgebra que, por sua vez, um ramo da Matemtica
na qual so estudados matrizes, espaos vetoriais e transformaes lineares.
Todos esses itens servem para um estudo detalhado de sistemas lineares de
equaes.
Tanto a lgebra Linear como a Geometria Analtica aplicam-se a vrias reas,
em especial s Engenharias. Citamos, a seguir, alguma delas. claro que
neste curso no conseguiremos aborda-las todas. Contudo, nosso objetivo no
momento que o estudante tome contato com o que representa o estado da arte
neste contexto.
Jogos de Estratgia: no jogo de roleta o jogador d seu lance com uma
aposta e o cassino responde com o giro da roleta; o lucro para o jogador ou
para o cassino determinado a partir destes dois movimentos. Esses so os
ingredientes bsicos de uma variedade de jogos que contm elementos tanto
de estratgia quanto de acaso. Os mtodos matriciais podem ser usados para
desenvolver estratgias otimizadas para os jogadores.
Administrao de Florestas: o administrador de uma plantao de rvores de Natal quer plantar e cortar as rvores de uma maneira tal que a congurao da oresta permanea inalterada de um ano para outro. O administrador tambm procura maximizar os rendimentos, que dependem de nmero
e do tamanho das rvores cortadas. Tcnicas matriciais podem quanticar este
problema e auxiliar o administrador a escolher uma programao sustentvel de
corte.
Computao grca: uma das aplicaes mais teis da computao grca a do simulador de vo. As matrizes fornecem uma maneira conveniente
de lidar com a enorme quantidade de dados necessrios para construir e animar

36

os objetos tridimensionais usados por simuladores de vo para representar um


cenrio em movimento. Outras aplicaes mais simples em computao grca
so: vetores e matrizes so utilizados em espaos de cores(RGB, HSV, etc), em
coordenadas e transformaes geomtricas em duas e trs dimenses, em combinaes convexas e lineares de pontos( curvas e superfcies spline), em representao compacta de sesses cnicas, etc.; coordenadas homogneas e geometria
projetiva utilizando comumente para representar consistentemente transformaes ans e processos de projeo( paralela, perspectiva, modelos de cmera
virtual): nmeros complexos em rotao no plano e tambm em processamento de imagens, incluindo transformadas de co-seno, Fourier, etc.; quatrnios
rotao espaciais e implementao de cinemtica inversa( resolver problemas
de posicionamento de juntas articuladas).
Redes Eltricas: circuitos eltricos que contenham somente resistncias
e geradores de energia podem se analisados usando sistemas lineares derivados
das leias bsicas da teoria de circuitos.
Distribuio de Temperatura de Equilbrio: uma tarefa bsica da cincia e da engenharias, que pode se reduzida a resolver um sistema de equaes
lineares atravs de tcnicas matriciais interativas, determinar a distribuio
de temperatura de objetos tais como a do ao saindo da fornalha.
Cadeias de Markov: os registros meteorolgicos de uma localidade especca podem ser usados para estimar a probabilidade de que v chover em
um certo dia a partir da informao de que choveu ou no no dia anterior. A
teoria das cadeias de Markov pode utilizar tais dados para prever, com muita
antecedncia, a probabilidade de um dia chuvoso na localidade.
Gentica: os mandatrios do Egito recorriam a casamentos entre irmos
para manter a pureza da linhagem real. Este costume propagou e acentuou
certos traos genticos atravs de muitas geraes. A teoria das matrizes fornece
um referencial matemtico para examinar o problema geral da propagao de
traos genticos.
Crescimento Populacional por Faixa Etria: a congurao populacional futura pode ser projetada aplicando lgebra matricial s taxas, especicas por faixas etrias, de nascimento e mortalidade da populao. A evoluo
a longo prazo da populao depende das caractersticas matemticas de uma
matriz de projeo que contm os parmetros demogrcos da populao.
Colheita de Populaes Animais: a colheita sustentada de uma criao
de animais requer o conhecimento da demograa da populao animal. Para
maximizar o lucro de uma colheita peridica, podem ser comparadas diversas
estratgias de colheita sustentada utilizando tcnicas matriciais que descrevem

37

a dinmica do crescimento populacional.


Criptograa: durante a Segunda Guerra Mundial, os decodicadores
norte americanos e britnicos tiveram xito em quebrar o cdigo militar inimigo
usando tcnicas matemticas e mquinas sosticadas (por exemplo, a Enigma).
Hoje me dia, o principal impulso para o desenvolvimento de cdigos seguros
dado pelas comunicaes condencias entre computadores e em telecomunicaes.
Construo de Curvas e Superfcies p Pontos Especcos: em seu trabalho Principia Mathematica ( os princpios matemticos da Filosoa Natural) I. Newton Abordou o problema da construo de uma elipse por cinco
pontos dados. Isto ilustraria como encontrar a rbita de um cometa ou de
um planeta atravs da anlise de cinco observaes. Ao invs de utilizarmos o
procedimento geomtrico de Newton, podemos utilizar os determinantes para
resolver o problema analiticamente.
Programao Linear Geomtrica: um problema usual tratado na rea
de programao linear o da determinao de propores dos ingredientes em
uma mistura com o objetivo de minimizar seu custo quando as propores
variam dentro de certos limites. Um tempo enorme do uso de computadores
na administrao e na indstria dedicado a problemas de programao linear.
O problema na Alocao de Tarefas: um problema importante na indstria o do deslocamento de pessoal e de recursos de uma maneira eciente
quanto ao custo. Por exemplo, uma construtora pode querer escolher rotas para
movimentar equipamento pesado de seus depsitos para os locais de construo
de maneira a minimizar a distncia total percorrida.
Modelos Econmicos de Leontief : num sistema econmico simplicado,
uma mina de carvo, uma ferrovia e uma usina de energia necessitam cada uma
de uma parte da produo das outras para sua manuteno e para suprir outros
consumidores de seu produto. Os Modelos de produo de Leontief podem ser
usados para determinar o nvel de produo necessrio s trs indstrias para
manter o sistema econmico.
Interpolao Spline Cbica: as fontes tipogrcas PostScript e TrueType usadas em telas de monitores e por impressoras so denidas por curvas
polinomiais por partes denominadas splines. Os parmetros que os determinam
esto armazenados na memria do computador, um conjunto de parmetros
para cada um dos caracteres de uma particular fonte.
Teoria de Grafos: a classicao social num grupo de animais uma
relao que pode ser descrita e analisada com a teoria de grafos, Esta teoria

38

tambm tem aplicaes a problemas to distintos como a determinao de rotas


de companhias areas e a anlise de padres de votao.
Tomograa Computadorizada: um dos principais avanos no diagnstico mdico o desenvolvimento de mtodos no invasivos para obter imagens
de sees transversais do corpo humano, como a tomograa computadorizada
e a ressonncia magntica. Os mtodos da lgebra Linear podem ser usados
para reconstruir imagens a partir do escaneamento por raios X da tomograa
computadorizada.
Conjuntos Fractais: conjuntos que podem ser repartidos em verses
congruentes proporcionalmente reduzidas do conjunto original so denominadas
fractais. Os fractais so atualmente aplicados compactao de dados computacionais. Os mtodos de lgebra Linear podem ser usados para construir e
classicar fractais
Teoria do Caos: os pixels que constituem ema imagem matricial podem
ser embaralhados repetidamente de uma mesma maneira, na tentativa de tornalos aleatrios. Contudo, padres indesejados podem continuar aparecendo no
processo. A aplicao matricial que descreve o processo de embaralhar ilustra
tanto a ordem quanto a desordem que caracterizam estes processos caticos.
Um Modelo de Mnimos Quadrados para a Audio Humana: o ouvido
interno contm uma estrutura com milhares de receptores sensoriais ciliares.
Estes receptores, movidos pelas vibraes do tmpano, respondem a freqncias
diferentes de acordo com sua localizao e produzem impulsos eltricos que
viajam at o crebro atravs do nervo auditivo. Desta maneira, o ouvido interno
age como um processador de sinais que decompe uma onda sonora complexa
em um espectro de freqncias distintas.
Deformaes e Morsmos: voc j deve ter visto em programas de
televiso ou clips musicais imagens mostrando rapidamente o envelhecimento
de uma mulher ao longo do tempo, ou a transformao de um rosto de mulher no de uma pantera, a previso de como seria hoje o rosto de uma criana
desaparecida h 15 anos atrs, etc. Estes processos so feitos a partir de algumas poucas fotos. A idia de continuidade, de evoluo do processo, feita
atravs do computador.Este processo de deformao chamado de morsmo,
que se caracteriza por misturas de fotograas reais com fotograas modicadas
pelo computador. Tais tcnicas de manipulao de imagens tm encontrado
aplicaes na indstria mdica, cientica e de entretenimento.
Produto de dez anos de intensa pesquisa e desenvolvimento, o primeiro
nibus espacial dos EUA (lanado em 1981) foi uma vitria da engenharia de
controle de sistemas, envolvendo muitas reas da engenharia - aeronutica,

39

qumica , eltrica, hidrulica e mecnica. Os sistemas de controle de nibus


espacial so absolutamente crticos para vo. Ele requer um constante monitoramento por computador durante o vo atmosfrico. O sistema de vo envia uma sequncia de comandos para a superfcie de controle aerodinmico.
Matematicamente , os sinais de entrada e sada de um sistema de Engenharia
so funes. importante para as aplicaes que essas funes possam ser
somadas e multiplicadas por escalares. Essas duas operaes em funes tem
propriedades algbricas que so completamente anlogas s operaes de soma
de vetor e multiplicao de vetor por escalar no Rn : Por esse motivo, o conjunto
de todas as entradas possveis (funes) chamado de um espao vetorial.
A fundamentao matemtica para a engenharia de sistemas repousa sobre espaos vetoriais de funes, portanto precisamos estender a teoria de vetores do
Rn de modo a incluir tais funes.
Antes de apresentarmos a sua denio, analisaremos em paralelo dois
objetos: o conjunto formado pelas funes f : R ! R, denotado por F (R)
e o conjunto das matrizes quadradas de ordem n com coecientes reais que
denotaremos por Mn (R).
A soma de duas funes f e g de F (R) denida como:
(f + g)(x) = f (x) + g(x):
Note tambm que se
f ; da seguinte forma:

2 R podemos multiplicar o escalar

pela funo

( f ) (x) = (f (x))
resultando num elemento de F (R):
Com relao a Mn (R) podemos somar duas matrizes quadradas de
ordem n,
A + B = (aij + bij )nxn
que um elemento de Mn (R):
Com relao multiplicao do escalar

pela matriz A 2 R

A = ( aij )nxn
o qual tambm 2 Mn (R):
O que estes dois exemplos acima, com a adio de seus elementos e
multiplicao de seus elementos por escalares, tm em comum?
Verica-se facilmente a partir das propriedades dos nmeros reais que,
com relao a quaisquer funes f , g e h em F (R) e para ; 2 R, so vlidos
os seguintes resultados:
1. f + g = g + f
2. f + (g + h) = (f + g) + h
3. Se g representa a funo nula ento f + g = f
4. f + ( f ) = 0
40

5.

( f) = (

)f

6. ( + )f = f + f
7.

(f + g) = f + g

8. 1f = f
Agora, com relao a quaisquer matrizes A; B; e C em Mn e para todo
2 R, tambm so vlidos os seguintes resultados:

1. A + B = B + A
2. A + (B + C) = (A + B) + C
3. Se 0 representa a matriz nula ento A + 0 = A
4. A + ( A) = 0
5.

( A) = (

)A

6. ( + )A = A + A
7.

(A + B) = A + B

8. 1A = A
Observamos que o conjunto das funes bem como o das matrizes, quando
munidos de soma e multiplicao por escalar, apresentam propriedades algbricas comuns. Existem muitos outros exemplos de conjuntos que apresentam as
mesmas propriedades acima. Para no estudarmos separadamente cada conjunto, estudaremos um conjunto genrico e no vazio, V , sobre o qual supomos
estar denidas as operaes de adio e multiplicao por escalar.
Denio 43 Um espao vetorial V um conjunto, cujos elementos so chamados vetores, no qual esto denidas duas operaes: a adio, que a cada par
de vetores, u e v 2 V faz corresponder um novo vetor denotado por u + v 2 V ,
chamado a soma de u e v, e a multiplicao por um nmero real, que a cada 2
R e a cada vetor v 2 V faz corresponder um vetor denotado por v, chamado
produto de por v. Estas operaes devem satisfazer, para quaisquer ; 2 R
e u, v e w 2 V as seguintes propriedades:
1. Comutatividade: u + v = v + u
2. Associatividade: (u + v) + w = u + (v + w)
3. Vetor nulo: existe um vetor nulo 0 2 V tal que v + 0 = v para todo v 2 V
4. Inverso aditivo: Para cada v 2 V existe
5. Distributividade: ( + )v = v + v

41

v 2 V tal que

v+v =0

6. (
7.

)v = ( v)
(u + v) = u + v

8. Multiplicao por 1: 1:u = u


Exemplo 44 Para todo nmero natural n, o smbolo Rn representa o espao
vetorial euclidiano n-dimensional. Os elementos de Rn so as listas ordenadas
(chamadas n-uplas) u = (x1; x2; x3;:::::::; xn ); v = (y1 ; y2; y3 ; ::::::yn ) de nmeros
reais. Por denio a igualdade vetorial u = v signica as n igualdades numricas
x1 = y1; x2 = y2 ; :::::xn = yn :
Em Rn denimos as operaes:
u + v = (x1 + y1 ; x2 + y2; ::::xn + yn )
e
u = ( x1; x2 ; ::::: xn )
Verica-se sem diculdades, que estas denies fazem do Rn um E. V. (verique).
Exemplo 45 O conjunto dos polinmios em x; de grau menor ou igual a n
denido por :
Pn = p(x) = ao + a1 x + ::::: + an

n 1
1x

+ an xn

ao ; a1 ; ::::; an

1 ; an

2R

com as operaes de adio de polinmios e multiplicao de um polinmio por


um escalar um espao vetorial. Note que cada elemento de Pn uma funo
p:R!R
Exemplo 46 O conjunto das matrizes denido por
n
o
M (m; n) = [aij ]m n
aij 2 R; i = 1; ::; m e j = 1; ::; n

com a soma usual de matrizes e multiplicao usual de um escalar por uma


matriz um espao vetorial.
No caso particular das matrizes quadradas de ordem n denotaremos
M (n; n) por Mn :
Exemplo 47 Seja o conjunto R2 = f(x; y)
denidas:

x; y 2 Rg com as operaes assim

(x1 ; y1 ) + (x2 ; y2 ) = (x1 + x2 ; y1 + y2 )


(x; y) = ( x; y)
42

O conjunto R2 com estas operaes no um espao vetorial, de fato:


Vamos mostrar que falha a propriedade 5) do E.V.
( + )u = ( + )(x1 ; y1 ) = (( + )x1 ; y1 ) = ( x1 + x1 ; y1 )

u+ u

= = (x1 ; y1 ) + (x1 ; y1 ) = ( x1 ; y1 ) + ( x1 ; y1 ) = ( x1 + x1 ; 2y1 )


) ( + )u 6= u + u

Exerccio 48 Verique se V = M2 com as operaes:


(i) Soma:

a1
c1

b1
d1

a2
c2

b2
d2

(ii) Multiplicao por escalar:

a1 + a2
c1 + c2
a1
c1

b1
d1

b1 + b 2
d1 + d2
=

a1
c1

b1
d1

um espao vetorial.
Soluo:
Como a adio a usual, ento todas as propriedades da adio sero satisfeitas. Se alguma propriedade falhar, ser na multiplicao por escalar, pois
esta no a usual.
a b
m n
Sejam A =
eB=
:
c d
o p
Vamos mostrar que falha a propriedade: ( + )A = A + A
a b
a
b+ b
(i) ( + )A = ( + )
=
c d
c+ c
d
a b
a b
a
b
a
b
2a
(ii) A+ A =
+
=
+
=
c d
c d
c d
c d
c+ c
Por (i) e (ii) conclumos que ( + )A 6= A + A: Logo V = M2 com as
operaes denidas acima no um espao vetorial.

2.2

Subespaos

Denio 49 Seja V um espao vetorial. Dizemos que W


vetorial de V se forem satisfeitas as seguintes condies:

V um subespao

1. se u , v 2 W ento u + v 2 W
2. se u 2 W ento u 2 W para todo

2 R:

Podemos fazer trs observaes:


as condies da denio garantem que ao operarmos em W (soma e multiplicao por escalar) no obteremos um vetor fora de W: Isto suciente
para armar que W ele prprio um E.V.
43

b+ b
2d

Qualquer subespao W de V precisa conter o vetor nulo.


Todo espao vetorial admite pelo menos dois subespaos: o conjunto formado pelo vetor nulo e o prprio E.V.
Exemplo 50 Seja V = R5 e W = f0; x2; x3 ; x4 ; x5 )g , W
vetorial?
Resoluo:
vericamos as condies de subespao:
v = (0; y2; y3 ; y4 ; y5 ) 2 W

um subespao

seja u = (0; x2; x3 ; x4 ; x5 ) 2 W e

1. u + v = (0; x2 + y2; x3 + y3 ; x4 + y4 ; x5 + y5 ) 2 W
2.

u = (0; x2; x3 ; x4 ; x5 ) = (0; x2; x3 ; x4 ; x5 ) 2 W

logo W um subespao vetorial.


Exemplo 51 Seja S = f(x; y; z) 2 R3 x + y + z = 0g, S um subespao de
R3 ?
Resoluo:
Dados u = (x1 ; y1 ; z1 ) 2 S e v = (x2 ; y2 ; z2 ) 2 S
1. u + v = (x1 ; y1 ; z1 ) + (x2 ; y2 ; z2 ) = (x1 + x2 ; y1 + y2 ; z1 + z2 )
Como u = (x1 ; y1 ; z1 ) 2 S ) x1 + y1 + z1 = 0: Analogamente x2 + y2 + z2 =
0; e podemos concluir que (x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = 0 ) u + v 2 S
2.

u = (x1 ; y1 ; z1 ) = ( x1 ; y1 ; z1 ) para todo


(x1 + y1 + z1 ) = 0 = 0 e dai u 2 S

x1 + y1 + z1 =

Portanto, S um subespao vetorial de R3 :


Exemplo 52 V = Mn e W o subconjunto das matrizes triangulares superiores. W subespao de V , pois a soma das matrizes triangulares superiores
ainda uma matriz triangular superior, assim como o produto de uma matriz
triangular por um escalar (Verique).
Exemplo 53 Uma situao importante em que aparece um subespao obtida
ao resolvermos um sistema linear homogneo. Considere o sistema homogneo
AX = O, onde A uma matriz m n e X uma matriz coluna n 1:Se X1 e
X2 so duas solues do sistema AX = O ento tem-se AX1 = O e AX2 = O:
Mas A(X1 + X2 ) = AX1 + AX2 = O + O = O, logo X1 + X2 uma soluo do
sistema AX = O: Tambm, A(kX1 ) = kAX1 = O; portanto kX1 uma soluo
do sistema AX = O:
Como o conjuntos das matrizes Xn 1 uma espao vetorial temos que o
subconjunto de todas as matrizes de ordem n 1 que so solues do sistema
AX = O uma subespao vetorial do espao vetorial formadso por todas as
matrizes de ordem n 1
44

Exemplo 54 Seja V = R2 e W = f(x; x2 ) 2 R2 x 2 R). Se escolhermos


u = (1; 1) e v = (2; 4) 2 W , temos: u + v = (3; 5) 2
= W , portanto W no
subespao vetorial de R2 :
Exemplo 55 Seja V = R2 e W = f(x; y) 2 R2 y = 2xg, W subespao
vetorial de R2 ; pois temos:
1. Para u = (x1 ; 2x1 ) e v = (x2 ; 2x2 ) 2 W tem-se u + v = (x1 + x2 ; 2(x1 +
x2 )) 2 W , pois a segunda componente de u + v igual ao dobro da
primeira.
2.

u = (x1 ; 2x1 ) = ( x1 ; 2( x1 )) 2 W , pois a segunda componente de u


igual ao dobro da primeira.
0
1
2
1 0
AB = BAg. Verique se W um espao vetorial

Exemplo 56 Considere o espao vetorial M2 e a matriz B =


M2 :Seja W = fA 2 M2
de M2 :

1a Soluo: Sejam A1 ; A2 petencente a M2 :


(A1 + A2 ) B = A1 B+A2 B = BA1 +BA2 = B (A1 + A2 ) ) (A1 + A2 ) 2 M2
(kA1 ) B = k (A1 B) = k (BA1 ) = B (kA1 ) ) (kA1 ) 2 M2
Logo W um subespao vetorial de W:
a b
2 W; sabe-se que a matriz A deve satisc d
fazer a relao AB = BA:Portanto
2a Soluo: Tomando A =

a b
c d

0
1

1
0

b
d

a
c

b
a
a
c
b
)W =
a
a b
Sejam u =
ev=
b a
a b
x y
u+v =
+
b a
y x

Logo A =

a
b

0
1

1
0

a b
c d

c
d
a
b
c
d)a=d

=
=
= d
= b)b=

a b
2 M2 a; b 2 R
b a
x y
y x
a+x b+y
=
=
b y a+x

45

a+x
b+y
2W
(b + y) a + x

a b
ka kb
=
2W
b a
kb ka
Como u + v 2 W e ku 2 W ) W um subespao vetorial de M2
ku = k

Exemplo 57 Verique se
espao vetorial de V = P3 .

W =

n
o
00
0
p(x) 2 P3 : p (2) + p (1) = 0 um sub-

Resoluo:
00
0
00
0
Sejam p(x); q(x) 2 W ) p (2) + p (1) = 0 e q (2) + q (1) = 0
Assim (p + q)(x) = p(x) + q(x) tal que
00

00

00

00

00

00

(p + q) (2) + (p + q) (1) = p (2) + q (2) + p (1) + q (1)


= p (2) + p (1) + q (2) + q (1)
=0+0=0
e ento (p + q)(x) 2 W:
Da mesma forma, ( p)(x) = p(x) tal que
00

00

( p) (2) + ( p) (1) = p (2) + p (1) =

00

p (2) + p (1) = :0 = 0

e ento ( p)(x) 2 W:
Portanto W subespao vetorial de P3 :

2.3

Interseco de dois Subespaos Vetoriais

Denio 58 Dados W1 e W2 subespaos de um espao vetorial V , a interseco W1 \ W2 ainda um subespao de V .


Exemplo 59 V = R3 : Seja W1 = f(x; y; z) 2 R3 = y = 0) e W2 = f(x; y; z) 2
R3 = x = 0): W1 \ W2 a reta de interseco dos planos W1 e W2 ; ou seja
W1 \ W2 = f(x; y; z) 2 R3 = x = 0 e y = 0)
Exemplo 60 V = R3 : Seja W1 = f(x; y; z) 2 R3 = x + y + z = 0) e W2 =
f(x; y; z) 2 R3 = x + y z = 0):
Para encontrarmos a interseco dos dois subespaos
devemos resolver o sistema
x+y+z =0
x+y z =0
A soluo desse sistema z = 0; y =
R3 : z = 0 e y = x)
46

x: Portanto W1 \ W2 = f(x; y; z) 2

Exemplo 61 V = P3 : Seja W1 = fp 2 P3 : p0 (1) = 0g e W2 = fp 2 P3 :


p00 (1) = 0g
Como p 2 P3 ento p = a + bx + cx2 + dx3 ; com
a; b; c; d 2 R: Se p 2 W1 ento p0 (1) = 0 ) b + 2c + 3d = 0: Se p 2 W2 ento
p00 (1) = 0 ) 2c + 6d = 0: Para que p pertena a W1 \ W2 devemos resolver o
sistema
b + 2c + 3d = 0
2c + 6d = 0
c =
b =
Portanto

3d
3d

W1 \ W2 = fp 2 P3 : p = a + 3dx

3dx2 + dx3 g

Exemplo 62 V = M (n; n); W1 = fmatrizes triangulares superiores}; W2 =


fmatrizes triangulares inferiores}. Ento W1 \ W2 = fmatrizes diagonais}.
Exemplo 63 Seja V = M2 =

a b
c d

W1 =

a b
0 0

; a; b 2 R

W2 =

a 0
c 0

; a; c 2 R

W = W1 \ W2 um subespao de V , pois
W =

a 0
0 0

;a 2 R

Exemplo 64 Sejam W1 e W2 dados por:


W1 = f(x; y) 2 R2 : x + y = 0g
e
W2 = (x; y) 2 R2 : x

y = 0g

ser que W1 [ W2 um subespao vetorial de V ?


Soluo :
No. Basta considerar V = R2 ;
u = (1; 1) 2 W2
v = (1; 1) 2 W1
mas u + v = (1; 1) + (1; 1) = (2; 0) 2
= W1 [ W2 (represente gracamente
esta soma de vetores)

47

2.4

Combinao Linear

Denio 65 Seja V um espao vetorial real, v1 ; v2 ; ::::::; vn 2 V e a1 ; a2;::::::::: an 2


R. Ento, o vetor
v = a1 v1 + a2 v2 + ::::: + an vn
um elemento de V ao que chamamos de combinao linear de v1 ; v2 ; ::::::; vn :
Exemplo 66 Em R2
vetores

os vetor v = (10; 16) uma combinao linear dos

v1 = (1; 2) v2 = (3; 4)

pois v = 4v1 + 2v2 :

Exemplo 67 Verique se o vetor v = (3; 2; 1) pode ser escrito como uma combinao linear dos vetores v1 = (1; 1; 1); v2 = (1; 1; 1); v3 = (1; 1; 1):
Devemos vericar se existem nmeros a; b; c tais que v = av1 +bv2 +cv3 ;
ou seja,
(3; 2; 1) = a(1; 1; 1) + b(1; 1; 1) + c(1; 1; 1):
devemos ento resolver o sistema
2
1 1
41
1
1 1

32 3 2 3
1
a
3
1 5 4 b 5 = 425
1
c
1

Mas esse sistema tem uma nica soluo a = 23 ; b = 12 e c = 1: Portanto


v pode realmente ser escrito como combinao de v1 ; v2 e v3 ; da forma v =
1
3
2 v1 + 2 v2 + v3 :
Exemplo 68 No espao vetorial P2 o polinmio p = 7x2 + 11x 26 combinao linear dos polinmios: q1 = 5x2 3x + 2 e q2 = 2x2 + 5x 8; de fato
p = 3q1 + 4q2 (conra).
Exemplo 69 Verique que em P2 o polinmio p(x) = 1+x2 uma combinao
dos polinmios q(x) = 1, r(x) = 1 + x e s(x) = 1 + x + x2 :
Resoluo:
Precisamos encontrar nmeros reais, a1 ; a2 e a3 tais que:
p(x) = a1 q(x) + a2 r(x) + a3 s(x)
Ou seja, precisamos encontrar a1 ; a2 e a3 satisfazendo:
1 + x2
1:1 + 0x + 1:x2

= a1 + a2 (1 + x) + a3 (1 + x + x2 )
= (a1 + a2 + a3 ) + (a2 + a3 ) x + a3 x3

que equivalente ao sistema:


8
< a1 + a2 + a3 = 1
a2 + a3 = 0
:, a1 = 1; a2 =
:
a3 = 1
48

1 e a3 = 1:

Exemplo 70 Consideremos , no R3 , os seguintes vetores: v1 = (1; 3; 2) e


v2 = (2; 4; 1): Escreva o vetor v = ( 4; 18; 7) como combinao linear dos
vetores v1 e v2 :
Resoluo:
v = a1 v1 + a2 v2
( 4; 18; 7) = a1 (1; 3; 2)+a2 (2; 4; 1) = (1a1 ; 3a1 ; 2a1 )+(2a2 ; 4a2 ; 1a2 ) =
= (a1 + 2a2 ; 3a1 + 4a2; 2a1 a2 ) que equivalente ao sistema:
8
< a1 + 2a2 = 4
3a1 + 4a2 = 18 , a1 = 2; a2 = 3:
:
2a1 a2 = 7

Portanto, v = 2v1 3v2 : Agora mostre que o vetor v = (4; 3; 6) no


combinao linear dos vetores v1 = (1; 3; 2) e v2 = (2; 4; 1):

2.5

Dependncia e Independncia Linear

Denio 71 Seja V um espao vetorial e v1 ; v2 ; ::::::; vn 2 V: Dizemos que o


conjunto fv1 ; v2 ; ::::::; vn g linearmente independente (LI), se a equao:
a1 v1 + a2 v2 + :::: + an vn = 0
implica que
a1 = a2 = ::: = an = 0:
No caso, em que exista algum ai 6= 0 dizemos que fv1 ; v2 ; ::::::; vn g linearmente dependente (LD).
Para determinarmos se um conjunto L.I. ou L.D. devemos fazer a
combinao linear do conjunto de vetores e igualar esta combinao linear ao
vetor nulo do espao. Portanto muito importante ter conhecimento do vetor
nulo do espao em que estamos trabalhando.
Denio 72 Considere o espao vetorial R3 e os conjunto de vetores:

= f(1; 2; 3) ; (1; 1; 1); (1; 0; 0)g


= f(1; 2; 3) ; (1; 1; 1); (3; 5; 7)g
Os conjuntos e acima so L.I ou L.D?
Soluo:
Fazendo a combinao linear
a (1; 2; 3) + b(1; 1; 1) + c(1; 0; 0) = (0; 0; 0)

49

temos o sistema homogneo:


8
< a+b+c =
2a + b
=
:
3a + b
=

0
0
0

cuja nica soluo a = b = c = 0. Portanto o conjunto


Fazendo a combinao linear

L.I

a (1; 2; 3) + b(1; 1; 1) + c(3; 5; 7) = (0; 0; 0)


temos o sistema homogneo:
8
< a + b + 3c =
2a + b + 5c =
:
3a + b + 7c =

0
0
0

que possui innitas solues ( grau de liberdade 1). Portanto alm da soluo
nula ( que todo sistema homogneo tem) este sistema possui outras solues
diferentes da soluo nula, logo o conjunto L.D.
Teorema 73 O conjunto fv1 ; v2 ; ::::::; vn g LD se, e somente se um dos vetores
do conjunto for uma combinao linear dos outros.
Exemplo 74 a) Seja V = R3 . Sejam v1 ; v2 2 V: O conjunto fv1 ; v2 g LD se
e somente se v1 e v2 estiverem na mesma reta que passa pela origem (um
vetor mltiplo do outro), v1 = v2 :
b) Em V = R2 ; e1 = (1; 0) e e2 = (0; 1) so LI, pois:
a1 e1 + a2 e2 = 0 =) a1 (1; 0) + a2 (0; 1) = (0; 0) =) (a1; a2 ) = (0; 0)
logo a1 = 0 e a2 = 0 portanto, e1 e e2 so LI.
Exemplo 75 No espao Vetorial M2 o conjunto:
1
3

A=

2
1

2
3

3
0

3
3

4
1

LD ?
Examinemos a equao:
a1

1
3

cuja soluo a1 =
LD.

2
1

+ a2

a3 e a2 =

a1 v1 + a2 v2 + a3 v3 = 0
2
3

3
0

+ a3

3
3

4
1

0
0

0
0

2a3. :Como existem solues ai 6= 0; o conjunto

50

Propriedades da Dependncia e da Independncia Linear


Seja V um E.V
1. Se A = fvg

!
V e v 6= 0 , ento A LI.

2. Se um conjunto A

V contm o vetor nulo, ento A LD

3. Se um conjunto A

V LI, qualquer parte A1 de A tambm LI.

2.6

Subespaos Gerados

Denio 76 Seja V um espao vetorial. Consideramos um subconjunto A =


fv1 ; v2 ; ::::::; vn g
V; A 6= ?:O conjunto W de todos os vetores de V que so
combinaes lineares dos vetores de A um subespao de V: Simbolicamente, o
subespao W :
W = fv 2 V

v = a1 v1 + a2 v2 + :::: + an vn g

O subespao W diz-se gerado pelos vetores v1 ; v2 ; :::vn :; ou gerado pelo conjunto A, e representa-se por:
W = [v1 ; v2 ; :::vn :] ou W = G(A)
Os vetores v1 ; v2 ; :::vn :so chamados geradores do subespao W; enquanto A o conjunto gerador de W:
!
Para o caso particular de A = ?; dene-se [?] = f 0 g
A G(A), ou seja, f v1 ; v2 ; :::vn g [v1 ; v2 ; :::vn ]
Todo conjunto A
V gera um subespao vetorial de V , podendo ocorrer
G(A) = V . Nesse caso, A um conjunto gerador de V:
Exemplo 77 Os vetores i = (1; 0) e j = (0; 1) geram o espao vetorial R2 ,
pois, qualquer (x; y) 2 R2 combinao linear de i e j :
(x; y) = xi + yj = x(0; 1) + y(0; 1) = (x; 0) + (0; y) = (x; y)
Ento: [i; j] = R2 .
Exemplo 78 Seja V = R3 . Determinar o subespao gerado pelo vetor v1 =
(1; 2; 3):
Soluo: Temos:
[v1 ] = f(x; y; z) 2 R3 =(x; y; z) = a(1; 2; 3); a 2 Rg
Da igualdade: (x; y; z) = a(1; 2; 3) vem: x = a; y = 2a; z = 3a donde:
y = 2x e z = 3x logo ,
[v] = f(x; y; z) 2 R3 =y = 2x e z = 3xg ou [v1 ] = f(x; 2x; 3x); x 2 Rg:
51

Exemplo 79 Encontre o subespao vetorial de P3 gerado por U = f1; t; t2 ; 1 +


t3 g
Resoluo:
Note que t3 = (t3 + 1)
podemos escrever

1. Assim, dado p(t) = ao + a1 t + a2 t2 + a3 t3 2 P3


a3 ) + a1 t + a2 t2 + a3 (t3 + 1) 2 U

p(t) = (a0

Ou seja, qualquer vetor (polinmio) de P3 pode ser escrito como uma combinao linear dos vetores do conjunto U . Logo P3 = [U ]:
Exemplo 80 Encontre o subespao vetorial gerado de M2 gerado por
1
0

G=

Resoluo: Temos que A =

1
1
x y
z t

2
3

1
4

2 [G] se e somente se existirem a e

b 2 R tais que
A=

x
z

y
t

=a

1
0

1
1

+b

2
3

1
4

Da, tem-se o sistema:


8
a + 2b = x
>
>
<
a+b=y
3b = z
>
>
:
a + 4b = t

que possvel se:

z =x+y e t=
Logo [G] =

x
x+y

y
5x+2y
3

5x + 2y
3

: x; y 2 R :

Exemplo 81 Encontre um conjunto


AX = 0g onde
0
1
B 2
A=B
@ 3
0

de geradores para W = fX 2 M (4; 1)


1
0
1
2

Resoluo:

52

1
1 0
1 1 C
C
0 1 A
3 1

1
a
B b C
C
X=B
@ c A2W
d
0
1
B 0
B
@ 0
0
0
1 1
1
B 0 1
3=2
B
@ 0 0
0
0 0
0
isto ,

B
X=B
@

1
B 2
() B
@ 3
0
1
2
0
0

1 0
3 1
0 0
0 0
10

0
B
1=2 C
CB
0 A@
0
c
2
3c
2

+
c
d

d
2
d
2

1 0 1
10
0
a
1
1 0
B b C B 0 C
0
1 1 C
C = B C ,;
CB
1
0 1 A@ c A @ 0 A
0
d
2 3 1
1 0 1
10
0
a
CB b C B 0 C
C B C
CB
A@ c A = @ 0 A ,
0
d
1 0 1
a
0
B 0 C
b C
a = 2c d2
C=B C,
d
c A @ 0 A
b = 3c
2 + 2
d
0
0

1
2
3
2

1
2
1
2

C
B
C
C
B
C
B
C
C = cB
A
@ 1 A + d@ 0 A
0
1
20 1 1 0 1 13
2

6B 3 C B 1 C7
B 2 C B 2 C7
portanto; W = 6
4@ 1 A ; @ 0 A5
0
1

2.7

Soma de Subespaos

Denio 82 Sejam W1 e W2 dois subespaos vetoriais de V: Ento o conjunto


W1 + W2 = fv 2 V

v = w1 + w2 ; w1 2 W1 e w2 2 W2 g

um subespao de V:
Exemplo 83 W1 =
Ento W1 + W2 =

a b
e W2 =
0 0
a b
= M2 :
c d

0 0
c d

;onde a; b; c; d 2 R.

Exemplo 84 Sejam os subespaos vetoriais


W1 = f(a; b; 0); a; b 2 Rg e W2 = f(0; 0; c); c 2 Rg
do espao vetorial R3 : A soma W1 + W2 = f(a; b; c); a; b; c 2 Rg subespao
vetorial, que nesse caso o prprio R3 :

53

!
Proposio 85 Quando W1 \ W2 = f 0 g, ento W1 + W2 chamado soma
direta de W1 com W2 ; e denotado por W1 W2 :
Observao 86 Usando os geradores podemos obter uma caracterizao da
soma de dois subespaos: Sejam W e U subespaos de V; se W = [u1 ; :::; un ] e
U = [w1 ; :::; wm ] ento W + U = [u1 ; :::; un ; w1 ; :::; wm ]
Exemplo 87 Verique que R3 a soma direta de
W1 = f(x; y; z) 2 R3 ; x + y + z = 0g
e
W2 = f(x; y; z) 2 R3 ; x = y = 0g
Resoluo:
Note que W2 de fato um subespao vetorial de R3 (Verique)
Dado v 2 W1; v = (x; y; x y) e u 2 W2 ; u = (0; 0; z)
u + v = (x; y; x y + z) = R3
n!o
vamos mostrar que W1 \ W2 = 0 . Seja (x; y; z) 2 W1 \ W2 temos:
8
<

y+z =0
x=0
() (x; y; z) = (0; 0; 0)
y=0

Exemplo 88 Encontre os geradores do subespao U + W onde


U

(x; y; z) 2 R3 x + y + z = 0 ; e
(x; y; z) 2 R3 x + y = 0 e x

z=0

Resoluo: Se v 2 U ) v = (x; y; x y) = x(1; 0; 1) + y(0; 1; 1) logo


U = [(1; 0; 1); (0; 1; 1)]
Se v 2 W ) v = (x; x; x) = x(1; 1; 1) logo W = [(1; 1; 1)]
Usando a teoria acima explicada temos que
U + W = [(1; 0; 1); (0; 1; 1); (1; 1; 1)]

2.8
2.8.1

Base e Dimenso de um Espao Vetorial


Base

Um conjunto
1.

LI

2.

gera V

= fv1 ; v2 ; ::::::; vn g

V uma base do E.V se:

54

Exemplo 89

= f(1; 1); ( 1; 0)g base de R2 . De fato:

1.

LI pois a(1; 1) + b( 1; 0) = (0; 0) =) a = b = 0

2.

gera R2 , pois para todo (x; y) 2 R2 , tem-se :


(x; y) = y(1; 1) + (y

x)( 1; 0)

Realmente , a igualdade (x; y) = a(1; 1) + b( 1; 0) =) a = y e b = y

x:

Exemplo 90 O conjunto f(0; 1); (0; 2)gno base de R2 pois um conjunto


LD. Se
(0; 0) = a(0; 1) + b(0; 2)
temos a = 2b. Assim para cada valor de b conseguimos um valor para a; ou
seja, temos innitas solues.
Exemplo 91 Seja V = R3 ento
do R3 (verique!).
Exemplo 92 O conjunto
Pn : De fato:

= f(1; 0; 0); (0; 1; 0); (0; 0; 1)g uma base

= f1; x; x2 ; :::; xn g uma base do espao vetorial

ao + a1 x + a2 x2 + ::::: + an xn = 0
ao + a1 x + a2 x2 + ::::: + an xn = 0 + 0x + 0x2 + ::::: + 0xn
=) a0 = a1 = ::::: = an = 0
portanto, LI.
gera o espao vetorial Pn, pois qualquer polinmio p 2 Pn pode ser escrito
assim:
p = ao + a1 x + a2 x2 + ::::: + an xn
que uma combinao linear de 1; x; x2 ; :::; xn .
Logo, uma base de Pn :Essa a base cannica de Pn e tem n + 1 vetores.
Exemplo 93 Encontre uma base para U + W onde
U
W

=
=

(x; y; z) 2 R3 x + y + z = 0
(x; y; z) 2 R

x+y =0 e x

e
z=0

Resoluo: U = [(1; 0; 1); (0; 1; 1)] e W = [(1; 1; 1)] ( J vimos este


exemplo)
U + W = [(1; 0; 1); (0; 1; 1); (1; 1; 1)]:
J temos um conjunto que gera a soma, se este conjunto for L.I. ento ele
ser uma base.
a(1; 0; 1) + b(0; 1; 1) + c(1; 1; 1) = (0; 0; 0)
55

32 3 2 3
0
1
a
0
1
15 4 b 5 = 405
1 1
c
0
2
3
2
3
1
0
1
0
1
1
1
15 ) A 1 = 41 2
15
A=4 0
1
1 1
1 1
1
2 3 2
32 3 2 3
a
0
1
1 0
0
4 b 5 = 41 2
1 5 405 = 405
c
1 1
1
0
0
logo o conjunto L.I e portanto. = f(1; 0; 1); (0; 1; 1); (1; 1; 1)g uma
base de U + W
1
40
1

Exemplo 94 Encontre uma base para U + W onde


U
W

=
=

(x; y; z) 2 R3 x
(x; y; z) 2 R

x+y

Se v = (x; y; z) 2 U )

y+z =0 e x

y=0 ; e

z=0ex

y+z =0
y=0

z=0

) v = (x; x; 0) = x(1; 1; 0);

portanto U = [(1; 1; 0)] :


x+y z =0
) u = (x; 0; x) = x(1; 0; 1);portanto
x z=0

Se u = (x; y; z) 2 W )

W = [(1; 0; 1)]
Assim U +W = [(1; 1; 0; ); (1; 0; 1)] : Como o conjunto = f(1; 1; 0; ); (1; 0; 1)g
L.I ento ele uma base para U + W:
Como o conjunto = f(1; 0; 1); (0; 1; 1); (1; 1; 1)g LI (verique isto) e
gera o espao U + W ento ele uma base do espao U + W:
Exemplo 95 Dados:
U = fA 2 M2 (R); A = At g e

1
0

W =

1
1

em M2

encontre uma base para U; W; U \ W; W + U


Resoluo:
Para U : A =

a b
c d

, c = b portanto, A 2 U se existirem a1 ; a2 ; a3 2

R tais que
A = a1

1
0

0
0

0
1

+ a2

1
0

+ a3

0
0

0
0

pode-se vericar facilmente que as matrizes


1
0

0
0

0
1

1
0

0
1

so L.I e portanto, como geram U , formam uma base de U:


56

0
1

Para W : Como a matriz


1
0
gera W , ela serve para base de W
Para U \ W :
A 2 U \ W , A = At e existe

2 R tal que

A=
, isto , se e somente se existir

1
1

2 R tal que
0

que satisfeita quando = 0 , ou seja, A = 0:Desse modo U \ W = f0g: Uma


base para U \ W = : Veja a observao a seguir para elucidar esse fato.
!
Observao:
Seja
n!
o V um espao vetorial e 0 2 V o vetor nulo de V: Como
o conjunto = 0 LD (mostre isto) temos que este conjunto no pode ser
n!o
uma base do conjunto N = 0 : Este um caso patolgico e para que no seja
contrariada a denio de
n!base
o tomamos = (conjunto vazio) como sendo
base para o espao N = 0
Para U + W : Como U \ W = f0g temos U + W soma direta e, portanto,
uma base :
1
0

0
0

0
1

1
0

0
0

0
1

1
0

1
1

Proposio 96 "Todo conjunto LI de um espao vetorial V base do subespao


por ele gerado ".
Exemplo 97 O conjunto = f(1; 2; 1); ( 1; 3; 0)g R3 LI e gera o subespao
_
W = f(x; y; z) 2 R3 =3x y z = 0g:
Ento,

base de W , pois

LI e gera W:

Teorema 98 Sejam v1 ; v2 ; :::vn , vetores no nulos que geram um espao vetorial V . Ento, dentre estes vetores podemos extrair uma base de V .
Proposio 99 Seja um E.V V gerado por um conjunto nito de vetores
v1 ; v2 ; :::vn . Ento qualquer conjunto com mais de n vetores necessariamente
LD (e, portanto, qualquer conjunto LI tem no mximo n vetores).
Exemplo 100 Sejam U e W subespaos de V = M2 tal que U =
eW =

0
1

1
;
0

1
0

0
1
;
1
0

1
1
57

a b
c d

2 M2 : b + c = 0

a. Determine uma base para U \ W


Inicialmente, encontremos o subespao gerado W :
a b
0
1
1 0
1
1
Seja A 2 W ) A =
=
+
+
c d
1 0
0
1
0 1
A
desse sistema :
0
1
0 matriz ampliada1
1 0
1
b
0
1 1 a
B
B 1 0
1 1
a C
1 bC
C
B
C, Gaussian elimination: B 0
@
@1
A
0
0
1 b + cA
0
0 c
0
0
0 d a
0
1 1 d
O sistema s possvel se d a = 0; da observamos que o subespao gerado
a b
W dado por W =
2 M2 : a = d
c d
a
c
E portanto obtemos U \ W =
; a; c 2 R : Uma base para W
c a
1 0
0
1
=
;
: Note que as matrizes geram U \ W e so LI, pois
0 1
1 0
no so mltiplas uma da outra.
b. Encontre uma base para U + W:
Obtemos os geradores de U + W unindo os geradores de U e W: Vamos obter
os geradores de U :
a b
1 0
0 1
0 0
Seja A 2 U ) A =
=a
+b
+d
b d
0 0
1 0
0 1
1 0
0 1
0 0
U=
;
;
0 0
1 0
0 1
1 0
0 1
0 0
0
1
1 0
1
1
U +W =
;
;
;
;
;
0 0
1 0
0 1
1 0
0
1
0 1
Uma base para U + W deve ter no mximo 4 matrizes, ento j sabemos que
este conjunto LD e que temos que eliminar no mnimo 2 matrizes para este
conjunto se tornar LI. Vejamos quantas e quais matrizes sero eliminadas:
1 0
0 1
0 0
0
1
1 0
1
1
0 0
a
+b
+c
+d
+e
+f
=
0 0
1 0
0 1
1 0
0
1
0 1
0 0
0 1
0
1
0
1 a
C
1 0 0 0
1 1
1 0 0 0
1 1 B
BbC
B0 1 0
C
B
C
B
1 0
1C
0 1 0
1 0
1C B c C
B
C=
, Gaussian elimination: B
C
@0
A
@
1 0 1
0
0
0 0 1 0
1 1 AB
BdC
0 0 1 0
1 1
0 0 0 0
0
1 @eA
f
8
0 1
8
0
a e f =0
>
>
<
< a=c=e
B0C
b d f =0
B C)
b=d
)
@0A
c e+f =0
>
:
>
f =0
:
0
f =0
58

Veja que no podemos excluir a ltima matriz e que existe uma relao
entre a 1a , 3a e 5a , ento devemos excluir uma dentre estas 3; e ainda a 2a est
relacionada com a 4a , ento temos que excluir uma das duas. Excluindo a 1a e
a 2a tem-se que
0 0
0
1
1 0
1
1
=
;
;
;
uma base para U + W:
0 1
1 0
0
1
0 1

2.8.2

Dimenso

Seja V um Espao Vetorial.


Se V possui uma base com n vetores, ento V tem dimenso n e denota-se
dim V = n:
Se V no possui uma base, ou seja, a base = ento dimV = 0
Se V possui uma base com innitos vetores, ento dimV innita e anota-se
dim V = 1
Exemplo 101 dim R2 = 2 pois toda base de R2 tem 2 vetores
Exemplo 102 dim M (2; 2) = 4
Exemplo 103 dim M (m; n) = m:n
Exemplo 104 dim Pn = n + 1
Proposio 105 Seja V um E. V. tal que dim V = n
Se W um subespao de V ento dim W
n. No caso de dim W = n ,
tem-se W = V . Para permitir uma interpretao geomtrica, consideremos o
espao tridimensional R3 (dim R3 = 3):
A dimenso de qualquer subespao W do R3 s poder ser 0; 1; 2 ou 3.
Portanto, temos os seguintes casos:
1. dim W = 0, ento W = f0g a origem;
2. dim W = 1, ento W uma reta que passa pela origem;
3. dim W = 2, ento W um plano que passa pela origem;
4. dim W = 3 ento W = R3 :
Proposio 106 Seja V um E. V de dimenso n. Ento, qualquer subconjunto
de V com mais de n vetores Linearmente Dependente (LD).
Proposio 107 Sabemos que o conjunto base de um espao vetorial se
for LI e gera V . No entanto, se soubermos que dim V = n , para obtermos uma
base de V basta que apenas uma das condies de base esteja satisfeita.
Exemplo 108 O conjunto = f(2; 1); ( 1; 3)g uma base do R2 . De fato,
como dim R2 = 2 e os dois vetores dados so LI (pois nenhum vetor mltiplo
escalar do outro), eles formam uma base do R2 .
59

n
o
00
0
Exemplo 109 Seja W = p(x) 2 P3 : p (2) + p (1) = 0 um subespao vetorial de P3 . Encontre uma base e a dimenso de W:
Resoluo:
Vamos ento encontrar uma base, comecemos pelos geradores de W :
00
0
Se p(x) = ax3 + bx2 + cx + d 2 W temos que p (2) + p (1) = 0:Ento como
0
00
0
p (1) = 3a + 2b + c
obtm-se de p (2) + p (1) = 0 que c = 15a 4b:
p00 (2) = 12a + 2b
Portanto p(x) 2 W da forma p(x) = a(x3 15x) + b(x2 4x) + d:
Logo W = x3 15x; x2 4x; 1 : Como esse conjunto LI (fcil de vericar), temos que uma base de W
= fx3

15x; x2

4x; 1g

e dim W = 3:

2.8.3

Dimenso da Soma de Subespaos Vetoriais

Proposio 110 Seja V um espao vetorial de dimenso nita.


so subespaos vetoriais de V ento
dim(U + W ) = dim U + dim W

Se U e W

dim(U \ W ):

No exemplo (95 ) de base , para encontrar a base de U + W podemos usar


esta proposio: dim(U + W ) = dim U + dim W dim(U \ W ) = 3 + 1 0 =
4 = dim M2 , portanto, U + W = M2 e uma base pode ser dada por:
1
0

2.8.4

0
0

0
0

1
0

0
1

0
0

1
0

1
1

Coordenadas

Seja V um espao vetorial gerado e uma base de V formada pelos vetores


u1 ; u2 :::: un .
v 2 V sendo
v = x1 u1 + x2 u2 + ::: + xn un
Os coecientes x1 ; x2 ; :::xn so chamados componentes ou coordenadas de v
em relao a base e se representa por :
0
1
x1
B x2 C
C
[v] = B
@ : A
xn

Exemplo 111 No R2 consideremos as bases = f(1; 0); (0; 1)g;


e = f(1; 3); (2; 4)g: Dado o vetor v = (8; 6) tem-se:
60

= f(2; 0); (1; 3)g

(8; 6) = 8(1; 0) + 6(0; 1)


(8; 6) = 3(2; 0) + 2(1; 3)
(8; 6) = 2(1; 3) + 3(2; 4)
temos:

[v] =

8
6

3
2

; [v] =

e [v] =

2
3

Exemplo 112 Mostre que os vetores (1; 1; 1); (0; 1; 1) e (0; 0; 1) formam uma
base de R3 . Encontre as coordenadas de (1; 2; 0) 2 R3 com relao base
formada pelos vetores acima.
Resoluo:
J sabemos que dim R3 = 3:Ento vericamos se os vetores acima so LI.
Os vetores so LI se a1 v1 + a2 v2 + a3 v3 = 0 , a1 = a2 = a3 = 0: Isto
equivalente a que o sistema:
8
a1 = 0
<
a1 + a2 = 0
:
a1 + a2 + a3 = 0
cuja soluo a1 = a2 = a3 = 0 , portanto, os vetores v1 ; v2 e v3 so LI.
(1; 2; 0) = a(1; 1; 1) + b(0; 1; 1) + c(0; 0; 1) = (a; a + b; a + b + c)
que equivalente ao sistema:
8
a=1
<
a+b=2
, a = 1; b = 1 e c =
:
a+b+c=0

. Desse
0 modo,
1 as coordenadas de (1; 2; 0) em relao base
1
[v] = @ 1 A
2

2.9

dado por

Mudana de Base

Muitos problemas aplicados podem ser simplicados mudando-se de um sistema


de coordenadas para outro. Mudar sistemas de coordenadas em um espao
vetorial , essencialmente, a mesma coisa que mudar de base. Por exemplo,
num problema em que um corpo se move no plano xy, cuja trajetria uma
elipse de equao x2 + xy + y 2 3 = 0 (ver gura), a descrio do moviemnto
torna-se muito simplicada se ao invs de trabalharmos com os eixos x e y
utilizarmos um referencial que se apia nos eixos principais da elipse. Neste
novo referencial, a equao da trajetria ser mais simples: 3u2 + 2v 2 = 6:

61

Nesta seo, vamos discutir o problema de mudar de um sistema de coordenadas para outro.
Sejam
= fu1;:::; un g e 0 = fw1; :::::; wn g duas bases ordenadas de um
mesmo espao vetorial V . Dado um vetor v 2 V , podemos escrev-lo como:
v
v

= x1 u1 + :::: + xn un
= y1 w1 + :::: + yn wn

(2.1)

Como podemos relacionar as coordenadas de v em relao base


2
3
x1
6 x2 7
7
[v] = 6
4 : 5
xn

com as coordenadas do mesmo vetor v em relao base


2
3
y1
6 y2 7
7
[v] ;0 = 6
4 : 5:
yn

J que fu1;:::; un g base de V; podemos escrever os vetores wi como combinao


linear dos uj , isto :

62

8
w1 = a11 u1 + a21 u2 + :::: + an1 un
>
>
<
w2 = a12 u1 + a22 u2 + :::: + an2 un
:
>
>
:
wn = a1n u1 + a2n u2 + :::: + ann un

(2.2)

Substituindo em (2.1) temos:


v = y1 w1 + ::: + yn wn = y1 (a11 u1 + a21 u2 + :::: + an1 un ) + ::: + yn (a1n u1 +
a2n u2 + :::: + ann un ) =
= (a11 y1 + ::: + a1n yn )u1 + ::::: + (an1 y1 + ::: + ann yn )un
Mas v = x1 u1 + :::: + xn un , e como as coordenadas em relao a uma base
so nicas, temos:
x1
x2
xn

= a11 y1 + a12 y2 + ::: + a1n yn


= a21 y1 + a22 y2 + ::: + a2n yn
:
:
:
= an1 y1 + an2 y2 + ::: + ann yn

Em forma matricial
2
3 2
x1
a11
4 : 5=4 :
xn
an1

:
:
an2

Logo ,se usarmos a notao


[I]

temos a relao

a11
=4 :
an1

32
3
a1n
y1
: 54 : 5
ann
yn

:
:
an2
0

[v] = [I] [v]


A matriz [I]

3
a1n
: 5
ann
0

chamada matriz mudana de base

para a base .

Compare [I] com (2.2) e observe que esta matriz obtida, colocando as
coordenadas em relao a de wi na i-sima coluna. Note que uma vez obtida
0
[I] podemos encontrar as coordenadas de qualquer vetor v em relao base
, multiplicando a matriz pelas coordenadas de v na base 0 (supostamente
conhecida).
Exemplo 113 Sejam = f(2; 1); (3; 4)g e 0 = f(1; 0); (0; 1)g bases de R2 .
0
Procuremos inicialmente [I]
w1 = (1; 0) = a11 (2; 1) + a21 (3; 4) = (2a11 + 3a21 ; a11 + 4a21 )
1
4
e a21 = 11
Isto implica que a11 = 11
w2 = (0; 1) = a12 (2; 1) + a22 (3; 4)
2
Resolvendo, a12 = 113 e a22 = 11
63

Portanto, [I]

=4

4
11

3
11

1
11

2
11

3
5

Podemos usar esta matriz para2encontrar por3 exemplo,


2
3 [v]2 para 3v = (5; 8)
4
3
5
4
11
11
0
54
5=4
5
[(5; 8)] = [I] [(5; 8)] 0 = 4
1
2
8
1
11
11
Isto , (5; 8) = 4(2; 1) 1(3; 4)
Exemplo 114 Considere as bases em R3
= f(1; 0; 1); (1; 1; 1); (1; 1; 2)g e
Encontre[I]

= f(1; 0; 0); (0; 1; 0); (0; 0; 1)g :

Resoluo:
(1; 0; 0) = a11 (1; 0; 1) + a21 (1; 1; 1) + a31 (1; 1; 2)
(0; 1; 0) = a12 (1; 0; 1) + a22 (1; 1; 1) + a32 (1; 1; 2) ,
(0; 0; 1) = a31 (1; 0; 1) + a23 (1; 1; 1) + a33 (1; 1; 2)
(a11 + a21 + a31; a21 + a31 ; a11 + a21 + 2a31 ) = (1; 0; 0)
(a12 + a22 + a32; a22 + a32 ; a12 + a22 + 2a32 ) = (0; 1; 0)
(a13 + a23 + a33; a23 + a33 ; a13 + a23 + 2a33 ) = (0; 0; 1)
Note que cada linha acima representa um sistema de trs equaes com trs
incgnitas e que a matriz associada a cada um destes sistemas a mesma e o
que muda so os nomes das variveis e o segundo membro. Utilizando como
variveis x; y e z ; basta resolvermos o seguinte sistema:
0
10
1 0
1
1 1 1
x
a
@ 0 1 1 A@ y A = @ b A
1 1 2
z
c
onde a; b; c 2 R. O sistema acima equivalente a
0
10
1 0
1
1 1 1
x
a
@ 0 1 1 A@ y A = @ b A
0 0 1
z
c a

cuja soluo dada por x = a b; y = a + b c e z = c a


Tomando (a; b; c) = (1; 0; 0);obtemos (a11 ; a21 ; a31 ) = (1; 1; 1)
Tomando (a; b; c) = (0; 1; 0);obtemos (a12 ; a22 ; a32 ) = ( 1; 1; 0)
Tomando (a; b; c) = (0; 0; 1);obtemos (a13 ; a23 ; a33 ) = (0; 1; 1). Desta forma
obtemos:
0
1
1
1 0
0
1
1 A
[I] = @ 1
1 0
1
64

2.10

A Inversa da Matriz de Mudana de Base

Se em (2.1 )comearmos escrevendo os ui em funo dos wj , chegaremos


relao:
[v]

= [I] 0 [v]

Um fato importante que as matrizes [I]


[I]

e [I]

so inversveis e

= [I]

Exemplo 115 No exemplo (113 ) anterior podemos obter [I]


Note que [I]

fcil de ser calculada , pois

(2; 1) = 2(1; 0) 1(0; 1)


(3; 4) = 3(1; 0) + 4(0; 1)

) [I]

Ento
[I]

Exemplo 116 Seja V = P3 e


bases de P3 :

2
1

=
3
11

1
11

2
11

= 2; x; x2 + 1; x3

x e

3
4

=4

a partir de [I]

a base cannica

4
11

2
1

3
4

3
5

= 3; x + 1; x2 ; 3x3

a. Encontre [I] :
Escrevendo os elementos da base

como combinao dos elementos da base

:
2 = a:3 + b(x + 1) + cx2 + d( 3x3 )
x = e:3 + f (x + 1) + gx2 + h( 3x3 )
x2 + 1 = i:3 + j(x + 1) + lx2 + m( 3x3 )
x3 x = n:3 + o(x + 1) + px2 + q( 3x3 )
Rearranjando os termos direita de cada igualdade, temos:
2 = (3a + b) + bx + cx2 + 3dx3
x = (3e + f ) + f x + gx2 + 3hx3
x2 + 1 = (3i + j) + jx + lx2 + 3mx3
x3 x = (3n + o) + ox + px2 + 3qx3
Da, comparando
ambos os
0
1 lados das igualdades, obtm-se
2
3

B0
[I] = B
@0
0

1
3

1
0
0

1
3

0
1
0

1
3

1C
C
0 A
1
3

1
1
B2C
C
b. Encontre [p] sabendo que [p] = B
@ 1A :
4
65

Devemos usar a relao [p] = [I] [p] onde [I] = [I]


03
2

B0
[p] = B
@0
0

1
2

1
0
0

1
2

0
1
0

10
0
B
3C
CB
A
0 @
3

1 0
1
1
3
B
C
2C
C = B 10C
A
@
1
1A
4
12

66

03

B0
=B
@0
0

1
2

1
0
0

1
2

0
1
0

1
0
3C
C
0A
3

2.11

Terceira lista de exerccios

1. Verique se R2 com as operaes denidas por:


i. (x; y) + (s; t) = (s; y + t); onde u = (x; y) e v = (s; t) pertencem a R2
ii.

2 R e u = (x; y) 2 R2 :

(x; y) = ( x; y); onde

um espao vetorial.
2. Moste que R2 com as operaes denidas por:
i. (x; y) + (s; t) = (x + s; y + t); onde u = (x; y) e v = (s; t) pertencem a
R2
ii.

(x; y) = ( x; y); onde


R2 :

2 R e u = (x; y) e v = (s; t) pertencem a

um espao vetorial .
3. Verique se em cada um dos itens abaixo o subconjunto W um subespao
do espao vetorial V: Se for, encontre uma base para cada subespao.
(a) V = R3 e W = f(x; y; z) 2 R3 : 2x + 3y
3

z = 0g

(b) V = R e W = f(x1 ; x2 ; x3 ) 2 R : x1 + x2 = 1g
(c) V = Pn e W = fp 2 Pn : p(0) = p(1)g

(d) V = M (2; 2) e S = fX 2 M2
matrizes singulares)

det(X) = 0g (S o conjunto das

(e) V = M (2; 2) e F = fX 2 Mn
AX = XAg (F o conjunto das
matrizes que comutam com a matriz A)
(f) V = P3 e W o conjunto dos polinmios de grau 3 que passam
pelo ponto P (0; 0):
n
o
R1
(g) V = P1 e W = p(x) 2 P1 : 0 p(x)dx = 0
8
9
2
3
x y z
<
=
(h) V = R3 e W = (x; y; z) 2 R3 : det 4 1 2 15 = 0
:
;
0 1 1
(i) V = M2

e W = A 2 M2

: A2 = A

4. D um exemplo de um subespao vetorial de P3 com dimenso 2:


5. a) Verique se o conjunto S = fA 2 M (3; 3); A e uma matriz anti
simetricag um subespao vetorial de M (3; 3):
b) Considere o subconjunto de M2 ; dado por
a b
2 M2
c d
W um espao vetorial.
W =

b=aed=

67

a : Verique se o subconjunto

R3

6. Verique se o conjunto W = f(1; 2; 3); (1; 3; 1); (0; 3; 1); (1; 4; 5)g
L.I ou L.D.

R3 , extrair

7. Dado o conjunto W = f(1; 1; 3); (1; 2; 1); (0; 1; 3); (1; 4; 5)g
um subconjunto de vetores L.I.

8. a) Se o conjunto = fv1 ; v2 ; :::;nvn g um conjunto


o Linearmente Indepen!
dente ento o o conjunto = v1 ; 0 ; v2 ; :::; vn LI ou LD? Justique
sua resposta.
n!o
b) Considere o subespao N = 0 : Qual a base e a dimenso de
N:
9. Sejam U = a + bx + cx2 + dx3 2 P3 = a + b c + 3d = 0 e W = fp(x) 2 P3 = p0 ( 1) = 0g
dois subespaos vetoriais de P3 : Determine U \ W:
10. Considere o subespao de R4 gerado pelos vetores v1 = (1; 1; 0; 0); v2 =
(0; 0; 1; 1); v3 = ( 2; 2; 1; 1) e v4 = (1; 0; 0; 0):
(a) O vetor (2; 3; 2; 2) 2 [v1 ; v2 ; v3 ; v4 ]? Justique.

(b) Exiba uma base para [v1 ; v2 ; v3 ; v4 ] : Qual a dimenso deste espao?
(c) [v1 ; v2 ; v3 ; v4 ] = R4 ? Por qu?
11. Qual o subespao gerado pelas matrizes

1
1

1
0
;
0
1

0
1

0
0

2
1

a b
a b
= a+b+c=0 e W =
= b + 2d = 0
c d
c d
dois subespaos vetoriais de M2 : Determine os geradores de U \ W:

12. Sejam U =

13. Considere o espao vetorial P3 e o conjunto W = fp(x) 2 P3 ; p00 (1) = 0g :


(a) Verique se W um subespao vetorial de P3 :
(b) Obtenha os geradores de W:
14. a) Encontre as coordenadas do vetor p = 1 + t + t2 + t3 em relao base
= 2; 1 + t; t + t2 ; t2 + t3 de P3
b) O conjunto

= 2; t2 ; t + t2 LI ou LD? Justique sua resposta

15. Mostre com um exemplo que a unio de dois subespaos vetoriais de um


mesmo espao vetorial no precisa ser um subespao vetorial desse espao.
16. Responda se os subconjuntos abaixo so subespaos de M (2; 2):
(a) V =

a
c

b
d

com a; b; c; d 2 R e b = c e a =

68

a b
com a; b; c; d 2 R e b = d
c d
Em caso armativo, determine:
i) uma base para W1 \ W2

(b) V =

ii) W1 + W2 soma direta?


iii) W1 + W2 = M (2; 2)?
17. Considere os subespaos de R5 ; W1 = f(x; y; z; t; w) x + z + w = 0; x + w = 0g ;
W2 = f(x; y; z; t; w) y + z + t = 0g e W3 = f(x; y; z; t; w) 2x + t + 2w = 0g.
(a) Determine uma base para o subespao W1 \ W2 \ W3 :

(b) Determine uma base e a dimenso de W1 + W3 :


(c) W1 + W2 soma direta? Justique.
(d) W1 + W2 = R5 ?
18. Considere os seguintes subespaos de P3 :
n
o
00
U = p 2 P3 : p (1) = 0
n
o
0
e W = p 2 P3 : p (1) = 0
Determine dim(U + W ) e dim(U \ W ) :

19. Considere o subespao W de P3 que gerado pelos polinmios p1 (x) =


1 + 2x + x2 ; p2 (x) = 1 + 2x2 + 3x3 e p3 (x) = 1 + 4x + 8x2 + 9x3 e o
subespao de P3; U = fp 2 P3 : p(0) = 0g
(a) Determine uma base e a dimenso de W:
(b) Determine uma base para U \ W:

(c) Determine uma base para U + W:

20. Sejam U = [(1; 0; 0); (1; 1; 1)] e V = [(0; 1; 0); (0; 0; 1)] subespaos gerados
do R3 : Determine:
(a) uma base e a dimenso de U \ W:

(b) U + W = R3 ?

21. Considere o seguinte subespao de M (2; 2)


S=

a b
2 M (2; 2) : a + b = c + d = 0
c d

(a) Determine uma base e indique a dimenso de S:

69

(b) Construa uma base de M (2; 2) que contenha a base de S obtida no


tem a).
22. Determine a dimenso e encontre uma base do espao-soluo do sistema
8
< x 3y + z = 0
2x 6y + 2z = 0
:
3x 9y + 3z = 0

23. D exemplos de dois subespaos do R3 tais que V1 + V2 = R3 . A soma


direta? Justique sua resposta.

24. Sejam U e W subespaos de R4 de dimenso 2 e 3; respectivamente.


Mostre que a dimenso de U \ W pelo menos 1: O que ocorre se a
dimenso de U \ W for 2 ? Pode ser 3 ? Justique sua resposta.
25. O conjunto A = f(1; 0; 2); (a2 ; a; 0); (1; 0; a)g uma base para um subespao do R3 de dimenso 2 se e somente se a = 2:
8
< x + y + az = 0
x + ay + z = 0 :
26. Seja S = fX 2 M3 1 : AX = 0g o espao soluo do sistema
:
ax + y + z = 0
Determine os valores de a para os quais S seja: a prpria origem; uma
reta que passa pela origem; e, um plano que passa pela origem:
p
p
27. Sejam = f(1; 0); (0; 1)g; 1 = f( 1; 1); (1; 1)g; 2 = f 3; 1); ( 3; 1)g
e 3 = f(2; 0); (0; 2)g bases ordenadas de R2 :
(a) Encontre a matrizes mudana de base:
i. [I]

ii. [I]

iii. [I]

iv. [I]

(b) Quais so as coordenadas do vetor v = (3; 2) em relao base


i.

ii.

iii.

iv.

3:

(c) As coordenadas de um vetor u em relao base 1 so dadas por


4
[u] 1 =
0
Quais as coordenadas do vetor u em relao base: i.
ii.
iii. 3
2
28. Sejam P4 = p = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 a0 ; a1 ; a2 ; a3 ; a4 2 R ;
1; x; x2 ; x3 ; x4 e = 2; 2x; 4x2 ; 8x3 ; 16x4 .
(a) Determine [I] ::
2 3
1
627
6 7
7
(b) Se [p] = 6
637 ;determinar [p]
445
5
70

(c) Determine o polinmio p cujas coordenadas so dadas no item b)


acima.
a b
c d

29. Considere o seguinte subespao de M2 : W =

1
1

1
0

1
1

1
1

0
0

1
0

1
0
1
0

1
11

;
;

1
0

d = 0 . Sejam

1
0

0
0

(a) Detemine [I]


2
3

(b) Se [v] = 4 e 5 ; determine [v] :


0

30. Sejam e bases de R3 : Determine a base


e a matriz mudana de base de para
2
1 0
[I] = 4 0 2
1 1
1
0 1
2 1
;
;
0 2 1 0
32 0
1 0
1
15 onde
de M2 2 e [I] = 41 1
2
1 2
subespao de M2 2

31. Seja

1
0

sabendo que

= f(1; 1; 0); (0; 1; 0); (0; 0; 1)g

3
0
15
1
uma base para um subespao
tambm uma base para um

(a) Determine a base :


2 3
1
(b) Se [v] = 4 25 ; determine [v] :
1

32. Seja E um espao vetorial qualquer e = fu1 ; u2 ; u3 g uma base de E.


Considere ainda os vetores v1 = u1 + u2 ; v2 = 2u1 + u2 u3 e v3 = u2 :
(a) Determine a matriz S de mudana da base
base = fu1 ; u2 ; u3 g:

= fv1 ; v2 ; v3 g para a

(b) Calcule as coordenadas do vetor w = v1 +v2 v3 na base fu1 ; u2 ; u3 g:


33. Sejam

bases de um espao vetorial V

(a) Mostre que det [I] [I]

=1
71

(b) Determine [I]


34. Verique se as armaes abaixo so VERDADEIRAS ou FALSAS.
Se forem verdadeiras, demonstre. Se forem falsas, d um contra-exemplo.
(a) A interseo de dois subespaos vetoriais nunca vazia.
2
pertence ao subespao W =
3
(c) Se os vetores !
u;!
v e!
w so LI ento os vetores
!
!
0
u
w so LI s.

(b) A matriz

1
0

1 1
0 0
0
;
;
1 0
1 1
0
!
!
!
!
u
v; v
w e

2
1

(d) W = [(1; 2; 0); (2; 4; 0)] um plano no R3 que passa pela origem.
(e) Se = f!
v 1; !
v 2; !
v 3 g uma base de um espao vetorial V , ento o
conjunto A = f!
v +!
v ;!
v +!
v ;!
v +!
v +!
v g lineramente
1

independente.

(f) O subespao W = fp 2 P3 : p0 (1) = 0 e p00 ( 1) = 0g gerado pelos


polinmios p1 = 1 e p2 = 9x + 3x2 + x3 :
(g) O conjunto f!
v 1; !
v 2; !
v 3 g sempre uma base para o subespao [!
v 1; !
v 2; !
v 3 ]:

72

Captulo 3

TRANSFORMAES
LINEARES
Denio 117 Sejam V e W dois espaos vetoriais. Uma Transformao Linear (aplicao linear) uma funo de V em W; T : V ! W; que satisfaz as
seguintes condies:
Qualquer que sejam u e v em V ,
T (u + v) = T (u) + T (v)
Qualquer que sejam k 2 R e v em V ,
T (kv) = kT (v)
Exemplo 118 : Um agricultor planta e comercializa trs tipos de verduras:
Tomate, Batata, Cenoura. Sejam x1 ; x2 ; x3 as quantidades em quilos de Tomate, Batata, Cenoura respectivamente. Se o agricultor vende o quilo do tomate a R$ 2; 00;da batata a R$ 1; 50 e da cenoura a R$ 1; 90 ento o total de
vendas (TV ) dado por 2x1 + 1; 5x2 + 1; 9x3 . A aplicao que a cada tripla
(x1 ; x2 ; x3 ) 2 R3 associa o total de vendas TV (x1 ; x2 ; x3 ) uma aplicao linear.
Matematicamente temos uma transformao linear do E.V R3 no E.V R :
TV
TV (x1 ; x2 ; x3 )

: R3 ! R
= (2x1 + 1; 5x2 + 1; 9x3 )

Vamos agora mostrar que de fato esta aplicao uma transformao linear
Chamando u = (x1 ; x2 ; x3 ) 2 R3 ; v = (y1 ; y2 ; y3 ) 2 R3 e k 2 R temos:

73

i)
TV (u + v)

=
=
=
=
=

TV ((x1 ; x2 ; x3 ) + (y1 ; y2 ; y3 ))
TV (x1 + y1 ; x2 + y2 ; x3 + y3 )
2(x1 + y1 ) + 1; 5(x2 + y2 ) + 1; 9(x3 + y3 )
2x1 + 1; 5x2 + 1; 9x3 + 2y1 + 1; 5y2 + 1; 9y3
(2x1 + 1; 5x2 + 1; 9x3 ) + (2y1 + 1; 5y2 + 1; 9y3 )

TV (u) = T (x1 ; x2 ; x3 ) = 2x1 + 1; 5x2 + 1; 9x3


TV (v) = T (y1 ; y2 ; y3 ) = 2y1 + 1; 5y2 + 1; 9y3
TV (u) + TV (v) = (2x1 + 1; 5x2 + 1; 9x3 ) + (2y1 + 1; 5y2 + 1; 9y3 )
Logo TV (u + v) = TV (u) + TV (v):
ii)
TV (ku)

=
=
=
=
=

TV (k(x1 ; x2 ; x3 ))
TV (kx1 ; kx2 ; kx3 )
2kx1 + 1; 5kx2 + 1; 9kx3
k (2x1 + 1; 5x2 + 1; 9x3 )
kT (u)

Logo TV (ku) = kTV (u): De i) e ii) vemos que TV uma transformao linear.
Exemplo 119 . Sejam V = R; W = R e F : R ! R dado F (u) = u2 . A
aplicao F no uma transformao linear pois:
F (u + v) = (u + v)2 = u2 + 2uv + v 2
F (u) + F (v) = u2 + v 2
F (u + v) 6= F (u) + F (v)
Exemplo 120 T : R2 ! R3 ; T (x; y) = (2x; 0; x + y)
T uma transformao linear pois,
i)
T (u + v)

=
=
=
=
=
=

T ((x1 ; y1 ) + (x2 ; y2 ))
T (x1 + x2 ; y1 + y2 )
(2(x1 + x2 ); 0; (x1 + x2 ) + (y1 + y2 ))
(2x1 + 2x2 ; 0 + 0; (x1 + y1 ) + (x2 + y2 ))
(2x1 ; 0; x1 + y1 ) + (2x2 ; 0; x2 + y2 )
T (u) + T (v)
74

ii)
T (ku)

=
=
=
=

T (k(x1 ; y1 ))
T (kx1 ; ky1 )
(2kx1 ; 0; kx1 + ky1 )
k (2x1 ; 0; x1 + y1 )
kT (u)

Portanto T uma transformao linear.


Exemplo 121 . V = W = Pn e
D
D(f )

: Pn ! Pn
= f0

a aplicao derivada que a cada polinmio associa sua derivada, a qual tambm
um polinmio uma aplicao linear. De fato, para quaisquer f; g 2 Pn e
k 2 R;
i)
D(f + g)

= (f + g)
= f 0 + g0
= D(f ) + D(g)

ii)
D(kf )

= (kf )0
= kf 0
= kD(f )

Exemplo 122 V = Pn ; W = Pn+1 ; p(x) = a0 + a1 x + a2 x2 + : : : + an xn


T
T (p(x))

: Pn ! Pn+1
= xp(x) = a0 x + a1 x2 + a2 x3 + : : : + an xn+1

A aplicao T uma transformao linear pois


T (kp) = x(kp)(x) = xkp(x) = kxp(x) = kT (p)
T (p + q) = x(p + q)(x) = x(p(x) + q(x)) = xp(x) + xq(x) = T (p) + T (q)
Exemplo 123 V = W = Pn , p(x) = a0 + a1 x + a2 x2 + : : : + an xn ; a; b 2 R e
T
T (p(x))

: Pn ! Pn
2
n
= p(ax + b) = a0 + a1 (ax + b) + a2 (ax + b) + : : : + an (ax + b)
75

Esta aplicao tambm linear pois,


T (kp) = (kp)(ax + b) = kp(ax + b) = kT (p)
T (p + q) = (p + q)(ax + b) = p(ax + b) + q(ax + b) = T (p) + T (q)
Exemplo 124 Uma transformao linear inportante aquela que se obtm
usando-se o produto escalar. Seja Rn com o produto escalar usual h:; :i e v0 2
Rn um vetor qualquer xado. Seja,
T
T (v)

: Rn ! R
= hv; v0 i

T uma aplicao linear (mostre isso, use as propriedades do produto escalar)


Exemplo 125 : Sejam C(R) = ff : R ! R = f contnuag : Considere
J
J(f )

: C(R) ! R
= f (0)

Por exemplo se f (t) = t2 ento


J(f ) = f (0) = 02 = 0
J uma aplicao linear pois, se f; g 2 C(R) e k 2 R ento
J(f + g) = (f + g)(0) = f (0) + g(0) = J(f ) + J(g)
J(kf ) = (kf ) (0) = kf (0) = kJ(f )
Exemplo 126 : Seja,

T
T

a b
c d

M2 ! M2
a+b b+c
=
c+d d+a

Esta aplicao uma transformao linear, pois

a1
c1

b1
d1

a2
c2

b2
d2

a1 + a2
c1 + c2

= T

b1 + b 2
d1 + d2

a1 + a2 + b1 + b2
c1 + c2 + d1 + d2

b1 + b2 + c1 + c2
d1 + d2 + a1 + a2

a1 + b1
c1 + d1

= T

76

a1
c1

b1 + c1
d1 + a1
b1
d1

+T

a2 + b2
c2 + d2
a2
c2

b2
d2

b2 + c2
d2 + a1 + a2

a b
c d

= T

ka kb
kc kd

ka + kb
kc + kd

=
= k

= kT

a+b
c+d

kb + kc
kd + ka
b+c
d+a

a b
c d

Exemplo 127 : Seja,


T
T (A)

: Mn ! R
= det(A)

Esta aplicao no uma transformao linear, pois, em geral


det(A1 + A2 ) 6= det(A1 ) + det(A2 )

3.1

Propriedades das Transformaes Lineares

Teorema 128 Dados dois espaos vetoriais reais V e W e uma base de =


fv1 ;
; vn g de V: Sejam w1 ;
; wn elementos arbitrrios de W . Ento existe
uma nica aplicao linear T : V ! W tal que T (v1 ) = w1 ;
; T (vn ) = wn :
Esta aplicao dada por: Se v = a1 v1 +
+ an vn ; ento
T (v) = T (a1 v1 +
+ an vn ); como T linear
T (v) = a1 T (v1 ) +
an T (vn )
T (v) = a1 w1 +
an wn
a1 ; a2;:::; an devem ser determinados.
Exemplo 129 Qual a transformao linear T : R2 ! R3 tal que T (1; 0) =
(2; 1; 0) e T (1; 1) = (0; 0; 1)?
Soluo: Temos neste caso v1 = (1; 0) e v2 = (1; 1) base de R2 e w1 =
(2; 1; 0) e w2 = (0; 0; 1):
Dado v = (x; y) arbitrrio,
(x; y)
(x; y)
T (x; y)
T (x; y)
T (x; y)
T (x; y)

=
=
=
=
=
=

a(1; 0) + b(1; 1)
(x y)(1; 0) + y(1; 1)
T ((x y)(1; 0) + y(1; 1))
(x y)T (1; 0) + yT (1; 1)
(x y)(2; 1; 0) + y(0; 0; 1)
(2x 2y; x + y; y)

77

Exemplo 130 Qual a transformao linear T : M2 ! P4 tal que


T

1
0

0
0

= x4 + x

0
0

1
0

= x3 + x2

0
1

0
0

= x2 + x3

0
0

0
1

= x + x4

Soluo
Uma matriz A 2 M2 da forma A =
a b
c d
T

= aT

1
0

0
0

+b

=T

1
0

=a

a b
c d

1
0

0
0

+ bT

0
0
0
0

0
0

1
0

0
0

+b

1
0

a b
: Podemos escrever:
c d
0 0
0 0
+c
+d
, portanto
1 0
0 1

+ cT

1
0

0
1

+c

0
1

0
0

0
0

+d

+ dT

0
0

0
1

0
0

0
1

a b
c d

= a x4 + x + b x3 + x2 + c x2 + x3 + d x + x4

a b
c d

(a + d)x + (b + c)x2 + (b + c)x3 + (a + d)x4

Denio 131 : Seja T : V ! W uma transformao linear. A imagem de


T o conjunto de vetores w 2 W tais que existe um vetor v 2 V , que satisfaz
T (v) = w: Ou seja
Im(T ) = fw 2 W / T (v) = w para algum v 2 V g
Observao 132 Note que Im(T ) um subconjunto de W e, alm disso, um
subespao vetorial de W:
Exemplo 133 Seja T : R2 ! R2 a transformao linear dada por T (x; y) =
(2x y; 10x + y): Qual dos vetores abaixo pertence a imagem de T
a) u = (1; 2)
b) w = ( 1; 2)

78

Soluo: a) Para que u 2 Im(T ) deve existir algum v = (x; y) tal que
T (v) = u, ou seja, T (x; y) = (1; 2); temos ento:

(2x

T (x; y) = (1; 2)
y; 10x + y) = (1; 2)
2x y = 1
10x + y = 2

Resolvendo o sistema temos x = 83 e y = 47 ; logo u pertence a imagem de T


pois T ( 38 ; 74 ) = u:
b) Analogamente deve existir algum v = (x; y) tal que T (v) = w; ou seja

(2x

T (x; y) = ( 1; 2)
y; 10x + y) = ( 1; 2)
2x y = 1
10x + y = 2

Resolvendo o sistema temos x =


pois T ( 18 ; 34 ) = w

1
8

ey=

3
4

logo w pertence a imagem de T

Exemplo 134 Determine a imagem da transformao linear T : R3 ! R3 ;


T (x; y; z) = (2x y z; x y z; x + y z):
Soluo: Se w 2 Im(T ) ento w = T (x; y; z); ou seja,
w

= (2x y z; x y z; x + y z)
= x(2; 1; 1) + y( 1; 1; 1) + z( 1; 1; 1)

Logo todo vetor que pertence a imagem de T gerado pelos vetores w1 =


(2; 1; 1); w2 = ( 1; 1; 1) e w3 = ( 1; 1; 1). Podemos ento escrever que
Im(T ) = [(2; 1; 1); ( 1; 1; 1); ( 1; 1; 1)] :
Como o conjunto
= f(2; 1; 1); ( 1; 1; 1); ( 1; 1; 1)g LI ( verique
isto) temos que
uma base para a Im(T ); mas
base para R3 , logo
3
concluimos que Im(T ) = R :
Denio 135 Seja T : V ! W; uma transformao linear. O conjunto de
!
todos os vetores v 2 V tais que T (v) = 0 chamado ncleo de T , sendo
denotado por Ker(T ): Isto ,
n
!o
Ker(T ) = v 2 V
T (v) = 0
Observao 136 Observe que Ker(T )
V um subconjunto de V e, ainda
mais, um subespao vetorial de V: Alguns autores denotam o ncleo de T por
N (T ):
79

!
Exemplo 137 Seja T : V ! W , dada por T (v) = 0 : Neste caso todo vetor de
V levado no vetor nulo pela transformao T; assim temos que Ker(T ) = V
Exemplo 138 Seja T : R3 ! R3 a projeo ortogonal sobre o plano xy:
Neste caso temos T (x; y; z) = (x; y; 0): Se T (x; y; z) = (0; 0; 0) ) (x; y; z) =
(0; 0; 0) ) x = 0 e y = 0: Como nada dito sobre a varivel z, temos que z
qualquer, logo Ker(T ) = (0; 0; z) 2 R3
z 2 R ; ou seja o ncleo de T so
todos os vetores que esto sobre o eixo z:

Exemplo 139 Encontre o ncleo da transformao linear:

T
T (x; y; z; t)

: R4 ! R3
= (x + y + z

t; 2x + z

t; 2y

t)

Soluo: Devemos encontrar os vetores v = (x; y; z; t) 2 R4 tais que T (v) =


T (x; y; z; t) = (0; 0; 0): Neste caso temos que resolver o sistema homogneo:
8
< x+y+z t=0
2x + z t = 0
:
2y t = 0
A
2 matriz ampliada do sistema
3
2 :
..
1 . 0 7
6 1 1 1
6 1
6
7
6
..
)6 0
6 2 0 1
1 . 0 7
4
5
4
..
0 2 0
1 . 0
0
pa = pc = 3 e p = 3 < n = 4 logo
com grau de liberdade 1.
Logo,

3
..
1
1
1 . 0 7
7
.
2
1 1 .. 0 7
5
..
0
1 0 . 0
o sistema compatvel e indeterminado

80

o que nos fornece,

8
< x+y+z t=0
2y z + t = 0
:
z=0
x = y
z = 0
t = 2y

Portanto Ker(T ) = (y; y; 0; 2y) 2 R4

y 2 R = [(1; 1; 0; 2)]

Exemplo 140 Seja T : R3 ! R3 a transformao linear que a projeo


ortogonal sobre a reta cujas equaes paramtricas so:
8
< x = 2t
y = 2t
:
z=t

Encontre o Ncleo de T:
Soluo: Projetar um vetor sobre uma reta o mesmo que encontrar a
projeo ortogonal sobre o vetor diretor dessa mesma reta. No nosso caso, o
vetor diretor u = (2; 2; 1); logo
T (v)

v:u
u
u:u
(x; y; z):(2; 2; 1)
(2; 2; 1)
(2; 2; 1):(2; 2; 1)
2x 2y + z
(2; 2; 1)
9
4x + 4y 2z 2x
4x 4y + 2z
;
;
9
9

= proju v =

T (x; y; z)

T (x; y; z)

T (x; y; z)

2y + z
9

Para encontrar o ncleo devemos ter,

T (x; y; z) =

4x

4y + 2z
;
9

4x + 4y
9

4x 4y + 2z
4x + 4y 2z
2x 2y + z

81

2z 2x
;

= 0
= 0
= 0

2y + z
9

= (0; 0; 0)

4
4 4
2

4
4
2

3
2
2
4
2 5 , fazendo o escalonamento temos 4 0
1
0
4x

2z
z

4
0
0

3
2
0 5 ; assim
0

4y + 2z = 0
0 = 0
0 = 0

=
=

4x + 4y
2x + 2y

Portanto Ker(T ) = (x; y; 2x + 2y) 2 R3

x 2 R = [(1; 0; 2); (0; 1; 2)]

Denio 141 Dada uma aplicao T : V ! W , diremos que T injetora


se dados u; v 2 V com T (u) = T (v) tivermos u = v: Ou equivalentemente, T
injetora se dados u; v 2 V com u 6= v, ento T (u) 6= T (v):
Denio 142 Uma aplicao T : V ! W ser sobrejetora se a imagem de
T coincidir com W; ou seja, T (V ) = W:
Observao 143 Da denio acima vemos que uma funo ser sobrejetora
se dado w 2 W , existir v 2 V tal que T (v) = w:
Teorema 144 Seja T : V ! W , uma aplicao linear. ento ker(T ) = f0g ;
se e somente se T injetora.
Proof. a) Vamos mostrar que se T injetora, ento ker(T ) = f0g
Seja v 2 Ker(T ) ) T (v) = 0: Por outro lado, como T linear tem-se que
T (0) = 0:Logo, T (v) = T (0): Como por hiptese T injetora ento v = 0:
Portanto, o vetor nulo o nico elemento do ncleo, isto , ker(T ) = f0g:
b) Vamos mostrar que se ker(T ) = f0g; ento T injetora.
Sejam v1 ; v2 2 V tais que T (v1 ) = T (v2 ): Ento T (v1 ) T (v2 ) = 0 ou
T (v1 v2 ) = 0 e, portanto, v1 v2 2 ker(T ): Mas por hiptese, o nico elemento
do ncleo o vetor nulo, logo v1 v2 = 0 e portanto v1 = v2 : Como T (v1 ) =
T (v2 ) ) v1 = v2 ; T injetora.
Teorema 145 Seja T : V ! W , uma aplicao linear. Ento
dim Ker(T ) + dim Im(T ) = dim V
Corolrio 146 Se dim V = dim W , ento a transformao linear T : V ! W
injetora se e somente se T sobrejetora.
Proof. Exerccio.
Corolrio 147 Seja T : V ! W , uma aplicao linear injetora. Se dim V =
dim W , ento T leva base em base.
Proof. Exerccio.
82

Exemplo 148 Seja T : Pn ! Pn+1 , dada por T (p(x)) = xp(x):Verique se T


bijetora.
Soluo: Devemos vericar se T injetora e sobrejetora ao mesmo tempo.
Usando o teorema (144) devemos apenas calcular o ncleo de T :
T (p(x)) = xp(x)
T (a0 + a1 x + : : : + an xn ) = x(a0 + a1 x + : : : + an xn )
T (a0 + a1 x + : : : + an xn ) = (a0 x + a1 x2 + : : : + an xn+1 )
Se
T (p(x)) = 0
a0 x + a1 x2 + : : : + an xn+1 = 0 = 0 + 0x + 0x2 + : : : + 0xn+1
logo
n!oa0 = a1 = : : : = an = 0 ) p(x) = 0 (p(x) o polinmio nulo) ) Ker(T ) =
0 (observe que neste caso o vetor nulo de Pn o polinmio nulo de grau n).
Portanto T injetora.
Como dim Pn = n + 1; dim Pn+1 = n + 2 e dim Ker(T ) = 0; temos que
dim Ker(T ) + dim Im(T ) = n + 1
0 + dim Im(T ) = n + 1
dim Im(T ) = n + 1
Note que dim Im(T ) = n+1 6= n+2 = dim Pn+1 ) Im(T ) 6= Pn+1 : Portanto
T no sobrejetora e assim T no bijetora

3.2
3.2.1

Transformaes Lineares e Matrizes


Transformao linear associada a uma matriz

Seja A uma matriz m


linear:

n. Associada a matriz A denimos a transformao


LA : Rn ! Rm
v ! A:v

onde v tomado como vetor coluna,


2

3
x1
6
7
v = 4 ... 5
xn

83

LA (v)

= A:v
2
a11
6 ..
= 4 .

3
32
x1
a1n
.. 7 6 .. 7
..
LA (v)
.
. 54 . 5
xn
am1
amn
2
3
31
02
a11 x1 +
a1n xn
x1
6
7
7C
B6
..
LA @4 ... 5A = 4
5
.
am1 x1 +
+ amn xn
xn

Das propriedades de operaes de matrizes:


LA (u + v)
LA (ku)

= A:(u + v) = A:u + A:v = LA (u) + LA (v)


= A:(ku) = kA:u = kLA (u)

e portanto LA uma transformao linear.


Exemplo 149 Seja

1
A=4 2
0

1
0
2

1
1
0

3
1
1 5
1

Observe que a matriz A tem ordem 3 4 e portanto ela induzir uma transformao linear de R4 para R3 , denida por:
02

x
B6 y
6
LA B
@4 z
t

R4 ! R3
2
1 1 1
1
7C
7C = 4 2 0 1
1
5A
0 2 0
1
2
x+y+z t
= 4 2x + z t
2y t
LA
31

3
x
7
6
56 y 7
4 z 5
t
3
3

Note que a transformao acima est escrita em forma matricial, mas podemos
escreve-la tambm na forma vetorial que estamos acostumados:
LA (x; y; z; t) = (x + y + z

t; 2x + z

t; 2y

t)

Surpresa!! Esta a mesma transformao do exemplo (139)


Exemplo 150

Dada a transformao linear:

T
T (x; y; z)

: R3 ! R2
= (10x 20y
84

30z; x

2y

3z)

Encontre a matriz da transformao T (Isto , encontre a matriz A cuja transformao associada a ela exatamente a transformao T )
Soluo: Passando da forma vetorial para a forma matricial temos:
02

31
x
T @4 y 5A =
z
=

10x
x

20y 30z
2y 3z

10
1

20
2

30
3

Portanto a matriz de T; que denotaremos por [T ]


[T ] =

10
1

20
2

3
x
4 y 5
z

30
3

Observao 151 Ao obtermos a transformao associada a uma matriz A (ou,


caso contrrio, a matriz de uma transformao T ), no mencionamos as bases
dos espaos envolvidos. De fato, ao obtermos a matriz de uma transformao
estamos levando em conta as bases associadas aos espaos Rn e Rm mas neste
caso em particular estamos considerando as bases cannicas. Isto car claro
na exposio a seguir.
De um modo geral, xadas as bases = fv1 ; v2 ;
matriz
2
a11
a1n
6 ..
..
.
..
Am n = 4 .
.
am1

amn

podemos associar

TA

; vn g e

= fw1 ; w2 ;

3
7
5

: R n ! Rm
v ! TA (v)

da seguinte maneira: Seja


2

ento

3
x1
6
7
X = [v] = 4 ... 5
xn
2
32
3 2
a11
a1n
x1
6
.. 7 6 .. 7 = 6
..
A:X = 4 ...
.
. 54 . 5 4
am1
amn
xn
TA (v) = y1 w1 +
85

+ ym wm

3
y1
.. 7
. 5
ym

; wm g ;

onde yi = Ai :X e Ai a i-sima linha de A:


Em geral, dada uma matriz Am n , ela encarada como uma aplicao linear
TA : Rn ! Rm em relao s bases cannica de Rn e Rm :

3.2.2

Matriz de uma transformao linear

Agora iremos encontrar a matriz associada a uma transformao linear. Seja


T : V ! W linear; = fv1 ;
; vn g base de V e 0 = fw1 ;
; wm g base de W:
Ento T (v1 ); : : : ; T (vn ) so vetores de W e portanto
T (v1 )
..
.

T (vn )

a11 w1
..
.

am1 wm
..
.

a1n w1

+ amn wm

A transposta da matriz dos coecientes deste sistema, denotada por [T ]


chamada matriz de T em relao s bases e 0 :
2
3
a11
a1n
6
.. 7
[T ] 0 = 4 ...
. 5
am1

amn

3
a11
a1n
6
.. 7 a transforObservao 152 Note que se A = [T ] 0 = 4 ...
. 5
am1
amn
mao linear T passa a ser a transformao linear associada matriz A e
bases e 0 , iste , T = TA
Exemplo 153 Seja T : R3 ! R2 tal que T (x; y; z) = (2x + y
Sejam = f(1; 1; 1); (1; 1; 0); (1; 0; 0)g e
Procuremos [T ] 0
T (x; y; z) = (2x + y z; 3x 2y + 4z)

z; 3x

2y + 4z):

= f(1; 3); (1; 4)g :

T (1; 1; 1) = (2; 5) = a(1; 3) + b(1; 4)


T (1; 1; 0) = (3; 1) = c(1; 3) + d(1; 4)
T (1; 0; 0) = (2; 3) = e(1; 3) + f (1; 4)
Portanto temos os sistemas:
a+b=2
3a + 4b = 5

c+d=3
3c + 4d = 1

e+f =2
3e + 4f = 3

Resolvendo os sistemas temos:


a=3

b=

1 ;

c = 11

;
86

d=

e=5

f=

[T ]

3
1

11
8

5
3

Teorema 154 : Sejam V e W espaos vetoriais, base de V ,


T : V ! W uma aplicao linear. Ento, para todo v 2 V vale:
[T (v)] = [T ]

base de W e

[v]

Denio 155 Dada uma base e tranformao linear T : V ! V denotaremos a matriz [T ] apenas por [T ] e ela ser chamada de matriz de T em relao
a base :
Denio 156 Seja T : Rn ! Rn uma transformao linear e
a base
cannica de Rn ; ento a matriz de T em relao a base cannica ; [T ] ; ser
denotada simplesmente por [T ] :
Exemplo 157 Seja T : P2 ! P2 denido por T (p(x)) = p(3x
a matriz de T em relao a base = 1; x; x2

5): Determine

Devemos calcular [T ] = [T ]
T (p) = p(3x 5)
T (a0 + a1 x + a2 x2 ) = a0 + a1 (3x 5) + a2 (3x 5)2
T (a0 + a1 x + a2 x2 ) = a0 + 3a1 x 5a1 + a2 (9x2 30x + 25)
T (a0 + a1 x + a2 x2 ) = (a0 5a1 + 25a2 ) + (3a1 30a2 )x + 9a2 x2

T (1) = T (1 + 0x + 0x2 ) = 1 = 1 + 0x + 0x2


T (x) = T (0 + 1x + 0x2 ) = 5 + 3x = 5 + 3x + 0x2
T (x2 ) = T (0 + 0x + 1x2 ) = 25 30x + 9x2
2

1
[T ] = 4 0
0

5
3
0

3
25
30 5
9

Exemplo 158 Seja T : R3 ! R3 dada por T (x; y; z) = (2x 3y 2z; x y


z; 2x y+z) e sejam = f(1; 0; 0); (1; 1; 0); (1; 1; 1)g e = f( 1; 1; 0); ( 1; 0; 1); (0; 1; 1)g
bases do R3

87

a) Determine [T ] , [T ]
2 3
1
b) Se [v] = 4 1 5 determine [T (v)] :
1
c) Calcule a multiplicao das matrizes: [T ] [T ] : Que concluso voc pode
tirar em relao as duas matrizes, ou que relao h entre as duas matrizes?
Soluo: a) Clculo de [T ]
T (x; y; z) = (2x

3y

2z; x

z; 2x

y + z)

T (1; 0; 0) = 2; 1; 2 = a1 ( 1; 1; 0) + b1 ( 1; 0; 1) + c1 (0; 1; 1)
1; 0; 1 = a2 ( 1; 1; 0) + b2 ( 1; 0; 1) + c2 (0; 1; 1)
T (1; 1; 0) =
3;
1; 2 = a3 ( 1; 1; 0) + b3 ( 1; 0; 1) + c3 (0; 1; 1)
T (1; 1; 1) =
Devemos resolver os tres sistemas resultantes: Denotando por A a matriz
dos coecientes
do sistema,temos:
3
2 1
2
3
1
1
1
1 0
2
2
2
1
1 5
1 5 ) A 1 = 4 12
A=4 1 0
2
2
1
1
1
0
1
1
2
2
2
Vamos
resolver
os
sistemas
matriz inversa:
3
2 1 3
2
3
2
2 3 2 por
3
1
1
1
a1
2
2
2
2
2
2
1
1 54
4 b1 5 = A 1 4 1 5 = 4 1
1 5 = 4 32 5
2
2
2
1
1
1
1
2
2
c1
2
2
2
2
3 2 1
3 2
3
2
2
32
3
1
1
1
a2
1
1
2
2
2
1
1 54
4 b2 5 = A 1 4 0 5 = 4 1
0 5=4 0 5
2
2
2
1
1
1
1
1
1
c2
2
2
2
2
3 2 1
3
2
32
3 2
3
1
1
3
a3
3
3
2
2
2
1
1 54
4 b3 5 = A 1 4 1 5 = 4 1
1 5=4 0 5
2
2
2
1
1
1
c3
2
2
2
2
2
2
Logo

[T ] = 4

1
2
3
2
1
2

1
0
1

3
3
0 5
2

Agora voce j est em condies de calcular [T ] : Faa esse clculo como


exerccio
b) Vamos usar a relao [T (v)] = [T ] [v]
[T (v)]
[T (v)]

[T (v)]

[T ]
2

= 4
2

= 4

[v]
1
2
3
2
1
2
7
2
3
2
7
2

3
5

88

1
0
1

32 3
3
1
0 54 1 5
1
2

c) Faa voc este item e tire suas concluses. Mais adiante voce poder
vericar se suas concluses estavam corretas.
Teorema 159 Seja T : V ! W uma transformao linear e
e W; respectivamente. Ento

bases de V

posto [T ]

dim Im(T )

posto de [T ]

dim Ker(T )

nulidade de [T ] = nmero de colunas de [T ]


0

p (0) 2p(1)
00
0
p (3)
0
1 0
;
uma
1
0 1

Exemplo 160 Seja T : P2 ! M (2; 2) denida por T (p(x)) =


1 1
0
;
0 0
0
base para P2 :

onde p a derivada de p: Sejam . =


base para M (2; 2) e

= 1; x; x2

1
0
;
0
1

a) Determine [T ] :
b) Determine uma base para N (T ):
c) Determine uma base para Im(T ):
d) T injetora? E sobrejetora? Justique.
SOLUO:
a)
Note que T (a + bx + cx2 )
Determinando [T ]

b 2a + 2b + 2c
0
2c

T (1)

0
0

2
1
=a
0
0

1
0
+b
0
0

1
0
+c
0
1

0
1
+d
1
0

0
1

T (x)

1
0

2
1
=e
0
0

1
0
+f
0
0

1
0
+g
0
1

0
1
+h
1
0

0
1

0 2
1
=i
0 2
0
2
3
0 1
2
62 1 4 7
7
= 6
40 0 0 5
0 0 2

1
0
+j
0
0

1
0
+l
0
1

0
1
+m
1
0

0
1

T (x2 )

Logo, [T ]

b)
Seja p(x)
b 2a + 2b + 2c
0
2c
Logo, p(x)

2
=
=

N (T ) ) T (p(x)) =
0
0

0
0

0
0

0
)a=b=c=0
0

0 + 0x + 0x2 2 N (T ) ) N (T ) = f0g

89

c) Seja A 2 Im(T ) ) A =
c

b 2a + 2b + 2c
0
2c

= a

0
0

2
1
+b
0
0

2
+
0

0 2
0 2
Portanto,

0 2
1 2
0 2
;
;
0 0
0 0
0 2
Como os geradores da Im(T ) formam um conjunto L:I: (Verique!) tem-se
que
0 2
1 2
0 2
;
;
uma base para Im(T ):
0 0
0 0
0 2
d) T injetora pois N (T ) = f0g; mas no sobrejetora pois dim Im(T ) =
3 6= dim M (2; 2)
Im(T ) =

3.3

Composio de transformaes lineares

Denio 161 Se T1 : V ! W e T2 : W ! U so duas transformaes


lineares a composta das duas transformaes lineares denida do mesmo modo
que a composio de funces ( lembre-se que um transformao linear uma
funo com a propriedade adicional de ser linear) da seguinte forma
T2 T1
(T2 T1 )(v)

: V !U
= T2 (T1 (v))

Exemplo 162 Se T1 : R2 ! R3 ; T1 (x; y) = (x y; y


T2 (x; y; z) = x y z ento T2 T1 : R2 ! R e
(T2 T1 ) (x; y)

=
=
=
=
=

x; y

T2 (T1 (x; y))


T2 (x y; y x; y x)
(x y) (y x) (y
x y y+x y+x
3x 3y

x) e T2 : R3 ! R;

x)

Teorema 163 Sejam T1 : V ! W e T2 : W ! U transformaes lineares e ;


; bases de V; W; U respectivamente. Ento a composta de T2 com T1 ; T2 T1 :
V ! U linear e
[T2 T1 ] = [T2 ] [T1 ]

90

Proof.

T1

T2

T1(v)

Base

T2(T1(v))

Base

Base

Proposio 164 Seja T : V ! W uma transformao linear . Sejam


bases de V e e 0 bases de W: Ento vale a relao:
[T ]

0
0

= [IW

IV ]

0
0

= [IW ] 0 [T ] [IV ]

onde IW e IV so as aplicaes identidades de W e V respectivamente.

3.4

A Inversa de uma transformao linear

Denio 165 D-se o nome de isomorsmo a uma transformao linear


T : V ! W que injetora e sobrejetora ao mesmo tempo. Quando h um
isomorsmo entre dois espaos vetoriais dizemos que estes so Isomorfos.
Denio 166 Seja T : V ! W uma transformao linear. Se existe uma
transformao linear S : W ! V tal que T S = IW , onde IW : W ! W
a identidade em W; dizemos que S a inversa a direita de T: Se existe uma
transformao R : W ! V , tal que R T = IV , onde IV : V ! V a identidade
em V , dizemos que R a inversa a esquerda de T:
Denio 167 Seja T : V ! W uma transformao linear. Se existe uma
aplicao T 1 : W ! V; tal que T T 1 = IW e T 1 T = IV ento dizemos
que T inversvel e que T 1 a inversa de T
Proposio 168 Seja T : V ! W uma transformao linear.
inversa de T; T 1 ; ento T 1 uma transformao linear

Se existe a

Proposio 169 Se T : V ! W um isomomorsmo, ento T inversvel e


alm disso T 1 tambm um isomorsmo.
Proposio 170 Se T : V ! W uma transformao linear invertvel (T um
isomorsmo) e e so bases de V e W; ento:
91

= [T ]

Observao: Quando estamos trabalhando com o espao Rn e a base cannica


de Rn por simplicidade omitimos as bases e a matriz de T : Rn ! Rn ;em relao
a base cannica, denotada simplesmente por [T ] : Neste caso a proposio
acima escrita na forma mais conveniente: "Se T : Rn ! Rn inversvel ento
1
T 1 = [T ] "
Proposio 171 Seja T : V ! W uma transformao linear, com dim V =
dim W; e
e
bases de V e W respectivamente: Ento T inversvel se, e
somente se det [T ] 6= 0:
Observao 172 Se na proposio acima tivermos V = W = Rn podemos
escrever: Seja T : Rn ! Rn uma transformao linear, ento T invertvel se
det [T ] 6= 0
Exemplo 173 Seja T : R3 ! R3 ; dada por T (x; y; z) = (x + 2y + 2z; x + y +
3z; x + 2y + z); determine a transformao inversa T 1 :
Soluo: Facilmente
2
1 2
[T ] = 4 1 1
1 2

podemos ver que


3
2
3 5 ) T 1 = [T ]
1

5
=4 2
1

2
1
0

3
4
1 5
1

logo T 1 (x; y; z) = ( 5x + 2y + 4z; 2x y z; x z): Como exerccio verique


que vale T T 1 (x; y; z) = (x; y; z)
Podemos tambm neste caso calcular a inversa usando diretamente a dinio
de transformao inversa da seguinte forma
Sabemos que T 1 : R3 ! R3 uma transformao linear tal que T 1 T = I
ou T T 1 = I: Suponhamos que T 1 (x; y; z) = (m; n; s); devemos encontrar
m; n e s tais que T T 1 = I (devemos usar esta igualdade pois com a outra
no funciona, tente e veja o que acontece). Portanto
T

T
T (T

(x; y; z)

= I(x; y; z) = (x; y; z)

(x; y; z)) = (x; y; z)


T (m; n; s) = (x; y; z)
(m + 2n + 2s; m + n + 3s; m + 2n + s) = (x; y; z)

m + 2n + 2s = x
m + n + 3s = y
m + 2n + s = z

92

2
1
41
1

3
2
2 x
1
escalonando
40
3 y5
=)
1 z
0

2
1
2

s = x
n = x
m = x

3
2
x
1 x y5
1 x z

2
1
0

z
y + x z = 2x y z
2(2x y z) 2(x z) =

5x + 2y + 4z

Logo
T

(x; y; z) = ( 5x + 2y + 4z; 2x

z; x

z)

Exemplo 174 Considere a transformao linear T : R3 ! M2T (M2T o es1 1


pao das matrizes triangulares superiores) denida por T (1; 1; 0) =
; T (0; 1; 1) =
0 0
1 1
0
1
e T (1; 1; 1) =
: Encontre a inversa da transformao T.
0 2
0 1
Soluo: Sabemos que:

1
0

1
0

= (1; 1; 0); T

1
0

1
2

= (0; 1; 1) e T

0
0

1
1

= (1; 1; 1)

e, seja
x
0

y
z

=a

1
0

1
0

obtemos o sistema:
8
< a+b=x
a+b c=y
:
2b + c = z
realizando o escalonamento
2
1
40
0

+b

1
0

1
2

2
1 1
=) 41 1
0 2

+c

0
0

1
1

3
0 j x
1 j y5
1 j z

da matriz encontramos:
3
0 0 j 3x 2y z
x+y+z 5
1 0 j
2
0 1 j
x y

Agora, procedendo as substituies, obtemos:


T

x y
0 z

x y
0 z

x y
0 z

3x

y z
x+y+z
1 1
1 1
T 1
+
T 1
+ (x y) T
0 0
0 2
2
2
x+y+z
3x y z
(1; 1; 0) +
(0; 1; 1) + (x y) (1; 1; 1)
2
2
5x 3y z
3x 3y z
; y;
; que a transformao procurada.
2
2
93

0
0

1
1

Matricialmente, temos:
[T ]

25
2

= 40
3
2

94

3
2

1
3
2

1
2

0 5
1
2

3.5
1.

Quarta lista de exerccios


Verique se as funes dadas abaixo so transformaes lineares. Em
cada caso, justique sua armao:
(a) T : <4 ! <3 dada por T (x; y; z; t) = (x + y; 0; z + t)

(b) L : <2 ! < dada por L(x; y) = xy


(c) S : M (2; 2) ! <2 , S

a b
c d

= (a + b; 0)

(d) G : M (5; 5) ! M (5; 5); G(A) = AB+I5 ; onde B = diag(d1 ; d2 ; d3 ; d4 ; d5 )


uma matriz diagonal e I5 a matriz identidade de ordem 5:
(e) F : P2 ! P2 tal que F (p) = p + q; p 2 P2 e q(t) = t2 + 1; t 2 <
(f) S : R2 ! R2 dada por S(x; y) = (x + y; x
(g) T : M (2; 2) ! R dada por

a b
c d

y)

! det

a b
c d

(h) T : R ! R; T (x) = jxj :


(i) T : M2 ! P1 ; T

a b
c d

= a + dt

(j) S : R3 ! R3 tal que S(x; y; z) = (3x; a; 5z); onde a 2 R uma


constante.
0

00

(k) T : Pn ! Pn tal que T (p(x)) = p (x) + x2 p (x)


2. Seja T : P2 ! P2 um operador linear tal que
T (p0 )(t) = 1+t,
i = 0; 1; 2:

T (p1 )(t) = t+t2 ; T (p2 )(t) = 1+t 2t2 onde pi (t) = ti ;

(a) Encontre T (p)


(b) T injetora? Justique sua resposta.
(c) T sobrejetora? Justique sua resposta.
(d) T bijetora? Justique sua resposta.
3. a) Encontre a transformao T : <2 ! M (2; 2) tal que
T ( 1; 0) =

1
1

1
;
1

T (0; 1) =

1
1

1
1

b) Usando a transformao T encontrada no item a) , calcule T (1000; 999)


c) A transformao bijetora? Justique sua resposta.
4. Seja T : <3 ! <3 uma transformao linear denida por T (1; 0; 0) =
(1; 1; 0); T (0; 1; 0) = (1; 1; 2) e T (0; 0; 1) = (0; 0; 2): Determinar uma base
de cada um dos seguintes subespaos:
95

(a) N (T )
(b) N (T ) \ Im(T )

(c) N (T ) + Im(T )

5. Sejam = f(1; 1); (0; 2)g e


e <3 ; respectivamente e
2
3
1 0
[T ] = 41 1 5
0
1

= f(1; 0; 1); (0; 1; 2); (1; 2; 0)g bases de <2

(a) Encontre a transformao linear T:

(b) Enconte uma base para Ker(T ) e uma base para Im(T ):
3
2
1 0
(c) Encontre uma base de <3 tal que [T ] = 40 05
0 1

6. Encontre a transformao linear T : <2 ! <2 que a projeo sobre a


x = 2t
reta dada por
y=t
Determine dim Im(t) e dim Ker(T ): T inversvel ? Se for, determine
T 1:
7. Considere o operador linear em <3 tal que T (1; 0; 0) = (1; 1; 1); T (0; 0; 1) =
(1; 0; 1), T (0; 1; 2) = (0; 0; 4):
T isomorsmo? Em caso armativo, determine o isomorsmo inverso.
8. Considere a transformao linear T : P2 ! R3 tal que T (1) = (1; 0; 1);
T (x + x2 ) = (1; 2; 2) e T (1 x) = (0; 1; 1): Encontre T 1 :
9. Seja T : P2 ! P3 a transformao denida por T (p(x)) = xp(x 3):
Encontre [T ] em relao s bases = f1; x; x2 ; x3 g e = f1; x; x2 g:
10. Encontre a transformao linear T : <3 ! <3 cujo ncleo gerado por
(1; 1; 0) e (0; 0; 1) e a imagem gerada pelo vetor (1; 1; 1):
11. Encontre a transformao linear T : <4 ! <4 cujo ncleo gerado por
(1; 1; 0; 0) e (0; 0; 1; 0):
!
12. Mostre que se a matriz transformao [T ] inversvel ento N (T ) = f 0 g:
13. Se T : V ! W uma transformao linear tal que T (w) = T (u) + T (v)
ento w = u + v ?
14. Determine explicitamente a expresso de uma transformao linear T :
P2 ! M2 satisfazendo simultaneamente as seguintes condies:
96

(i) o elemento p(x) = 1 + x2 pertence ao N (T );


(ii) o elemento q(x) = 1
(iii) o elemento A =

x + x2 no pertence ao N (T );

2
1

3
pertence Im(T ):
1

15. Seja T : V ! W uma transformao linear.


(a) Mostre que o ncleo de T um subespao de V:
(b) Mostre que a imagem de T um subespao de W:
0

16. Seja T : P2 ! P2 a transformao linear denida por T (p(x)) = xp (x)


(a) Quais dos seguintes polinmios pertencem ao N (T )?
i. 2
ii. x2
iii. 1 x
(b) Quais dos polinmios do item a) pertencem a Im(T )?
(c) Descreva N (T ) e Im(T ):
17. Quando possvel, d exemplos de transformaes lineares satisfazendo:
(a) T : R3 ! R3 tal que dim N (T ) = 1

(b) T : R3 ! R3 tal que N (T ) = f(0; 0; 0)g

(c) T : R3 ! R3 tal que Im(T ) = f(0; 0; 0)g

(d) T : R3 ! R3 tal que N (T ) = f(x; y; z) 2 <3 : z =


3

(e) T : R ! R tal que Im(T ) = (x; y; z) 2 R

xg

y = 2x

z :

18. Seja T : P3 ! P2 denida por T (p) = p . Determine a matriz T em


relao s bases = 1; t; t2 ; t3 e = 1; 1 + t; 1 + t2 ; isto , [T ] .
!
19. Mostre que se uma transfomao linear injetora ento N (T ) = f 0 g:
20. Seja

a base cannica de M2 : Se T : M2 ! P3 dada por T

a + (b + c)x + (c

= 2; 2 + x; 2 + x2 ; 2 + x3 base de P3

(b) Faa o escalonamento da matriz [T ]


(c) Detemine dim Ker(T )
(d) Determine dim Im(T ):
n

b
d

d)x2 + dx3

(a) Encontre [T ] onde

21. Se A 2 Rn

a
c

inversvel ento:

97

(a) dim N (A) = ______


(b) dim Im(T ) = ______
22. Determine dim N (T ) sabendo que:
(a) T : R6 ! R8 com dim(Im(T )) = 3;

(b) T : V ! W com T sobrejetiva, dim V = 5; dim W = 3;


(c) T : V ! W com T injetiva;

(d) T : R4 ! R4 sabendo que existe a inversa de T:


23. Explique em cada caso abaixo porque no existe uma transformao linear:
(a) T : R4 ! R2 cujo ncleo seja a origem;

(b) T : R5 ! R6 que seja sobrejetiva;


(c) T : R3 ! R2 que seja injetiva;

(d) T : R7 ! R6 tal que dim N (T ) = dim Im(T );

(e) T : R4 ! R3 com N (T ) = [(1; 0; 0; 0); (0; 1; 0; 0)] e Im(T ) = [(1; 1; 2); (2; 2; 4)]:

24. Responda as seguintes questes:


(a) Se T : R5 ! R6 uma transformao linear, podemos ter dim
Im(T ) > 6? Justique sua resposta
(b) Existe alguma transformao linear T : R2 ! R2 tal que T (1; 1) =
(2; 2) e T (2; 2) = (3; 1)? Justique sua resposta.
(c) A transformao T : P1 ! P2 denida por T (p(t)) = tp(t)+p(0)p0 (1)
linear?
(d) Se T : R3 ! R3 um operador linear e se a imagem de T um plano
que passa pela origem, que tipo de objeto geomtrico o ncleo de
T ?
25. Seja T : R2 ! R2 tal que [T ] =
que

2
0

1
1

: Encontre os vetores u e v tais

(a) T (u) = 2u
(b) T (v) =

26. Sejam F; G : R3 ! R3 transformaes lineares dadas por F (x; y; z) =


(x + y; z + y; z) e G(x; y; z) = (x + 2y; y z; x + 2z):
(a) Determine F

(b) Determine uma base para N (F

G)

(c) Determine uma base para Im(F

G)

98

(d) F

G isomorsmo? Justique sua resposta.

27. Seja T : <3 ! <3 o operador linear denido por T (x; y; z) = (3x; x
y; 2x + y + z): Mostre que (T 2 I) (T 2 9I) = 0:
28. Sejam R; S; T tres transformaes lineares de
2
3
2
1 0 1
2 1
1
[R] = 4 2 1 1 5 e
[S] = 4 3
0
1 1
1
2
encontre T tal que R = S

T:

R3 em R3 : Se
3
1
2 5;
0

29. Sejam as transformaes lineares S : P1 ! P2 e T : P2 ! P1 denidas


por
S(a + bx) = a + (a + b)x + 2bx2
T (a + bx + cx2 ) = b + 2cx
(a) Determine (S

T )(3 + 2x

(b) possvel calcular (T


S)( + x):

x2 )

S)(a + bx)? Em caso armativo calcule (T

30. Considere o operador T : P2 ! P2 denida por T (p(x)) = p0 (x) + p(x)


e a transformao linear S : P2 ! R3 denida por S(a + bx + cx2 ) =
(a + b; c; a b):
(a) Verique se S isomorsmo. Se for, determine S
(b) Determine uma base para N (S
2

T ) e uma base para Im(S

(c) Seja = f1+x; x x ; 1g uma base de P2 e


base do R3 : Determine [S T ] :

T ):

= f(1; 0; 0); (0; 1; 1); (0; 0; 1)g

31. Considere a transformao linear T : R4 ! M2 denida por T (a; b; c; d) =


a
a+b
a b
e a transformao linear S : M2 ! M2 denida por S
b+c
d
c d
a c c b
:Verique se S T um isomorsmo. Em caso armativo,
b
a+d
determine o isomorsmo inverso (S T ) 1 :

99

Captulo 4

OPERADORES
LINEARES
Denio 175 Uma transformao linear T : V ! V chamada de operador
linear.
Observao 176 Todas as propriedades j vistas para transformaes lineares
em geral vale para um operador linear

4.1

Transformaes especiais no plano e no espao

Os operadores lineares que veremos a seguir so chamados de transformaes


especiais do plano e do espao por serem bastantes usados em aplicaes prticas
e tambm em aplicaes numricas.
Transformaes no Plano
a) Dilatao ou contrao
T
T (x; y)

: R2 ! R2
=
(x; y)

Se j j < 1, T contrai o vetor


Se j j > 1, T dilata o vetor
Se = 1, T a identidade
Se < 0, T inverte o sentido do vetor
Se > 0, T mantm o mesmo sentido do vetor
Matricialmente
x
0
x
!
y
0
y
100

Geometricamente, para

> 0 temos:

b) Cisalhamento na direo do eixo dos x

T
T (x; y)

: R2 ! R 2
= (x + y; y)

Matricialmente
x
y

1
0

Geometricamente:

c) Cisalhamento na direo do eixo dos y

101

x
y

T
T (x; y)

: R2 ! R2
= (x; x + y)

Matricialmente
x
y

0
1

x
y

Geometricamente:

d) Reexo na origem
T
T (x; y)

: R2 ! R2
= ( x; y)

Matricialmente
x
y

1
0

Geometricamente:

102

0
1

x
y

Observao 177 Observe que este um caso particular da contrao quando


= 1
e) Projeo sobre uma reta no plano
Denio 178
Denimos como sendo Projeo sobre uma reta r, que
passa pela origem, no plano o operador linear T : R2 ! R2 denido por T (v) =
proju v, onde u o vetor diretor da reta r:

Denio 179 Exemplo 180 Determinar o operdor linear que a projeo sobre a reta y = 6x
103

A reta y =

6x pode ser parametrizada por


x = t
y =
6t

logo um vetor diretor da reta u = (1; 6):


T (v)

= proju v
u v
u
T (v) =
u u
(1; 6) (x; y)
T (x; y) =
(1; 6)
(1; 6) (1; 6)
x 6y 6x + 36y
;
T (x; y) =
37
37
f ) Reexo atravs de uma reta no plano
Denio 181
Denimos como sendo Reexo atravs da reta r; que
passa pela origem, a transformao linear T : R2 ! R2 tal que jT (v)j = jvj e
proju v = proju T (v) onde u o vetor diretor da reta r:

104

Para obter a expresso pata a traformao T , considere a gura abaixo


que representa a reexo em torno de uma reta no plano onde esto mostrados
o vetor diretor diretor, u ; da reta, o vetor p, a projeo de v na direo do vetor
u,e o vetor T (v):

Da denio de reexo podemos observar que


T (v) + v = 2p
T (v) = 2p v
T (v) = 2proju v

Portanto a reexo em torno de uma reta no plano dada por


T (v) = 2proju v

onde proju v a projeo do vetor v na direo do vetor u


Casos Particulares
f.1) Reexo em torno do eixo dos x
T
T (x; y)

: R2 ! R2
= (x; y)

Matricialmente
x
y

1
0

Geometricamente:
105

0
1

x
y

f.2) Reexo em torno do eixo dos y


T
T (x; y)

: R2 ! R2
= ( x; y)

Matricialmente
x
y

1
0

Geometricamente:

106

0
1

x
y

f.3) Reexo em torno da reta y = x


T
T (x; y)

: R2 ! R2
= (y; x)

Matricialmente
x
y

0
1

Geometricamente:

107

1
0

x
y

f.4) Reexo em torno da reta y =


T
T (x; y)

: R2 ! R2
= ( y; x)

Matricialmente
x
y

0
1

Geometricamente:

108

1
0

x
y

g) Rotao de um ngulo
Denimos Rotao no plano de um ngulo a transformao T : R2 ! R2
tal que jT (v)j = jvj e o ngulo entre os vetores T (v) e v :
Geometricamente

109

Vamos agora determinar a matriz da transformao linear rotao de um


ngulo e a expresso de R em funo de x e y: Seja
R
R (x; y)

: R2 ! R2
= (x0 ; y 0 )

Quando rotacionamos um vetor, pela prpria denio de rotao, o comprimento (mdulo) do vetor no se altera. Seja r = jvj ; onde v = (x; y):
Da gura acima e usando relaes trigonomtricas temos;
x0 = r cos( + ) = r cos cos

r sin sin

Mas
r cos
r sin

= x
= y

ento
x0 = x cos

y sin

Analogamente
y0
y0

= r sin( + ) = r sin cos + r cos sin


= y cos + x sin = x sin + y cos

Assim
110

R (x; y) = (x cos

y sin ; x sin + y cos )

Matricialmente
x
cos
sin
x
!
y
sin
cos
y
Podemos ver neste caso que matriz de uma rotao :
[R ] =

cos
sin

sin
cos

Transformaes no Espao
a) Reexo atravs de uma reta no espao
Denio 182 Denimos como sendo Reexo atravs da reta r; que passa
pela origem, no espao a transformao linear T : R3 ! R3 tal que jT (v)j = jvj
e proju v = proju T (v) onde u o vetor diretor da reta r:
Geometricamente

Para obter a expresso pata a traformao T , considere a gura abaixo


que representa a reexo em torno de uma reta no plano onde esto mostrados
o vetor diretor diretor, u ; da reta, o vetor p, a projeo de v na direo do vetor
u,e o vetor T (v):
111

Da denio de reexo podemos observar que


T (v) + v = 2p
T (v) = 2p v
T (v) = 2proju v

Portanto a reexo em torno de uma reta no espao dada por


T (v) = 2p

ond p = proju v a projeo do vetor v na direo do vetor u


Casos Particulares: Reexo em relao aos eixos coordenados
a.1) Reexo atravs do eixo x
T
T (x; y; z)
Matricialmente

3
2
x
1
4 y 5 !4 0
z
0
2

: R3 ! R3
= (x; y; z)

0
1
0
112

32
3
0
x
0 54 y 5
1
z

a.2) Reexo atravs do eixo y


T
T (x; y; z)
Matricialmente

: R3 ! R3
= ( x; y; z)

3
2
x
1
4 y 5 !4 0
z
0

0
1
0

a.3) Reexo atravs do eixo z

T
T (x; y; z)
Matricialmente

32
3
0
x
0 54 y 5
1
z

: R3 ! R3
= ( x; y; z)

3
2
x
1
4 y 5 !4 0
z
0

b) Reexo atravs de um plano

32
3
0 0
x
1 0 54 y 5
0 1
z

Denio 183 Denimos Reexo atravs de um plano, que passa pela origem,
no espao ao operador linear T : R3 ! R3 tal que jT (v)j = jvj e projn v =
projn T (v); onde n o vetor normal do plano.

113

Para obter a expresso para a transformao T , considere a gura abaixo


que representa a reexo em torno de um plano no espao onde esto mostrados
o vetor normal do plano, vetor n ; o vetor projeo de v na direo do vetor n,
vetor p, o vetor projeo sobre o plano, vetor m; e o vetor T (v):

Da denio de Reexo atravs de uma plano podemos deduzir que


p+m=v
m p = T (v)
Portanto
T (v) = v

2p

onde p = projn v a projeo de v na direo do vetor normal n do plano.


Casos particulares: Reexo atravs dos planos coordenados
b.1) Reexo atravs do plano xy
T
T (x; y; z)

: R3 ! R3
= (x; y; z)

114

Matricialmente
2
Geometricamente

3
2
x
1
4 y 5 !4 0
z
0

0
1
0

32
3
0
x
0 54 y 5
1
z

b.2) Reexo atravs do plano xz


T :
T (x; y; z) =
2
3
2
x
1 0
1
Matricialmente4 y 5 ! 4 0
z
0 0
b.3) Reexo atravs do plano yz
T
T (x; y; z)

R3 ! R3
(x; y; z)
32
3
0
x
0 54 y 5
1
z

: R3 ! R3
= ( x; y; z)

Matricialmente
2
c)

3
2
x
1
4 y 5 !4 0
z
0

Reexo no origem

T
T (x; y; z)

32
3
0 0
x
1 0 54 y 5
0 1
z

: R3 ! R3
= ( x; y; z)
115

Matricialmente
2

3
2
x
1
4 y 5 !4 0
z
0

0
1
0

Geometricamente

32
3
0
x
0 54 y 5
1
z

d) Rotao no Espao.
Denio 184 Denimos Rotao de um ngulo em torno de um eixo coordenado c ao operador linear T : R3 ! R3 tal que jT (v)j = jvj e o ngulo
entre a projeo de v no plano ortogonal a c e a projeo de T (v) no plano
ortogonal a c o ngulo medido no sentido anti-horrio a partir da projeo
de v no plano ortogonal a c:

116

d.1) Rotao em torno do eixo z


Para obter a expresso da transformao que uma rotao em torno
do eixo z vamos considerar:
p
q

= projeo de v no plano xy
= projeo de T (v) no plano xy

117

T (x; y; z) = (x0 ; y 0 ; z 0 )
Observe que z 0 = z
Como jT (v)j = jvj ento jpj = jqj : Alm disso o vetor q obtido pela
rotao do vetor p no plano xy por um ngulo , ou seja, q = R (p). Como j
visto em rotao no plano ( item g) de Transformaes no plano) temos que
x0
y0

= x cos
y sin
= x sin + y cos

Portanto
T
T (x; y; z)

: R3 ! R3
= (x cos
y sin ; x sin + y cos ; z)

118

Matricialmente
2

3 2
32
3
x
cos
sin
0
x
4 y 5 = 4 sin
cos
0 54 y 5
z
0
0
1
z
2
3
cos
sin
0
cos
0 5
[T ]Z = 4 sin
0
0
1

d.2) Rotao em torno do eixo y

T (x; y; z) = (x0 ; y 0 ; z 0 )
Como a rotao em torno do eixo y temos y 0 = y: No plano xz vemos que
o vetor q obtido a partir do vetor p pela rotao do ngulo no SENTIDO
HORRIO.

119

Portanto podemos considerar o vetor p obtido a partir do vetor q por uma


rotao no sentido anti-horrio, ou seja, R (p) = q: Logo,
x
z
x0
z0
x0
z0

cos
sin

sin
cos

cos
sin

sin
cos

cos
sin

x0
z0

sin
cos

x0
z0
1

x
z
x
z

= x cos + z sin
= z cos
x sin

T (x; y; z) = (x0 ; y 0 ; z 0 )
T (x; y; z) = (x cos + z sin ; y; x sin + z cos )
Matricialmente:

cos
[T ]Y = 4 0
sin

d.3) Rotao em torno do eixo x

120

3
0 sin
1
0 5
0 cos

A matriz da Rotao em torno do eixo x dada por


2
3
1
0
0
sin 5
[T ]X = 40 cos
0 sin
cos

Exemplo
185p Determinar o ngulo formado entre v e T (v) quando o vetor
p
p
v = ( 2p32 ; 42 ; 22 ) gira em torno do eixo z de um ngulo 2 rad
Soluo:

[T (v)]

[T (v)]

[T (v)]

cos 2
= 4 sin 2
0
2

0:0
= 4 1:0
0:0
2 p
6
= 4

2
p4
p3
2p 2
2
2

sin 2
cos 2
0
1:0
0:0
0:0
30

32
0
6
0 54
1
32 p

p
p3
2p 2
2
p4
2
2

p3
2p 2
2
p4
2
2

0:0
6
0:0 5 4
1:0

30

30
7
5

7
5

7
5

Como desejamos o ngulo entre v e T (v);vamos usar a frmula do cosseno


do ngulo entre dois vetores:
cos

Portanto o ngulo entre v e T (v)

4.2

v T (v)
1
=
jvj jT (v)j
2

= arccos 12 =

Propriedades dos operadores inversveis

Denio 186 Seja T : V ! V um operador linear. Se existir um operador


T 1 : V ! V tal que T T 1 = T 1 T = I ( neste caso I : V ! V
a identidade em V ) ento dizemos que o operador T inversvel e T 1 o
operador inverso de T:
Observao 187 Um operador inversvel se, e somente se, ele um isomorsmo
Seja T : V ! V um operador linear:
=T 1 T =I
n!o
II) O operador T inversvel se, e somente se, Ker(T ) = 0 :
I) Se T inversvel e T

sua inversa, ento T

121

III) O operador T inversvel se, e somente se, det [T ] 6= 0


IV) Se T inversvel, T transforma base em base, isto , se
base de V ento = fT (v1 ); : : : ; T (vn )g base de V:
Se T inversvel e

uma base de V ento T

[T ]

: Quando

= fv1 ; : : : ; vn g

: V ! V linear T

a base cannica temos a forma mais simples T

[T ]
e portanto T
[T ]
= T
inversvel se e somente se det [T ] 6= 0.

=
1

= [I] : Com isso vemos que T

Exemplo 188 Considere o operador R : R2 ! R2 ; dado por


R (x; y) = (x cos

y sin ; x sin + y cos )

verique se T inversvel e em caso armativo encontre T

Soluo: Como det [R ] = cos2 + sin2 = 1 6= 0; temos que R inversvel.


1
Como R 1 = [R ] ; basta calcular a inversa da matriz deR
[R ] =

[R ]

=4
[R ]

Note que [R ]
R 2 ! R2
x
y

cos
sin

sin
cos
sin
cos2 +sin2

cos
cos2 +sin2
sin
cos2 +sin2

cos
cos2 +sin2

cos
sin

3
5

sin
cos

= [R ] ; ou seja, [R ] uma matriz ortogonal, logo R

!
R

cos
sin

sin
cos

x
y

x cos + y sin
y cos
x sin

(x; y) = (x cos + y sin ; y cos

x sin )

Exemplo 189 Seja T o operador T : R3 ! R3 que a projeo ortogonal do


vetor v = (x; y; z) na direo da reta dada pela interseo dos planos y = x e
z = y:Verique se T inversvel e em caso armativo determine T 1 :
Soluo:
Para determinar a projeo na direo da reta basta determinar a projeo ortogonal sobre o vetor diretor da reta. Devemos inicialmente
determinar o vetor diretor da reta:
y=x
z=y
122

Para obter a equaes paramtricas fazemos x = t; logo


8
< x=t
y=t
:
z=t

portando o vetor diretor da reta u = (1; 1; 1):


v u
u
T (v) = proju v =
u u
(x; y; z) (1; 1; 1)
T (x; y; z) =
(1; 1; 1)
(1; 1; 1) (1; 1; 1)
x+y+z
T (x; y; z) =
(1; 1; 1)
3
x+y+z x+y+z x+y+z
;
;
T (x; y; z) =
3
3
3
2 1
3
1
1
6
6
[T ] = 6
6
4

1
3

1
3

1
3

1
3

1
3

1
3

det [T ] = 0

7
7
7
7
5

Como det [T ] = 0 temos que T no inversvel.


Exemplo 190 Seja T : R2 ! R2 a transformao que uma rotao de 4 rad
e S : R2 ! R2 a transformao que uma reexo em torno da reta y = 2x:
Determine a transformao R = S T:
Soluo
R = S T
[R] = [S] [T ]

[T ]

[T ]

S(v)

2p

S(x; y)

S(x; y)

cos 4
sin 4
p
1
2 p2
1
2 2

sin 4
cos 4
p
1
2p 2
1
2 2

v
(x; y) (1; 2)
(1; 2)
(1; 2) (1; 2)
3x 4y 4x + 3y
;
5
5
123

(x; y)

[S] =

[R]

= [S] [T ]

[R]

[R]

R(x; y) =

4.3

3
5
4
5

3
4
5
5
4
3
5
5
p
7
10 p2
1
10 2

p
7 2
x
10

4
5
3
5

1
2 p2
1
2 2
p
1
10p 2
7
10 2

2
y;
10

1
2p 2
1
2 2

p !
2
7 2
x+
y
10
10

Operadores autoadjuntos e ortogonais

Denio 191 Seja V = Rn . Uma base = fv1 ; v2 ;


normal se para todos os vetores de tem-se:
vi vj =

; vn g de V orto-

1; i = j
0; i 6= j

Denio 192 Seja V = Rn um espao vetorial com produto escalar denido,


uma base ortonormal para Rn e T : Rn ! Rn um operador linear. Ento:
a) T chamado um operador auto-adjunto se [T ] uma matriz simtrica
b) T chamado um operador ortogonal se [T ] uma matriz ortogonal
Portanto podemos dizer que um operador T : Rn ! Rn um operador
auto-adjunto se [T ] (a matriz de T em relao a base cannica) uma matriz
simtrica. T : Rn ! Rn um operador ortogonal se [T ] (a matriz de T em
relao a base cannica) uma matriz ortogonal.
Exemplo 193
Consideremos a transformao : R3 ! R3 , a rotao de um
ngulo
em torno do eixo z:
T (x; y; z) = (x cos

y sin ; x sin + y cos ; z)

A matriz da transformao T
2
cos
[T ] = 4 sin
0

sin
cos
0

3
0
05
1

Como esta uma matriz ortogonal, T um operador ortogonal

124

Exemplo 194 Seja T : R2 ! R2 onde T (x; :y) = (2x 2y; 2x + 5y): A matriz
de T
2
2
[T ] =
2 5
Como a matriz de T simtrica, ento T um operador auto-adjunto.
Teorema 195 Seja T : Rn ! Rn linear. Se T um operador auto-adjunto
ento
T (v) w = v T (w); 8v; w 2 Rn
Teorema 196 Seja T : Rn ! Rn linear. Ento so equivalentes as seguintes
armaes
a) T ortogonal
b) T preserva o produto escalar, isto , T (v) T (w) = v w; 8v; w 2 R
c) T preserva o mdulo, isto , jT (v)j = jvj
d) T transforma bases ortonornais em bases ortonormais. Isto , se
fv1; v2 ; : : : ; vn g uma base ortonornal ento fT (v1 ); T (v2 ); : : : ; T (vn )g uma
base ortonornal

125

4.4

Quinta lista de exerccios

1. Encontre a transformao linear T : R3 ! R3 tal que os vetores u =


(1; 2; 0) e v = (0; 1; 1) pertenam ao ncleo de T e que T (1; 0; 0) =
(1; 1; 1)
2. Seja T : M2 ! M2 denida por T (A) = AB
matriz xa.

BA; onde B2

uma

(a) Mostre que T um operador linear.


(b) Sabendo que B =

1
0

1
; encontre uma base para N (T ) e uma base
3

para Im(T ):
3. Seja T a reexo no origem dada por

: R3 ! R3
= ( x; y; z)

T
T (x; y; z)

Determine a inversa T

da transformao T:

4. Dena operador simtrico e operador ortogonal. D um exemplo para


cada um dos casos, justicando sua escolha.
5. Seja A : R3 ! R3 ; dada por A = G L onde G a rotao de 3 do em
torno do eixo y e L a rotao de 2 em torno do eixo z.: Determine a
matriz de A em relao a base cannica ; isto , determine [A] : O operador
A ortogonal? E auto-adjunto?
6. Determine a transformao linear de R2 em R2 que representa uma reexo da reta y = x;seguida de uma dilatao de fator 2 na direo ox
e, um cisalhamento de fator 3 na direo vertical.
7. Usando inverso matricial mostre o seguinte:
(a) A transformao inversa de uma reexo em torno da reta y = x a
reexo em torno da reta y = x:
(b) A transformao inversa de uma reexo em torno de um eixo coordenado a reexo em torno daquele eixo.
8. a) Encontre a transformao T do plano no plano que uma reexo em
torno da reta y = 6x:
b) Escreva-a em forma matricial.

126

9. No p
plano, uma rotao anti-horria de 450 seguida por uma dilatao
de 3: Ache a aplicao A que representa esta transformao do plano.
10. Analise se a seguinte armao verdadeira ou falsa: "Se T : R2 ! R2
uma rotao de um ngulo (em sentido anti-horrio) em torno da origem,
seguida de uma dilatao de fator 3 ento T 1 uma contrao de fator
1
em torno da origem".
3 seguida de uma rotao de um ngulo
11. Encontre a transformao linear T : R2 ! R2 denida pela rotao de
6 (sentido anti-horrio) seguida de uma reexo atravs da reta y = 2x:
A seguir, faa um esboo da Im(T ) se a transformao T for aplicada ao
retngulo de vrtices (0; 0); (1; 0); (1; 2) e (0; 2):
12. Seja T : R3 ! R3 a projeo de vetor v no plano x + y + z = 0: Encontre
T (x; y; z):
13. Seja L : R3 ! R3 onde L a reexo atravs do plano x + y + z = 0:
Encontre L(x; y; z):
14. Seja A : R3 ! R3 onde L a rotao de 2 em torno do eixo z seguida de
uma rotao de 3 do em torno do eixo y: Encontre A(x; y; z):
15. Seja A uma matriz de ordem n xada. Seja T : Mn ! Mn denida por
T (N ) = AN N A: Mostre que T no inversvel.
16. Encontre a transformao linear T : R3 ! R3
(x; y; z) 2 R3 y = 2x z

tal que Ker(T ) =

3
1
1
17. Determine se a transformao T (x; y) = ( 23 x
2 y; 2 x + 2 y) uma
transformao auto-adjunta ou ortogonal. Justique sua resposta.
p
p
p
p
1
1
1
18. O operador linear T (x; y; z) = ( 21 2x
2 2z; y; 2 2x
2 2z) a
rotao de um ngulo em torno do eixo y. Determine o valor do ngulo
:

19. Considere o tringulo de vrtices (1; 1); ( 3; 3) e (2; 1): Determine a


ima-gem de T aplicada sobre este tringulo segundo uma rotao antihorria de 60 . Faa um desenho da Imagem.
20. Seja o operador T : P3 ! P3 denido por T (p) = x3 p( x1 ) :
(a) Mostre T inversvel.
(b) Calcule a inversa T

do operador T

21. Seja T : M (2; 2) ! M (2; 2) um operador linear tal que T (A) = A + AT :


Verique se o operador T inversvel.

127

Captulo 5

AUTOVALORES E
AUTOVETORES
Dado um operador linear T : V ! V; estamos interessados em saber quais
vetores so levados em um mltiplo de si mesmo; isto , procuramos um vetor
v 2 V e um escalar 2 R tais que T (v) = v: Neste caso T (v) ser um vetor
de mesma direo que v: Por vetor de mesma direo estaremos entendendo
!
vetores sobre a mesma reta suporte. Como v = 0 satisfaz a equao para todo
!
; estaremos interessados em determinar vetores v 6= 0 satisfazendo a condio
acima.
Denio 197 Seja T : V ! V , um operador linear. Se existirem v 2 V;
!
v 6= 0 ; e 2 R tais que T (v) = v, um autovalor de T e v um autovetor
de T associado a :
Observe que

pode ser o nmero 0; embora v no possa ser o vetor nulo.

Exemplo 198 T : V ! V dado por T (v) = kv, onde k uma constante


Neste caso todo vetor de V um autovetor associado ao autovalor

=k

Exemplo 199
T : R2 ! R2 (Reexo no eixo x)
T (x; y) = (x; y)
Neste caso observamos que os vetores que sero levados em mltiplos dele
mesmo sero os vetores que esto no eixo x, pois v = (x; 0) ) T (v) = T (x; 0) =
(x; 0) = v: Os vetores que esto no eixo y tambm so levados em mltiplos
de si mesmo pois estes vetores tem a forma w = (0; y) ) T (w) = T (0; y) =
(0; y) = 1(0; y): Podemos concluir ento que os vetores do tipo v = (x; 0) so
autovetores associados ao autovalor 1 = 1 e os vetores da forma w = (0; y) so
autovetores associados a 2 = 1, da tranformao linear reexo no eixo x:
128

Exemplo 200
R 2 : R2 ! R2 (Rotao de um ngulo

2)

R 2 (x; y) = ( y; x)

Observe que na rotao de 2 nenhum vetor levado em um mltiplo de si


mesmo, a direo de todos vetores de R2 so alterados pela rotao. Portanto
a rotao de um ngulo 2 no possui autovetores e autovalores.
Teorema 201 Dada uma transformao linear T : V ! V
e um autovetor
v associado a um autovalor , qualquer vetor w = v ( 6= 0) tambm um
autovetor de T associado a :
Observao 202 Note que se um vetor v autovetor de uma transformao T
associado ao autovalor ento todos os mltiplos de v tambm sero autovetores
associados a : O Conjunto formado por todos os autovetores associados a um
mesmo autovalor um conjunto innito.
Teorema 203 Seja T : Rn ! Rn um operador auto-adjunto e 1 ; 2 autovalores distintos de T e v1 e v2 os autovetores associados a 1 e 2 ; respectivamente.
Ento v1 perpendicular a v2 :
Denio 204 O subespao V = fv 2 V
associado ao autovalor :

T (v) = vg chamado o subespao

Como vimos na nota acima o conjunto V contm todos os autovetores de


!
T associados ao autovalor ; contm tambm o vetor nulo 0 de V j que o
!
!
!
vetor 0 satifaz a relao T ( 0 ) = 0 : O conjunto
V o pode ser escrito como V
n!
= fTodos os autovetores de T associados a g [ 0 :

5.1

Autovalores e autovetores de uma matriz

Agora vamos obter uma forma de calcular os autovalores e autovetores de uma


transformao usando sua matriz em relao as bases cannicas. Inicialmente
deniremos autovalores e autovetores de uma matriz A:
Dada uma matriz quadrada, A; de ordem n; estaremos entendendo por autovalor e autovetor de A o autovalor e autovetor da transformao TA : Rn ! Rn ;
associada a matriz A em relao a base cannica de Rn ; isto TA (v) = A v (na
forma coluna). Assim, um autovalor 2 R de A, e um autovetor v 2 Rn ; so
!
solues da equao A v = v; v 6= 0 :

5.1.1

Polinmio Caracterstico.

Seja a matriz

129

6
6
A=6
4

a11
a21
..
.

a12
a22

::::::::
::::::::

am1

am2

::::::::

a1n
a2n
..
.

7
7
7
5

amn

6
6
v=6
4

x1
x2
..
.
x3

3
7
7
7
5

Para encontrar os autovalores e autovetores de A, devemos resolver a equao:

Av
(A

Av
Av
Iv
I)v

=
v
=
Iv
!
= 0
!
= 0

Escrevendo esta equao explicitamente,temos


2
a11
a12
::::::::
a1n
6 a21
a
::::::::
a2n
22
6
6
..
..
4
.
.
am1

Fazendo

am2

temos o sistema

6
6
B=6
4

::::::::

a11
a21
..
.

amn

a12
a22

am1

am2

::::::::
::::::::
::::::::

32
76
76
76
54

x1
x2
..
.
x3

7 6
7 6
7=6
5 4

a1n
a2n
..
.
amn

!
B v= 0

0
0
..
.
0

3
7
7
7
5

7
7
7
5

!
Este sistema um sistema homogneo e possui ao menos a soluo v = 0 : Mas
!
como estamos procurando autovetores, queremos encontrar vetores v 6= 0 que
!
!
satisfaam a equao B v = 0 : Sendo assim queremos que o sistema B v = 0
seja compatvel e indeterminado ( tenha alm da soluo trivial, outras solues
no triviais). Pela regra de Cramer se det B = 0 ento o sistema homogneo
ter innitas solues. Assim, a nica maneira de encontrarmos autovetores v
!
(solues no nulas da equao B v = 0 ) termos det B = 0; ou seja,
det(A

I) = 0

Impondo esta condio determinamos primeiramente os autovalores que


satisfazem a equao e depois os autovetores a eles associados. Observamos que

p( ) = det(A

um polinmio em

I) =

a11
a21
..
.

a12
a22

::::::::
::::::::

am1

am2

::::::::

de grau n:
130

a1n
a2n
..
.
amn

Denio 205 O polinmio p( ) = det(A


terstico da matriz A

I) chamado polinmio carac-

Observe que as razes do polinmio caracterstico so os autovalores da


matriz A: Note tambm que o autovalor pode ser o nmero zero (quando o
polinmio caracterstico tem razes zero), embora o autovetor v associado a /
no possa ser o vetor nulo.
Exemplo 206 Vamos agora calcular os autovetores e autovalores da matriz
3
1

A=

4
2

Soluo
p( ) = det(A

I) = det

4
1

= (2

)( 3

)+4 =

+
2
p( ) = 0 ) 2 +
2 = 0 ) 1 = 1 e 2 = 2:
Necessitamos calcular os autovetores de A e para isso basta resolvermos o
sistema:
Av = v
x
onde v =
e cada um dos autovalores j encontrados.
y
Para 1 = 1 temos
3
1
3

4
2

x
y

x
y

0
0

4
1

4
1

x
y

0
0

1
1

x
y

Temos um sistema homogneo cuja matriz ampliada


4
1

4 j 0
1 j 0

escalonando
)

4
0

4 j 0
0 j 0

4x + 4y = 0 ) y = x

Portando os autovalores associados ao autovalor 1 = 1 so da forma v =


(x; x) = x(1; 1) e assim podemos concluir que o subespao associado ao autovalor
1 = 1 V1 = [(1; 1)] :
Para 1 = 2 temos
3
1
3

( 2)
1

4
2

x
y

4
( 2)

x
y

0
0

1
1

x
y

0
0

4
4
131

x
y

Temos um sistema homogneo cuja matriz ampliada


1
1

4 j 0
4 j 0

escalonando
)

1
0

4 j 0
0 j 0

x
4
Portando os autovalores associados ao autovalor 1 = 2 so da forma v =
(x; x4 ) = x(1; 14 ) e assim podemos concluir que o subespao associado ao autovalor 2 = 2 V 2 = (1; 14 ) :
x + 4y = 0 ) y =

Exemplo 207 Encontre os autovalores e autovetores da transformao linear


que a cada vetor v 2 R3 associa a sua projeo ortogonal no plano x + y z = 0:
Soluo: Devemos encontrar a transformao linear T : R3 ! R3 tal que
T (v) = projeo de v no plano x + y z = 0:

Da gura acima vemos que para obtermos a projeo sobre o plano devemos
inicialmente fazer a projeo do vetor v na direo do vetor normal n para obter
o vetor p = projn v:Com isso temos,

T (v) + p = v
T (v) = v
T (v) = v

132

p
projn v

Um vetor normal do plano x+ y


temos
p
p
p
p
p

T (v)

z = 0 n = (1; 1; 1); logo, como v = (x; y; z)

= projn v
v n
n
=
n n
(x; y; z) (1; 1; 1)
=
(1; 1; 1)
(1; 1; 1) (1; 1; 1)
x+y z
=
(1; 1; 1)
3
x+y z x+y z
x+y z
=
;
;
3
3
3

= v

T (x; y; z)

T (x; y; z)

p
x+y z x+y z
x+y
;
;
3
3
3
2x y + z
x + 2y + z x + y + 2z
;
;
3
3
3

(x; y; z)

Para calcular os autovalores de T devemos encontrar a matriz de T: Neste


caso,
2 2
3
1
1
6
6
[T ] = 6
6
4

1
3

2
3

1
3

1
3

1
3

2
3

p( ) = det([T ]

22

6
6
det 6
6
4

I) = 0

1
3

1
3

p( ) =

1
3

2
3

1
3

1
3

1
3
3

+2

7
7
7
7
5

2
3
2

7
7
7=0
7
5

=0

As raizes de p( ) so 1 = 2 = 0 e 3 = 1:
Para 1 = 0 vamos calcular os autovalores associados resolvendo o sistema.
2 2
32
3 2 3
1
1
x
0
3
3
3
2
1 54
4 1
y 5=4 0 5
3
3
3
1
1
2
z
0
3
3
3
133

cuja matriz ampliada ,


2 2
1
1
3
1
3
1
3

3
2
3
1
3

3
1
3
2
3

3
2 2
j 0
3
escalonando
4 0
j 0 5
=)
0
j 0
2
3x

2x

1
2y

1
3y

1
3
1
2

3
j 0
j 0 5
j 0

1
3
1
2

+ 13 z = 0
+
=0
1
2z

y+z =0
y+z =0

e ento:
y =
x =

z
z

Portanto os autovalores associados ao autovalor


( z; z; z)

= 0 so da forma v =

Observao 208 Note que acima damos a forma geral dos autovetores, no
caso acima temos v = x( 1; 1; 1) assim um autovetor v = ( 1; 1; 1) como
todo autovetor um mltiplo de v = ( 1; 1; 1) temos que V0 = [( 1; 1; 1)],
isto , o subespao associado ao autovalor 1 = 0 gerado pelo vetor v =
( 1; 1; 1): Note que geometricamente o subespao V0 = [( 1; 1; 1)] formado
pelos vetores que so mltiplos do vetor normal ao plano, ou seja, por todos os
vetores ortogonais ao plano.
Para
sistema.

2
4

= 1 vamos calular os autovalores associados resolvendo o

2
3

1
3
1
3

2
4

2
4

1
3
1
3
1
3

1
3

1
3
1
3
1
3

2
3

1
1
3

2
3

1
3
1
3
1
3

1
3
1
3
1
3

2
4

1
3
1
3
1
3

1
3
1
3
1
3

1
3
1
3

32

3
x
54 y 5 =
z
1
32
3
1
x
3
1 54
y 5 =
3
1
z
3
1
3
1
3
1
3

1
3
1
3
1
3

3
5

1
3

5 escalonando 4 0
=)
0
134

3
0
4 0 5
0
2 3
0
4 0 5
0

1
3

0
0

1
3

0 5
0

1
1
1
x
y + z = 0 =) x = y + z
3
3
3
Portanto os autovalores associados ao autovalor 2 = 3 = 1 so da forma
v = ( y + z; y; z) = y( 1; 1; 0) + z(1; 0; 1): Logo V2 = [( 1; 1; 0)] e V3 =
[(1; 0; 1)].
Exemplo 209 Encontre todos os autovalores e autovetores do operador linear
T : P2 ! P2 denido por T (a + bx + cx2 ) = 2c + (a + 2b + c)x + (a + 3c)x2 .
Soluo: A matriz que representa o
2
0
[T ] = 41
1

operador T dada por:


3
0
2
2 15
0 3

Para encontrar os autovetores resolver ([T ]


I)v = 0; isto ,
32 3 2 3
2
a
0
0
0
2
4 1
2
1 5 4 b 5 = 405
c
0
1
0
3

Para obtermos uma soluo no nula para este sistema devemos impor:
det([T ]

I) =

(2

)(3

) + 2(2

)=0

Obtemos ento os autovalores 1 = 1 e 2 = 3 = 2:


Vamos agora encontrar os autovetores associados aos autovalores 1 = 1 e
2 = 3 = 2:
Para 1 = 1
32 3 2 3
2
32 3 2 3
2
0
1 0
2 a
0
1 0
2 a
Escalonando
40 1
4 1 1 1 5 4 b 5 = 405
p = ( 2c; c; c)
15 4 b 5 = 405 ) !
)
0
c
0 0 0
0
c
1 0 2
Portanto, !
p = 2c + cx + cx2 autovetor associado a 1 = 1
Para 1 = 1 )
2
32 3 2 3
2
32 3 2 3
2 0
2 a
0
2 0
2 a
0
Escalonando
4 1 0 1 5 4 b 5 = 405
4 0 0 0 5 4 b 5 = 405 ) !
p = (c; b; c)
)
1 0 1
c
0
0 0 0
c
0
Portanto !
p = c + bx + cx2 autovetor associado a

135

= 2:

5.1.2

Matrizes Semelhantes

Seja T : V ! V um operador linear. Sejam


e bases de V e [T ] ; [T ]
matrizes de T em relao as bases
e respectivamente, ento:
[T ] = [I] [T ] [I]
1

Lembrando que [I] = [I]

temos que
1

[T ] = [I] [T ]

[I]

Chamando [I] = A :
[T ] = A [T ] A

De fato:
Pelo conceito de matriz de uma transformao linear podemos escrever:
[T (v)] = [T ] [v]

(I)

[T (v)] = [T ] [v]

(II)

e
Sendo [I] a matriz mudana de base de

para ; tem-se:

[v] = [I] [v] e [T (v)] = [I] [T (v)]


Substituindo [v] e [T (v)] em (I), resulta:
[I] [T (v)] = [T ] [I] [v]
ou,
[T (v)] = [I]

[T ] [I] [v]

Comparando essa igualdade com (II) , tem-se


[T ] = [I]
ou, como [I] = [I]

[T ] [I]

; podemos escvrever
1

[T ] = [I] [T ]

[I]

As matrizes [T ] e [T ] so chamadas semelhantes.


Denio 210 Dadas as matrizes A e B, se existe uma matriz P inversvel tal
que
A = P BP 1
ento dizemos que as matrizes A e B so semelhantes.
Observao 211 Se A e B so semelhantes ento detA = detB; mas no vale
a recproca.
136

5.2

Diagonalizao de Operadores

Nosso objetivo aqui ser encontrar uma base do espao vetorial V na qual a
matriz de um determinado operador linear T : V ! V seja a mais simples
possvel. Veremos que a melhor situao possvel aquela em que conseguimos
uma matriz diagonal associada a um operador.
Dado um operador linear T : V ! V , nosso objetivo conseguir uma base
, para V , na qual a matriz do operador nesta base ([T ] ) seja uma matriz
diagonal. Esta a forma mais simples de se representar um operador e a base
, nesse caso, uma base cujos vetores so autovetores de T . Observemos
inicialmente o exemplo que segue.
Exemplo 212 Seja T : R2 ! R2 o operador linear denido por T (x; y) =
3 4
( 3x + 4y; x + 2y); cuja matriz, em relao base cannica [T ] =
:
1 2
Seus autovalores so 1 = 1 e 2 = 2 com autovetores associados v1 = (1; 1)
e v2 = (4; 1), respectivamente. Notemos que os autovetores formam uma base
de R2 . Seja, ento, = f(1; 1); (4; 1)g a base de R2 formada pelos autovetores
de T e encontremos [T ] . Para tal, aplicamos T em cada vetor da base e
escrevemos a imagem obtida como combinao linear dos vetores da base :
T (1; 1) = (1; 1) = a(1; 1) + b(4; 1) = 1(1; 1) + 0(4; 1)
T (4; 1) = ( 8; 2) = c(1; 1) + d(4; 1) = 0(1; 1) 2(4; 1)
1 0
Assim, [T ] =
:
0
2
Notemos que [T ] uma matriz diagonal e representa o operador T na base
de autovetores.
Na verdade, quando a base de autovetores existe, a matriz que representa
um operador linear nesta base ser sempre uma matriz diagonal que, como j
citado, a forma mais simples de se representar o operador. O problema, ento,
saber em que condies a base de autovetores existe, pois veremos adiante que
em muitos casos tal base no existe.
Consideremos, para elucidar o problema citado, as propriedades que seguem:
Propriedades
Propriedade 1: Autovetores associados a autovalores distintos so linearmente
independentes.
Proof. Exerccio!
Propriedade 2: Se T : V ! V um operador linear tal que dim V = n e
T possui n autovalores distintos, ento o conjunto = fv1 ; v2 ; : : : ; vn g;
formado pelos correspondentes autovetores, uma base de V:
Em outras palavras, se conseguirmos encontrar tantos autovalores distintos
quanto for a dimenso do espao, podemos garantir a existncia de uma base
de autovetores.
137

Denio 213 Seja T : V ! V um operador linear. Dizemos que T um operador diagonalizvel se existe uma base de V cujos elementos so autovetores
de T:
Neste caso, a matriz que representa T na base
elementos so autovalores de T , ou seja,
2
0 :::
1
60
:::
2
6
[T ] = 6 .
.
.. . . .
4 ..
0

:::

uma matriz diagonal cujos


0
0
..
.
n

Aqui supomos que dim V = n:

3
7
7
7
5

Exemplo 214 Observemos os autovalores e respectivos2autovetores associados


3
1
1 4
15 :
a um operador linear T; representados pela matriz A = 43 2
2 1
1

Os Autovalores e autovetores de A so:


1 = 1 ) v1 = ( z; 4z; z) = z( 1; 4; 1)
2 ) v2 = ( y; y; y) = y( 1; 1; 1)
2 =
3 = 3 ) v3 = (x; 2x; x) = x(1; 2; 1)
Logo o conjunto = f( 1; 4; 1); ( 1; 1; 1); (1; 2; 1)g uma base do R3 ; pela
propriedade 2, e, portanto o operador T representado pela matriz A; diagonalizvel. Ento, como a base formada pelos autovetores de A ou de T; o
operador T representado por uma matriz diagonal D que a matriz [T ] : A
construo da matriz D pode ser acompanhada conforme segue:
T (v1 )
T (v2 )
T (v3 )

= Av1 = ( 1; 4; 1)
= Av2 = (2; 2; 2)
= Av3 = (3; 6; 3)

Ento:
( 1; 4; 1) = a( 1; 4; 1) + b( 1; 1; 1) + c(1; 2; 1)
(2; 2; 2) = d( 1; 4; 1) + e( 1; 1; 1) + f (1; 2; 1)
(3; 6; 3) = g( 1; 4; 1) + h( 1; 1; 1) + i(1; 2; 1)
Dessa forma, temos
2
1
D = 40
0

0
2
0
138

3
0
05 = [T ]
3

3
3
Exemplo 215
2 Considere
3 agora o operador T : R ! R , representado pela
4 2 0
matriz A = 4 1 1 05 :
0 1 2

Autovalores e autovetores de A :
1 = 2 = 2 ) v1 = (0; 0; z) = z(0; 0; 1)
3 = 3 ) v3 = ( 2; 1; 1)
Observe que A no pode ser diagonalizada, pois no possvel encontrar
uma base de autovetores para o R3 ; s possvel obter dois autovetores L.I.

5.2.1

Matriz Diagonalizadora

Seja T : V ! V um operador linear. Sejam A a matriz cannica do operador


T; isto , [T ] = A e D a matriz de T na base de autovetores. As matrizes A e
D so semelhantes, pois representam o mesmo operador T em bases diferentes.
Logo, a relao de matrizes semelhantes 210 permite escrever:
D=P

AP

onde P a matriz mudana da base para a base cannica ; isto , P =


[I] :
Note que, pela denio da matriz P; podemos concluir que ela uma matriz
cujas colunas so os autovetores do operador T: Observamos que a matriz D
obtida pela "atuao"da matriz P; quando ela existe, sobre a matriz A: Dizemos
ento que a matriz P diagonaliza A ou que P a matriz diagonalizadora.
2

1
Exemplo 216 Sendo possvel, encontre a matriz que diagonaliza A = 4 3
3

3
5
3

Soluo:
Temos que determinar uma matriz inversvel P e uma matriz diagonal D tal
que D = P 1 AP: Vamos seguir os seguintes passos:
Passo1: Determinar aos autovalores de A:
2
3
1
3
3
5
3 5=
det(A
I) = 0 ) det 4 3
3
3
1
Os autovalores so 1 = 2 = 2 e 3 = 1

+4=0

Passo 2: Determinar os autovetores:


Sero necessrios 3 autovetores porque a matriz 3 3; caso contrrio a
matriz no poder ser diagonalizada.
Calculando os autovetores por meio do sistema homogneo:

139

3
3
35 :
1

2
1
4 3
3

32 3 2 3
3
x
0
3 5 4y 5 = 405
1
z
0

3
5
3

obteremos:
Para = 2 uma base para o subespao associado v1 = ( 1; 1; 0) e
v2 = ( 1; 0; 1)
Para = 1 uma base para o subespao associado v3 = (1; 1; 1)
Note que fv1 ; v2 ; v3 g linearmente independente. (Verique)
Passo 3: Monte P a partir dos vetores
2
1
P = v1 v2 v3 = 4 1
0

do passo 2:
3
1 1
0
15
1
1

Passo 4: Monte D a partir dos autovalores associados.:

essencial que a ordem dos autovalores seja igual ordem escolhida para
as colunas de P:
3
2
2 0 0
2 05
D=4 0
0
0 1
Passo 25: Verique 3
que
2 D=P
1
3
3
1
1
5
35 4 1
0
AP = 4 3
3
3
1
0
1
2
32
1
1 1
2 0
0
15 4 0
2
PD = 4 1
0
1
1
0
0

Teorema 217 Se A uma matriz n


ento A diagonalizvel.

AP3 ou2que
1
2
15 = 4 2
1
0
3 2
0
2
05 = 4 2
1
0

AP = P D:
3
2
1
0
15
2 1
3
2
1
0
15
2 1

n com n autovalores distintos entre si,

Proof. Exerccio.
2
3
2
3 7
1 5 tem autovalores 1 = 2;
Exemplo 218 A matriz A = 40 5
0 0
1
1: Como esses so trs autovalores distintos de uma matriz 3
3 =
diagonalizvel.

=5e

3, A

Denio 219 i) Se autovalor de uma matriz A de tamanho n n; ento a


dimenso do subespao associado a chamada multiplicidade geomtrica
de :
ii) O nmero de vezes que aparece como autovalor de A chamado de
multiplicidade algbrica de :
140

Teorema 220 Se A uma matriz quadrada, ento:


i) Para cada autovalor de A, a multiplicidade geomtrica menor do que ou
igual multiplicidade algbrica.
ii) A diagonalizvel se, e somente se, para cada autovalor, a multiplicidade
geomtrica igual a multiplicidade algbrica.
Exemplo 221 Diagonalize a seguinte matriz, se possvel.
2

5
60
A=6
41
1

0
5
4
2

0
0
3
0

3
0
07
7
05
3

Soluo:
Vamos
I) = 0 para3encontrar os autovalores de A:
2 calcular det(A
5
0
0
0
6 0
5
0
0 7
1 = 2 =5
7=0)
det 6
4 1
3
4
3
0 5
3 = 4 =
1
2
0
3
= 5 e = 3, ambos tem multiplicidade 2:
Calculando
os autovetores por meio
2 3 homogneo:
3 2do3 sistema
2
0
x
5
0
0
0
7 6y 7 607
6 0
5
0
0
76 7 = 6 7
6
4 1
4
3
0 5 4 z 5 405
0
t
1
2
0
3
obtemos
Para = 5 uma base para o subespao associado v1 = ( 8; 4; 1; 0) e
v2 = ( 16; 4; 0; 1):
Para = 3 uma base para o subespao associado v3 = (0; 0; 1; 0) e
v4 = (0; 0; 0; 0; 1):
Note que para ambos os autovalores a multiplicidade algbrica igual a
multiplicidade geomtrica, logo pelo teorema anterior, conclumos que A diagonalizvel.
2
3
8
16 0 0
64
4
0 07
7eD=
Ento existe P tal que A = P 1 DP; onde P = 6
41
0
1 05
0
1
0 1
2
3
5 0 0
0
60 5 0
07
6
7:
40 0
3 05
0 0 0
3

5.3

Calculando potncias de uma matriz

Nesta seo, veremos como a diagonalizao de matrizes pode ajudar no clculo


de potncias de matrizes.
141

Teorema 222 Seja A uma matriz quadrada n n e k um nmero inteiro. Se


v autovetor de A associado ao autovalor ento v tambm autovetor de Ak
associado ao autovalor k :
Proof. Por denio, se v autovetor de A associado ao autovalor

ento

Av = v:
Multiplicando por A ambos os lados da igualdade, tem-se
2

A2 v = A v = (Av) =

v:

Novamente, multiplicando por A ambos os lados


A3 v = A

v=

(Av) =

v:

Generalizando esta idia para k vezes, obtemos


k

k
(A:A:A:::::A
{z
})Av = (A:A:A:::::A
{z
}) v =) A v =
|
|
k 1 vezes

v;

k 1 vezes

concluindo assim nossa demonstrao.

Assim, todo autovetor de A tambm autovetor de Ak e portanto, se a


matriz A diagonalizvel, A e Ak possuem a mesma matriz diagonalizadora P:
O prximo teorema nos diz como obter a matriz Ak para todo k inteiro.
Teorema 223 Se A uma matriz quadrada n n diagonalizvel ento existe
uma matriz invertvel P e uma matriz diagonal D tais que Ak = P Dk P 1 , para
todo k inteiro.
Proof. Se A diagonalizvel, ento existe uma matriz invertvel P e uma
matriz diagonal D tais que A = P DP 1 : Assim,
Ak

= A:A:A:::::A
= P DP 1 : P DP
= PD P

1
1

P D P

: P DP

P D::::: P

::::: P DP
1

P DP

= P Dk P

Isso sugere que para calcularmos Ak podemos diagonalizar A; obtendo P e


D, depois calcular Dk ; e o resultado ser igual a P Dk P 1 : Como D diagonal
e sua diagonal formada pelos autovalores de A, pelo teorema anterior tem-se
2 k
3
0 ::: 0
1
k
60
::: 0 7
2
6
7
Dk = 6 .
.. . .
.. 7 :
4 ..
.
.
. 5
0

142

:::

k
n

Exemplo 224 Calcule A20

2
1
onde A = 40
0

2
2
0

3
8
0 5:
2

Soluo: Os autovalores dessa matriz so 1 = 1 e 2 = 3 = 2: Para


= 1 encontramos o autovetor v1 = (1; 0; 0) e para 2 = 3 = 2 encon8
tramos os autovetores v2 = 32 ; 1; 0 e v3 =
3 ; 0; 1 : Segue que a matriz A
diagonalizvel. As matrizes P e D so
3
2
2
3
8
1 0
0
1 23
3
2 05
0 5 ; D = 40
P = 40 1
0 0
2
0 0
1
1

Ento,

A20

= P D20 P
2
1
= 40
0

2
1
= 40
0

699 050
1048 576
0

3 2 20
1
1
0 5:4 0
0
1
0
3
2796 200
5
0
1048 576
2
3

8
3

143

0
20
( 2)
0

3 2
0
1
0 5 : 40
20
0
( 2)

2
3

1
0

8
3

05
1

5.4

Sexta lista de exerccios

1. Encontre os autovalores e autovetores das transformaes lineares dadas:


(a) T : R2 ! R2 tal que T (x; y) = (2y; x)

(b) T : R2 ! R2 tal que T (x; y) = (x + y; 2x + y)


(c) T : R3 ! R3 tal que T (x; y; z) = (x + y; x

y + 2z; 2x + y

z)

(d) T : P2 ! P2 tal que T (ax2 + bx + c) = ax2 + cx + b


(e) T : M (2; 2) ! M (2; 2) tal que A ! AT

2. Encontre os
2
1
a) A = 4 0
0

autovalores e autovetores correspondentes


2
3
2
3
2 3
1 0 2
6
1 2 5 b) A = 4 1 0 1 5 c) A = 6
4
0 1
1 1 2

das matrizes
2
0
12
0

0
2
0
1

3
1 0
0 1 7
7:
3 0 5
0 0

3. Uma transformao linear T : R2 ! R2 faz uma reexo em relao ao


eixo horizontal, conforme mostrado na gura a seguir.

Essa transformao T
a) dada por T (x; y) = ( x; y):
b) tem autovetor (0; 1) com autovetor associado igual a 2:
c) tem autovetor (2; 0) com autovetor associado igual a 1:
d) tem autovetor de multiplicidade 2:
e) no inversvel.
4. Construa uma matriz 2x2 no diagonal com autovalores 1 e

1 :

5. Encontre a transformao linear T : R2 ! R2 ; tal que T tenha autovalores


2 e 3 associados aos autovetores (3y; y) e ( 2y; y) respectivamente.
144

6. Que vetores no nulos do plano, quando cisalhados por C(x; y) = (y


3x; y) e em seguida girados de 45o (no sentido anti-horrio) cam ampliados / reduzidos (na mesma direo) ? Em quantas vezes ?
7. Determine os autovalores e autovetores, se existirem, do operador linear
T : R3 ! R3 obtido quando se faz uma rotao de rad em torno do eixo
x; seguida de uma contrao de 21 :
8. Seja T : <2 ! <2 um operador linear que dobra o comprimento do vetor
(1; 3) e triplica e muda o sentido do vetor (3; 1):
(a) Determine T (x; y)
(b) Calcule T (0; 2)
(c) Qual a matriz do operador T na base f(2; 1); (1; 2)g
9. Seja T : M (2; 2) ! M (2; 2) com autovetores v1 =
v3 =
3

1
1

= 2;

1
0

0
0
e v4 =
0
1
4

0
associados aos autovalores
1
a b
= 0; respectivamente. Determine T
c d

0
0
; v2 =
0
0
1

= 1;

1
,
0
1;

10. Dada a transformao linear T : <2 ! <2 que a projeo sobre a reta
y = x2 . Encontre os autovalores e autovetores da transformao T:
11. Considere P1 = conjunto dos polinmios de grau

1.

Seja o operador linear D : P1 ! P1 dado por D(p) = x:p0 + p0 .Determine


os autovalores e autovetores de D:
12. Seja A uma matriz quadrada e AT sua transposta. As matrizes A e AT
possuem os mesmos autovalores e autovetores? Justique sua resposta.
13. Encontre os autovalores e autovetores da transformao linear que a cada
vetor v 2 R3 associa a sua projeo ortogonal no plano x + y = 0:
14. Seja T : V ! V linear
(a) Se

= 0 autovalor de T , mostre que T no injetora.

(b) A recproca verdadeira? Ou seja, se T no injetora,


autovalor de T ?

= 0

(c) Quais so os autovalores e autovetores do operador derivao D :


P2 ! P2 ; D(p) = p0 :
15. Sejam A; B 2 M (n; n) matrizes triangulares com a mesma diagonal principal. Existe alguma relao entre seus autovalores? Qual?
16. Mostre que o conjunto de todos os autovetores de um operador linear
T : V ! V associados a um autovalor um subespao vetorial de V:
145

17. Discuta a veracidade da armao: Se no um autovalor de A, ento


o sistema linear (A
I)v = 0 s tem a soluo trivial.
1 2
semelhante matriz B =
3 2
mine uma matriz P que realiza esta semelhana.

18. A matriz A =

4
0

0
1

: Deter-

19. Verique se as matrizes dadas so semelhantes


(a)

1
1

1
2
e
4
1

1
3

(b)

3
6

1
e
2

1
1

2
0

20. Sejam A e B matrizes n n: Mostre que se B semelhante a A, ento


as duas matrizes tem o mesmo polinmio caracterstico e, portanto, os
mesmos autovalores.
21. Se B = R 1 AR e !
v um autovetor de B associado a um autovalor
ento R!
v autovetor de A associado a :
22. Sejam A e B matrizes semelhantes. Prove que:
(a) A
k

I eB

I so semelhantes.

(b) A e B so semelhantes, para cada inteiro positivo k:


(c) Se A e B so inversveis, ento A

eB

so semelhantes.

23. Seja T o operador linear em R3 denido por T (x; y; z) = (2y+z; x 4y; 3x)
e considere a base usual do R3 e a base = f(1; 1; 1); (1; 1; 0); (1; 0; 0)g:
(a) Mostre que as matrizes [T ] e [T ] so semelhantes.
(b) T inversvel? Se for determine a lei que dene T

24. Sejam T : V ! V um operador linear e e bases distintas de V: Mostre


que se [T ] e [T ] so matrizes semelhantes ento det [T ] = det [T ] :
25. Seja T : R2 ! R2 o operador linear denido por T (x; y) = (7x
y)

4y; 4x +

(a) Determinar uma base do R2 em relao qual a matriz do operador


T diagonal.
(b) Dar a matriz de T nessa base.
26. Considere uma transformao linear T : V ! V abaixo. Se possvel,
encontre uma base para V tal que a matriz [T ] de T; em relao base
; seja diagonal.
146

(a) T : P2 ! P2 denida por T (a + bx) = (4a + 2b) + (a + 3b)x:

(b) T : P2 ! P2 denida por T (p(x)) = p(x + 1):

27. Vericar se a matriz A diagonalizvel. Caso seja, determinar uma matriz


P que diagonaliza A e calcular P 1 AP:
(a) A =

5
1
2

1
(b) A = 4 1
0
2
2
60
(c) A = 6
40
0

1
3

3
2 1
3 15
2 2

1
2
0
0

0
1
3
0

3
1
17
7
25
3

0
2 k
28. Determine o valor de k para que a matriz A = @0 2
0 0
lizvel.

1
0
1A seja diagona3

29. Determine a de modo que a matriz A seja diagonalizvel. Para o valor de


a encontrado, determine uma matriz inversvel P e uma matriz diagonal
D tais que P 1 AP = D:
3
2
3
2 4
1
60 1 a 0 7
7
A=6
40 0 3 4 5
0 0 0 2
30. Encontre os autovalores de A9 se
2
1 3
6 0 1
2
A=6
4 0 0
0 0
31. Calcule A10 para A =

0
2

7
3
0
0

3
11
8 7
7
4 5
2

1
:
1

32. Seja T um operador linear que preserva o comprimento do vetor v1 =


(1; 0; 0); duplica o comprimento do vetor v2 = (0; 2; 0) e inverte o sentido
do vetor v3 = (0; 2; 1): Determine o operador linear T 20 :
33. Seja T : V ! V o operador linear que tem autovalores 1 = 1; 2 =
2;
; n = n associados aos autovetores v1 ; v2 ;
; vn respectivamente.

147

Sabendo que

= fv1 ; v2 ;

6
6
; vn g e que [v] = 6
4

1
2
..
.
n

7
7
7 ; determinar [T (v)] :
5

34. Seja A uma matriz inversvel. Prove que, se A diagonalizvel, A


tambm .

35. Seja A uma matriz 4 4 e seja um autovalor de multiplicidade 3: Se


A
I tem posto 1; A diagonalizvel ? Explique.
36. Classique cada armao como verdadeira ou falsa. Justique cada resposta.
(a) Se A diagonalizvel, ento A tem n autovalores distintos.
(b) Se A inversvel ento A diagonalizvel.
(c) Uma matriz quadrada com vetores-coluna linearmente independentes
diagonalizvel.
(d) Se A diagonalizvel, ento cada um de seus autovalores tem multiplicidade 1:
(e) Se nenhum dos autovalores de A nulo, ento det A 6= 0:

(f) Se u e v so autovetores de A associados, respectivamente, aos autovaloes distintos 1 e 2 ; ento u + v um autovetor de A associado
ao autovalor 1 + 2 :

(g) Se v autovetor dos operadores T : V ! V e S : V ! V ento v


autovetor do operador T + S:

ALGUMAS RESPOSTAS
12. Para calcular os autovalores de A; basta determinar as razes do polinmio
p( ) = det(A
I):Para calcular os autovalores de AT ; basta determinar
as razes do polinmio p( ) = det(AT
I): Portanto basta vericar que
det(AT
I) = det(A
I):

148

Captulo 6

PRODUTO INTERNO
Estamos interessados neste captulo em formalizar os conceitos de comprimento
de um vetor e de ngulo entre dois vetores. Esses conceitos permitiro uma
melhor compreenso do que seja uma base ortogonal e uma base ortonormal em
um espao vetorial e, principalmente, nos daro a noo de "medida"que nos
leva a precisar conceitos como o de rea, volume, distncia, etc...
Consideremos inicialmente o plano R2 , munido de um referencial cartesiano
ortogonal (eixos perpendiculares) e um ponto P (x; y). Vamos calcular a distncia do ponto P origem O(0; 0).

Observando a gura e utilizando


o teorema de
p
pitgoras, temos que d = x2 + y 2 : Podemos
tambm, interpretar este resultado dizendo que
o comprimento(que passaremos a chamar de
norma) do vetor (x; y) p

k(x; y)k = x2 + y 2 :

Por outro lado, se tivermos dois vetores u = (x1 ; y1 ) e v = (x2 ; y2 ), podemos


denir um "produto"de u por v assim:
hu; vi = x1 x2 + y1 y2 ;
produto este chamado de produto escalar ou produto interno usual e que
tem uma relao importante com a norma de um vetor v = (x; y) :
p
p
p
kvk = x2 + y 2 = x:x + y:y = hv; vi:

Se, ao invs de trabalharmos no R2 , estivssemos trabalhando no R3 (munidos de um referencial cartesiano ortogonal), teramos encontrado uma expresso similar para o produto escalar:

149

h(x1 ; y1 ; z1 ); (x2 ; y2 ; z2 )i = x1 x2 + y1 y2 + z1 z2
e a mesma relao com a norma de um vetor v = (x; y; z)
p
p
kvk = x2 + y 2 + z 2 = hv; vi

Voltando ao caso do plano, se tivssemos trabalhando com um referencial


no ortogonal (eixos no perpendiculares), e quisssemos calcular a distncia
da origem at um ponto P (cujas coordenadas em relao ao referencial fossem
(x; y) ), teramos, usando o teorema de Pitgoras,
d = k(x; y)k =

p
p
(x + y cos )2 + (y sin )2 = x2 + (2 cos )xy + y 2

Observe, que se usssemos o produto escalar


p h(x1 ; y1 ); (x2 ; y2 )i = x1 x2 +y1 y2 ;
neste caso no haveria a relao kvk =
hv; vi;mas ela passaria a valer se
usssemos a seguinte regra para o produto:
h(x1 ; y1 ); (x2 ; y2 )i = x1 x2 + (cos )x1 y2 + (cos )x2 y1 + y1 y2 ; pois
hv; vi = h(x; y); (x; y)i = x2 + (cos )xy + (cos )yx + y 2 = kvk2
Portanto, novamente a noo de distncia poderia ser dada a partir de um
produto interno de vetores.
Conclumos destes exemplos, que o processo usado para se determinar "medidas"num espao pode variar e, em cada caso, precisamos ser bem claros sobre
qual produto interno estamos trabalhando.
Denio 225 Seja V um espao vetorial real. Um produto interno sobre V
uma funo f : V V ! R que a cada par de vetores u e v, associa um nmero
real, denotado por hu; vi , e que satisfaz as seguintes propriedades:
a. hv; vi > 0 e hv; vi = 0 , v = 0
b. hu; vi = hv; ui
c. hu + v; wi = hu; wi + hv; wi
150

d. hku; vi = k hu; vi ; 8 k 2 R
Exemplo 226 V = R2 ; f ((x1 ; y1 ); (x2 ; y2 )) = 2x1 x2 + 5y1 y2 um produto
interno sobre o R2 :
Para mostrar a veracidade da armao devemos provar as propriedades
da denio de produto Interno. Sejam, ento, u = (x1 ; y1 ); v = (x2 ; y2 ) e
w = (x3 ; y3 ) e k 2 R :
a. hu; ui = h(x1 ; y1 ); (x2 ; y2 )i = 2x21 + 5y12 > 0 e hu; ui = 0 ) 2x21 + 5y12 = 0 ,
x1 = 0 ou y1 = 0 , u = (0; 0):
b. hu; vi = h(x1 ; y1 ); (x2 ; y2 )i = 2x1 x2 + 5y1 y2 = 2x2 x1 + 5y2 y1 = hv; ui
c. hu + v; wi = h(x1 + x2 ; y1 + y2 ); (x3 ; y3 )i = 2(x1 + x2 )x3 + 5(y1 + y2 )y3
= (2x1 x3 + 5y1 y3 ) + (2x2 x3 + 5y2 y3 )
= hu; wi + hv; wi
d. hku; vi = h(kx1 ; ky1 ); (x2 ; y2 )i = 2kx1 x2 + 5ky1 y2 = k(2x1 x2 + 5y1 y2 ) =
k hu; vi
Exemplo 227 Verique que hu; vi = 3x1 y1 x1 y2
(x1 ; x2 ); v = (y1 ; y2 ) um produto interno em R2 :

x2 y1 + x2 y2 onde u =

Para mostrar a veracidade da armao devemos provar as propriedades


da denio de produto Interno. Sejam, ento, u = (x1 ; x2 ); v = (y1 ; y2 ) e
w = (z1 ; z2 ) e k 2 R :
a. hu; ui = h(x1 ; x2 ); (x1 ; x2 )i = 3x21 2x1 x2 +x22 = 2x21 + x21 2x1 x2 + x22 =
2
2x21 + (x1 x2 ) > 0 . Ento hu; ui = 0 se e somente se x1 = 0; x2 = 0;
isto , u = (0; 0):
b. hu; vi = h(x1 ; x2 ); (y1 ; y2 )i = 3x1 y1
y1 x2 + y2 x2 = hv; ui

x1 y2

x2 y1 + x2 y2 = 3y1 x1

c. hu + v; wi = h(x1 + y1 ; x2 + y2 ); (z1 ; z2 )i = 3(x1 + y1 )z1


y2 )z1 + (x2 + y2 )z2
= (3x1 z1

x1 z2

x2 z1 + x2 z2 ) + (3y1 z1

y 1 z2

(x1 + y1 )z2

y2 x1
(x2 +

y 2 z1 + y 2 z 2 )

= hu; wi + hv; wi
d. hku; vi = h(kx1 ; kx2 ); (y1 ; y2 )i = 3kx1 y1
= k(3x1 y1

x1 y2

kx1 y2

kx2 y1 + kx2 y2

x2 y1 + x2 y2 ) = k hu; vi

Exerccio 228 Verique que hu; vi = x1 x2 + y12 y22 onde u = (x1 ; y1 ) e v =


(x2 ; y2 ); no dene um produto interno no R2 :

151

Observe que a terceira propriedade da denio de Produto Interno falha,


vejamos:
Sejam, ento, u = (x1 ; y1 ); v = (x2 ; y2 ) e w = (x3 ; y3 ):
hu + v; wi = (x1 + x2 )x3 + (y1 + y2 )2 y32 = x1 x3 + y12 y32 + x2 x3 + y22 y32 +
2y1 y2 y32 = hu; wi + hv; wi + 2y1 y2 y32
Portanto, hu + v; wi =
6 hu; wi + hv; wi :
Exemplo 229 Em Rn , o produto interno usual (ou escalar) denido por:
h(x1 ; x2 ; :::; xn ); (y1 ; y2 ; :::; yn )i = x1 y1 + x2 y2 + ::: + xn yn :

Nota: Quando no h referncia sobre o produto interno denido num espao vetorial V , entendemos que sobre ele ca denido o produto interno usual.
Exemplo 230 Seja V = P2 ; p = a0 + a1 x + a2 x2 e q = b0 + b1 x + b2 x2 vetores
quaisquer de P2 : A frmula
hp; qi = a0 b0 + a1 b1 + a2 b2

dene um produto interno em P2 :


Note que
hp; qi = a1 b1 + a2 b2

no dene, sobre V; um produto interno, pois falha a propriedade a) da


denio de produto intermo. Veja que existem polinmios p 2 V tais que
hp; pi = 0; sem que p = 0: Por exemplo, p = 2 + 0x + 0x2 :
Exemplo 231 Seja V o espao da funes contnuas no intervalo [a; b]: Se f e
g pertencem a V , ento

hf; gi =

f (x)g(x)dx

dene sobre V um produto interno.


Como exerccio, mostre que as quatro propriedades do produto interno so
vlidas para este caso.
Exemplo 232 Se A e B so duas matrizes quaisquer de V = M2 ento, denimos
hA; Bi = tr AT B
(6.1)
onde tr o trao de uma matriz quadrada denido por
tr(A) =

n
X

aii

i=1

Exemplo 233 Considere as matrizes A =


hA; Bi = tr AT B = tr

1
3

2
4

1
3
152

0
2

1
3

2
4

= tr

e B =
8
10

6
8

1
3

0
: Ento,
2

= 16:

6.1

Normas, Distncias e ngulos em Espaos


com Produto Interno

Denio 234 Se V um espao com produto interno, ento a norma (ou


comprimento) de um vetor v 2 V dada por
p
kvk = hv; vi
A distncia entre dois pontos (vetores) u e v dada por
d(u; v) = ku

vk

Denio 235 Se kvk = 1, isto , hv; vi = 1, dizemos que o vetor v est


normalizado, o que signica que seu comprimento igual a 1 unidade.
Denio 236 Todo vetor no-nulo v 2 V pode ser normalizado, fazendo:
v
u=
:
kvk
Exemplo 237 Considerando v = (1; 2; 3) e no havendo referncia a algum
produto interno em R3 ; temos:

kvk = k(1; 2; 3)k =

h(1; 2; 3); (1; 2; 3)i =

1+4+9=

14;

ou seja, o comprimento de v; em relao ao produto interno usual,


unidades.

14

Exemplo 238 A norma do vetor v = (3; 1) em relao ao produto interno


denido no exemplo 226, :
p
p
p
k(3; 1)k = h(3; 1); (3; 1)i = 2:3:3 + 5:( 1):( 1) = 23;
e, em relaopao produto interno
p usual :
k(3; 1)k = 32 + ( 1)2 = 10

Para normalizar o vetor (3; 1); em relao ao primeiro produto (exemplo


226), fazemos
p
p
v
1)
p
u=
= (3;
= 3 2323 ; 2323
23
kvk
Verique que o comprimento de u 1:
Observao 239 a) Se v 2 R2 ; ento o conjunto dos pontos que satisfazem
kvk = 1 pertencem a um crculo de raio 1 centrado na origem.
b) Se v 2 R3 ; ento o conjunto dos pontos que satisfazem kvk = 1 pertencem
a uma esfera de raio 1 centrada na origem.
Teorema 240 (Desigualdade de Cauchy-Schwarz) Se u e v so vetores de um
espao com produto interno real, ento
jhu; vij

kuk kvk
153

ngulo entre dois vetores: Da desigualdade de Cauchy-Schwarz, tem-se


jhu; vij

kuk kvk :

Elevando ao quadrado ambos os lados


2

jhu; vij

kuk kvk

Agora, dividindo ambos os lados por kuk kvk ; obtm-se


2

hu; vi
kuk kvk

ou, equivalentemente,
hu; vi
kuk kvk

1
Como 0

; ento

cos

cos =

6.2

1:

1; da,

hu; vi
e0
kuk kvk

Ortogonalidade

Denio 241 Seja V um espao com produto interno. Os vetores u, v 2 V


dizem-se mutuamente ortogonais, e u ortogonal a v; se hu; vi = 0:
Note que u e v so ortogonais se e somente se cos = 0; onde o ngulo
entre u e v; e isto verdade se e somente se u e v so "perpendiculares", isto ,
= 90 :
Observao 242 A ortogonalidade depende do produto interno, isto , dois
vetores podem ser ortogonais em relao a um produto interno mas no em
relao a outro.
Exemplo 243 As matrizes A =

0
1

1
3
eB=
1
0

hA; Bi = tr(AT B) = tr
Exemplo 244 Seja hp; qi =
2

R1

x e q = x ento x ; x
q = x3 so ortogonais em P2 :

0
0

3
0

0
so ortogonais, pois
0
=0

p(x)q(x)dx um produto interno em P2 : Se p =


R1 5
=
x dx = 0: Portanto, os vetores p = x2 e
1
1

154

6.2.1

Conjunto Ortogonal de Vetores

Seja V um espao vetorial com produto interno denido.


Diz-se que um conjunto de vetores fv1 ; v2 ; : : : ; vn g V ortogonal se dois
vetores quaisquer, distintos, so ortogonais, isto , hvi ; vj i = 0 para i 6= j:
Teorema 245 Se A = fv1 ; v2 ; : : : ; vn g um conjunto ortogonal de vetores nonulos de um espao com produto interno, ento A linearmente independente.
Proof. Temos que mostrar que a equao
a1 v1 + a2 v2 + : : : + an vn = 0
tem apenas a soluo nula.
Para isso, faamos o produto interno de ambos os membros da igualdade por
vi :
ha1 v1 + a2 v2 + : : : + an vn ; vi i = h0; vi i
a1 hv1 ; vi i + a2 hv2 ; vi i + : : : + an hvn ; vi i = 0
Como A ortogonal, hvi ; vj i = 0 para i 6= j e hvi ; vi i 6= 0; pois vi 6= 0: Da,
resulta a equao
ai hvi ; vi i = 0 ) ai = 0 para i = 1; 2; : : : ; n:
Logo, A = fv1 ; v2 ; : : : ; vn g LI.

6.2.2

Base ortogonal

Diz-se que uma base fv1 ; v2 ; : : : ; vn g de V ortogonal se os seus vetores so dois


a dois ortogonais.
Observao 246 Se dim V = n, qualquer conjunto de n vetores no-nulos e
dois a dois ortogonais, constitui uma base ortogonal para V:
Exerccio 247 Mostre que o conjunto f(2; 1; 3); ( 3; 0; 2); (2; 13; 3)g uma
base ortogonal para o R3 :

6.2.3

Base ortonormal

Uma base = fv1 ; v2 ; : : : ; vn g de um espao vetorial V ortonormal se


ortogonal e todos os seus vetores tem norma 1; isto ,
hvi ; vj i =

0; i 6= j
1; i = j

Exerccio 248 A partir do conjunto f(1; 2; 3); (3; 0; 1); (1; 5; 3)g obtenha
uma base ortonormal para o R3 :
155

6.2.4

Coordenadas em relao a Bases Ortonormais

Teorema 249 Se
= fv1 ; v2 ; : : : ; vn g uma base ortonormal de um espao
com produto interno V e v 2 V; ento
v = hv; v1 i v1 + hv; v2 i v2 + : : : + hv; vn i vn
Proof. Como
escrever

= fv1 ; v2 ; : : : ; vn g uma base, ento 8 v 2 V podemos


v = a1 v1 + a2 v2 + : : : + an vn

Temos que mostrar que hv; vi i = ai para i = 1; 2; : : : ; n:


Na equao acima , aplicando o produto interno em ambos os lados com vi :
hv; vi i = a1 hv1 ; vi i + a2 hv2 ; vi i + : : : + an hvn ; vi i
Como fv1 ; v2 ; : : : ; vn g base ortonormal,
2
3hvi ; vj i = 0 para i 6= j e hvi ; vi i = 1:
hv1 ; vi
6 hv2 ; vi 7
7
6
Logo hv; vi i = ai e portanto, [v] = 6 . 7 o vetor de coordenadas de v em
4 .. 5
hvn ; vi
relao a base :
Exemplo 250 Encontre as coordenadas do vetor v = (1; 1; 1) em relao base
3
3
4
4
:
= (0; 1; 0) ;
5 ; 0; 5 ; 5 ; 0; 5
Note que
uma base ortonormal (mostre!), portanto podemos usar o
teorema 249 para encontrar [v] :

(1; 1; 1)

= h(1; 1; 1); (0; 1; 0)i (0; 1; 0) + (1; 1; 1);


+ (1; 1; 1);

(1; 1; 1)
[v]

(0; 1; 0)
2 3
1
= 4 51 5

1
5

4
3
; 0;
5
5
4
3
; 0;
5
5

3
4
; 0;
5
5

3
4
; 0;
5
5

4
3
; 0;
5
5
7 3
4
+
; 0;
5 5
5

7
5

6.2.5

Coordenadas em relao a Bases Ortogonais

Se
= fv1 ; v2 ; : : : ; vn g base ortogonal de um espao com produto interno
V;ento a normalizao de cada um desses vetores produz a base ortonormal
0
v1
v2
vn
=
;
;:::;
.
kv1 k kv2 k
kvn k
156

Assim, se v 2 V , segue do teorema 249 que


v=

v;

ou,

v1
kv1 k

v1
v2
+ v;
kv1 k
kv2 k

u=

hv; v1 i
2

kv1 k

v1 +

v2
vn
+ : : : + v;
kv2 k
kvn k

hv; v2 i
2

kv2 k

v2 + : : : +

hv; vn i
2

kvn k

vn
kvn k

vn

Exerccio 251 Expresse o vetor 13; 21 ; 4; 32 como combinao linear dos vetores v1 = (1; 2; 3; 4) ; v2 = (2; 1; 4; 3) ; v3 = ( 3; 4; 1; 2) e v4 = (4; 3; 2; 1):

6.3

Complementos Ortogonais

Seja W um subespao de um espao vetorial V com produto interno. Se um


vetor v 2 V ortogonal a todos os vetores de W ento dizemos que v ortogonal
a W:
O conjunto de todos os vetores de V que so ortogonais a W chamado de
complemento ortogonal de W:
Notao: O complemento ortogonal de W denotado por W ? .
Exemplo 252 Seja V = R4 e W um subespao do R4 : Seja
uma base para W: Encontre uma base para W ? :

= f(1; 1; 0; 1); (0; 1; 1; 1)g

Seja v = (x; y; z; t) 2 W ? ; ento


h(x; y; z; t); (1; 1; 0; 1)i = 0
h(x; y; z; t); (0; 1; 1; 1)i = 0
Da,
x+y+z+t=0
)
y+z+t=0

x = z + 2t
y =z+t

Logo, v = ( z 2t; z + t; z; t) = z( 1; 1; 1; 0) + t( 2; 1; 0; 1):


Como v 2 W ? ; segue que W ? = [( 1; 1; 1; 0); ( 2; 1; 0; 1)] e como este conjunto LI (pois os vetores no so mltiplos), tem-se que = f( 1; 1; 1; 0); ( 2; 1; 0; 1)g
uma base para W ? :
Propriedades
Se W um subespao de um espao com produto interno V; ento:
a. W ? um subespao de V:
n!o
b. W \ W ? = 0 :
c. W ?

= W:

Exerccio 253 Faa como exerccio a demonstrao das trs propriedades do


complemento ortogonal.
157

6.4

Projees Ortogonais

Vamos agora desenvolver alguns resultados que sero teis para construir bases
ortogonais e ortonormais de espaos com produto interno.
geometricamente evidente em R2 e R3 que se W uma reta ou um plano
pela origem, ento cada vetor u do espao pode ser escrito como uma soma
u = w1 + w2
onde w1 est em W e w2 perpendicular a W:

u
O

w2
W

w1

w2

w1

Teorema 254 (Teorema da Decomposio Ortogonal) Se W um subespao


de um espao com produto interno V , ento todo u 2 V pode ser expresso por
u = w1 + w2
tal que w1 2 W e w2 2 W ? :
O vetor w1 do teorema precedente chamado projeo ortogonal de u
u
em W e denotado por projW
: O vetor w2 chamado componente de u
u
ortogonal a W e denotada por projW
? : Da, podemos escrever
u
u
u = projW
+ projW
?:

Teorema 255 Seja V um espao vetorial com produto interno denido e seja
W um subespao de V:
a. Se

= fv1 ; v2 ; : : : ; vn g uma base ortonormal de W e u 2 V; ento


u
projW
= hu; v1 i v1 + hu; v2 i v2 + : : : + hu; vn i vn

b. Se

= fv1 ; v2 ; : : : ; vn g uma base ortogonal de W e v 2 V; ento


u
projW
=

hu; v1 i
2

kv1 k

v1 +

hu; v2 i
kv2 k

v2 + : : : +

Exemplo 256 Seja V = R3 e W = (0; 1; 0);


u
u
Obtenha projW
e projW
? para u = (1; 1; 1):

158

4
3
5 ; 0; 5

hu; vn i
2

kvn k

vn

um subespao de V:

Note que

= (0; 1; 0);
u
projW

4
3
5 ; 0; 5

base ortonormal para W:Ento:

= hu; v1 i v1 + hu; v2 i v2
4
3
1
; 0;
= 1(0; 1; 0)
5
5
5
4
3
=
; 1;
25
25

O componente de u que ortogonal a W


u
projW
? = u

6.5

u
projW
= (1; 1; 1)

3
25

4
; 1;
25

21
28
; 0;
25
25

Encontrando Bases Ortogonais e Ortonormais: Processo de Ortogonalizao de GramSchmidt

Seja V um espao vetorial com produto interno denido e = fu1 ; u2 ; : : : ; un g


uma base de V . Atravs do processo que descreveremos abaixo, obteremos uma
0
base ortogonal
= fv1 ; v2 ; : : : ; vn g para V:
Passo 1. Fixe v1 = u1 :
Passo 2. Obter v2 de forma que v2 seja ortogonal a v1 tomando a componente
de u2 que ortogonal a W1 = [v1 ]

v2 = u2

hu2 ; v1 i

u2
projW
= u2
1

kv1 k

v1

v 2 = u 2 proj u2 W1

u2
W1

v1

proj u2 W1

Passo 3. Obter v3 de forma que seja ortogonal a ambos v1 e v2 ; tomando a


componente de u3 que ortogonal a W2 = [v1 ; v2 ]

v3 = u3

u3
projW
= u3
2

159

hu3 ; v1 i
2

kv1 k

v1

hu3; v2 i
kv2 k

v2

v3 = u 3 projW2

u3

u3
v2
y

v1

projW2

u3

Procedendo desta forma, iremos obter, depois de n passos, a base ortogonal


0
= fv1 ; v2 ; : : : ; vn g: Feito isso, para obter uma base ortonormal de vetores
para V; = fq1 ; q2 ; : : : ; qn g; basta normalizar os vetores v1 ; v2 ; : : : ; vn :
Exemplo 257 Aplique o processo de Gram-Schmidt para transformar os vetores de base u1 = (1; 0; 1; 0); u2 = (0; 1; 1; 0) e u3 = (0; 0; 2; 1) em uma base
ortonormal para um subespao W do R4 :
Note que:
hu1 ; u2 i =
hu1 ; u3 i =
hu2 ; u3 i =

1
2
2

Logo os vetores acima no formam uma base ortogonal, portanto temos que
usar o processo de Gram-Schmidt para transformar em uma base ortogonal e em
seguida, normalizar estes vetores, obtendo assim a base ortonormal procurada.
Passo 1. Fixe v1 = u1 = (1; 0; 1; 0)
Passo 2. v2 = u2
1
; 1;
2

u2
projW
= u2
1

1
;0
2

Passo 3. v3 = u3

u3
projW
= u3
2

= (0; 0; 2; 1) + (1; 0; 1; 0) +

2
3

hu2 ; v1 i

v1 = (0; 1; 1; 0)

hu3 ; v1 i

hu3 ; v2 i

kv1 k

kv1 k

1
; 1;
2

v1

1
;0
2

kv2 k

1
2 (1; 0;

1; 0) =

v2 =

2 2 2
; ; ;1
3 3 3

1
1
2 2 2
; 1;
;0 ;
; ; ;1
base ortogonal
2
2
3 3 3
para R4 : Normalizemos estes vetores para obter a base ortonormal = fq1 ; q2 ; q3 g :
Logo,

(1; 0; 1; 0);

160

v1
(1; 0; 1; 0)
1
1
p
=
= p ; 0; p ; 0
kv1 k
2
2
!
p
p2 p
p
v2
2
1
1
6
6
6
q2 =
=p
; 1;
;0 =
;
;
;0
kv2 k
2
2
6
3
6
3
v3
2 2 2
2
2
3
3
2
q3 =
=p
; ; ;1 = p ; p ; p ; p
kv3 k
22 3 3 3
22
22
22
22
q1 =

6.6

Fatorao QR

Se A uma matriz m n (m > n) com colunas linearmente independentes,


aplicar o Processo de Gram-Schmidt a essas colunas implica uma fatorao
muito til da matriz A em um produto de uma matriz Q; m n (m > n);
com vetores-coluna ortonormais, por uma matriz triangular superior R: Essa
a fatorao QR:
Nos ltimos anos a fatorao QR tem assumido importncia crescente como
fundamento matemtico de uma grande variedade de algoritmos numricos
prticos, incluindo algoritmos largamente usados para computar autovalores
de matrizes grandes.
Para ver como surge a fatorao QR; considere u1 ; u2 ; : : : ; un como os vetorescoluna de A e q1 ; q2 ; : : : ; qn como os vetores ortonormais obtidos pela aplicao
do Processo de Gram-Schmidt matriz A com normalizaes; assim,
A = [u1 j u2 j : : : j un ] e Q = [q1 j q2 j : : : j qn ]
Os vetores u1 ; u2 ; : : : ; un podem ser escitos em termos dos vetores q1 ; q2 ; : : : ; qn
como
u1
u2

un

= hu1 ; q1 i q1 + hu1 ; q2 i q2 + : : : + hu1 ; qn i qn


= hu2 ; q1 i q1 + hu2 ; q2 i q2 + : : : + hu2 ; qn i qn
..
.
= hun ; q1 i q1 + hun ; q2 i q2 + : : : + hun ; qn i qn

Na forma matricial, tem-se:

hu1 ; q1 i
6 hu1 ; q2 i
6
[u1 j u2 j : : : j un ] = [q1 j q2 j : : : j qn ] 6
..
4
.

ou, mais concisamente, por

hu1 ; qn i

hu2 ; q1 i
hu2 ; q2 i
..
.

:::
:::
..
.

3
hun ; q1 i
hun ; q2 i 7
7
7
..
5
.

hu2 ; qn i : : : hun ; qn i

A = QR
No entanto, uma propriedade de processo de Gram-Schmidt que, para
j > 2; o vetor qj ortogonal a u1 ; u2 ; : : : ; uj 1 ; assim, todas as entradas abaixo
da diagonal principal de R so nulas,

161

3
2
hu1 ; q1 i hu2 ; q1 i : : : hun ; q1 i
6 0
hu2 ; q2 i : : : hun ; q2 i 7
6
7
R=6
7
..
..
..
..
4
5
.
.
.
.
0
0
: : : hun ; qn i

Resumindo, temos o seguinte teorema:

Teorema 258 Se A uma matriz m n (m > n) com colunas linearmente


independentes, ento A pode ser fatorada como
A = QR
onde Q uma matriz m n com colunas ortonormais e R uma matriz n n
triangular superior invertvel.
3
2
1 2 2
6 1 1 27
7
Exemplo 259 Encontre a decomposio QR de A = 6
4 1 0 15 :
1 1 2
2 3
2 3
2 3
2
2
1
627
617
6 17
6 7
7
6 7
Os vetores coluna de A so u1 = 6
4 15 ; u2 = 405 e u3 = 415 :
2
1
1
O processo de Gram-Schmidt com normalizao subsequente aplicado
2 3p5 3a estes
2 1 3
10
2
6 3p5 7
6 17
6
2
10 7
7
p
vetores-coluna produz os vetores ortonormais q1 = 6
7 ; q3 =
4 1 5 ; q2 = 6
4 105 5
2

6
6

6 0 7
6 p 7
6 6 7
4 p6 5
6
3

1
6 1
6
de modo que 4
1
1

6.6.1

1
2

3 2
2 2
6
1 27
7=6
6
0 15 4
1 2

1
2
1
2
1
2
1
2

p
3 5
10
p
3 5
10
p
5
10
p
5
10
Q

5
10

3
2
7 2 p1
0 76
p 740
5
6 5
p6
0 0
6
p

6
6

1
2
p

3 57
p2 5
6
2

Aplicao da fatorao QR

Se A uma matriz m n de posto n; ento a soluo para o sistema linear


AX = B obtida da seguinte forma:

162

A equao AX = B pode ser escrita na forma


QRX = B
Multiplicando ambos os lados ( esquerda) da equao por QT ; obtemos
QT QRX = QT B
Como Q ortogonal, QT Q = I; ento
RX = QT B
Como R inversvel, tem-se
1

QT B
32 3 2
2 2 x
6 7 6
1 27
7 6y 7 = 6
0 15 4 z 5 4
t
1 2

X=R
2
1
6 1
Exemplo 260 Resolva o sistema 6
4 1
1

3
1
17
7
15
2

Como a matriz dos coecientes a mesma do exemplo anterior, diretamente


temos que:
32 3
p
p 32 1
21
1
1
1
1
1
1
5
6
2
p
p2
p2
p2
2
10
6 p
7
6
p
1
6
7
5
5 6
1
1
7
5 3 5 3 5
X = R 1 QT B = 4 0
10
10
10 5 4 1 5 =
5 5
2p 6 4 10
p
p
p
1
6
6
6
0
0
0
3 6
6
6
3
2
2 23 3
4

15
9 5
10
2
3

6.7

Stima lista de exerccios:

1. Sejam !
u = (x1 ; x2 ) e !
v = (y1 ; y2 ): Mostre que temos um produto interno
2
em R nos seguintes casos:
(a) h!
u;!
v i = 3x1 y1 + x2 y2
!
!
(b) h u ; v i = 4x1 y1 + x2 y1 + x1 y2 + 4x2 y2
(c) h!
u;!
vi=x y
2x y
2x y + 5x y
1 1

2 1

1 2

2 2

2. Sejam !
u = (x1 ; y1 ; z1 ) e !
v = (x2 ; y2 ; z2 ): Identique os casos em que
temos um produto interno no R3 . Nos casos que falham, identique as
propriedades que no vericam.
(a) h!
u;!
v i = x1 x2 + z1 z2
!
!
(b) h u ; v i = x1 x2 y1 y2 + z1 z2
(c) h!
u;!
vi=x y z +y x z
1 2 1

1 2 2

163

3. Sejam !
u = (x1 ; x2 ) e !
v = (y1 ; y2 ): A expresso h!
u;!
v i = x1 y1
2
x2 y1 + 2x2 y2 dene um produto interno em R ?

x1 y2

4. No espao de todos os polinmios de grau menor ou igual a 2, determine


se
hp; qi = p(1)q(1)
um produto interno, e, em caso negativo, indique quais dos axiomas da
denio de produto interno so violados.
5. Utilize os produtos internos do exerccio 1 para calcular:
(a) kuk com u = ( 1; 3)

(b) d(u; v) com v = (3; 5)


R1
6. Em P2 ; considere o produto interno hf; gi = 1 f (x)g(x)dx e os polinmios
f (x) = x2 ; g(x) = 3x: Mostre que f e g so ortogonais e a seguir, determine g um mltiplo de g tal que kgk = 1:
7. Considere V = M (2; 2), com o produto interno usual. Determine a pro1 0
1 1
jeo ortogonal de
sobre
:
0 0
1 1
8. Considere V = P2 ; com
p usual. Qual o menor ngulo
p o produto interno
entre p(t) = 1 t + 2t2 e q(t) = 1 + 2t2 ?
9. Seja V um espao vetorial com produto interno denido, e sejam u; v
vetores
ortogonais de V; tais que kuk = 1 e kvk = 2: Mostre que d(u; v) =
p
5: Interprete este resultado geometricamente quando u; v 2 R2 :
10. Seja V o espao das funes contnuas no intervalo [0; 1]: Dena em V o
seguinte produto interno:
Z 1
hf; gi =
f (x)g(x)dx:
0

a) Calcule kf (x)k quando f (x) = x3

1:

b) Calcule a d(f; g) se f (x) = 1 e g(x) = x:

11. Seja V = R3 : Seja W o subespao do R3 dado pela equao x 2y 3z = 0:


Determine W ? e a distncia entre v = (1; 0; 1) aos subespaos W e W ? :
12. Considere o espao vetorial V = R2 munido do seguinte produto interno:h!
u;!
vi=
!
!
x1 x2 y1 x2 x1 y2 +4y1 y2 ; em que v = (x1 ; y1 ) e u = (x2 ; y2 ) so vetores
do R2 : Considere T : V ! V o operador linear dado por T (x; y) = 2y; x2 :
Com relao ao produto interno dado e ao operador T , assinale a opo
correta.

164

a) Os vetores e1 = (1; 0) e e2 = (0; 1) so ortogonais em relao ao produto interno dado.


b) O operador T preserva o produto interno, isto , hT (!
u ); T (!
v )i =
!
!
hu; v i:
c) T (x; y) = T (y; x);para todo (x; y) 2 R2 .
d) O vetor !
v = (2; 0) pertence ao N (T ):

e) Existe um vetor !
v = (x; y) 2 R2 tal
2
1 2
13. Seja T : R4 ! R3 tal que [T ] = 43 5
1 1

que x2 + y 2 = 1 e h!
v ;!
v i = 0:
3
1 2
0 45 :
2 0

(a) Determine uma base para o complemento ortogonal do N (T ):

(b) Determine uma base para o complemento ortogonal da Im(T ):


3
4
; 0;
: Exprima w = (1; 2; 3) na
5
5
forma w = w1 + w2 ; em que w1 2 W e w2 2 W ? .

14. Seja V = R3 e W = (0; 1; 0);

15. Seja V = R4 e W = [( 1; 0; 1; 2); (0; 1; 0; 1)] : Expresse w = ( 1; 2; 6; 0) na


forma w = w1 + w2 ; em que w1 2 W e w2 2 W ? .
16. Seja V = M (2; 2): determine uma base para o complemento ortogonal do:
(a) subespao das matrizes diagonais
(b) subespao das matrizes simtricas.
17. A transformao T : R2 ! R denida por T (!
v ) = h!
u;!
v i linear? Se
for, determine seu ncleo e sua imagem.
1
2
2
1
p ; 0; p
p ; 0; p
18. Considere a base ortonormal =
;
; (0; 1; 0)
5
5
5
5
para R3 : Encontre [!
v ] para !
v = (2; 3; 1):(No resolva nenhum sistema linear.)
19. Suponha que S consiste dos seguintes vetores em R4 :
u1 = (1; 1; 0; 1); u2 = (1; 2; 1; 3); u3 = (1; 1; 9; 2) e u4 = (16; 13; 1; 3)
(a) Mostre que S ortogonal e uma base de R4 .
(b) Ache as coordenadas do vetor v = (1; 0; 2; 3) em relao base
S:(No resolva nenhum sistema linear.)
20. Qual a base ortonormal do R3 obtida pelo processo de Gram-Schmidt a
partir da base f(2; 6; 3); ( 5; 6; 24); (9; 1; 4)g ?

165

21. Use o processo de Gram-Schmidt para construir uma base ortonormal para
um subespao W de um espao vetorial V; para cada um dos seguintes
casos:
(a) V = R4 tal que W = [(1; 1; 0; 0); (2; 1; 0; 1); (3; 3; 0; 2); (1; 2; 0; 3)]
(b) V = R3 tal que W = f(x; x + y; y); x; y 2 Rg

(c) V
8 = M (3; 1) tal que W o conjunto soluo do sistema homogneo
< x+y z =0
2x + y + 3z = 0
:
x + 2y 6z = 0

22. Seja W um subespao do R3 dado pelas equaes paramtricas x = 2t; y =


5t; z = 4t; t 2 R: Determine W ? : Qual a distncia do vetor !
v =
(1; 0; 1) aos subespaos W e W ? ; respectivamente ?
23. Seja V o espao das funes contnuas no intervalo [0; 1]: Dena em V o
seguinte produto interno:
Z 1
hf; gi =
f (t)g(t)dt:
0

a) Aplique o algoritmo de Gram-Schmidt ao conjunto f1; t; t2 g para obter


um conjunto ortonormal ff0 ; f1 ; f2 g:
b) Achar o complemento ortogonal do subespao W = [5; 1 + t] :

24. Seja V = P3 ; p = a0 + b0 x + c0 x2 + d0 x3 e q = a1 + b1 x + c1 x2 + d1 x3
e hp; qi = a0 a1 + b0 b1 + c0 c1 + d0 d1 um produto interno em P3 : Ache
uma base ortonormal para o subespao W de P3 gerado pelos vetores
!
v 1 = 1 + x + x2 + x3 ; !
v 2 = 1 + x + 2x2 + 4x3 e !
v 3 = 1 + 2x 4x2 3x3 :
25. Seja hu; vi = x1 y1 + 2x2 y2 + 3x3 y3 um produto interno em R3 : Encontre as
coordenadas do vetor v = 32 ; 1; 23 em relao base ortonormal obtida
a partir da base = f(1; 1; 1); (1; 1; 0); (1; 0; 0)g:
a
a
; a 2 R um subespao vetorial de M2 2 : Detera a
mine uma base ortonormal de U ? ; usando o produto interno hA; Bi =
tr(AT B):

26. Seja U =

27. Seja V = P2 ; com produto interno usual.


(a) Determine uma base ortonormal para o subespao W de P2 gerado
por 4t + 3t2 e por 12 + t + 7t2 :
(b) Determine a projeo ortogonal de p(t) = t2 sobre W:
28. Encontre a projeo ortogonal de v = (1; 2; 3) sobre o subespao W gerados pelos vetores u1 = (2; 2; 1) e u2 = ( 1; 1; 4):
166

29. Encontre a decomposio ortogonal de v = (4; 2; 3) em relao a W =


[(1; 2; 1); (1; 1; 1)]:
30. Ache uma matriz ortogonal P cuja primeira linha u1 =
a matriz P no nica.
2
3
1 2 1
60 1 17
7
31. Encontre a fatorao QR da matriz A = 6
4 1 0 1 5:
1 0
1

1 2 2
3; 3; 3

: Obs.:

2
2
32. Utilize a fatorao QR para resolver o sistema AX = B onde A = 41
2
2 3
12
e B = 4 6 5:
18

3
1
15
1

33. Classique cada armao como verdadeira ou falsa:

(a) Todo conjunto linearmente independente em Rn um conjunto ortogonal.


(b) Se A uma matriz quadrada, cujas colunas so ortonormais ento A
inversvel e A 1 = AT :
(c) Se W um subespao de um espao com produto interno V ento o
vetor nulo pertence a W ? :
(d) Qualque matriz com determinante no- nulo tem uma decomposio
QR:
(e) Se !
x ortogonal a ambos !
u e!
v , ento x ortogonal a !
u !
v.
(f) Todo conjunto ortogonal ortonormal.
(g) Todo vetor pode ser normalizado.
34. No assunto Diagonalizao de Operadores, vimos que: "Se A a
matriz cannica de um operador linear T e D a matriz de T na base de
autovetores, temos
D = P 1 AP
onde P a matriz cujas colunas so os autovetores de T . Dizemos que a
matriz P diagonaliza A ou que P a matriz diagonalizadora".
No caso de A ser uma matriz simtrica, e portanto sempre diagonalizvel,
podemos obter uma base ortogonal de autovetores que, aps a normalizao, ser uma base ortonormal. A matriz, acima citada, por ter suas
colunas formadas por vetores ortonormais, uma matriz ortogonal, ou
seja, tal que P 1 = P T . A matriz D, nesse caso, obtida pela relao
D = P T AP
167

e, dizemos que P diagonaliza A ortogonalmente.


Seja T : R3 ! R3 a transformao linear denida por: T (x; y; z) = (2x +
y + z; x + 2y z; x y + 2z):Encontre uma matriz P que diagonalize
ortogonalmente a matriz cannica de T .

168