Documente Academic
Documente Profesional
Documente Cultură
lino.silva@univasf.edu.br
Sumário
1 Espaço Vetorial 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Espaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Exemplos de Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Subespaços Vetoriais 11
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Subespaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Códigos Corretores de Erros (texto em construção...) . . . . . . . . . . . . . . . . 20
3 Combinação Linear 21
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Subespaços Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.6 Dependência e Independência Linear . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.7 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.8 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.9 Sistema de Cores RGB em Computação Gráfica . . . . . . . . . . . . . . . . . . . 30
3.10 Independência Linear e Solução de Equações Diferenciais Ordinárias (EDO) . . . 30
4 Base e Dimensão 31
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 Exercícios resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5 Resultados Importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.6 Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.7 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
ii
Sumário iii
5 Mudança de Base 47
5.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2 Coordenadas de um vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.3 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.4 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6 Transformações Lineares 53
6.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2 Transformação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.3 Exemplos de Transformações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.4 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.5 Determinando uma transformação linear a partir da imagem dos vetores de uma
base do domínio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.6 Exemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.7 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.8 Núcleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.9 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.10 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.11 Transformações Lineares Injetivas e Sobrejetivas . . . . . . . . . . . . . . . . . . . 60
6.12 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.13 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.14 O Teorema do Núcleo e da Imagem. Isomorfismos . . . . . . . . . . . . . . . . . . 62
6.15 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.16 Exercícios Resolvidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.17 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.18 Exercícios Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8 Autovalores e Autovetores 79
8.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8.2 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8.3 Polinômio Caracteristico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
8.4 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8.5 Diagonalização de Operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
8.6 Exercícios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
iv Sumário
1.1 Introdução
Vetores são entes matemáticos que se caracterizam por possuir uma intensidade, uma direção e um
sentido. São utilizados, por exemplo, para representar grandezas físicas, como força e velocidade.
Neste curso de Álgebra Linear, consideraremos como um vetor cada um dos elementos de um
espaço vetorial e denominaremos de escalar qualquer elemento de um corpo 1 K. Neste curso,
iremos considerar K = R (o corpo dos números reais) ou K = C (o corpo dos números complexos).
A seguir apresentaremos a definição de um espaço vetorial e daremos alguns exemplos clássicos.
Para alguns desses exemplos iremos apresentar a prova, de que os mesmos são espaços vetoriais,
já os demais ficarão como exercício para o aluno.
(A1 ) u + v = v + u (comutatividade)
(A2 ) u + (v + w) = (u + v) + w (associatividade)
(A3 ) Existe um vetor θ ∈ V, denominado vetor nulo, tal que u + θ = u. (existência do
elemento neutro)
(A4 ) Dado o vetor u ∈ V, existe o vetor −u ∈ V, denominado vetor oposto, tal que
u + (−u) = θ. (existência do elemento simétrico)
(ME1 ) α × (u + v) = α × u + α × v
1
Corpo é uma estrutura matemática na qual está definida duas operações satisfazendo algumas propriedades
2 1. Espaço Vetorial
(ME2 ) (α + β) × u = α × u + β × u
(ME3 ) (α × β) × u = α(β × u)
(ME4 ) 1 × u = u.
Na definição anterior, quando K = R dizemos que V é um espaço vetorial real. Por outro lado,
se K = C, dizemos que V é um espaço vetorial complexo. Em um espaço vetorial V, o elemento
neutro e o elemento oposto, das propriedades (A3) e (A4), respectivamente, quando existem, são
únicos (ver Exercício 1).
Além disso,
1.3. Exemplos de Espaços Vetoriais 3
u + (v + w) = (u1 , u2 , . . . , un ) + (v1 + w1 , v2 + w2 , . . . , vn + wn )
= (u1 + v1 + w1 , u2 + v2 + w2 , . . . , un + vn + wn )
= (u1 + v1 , u2 + v2 , . . . , un + vn ) + (w1 , w2 , . . . , wn )
= (u + v) + w.
θ + u = (0 + u1 , 0 + u2 , . . . , 0 + un ) = (u1 , u2 , . . . , un ) = u.
Por outro lado, para cada u = (u1 , u2 , . . . , un ), existe o vetor −u = (−u1 , −u2 , . . . , −un )
que satisfaz
α(u + v) = α(u1 + v1 , u2 + v2 , . . . , un + vn )
= (αu1 + αv1 , αu2 + αv2 , . . . , αun + αvn )
= α(u1 , u2 , . . . , un ) + α(v1 , v2 , . . . , vn )
= αu + αv;
(α + β)u = (α + β)(u1 , u2 , . . . , un )
= (αu1 + βu1 , αu2 + βu2 , . . . , αun + βun )
= (αu1 , αu2 , . . . , αun ) + (βu1 , βu2 , . . . , βun )
= α(u1 , u2 , . . . , un ) + β(u1 , u2 , . . . , un )
= αu + βu; e
(αβ)u = αβ(u1 , u2 , . . . , un )
= (αβu1 , αβu2 , . . . , αβun )
= α(βu1 , βu2 , . . . , βun )
= α(βu).
Por fim,
4 1. Espaço Vetorial
1 · u = 1 · (u1 , u2 , . . . , un )
= (u1 , u2 , . . . , un )
= u.
p(t) + q(t) = a2 t2 + a1 t + a0 + b2 t2 + b1 t + b0
= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 )
= (b2 + a2 )t2 + (b1 + a1 )t + (b0 + a0 )
= q(t) + p(t)
para todo p(t), q(t) ∈ P2 (t). Agora, para mostrar que (A2) também vale, veja que
1.3. Exemplos de Espaços Vetoriais 5
θ(t) = 0t2 + 0t + 0,
é tal que
para todo p(t) ∈ P2 (t). Logo, o polinõmio identicamente θ(t) = 0t2 + 0t + 0 é o elemento
neutro da soma de polinômios em P2 (t), e assim a propriedade (A3) também está verificada.
Agora note, que para cada polinômio p(t) = a2 t2 + a1 t + a0 ∈ P2 (t), existe o polinômio
−p(t) = −a2 t2 − a1 t − a0 ∈ P2 (t) tal que
α(β(p(t))) = α(β(a2 t2 + a1 t + a0 ))
= α(βa2 t2 + βa1 t + βa0 )
= αβa2 t2 + αβa1 t + αβa0
= (αβ)(a2 t2 + a1 t + a0 )
= (αβ)p(t)
6 1. Espaço Vetorial
(α + β)p(t) = (α + β)(a2 t2 + a1 t + a0 )
= (α + β)a2 t2 + (α + β)a1 t + (α + β)a0
= αa2 t2 + αa1 t + αa0 + βa2 t2 + βa1 t + βa0
= α(a2 t2 + a1 t + a0 ) + β(a2 t2 + a1 t + a0 )
= αp(t) + βp(t),
e assim, (M2) é válida. Para mostrar que (ME3) também é válida, fazemos:
Finalmente,
1 · p(t) = 1 · (a2 t2 + a1 t + a0 )
= 1 · a2 t2 + 1 · a1 t + 1 · a0
= a2 t 2 + a1 t + a0
= p(t)
para todo p(t) ∈ P2 (t). Logo, a propriedade (ME4) também é válida e, portanto, mostramos
que P2 (t) é um espaço vetorial real.
6. Espaço Vetorial de Funções. Dados números reais a e b com a < b, considere o intervalo
da reta X = [a, b] (ou seja, X é um subconjunto de R). Denotemos por F(X, R) o conjunto
formado por todas as funções reais com domínio X e imagens real. Isto é, o conjunto formado
por todas as funções
f : X → R.
y
y
(x, (f + g)(x))
f+g
αf(x)
(x, g(x)) g αf
f f
(x, f(x)) f(x)
a x x a x b x
b
y
y
f(x) f
a x b x
a b x −f(x) −f
De modo análogo,
[f+(g+h)](x) = f(x)+(g+h)(x) = f(x)+g(x)+h(x) = (f+g)(x)+h(x) = [(f+g)+h](x),
para todo x ∈ X. Logo, f + (g + h) = (f + g) + h, e assim, a soma de funções é associativa.
Existe a função f : X → R, tal que, f(x) = 0 para todo x ∈ X. Trata-se da função nula, que
será denotada por θ. Assim, para todo x ∈ X e para toda f ∈ F(X, R) temos
(θ + f)(x) = θ(x) + f(x) = 0 + f(x) = f(x).
Ou seja, existe a função θ(x) ∈ F(X, R) tal que
θ+f=f
para toda f ∈ F(X, R). A função nula é o elemento neutro desta operação.
Para cada função f : X → R dada, a função −f : X → R, que transforma cada x ∈ X em
−f(x) é tal que
[f + (−f)](x) = f(x) + (−f(x)) = 0 = θ(x).
Logo, dada função f ∈ F(X, R), existe a função −f ∈ F(X, R) tal que f + (−f) = θ. Isto é, a
função −f é o elemento simétrico da soma de funções.
Agora sejam α, β ∈ R e f, g ∈ F(X, R).
α(βf)(x) = α(βf(x)) = (αβ)f(x) para todo x ∈ X. Logo,
α(βf) = (αβ)f.
((α + β)f)(x) = (α + β)f(x) = αf(x) + βf(x) = (αf + βf)(x) para todo x ∈ X. Logo,
(α + β)f = αf + βf.
(α(f + g))(x) = α(f + g)(x) = α(f(x) + g(x)) = αf(x) + αg(x) = (αf + αg)(x) para todo
x ∈ X. Logo,
α(f + g) = αf + αg.
Finalmente, 1 · f(x) = f(x) para todo x ∈ X. Logo,
1 · f = f.
Dessa forma, as operações de soma de funções e multiplicação por escalar satisfazem as oitos
propriedades da definição, e portanto, ∈ F(X, R) é um espaço vetorial sobre R.
Considere o sistema linear homogêneo, na forma matricial, AX = 0 e S = {X ∈ M(n, 1);
AX = 0} sendo A ∈ M(m, n) e 0 a matriz nula de M(m, n). O conjunto S, o conjunto
formado pelas soluções de AX = 0, é um espaço vetorial.
Demonstração. Primeiro observe que se X1 e X2 são elementos de S, então X1 + X2 também
pertence a S. Com efeito,
6. Seja o conjunto R2 = {(x, y); x, y ∈ R}. Mostre que R2 não é um espaço vetorial com as
operações assim definidas:
7. Mostre a seguinte afirmação: Em um espaço vetorial V existe um único vetor nulo e cada
elemento de V possui um único vetor oposto.
2.1 Introdução
Em muitas situações é útil identificar, dentro de um espaço vetorial, um conjunto de vetores que
possuem determinadas características, mas que, ainda assim, conseguem manter a estrutura de um
espaço vetorial. Isto é, as operações de soma de vetores e produto por escalar permanecem fechadas
nesse conjunto. Por exemplo, no espaço vetorial R2 , o conjunto de pontos que representam uma reta
que passa pela origem do sistema de coordenadas cartesianas possui essa propriedade (conjunto
fechado em relação as operações de soma de vetores e multiplicação por escalar), enquanto que o
conjunto de pontos que representam uma reta que não passa pela origem do referido sistema não
possui a referida propriedade. De um modo geral, espaços vetoriais que estão dentro de outros
espaços vetoriais serão chamados de subespaços vetoriais.
Apesar da definição de subespaço vetorial ser muito simples e compreensível, na prática, rara-
mente a utilizamos para identificar se um determinado subconjunto W de um espaço vetorial V é
um subespaço vetorial de V. De fato, este caminho, em geral, é uma atividade laboriosa, pois exige
a verificação das oito propriedades, (A1)-(A4) e (ME1)-(ME4) da definição de espaço vetorial.
Felizmente, de acordo com a próxima proposição, não precisaremos fazer a verificação de todas
essas propriedades. Com efeito, sendo W um subconjunto formado por vetores de V, então as
propriedades das operações que são válidas em V devem também ser válidas em W, desde que W
seja um conjunto fechado em relação a essas operações.
Observações.
1. Todo subespaço W de um espaço vetorial V precisa, necessariamente, conter o vetor nulo de
V. De fato, se tomarmos α = 0, por (ii), temos
0·v=0
para todo v ∈ W.
Dessa forma, se um subconjunto W de um espaço vetorial V não possuir o vetor nulo de V,
então W não pode ser um subespaço vetorial de V.
2. Todo espaço vetorial V admite pelo menos dois subespaços vetoriais: o conjunto formado
apenas pelo vetor nulo e o próprio espaço V. Isto é, {0} e V. Esses dois subespaços de V são
chamados de subespaços triviais.
2.3 Exemplos
1. Seja V = R2 = {(x1 , x2 ); xi ∈ R} com as operações usuais de soma de vetores e a multiplicação
por escalar. O subconjunto
W = {(x, y); y = kx, k é uma constante}
é um subespaço vetorial de V.
Demonstração. Observe que W também pode ser escrito da seguinte maneira:
W = {(x, kx); x ∈ R e k constante}.
Primeiro é conveniente observar que (0, 0) ∈ W. De fato, para x = 0 teremos kx = 0, para
todo k ∈ R. Logo, (0, 0) ∈ W e, desse modo, W 6= ∅.
Agora sejam u = (x1 , y1 ) e v = (x2 , y2 ) vetores de W. Dessa maneira, podemos escrever
u = (x1 , kx1 ) e v = (x2 , kx2 ). Assim,
αu = α(x1 , x2 )
= α(x1 , kx1 ) pois u ∈ W;
= (αx1 , αkx1 ).
2.3. Exemplos 13
Fazendo x4 = αx1 temos que αu = (x4 , kx4 ). Logo, αu ∈ W e o item (ii) da proposição está
satisfeito. Poranto, W é um subespaço vetorial de V. Observe ainda que os elementos de W
descrevem uma reta passando pela origem.
Observe que para demonstrarmos que o par ordenado (x, y) ∈ W devemos mostrar que esse
elemento "têm a cara"dos vetores de W. Isto é, a segunda coordenada, y, deve satisfazer
y = kx.
2. Seja V = R2 e U = {(x, 5x + 3); x ∈ R}. O subconjunto U, com as operações usuais de soma
de vetores e a multiplicação por escalar, não é um subespaço vetorial de R2 . De fato, o vetor
{(0, 0} não pertence a W. Observe que os elementos de U descrevem uma reta em R2 que
não passa pela origem.
3. Todos os subespaços de R2 são: {(0, 0)}, o R2 e os seus subconjuntos que descrevem retas
passando pela origem.
4. Seja W = {(x, y, z) ∈ R3 ; ax + by + cz = 0}. Observe que W descreve, em R3 , um plano
que passa pela origem. W é um subespaço vetorial de R3 .
Demonstração. Primeiro é conveniente observar que (0, 0, 0) ∈ W. De fato, para x =
y = z = 0 teremos ax + by + cz = 0, quaisquer que sejam os escalares a, b, c ∈ R. Logo,
(0, 0, 0) ∈ W e, desse modo, W 6= ∅.
Agora sejam u = (x1 , y1 , z1 ) e v = (x2 , y2 , z2 ) vetores de W. Dessa maneira, temos que
ax1 + bx1 + cz1 = 0 e ax2 + bx2 + cz 2 = 0. Assim, temos
u + v = (x1 , y1 , z1 ) + (x2 , y2 , z2 )
= (x1 + x2 , y1 + y2 , z1 + z2 ).
Fazendo x3 = x1 + x2 ,y3 = y1 + y2 e z3 = z1 + z2 temos que
ax3 + by3 + cz3 = a(x1 + x2 ) + b(y1 + y2 ) + c(z1 + z2 )
= ax1 + by1 + cz1 + ax2 + by2 + cz2
| {z } | {z }
0 0
= 0 + 0 = 0.
αu = α(x1 , y1 , z1 )
= α(x1 , y1 , z1 )
= (αx1 , αy1 , αz1 ).
(A + B)T = AT + BT .
Por outro lado, A e B são matrizes simétricas. Logo, AT = A e BT = B. Daí, vem que
(A + B)T = AT + BT = A + B.
AX = 0
onde A, a matriz dos coeficientes, tem ordem m × n, X é a matriz das incógnitas e tem
ordem n × 1 e 0 é matriz dos termos independentes e tem ordem m × 1. Seja Sh o conjunto
das soluções desse sistema linear homogêo. Isto é,
A(kX1 ) = kAX1 = k · 0 = 0.
a) C([a, b]): o conjunto de todas as funções que são contínuas em [a, b].
b) D([a, b]): o conjunto de todas as funções que são deriváveis em [a, b].
c) I([a, b]): o conjunto de todas as funções que são integráveis em [a, b).
C([a, b]), D([a, b]) e I([a, b]) são subespaços vetoriais de F(x, R).
Essa afirmação é consequência das propriedades das funções contínuas, das funções deri-
váveis e das funções integráveis vistas no cálculo diferencial e integral. (Quais são essas
propriedades?)
Intersecção de Subespaços
Seja V um espaço vetorial sobre um corpo K. Suponha que U e W são subespaços vetoriais de V.
Então o conjunto
U ∩ W = {v ∈ V; v ∈ U e v ∈ W}
é um subespaço vetorial de V.
Demonstração. Primeiro note que U ∩ W 6= ∅. Isto é, 0 ∈ U ∩ W. De fato, como U e W são
subespaços de V, então 0 ∈ U e 0 ∈ W, logo 0 ∈ U ∩ W.
Agora, vamos mostrar que a soma de dois vetores quaisquer de U ∩ W é um vetor de U ∩ W.
Para isso suponha que os vetores u e v pertencem a U ∩ W. Dessa forma temos:
u ∈ U ∩ W, logo u ∈ U e u ∈ W;
v ∈ U ∩ W, logo v ∈ U e v ∈ W.
Exemplos
1. Considere os subespaços de R3
U = {(x, y, z) ∈ R3 ; z = 0}
e
W = {(x, y, z) ∈ R3 ; x = 0}.
Seja (a, b, c) um vetor qualquer de R3 . Observe que (a, b, c) ∈ U ∩ W se, e somente se,
(a, b, c) ∈ U e (a, b, c) ∈ W, simultaneamente. Mas, isso somente ocorre se tivermos a = 0
e c = 0. Logo, um vetor v do R3 está em U ∩ W se, e somente se, v é do tipo (0, b, 0). Assim,
escrevemos
U ∩ W = {(x, y, z) ∈ R3 ; x = z = 0} = {(0, y, 0); y ∈ R}.
16 2. Subespaços Vetoriais
2. Considere em R2 os subespaços
U = {(x, y) ∈ R2 ; y = x}
e
W = {(x, y) ∈ R2 ; y = −x}.
Seja (a, b) um vetor qualquer de R2 . Observe que (a, b) ∈ U∩W se, e somente se, (a, b) ∈ U
e (a, b) ∈ W, simultaneamente. Mas, isso ocorre somente se tivermos b = a e b = −a. De
onde concluímos que b = 0 e a = 0. Logo, um vetor v do R2 está em U ∩ W se, e somente
se, v = (0, 0). Assim, obtemos
U ∩ W = {(0, 0)}.
3. Sejam V = M(n, n) seja o espaço vetorial das matrizes quadradas, com entradas reais,
de ordem n; U o subconjunto das matrizes triangulares inferiores e W o subconjunto das
matrizes triangulares superiores de ordem n. É possível mostrar que U e W são subespaços
vetoriais de V (Exercício). Observe que U ∩ W é o conjunto de todas as matrizes diagonais
de ordem n.
Mostraremos que a reunião de dois subespaços nem sempre é um subespaço vetorial, apresen-
tando um exemplo no espaço vetorial R2 . Considere os seguintes subespaços vetoriais de R2 :
Observe que o vetor (2, 0) ∈ U e o vetor (0, 5) ∈ W. Logo, ambos pertencem ao conjunto U ∪ W.
No entanto, a soma desses dois vetores
Soma de Subespaços
Seja V um espaço vetorial sobre um corpo K. Suponha que U e W são subespaços vetoriais de V.
Então o conjunto
U + W = {v ∈ V; v = v1 + v2 , v1 ∈ U e v2 ∈ W}
é um subespaço vetorial de V. O subespaço U + W chama-se soma de U e W.
Demonstração. Primeiro note que U + W 6= ∅. Isto é, 0 ∈ U + W. De fato, como U e W são
subespaços de V, 0 ∈ U e 0 ∈ W. Desse modo, como
0 = 0 + 0,
temos que 0 pode ser escrito como a soma de um elemento de U com um elemento de W.
Sejam u, v ∈ U + W. Dessa forma podemos escrever
u = u1 + w1 , com u1 ∈ U e w1 ∈ W;
v = u2 + w2 , com u2 ∈ U e w2 ∈ W.
u + v = (u1 + w1 ) + (u2 + w2 )
= (u1 + u2 ) + (w1 + w2 ).
α · u = α · (u1 + w1 )
= α · u1 + α · w1 .
U+W W
U
18 2. Subespaços Vetoriais
Exemplos
1. Considere em R3 , os subespaços
U = {(x, y, z) ∈ R3 ; z = 0}
e
W = {(x, y, z) ∈ R3 ; x = y = 0}.
Dado (a, b, c) um vetor qualquer de R3 , podemos escrever
(a, b, c) = (a, b, 0) + (0, 0, c).
5. Dê exemplos:
11. Mostre que o subcojunto das matrizes antissimétricas de ordem n é um subespaço vetorial
de M(n, n).
sugestão. Uma matriz A é antissimétrica se AT = −A.
20 2. Subespaços Vetoriais
3.1 Introdução
Já sabemos que se u e v são vetores quaisquer de um espaço vetorial V sobre um corpo K, o
vetor αu + βv também pertence a V, quaisquer que sejam os escalares α e β pertencentes a K.
Expressões do tipo αu + βv são chamadas de combinações lineares dos vetores u e v. Nesta seção
veremos que qualquer vetor v ∈ V pode ser escrito como soma de produtos por escalar de outros
vetores de V.
v = a1 v1 + a2 v2 + · · · + an vn . (3.2.1)
A Figura 3.1 ilustra como um vetor w do plano pode ser obtido por meio de uma combinação
linear de dois vetores u e v do mesmo plano.
3.3 Exemplos
1. Considere o espaço vetorial P2 dos polinômios de grau menor ou igual a 2 sobre R. O
polinômio p(x) = 5x2 − 3x − 3 é uma combinação linear dos polinômios p1 (x) = x2 − x + 1
e p2 (x) = −3x2 + x + 5. De fato, verifica-se que p(x) = 2p1 (x) − p2 (x).
2. Dados os vetores v1 = (1, −3, 2) e v2 = (2, 4, 1) do espaço vetorial R3 , temos:
v = 2v1 + (−3)v2 .
Na prática, os escalares da combinação linear podem ser obtidos, usando a equação
3.2.1 da definição de combinação linear, da seguinte maneira:
v = a1 v 1 + a2 v 2
(−4, −18, 1) = a1 (1, −3, 2) + a2 (2, 4, 1)
(−4, −18, 1) = (a1 + 2a2 , −3a1 + 4a2 , 2a1 + a2 ).
a1 + 2a2 = −4
−3a1 + 4a2 = −18
2a1 + a2 = 1. (3.3.1)
a1 + 2a2 = 4
−3a1 + 4a2 = 3
2a1 + a2 = −6. (3.3.2)
O sistema linear (3.3.2) não possui solução (sistema impossível). Verifique! Logo, o
vetor w não é uma combinação linear dos vetores v1 e v2 .
3. Um mesmo vetor v pode ser escrito de infinitas maneiras distintas como combinação linear
de dois ou mais vetores dados. Por exemplo, o vetor (3, 4) ∈ R2 pode ser escrito de infinitas
maneiras como combinação linear do vetores (1, 0), (0, 1) e (2, −1). Com efeito, por definição,
o vetor (3, 4) será uma combinação linear dos vetores (1, 0), (0, 1) e (2, −1) se existirem
escalares a1 , a2 e a3 tais que
a1 + 2a3 = 3
a2 − a3 = 4. (3.3.3)
Note que o sistema linear (3.3.3) possui mais incógnitas do que equação. Logo é um sistema
indeterminado, ou seja, possui infinitas soluções. Dessa maneira, existem infinitos escalares
a1 , a2 e a3 que satisfazem a combinação linear (3, 4) = a1 (1, 0) + a2 (0, 1) + a3 (2, −1).
A solução geral do sistema linear (3.3.3) é dada por
S = {v ∈ V; v = a1 v1 + a2 v2 }.
sendo a1 e a2 escalares. Como tanto a1 quanto a2 podem assumir infinitos valores reais, então o
conjunto S possui infinitos elementos. Conforme iremos mostrar mais adiante, S é um subespaço
vetorial de V. Diremos que S é o subespaço de V gerado pelos vetores v1 e v2 .
No Exemplo 1 da Seção 3.3, os vetores v1 = (1, −3, 2) e v2 = (2, 4, 1) geram o subespaço
vetorial S do R3 formado por todas as combinações lineares do tipo:
Observe que para gerar o vetor nulo do R3 por meio de uma combinação linear dos vetores
v1 = (1, −3, 2) e v2 = (2, 4, 1) basta escrever a combinação linear
O teorema a seguir estabelece e generaliza o que acabamos de discutir sobre subespaço gerado.
Teorema. Sejam V um espaço vetorial sobre um corpo K e W = {v1 , v2 , ..., vn } um subconjunto
não vazio de vetores de V. O conjunto S de todas as combinações lineares dos vetores de W é um
subespaço vetorial de V.
Demonstração. Primeiro note que S 6= ∅. De fato, sempre podemos escrever
Isto é, o vetor nulo de V pode ser escrito como uma combinação linear dos vetores de W. Agora, su-
ponha que w1 e w2 são vetores quaisquer de S, então existem escalares a1 , a2 , . . . , an e b1 , b2 , . . . , bn
tais que
w1 = a1 v1 + a2 v2 + ... + an vn e w2 = b1 v1 + b2 v2 + · · · + bn vn .
Daí, vem que
w1 + w2 = (a1 + b1 )v1 + (a2 + b2 )v2 + · · · + (an + bn )vn .
Logo, w1 + w2 ∈ S pois também é uma combinação linear de vetores de W. Além disso, tem-se
que
α · w1 = (αa1 )v1 + (αa2 )v2 + · · · + (αan )vn
e, dessa maneira, α · w1 ∈ S, para todo escalar α e todo w1 ∈ S. Portanto, S é um subespaço
vetorial de V.
Observações.
3. Define-se G(∅) = {0}. Isto é, o espaço gerado pelo conjunto vazio é o espaço vetorial formado
apenas pelo vetor nulo.
3.5 Exemplos
1. Em R2 o vetor (1, 1) gera o subespaço
Com efeito, qualquer vetor (x, x) ∈ U pode ser escrito da seguinte maneira
2. Os vetores (1, 0) e (0, 1) geram o espaço R2 . De fato, dado um vetor (x, y), qualquer, de R2 ,
têm-se
(x, y) = x · (1, 0) + y · (0, 1).
Ou seja, qualquer vetor do R2 se escreve como uma combinação linear dos vetores (1, 0) e
(0, 1). Portanto,
[(1, 0), (0, 1)] = R2 .
3.6. Dependência e Independência Linear 25
3. Um vetor (x, y), qualquer, de R2 , também pode ser escrito do seguinte modo:
x+y y−x
(x, y) = (1, 1) + (−1, 1).
2 2
Ou seja, qualquer vetor do R2 também pode ser escrito como uma combinação linear dos
vetores (1, 1) e (−1, 1). Portanto,
em função de x e y.
4. O conjunto de polinômios {1, t, t2 } gera todo o espaço P2 . De fato, qualquer polinômio p(t)
de grau igual ou menor do que 2 se escreve da seguinte maneira p(t) = a2 t2 + a1 t + a0 .
a b 1 0 0 1 0 0
5. Em M(2, 2), temos =a +b +c . Logo, o subespaço das matrizes
0 c 0 0 0 0 0 1
1 0 0 1 0 0
triângulares superiores de ordem 2 é gerado pelas matrizes , e .
0 0 0 0 0 1
a1 v1 + a2 v2 + · · · + an vn = 0v
Teorema 1. O conjunto {v1 , v2 , ..., vn } é LD se, e somente se, pelo menos um desses vetores
for combinação linear dos demais.
Demonstração.
Suponha que {v1 , v2 , ..., vn } é um conjunto LD. Então, por definição, a equação
a1 v1 + a2 v2 + ... + an vn = 0
admite uma solução diferente da trivial. Isto é, existe uma solução (a1 , a2 , ..., an ) onde pelo menos
um ai 6= 0. Vamos supor, sem perda de generalidade, que a1 6= 0. Assim, obtemos
a1 v1 + a2 v2 + ... + an vn = 0;
a1 v1 = −a2 v2 − a3 v3 − · · · − an vn ;
1
v1 = (−a2 v2 − ... − an vn );
a1
a2 a3 an
v1 = − v2 − v3 − · · · − vn .
a1 a1 a1
Logo, v1 é uma combinação linear de {v2 , . . . , vn }.
Por outro lado, suponha que algum dos vetores de {v1 , v2 , . . . , vn } é uma combinação linear dos
demais vetores. Sem perda de generalidade, vamos supor que v1 seja esse vetor. Pela definição de
combinação linear, existem escalares (a2 , a3 , . . . , an ) tais que
v1 = a2 v2 + a3 v3 + · · · + an vn .
Dessa equação, obtemos
v1 − a2 v2 − a3 v3 − · · · − an vn = 0
que é uma combinação linear nula tendo o número 1 como o coeficiente de v1 . Logo, qualquer
solução dessa equação será diferente da solução nula. Portanto, o conjunto de vetores {v1 , v2 , . . . , vn }
é um conjunto LD.
Equivalentemente ao Teorema1 , temos o seguinte:
Teorema 2. O conjunto {v1 , v2 , . . . , vn } é LI se, e somente se, nenhum desses vetores for
combinação linear dos demais.
3.7 Exemplos
1. Em R2 , os vetores (1, 1) e (−1, 1) são vetores LI.
De fato, sejam a1 e a2 tais que
a1 (1, 1) + a2 (−1, 1) = (0, 0)
(a1 − a2 , a1 + a2 ) = (0, 0).
Daí, obtemos o sistema linear
a1 − a2 = 0
a1 + a2 = 0
cuja solução é a1 = a2 = 0.
3.7. Exemplos 27
2. Em R2 , Os vetores (1, 0), (0, 1) e (2, −1) são linearmente dependentes. De fato, note que o
vetor (2, −1) é uma combinação linear dos vetores (1, 0) e (0, 1) pois
Logo pelo Teorema 1, o conjunto {(1, 0), (0, 1), (2, −1)} é LD.
a1 (u + v) + a2 (u − v) = 0v
a1 u + a1 v + a2 u − a2 v = 0v
(a1 + a2 )u + (a1 − a2 )v = 0v
Como os vetores u e v são LI, por hipótese, segue da terceira equação que a1 e a2 deve
satisfazer o sistema de equações
a1 + a2 = 0
a1 − a2 = 0,
cuja solução é a1 = a2 = 0.
4. Seja V o espaço vetorial das funções reais contínuas. O conjunto {ex , e−x }, onde e é o
número de Euler (base dos logaritmos naturais), é LI.
Demonstração. Devemos mostrar que a equação aex + be−x = 0 admite apenas a solução
a = b = 0. Dada a equação
2aex = 0.
Como 2ex 6= 0 para todo x real, segue que a = 0. Substituindo o valor de a na equação
(3.7.1), obtemos
be−x = 0.
Como e−x 6= 0 para todo x real, segue que b = 0. Dessa maneira, a = b = 0 e a equação
aex + be−x = 0 admite apenas a solução nula. Portanto, o conjunto {ex , e−x } é LI, como
queríamos demonstrar.
28 3. Combinação Linear
a1 sen(ax) = 0. (3.7.5)
Como 3.7.5 deve valer para todo x ∈ R, concluimos que
a1 = 0,
pois sen(ax) 6= 0 para valores de a e x convenientemente escolhidos.
(a) Escrever o vetor m(t) = 5t2 –5t + 7 como combinação linear de p(t), q(t) e h(t).
(b) Escrever o vetor m(t) = 5t2 –5t + 7 como combinação linear de p(t) e q(t).
(c) Determinar uma condição para a, b e c de modo que o vetor at2 +bt+c seja combinação
linear de q(t) e h(t).
(d) É possível escrever p(t) como combinação linear de q(t) e h(t)?
3. Considere o subespaço de R4 :
6. Seja V = C[0, 1] o espaço vetorial das funções reais contínuas no intervalo [0, 1]. Verifique se
cada um dos subconjutnos a seguir são LI em V.
(a) {x, x + 1, x2 − 1}
(b) {1, ex , e−x }
(c) {senx, cosx}.
30 3. Combinação Linear
10. Sejam V um espaço vetorial e u, v, w ∈ V. Suponha que {u, v, w} é LI. Dado t ∈ V, existem
escalares α, β e γ tais que t = αu + βv + γw. Prove que {u + t, v + t, w + t} é LI se, e
somente se, α + β + γ 6= 1.
y 00 + p(x)y 0 + q(x)y = 0
onde p e q são funções contínuas num determinado intervalo aberto I, então a combinação linear
y = a1 f(x) + a2 g(x)
4.1 Introdução
Um espaço vetorial possui, em geral, infinitos vetores. Contudo, já sabemos que alguns espaços
vetoriais podem ser gerados a partir de um número finito de seus elementos, através de combinações
lineares realizadas com os mesmos. Esse resultado é muito interessante no sentido de que podemos
construir todo um espaço vetorial usando apenas alguns de seus elementos. Nessa seção, veremos
que conjuntos de geradores que são linearmente independentes tem essa propriedade. Por exemplo,
o conjunto {(1, 0), (0, 1)} é um conjunto LI de geradores do R2 . Conjuntos dessa natureza serão
chamados de bases e são o tema central da seção. Atenção. Estas notas de aulas tem como
objetivo servir de guia aos alunos que cursam a disciplina álgebra linear, nas turmas sob minha
responsabilidade, dos cursos de engenharia da UNIVASF. O uso das mesmas não dispensa a leitura
dos livros didáticos indicados nas referências bibliográficas da disciplina, bem como a resolução de
exercícios propostos nos mesmos.
4.2 Base
Definição. Sejam V um espaço vetorial sobre um corpo K e β = {v1 , v2 , ..., vn } um conjunto de
vetores não nulos de V. Dizemos que o conjunto β é uma base de V se:
1. Prova-se que todo espaço vetorial V 6= ∅ possui uma base. Além disso, se V possui um
conjunto gerador com um número finito de elementos diz-se que V é um espaço finitamente
gerado. Nesse caso, qualquer base de V terá um número finito de elementos.
32 4. Base e Dimensão
2. Se V não for um espaço finitamente gerado, então qualquer base de V possui infinitos ele-
mentos. Isso acontece, por exemplo, com o espaço F(X, R) das funções reais definidas em
X ⊂ R.
4.3 Exemplos
1. O subconjunto β = {e1 , e2 } de vetores de R2 , tal que e1 = (1, 0) e e2 = (0, 1), é uma base do
R2 ;
O subconjunto β = {e1 , e2 , e3 } de vetores de R3 , tal que e1 = (1, 0, 0), e2 = (0, 1, 0) e (0, 0, 1),
é uma base do R3 . De um modo geral, o conjunto
β = {e1 , e2 , ..., en }
β = {1, t, t2 , t3 }
{1, t, t2 , ..., tn }
é uma base do espaço vetorial real Pn . Esta base é chamada de base canônica do Pn .
3. O subconjunto
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
é uma base para o espaço vetorial das matrizes quadradas de ordem dois, M(2, 2). Esta é a
base canônica de M(2, 2).
a1 + a2 = 0
a1 − a2 = 0
2a3 = 0,
4.4. Exercícios resolvidos 33
a1 + a2 = x
a1 − a2 = y
2a3 = z.
x+y x−y z
Resolvendo o sistema obtemos a1 = , a2 = e a3 = . Note que independente-
2 2 2
mente dos valores de x, y e z a existência dos escalares a1 , a2 e a3 está garantida. Assim,
podemos afirmar que qualquer vetor (x, y, z) pode ser escrito como uma combinação linear
dos vetores de β. Logo, β gera o R3 . Dessa forma, concluímos que o conjunto β é uma base
do R3 pois é um conjunto LI e gera o R3 .
2. Mostre que o conjunto
β = {1, t − 1, t2 + t, t3 − t + 1}
Efetuando nessa equação as operações usuais de multiplicação por escalar e soma de vetores
em P3 e agrupando os termos semelhantes, obtemos
a1 − a2 + a4 =0
a2 + a3 − a4 =0
a3 =0
a4 = 0,
c0 + c1 t + c2 t2 + c3 t3 = a1 − a2 + a4 + (a2 + a3 − a4 )t + a3 t2 + a4 t3 .
a1 − a2 + a4 = c0
a2 + a3 − a4 = c1
a3 = c2
a4 = c3 .
é uma base para o espaço vetorial das matrizes quadradas de ordem dois, M(2, 2).
Resolução. Devemos mostrar que o conjunto β é LI e gera M(2, 2). Para mostrar que β
é um conjunto LI mostraremos que a equação
1 2 1 0 0 0 0 2 0 0
a1 + a2 + a3 + a4 =
0 0 −1 0 2 −1 0 1 0 0
a1 + a2 =0
2a1 + 2a4 =0
−a2 + 2a3 =0
−a3 + a4 = 0,
a1 + a2 =x
2a1 + 2a4 =y
−a2 + 2a3 =z
−a3 + a4 = w.
Tal sistema linear pode ser resolvido por qualquer método conhecido. A solução encontrada é
2x − y + 2z + 2w 2x − y + 2z + 4w
a1 = −x+y−z−2w, a2 = 2x−y+z+2w, a3 = e a4 = .
2 2
A existência dos escalares a1 , a2 , a3 e a4 mostra que β gera M(2, 2).
Portanto, concluímos que o conjunto
1 2 1 0 0 0 0 2
β= , , ,
0 0 −1 0 2 −1 0 1
Logo, concluímos que o subespaço vetorial U é gerado pelos vetores (1, 0, 1) e (0, 1, −2). Por-
tanto, se esses vetores forem linearmente independentes, então o conjunto {(1, 0, 1), (0, 1, −2)}
será uma base de U. Como os vetores (1, 0, 1) e (0, 1, −2) não são múltiplo um dos outro, isto
é, não existe nenhum k ∈ R tal que (1, 0, 1) = k(0, 1, −2), então eles são vetores linearmente
independentes. Portanto, o conjunto {(1, 0, 1), (0, 1, −2)} é uma base do subespaço vetorial
U.
Teorema 2. Sejal V um espaço vetorial finitamente gerado pelo conjunto de vetores {v1 , v2 , ..., vn }.
Então, qualquer conjunto com mais de n vetores é necessariamente LD (e, portanto qualquer con-
junto LI tem no máximo n vetores).
Corolário. Qualquer base de um espaço vetorial finitamente gerado tem sempre o mesmo
número de elementos.
O fato do número de elementos de uma base de um espaço vetorial V ser invariante motiva
mais uma definição: a dimensão do espaço. A dimensão de um espaço vetorial, que será definida
a seguir, desempenha uma papel importante no estudo dos espaços vetoriais.
4.6 Dimensão
Definição. Seja V um espaço vetorial sobre um corpo K. A dimensão de V, denotamos dim(V),
é o número de vetores numa base de V, no caso de V admitir uma base finita. Caso o espaço V
não admita uma base com um número finito de vetores, diremos que a dimensão de V é infinita.
4.7 Exemplos
1. dim(Rn ) = n. Em particular, dim(R2 ) = 2 e dim(R3 ) = 3.
4. O espaço vetorial de todas as funções reais de domínio X e imagem real, F(X, R), não possui
uma base com um número finito de vetores, logo dim(F(X, R)) = ∞.
formar uma base desse espaço (ou de um subespaço)? As respostas podem ser dadas com base no
próximo teorema.
Teorema 5. Suponha que uma dada matriz Am×n seja transformada, por meio de operações
elementares em suas linhas, na matriz Bm×n . Então:
(ii) Uma matriz linha 1 × n é uma combinação linear das linhas de A se e somente se é uma
combinação linear das linhas de B. Isto é, o conjunto das linhas de A geram o mesmo espaço
que o conjunto das linhas de B.
O Teorema 5 fornece uma grande vantagem computacional pois nos possibilita usar a forma
escalonada de uma matriz para podermos analisar a dependência e independência linear entre
vetores do Rn . Para isso, construímos uma matriz A onde cada coluna (ou cada linha) é um
dos vetores v1 , v2 , .., vm de Rn dados. A matriz B, citada no teorema, será a matriz A na forma
escalonada.
1 1 0 −2
1 0 −3 1 .
0 1 2 0
Poderemos obter a forma escalonada (por linhas) desta matriz através de uma sequência de
operações elementares em suas linhas, como por exemplo: substituindo a segunda linha pela
soma desta com a primeira linha multiplicada por −1:
1 1 0 −2
0 −1 −3 3 ;
0 1 2 0
Observe que as três primeiras colunas da matriz escalonada forma uma conjunto LI. Logo,
as três primeiras colunas da matriz inicial formam um conjunto LI e dessa forma, os três
primeiros vetores, (1, 1, 0), (1, 0, 1) e (0, −3, 2) dados forma um conjunto LI de geradores de
W. Portanto, o conjunto {(1, 1, 0), (1, 0, 1), (0, −3, 2)} é uma base de W. Como a dimensão
de W é 3 e W está contido em R3 , então concluímos que W = R3 .
38 4. Base e Dimensão
2. Complete o conjunto {(1, 2, −1, 0), (1, −1, 1, 2), (0, 1, 0, 1)} de forma a obter uma base
do R4 .
Resolução. Primeiro devemos verificar se os três vetores dados formam um conjunto LI.
Faça isso como exercício!
Uma vez verificado que os três vetores dados formam um conjunto LI, e como uma base do
R4 tem 4 vatores, já que sua dimensão é 4, devemos incluir mais um vetor no conjunto de
forma que o conjunto resultante ainda seja LI. A escolha das coordenadas do vetor (a, b, c, d)
a ser incluido no conjunto pode ser realizada da seguinte forma:
Primeiro, obtemos a matriz 4 × 4 que possui como colunas os vetores dados e o vetor
(a, b, c, d):
1 1 0 a
1 −1 1 b
−1 1 0 c .
0 2 1 d
Observe que para a última coluna ser linearmente independente com as três primeiras devemos
ter
−3a − b − 2c + d 6= 0.
{(1, 2, −1, 0), (1, −1, 1, 2), (0, 1, 0, 1), (1, 0, 0, 0)}
é uma base do R4 .
Observamos que embora os dois exercícios anteriores tenham sido resolvidos por meio da forma
escalonada da matriz cujas colunas eram os vetores inicialmente dados, a resolução também pode
ser feita quando escrevemos esses vetores como linhas de uma matriz e realizamos o escalonamento
da mesma. Contudo, nesse caso, a interpretação da dependência e independência linear dos vetores
é diferente. Essa alternativa será apresentada na próxima seção.
4.10. Exercício Resolvido 39
−2 1 0
Efetuando a operação L2 − L1 e substituindo a segunda linha pelo resultado dessa operação;
em seguida, substituir a quarta linha pela resultado da operação L4 + 2L1 , obtemos:
1 1 0
0 −1 1
0 −3 2 .
0 3 0
1 1 0
0 −1 1
0 0 −1 .
0 0 3
Por fim, substituindo a quarta linha pelo resultado da operação L4 + 3L3 , temos:
1 1 0
0 −1 1
0 0 −1 .
0 0 0
Dessa forma, as três primeiras linhas da matriz na forma escalonada fornecem uma base
para o subespaço W. Isto é, o conjunto {(1, 1, 0), (0, −1, 1), (0, 0, −1)} é uma base de W.
Além disso, note que o conjunto formado pelas 3 linhas não nulas da matriz escalonada cor-
responde ao conjunto formado pelas três primeiras linhas da matriz inicial. Logo, o conjunto
{(1, 1, 0), (1, 0, 1), (0, −3, 2)} também é uma base de W conforme foi determinado no exercício
1 da seção 4.9. Na verdade, neste caso, W = R3 .
2. Determine o subespaço U do R3 gerado pelos vetores (1, −1, −1), (1, 1, 0) e (1, 1, 2).
Resolução. Primeiro vamos determinar uma base para o subespaço U. Para isso vamos
encontrar a forma escalonada da matriz
1 −1 −1
1 1 0 .
1 3 1
1 −1 −1
0 2 1 .
0 4 2
Finalmente, substituindo a linha 3 pelo resultado da operação L3 − 2L2 , obtemos a forma
escalonada
1 −1 −1
0 2 1 .
0 0 0
Logo, o conjunto {(1, −1, −1), (0, 2, 1)} é uma base para o subespaço W. Daí, fazendo uma
combinação linear com esses dois vetores para escalares x e y quaisquer, obtemos
Portanto,
W = {(x, −x + 2y, −x + y); x, y ∈ R}.
4.11. Soma Direta 41
(i) U ∩ W = {0};
(ii) V = U + W.
Exemplos
1. No exemplo 1 (Soma de Subespaços) os subespaços
U = {(x, y, z) ∈ R3 ; z = 0}
e
W = {(x, y, z) ∈ R3 ; x = y = 0}
são tais que R3 = U + W. Além disso, U ∩ W = {(0, 0, 0)} ( verifique!). Portanto,
R3 = U ⊕ W.
U = {(x, y) ∈ R2 ; y = x}
e
W = {(x, y) ∈ R2 ; y = −x}
são tais que R2 = U + W. Além disso, Além disso, U ∩ W = {(0, 0)} ( verifique!). Portanto,
R2 = U ⊕ W.
3. O exemplo 3 (Soma de Subespaços) temos U + W = M(2, 2), mas essa soma não pode ser
uma soma direta por que U ∩ W é formado por todas as matrizes diagonais de ordem 2.
Soma direta em Rn .
O próximo exercício exemplifica uma maneira de calcular soma de subespaços em R3 . O raciocínio
utilizado nesse exercício se aplica a subespaços de espaços euclidianos de dimensões maiores.
0 1 0
Efetuando operações elementares sobre as linhas da matriz, obtemos a seguinte forma esca-
lonada (esta forma escalonada não é única):
1 −1 0
0 −1 1
0 0 1 .
0 0 0
Daí, o conjunto {(1, −1, 0), (0, −1, 1), (0, 0, 1)} forma uma base para U + W. Logo, dim(U +
W) = 3. Mas, como U + W é um subespaço de R3 e tem a mesma dimensão desse espaço,
então
U + W = R3 .
Uma vez que já mostramos que U + W = R3 , uma pergunta pertinente neste exercício é se
R3 seria uma soma direta dos subespaços U e W? Isto é, se poderíamos ter R3 = U ⊕ W?
Para responder a esta pergunta basta apenas calcular a interseção U ∩ W. Lembramos que
para ser soma direta a intersecção entre os subespaços deve ter apenas o vetor nulo.
Neste caso, se (x, y, z) ∈ U ∩ W devemos ter simultaneamente, y = −x e z = x. Daí, temos
que os vetores de U ∩ W são do tipo (x, −x, x). Logo, U ∩ W é um subespaço de dimensão
1 gerado pelo vetor (1, −1, 1) e, assim, U ∩ W 6= {(0, 0, 0)}. Portanto, o R3 não é uma soma
direta dos subespaços U e W.
Resolução. Suponha que β = {v1 , v2 , ..., vn } seja uma base de V e sejam V1 = [v1 ], V2 =
[v2 ], ..., Vn = [vn ]. Vamos mostrar que
e que
V = V1 + V2 + ... + Vn .
Primeiro, suponha que v ∈ Vi ∩ Vj . Logo, v ∈ Vi e v ∈ Vj . Daí, existem escalares a1 e a2
tais que
v = a1 v i e v = a2 v j .
Assim,
a1 v i = a2 v j .
Mas, se a1 e a2 forem, simultaneamente, diferentes de zero, então teríamos
a2 a1
vi = vj e vj = vi .
a1 a2
Mas, isso não pode ocorrer porque vi e vj são vetores LI, já que pertencem a uma base de
V. Logo, a1 = 0 e a2 = 0. Isto é, v = 0 e assim, Vi ∩ Vj = {0}. Como Vi e Vj foram tomados
arbitrariamente, então o resultado vale para para todo i, j = 1, 2, ..., n. Agora seja v ∈ V.
Como β = {v1 , v2 , ..., vn } é uma base de V, então existem escalares a1 , a2 , ..., an tais que
v = a1 v1 + a2 v2 + ... + an vn .
Isso mostra que
V = V1 + V2 + ... + Vn .
Portanto,
V = V1 ⊕ V2 ⊕ ... ⊕ Vn .
4. Considere o subespaço do 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 (1, −3, 1, 1) ∈ [v1 , v2 , v3 , v4 ]?
(b) Determine uma base de [v1 , v2 , v3 , v4 ].
(c) [v1 , v2 , v3 , v4 ] = R4 . Por quê?
5. Considere o subespaço do R3 gerado pelos vetores v1 = (1, 1, 0), v2 = (0, −1, 1) e v3 =
(1, 1, 1). Verifique se [v1 , v2 , v3 ] = R3 .
6. Sejam U = {(x, y, z, t)} ∈ R4 ; x + y = 0 e z − t = 0 e W = {(x, y, z, t)} ∈ R4 ; 2x + y − t =
0 e z = 0 dois subespaços de R4 .
(a) Determine U ∩ W;
(b) Determine U + W;
(c) Verifique se R4 = U ⊕ W.
7. Dados os vetores u = (2, −1, 4, 0), v = (1, −2, 2, 3) e w = (4, −5, 8, 6), faça o que se pede a
seguir.
(a) Mostre que os vetores u, v e w são vetores LD;
(b) Mostre que dois vetores quaisquer constituem uma base para o subespaço S = [u, v, w];
(c) Seja o subespaço de R4 gerado pelos vetores (0, 1, 0, 0) e (0, 0, 0, 1). Determine o subes-
paço S ∩ T .
(d) Quais são as dimensões dos subespaços S, T , S ∩ T e S + T ?
(e) Verifique se R4 = S ⊕ T .
8. (a) Mostre que os conjuntos α = {(1, 0), (0, 1)}, β = {(i, 0), (2, −3)} e γ = {(i, i), (−1, 2i)}
são bases do espaço vetorial C2 sobre C.
(b) Mostre que o conjunto δ = {(1, 0), (i, 0), (0, 1), (0, i)} é uma bases do espaço vetorial C2
sobre R.
9. Qual é a dimensão do seguinte subespaço de R4
S = [(1, 1, −2, 4), (1, 1, −1, 2), (1, 4, −4, 8)]?
2x + 4y − 6z = a
(∗) x − y + 4z = b (4.13.1)
6y − 14z = c.
(a) Que condições devemos impor para a, b e c para que o sistema linear seja um subespaço
vetorial de R3 ?
(b) Nas condições determinadas no ítem (a), determine uma base para S.
(c) Verifique que dim(S) é igual ao grau de liberdade do sistema (*).
5
Mudança de Base
5.1 Introdução
Em muitas situações reais é comum que um determinado problema esteja apresentado inicialmente
em uma base β, mas que a sua solução seja facilitada quando é efetuada uma mudança da base β
para a base β 0 . Neste capítulo estudaremos um método para efetuar a mudança de representação
de vetores entre bases de um mesmo espaço vetorial.
v = a1 v1 + a2 v2 + · · · + an vn .
Os escalares a1 , a2 , . . .,an são chamados de coordenadas de v em relação à base β. Denotamos,
a1
a2
[v]β = .. .
.
an
Exemplos
1. Considere β = {(1, 0), (0, 1)} a base canônica do R2 . Observe que o vetor (2, 3) ∈ R2 pode
ser escrito como uma combinar linear dos vetores da base canônica do seguinte modo
(2, 3) = 2(1, 0) + 3(0, 1).
2
Logo, [(2, 3)]β = .
3
De um modo geral, dado um vetor (x, y) qualquer em R2 , sempre podemos escrever
(x, y) = x(1, 0) + y(0, 1).
48 5. Mudança de Base
2
Assim as coordenadas de (x, y) em relação à base canônica do R são os próprios escalares x
x
e y. Isto é, [(x, y)]β = . Porém, em relação à outras bases do R2 as coordenadas de um
y
vetor genérico (x, y) são, em geral, diferentes dos escalares x e y. Por exemplo, considere a
base β 0 = {(1, 1), (−1, 1)} de R2 . Em relação à esta base o vetor (2, 3) é escrito da seguinte
maneira:
5 1
(2, 3) = (1, 1) + (−1, 1).
2 2
5 1
Daí, as coordendas de (2, 3) em relação à base β 0 são e . Ou seja,
2 2
5
[(2, 3)]β 0 = 21 .
Observação.
A ordem em que os elementos v1 , v2 , ..., vn de uma base de um espaço vetorial V estão
dispostos, nessa base, influi na construção da matriz de coordenadas de um dado vetor v,
em relação a essa base. Por exemplo, se considerarmos em R2 , as bases β = {(1, 0), (0, 1)} e
β 0 = {(0, 1), (1, 0)}, então as coordenadas
do vetor (4, 5) em relação a essas bases, são dadas
4 5
por [(4, 5)]β = e [(4, 5)]β 0 = .
5 4
Por essa razão, deste ponto em diante, dada uma base β = {v1 , v2 , ..., vn } de um espaço
vetorial V iremos considerar que a mesma está ordenada na ordem em que seus elementos
aparecem.
u = x1 u1 + x2 u2 + ... + xn un (5.3.1)
u = y1 v1 + y2 v2 + ... + yn vn . (5.3.2)
x1 y1
x2 y2
Dessa forma, [u]α = e [u] = .
.. β ..
. .
xn yn
Agora, como cada vetor vj , j = 1, 2, ..., n, pertence a V e α é uma base de V podemos escrever
vj como combinação linear de dos vetores u1 , u2 , ..., un da seguinte maneira:
5.3. Mudança de Base 49
Da igualdade entre as equações (1) e (5), devido a unicidade das coordenadas x1 , x2 , ..., xn ,
obtemos
Observações
[I]β
α = [[v1 ]α , [v2 ]α , ..., [vn ]α ] .
2. A matriz [I]β α
α é invertível e a sua inversa é matriz [I]β . Isto é.
−1
[I]β
α = [I]α
β.
3. A matriz [I]α
β também é chamada de matriz mudança de coordenadas da base α para a
base β.
Exemplos
1. Considere α = {(1, 0), (0, 1)} e β = {(1, 1), (−1, 1)} duas bases de R2 . Note que
1 −1
Daí, [(1, 1)]α = e [(−1, 1)]α = .
1 1
Logo,
1 −1
[I]β
α = .
1 1
Resolução. Para determinarmos [I]βα precisamos escrever cada um dos vetores de β como
combinação linear dos vetores de α. Sejam
v1 =u
v2 =u−v (5.3.7)
v3 =v+w+t
v4 = v − t.
Dessa forma,
v1 = 1u + 0v + 0w + 0t
v2 = 1u + (−1)v + 0w + 0t
v3 = 0u + 1v + 1w + 1t
v4 = 0u + 1v + 0w + (−1)t.
De onde obtemos,
1 1 0 0
0 −1 1 1
[v1 ]α =
0 , [v2 ]α = 0
,
[v3 ]α =
1 e [v4 ]α = 0
.
0 0 1 −1
Logo,
1 1 0 0
0 −1 1 1
[I]β
α = [v 1 ] α = 0 0 1 0 .
0 0 1 −1
u = v1
v = v1 − v2
w = −2v1 + 2v2 + v3 + v4
t = v1 − v2 − v4 .
Daí obtemos
1 1 −2 1
0 −1 2 −1
0 , [v]β = 0
[u]β = , [w]β =
1 e [t]β = 0
.
0 0 1 −1
Logo,
52 5. Mudança de Base
1 1 −2 1
0 −1 2 −1
[I]α
β =
.
0 0 1 0
0 0 1 −1
−1
Outra maneira de calcular [I]α β
β é calcular [I]α .
(d) Calcule as coordenadas de v = (3, −2) em relação a cada uma das bases α, β e γ.
1 1 0
2. Dadas duas bases α e β de R3 tais que [I]β
α =
0 −1 1 .
1 0 −1
−1
(a) Calcule [v]α sabendo-se que [v]β = 2 .
3
−1
(b) Calcule [v]β sabendo-se que [v]α = 1 .
2
4. Seja α a base canônica do R2 e seja β a base obtida da base α pela rotação de um ângulo
π
− . Ache [I]β α
α e [I]β .
3
5. Seja α = {v1 , v2 , ..., vn } uma base de um espaço vetorial V. Mostre que [I]α
α = In , onde In é
a matriz identidade de ordem n.
6
Transformações Lineares
6.1 Introdução
O objetivo deste tópico é estudar funções (também chamadas de aplicações ou transformações)
entre espaços vetoriais. Estamos interessados particularmente em funções que preservem as opera-
ções de soma de vetores e multiplicação por escalar. As funções que satisfazem tais propriedades
são chamadas de transformações lineares. Estudaremos aqui apenas transformações lineares en-
tre espaços vetoriais reais. No entanto, todos os conceitos apresentados são extensíveis à espaços
vetoriais complexos.
T :U→V
Observações.
T (0u ) = 0v .
54 6. Transformações Lineares
Assim,
T (u + αv) = T (x1 + αx2 , y1 + αy2 ) = (x1 + αx2 ) + (y1 + αy2 ) = (x1 + y1 ) + α(x2 + y2 ).
T (u)+αT (v) = (x1 , x1 +y1 , y1 )+α(x2 , x2 +y2 , y2 ) = (x1 +αx2 , x1 +y1 +α(x2 +y2 ), y1 +αy2 ).
Dessa maneira,
é uma transformação linear. De fato, a constatação deste fato é uma consequências das
propriedades das integrais definidas.
56 6. Transformações Lineares
4. Sejam a e b números reais diferentes de zero. Mostre que T : R2 → R2 definida por T (x, y) =
(x + a, y + b) (Translação) não é uma transformação linear.
5. Mostre que a aplicação T : R2 → M(2, 2) definida por
x+y x
T (x, y) =
y x−y
é uma transformação linear.
6. Seja P ∈ M(2, 2) uma matriz invertível e TP : M(2, 2) → M(2, 2), definida por
u = a1 u1 + a2 u2 + · · · + an un ,
6.6. Exemplo 57
então
T (u) = a1 T (u1 ) + a2 T (u2 ) + · · · + an T (un ) = a1 v1 + a2 v2 + · · · + an vn .
Além de afirmar a existência de uma única transformação linear satisfazendo certas condições,
o teorema anterior, e a observação anterior, nos fornecem um roteiro de como determinar uma
transformação linear T : U → V conhecendo-se uma base de U, {u1 , u2 , · · · , un }, e n vetores de V,
{v1 , v2 , · · · , vn } , tais que T (ui ) = vi para i = 1, 2, · · · , n.
6.6 Exemplo
Dada uma base qualquer de R2 , por exemplo, β = {(1, 1), (−1, 1)}, e dois vetores quaisquer de R3 ,
por exemplo, (1, −1, 1) e (0, 1, 2). O teorema anterior afirma que existe uma única transformação
linear T : R2 → R3 tal que
T (1, 1) = (1, −1, 1)
e
T (−1, 1) = (0, 1, 2).
2
Além disso, como dado (x, y) ∈ R , sempre vai existir escalares a1 e a2 únicos, tais que, (x, y) =
a1 (1, 1) + b1 (−1, 1), então a transformação linear T é dada por
T (x, y) = a1 T (1, 1) + b1 T (−1, 1) = a1 (1, −1, 1) + a2 (0, 1, 2).
Dessa maneira, para encontrarmos uma fórmula para T basta apenas calcularmos os escalares a1
e a2 . Isso pode ser feito, resolvendo-se o sistema
(x, y) = a1 (1, 1) + b1 (−1, 1).
Ou seja,
x = a1 − b 1
y = a1 + b1.
x+y y−x
Daí obtemos a1 = e a2 = . Dessa maneira,
2 2
x+y y−x
T (x, y) = (1, −1, 1) + (0, 1, 2)
2 2
x+y −x + 3y
= , −x, .
2 2
Portanto, a transformação linear procurada é
x+y −x + 3y
T (x, y) = , −x, .
2 2
58 6. Transformações Lineares
Observe que tanto Ker(T) como Im(T) são conjuntos diferentes do vazio. Isto porque, como
já sabemos, T (0u ) = 0v . Logo, cada um desses conjuntos têm pelo menos o elemento nulo. Dessa
forma, é conveniente investigar se esses conjuntos possuem a estrutura de um espaço vetorial. A
resposta a essa pergunta é dada pelo Teorema 2.
6.9. Exemplos 59
A seguir veremos como calcular o núcleo e a imagem de uma transformação linear por meio de
alguns exemplos.
6.9 Exemplos
1. Considere a transformação linear T : R2 → R4 definida por
T (x, y) = (x, y, x + y, x − y).
Para determinar Ker(T ) note que (x, y) ∈ Ker(T ) se, e somente se, T (x, y) = (0, 0). Mas isso
implica em (x, y, x + y, x − y) = (0, 0, 0, 0). Logo, devemos ter x = 0, y = 0, x + y = 0 e
x − y = 0. Obviamente, x = y = 0. Assim obtemos,
Ker(T ) = {(0, 0)}.
60 6. Transformações Lineares
Agora, para calcular Im(T ), note que cada elemento de R4 que está na imagem de T é dado
pela transformação T (x, y) = (x, y, x + y, x − y). Assim, fazemos
Dessa maneira,
Im(T ) = [(1, 0, 1, 1), (0, 1, 1, −1)].
Logo,
Im(T ) = [(1, 0), (0, 1)] = R2 .
3. Demonstre o Teorema 2.
Isto equivale a dizer que numa função injetiva as imagens de elementos distintos são distintas.
Por outro lado, T é uma função sobrejetiva (ou sobrejetora) se Im(T ) = V. Isto é, todo elemento
do contradomínio V é imagem de algum elemento do domínio U. Se uma função T é injetiva e
sobrejetiva, dizemos que T é bijetiva (ou bijetora).
Por exemplo, a função f : R → R dada por f(x) = x2 não é injetora, pois f(−2) = f(2) = 4.
Ou seja, dois elementos distintos do domínio, -2 e 2, possuem a mesma imagem 4. Esta função
também não é sobrejetiva, pois f(x) = x2 > 0 para todo x ∈ R. Logo, Im(f) = [0, ∞) 6= R. Já a
função f : R → R dada por f(x) = x3 é injetiva e sobrejetiva. Com efeito,
A tarefa de identificar se uma função T é injetiva, em geral, é mais simples se T é uma trans-
formação linear. Isso porque, conforme o Teorema 3 que será apresentado a seguir, o trabalho de
identificar se T é injetiva fica reduzido a calcular o Ker(T ). Esta importante relação entre o núcleo
de uma transformação linear e o fato da mesma ser ou não injetiva é estabelecida pelo seguinte
teorema:
Teorema 3. Seja T : U → V uma transformação linear. Então, T é uma aplicação injetiva se, e
somente se, Ker(T ) = {0u }.
Demonstração. Primeiro, suponha que T é uma transformação linear injetiva e seja u ∈ Ker(T ).
Então, por definição T (u) = 0v . Mas, já sabemos que T (0u ) = 0v . Assim, T (u) = T (0u ). Como
T é injetiva, u = 0u . Como o vetor u foi tomado de modo arbitrário, segue que o único vetor no
Ker(T ) é o vetor nulo 0u . Ou seja, Ker(T ) = {0u }.
Por outro lado, suponha que Ker(T ) = {0u } e sejam vetores quaisquer u1 e u2 em U, tais que
T (u1 ) = T (u2 ). Vamos mostrar que u1 = u2 . De fato, se T (u1 ) = T (u2 ), temos T (u1 ) − T (u2 ) = 0v .
Mas, como T é linear, segue que T (u1 −u2 ) = 0v . Logo, u1 −u2 ∈ Ker(T ). Mas, como Ker(T ) = {0u },
então u1 − u2 = 0u . Logo, u1 = u2 . Portanto, de acordo com a definição de função injetiva, T é
injetiva.
6.12 Exemplos
1. A transformação linear T : R2 → R2 definida por T (x, y) = (x + 2y, y) é injetiva. Com efeito,
de acordo com a definição de núcleo (x, y) ∈ Ker(T ) se, e somente se, T (x, y) = (0, 0). Mas
isso implica em (x + 2y, y) = (0, 0). Logo, x + 2y = 0 e y = 0 e assim obtemos, x = y = 0.
Portanto, Ker(T ) = {(0, 0)} e T é injetiva, segundo o teorema.
(d) T é sobrejetiva?
Demonstração. Aula
Para avaliarmos um pouco a importância do Teorema 4, considere uma transformação linear
T : R3 → R2 . O Teorema do Núcleo e da Imagem afirma que
Isto é, a soma da dimensão do núcleo de T com a dimensão da imagem de T tem que ser exatamente
3. Mas, como Im(T ) ⊂ R2 , a dimensão da imagem de T é no máximo igual a 2. Logo, a dimensão
do núcleo de T deve ser maior ou igual a 1. Portanto, Ker(T ) 6= {0u }. Dessa maneira, concluimos
que T não pode ser injetora. Esse raciocínio se aplica a todas as transformações lineares T : U → V
tais que dim(U) > dim(V). No caso em que dim(U) = dim(V), temos o seguinte resultado:
T −1 (T (u1 )) = u1
T −1 (T (u2 )) = u2
.. ..
.=.
T −1 (T (un )) = un
Além disso, de acordo com a Proposição 1 podemos dizer que espaços vetoriais isomorfos
possuem a mesma dimensão. A recíproca dessa afirmação também é verdadeira. Ou seja, espaços
vetoriais que possuem a mesma dimensão finita são isomorfos. Dessa maneira, como podemos ver
nos exemplos a seguir, os espaços R4 , P3 (R) e M(2, 2) são espaços vetoriais isomorfos entre si já que
todos têm dimensão 4. Isso significa que, a menos dos seus elementos, esses espaços vetoriais são
idênticos. Em outras palavras, apesar dos elementos de cada um desses espaços serem diferentes
(de fato, matrizes e polinômios, por exemplo, são objetos matemáticos de naturezas distintas),
os espaços vetoriais isomorfos possuem a mesma estrutura. São indistinguíveis. Dessa maneira,
podemos dizer que conjuntos LI de um espaço, correspondem a conjuntos LI do outro espaço, por
exemplo.
6.15 Exemplos
1. Os espaços M(2, 2) e R4 são isomorfos. Com efeito, basta definir T : R4 → M(2, 2) por
x y
T (x, y, z, w) = .
z w
É simples verificar que T é uma transformação linear e que Ker(T ) = {(0, 0, 0, 0)}. Logo T
é injetiva. Como os dois espaços possuem a dimensão, 4, então T também é sobrejetiva e
portanto é um isomorfismo.
64 6. Transformações Lineares
T (a0 + a1 x + a2 x2 + a3 x3 ) = (a0 , a1 , a2 , a3 , a4 )
T (x, y) = (x, y, 0)
x=0
x+y=0
x + y + z = 0.
T (1, 0, 0) = (1, 1, 1)
T (0, 1, 0) = (0, 1, 1)
T (0, 0, 1) = (0, 0, 1)
Como T é um isomorfismo, então os vetores (1, 1, 1), (0, 1, 1) e (0, 0, 1) formam uma base para
Im(T ), que nesse caso é o próprio R3 . De acordo com o Teorema 1, T −1 é a transformação
linear de R3 em R3 tal que
Agora, tomamos um vetor (x, y, z) qualquer de Im(T ) e escrevemos como combinação linear
dos vetores, (1, 1, 1), (0, 1, 1) e (0, 0, 1) . Isto é, vamos calcular escalares a1 , a2 e a3 tais que
x = a1
y = a1 + a2
z = a1 + a2 + a3
3. Seja T : R → R3 definida por T (x) = (0, x, 0). Verifique que T é linear. Mostre que T é um
isomorfismo de V em Im(T ).
2. Mostre que T : R2 → R2 é uma transformação linear se, e somente se, existem números reais
a, b, c e d tais que T (x, y) = (ax + by, cx + dy).
TA (x) = Ax.
4. Seja V = C(R, R) o espaço vetorial das funções reais contínuas. Mostre que a função T :
C(R) → C(R) definida por Zx
(Tf)(x) = f(t)dt
0
é uma transformação linear.
7.1 Introdução
O objetivo deste tópico é possibilitar o trabalho com transformações lineares através do estudo de
matrizes associadas a essas transformações. A abordagem do estudo de tranformações lineares via
matrizes é interessante por que, de um modo geral, os problemas fundamentais da álgebra linear,
a resolução de sistemas lineares e cálculo de autovalores e autovetores, se reduzem ao trabalho
com matrizes. Além disso, em ambiente computacional o trabalho com matrizes costuma ser mais
simples do que com funções algébricas.
Inicialmente note que dada uma matriz A de ordem m × n podemos definir uma aplicação
TA : Rn → Rm por
TA (x) = Ax (7.1.1)
Rn . Para
para todo x = (x1 , x2 , ..., xn ) ∈ tornar compatível as operações matriciais o vetor x é
x1
x2
escrito como a matriz coluna x = .. .
.
xn
A aplicação TA definida em (7.1.1) é uma transformação linear. De fato, sejam x e y vetores
pertencentes ao Rn e α um escalar. Usando a definição de TA e as propriedades das operações
matriciais, temos
Ou seja, TA é linear. Dessa forma, a cada matriz A de ordem m × n podemos associar uma
transformação linear TA : Rn → Rm . A recíproca dessa afirmação também é verdadeira. Isto é, a
cada transformação linear T : Rn → Rm podemos associar uma matriz A de ordem m × n.
A seguir veremos que esse resultado pode ser generalizado para transformações lineares quais-
quer, entre espaços vetoriais de dimensão finita quaisquer. Também veremos um procedimento
para obter a matriz de uma transformação linear qualquer.
68 7. A Matriz de uma Transformação Linear
u = a1 u1 + a2 u2 + · · · + an un . (7.2.1)
Mais adiante voltaremos as equações (7.2.1) e (7.2.2). Por enquanto, observe que como T (u1 ),
T (u2 ), . . .,T (un ) são vetores de V, então cada um deles pode ser escritos como uma combinação
linear dos vetores da base β = {v1 , v2 , . . . , vm }. Isto é, existem escalares aij , com 1 6 i 6 m e
1 6 j 6 n tais que
Daí obtemos a matriz de coordenadas (ou vetor de coordenadas, já que possui uma única
coluna), em relação
β, de T (u1 ), T (u2),. . ., T (un ). Isto é,
a base
a11 a12 a1n
a21 a22 a2n
[T (u1 )]β = .. , [T (u2 )]β = .. , . . ., [T (un )]β = .. .
. . .
am1 am2 amn
a11 a21 ... a1n
a21 a22 ... a2n
[T ]α = .
β .. .. .. ..
. . . .
am1 am2 . . . amn
Exemplos
1. (Obtendo a matriz de uma transformação linear conhecendo-se as duas bases e a
transformação linear.) Sejam α = {(1, 1), (−1, 1)} uma base R2 , β = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
uma base de R3 e T : R2 → R3 a transformação linear definida por T (x, y) = (x, x + y, y).
Determine a matriz de T em relação as bases α e β. Isto é, [T ]α
β.
7.2. A Matriz de uma Transformação Linear 69
a1 + a2 + a3 = 1
a1 + a2 = 2
a1 = 1,
1
cuja solução é a1 = 1, a2 = 1 e a3 = −1. De onde obtemos [T (1, 1)]β = 1 .
−1
a1 + a2 + a3 = −1
a1 + a2 = 0
a1 = 1,
1
cuja solução é a1 = 1, a2 = −1 e a3 = −1 e obtemos [T (−1, 1)]β = −1 .
−1
3. Escrevemos a matriz de T .
Finalmente, temos a matriz
−1 1
[T ]α
β =
1 −1 .
−1 −1
70 7. A Matriz de uma Transformação Linear
2. Dado α = {e1 , e2 , e3 , e4 } a base canônica do R4 e β = {(1, 1, 1), (0, 1, 1), (0, 0, 1)} uma base do
R3 , determinar a transformação linear T : R4 → R3 tal que
1 2 3 0
[T ]α
β =
−1 0 1 1 .
5 4 0 −2
Para isto, consideremos um vetor genérico do R4 , isto é, (x, y, z, w) e vamos escrevê-lo como
combinação linear dos vetores da base α = {e1 , e2 , e3 , e4 }. Ou seja,
Assim, obtemos
a11 a21 . . . a1n
a21 a22 . . . a2n
[T ]α = = [I]α
β.
β .. .. . . ..
. . . .
an1 an2 . . . ann
T (a0 + a1 t + a2 t2 ) = (a0 , a1 , a2 ),
α = {1, t, t2 } base de P2 (R) e β = {(1, 0, 1), (0, 1, 1), (1, 1, 0)} base de R3 . Determinar [T ]α
β.
T (1) = T (1 · 1 + 0 · t + 0 · t2 ) = (1, 0, 0)
T (t) = T (0 · 1 + 1 · t + 0 · t2 ) = (0, 1, 0)
T (t2 ) = T (0 · 1 + 0 · t + 1 · t2 ) = (0, 0, 1).
a11 + a31 = 1
a21 + a31 = 0
a11 + a21 = 0,
a12 + a32 = 0
a22 + a32 = 1
a12 + a22 = 0,
a13 + a33 = 0
a23 + a33 = 0
a13 + a23 = 1.
[T (u)]β = [T ]α
β [u]α .
7.4 Exemplo
Seja α = {(1, 2), (−2, 1)} e β = {(1, 1, 0), (0, 1, 1), (1, 1, 1)} bases de R2 e R3 ,respectivamente.
−1 0
Suponha ainda que T é uma transformação linear de R2 em R3 , tal que [T ]α β =
0 −1.
2 0
2
1. Se v é tal que [v]α = , calcule T (v).
−3
2. Determine T (x, y).
Resolução.
−1 0
α α 2
1) Pelo Teorema 1, [T (v)]β = [T ]β [v]α . Como [T ]β = 0 −1 e [v]α =
, então
−3
2 0
−1 0 −2
2
[T (v)]β = 0 −1
= 3 .
−3
2 0 4
−2
Ou seja, [T (v)]β = 3 . Assim, como β = {(1, 1, 0), (0, 1, 1), (1, 1, 1)}, obtemos
4
T (v) = −2(1, 1, 0) + 3(0, 1, 1) + 4(1, 1, 1) = (2, 5, 7).
2) Para calcularmos T (x, y) procederemos de maneira análoga ao item 1). No entanto, devemos
considerar o vetor genérico v = (x, y). Assim, [v]α = [(x, y)]α .
Para calcularmos [(x, y)]α devemos resolver a equação
(x, y) = a(1, 2) + b(−2, 1)
que resulta no sistema linear
a − 2b = x
2a + b = y
x + 2y
x + 2y −2x + y
cuja solucão é a = eb= . Assim, [(x, y)]α = −2x5+ y .
5 5
5
7.5. Exercícios 75
−x − 2y
x + 2y
−1 0 2x 5− y
[T (x, y)]β = 0 −1 −2x5+ y = .
2 0
5
2x + 4y
5
5
Por fim, como β = {(1, 1, 0), (0, 1, 1), (1, 1, 1)}, obtemos
−x − 2y 2x − y 2x + 4y
T (x, y) = (1, 1, 0) + (0, 1, 1) + (1, 1, 1),
5 5 5
e, portanto,
x + 2y 3x + y 4x + 3y
T (x, y) = , , .
5 5 5
7.5 Exercícios
1. (Boldrini) Sejam α = {(0, 2), (2, −1)} e β = {(1, 1, 0), (0, 0, −1), (1, 0, 1)} bases de R2 e R3 . Se
2 0
[S]α
β = 4
0
0 −4
2. (Boldrini) Sejam α = {(1, −1), (0, 2)} e β = {(1, 0, −1), (0, 1, 2), (1, 2, 0)} bases de R2 e R3 ,
respectivamente. Suponha que
1 1
[T ]α
β = 1
0 .
0 −1
Matrizes Semelhantes
Seja T : U → U uma transformação linear e considere α e β bases distintas de U. Então, podemos
β
obter uma matriz de T em relação a base α, [T ]α α ; e uma matriz de T em relação a base β, e [T ]β .
Uma pergunta importante a se fazer sobre essas duas matrizes é a seguinte: qual a relação entre
β
as matrizes [T ]α α e [T ]β ?
Para responder a essa questão, considere a Figura 3.
Note que as transformações identidade I1 e I2 possuem matrizes em relação as bases α e β,
[I1 ]β α
α e [I2 ]β , respectivamente. Note ainda que podemos escrever T como a transformação composta
T = I2 ◦ T ◦ I1 .
Como [I1 ]β α −1
α = ([I2 ]β ) , pois são matrizes mudança de base entre as bases α e β e vice-versa;
α
fazendo P = [I2 ]β , obtemos
[T ]β α −1
β = P[T ]α P .
β
Isto significa que as matrizes [T ]α
α e [T ]β são matrizes semelhantes.
Dizemos que duas matrizes A e B de mesma ordem n são semelhantes, se existe uma matriz
P, também de ordem n, invertível e tal que
A = P−1 BP.
78 7. A Matriz de uma Transformação Linear
8.1 Introdução
Uma transformação linear T : V → V, ou seja T é uma transformação linear do espaço vetorial
V nele mesmo, é comumente chamada de operador linear. Nesta seção estamos interessados em
descobrir quais vetores v do espaço vetorial V permanecem com a sua direção inalterada por um
operador linear T , isto é, quais vetores v ∈ V satisfazem a condição T (v) = λv, λ ∈ R. O par λ ∈ R
e v ∈ V que satistazem essa condição são chamados de autovalor e autovetor, respectivamente.
Observe que essa definição equivale a dizer que os autovalores e autovetores da matriz A são
os autovalores e autovetores do operador linear TA : Rn → Rn definido por
TA (x) = Ax.
2 0
Por exemplo, os autovalores da matriz da matriz A = podem ser obtidos resolvendo-se
1 −3
2 0 x x
a equação =λ . De onde obtemos o sistema não linear
1 −3 y y
2x = λx
.
x − 3y = λy
Resolvendo-se esse sistema não linear, determinamos os valores reais de λ, se existirem, e o
respectivo autoespaço associado. Porém a solução de um sistema não linear, em geral, não é uma
tarefa simples. Uma maneira mais adequada para calcular os autovalores de um operador linear
será apresentado a seguir. Trata-se do polinômio característico de T .
A − λI
sendo [T ]α
α a matriz de T em relação a base α.
T : Rn → Rn
sempre podemos escolher a base canônica {e1 , e2 , ..., en } e, assim, simplificarmos o cálculo da matriz
[T ]α
α . De um modo geral, independentemente da transformação linear T , é aconselhável a escolha
da base canônica de V, pois o cálculo da matriz de T em relação a essa base costuma ser mais
simples.
8.3. Polinômio Caracteristico 81
Exemplos
2 0
1. Determine os autovalores e autovetores da matriz A =
1 −3
Resolução.
Primeiro, construimos a matriz característica de A.
2 0 1 0 2−λ 0
A − λI = −λ =
1 −3 0 1 1 −3 − λ
Em seguida, calculamos o polinômio característico de A. Isto é, obtemos p(λ) = det(A−λI):
[T ]v = λv
ou o sistema
([T ] − λI)v = 0,
onde zero representa a matriz coluna nula de ordem 3 × 1. Vamos utilizar o segundo sistema.
Autovetores associados ao autovalor λ1 = 1. Resolveremos o sistema
1−λ 2 3 x 0
([T ] − λI)v = 0 −2 − λ 0 y = 0
0 0 1−λ z 0
com λ = 1.
Daí , obtemos o seguinte sistema linear homogêneo
0 2 3 x 0
0 −3 0 y = 0 .
0 0 0 z 0
Resolvendo o sistema homogêneo, obtemos as equações
2y + 3z = 0 e − 3y = 0.
3x + 2y + 3z = 0 e 3z = 0.
(a) T : R2 → R2
definida por T (x, y) = (x, −y).
(b) T : R2 → R2
definida por T (x, y) = (−x, −y).
(c) T : R2 → R2
definida por T (x, y) = (x + y, x − y).
(d) T : R3 → R3
definida por T (x, y, z) = (x, x + 2y, x + y − 3z) .
(e) T : R4 → R4
definida por T (x, y, w, z) = (x + y + z + w, −2y + z + w, 3z + w, 2w).
1/6
1/6
4. Dado a matriz u =
3/6.
5/6
a) Construa a matriz P = u · uT .
b) Mostre que P · u = u. Ou seja, λ = 1 é autovalor de P.
c) Verifique que λ = 0 também é autovalor de P.
d) Determine 3 autovetores linearmente independentes associados ao autovalor λ = 0.
5. Suponha que v é um autovetor de um matriz quadrada A com autovalor correspondente
λ. Isto é, Av = λv. Mostre que v também é autovetor da matriz A + I, sendo I a matriz
identidade com as mesmas dimensões da matriz A.
T (v1 ) = λ1 v1 (8.5.1)
T (v2 ) = λ2 v2 .
Para mostrar que {v1 , v2 } é um conjunto LI, vamos considerar a equação
a1 v1 + a2 v2 = 0. (8.5.2)
Dessa forma, temos
T (a1 v1 + a2 v2 ) = T (0),
a1 T (v1 ) + a2 T (v2 ) = 0,
o que implica em
a1 λ1 v1 + a2 λ2 v2 = 0. (8.5.3)
Multiplicando a equação (8.5.2) por λ1 , obtemos
a1 λ1 v1 + a2 λ1 v2 = 0. (8.5.4)
Daí, subtraindo as equações (8.5.3) e (8.5.4) uma da outra, obtemos
Exemplos
1. O operador linear T : R2 → R2 dado por T (x, y) = (2x, x + 3y) é diagonalizável. De fato, a
matriz de T em relação a base canônica de R2 é
2 0
[T ] = .
1 −3
Note que [T ] é igual a matriz A do Exemplo 1 da Seção 3.1. Logo, existe uma base de R2
formada por autovetores de T e, portanto, T é diagonalizável.
86 8. Autovalores e Autovetores
TA (v) = Av
é diagonalizável.
Equivalentemente, dizemos que uma matriz A quadrada de ordem n é diagonalizável se existe
uma matriz P de ordem n, invertível e tal que
P−1 AP
Exemplos
2 0
1. A matriz A = é diagonalizável. De fato, do Exemplo 1 da Seção 3.1, (5, 1) e
1 −3
(0, 1), vetores do R2 , são autovetores de A linearmente independentes. Logo, a matriz
5 0
P=
1 1
cujas colunas são formadas pelos elementos desses vetores é uma matriz invertível, cuja
inversa é
−1 1/5 0
P = .
−1/5 1
Além disso, temos que
−1 1/5 0 2 0 5 0 2 0
P AP = =
−1/5 1 1 −3 1 1 0 −3
T (T (v)) = T (v)
para todo v ∈ V.
p([T ]α
α = 0.
A2 = −aA − bI
para calcular A2 . Use os resultados dos itens (a) e (b) e calcule as matrizes [T ]2 e [T ]3 .
Espera-se que ao ter estudado essa seção você tenha adquirido as seguintes competências e
habilidades:
• Verificar se uma dada matriz é diagonalizável e obter a matriz P que diagonaliza a mesma;
• Dado um operador T : V → V obter, quando existir, uma base de V formada por autovetores
de T .
88 8. Autovalores e Autovetores
8.8 Respostas
Exercícios 8.4
1.
2.
3. (a) λ1 = −1 e Vλ1 = {(0, y); y ∈ R}; λ2 = 1 e Vλ2 = {(x, 0); x ∈ R}
(b) λ = −1 e Vλ = {(x, y); x, y ∈ R} = [(1, 0), (0, 1)] = R2 .
√ √ √ √ √
(c) λ1 = − 2 e Vλ1 =√ {(x, (1 + 2)x); x ∈ R} = [(1, 1 + 2)]; λ2 = 2 e Vλ2 = {(x, ( 2 −
1)x); x ∈ R} = [(1, 2 − 1)].
(d) λ1 = 1 e Vλ1 = {(−5y, y, −y); y ∈ R}; λ2 = 2, Vλ2 = {(0, y, 5y); y ∈ R}; λ3 = −3 e
Vλ3 = {(0, 0, z); z ∈ R}.
(e) λ1 = 1 e Vλ1 = {(x, 0, 0, 0); x ∈ R}; λ2 = −2, Vλ2 = {(x, −3x, 0, 0); x ∈ R}; λ3 = 3 e
Vλ3 = {(x, 0, 2x, 0); x ∈ R}; λ4 = 2 e Vλ4 = {(5y, y, 0, 4y); y ∈ R}.
Exercícios 8.6
1. λ = 1 é o único autovalor do operador TA e o seu autoespaço associado é Vλ = {(x, 0); x ∈ R}.
Logo, R2 não possui uma base formada por autovetores de TA . Assim, TA não é diagonalizável
e portanto A não é uma matriz diagonalizável.
2. Considerando que a matriz A é a matriz na base canônica do operador linear TA : R2 → R2 ,
TA (v) = Av
onde v é um vetor coluna. Temos que λ = 1 e λ = 2 são autovalores distintos TA . Logo, TA
é diagonalizável. Portanto, A é diagonalizável.
3. A matriz P que diagonaliza a matriz A é a matriz cujas colunas são formadas por autovetores
linearmente independentes de A. Neste caso,
1 1
P= .
3/2 −1
Exercícios 8.7
1. (a) Sejam T um operador idempotente, λ um autovalor de T e v 6= 0 tal que T (v) = λv.
Como T é idempotente vale a igualdade
T (T (v)) = T (v).
Substituindo, nessa equação, T (v) por λv , obtemos:
T (T (v)) = λv
T (λv) = λv
λT (v) = λv
λλv = λv
λ2 v − λv = 0
(λ2 − λ)v = 0.
2. (a) p(λ) = λ2 − 1.
1 1
(b) Como [T ] = e p(λ) = λ2 − 1, temos:
0 −1
p(λ) = λ2 − 1
p([T ]) = [T ]2 − 1I2
2
1 1 1 0
p([T ]) = −
0 −1 0 1
1 1 1 1 1 0
p([T ]) = −
0 −1 0 −1 0 1
1 0 1 0
p([T ]) = −
0 1 0 1
0 0
p([T ]) = .
0 0
[T ]2 − I2 = 0,
de onde obtemos [T ]2 = I2 , como já foi verificado no item (b). Para calcular [T ]3 , usamos
a igualdade [T ]3 = [T ]2 [T ]. Como [T ]2 = I2 , então [T ]3 = I2 [T ]. Logo, [T ]3 = [T ].
9
Espaços com Produto Interno
9.1 Introdução
O espaço R3 possui características importantes que gostaríamos que fossem compartilhadas por
outros espaços vetoriais. Por exemplo, em R3 podemos calcular ângulo e distâncias entre dois
vetores. Como esses conceitos são oriundos da geometria, dizemos de um modo geral, que o espaço
R3 possui uma geometria. Nesta seção, teremos como objetivo extender tais conceitos, naturais ao
R3 , para outros outros espaços vetoriais.
Observações.
hi : V × V → R
Exemplos
1. Espaço Vetorial R3 . Sejam x = (x1 , x2 , x3 ) e y = (y1 , y2 , y3 ) vetores quaisquer do R3 . A
função definida por
hx, yi = x1 y1 + x2 y2 + x3 y3
é um produto interno sobre R3 .
Demonstração. Aula.
hx, yi = x1 y1 + x2 y2 + ... + xn yn
3. Espaço Vetorial C[0, 1] (o espaço vetorial formado por todas as funções que são
contínuas [0, 1]). Sejam f e g funções quaisquer de C[0, 1]. Isto é, f e g são funções contínuas
no intervalo [0, 1] de R. A função definida por
Z1
hf, gi = f(t)g(t)dt
0
é um produto interno sobre C[0, 1], sendo também chamado de produto interno canônico de
C[0, 1].
Demonstração. Primeiro lembre-se das seguintes propriedades da integral:
Zb Zb Zb Zb Zb
(a) [f(x) + g(x)]dx = f(x)dx + g(x)dx, (b) kf(x)dx = k f(x)dx
a a a a a
Zb
e (c) f(x)dx > 0, sempre que f(x) > 0 em [a, b].
a
A propriedade (i) da definição de produto interno é satisfeita. De fato,
Z1 Z1
hf, fi = f(t)f(t)dt = [f(t)]2 dt.
0 0
Como [f(t)]2 > 0 para todo t ∈ [0, 1], pela propriedade (c) das integrais, obtemos que
Z1
[f(t)]2 dt > 0 e, portanto, hf, fi > 0.
0
Z1
Agora, se hf, fi = 0, então temos [f(t)]2 dt = 0. Daí, f(t) = 0 para todo t ∈ [0, 1] e,
0
portanto, f = 0. Isto é, f é a função que se anula em todo ponto de [0, 1].
Para provarmos que a propriedade (ii) é válida, basta atentarmos para o fato de que vale
a comutatividade para o produto de números reais. Isto é, f(x)g(x) = g(x)f(x) para todo x
real. Daí, temos
Z1 Z1
hf, gi = f(t)g(t)dt = g(t)f(t)dt = hg, fi.
0 0
9.3. Exercícios 93
A propriedade (iii) da definição de produto interno pode ser verificada fazendo uso da
propriedade (a) das integrais. De fato, dadas funções f, g, h ∈ C[0, 1] temos
Z1 Z1 Z1
hf + g, hi = [f + g](t)h(t)dt = [f(t) + g(t)]h(t)dt = [f(t)h(t) + g(t)h(t)]dt
0 0 0
Z1 Z1
= f(t)h(t)dt + g(t)h(t)dt
0 0
= hf, hi + hg, hi.
Por fim, a propriedade (iv) pode ser verificada fazendo uso da propriedade (b) das inte-
grais. De fato, dadas uma constante real k e uma função f ∈ C[0, 1], segue da propriedade
(b) das integrais e da definição deste produto interno
Z1 Z1 Z1
hkf, gi = (kf)(t)g(t)dt = kf(t)g(t)dt = k (f)(t)g(t)dt = khf, gi.
0 0 0
9.3 Exercícios
1. Considerando o produto interno euclidiano definido no Exemplo 1, calcule em cada caso,
hu, vi, hu, ui e hv, vi.
a) u = (1, 1, −1) e v = (2, 1, 5).
94 9. Espaços com Produto Interno
√ √ ! √ √ √ !
2 2 3 3 3
b) u = − , 0, e , , .
2 2 3 3 3
c) u = (1, 1, 3, 2) e v = (−2, 1, 4, 0).
3. Considere o espaço vetorial das funções contínuas no intervalo [−π, π]. Defina para este
intervalo o produto interno Zπ
hf, gi = f(t)g(t)dt.
−π
4. Considere o espaço vetorial das funções contínuas no intervalo [−1, 1]. Defina para este
intervalo o produto interno
Z1
hf, gi = f(t)g(t)dt.
−1
a) hA, Bi
b) hA, Ai
c) hB, Bi
9.4 Norma
Definição (Norma). Seja V um espaço vetorial com produto interno. Para cada v ∈ V, definimos
a norma de v, denotamos ||v||, como sendo o número real
||v|| =
p
hv, vi.
Observações.
3. Sendo V um espaço vetorial com produto interno segue, diretamente das definições de pro-
duto interno e de norma, as seguintes propriedades:
Exemplos
1. Considerando o espaço vetorial R2 com o produto interno euclidiano as normas dos vetores
x = (1, −1) e y = (−2, −3) são respectivamente,
√
||x|| = hx, xi = h(1, −1), (1, −1)i = 12 + (−1)2 = 2,
p p p
√
||y|| = hy, yi = h(−2, −3), (−2, −3)i = (−2)2 + (−3)2 = 13.
p p p
2. No espaço das funções polinomiais de grau menor ou igual a 2, P2 (R), definidas no intervalo
[0, 1], podemos considerar o produto interno
Z1
hf, gi = f(t)g(t)dt.
0
De fato, toda função polinômial de grau menor ou igual a 2 é também uma função contínua.
Assim, dado o polinômio p(x) = x2 − 2 ∈ P2 (R), em relação a esse produto interno temos
Z1 Z1
43
||p(x)|| = hp(x), p(x)i =
2 2 2
(x − 2)(x − 2)dx = (x4 − 4x2 + 4)dx = .
0 0 15
A Desigualdade de Cauchy-Shwarz.
Seja V um espaço vetorial com produto interno. Então,
|hu, vi| 6 ||u|| · ||v|| (9.4.1)
para quaisquer u, v ∈ V. A igualdade vale se, e somente se, u e v forem vetores linearmente
dependentes.
Demonstração. Aula.
A Desigualdade Triangular
Sabe-se da Geometria Euclidiana que se a, b e c são as medidas dos lados de um triângulo
qualquer, então
a < b + c.
Isto é, a medida de um dos lados é sempre inferior à soma das medidas dos outros dois lados. Uma
versão deste resultado para vetores será apresentada a seguir.
|hu, vi|
6 1. (9.4.3)
||u|| · ||v||
Devido à propriedade de módulo de números reais, a equação (9.4.3) pode ser reescrita do
seguinte modo
hu, vi
−1 6 6 1. (9.4.4)
||u|| · ||v||
Por outro lado, sabemos que a função cos(t) é tal que
−1 6 cos(t) 6 1. (9.4.5)
Além disso, para t variando de 0 até π radianos, a função cos(t) assume cada valor do intervalo
[−1, 1] uma única vez. Portanto, existe um ângulo t ∈ [0, π] tal que
hu, vi
cos(t) = . (9.4.6)
||u|| · ||v||
Este ângulo t é chamado de ângulo entre os vetores u e v.
Ortogonalidade
Note que da igualdade (9.4.6)
hu, vi
cos(t) = 0 ⇐⇒ = 0 ⇐⇒ hu, vi = 0.
||u|| · ||v||
π
Além disso, cos(t) = 0, no intervalo [0, π] se, e somente se, t = . Dessa forma, é conveniente
2
a seguinte definição de ortogonalidade entre dois vetores u e v:
Definição (Vetores Ortogonais). Seja V um espaço com produto interno. Dizemos que dois
vetores u e v são ortogonais se hu, vi = 0, e denotamos u ⊥ v.
Exemplos
1. No Espaço Vetorial R3 considere os vetores x = (1, −1, 0) e y = (1, 1, 1) e o produto interno
usual. Calculando hx, yi, obtemos
hx, yi = 1 × 1 + (−1) × 1 + 0 × 1 = 0.
2. Podemos verificar facilmente que os vetores e1 , e2 , ..., en da base canônica do Rn são dois
a dois ortogonais, segundo o produto interno usual.
3. No Espaço Vetorial C[0, π] considere as funções f(x) = senx e g(x) = cosx.
Zπ
hf, gi = f(x)g(x)dx
Zπ
0
= sen(x)cos(x)dx
Zπ
0
Z
2 1 π
= sen(x)cos(x)dx = 2sen(x)cos(x)dx
0 2 2 0
Z
1 π
= sen(2x)dx
2 0
= 0.
Logo, o conjunto {sen(x), cos(x)} é um conjunto ortogonal de C[0, π].
Teorema 1. Seja V um espaço vetorial com produto interno e {v1 , v2 , ..., vn } um conjunto de
vetores de V dois a dois ortogonais. Então, {v1 , v2 , ..., vn } é um conjunto linearmente independentes.
Demonstração. Aula.
Definição (Base Ortogonal). Uma base β = {v1 , v2 , ..., vn } de V é dita ser uma base ortogonal
se os vetores de β são dois a dois ortogonais. Isto é, β = {v1 , v2 , ..., vn } é uma base ortogonal de V
se
hvi , vj i = 0
para todo i 6= j.
Definição (Base Ortonormal). Uma base β = {v1 , v2 , ..., vn } de V é dita ser uma base
ortonormal se β é uma base ortogonal e os seus vetores são unitários. Isto é, β = {v1 , v2 , ..., vn } é
uma base ortonormal de V se
0, se i 6= j
hvi , vj i =
1, se i = j.
Coefiecientes de Fourier
Se V é um espaço vetorial com produto interno e β = {v1 , v2 , ..., vn } é uma base ortogonal de V,
então cada vetor v ∈ V pode ser escrito como
Exemplos
1. As bases canônicas {e1 , e2 } de R2 , {e1 , e2 , e3 } de R3 ,....,{e1 , e2 , ..., en } de Rn são exemplos de
bases ortornormais, onde esses espaços são considerados com o produto interno usual.
√ √ √ √
2 2 2 2
2. Considere os vetores u = ( , , 0), v = (− , , 0) e w = (0, 0, 1)} de R3 .
2 2 2 2
√ √ √ √
2 2 2 2
hu, vi = × (− )+ × +0×0=0
2
√ 2√ 2 2
2 2
hu, wi = ×0+ ×0+0×1=0
2√ 2√
2 2
hv, wi = − ×0+ ×0+0×1=0
2 2
Logo os vetores u, v e w são dois a dois ortogonais, e assim o conjunto {u, v, w} é uma
base ortogonal de R3 . Além disso, pode ser facilmente verificado que que esses vetores são
unitários. Dessa forma, a base {u, v, w} é ortonormal.
Sabendo-se que essa base é ortonormal, o vetor x = (1, 1, 1) pode ser escrito como combinação
linear dessa base do seguinte modo
√
x= 2u + 0v + 1w,
√
= 2u + w.
Exercícios Propostos
1. Dados os vetores u = (1, 1, 1, 1) e v = (1, 2, 3, 4) do R4 , use o produto interno canônico para
calcular
9.4. Norma 99
a) hu, vi
b) ||u||
c) ||v||
d) O ângulo entre u e v.
3. Definimos a distância entre os vetores u e v como sendo o número real dado por
e que
||u − v||2 = ||u||2 − 2hu, vi + ||v||2 .
5. Sejam V um espaço com produto interno e vetores u e v de V tais que ||u|| = 1, ||v|| = 2 e
||u − v|| = 5. Determine hu, vi.
1 1
||u + v||2 − ||u − v||2 = hu, vi.
4 4
hu, vi
7. Mostre que os vetores v e u − v são ortogonais.
||v||2
8. Mostre que
||u + v||2 = ||u||2 + ||v||2 + 2||u|| × ||v||cos(θ).
( Lei dos cossenos)
10. Seja V um espaço vetorial com produto interno a α = {v1 , v2 , v3 } uma base ortonormal de V.
Seja T : V → V uma transformação linear. Mostre que
hT (v1 ), v1 i hT (v2 ), v1 i hT (v3 ), v1 i
[T ]α
α =
hT (v1 ), v2 i hT (v2 ), v2 i hT (v3 ), v2 i .
hT (v1 ), v3 i hT (v2 ), v3 i hT (v3 ), v3 i
100 9. Espaços com Produto Interno
v1 = u1
hu2 , v1 i
v2 = u2 − v1
hv1 , v1 i
hu3 , v2 i hu3 , v1 i
v3 = u3 − v2 − v1
hv2 , v2 i hv1 , v1 i
.. ..
.=. (9.5.1)
hun , vn1 i hun , v2 i hun , v1 i
vn = un − vn−1 − ... − v2 − v1 .
hvn−1 , vn−1 i hv2 , v2 i hv1 , v1 i
v1 v2
Em seguida, normalizando cada um dos vetores vi , isto é, fazendo w1 = , w2 = ,....,
||v1 || ||v2 ||
vn
wn = , obtemos o conjunto
||vn ||
γ = {w1 , w2 , ..., wn }
que é uma base ortonormal de V.
Exemplos
1. Use o processo de ortogonalização de Gram-Schmidt para obter uma base ortonormal de R3
a partir da base {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
Isto é, S⊥ é formado por todos os vetores de V que são ortogonais a todos os vetores de S.
Observações.
V = S ⊕ S⊥ .
3. {0}⊥ = V e V ⊥ = {0}
9.7. Exercícios Propostos 101
Exemplos
1. Seja S = {(x, x); x ∈ R} = [(1, 1)]. Para determinar o complemento ortogonal de S devemos
determinar todos os vetores (x, y) ∈ R2 tal que
2. Seja W o subespaço de R4 gerado pelo vetores (1, 1, −1, 0) e (−1, 1, 0, 1). Determinar W ⊥ .
Resolução. Precisamos determinar todos os vetores (x, y, z, w) ∈ R4 tais que
Daí, obtemos
x + y − z = 0,
−x + y + w = 0.
W = {(x, y, z) ∈ R3 ; x − y + z = 0}.
4. W ∈ R3 o subespaço gerado pelos vetores (1, 0, 1) e (1, 1, 0). Determine uma base para W ⊥
(usando o produto interno usual).
5. Considere o subespaço W ∈ R3 gerado pelos vetores u = (1, 0, 0), v = (0, 1, 1) e w =
(1, −1, −1). Considerando o produto interno usual do R3
a) Determine W ⊥ ;
b) Determine uma transformação linear T : R3 → R3 tal que Im(T ) = W e Ker(T ) = W ⊥ .
e W = Ker(T ). Usando o produto interno usual, determine uma base ortonormal para W ⊥ .
102 9. Espaços com Produto Interno
ha0 + a1 x + a2 x2 , b0 + b1 x + b2 x2 i = a0 b0 + a1 b1 + a2 b2
é um produto interno.
(b) Mostre que {1, x, x2 }, a base canônica de P2 (R), é ortonormal em relação a esse produto
interno.
(c) Mostre que {1, x, x2 }, a base canônica de P2 (R), não é ortonormal em relação ao produto
interno canônico de C[0, 1].
(d) Use o processo de ortogonalização de Gram-Schmidt para ortogonalizar a base {1, x, x2 }
em relação ao produto interno canônico de C[0, 1].
a) Verifique que hA, Bi = tr(BT A) é mesmo um produto interno em M(2, 2). (Veja a
definição da função traço na seção de exemplos 2.1)
b) Determine uma base ortonormal, segundo esse produto interno, a partir da base
1 0 1 1 1 0 1 1
, , , .
0 1 0 0 1 1 1 1
9.9 Respostas
Exercícios da Seção 9.4
1. (a) 10.
(b) 2.
√
(c) 30.
√
(d) θ = arccos( 30/6).
2. ||p(t)|| = 101/30.
p
√
3. (a) 14.
(b) Como d(u, v) = ||u − v||, então d(u, 0) = ||u − 0|| = ||u||, para todo u ∈ V.
9.9. Respostas 103
4. Sugestão: desenvolva o lado direito das igualdades ||u + v||2 = hu + v, u + vi e ||u − v||2 =
hu − v, u − vi.
5. hu, vi = −10.
7. Sugestão: mostre que o produto interno entre os dois vetores dados é igual a zero.
10
Operadores Especiais
10.1 Introdução
Nesta seção serão estudados dois tipos de operadores especiais. Trata-se do operador simétrico e
do operador ortogonal. Esses operadores possuem interessantes propriedades teóricas e são muito
utilizados na modelagem e resolução de vários problemas práticos.
Uma boa característica desses operadores é que as suas matrizes, em relação à qualquer base or-
tonormal do espaço, são tipos bem especiais de matrizes. Por isso, antes de estudar tais operadores,
começaremos revendo os conceitos e propriedades de matrizes simétricas e matrizes ortogonais.
Definição. Seja A uma matriz quadrada de ordem n e AT a sua transposta. Dizemos que A
é uma matriz simétrica se
AT = A
e que A é uma matriz ortogonal se
AT A = AAT = In .
2. A é uma matriz ortogonal se, e somente se, as colunas (ou linhas) A são vetores ortonormais.
Exemplos
cosθ senθ
1. A matriz R = é uma matriz ortogonal. De fato, calculando RRT , obtemos
−senθ cosθ
T cosθ senθ cosθ −senθ 1 0
RR = = .
−senθ cosθ senθ cosθ 0 1
106 10. Operadores Especiais
Como RRT = I2 , então, por definição, R é uma matriz ortogonal. Outra maneira de verificar
que a matriz R é ortogonal, seria constatar que as suas colunas formam um conjunto de
vetores ortonormais do R2 .
1 −1
2. A matriz A = não pode ser ortogonal. De fato, det(A) = 2.
−1 1
1 −1
3. A matriz B = é tal que det(B) = 1. Porém, como a condição det(A) = 1 ou
0 1
det(A) = −1 não é suficiente para garantir que A seja ortogonal, não podemos afirmar que
B é uma matriz ortogonal. De fato, B não é uma matriz ortogonal pois, segundo o produto
interno usual de R2 , a segunda coluna da matriz não é um vetor unitário.
Observações.
Exemplos
3
1. T : R → R3 definido por T (x, y, z) = (2x − y + z, −x + 3y − z, x − y + 4z). Note que
2 −1 1
[T ] = −1 3 −1 é uma matriz simétrica. Logo T é um operador simétrico.
1 −1 4
Isto é, TA (x, z) = (x − 2y, −2x + y). Em relação à base canônica do R2 , que é ortonormal,
1 −2
[TA ] = .
−2 1
para todo u, v ∈ V.
O próximo teorema é um dos teoremas mais importantes da Álgebra Linear. O mesmo estabe-
lece que operadores simétricos são diagonalizáveis. Isto é, se V é um espaço vetorial com produto
interno e se T : V → V e um operador simétrico, então existe uma base ortonormal de V formada
por autovetores de T .
P−1 AP
Se A ∈ M(n, n) é simétrica, então existe uma matriz P ∈ M(n, n) que é ortogonal e tal que
PT AP
Exercícios Propostos
1. Seja R2 com o produto interno usual. Suponha que T : R2 → R2 é um operador simétrico tal
que
−1 1
A = [T ] = .
1 −1
Determine uma matriz P tal que P−1 AP seja uma matriz diagonal.
2. Seja R3 com o produto interno usual. Suponha que T : R3 → R3 é um operador simétrico tal
que
−1 1 2
A = [T ] = 1 −1 2 .
2 2 2
Determine uma matriz P tal que P−1 AP seja uma matriz diagonal.
3. Seja V um espaço vetorial com produto interno a α = {v1 , v2 , v3 } uma base ortonormal de V.
Seja T : V → V um operador simétrico. Mostre que
hT (v1 ), v1 i hT (v1 ), v2 i hT (v1 ), v3 i
[T ]α
α =
hT (v1 ), v2 i hT (v2 ), v2 i hT (v2 ), v3 i .
hT (v1 ), v3 i hT (v2 ), v3 i hT (v3 ), v3 i
Exemplos
1. Considere o operador rotação T : R2 → R2 o qual é definido por
cosθ senθ
[T ]α
α = .
−senθ cosθ
Sejan u1 e u2 a primeira e a segunda coluna de [T ], respectivamente, temos o seguinte:
10.4. Exercícios Propostos 109
Assim as colunas da matriz [T ] são vetores ortonormais, logo [T ] é uma matriz ortogonal e
portanto, T é um operador ortogonal.
2. Considere o R3 com o produto interno usual. Seja T : R3 → R3 um operador linear dado por
T (x, y, z) = (2x + y, x + y + z, y − 3z).
a) Mostre que T é um operadpr simétrico mas não é ortogonal.
b) Se v = (2, −1, 5) e w = (3, 0, 1), verifique que hT (v), wi = hv, T (w)i.
c) Determine uma base ortonormal de R3 formada por autovetores de T .
2 −1
3. Construa uma matriz ortogonal A cuja primeira coluna seja os elementos do vetor ( √ , √ ).
5 5
1 −2 −2
4. Construa uma matriz ortogonal A cuja primeira coluna seja os elementos do vetor ( , , ).
3 3 3
5. Mostre que se T é um operador ortogonal, então T é injetivo.