Algebra Linar

UDESC - UNIVERSIDADE ESTADUAL
DE SANTA CATARINA
CENTRO DE CI
ENCIAS TECNOL

OGICAS - CCT
DEPARTAMENTO DE MATEM
ATICA - DMAT
APOSTILA DE

ALGEBRA LINEAR II
JONES CORSO - Coordenador
Graciela Moro; Jo ao de Azevedo; Katiani da Conceic ao; Marnei Luis
Mandler; Patricia S anez Pacheco; Roberta Briesemeister; Rafael
Carlos V elez Benito
Joinville - 2010.
ii
Sum ario
1 MATRIZES E SISTEMAS 1
1.1 Tipos de matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Matriz coluna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Matriz linha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.3 Matriz nula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.4 Matriz quadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.5 Matriz diagonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.6 Matriz identidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.7 Matriz transposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.8 Matriz sim etrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.9 Matriz anti-sim etrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.10 Matriz triangular superior . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.11 Matriz triangular inferior . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Operac oes com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Adic ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Multiplicac ao por escalar . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Multiplicac ao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.6 Pot encia de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Matriz na forma escada reduzida por linhas . . . . . . . . . . . . . . . . . . . 8
1.3.1 Operac oes elementares linha . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Posto de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.5 C alculo da inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.1 C alculo da inversa por escalonamento: . . . . . . . . . . . . . . . . . . 12
iii
1.6 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 C alculo do determinante por triangulac ao . . . . . . . . . . . . . . . . 13
1.6.2 C alculo do determinante por desenvolvimento de Laplace . . . . . . . 14
1.7 Primeira lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.8 Sistema de equac oes lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8.1 Introduc ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.8.2 Sistemas e matrizes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.8.3 Soluc ao de um sistema por matriz inversa . . . . . . . . . . . . . . . . 25
1.9 Segunda lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.10 Ap endice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.10.1 C alculo da inversa por adjunta . . . . . . . . . . . . . . . . . . . . . . 30
1.10.2 Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2 ESPAC OS VETORIAIS 37
2.1 Introduc ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2 Subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.3 Intersecc ao de dois Subespacos Vetoriais . . . . . . . . . . . . . . . . . . . . . 48
2.4 Combinac ao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.5 Depend encia e Independ encia Linear . . . . . . . . . . . . . . . . . . . . . . . 52
2.6 Subespacos Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.7 Soma de Subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.8 Base e Dimens ao de um Espaco Vetorial . . . . . . . . . . . . . . . . . . . . 58
2.8.1 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.8.2 Dimens ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.8.3 Dimens ao da Soma de Subespacos Vetoriais . . . . . . . . . . . . . . . 65
2.8.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.9 Mudanca de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.10 A Inversa da Matriz de Mudanca de Base . . . . . . . . . . . . . . . . . . . . 70
2.11 Terceira lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3 TRANSFORMAC

OES LINEARES 79
3.1 Propriedades das Transformac oes Lineares . . . . . . . . . . . . . . . . . . . . 84
3.2 Transformac oes Lineares e Matrizes . . . . . . . . . . . . . . . . . . . . . . . 91
iv
3.2.1 Transformac ao linear associada a uma matriz . . . . . . . . . . . . . . 91
3.2.2 Matriz de uma transformac ao linear . . . . . . . . . . . . . . . . . . . 95
3.3 Composic ao de transformac oes lineares . . . . . . . . . . . . . . . . . . . . . 100
3.4 A Inversa de uma transformac ao linear . . . . . . . . . . . . . . . . . . . . . . 102
3.5 Quarta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4 OPERADORES LINEARES 111
4.1 Transformac oes especiais no plano e no espaco . . . . . . . . . . . . . . . . . 111
4.1.1 Transformac oes no Plano . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.1.2 Transformac oes no Espaco . . . . . . . . . . . . . . . . . . . . . . . . 117
4.2 Propriedades dos operadores inversveis . . . . . . . . . . . . . . . . . . . . . 124
4.3 Operadores autoadjuntos e ortogonais . . . . . . . . . . . . . . . . . . . . . . 128
4.4 Quinta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5 Autovalores e Autovetores 133
5.1 Autovalores e autovetores de uma matriz . . . . . . . . . . . . . . . . . . . . . 134
5.1.1 Polin omio Caracterstico . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.2 Matrizes Semelhantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
5.3 Diagonalizac ao de Operadores . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.3.1 Matriz Diagonalizadora . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.4 Sexta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6 PRODUTO INTERNO 155
6.1 Normas, Dist ancias e

Angulos em Espacos com Produto Interno . . . . . . . . 159
6.2 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
6.2.1 Conjunto Ortogonal de Vetores . . . . . . . . . . . . . . . . . . . . . . 161
6.2.2 Base ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.2.3 Base ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.2.4 Coordenadas em relac ao a Bases Ortonormais . . . . . . . . . . . . . . 163
6.2.5 Coordenadas em relac ao a Bases Ortogonais . . . . . . . . . . . . . . 164
6.3 Complementos Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
6.4 Projec oes Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.5 Encontrando Bases Ortogonais e Ortonormais . . . . . . . . . . . . . . . . . . 166
6.5.1 Processo de Ortogonalizac ao de Gram-Schmidt . . . . . . . . . . . . . 166
v
6.6 Fatorac ao QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
6.6.1 Aplicac ao da fatorac ao QR . . . . . . . . . . . . . . . . . . . . . . . . 170
6.7 S etima lista de exerccios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
7 APLICAC

OES 177
7.1 Aplicac oes da

Algebra Linear na Engenharia Cartogr aca . . . . . . . . . . . . 177
7.2 Aplicac oes de espacos vetoriais na computac ao gr aca . . . . . . . . . . . . . 178
7.3 Aplicac oes de autovalores e autovetores na engenharia civil . . . . . . . . . . . 183
7.3.1 O Problema de autovalor na avaliac ao de modelos estruturais de edicac oes183
vi
Captulo 1
MATRIZES E SISTEMAS
1.1 Tipos de matrizes
Denic ao 1.1 Chama-se matriz de ordem mn a uma tabela de m n elementos dispostos em
m linhas e n colunas:
A =
_
_
a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
m1
a
m2
........ a
mn
_
_
Notac ao: Costumamos denotar as matrizes por letras latinas mai usculas:A, B, C, ......
1.1.1 Matriz coluna
E a matriz de ordem m1.

A = [1]
11
, B =
_
_
1
2
3
4
_
_
41
, C =
_
_
1
2
3
.
.
.
999
1000
_
_
10001
1.1.2 Matriz linha
E a matriz de ordem 1n.

Exemplo 1 A = [1]
11
, D =
_
1 2 3 4 5 6 7 10
_
18
2 1.1. Tipos de matrizes
1.1.3 Matriz nula
E a matriz A =
_
a
i j
mn
onde a
i j
= 0, para 1 i m e 1 j n.
Exemplo 2
M =
_
_
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
, N = [0]
Observac ao 1 Denotaremos freq uentemente a matriz nula por 0.
1.1.4 Matriz quadrada
E a matriz de ordem nn.

A =
_
_
a
11
a
1n
.
.
.
.
.
.
.
.
.
a
n1
a
nn
_
_
Os elementos da forma a
ii
costituem a diagonal principal
Os elementos a
i j
em que i + j = n+1 constituem a diagonal secund aria.
Exemplo 3
A = [0]
11
, B =
_
_
3 3
3 3
_
_
1.1.5 Matriz diagonal
Matriz diagonal e a matriz quadrada A =
_
a
i j
onde a
i j
= 0 para i = j :
A =
_
_
a
11
0 0 0
0
.
.
.
0
.
.
.
.
.
.
.
.
.

.
.
.
0
.
.
.
.
.
.
0
0 0 0 a
nn
_
_
Notac ao: diag(A) ={a
11
, , a
nn
}
1.1. Tipos de matrizes 3
Exemplo 4
A = [0]
11
, B =
_
_
3 0
0 3
_
_
1.1.6 Matriz identidade
E a matriz diagonal I onde diag(I) ={1, , 1}.

Notac ao: I
n
representa a matriz identidade de ordem n.
Exemplo 5
I
2
=
_
_
1 0
0 1
_
_
, I
100
=
_
_
1 0 0
0 1 0 0
.
.
.
.
.
.
.
.
.

.
.
.
0 0
.
.
.
0
0 0 0 1
_
_
1.1.7 Matriz transposta
Dada uma matriz A =
_
a
i j
mn
, podemos obter uma outra matriz A
T
=
_
b
i j
nm
, cujas linhas
s ao as colunas de A, isto e, b
i j
= a
ji
. A
T
e denominada a transposta de A.
A =
_
_
a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
m1
a
m2
........ a
mn
_
_
mn
A
T
=
_
_
a
11
a
21
........ a
m1
a
12
a
22
........ a
m2
.
.
.
.
.
.
a
1n
a
2n
........ a
mn
_
_
nm
Exemplo 6
A =
_
_
1 2 3 4 5
11 12 13 14 15
21 22 23 24 25
31 32 33 34 35
41 42 43 44 45
_
_
A
T
=
_
_
1 11 21 31 41
2 12 22 32 42
3 13 23 33 43
4 14 24 34 44
5 15 25 35 45
_
_
4 1.1. Tipos de matrizes
Exemplo 7
D =
_
1 2 3 4 5 6
_
16
D
T
=
_
_
1
2
3
4
5
6
_
_
61
1.1.8 Matriz sim etrica
Uma matriz quadrada S =
_
a
i j
e sim etrica se S
T
= S
Exemplo 8
S =
_
_
1 5 9
5 3 8
9 8 7
_
_
, N =
_
_
0 1
1 0
_
_
1.1.9 Matriz anti-sim etrica
Uma matriz quadrada A =
_
a
i j
e anti-sim etrica se A
T
=A.
Exemplo 9
A =
_
_
0 3 4
3 0 6
4 6 0
_
_
1.1.10 Matriz triangular superior
A matriz quadrada A =
_
a
i j
que tem os elementos a

i j
=0 para i > j e chamada matriz triagular
superior.
Exemplo 10
A =
_
_
5 4 7 9
0 3 8 4
0 0 2 3
0 0 0 6
_
_
, B =
_
_
0 1
0 0
_
_
, I
10000
1.2. Operacoes com matrizes 5
1.1.11 Matriz triangular inferior
Amatriz quadrada A=
_
a
i j
que temos elementos a

i j
=0 para i < j e chamada matriz triangular
inferior.
Exemplo 11
B =
_
_
5 0 0 0
4 3 0 0
7 4 2 0
9 1 2 6
_
_
, C =
_
_
1 0 0 0
0 2 0 0
0 0 2 0
0 0 0 2
_
_
1.2 Operac oes com matrizes
1.2.1 Adic ao
Dados A =
_
a
i j
mn
e B =
_
b
i j
mn
denimos A+B por,
A+B =
_
a
i j
+b
i j
mn
Propriedades 1.1
1. A+B = B+A
2. A+(B+C) = (A+B) +C
3. A+0 =A
1.2.2 Multiplicac ao por escalar
Seja A =
_
a
i j
mn
e k um n umero real denimos kA por
kA =
_
ka
i j
mn
Exemplo 12
2
_
_
2 10
1 3
_
_
=
_
_
4 20
2 6
_
_
Propriedades 1.2
6 1.2. Operacoes com matrizes
1. k(A+B) = kA+kB
2. (k
1
+k
2
)A = k
1
A+k
2
A
3. 0A = 0
4. k
1
(k
2
A) = (k
1
k
2
)A
1.2.3 Multiplicac ao de Matrizes
Sejam A =
_
a
i j
mn
e B =
_
b
i j
np
, denimos A B por AB =
_
c
i j
mp
, onde
c
i j
=
n
k=1
a
ik
b
k j
= a
i1
b
1 j
+..... +a
in
b
nj
Observe que o n umero de colunas de A deve ser igual ao n umero de linhas de B.
Exemplo 13
_
_
2 1
4 2
5 3
_
_
32
_
_
1 1
0 4
_
_
22
=
_
_
2 1+1 0 2 (1) +1 4
4 1+2 0 4 (1) +2 4
5 1+3 0 5 (1) +3 4
_
_
=
_
_
2 2
4 4
5 7
_
_
Propriedades 1.3 Multiplicac ao de matrizes
1. AI = IA = A
2. A(B+C) = AB+AC
3. (A+B)C = AC+BC
4. (AB)C = A(BC)
5. (AB)
T
= B
T
A
T
6. 0A = A0 = 0
Propriedades 1.4 Matriz transposta
1. (A+B)
T
= A
T
+B
T
2. (A)
T
= A
T
, onde e um n umerto real
1.2. Operacoes com matrizes 7
3. (A
T
)
T
= A
4. (AB)
T
= B
T
A
T
1.2.4 Matriz inversa
Dada uma matriz quadrada A =
_
a
i j
, se existir uma matriz B que satisfaca AB = BA = I diz-se

que B e a inversa de A e denota-se B por A
1
, ou seja, A
1
A = AA
1
= I.
Exemplo 14
A =
_
_
11 3
7 2
_
_
, A
1
=
_
_
2 3
7 11
_
_
.
Dizemos que uma matriz A e inversvel (n ao singular) se existe a matriz inversa A
1
, caso
contr ario dizemos que a matriz A e n ao inversvel (singular).
Propriedades 1.5
1. A e n ao singular se o determinante de A e diferente de zero. A e singular se determinante
de A e igual a zero.
2. Se A admite inversa (det A = 0) esta e unica.
3. Se A e n ao singular, sua inversa A
1
tamb em e, isto e, se det A = 0 ent ao det A
1
= 0. A
matriz inversa de A
1
e A.
4. A matriz identidade I e n ao singular (pois det I = 1) e I
1
= I.
5. Se a matriz A e n ao singular, sua transposta A
T
tamb em e. A matriz inversa de A
T
e
(A
1
)
T
, isto e , (A
T
)
1
= (A
1
)
T
, dai concluimos que se det A = 0 ent ao det A
T
= 0.
6. Se as matrizes A e B s ao n ao singulares e de mesma ordem, o produto AB e uma matriz
n ao singular. Vale a relac ao (AB)
1
= B
1
A
1
.
Exemplo 15 A =
_
_
2 3
2 2
_
_
=det
_
_
2 3
2 2
_
_
= 2 A e n ao singular
Exemplo 16 B =
_
_
1 10
1 10
_
_
det
_
_
1 10
1 10
_
_
= 0 A e singular
8 1.3. Matriz na forma escada reduzida por linhas
1.2.5 Matriz ortogonal
Uma matriz M, quadrada, cuja inversa conicide com sua transposta e denominada matriz or-
togonal. Portanto M e ortogonal se M
1
= M
T
, ou seja,
MM
T
= M
T
M = I
Exemplo 17
M =
_
_
1
2
3
2
3
2
1
2
_
_
,
1.2.6 Pot encia de uma matriz
Dada uma matriz quadrada A a matriz A
p
= A A ..... A
p vezes
e chamada pot encia p de A.
Exemplo 18
A =
_
_
1 2
4 3
_
_
, A
2
=
_
_
9 8
16 17
_
_
, A
3
=
_
_
41 42
84 83
_
_
1.3 Matriz na forma escada reduzida por linhas
Denic ao 1.2 Uma matriz mn e linha reduzida ` a forma escada, ou escalonada, se:
a) O primeiro elemento n ao nulo de uma linha n ao nula e 1.
b) Cada coluna que cont em o primeiro elemento n ao nulo de alguma linha tem todos os
seus outros elementos iguais a zero.
c) Toda linha nula ocorre abaixo de todas as linhas n ao nulas (isto e, daquelas que possuem
pelo menos um elemento n ao nulo)
d) Se as linhas 1, ..., p s ao as linhas n ao nulas, e se o primeiro elemento n ao nulo da linha
ocorre na coluna k
1
, ent ao k
1
< k
2
< ..... < k
n
.
Exemplo 19
_
_
1 0 0 0
0 1 1 0
0 0 1 0
_
_
n ao e forma escada. N ao vale b).
Exemplo 20
_
_
0 2 1
1 0 3
1 0 0
_
_
n ao e forma escada. N ao vale a) e b).
1.3. Matriz na forma escada reduzida por linhas 9
Exemplo 21
_
_
0 1 3 0 1
0 0 0 0 0
0 0 0 1 2
_
_
n ao e forma escada. N ao vale c).
Exemplo 22
_
_
0 1 3 0 1
0 0 0 1 3
0 0 0 0 0
_
_
e forma escada.
1.3.1 Operac oes elementares linha
S ao tr es as operac oes elementares sobre as linhas de uma matriz.
1. Permuta da i esima e j esima linha (L
i
L
j
).
_
_
1 0
4 1
3 4
_
_
L
2
L
3
_
_
1 0
3 4
4 1
_
_
2. Multiplicac ao da i esima linha por um escalar n ao nulo k (L
i
kL
i
).
_
_
1 0
4 1
3 4
_
_
L
2
3L
2
_
_
1 0
12 3
3 4
_
_
3. Substituic ao da i esima linha pela i esima linha mais k vezes a j esima linha (L
i
L
i
+kL
j
)
_
_
1 0
4 1
3 4
_
_
L
3
L
3
+2L
1
_
_
1 0
4 1
1 4
_
_
.
Observac ao 2 Se A e B s ao matrizes mn, dizemos que B e linha equivalente a A, se B for
obtida de A atrav es de umn umero nito de operac oes elementares sobre as linhas de A. Notac ao
A B.
Exemplo 23
_
_
1 0
4 1
3 4
_
_
e linha equivalente a
_
_
1 0
0 1
0 0
_
_
pois,
10 1.3. Matriz na forma escada reduzida por linhas
_
_
1 0
4 1
3 4
_
_
L
2
L
2
4L
1
_
_
1 0
0 1
3 4
_
_
L
3
L
3
+3L
1
_
_
1 0
0 1
0 4
_
_
L
2
L
2
_
_
1 0
0 1
0 4
_
_
L
3
L
3
4L
2
_
_
1 0
0 1
0 0
_
_
Teorema 1.1 Toda matriz A de ordem mn e linha equivalente a uma unica matriz linha-
reduzida ` a forma escada.
Exemplo 24 Dada a matriz
A =
_
_
2 1 3
4 5 6
3 1 2
_
_
obtenha uma unica matriz B na forma escada linha equivalente a matriz A.
_
_
2 1 3
4 5 6
3 1 2
_
_
L
1
1
2
L
1
_
_
1
1
2
3
2
4 5 6
3 1 2
_
_
L
2
L
2
4L
1
_
_
1
1
2
3
2
0 3 0
3 1 2
_
_
L
3
L
3
3L
1
_
_
1
1
2
3
2
0 3 0
0
1
2

13
2
_
_
L
2
1
3
L
2
_
_
1
1
2
3
2
0 1 0
0
1
2

13
2
_
_
L
3
L
3
+
1
2
L
2
_
_
1
1
2
3
2
0 1 0
0 0
13
2
_
_
L
3
2
13
L
3
_
_
1
1
2
3
2
0 1 0
0 0 1
_
_
L
1
L
1
1
2
L
2
_
_
1 0
3
2
0 1 0
0 0 1
_
_
L
1
L
1
3
2
L
3
_
_
1 0 0
0 1 0
0 0 1
_
_
Exemplo 25 Dada as matrizes, obtenha uma matriz na forma escada equivalente a cada matriz
1.4. Posto de uma matriz 11
dada.
a)
_
_
1 0 0 0
1 0 1 0
0 1 0 1
1 0 0 1
_
_
b)
_
_
1 0 1 0
0 1 0 1
0 1 0 1
0 1 1 1
_
_
1.4 Posto de uma matriz
Dada uma matriz A
mn
, seja B
mn
a matriz linha reduzida ` a forma escada, linha equivalente ` a
matriz A. O posto de A, denotado por p, e o n umero de linhas n ao nulas de B e a nulidade de A
e np, onde n e o n umero de colunas de A e p e o posto de A.
Exemplo 26 Encontrar o posto e a nulidade da matriz: A =
_
_
1 2 1 0
1 0 3 5
1 2 1 1
_
_
A matriz A e linha equivalente a matriz B =
_
_
1 0 0
7
8
0 1 0
1
4
0 0 1
11
8
_
_
portanto o posto de A e 3
(o n umero de linhas n ao nulas da matriz B) e a nulidade e np = 43 = 1 (n e o numero de
colunas da matriz A e p e o posto de A)
Exemplo 27 Encontrar o posto e a nulidade da matriz: A =
_
_
1 0
14
9
0 1
1
4
0 0 0
0 0 0
_
_
Posto A = 2 e nulidade de A e 32 = 1.
Exemplo 28 Encontrar o posto e a nulidade da matriz:
A =
_
_
2 1 10
0 1
1
4
1 2 0
1 3 0
_
_
B =
_
_
2 1 10
0 1
1
4
0 0
43
8
0 0 0
_
_
Posto de A = 3 e nulidade de A e 0.
12 1.6. Determinantes
1.5 C alculo da inversa
1.5.1 C alculo da inversa por escalonamento:
Para se determinar a matriz inversa de uma matriz A, n ao singular, atrav es de operac oes ele-
mentares entre as linhas da matriz fazemos o seguinte:
a) Coloca-se ao lado da matriz A a matriz I, separada por um traco vertical tracejado.
b) Transforma-se por meio de operac oes elementares a matriz A na matriz I, aplicando
simultaneamente ` a matriz I colocada ao lado da matriz A as mesmas operac oes elementares
aplicadas ` a matriz A.
Exemplo 29 Calcular a inversa da matriz A =
_
_
2 1
4 3
_
_
por escalonamento.
_
_
2 1 1 0
4 3 0 1
_
_
L
1
1
2
L
1
_
_
1
1
2
1
2
0
4 3 0 1
_
_
L
2
L
2
4L
1
_
_
1
1
2
1
2
0
0 1 2 1
_
_
L
1
L
1
1
2
L
2
_
_
1 0
3
2

1
2
0 1 2 1
_
_
Logo
A
1
=
_
_
3
2

1
2
2 1
_
_
1.6 Determinantes
Denic ao 1.3 Determinante de uma matriz A e um n umero real associado ` a matriz A.
Notac ao: det A.
Denotamos tamb em o determinante da matriz A,
A =
_
_
a
11
a
12
a
1n1
a
1n
a
21
a
22
a
2n1
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n11
a
n12

.
.
.
a
n1n
a
n1
a
n2
a
n1n
a
nn
_
_
por
1.6. Determinantes 13
det A =
a
11
a
12
a
1n1
a
1n
a
21
a
22
a
2n1
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n11
a
n12

.
.
.
a
n1n
a
n1
a
n2
a
n1n
a
nn
Propriedades 1.6
1. det A = det A
T
;
2. det(AB) = det Adet B;
3. Se a matriz A possui uma linha ou coluna nula ent ao det A = 0;
4. Se a matriz A tem duas linhas ou colunas iguais ent ao det A = 0;
5. Se na matriz A uma linha (ou coluna) e m ultipla de outra linha (coluna) ent ao det A = 0;
6. Trocando a posic ao de duas linhas (colunas) o derminante muda de sinal;
7. Quando se multiplica uma linha (coluna) de uma matriz A por um n umero k = 0 o deter-
minante ca multiplicado por esse mesmo n umero;
8. O determinante de uma matriz A n ao se altera quando se faz a seguinte operac ao entre
linha: L
i
L
i
+kL
j
;
9. O determinante de uma matriz triangular superior (ou inferior) e igual ao produto do
elementos da diagonal principal;
10. A partir de det(AB) = det Adet B temos
det(AA
1
) = det I det Adet A
1
= 1 det A =
1
det A
1
1.6.1 C alculo do determinante por triangulac ao
Para se calcular o determinante de uma matriz A usamos as operac oes elementares linha de
modo a obter uma matriz triangular superior (ou inferior) observando as propriedades do deter-
minante e fazendo as compensac oes necess arias.
14 1.6. Determinantes
Exemplo 30 A =
_
_
2 1 1
2 0 1
3 1 0
_
_
det A =
2 1 1
2 0 1
3 1 0
L
2
L
3
(Quando permutamos as linhas o determinante troca de sinal)
(1)det A =
2 1 1
3 1 0
2 0 1
L
1
1
2
L
1
(Quando multiplicamos uma linha por um n umero o deter-
minante ca multiplicado pelo mesmo n umero)
1
2
(1)det A =
1
1
2
1
2
3 1 0
2 0 1
L
2
L
2
+(3)L
1
L
3
L
3
2L
1
(Esta operac ao n ao altera o determinante)
1
2
(1)det A =
1
1
2
1
2
0
1
2
3
2
0 1 2
L
3
L
3
2L
2
(Esta operac ao n ao altera o determinante)
1
2
(1)det A =
1
1
2
1
2
0
1
2
3
2
0 0 1
(O determinante de uma matriz triangular superior e o produto dos

elementos da diagonal principal)
1
2
(1)det A =
1
2
det A =1
1.6.2 C alculo do determinante por desenvolvimento de Laplace
Regra de Chi o:
Se a matriz A e de ordem 22 ent ao: det
_
_
a
11
a
12
a
21
a
22
_
_
= a
11
a
22
a
21
a
12
Exemplo 1.1 det
_
_
5 1
2 3
_
_
= 5321 = 13
Regra de Sarrus:
Se A e e de ordem 33
1.6. Determinantes 15
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
a
11
a
12
a
13
a
11

a
21
a
22
a
23
a
21

a
31
a
32
a
33
a
31
a
12
a
22
a
32
det A = (a
11
a
22
a
33
) +(a
12
a
23
a
31
) +(a
13
a
21
a
32
) (a
31
a
22
a
13
) (a
32
a
23
a
11
) (a
33
a
21
a
12
)
Desenvolvimento de Laplace:
Para uma matriz de ordem nn usamos o desenvolvimento de Laplace qu e e dado pela f ormula.
det A
nn
=
n
j=1
a
i j
(1)
i+j
det A
i j
onde A
i j
e a submatriz obtida a partir da matriz A eliminando-se a i esima linha e a j esima
coluna da matriz A. Se chamarmos
i j
= (1)
i+j
det A
i j
ent ao
det A
nn
=
n
j=1
a
i j
i j
Exemplo 31
A =
_
_
1 2 3 4
4 2 0 0
1 2 3 0
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).
det A =1(1)
1+1
2 0 0
2 3 0
5 3 1
+2(1)
1+2
4 0 0
1 3 0
2 3 1
+3(1)
1+3
4 2 0
1 2 0
2 5 1
+(4)(1)
1+4
4 2 0
1 2 3
2 5 3
16 1.7. Primeira lista de exerccios

det A = (1)(1)(6) +2(1)(12) +(3)(1)(10) +(4)(1)(78)
det A = 372.
1.7 Primeira lista de exerccios
Exerccio 1.1 Verique se as armac oes abaixo s ao VERDADEIRAS ou FALSAS. Se forem
verdadeiras, demonstre. Se forem falsas, d e um contra-exemplo.
1. Se uma matriz quadrada A for ortogonal ent ao det A =1.
2. det(I +A) = 1+det A
3. Se A e uma matriz sim etrica ent ao A+A
T
tamb em e sim etrica.
4. Se A e B s ao inversveis ent ao A+B tamb em e.
5. Se A e uma matriz quadrada sim etrica e B e uma matriz ortogonal ent ao a matriz A+B
1
nunca ser a sim etrica.
6. Se A e uma matriz anti-sim etrica de ordem 3, ent ao det A = 0
7. Se A e n ao-inversvel e AB = 0 ent ao B = 0
8. Se A e anti-sim etrica inversvel, ent ao A
1
e anti-sim etrica.
9. Se A, B e C s ao matrizes nn inversveis, ent ao (ABC)
1
=C
1
B
1
A
1
.
10. Se A =
_
_
_
_
_
_
_
_
_
_
_
2 3 1 0 2
1 1 0 5 2
1 2 1 4 3
0 0 1 3 2
2 3 1 0 1
_
_
_
_
_
_
_
_
_
_
_
e D =
_
_
_
_
_
_
_
_
_
_
_
1 0 1 1 4
1 3 1 2 1
1 1 1 1 1
1 4 1 2 1
2 1 2 1 2
_
_
_
_
_
_
_
_
_
_
_
satisfazem a relac ao
A
1
BA = D ent ao det B = 24.
Exerccio 1.2 Seja A =
_
_
2 x
2
2x 1 0
_
_
Determine o valor de x para que A seja uma matriz
sim etrica.
Exerccio 1.3 Mostre que toda matriz quadrada A pode ser escrita como a soma de uma matriz
sim etrica com uma matriz anti-sim etrica, ou seja, A = S +N onde S e uma matriz sim etrica e
N e uma matriz anti-sim etrica. Sugest ao: Determine S e N em func ao da matriz A.
1.7. Primeira lista de exerccios 17
Exerccio 1.4 Suponha que A =0 e AB =AC onde A, B,C s ao matrizes tais que a multiplicac ao
esteja denida. Pergunta-se:
1. B =C?
2. Se existir uma matriz Y, tal que YA = I, onde I e a matriz identidade, ent ao B =C?
Exerccio 1.5 Mostre que a matriz
M =
_
_
cos sin 0
sin cos 0
0 0 1
_
_
e uma matriz ortogonal.
Exerccio 1.6 Sejam P e Q matrizes ortogonais de mesma ordem.
1. PQ e uma matriz ortogonal? Justique sua resposta.
2. Quais os valores que det Q pode ter?
Exerccio 1.7 Dada uma matriz A de ordem mn mostre que a matriz AA
T
e uma matriz
sim etrica de ordem mm. A matriz A
T
A e sim etrica? Qual sua ordem?
Exerccio 1.8 Um construtor tem contratos para construir 3 estilos de casa: moderno,
mediterr aneo e colonial. A quantidade empregada em cada tipo de casa e dada pela matriz
Ferro Madeira Vidro Tinta Ti jolo
Moderno
Mediterr aneo
Colonial
_
_
5
7
6
20
18
25
16
12
8
7
9
5
17
21
13
_
_
1. Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterr aneo e colonial, respecti-
vamente, quantas unidades de cada material ser ao empregadas?
2. Suponha agora que os precos por unidade de ferro, madeira, vidro, tinta e tijolo sejam
respectivamente, 15, 8, 5, 1 e 10 reais. Qual o preco unit ario de cada tipo de casa?
18 1.7. Primeira lista de exerccios
3. Qual o custo total do material empregado?
Exerccio 1.9 Calcule o determinante de A onde
1. A =
_
_
3 1 5 0
0 2 0 1
2 0 1 3
1 1 2 0
_
_
,
2. A =
_
_
3 0 0 0 0
19 18 0 0 0
6 5 0 0
4

2

3 0 0
8 3 5 6 1
_
_
3. A =
_
_
_
_
_
_
_
_
_
_
_
9 1 9 9 9
9 0 9 9 2
4 0 0 5 0
9 0 3 9 0
6 0 0 7 0
_
_
_
_
_
_
_
_
_
_
_
Exerccio 1.10 Mostre que det
_
_
1 1 1
a b c
a
2
b
2
c
2
_
_
= (ab)(bc)(c a)
Exerccio 1.11 Encontre A
1
, onde
1. A =
_
_
4 1 2 2
3 1 0 0
2 3 1 0
0 7 1 1
_
_
,
2. A =
_
_
1 0 x
1 1 x
2
2 2 x
2
_
_
1.8. Sistema de equacoes lineares 19
Exerccio 1.12 Encontre os valores d k para os quais a matriz
A =
_
_
k 3 0 3
0 k +2 0
5 0 k +5
_
_
e n ao inversvel.
Exerccio 1.13 Existe alguma matriz inversvelX tal que X
2
= 0? Justique sua resposta.
Exerccio 1.14 Encontre todos os valores de para os quais a matriz AI
4
tem inversa, em
que
A =
_
_
2 0 0 0
2 0 0 0
1 2 1 0
3 2 1 2
_
_
Exerccio 1.15 Para a matriz A = (a
i j
)de ordem 2 denida por a
i j
= i + j, calcular f (t) =
det(AtI
2
) e resolver a equac ao do segundo grau f (t) = 0.
Exerccio 1.16 Para a matriz denida por:
M =
_
_
a b
c d
_
_
calcular f (t) = det(MtI
2
) e resolver a equac ao do segundo grau f (t) = 0.
1.8 Sistema de equac oes lineares
1.8.1 Introduc ao
Uma equac ao linear e uma equac ao da forma
a
1
x
1
+a
2
x
2
+a
3
x
3
+...... +a
n
x
n
= b
na qual a
1
, a
2
, a
3
, ...., a
n
s ao os respectivos coecientes das vari aveis, x
1
, x
2
, x
3
, ...., x
n
e b e o
termo independente. Os n umeros a
1
, a
2
, a
3
, ...., a
n
e o termo independente b geralmente s ao
n umeros conhecidos e as vari a veis x
1
, x
2
, x
3
, ...., x
n
s ao as inc ognitas.
20 1.8. Sistema de equacoes lineares
Os valores das vari aveis que transformam uma equac ao linear em uma identidade, isto e,
que satisfazem a equac ao, constituem sua soluc ao. Esses valores s ao denominados razes das
equac oes lineares.
A um conjunto de equac oes lineares se d a o nome de sistema de equac oes lineares e tem a
seguinte representac ao:
_
_
a
11
x
1
+a
12
x
2
+a
13
x
3
+...... +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+a
23
x
3
+...... +a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+a
m2
x
2
+a
m3
x
3
+...... +a
mn
x
n
= b
m
Os valores das vari aveis que transformam simultaneamente as equac oes de um sistema de
equac oes lineares em uma identidade, isto e, que satisfazem a equac ao constituem sua soluc ao.
Diz-se que dois sistemas de equac oes lineares s ao equivalentes quando admitem a mesma
soluc ao.
Exemplo 32 Os sistemas
_
_
_
2x +3y = 11
x +y =3
e
_
_
_
10x 2y = 38
3x +5y =7
s ao equivalentes pois possuem as mesmas soluc oes, x = 4 e y = 1
Quanto as soluc oes, tr es casos podem ocorrer:
1. O sistema possui uma unica soluc ao. Neste caso, dizemos que o sistema e compatvel e
determinado
2. O sistema possui innitas soluc oes. Neste caso, dizemos que o sistema e compatvel e
indeterminado.
3. O sistema n ao possui nenhuma soluc ao. Neste caso, dizemos que o sistema e incom-
patvel.
1.8.2 Sistemas e matrizes.
Dado um sistema linear na forma,
_
_
a
11
x
1
+a
12
x
2
+a
13
x
3
+...... +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+a
23
x
3
+...... +a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+a
m2
x
2
+a
m3
x
3
+...... +a
mn
x
n
= b
m
(1.1)
podemos representa-lo matricialmente utilizando as notac oes da teoria de matrizes da seguinte
maneira:
Se
A =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
X =
_
_
x
1
x
2
.
.
.
x
n
_
_
B =
_
_
b
1
b
2
.
.
.
b
m
_
_
podemos escrever o sistema (1.1) na forma matricial:
AX = B
onde A e a matriz dos coecientes, B a matriz coluna dos termos independentes e X e a matriz
coluna das inc ognitas.
Ao sistema (1.1) associamos a seguinte matriz:
_
_
a
11
a
12
a
1n
| b
1
a
21
a
22
a
2n
| b
2
.
.
.
.
.
.
.
.
. |
.
.
.
a
m1
a
m2
a
mn
| b
m
_
_
que chamamos matriz ampliada do sistema.
Teorema 1.2 Dois sistemas que possuem matrizes ampliadas equivalentes s ao equivalentes.
Dada a matriz ampliada do sistema de equac oes lineares consideramos a matriz linha re-
duzida a forma escada obtida a partir da matriz ampliada do sistema
Teorema 1.3
1. Um sistema de m equac oes e n inc ognitas admite soluc ao se, e somente se, o posto da
matriz ampliada e igual ao posto da matriz dos coecientes.
2. Se as duas matrizes tem o mesmo posto p e p = n (n umero de colunas da matriz dos
coecientes, ou n umeros de vari aveis) a soluc ao e unica.
3. Se as duas matrizes tem o mesmo posto e p = n podemos escolher n p inc ognitas e as
outras inc ognitas ser ao dadas em func ao destas. O n umero n p e chamado grau de
liberdade do sistema.
Observac ao 3 Dado um sistema de m equac oes e n inc ognitas seja A
a
a matriz ampliada do
sistema e seja A
e
a matriz linha equivalente a matriz A
a
onde a matriz dos coecientes est ao
na forma escada. Seja p
a
o posto da matriz ampliada e p
c
o posto da matriz dos coecientes
obtidos a partir da matriz A
e
.
Se p
a
= p
c
ent ao o sistema e incompatvel ( n ao possui soluc ao)
Se p
a
= p
c
ent ao o sistema e compatvel (possui soluc ao). Seja p = p
a
= p
c
, se p = n
ent ao o sistema e compatvel e determinado (possui uma unica soluc ao). Se p < n o
sistema e compatvel e indeterminado (possui innitas soluc oes). Sempre que um sistema
possuir innitas soluc oes deveremos atribuir valores a algumas vari aveis e determinar o
valor das outras vari aveis em func ao destas. O n umero de vari aveis as quais deveremos
atribuir valor e o grau de liberdade do sistema, dado pelo n umero np.
Exemplo 1.2 Classicar e resolver o sistema:
_
_
2x
1
+x
2
+3x
3
= 8
4x
1
+2x
2
+2x
3
= 4
2x
1
+5x
2
+3x
3
= 12
(1.2)
Matriz Ampliada
A
a
=
_
_
2 1 3 | 8
4 2 2 | 4
2 5 3 | 12
_
_
Matriz linha equivalente a matriz ampliada, onde a parte da matriz dos coecientes est a na
forma escada
A
e
=
_
_
1 0 0 | 2
0 1 0 | 5
0 0 1 | 3
_
_
De A
e
obtemos: p
c
= 3, p
a
= 3 e n = 3.
p = p
c
= p
a
= 3 sistema compatvel
p = n sistema compatvel e determinado (possui uma unica soluc ao)
A matriz A
c
e a matriz ampliada do seguinte sistema:
_
_
x
1
= 2
x
2
=5
x
3
= 3
Como sistemas equivalentes tem a mesma soluc ao, a soluc ao do sistema (1.2) e
x
1
= 2, x
2
=5, x
3
= 3
_
_
4y +2x +6z = 6
4z 2y +3x = 38
x +3z +2y = 3
Reescrevendo o sistema, obt em-se
_
_
2x +4y +6z = 6
3x 2y 4z = 38
x +2y +3z = 3
(1.3)
A
a
=
_
_
2 4 6 | 6
3 2 4 | 38
1 2 3 | 3
_
_
A
e
=
_
_
1 0
1
4
|
41
4
0 1
13
8
|
29
8
0 0 0 | 0
_
_
Neste caso temos:
n = 3
p
a
= 2
p
c
= 2 p = 2
p < n sistema compatvel e indeterminado (innitas soluc oes)
grau de liberdade = np = 1
O sistema (1.3) e equivalente ao sistema
_
_
_
x
1
4
z =
41
2
y +
13
8
z =
29
8
Para encontrar uma soluc ao (note que existem innitas soluc oes) devemos atribuir valor a
uma das vari aveis (pois o grau de liberdade e 1) e determinar as outras. Note que ca mais
f acil se atribuirmos valor a vari avel z : Por exemplo fazendo z = 0, temos que:
x =
41
4
e
y =
29
8
( Poderamos atribuir outro valor qualquer a z, e para cada valor de z teremos os valores
correspondentes de x e y, da temos innitas soluc oes)
_
_
6x 4y 2z = 3
x +y +z = 1
3x 2y z = 1
A
a
=
_
_
6 4 2 | 3
1 1 1 | 1
3 2 1 | 1
_
_
A
e
=
_
_
1 0
1
5
|
7
10
0 1
4
5
|
3
10
0 0 0 |
1
2
_
_
Neste caso:
n = 3
p
c
= 2
p
a
= 3 p
a
= p
c
sistema incompatvel (n ao possui soluc ao)
1.8.3 Soluc ao de um sistema por matriz inversa
Usando a notac ao matricial para sistemas lineares temos que
CX = B (supondo que existe C
1
)
C
1
CX = C
1
B (observe que estamos multiplicando C
1
pela esquerda)
IX = C
1
B
X = C
1
B
Logo para se determinar a soluc ao basta multiplicar a matriz inversa dos coecientes pela
matriz dos termos independentes (pela esquerda, j a que a multiplicac ao de matrizes n ao e comu-
tativa). Se a matriz C n ao tem inversa ent ao ou o sistema n ao possui soluc ao ou possui innitas
soluc oes.
Exemplo 33
_
_
2x +3y z = 1
x 3y +z = 1
x +2y z = 1
C =
_
_
2 3 1
1 3 1
1 2 1
_
_
B =
_
_
1
1
1
_
_
X =
_
_
x
y
z
_
_
C
1
=
_
_
1 1 0
0 1 1
1 1 3
_
_
CX = B X =C
1
B
26 1.9. Segunda lista de exerccios
_
_
x
y
z
_
_
=
_
_
1 1 0
0 1 1
1 1 3
_
_
_
_
1
1
1
_
_
=
_
_
2
2
3
_
_
O pr oximo teorema apresenta resultados importantes sobre sistemas lineares e matrizes in-
versveis.
Teorema 1.4 Se A uma matriz nn, ent ao as seguintes armac oes s ao equi-valentes:
1. A e inversvel.
2. AX = 0 s o tem a soluc ao trivial.
3. A e equivalentes por linha ` a matriz I
n
.
4. AX = B tem exatamente uma soluc ao para cada matriz B
n1
.
Proof. Exerccio.
1.9 Segunda lista de exerccios
Exerccio 1.17 Resolva o sistema de equac oes, escrevendo a matriz ampliada do sistema inicial
e escrevendo o sistema nal do qual se obter a a soluc ao do sistema original:
_
_
2x y +3z = 11
4x 3y +2z = 0
x +y +z = 6
3x +y +z = 4
Exerccio 1.18 Considere o sitema linear
_
_
x +y +3z = 2
x +2y +4z = 3
x +3y +az = b
. Para que valores de a e b o
sistema
1. tem uma innidade de soluc oes?
2. tem unica soluc ao?
3. e impossvel?
1.9. Segunda lista de exerccios 27
Exerccio 1.19 Seja
_
_
a 0 b
.
.
. 2
a a 4
.
.
. 4
0 a 2
.
.
. b
_
_
a matriz ampliada de um sistema linear. Para quais
valores de a e b o sistema tem
1. unica soluc ao,
2. nenhuma soluc ao,
3. uma soluc ao com duas vari aveis livres?
Exerccio 1.20 Encontre a relac ao entre a, b e c para que o sistema linear
_
_
x +2y 3z = a
2x +3y +3z = b
5x +9y 6z = c
seja possvel para quaisquer valores de a, b e c.
Exerccio 1.21 Reduza as matrizes ` a forma escada atrav es de operac oes linhas:
1.
_
_
1 2 3 1
2 1 2 3
3 1 2 3
_
_
2.
_
_
0 2 2
1 1 3
3 4 2
2 3 1
_
_
Exerccio 1.22 Determine k para que o sistema admita soluc ao
_
_
4x +3y = 2
5x 4y = 0
2x y = k
Exerccio 1.23 Encontre todas as soluc oes do sistema
_
_
x
1
+3x
2
+2x
3
+3x
4
7x
5
= 14
2x
1
+6x
2
+x
3
2x
4
+5x
5
= 2
x
1
+3x
2
x
3
+2x
5
= 1
Exerccio 1.24 Apresente todos os possveis resultados na discuss ao de um sistema n ao-
homog eneo de 6 equac oes lineares com 4 inc ognitas.
28 1.9. Segunda lista de exerccios
Exerccio 1.25 Se A e uma matriz 35, quais s ao os possveis valores da nulidade de A? E se
A for 42?
Exerccio 1.26 Explique por que a nulidade de uma matriz nunca e negativa.
Exerccio 1.27 Umsistema homog eneo com3 equac oes e 4 inc ognitas sempre temuma soluc ao
n ao-trivial.
Exerccio 1.28 Chamamos de sistema homog eneo de n equac oes e m inc ognitas aquele sistema
cujos termos independentes s ao todos nulos.
1. Um sistema homog eneo admite pelo menos uma soluc ao. Qual e ela?
2. Encontre os valores de k R, tais que o sistema homog eneo
_
_
2x 5y +2z = 0
x +y +z = 0
2x +kz = 0
tenha uma soluc ao distinta da soluc ao trivial.
Exerccio 1.29 Se det A = 0, ent ao o sistema homog eneo AX = 0 tem innitas soluc oes? Justi-
que sua resposta.
Exerccio 1.30 Podemos resolver um sistema usando matriz inversa da seguinte forma:
AX = B
A
1
AX = A
1
B
X = A
1
B
Isto e util quando desejamos resolver v arios sistemas lineares que possuem a mesma matriz
dos coecientes.
Usando a teoria acima resolva os sistema AX = B onde A =
_
_
1 2 2
2 5 4
3 7 5
_
_
e
a) B =
_
_
1
2
3
_
_
, b) B =
_
_
1
3
100
_
_
, c) B =
_
_
1000
10
100
_
_
, d) B =
_
_
111
311
511
_
_
1.9. Segunda lista de exerccios 29
Exerccio 1.31 Resolva o sistema matricial D
1
X = A onde D = diag(1, 2, 3, 4, 5, 6)
A =
_
_
1 0 0 0 1 1
0 1 2 2 2 2
0 0 1 1 1 1
0 0 0 1 1 1
0 0 0 0 1 0
0 0 0 0 0 1
_
_
Exerccio 1.32 Classique o sistema e exiba uma soluc ao, caso ela exista:
_
_
2x +4y +6z = 6
3x 2y 4z = 38
x +2y +3z = 3
Exerccio 1.33 Uma editora publica um best-seller potencial com tr es encadernac oes difer-
entes: capa mole, capa dura e encardenac ao de luxo. Cada exemplar necessita de um certo
tempo para costura e cola conforme mostra a tabela abaixo:
Costura Cola
Capa mole 1 min 2 min
Capa Dura 2 min 4 min
Luxo 3 min 5 min
Se o local onde s ao 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?
Exerccio 1.34 Num grande acampamento militar h a 150 blindados dos tipos BM3, BM4 e
BM5, isto e, equipados com 3, 4 e 5 canh oes do tipo MX9 respectivamente. O total de canh oes
disponveis e 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 canh ao carrega 12 proj eteis, quantos proj eteis
ser ao necess arios para o grupo dos BM4 no incio da operac ao?
Exerccio 1.35 a) Em cada parte, use a informac ao da tabela para determinar se o sistema
AX = B e possvel. Se for, determine o n umero de vari aveis livres da soluc ao geral. Justique
sua resposta.
30 1.10. Apendice
(a) (b) (c) (d)
Tamanho de A 33 95 44 33
Posto de A 2 4 0 3
Posto de [A|B] 3 4 0 3
b) Para cada uma das matrizes da tabela acima determine se o sistema homog eneo AX = 0,
e possvel. Indique a quantidade de soluc oes para cada caso.
1.10 Ap endice
1.10.1 C alculo da inversa por adjunta
Dada uma matriz , lembramos que o cofator d
i j
do elemento a
i j
da matriz A e o elemento
(1)
i+j
det A
i j
, onde A
i j
e 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 =
_
d
i j
onde d
i j
= (1)
i+j
det A
i j
Exemplo 34
A =
_
_
2 1 0
3 1 4
1 6 5
_
_
a
11
= 2 d
11
= (1)
1+1
det
_
_
1 4
6 5
_
_
= 1(19) =19
a
12
= 1 d
12
= (1)
1+2
det
_
_
3 4
1 5
_
_
=1(19) = 19
a
13
= 0 d
13
= (1)
1+3
det
_
_
3 1
1 6
_
_
= 1(19) =19
a
21
=3 d
21
= (1)
2+1
det
_
_
1 0
6 5
_
_
=1(5) =5
a
22
= 1 d
22
= (1)
2+2
det
_
_
2 0
1 5
_
_
= 1(10) = 10
1.10. Apendice 31
a
23
= 4 d
23
= (1)
2+3
det
_
_
2 1
1 6
_
_
=1(11) =11
a
31
= 1 d
31
= (1)
3+1
det
_
_
1 0
1 4
_
_
= 1(4) = 4
a
32
= 6 d
32
= (1)
3+2
det
_
_
2 0
3 4
_
_
=1(8) =8
a
33
= 5 d
33
= (1)
3+3
det
_
_
2 1
3 1
_
_
= 1(5) = 5
A =
_
_
19 19 19
5 10 11
4 8 5
_
_
Denic ao 1.4 Dada uma matriz quadrada A, chamaremos de matriz adjunta de A ` a transposta
da matriz dos cofatores de A e denotaremos ad j A. Portanto ad jA = A
T
.
Teorema 1.5 Uma matriz quadrada A admite inversa se e somente se det A = 0. Neste caso
A
1
=
1
det A
(ad jA)
1.10.2 Regra de Cramer
Um outro m etodo de resoluc ao de sistemas lineares de ordem nn e a Regra de Cramer onde
as soluc oes do sistema linear s ao calculadas usando o determinante. Justamente por usar o
determinante este m etodo torna-se invi avel computacionalmente, mas e bastante pr atico em
certas quest oes te oricas.
_
_
a
11
x
1
+a
12
x
2
+a
13
x
3
+...... +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+a
23
x
3
+...... +a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
x
1
+a
n2
x
2
+a
n3
x
3
+...... +a
nn
x
n
= b
n
32 1.10. Apendice
Na forma matricial este sistema e escrito da seguinte maneira:
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
=
_
_
b
1
b
2
.
.
.
b
n
_
_
Supondo que detC = 0 e portanto que C tenha inversa C
1
obtemos
CX = B
C
1
CX = C
1
B (observe que estamos multiplicando C
1
pela esquerda)
IX = C
1
B
X = C
1
B
usando a relac ao
C
1
=
1
detC
(ad jC)
temos
X =
1
detC
(ad jC)B
_
_
x
1
x
2
.
.
.
x
n
_
_
=
1
detC
ad j
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
=
1
detC
_
_
_
_
_
_
_
_
_
_
Da
11
Da
12
Da
1n
Da
21
Da
22
Da
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Da
n1
Da
n2
Da
nn
_
_
_
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
=
1
detC
_
_
b
1
D
11
+ b
2
Da
12
+ + b
n
Da
1n
b
1
Da
21
+ b
2
Da
22
+ + b
n
Da
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
1
Da
n1
b
2
Da
n2
b
n
Da
nn
_
_
1.10. Apendice 33
x
1
=
1
detC
(b
1
D
11
+b
2
Da
12
+ +b
n
Da
1n
)
x
1
=
1
detC
det
_
_
b
1
a
12
a
1n
b
2
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
n
a
n2
a
nn
_
_
x
1
=
det
_
_
b
1
a
12
a
1n
b
2
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
n
a
n2
a
nn
_
_
det
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
Analogamente
x
i
=
det
_
_
a
11
b
1
a
1n
a
21
b
2
a
2n
.
.
.
.
.
.
.
.
.
a
n1
b
n
a
nn
_
_
det
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
i = 2, 3, ....., n
Podemos escrever esta relac ao na forma
x
i
=
D
i
D
onde
D
i
= det
_
_
a
11
b
1
a
1n
a
21
b
2
a
2n
.
.
.
.
.
.
.
.
.
a
n1
b
n
a
nn
_
_
34 1.10. Apendice
e
D = det
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
Usando a Regra de Cramer podemos classicar um sistema nn:
Se D = 0 ent ao o sistema possui uma unica soluc ao (compatvel e determinado)
Se D = 0 e algum dos D
i
= 0 ent ao o sistema e incompatvel
Se D = 0 e todos os D
i
= 0, para i = 1, ..., n ent ao o sistema possui innitas soluc oes. Note
que n ao podemos determinar o grau de liberdade pela Regra de Cramer.
Exemplo 35 Resolver o sistema
_
_
_
x +y = 2
10x +10y = 20
D = det
_
_
1 1
10 10
_
_
= 0,
D
1
= det
_
_
2 1
20 10
_
_
= 0, D
2
= det
_
_
1 2
10 20
_
_
= 0.
Logo o sistema possui innitas soluc oes.
Exemplo 36 Resolver o sistema
_
_
2x +y z = 0
20x +20y 20z = 1
x +y z = 0
D = det
_
_
2 1 1
20 20 20
1 1 1
_
_
= 0, D
1
= det
_
_
0 1 1
1 20 20
0 1 1
_
_
= 0,
1.10. Apendice 35
D
2
= det
_
_
2 1 1
20 0 20
1 1 1
_
_
=1, D
3
= det
_
_
2 1 0
20 20 1
1 1 0
_
_
=1.
Como D
2
=1 e D
3
=1 o sistema e incompatvel.
Exemplo 37 Resolva o sistema
_
_
x +y z = 0
x y z = 1
x +y +z = 1
D = det
_
_
1 1 1
1 1 1
1 1 1
_
_
=4,
logo o sistema tem uma unica soluc ao
D
1
= det
_
_
0 1 1
1 1 1
1 1 1
_
_
=4, D
2
= det
_
_
1 0 1
1 1 1
1 1 1
_
_
= 2,
D
3
= det
_
_
1 1 0
1 1 1
1 1 1
_
_
=2,
assim, a soluc ao e
x =
D
1
D
=
4
4
= 1
y =
D
2
D
=
2
4
=
1
2
z =
D
D
3
=
2
4
=
1
2
Exerccio 1.36 Usando a Regra de Cramer faca a classicac ao de um sistema homog eneo
AX = 0
36 1.10. Apendice
Captulo 2
ESPAC OS VETORIAIS
2.1 Introduc ao
Algebra linear e uma parte da

Algebra que, por sua vez, e um ramo da Matem atica na qual s ao
estudados matrizes, espacos vetoriais e transformac oes lineares. Todos esses itens servem para
um estudo detalhado de sistemas lineares de equac oes.
Tanto a algebra Linear como a Geometria Analtica aplicam-se a v arias areas, em especial
` as Engenharias. Citamos, a seguir, alguma delas.

E claro que neste curso n ao conseguiremos
aborda-las todas. Contudo, nosso objetivo no momento e que o estudante tome contato com o
que representa o estado da arte neste contexto.
Jogos de Estrat egia: no jogo de roleta o jogador d a seu lance com uma aposta e o cassino
responde com o giro da roleta; o lucro para o jogador ou para o cassino e determinado a partir
destes dois movimentos. Esses s ao os ingredientes b asicos de uma variedade de jogos que
cont em elementos tanto de estrat egia quanto de acaso. Os m etodos matriciais podem ser usados
para desenvolver estrat egias otimizadas para os jogadores.
Administrac ao de Florestas: o administrador de uma plantac ao de arvores de Natal quer
plantar e cortar as arvores de uma maneira tal que a congurac ao da oresta permaneca inal-
terada de um ano para outro. O administrador tamb em procura maximizar os rendimentos, que
dependem de n umero e do tamanho das arvores cortadas. T ecnicas matriciais podem quanticar
este problema e auxiliar o administrador a escolher uma programac ao sustent avel de corte.
Computac ao gr aca: uma das aplicac oes mais uteis da computac ao gr aca e a do simu-
lador de v oo. As matrizes fornecem uma maneira conveniente de lidar com a enorme quanti-
38 2.1. Introducao
dade de dados necess arios para construir e animar os objetos tridimensionais usados por simu-
ladores de v oo para representar um cen ario em movimento. Outras aplicac oes mais simples em
computac ao gr aca s ao: vetores e matrizes s ao utilizados em espacos de cores(RGB, HSV,
etc), em coordenadas e transformac oes geom etricas em duas e tr es dimens oes, em combinac oes
convexas e lineares de pontos( curvas e superfcies spline), em representac ao compacta de
sess oes c onicas, etc.; coordenadas homog eneas e geometria projetiva utilizando comumente
para representar consistentemente transformac oes ans e processos de projec ao( paralela, per-
spectiva, modelos de c amera virtual): n umeros complexos em rotac ao no plano e tamb em
em processamento de imagens, incluindo transformadas de co-seno, Fourier, etc.; quat ernios
rotac ao espaciais e implementac ao de cinem atica inversa( resolver problemas de posiciona-
mento de juntas articuladas).
Redes El etricas: circuitos el etricos que contenham somente resist encias e geradores de
energia podem se analisados usando sistemas lineares derivados das leias b asicas da teoria de
circuitos.
Distribuic ao de Temperatura de Equilbrio: uma tarefa b asica da ci encia e da engenharias,
que pode se reduzida a resolver um sistema de equac oes lineares atrav es de t ecnicas matriciais
interativas, e determinar a distribuic ao de temperatura de objetos tais como a do aco saindo da
fornalha.
Cadeias de Markov: os registros meteorol ogicos de uma localidade especca podem ser
usados para estimar a probabilidade de que v a chover em um certo dia a partir da informac ao
de que choveu ou n ao no dia anterior. A teoria das cadeias de Markov pode utilizar tais dados
para prever, com muita anteced encia, a probabilidade de um dia chuvoso na localidade.
Gen etica: os mandat arios do Egito recorriam a casamentos entre irm aos para manter a
pureza da linhagem real. Este costume propagou e acentuou certos tracos gen eticos atrav es
de muitas gerac oes. A teoria das matrizes fornece um referencial matem atico para examinar o
problema geral da propagac ao de tracos gen eticos.
Crescimento Populacional por Faixa Et aria: a congurac ao populacional futura pode ser
projetada aplicando algebra matricial ` as taxas, especicas por faixas et arias, de nascimento e
mortalidade da populac ao. A evoluc ao a longo prazo da populac ao depende das caractersticas
matem aticas de uma matriz de projec ao que cont em os par ametros demogr acos da populac ao.
Colheita de Populac oes Animais: a colheita sustentada de uma criac ao de animais requer
2.1. Introducao 39
o conhecimento da demograa da populac ao animal. Para maximizar o lucro de uma colheita
peri odica, podem ser comparadas diversas estrat egias de colheita sustentada utilizando t ecnicas
matriciais que descrevem a din amica do crescimento populacional.
Criptograa: durante a Segunda Guerra Mundial, os decodicadores norte americanos e
brit anicos tiveram exito em quebrar o c odigo militar inimigo usando t ecnicas matem aticas e
m aquinas sosticadas (por exemplo, a Enigma). Hoje me dia, o principal impulso para o desen-
volvimento de c odigos seguros e dado pelas comunicac oes condencias entre computadores e
em telecomunicac oes.
Construc ao de Curvas e Superfcies p o Pontos Especcos: em seu trabalho Principia
Mathematica ( os princpios matem aticos da Filosoa Natural) I. Newton Abordou o problema
da construc ao de uma elipse por cinco pontos dados. Isto ilustraria como encontrar a orbita de
um cometa ou de um planeta atrav es da an alise de cinco observac oes. Ao inv es de utilizarmos
o procedimento geom etrico de Newton, podemos utilizar os determinantes para resolver o pro-
blema analiticamente.
Programac ao Linear Geom etrica: um problema usual tratado na area de programac ao li-
near e o da determinac ao de proporc oes dos ingredientes em uma mistura com o objetivo de
minimizar seu custo quando as proporc oes variam dentro de certos limites. Um tempo enorme
do uso de computadores na administrac ao e na ind ustria e dedicado a problemas de programac ao
linear.
O problema na Alocac ao de Tarefas: um problema importante na ind ustria e o do desloca-
mento 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 dep ositos
para os locais de construc ao de maneira a minimizar a dist ancia total percorrida.
Modelos Econ omicos de Leontief : num sistema econ omico simplicado, uma mina de
carv ao, uma ferrovia e uma usina de energia necessitam cada uma de uma parte da produc ao
das outras para sua manutenc ao e para suprir outros consumidores de seu produto. Os Modelos
de produc ao de Leontief podem ser usados para determinar o nvel de produc ao necess ario ` as
tr es ind ustrias para manter o sistema econ omico.
Interpolac ao Spline C ubica: as fontes tipogr acas PostScript e TrueType usadas em telas
de monitores e por impressoras s ao denidas por curvas polinomiais por partes denominadas
splines. Os par ametros que os determinam est ao armazenados na mem oria do computador, um
40 2.1. Introducao
conjunto de par ametros para cada um dos caracteres de uma particular fonte.
Teoria de Grafos: a classicac ao social num grupo de animais e uma relac ao que pode ser
descrita e analisada com a teoria de grafos, Esta teoria tamb em tem aplicac oes a problemas t ao
distintos como a determinac ao de rotas de companhias a ereas e a an alise de padr oes de votac ao.
Tomograa Computadorizada: um dos principais avancos no diagn ostico m edico e o de-
senvolvimento de m etodos n ao invasivos para obter imagens de sec oes transversais do corpo hu-
mano, como a tomograa computadorizada e a resson ancia magn etica. Os m etodos da

Algebra
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 vers oes congruentes propor-
cionalmente reduzidas do conjunto original s ao denominadas fractais. Os fractais s ao atual-
mente aplicados ` a compactac ao de dados computacionais. Os m etodos de

Algebra Linear po-
dem 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 torna-los aleat orios. Contudo, padr oes
indesejados podem continuar aparecendo no processo. A aplicac ao matricial que descreve o
processo de embaralhar ilustra tanto a ordem quanto a desordem que caracterizam estes proces-
sos ca oticos.
Um Modelo de Mnimos Quadrados para a Audic ao Humana: o ouvido interno cont em
uma estrutura com milhares de receptores sensoriais ciliares. Estes receptores, movidos pelas
vibrac oes do tmpano, respondem a freq u encias diferentes de acordo com sua localizac ao e
produzem impulsos el etricos que viajam at e o c erebro atrav es do nervo auditivo. Desta maneira,
o ouvido interno age como um processador de sinais que decomp oe uma onda sonora complexa
em um espectro de freq u encias distintas.
Deformac oes e Morsmos: voc e j a deve ter visto em programas de televis ao ou clips mu-
sicais imagens mostrando rapidamente o envelhecimento de uma mulher ao longo do tempo,
ou a transformac ao de um rosto de mulher no de uma pantera, a previs ao de como seria hoje o
rosto de uma crianca desaparecida h a 15 anos atr as, etc. Estes processos s ao feitos a partir de
algumas poucas fotos. A id eia de continuidade, de evoluc ao do processo, e feita atrav es do com-
putador.Este processo de deformac ao e chamado de morsmo, que se caracteriza por misturas
de fotograas reais com fotograas modicadas pelo computador. Tais t ecnicas de manipulac ao
2.1. Introducao 41
de imagens t em encontrado aplicac oes na ind ustria m edica, cientica e de entretenimento.
Produto de dez anos de intensa pesquisa e desenvolvimento, o primeiro onibus espacial
dos EUA (lancado em 1981) foi uma vit oria da engenharia de controle de sistemas, envol-
vendo muitas areas da engenharia - aeron autica, qumica , el etrica, hidr aulica e mec anica. Os
sistemas de controle de onibus espacial s ao absolutamente crticos para v oo. Ele requer um con-
stante monitoramento por computador durante o v oo atmosf erico. O sistema de v oo envia uma
sequ encia de comandos para a superfcie de controle aerodin amico. Matematicamente , os sinais
de entrada e sada de um sistema de Engenharia s ao func oes.

E importante para as aplicac oes
que essas func oes possam ser somadas e multiplicadas por escalares. Essas duas operac oes em
func oes tem propriedades alg ebricas que s ao completamente an alogas ` as operac oes de soma
de vetor e multiplicac ao de vetor por escalar no R
n
. Por esse motivo, o conjunto de todas as
entradas possveis (func oes) e chamado de um espaco vetorial. A fundamentac ao matem atica
para a engenharia de sistemas repousa sobre espacos vetoriais de func oes, portanto precisamos
estender a teoria de vetores do R
n
de modo a incluir tais func oes.
Antes de apresentarmos a sua denic ao, analisaremos em paralelo dois objetos: o conjunto
formado pelas func oes f : R R, denotado por F(R) e o conjunto das matrizes quadradas de
ordem n com coecientes reais que denotaremos por M
n
(R).
A soma de duas func oes f e g de F(R) e denida como:
( f +g)(x) = f (x) +g(x).
Note tamb em que se R podemos multiplicar o escalar pela func ao f , da seguinte
forma:
( f )(x) = ( f (x))
resultando num elemento de F(R).
Com relac ao a M
n
(R) podemos somar duas matrizes quadradas de ordem n,
A+B = (a
i j
+b
i j
)
nxn
que e um elemento de M
n
(R).
42 2.1. Introducao
Com relac ao ` a multiplicac ao do escalar pela matriz A R
A = (a
i j
)
nxn
o qual tamb em M
n
(R).
O que estes dois exemplos acima, com a adic ao de seus elementos e multiplicac ao de seus
elementos por escalares, t em em comum?
Verica-se facilmente a partir das propriedades dos n umeros reais que, com relac ao a quais-
quer func oes f , g e h em F(R) e para , R, s ao v alidos os seguintes resultados:
1. f +g = g+ f
2. f +(g+h) = ( f +g) +h
3. Se g representa a func ao nula ent ao f +g = f
4. f +(f ) = 0
5. ( +) f = f + f
6. ( f ) = () f
7. ( f +g) = f +g
8. 1f = f
Agora, com relac ao a quaisquer matrizes A, B, e C em M
n
e para todo , R, tamb em s ao
v alidos os seguintes resultados:
1. A+B = B+A
2. A+(B+C) = (A+B) +C
3. Se 0 representa a matriz nula ent ao A+0 = A
4. A+(A) = 0
5. ( +)A = A+A
6. (A) = ()A
2.1. Introducao 43
7. (A+B) = A+B
8. 1A = A
Observamos que o conjunto das func oes bem como o das matrizes, quando munidos de soma
e multiplicac ao por escalar, apresentam propriedades alg ebricas comuns. Existem muitos outros
exemplos de conjuntos que apresentam as mesmas propriedades acima. Para n ao estudarmos
separadamente cada conjunto, estudaremos um conjunto gen erico e n ao vazio, V, sobre o qual
supomos estar denidas as operac oes de adic ao e multiplicac ao por escalar.
Denic ao 2.1 Um espaco vetorial V e um conjunto, cujos elementos s ao chamados vetores,
no qual est ao denidas duas operac oes: a adic ao, que a cada par de vetores, u e v V faz
corresponder umnovo vetor denotado por u+v V, chamado a soma de u e v, e a multiplicac ao
por um n umero real, que a cada Re a cada vetor v V faz corresponder um vetor denotado
por v, chamado produto de por v. Estas operac oes devem satisfazer, para quaisquer ,
R e u, ve w V as seguintes propriedades:
Propriedades 2.1
1. Comutatividade: u+v = v +u
2. Associatividade: (u+v) +w = u+(v +w)
3. Vetor nulo: existe um vetor nulo 0 V tal que v +0 = v para todo v V
4. Inverso aditivo: Para cada v V existe v V tal que v +v = 0
5. Distributividade: ( +)v = v +v
6. ()v = (v)
7. (u+v) = u+v
8. Multiplicac ao por 1: 1.u = u
Exemplo 38 Para todo n umero natural n, o smbolo R
n
representa o espaco vetorial eu-
clidiano n-dimensional. Os elementos de R
n
s ao as listas ordenadas (chamadas n-uplas)
u = (x
1,
x
2,
x
3,.......,
x
n
), v = (y
1
, y
2,
y
3
, ......y
n
) de n umeros reais. Por denic ao a igualdade ve-
torial u = v signica as n igualdades num ericas
x
1
= y
1,
x
2
= y
2
, .....x
n
= y
n
.
44 2.1. Introducao
Em R
n
denimos as operac oes:
u+v = (x
1
+y
1
, x
2
+y
2,
....x
n
+y
n
)
e
u = (x
1,
x
2
, .....x
n
)
Verica-se sem diculdades, que estas denic oes fazem do R
n
um E. V. (verique).
Exemplo 39 O conjunto dos polin omios em x, de grau menor ou igual a n e denido por :
P
n
=
_
p(x) = a
o
+a
1
x +..... +a
n1
x
n1
+a
n
x
n
a
o
, a
1
, ...., a
n1
, a
n
R
_
com as operac oes de adic ao de polin omios e multiplicac ao de um polin omio por um escalar e
um espaco vetorial. Note que cada elemento de P
n
e uma func ao p : R R
Exemplo 40 O conjunto das matrizes denido por
M(m, n) =
_
_
a
i j
mn
a
i j
R, i = 1, .., m e j = 1, .., n
_
com a soma usual de matrizes e multiplicac ao usual de um escalar por uma matriz e um espaco
vetorial.
No caso particular das matrizes quadradas de ordem n denotaremos M(n, n) por M
n
.
Exemplo 41 Seja o conjunto R
2
={(x, y) x, y R} com as operac oes assim denidas:
(x
1
, y
1
) +(x
2
, y
2
) = (x
1
+x
2
, y
1
+y
2
)
(x, y) = (x, y)
O conjunto R
2
com estas operac oes n ao e um espaco vetorial.
Vamos mostrar que falha a propriedade 5) do E.V.
( +)u = ( +)(x
1
, y
1
) = (( +)x
1
, y
1
) = (x
1
+x
1
, y
1
)
u+u = (x
1
, y
1
) +(x
1
, y
1
) = (x
1
, y
1
) +(x
1
, y
1
) = (x
1
+x
1
, 2y
1
)
( +)u = u+u
2.2. Subespacos 45
Exemplo 42 Verique se V = M
2
com as operac oes:
(i) Soma:
_
_
a
1
b
1
c
1
d
1
_
_
+
_
_
a
2
b
2
c
2
d
2
_
_
=
_
_
a
1
+a
2
b
1
+b
2
c
1
+c
2
d
1
+d
2
_
_
(ii) Multiplicac ao por escalar:
_
_
a
1
b
1
c
1
d
1
_
_
=
_
_
a
1
b
1
c
1
d
1
_
_
e um espaco vetorial.
Como a adic ao e a usual, ent ao todas as propriedades da adic ao ser ao satisfeitas. Se
alguma propriedade falhar, ser a na multiplicac ao por escalar, pois esta n ao e a usual.
Sejam A =
_
_
a b
c d
_
_
e B =
_
_
m n
o p
_
_
.
Vamos mostrar que falha a propriedade: ( +)A = A+A
(i) ( +)A = ( +)
_
_
a b
c d
_
_
=
_
_
a b+b
c +c d
_
_
(ii) A + A =
_
_
a b
c d
_
_
+
_
_
a b
c d
_
_
=
_
_
a b
c d
_
_
+
_
_
a b
c d
_
_
=
_
_
2a b+b
c +c 2d
_
_
Por (i) e (ii) conclumos que (+)A=A+A. Logo V =M
2
com as operac oes denidas
acima n ao e um espaco vetorial.
2.2 Subespacos
Denic ao 2.2 Seja V um espaco vetorial. Dizemos que W V e um subespaco vetorial de V
se forem satisfeitas as seguintes condic oes:
1. se u, v W ent ao u+v W
2. se u W ent ao u W para todo R.
Podemos fazer tr es observac oes:
As condic oes da denic ao garantem que ao operarmos em W (soma e multiplicac ao por
escalar) n ao obteremos um vetor fora de W. Isto e suciente para armar que W e ele
pr oprio um E.V.
46 2.2. Subespacos
Qualquer subespaco W de V precisa conter o vetor nulo.
Todo espaco vetorial admite pelo menos dois subespacos: o conjunto formado pelo vetor
nulo e o pr oprio E.V.
Exemplo 43 Seja V =R
5
e W ={0, x
2,
x
3
, x
4
, x
5
}, W e um subespaco vetorial?
Veriquemos as condic oes de subespaco: seja u = (0, x
2,
x
3
, x
4
, x
5
) W e v =
(0, y
2,
y
3
, y
4
, y
5
) W
1. u+v = (0, x
2
+y
2,
x
3
+y
3
, x
4
+y
4
, x
5
+y
5
) W
2. u = (0, x
2,
x
3
, x
4
, x
5
) = (0, x
2,
x
3
, x
4
, x
5
) W
logo W e um subespaco vetorial.
Exemplo 44 Seja S ={(x, y, z) R
3
x +y +z = 0}, S e um subespaco de R
3
?
Dados u = (x
1
, y
1
, z
1
) S e v = (x
2
, y
2
, z
2
) S
1. u+v = (x
1
, y
1
, z
1
) +(x
2
, y
2
, z
2
) = (x
1
+x
2
, y
1
+y
2
, z
1
+z
2
)
Como u = (x
1
, y
1
, z
1
) S x
1
+y
1
+z
1
= 0. Analogamente x
2
+y
2
+z
2
= 0, e podemos
concluir que (x
1
+x
2
) +(y
1
+y
2
) +(z
1
+z
2
) = 0 u+v S
2. u =(x
1
, y
1
, z
1
) = (x
1
, y
1
, z
1
) para todo x
1
+y
1
+z
1
=(x
1
+y
1
+z
1
) =
0 = 0 e dai u S
Portanto, S e um subespaco vetorial de R
3
.
Exemplo 45 V =M
n
e W e o subconjunto das matrizes triangulares superiores. W e subespaco
de V, pois a soma das matrizes triangulares superiores ainda e uma matriz triangular superior,
assim como o produto de uma matriz triangular por um escalar (Verique).
Exemplo 46 Uma situac ao importante em que aparece um subespaco e obtida ao resolvermos
um sistema linear homog eneo. Considere o sistema homog eneo AX = O, onde A e uma matriz
mn e X e uma matriz coluna n 1.Se X
1
e X
2
s ao duas soluc oes do sistema AX = O
ent ao tem-se AX
1
= O e AX
2
= O. Mas A(X
1
+X
2
) = AX
1
+ AX
2
= O+O = O, logo X
1
+X
2
e
uma soluc ao do sistema AX = O. Tamb em, A(kX
1
) = kAX
1
= O, portanto kX
1
e uma soluc ao do
sistema AX = O.
Como o conjuntos das matrizes X
n1
e uma espaco vetorial temos que o subconjunto de
todas as matrizes de ordem n1 que s ao soluc oes do sistema AX =O e uma subespaco vetorial
do espaco vetorial formado por todas as matrizes de ordem n1
2.2. Subespacos 47
Exemplo 47 Seja V = R
2
e W = {(x, x
2
) R
2
x R}. Se escolhermos u = (1, 1) e v =
(2, 4) W, temos: u+v = (3, 5) / W, portanto W n ao e subespaco vetorial de R
2
.
Exemplo 48 Seja V = R
2
e W = {(x, y) R
2
y = 2x}, W e subespaco vetorial de R
2
, pois
temos:
1. Para u = (x
1
, 2x
1
) e v = (x
2
, 2x
2
) W tem-se u+v = (x
1
+x
2
, 2(x
1
+x
2
)) W, pois a
segunda componente de u+v e igual ao dobro da primeira.
2. u = (x
1
, 2x
1
) = (x
1
, 2(x
1
)) W, pois a segunda componente de u e igual ao
dobro da primeira.
Exemplo 49 Considere o espaco vetorial M
2
e a matriz B =
_
_
0 1
1 0
_
_
M
2
.Seja W =
{A M
2
AB = BA}. Verique se W e um espaco vetorial de M
2
.
1
a
Soluc ao: Sejam A
1
, A
2
petencente a M
2
.
(A
1
+A
2
)B = A
1
B+A
2
B = BA
1
+BA
2
= B(A
1
+A
2
) (A
1
+A
2
) M
2
(kA
1
)B = k(A
1
B) = k(BA
1
) = B(kA
1
) (kA
1
) M
2
Logo W e um subespaco vetorial de W.
2
a
Soluc ao: Tomando A =
_
_
a b
c d
_
_
W, sabe-se que a matriz A deve satisfazer a relac ao
AB = BA.Portanto
_
_
a b
c d
_
_
_
_
0 1
1 0
_
_
=
_
_
0 1
1 0
_
_
_
_
a b
c d
_
_
_
_
b a
d c
_
_
=
_
_
c d
a b
_
_
b = c
a = d a = d
a = d
c = b b =c
Logo A =
_
_
a b
b a
_
_
W =
_
_
_
_
_
a b
b a
_
_
M
2
a, b R
_
_
_
Sejam u =
_
_
a b
b a
_
_
e v =
_
_
x y
y x
_
_
48 2.3. Interseccao de dois Subespacos Vetoriais
u+v =
_
_
a b
b a
_
_
+
_
_
x y
y x
_
_
=
_
_
a+x b+y
by a+x
_
_
=
_
_
a+x b+y
(b+y) a+x
_
_
W
ku = k
_
_
a b
b a
_
_
=
_
_
ka kb
kb ka
_
_
W
Como u+v W e ku W W e um subespaco vetorial de M
2
Exemplo 50 Verique se W =
_
p(x) P
3
: p
(2) + p
(1) = 0
_
e um sub-espaco vetorial de
V = P
3
.
Sejam p(x), q(x) W p
(2) + p
(1) = 0 e q
(2) +q
(1) = 0
Assim (p+q)(x) = p(x) +q(x) e tal que
(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 ent ao (p+q)(x) W.
Da mesma forma, (p)(x) = p(x) e tal que
(p)
(2) +(p)
(1) = p
(2) +p
(1) =
_
p
(2) + p
(1)
_
= .0 = 0
e ent ao (p)(x) W.
Portanto W e subespaco vetorial de P
3
.
2.3 Intersecc ao de dois Subespacos Vetoriais
Denic ao 2.3 Dados W
1
e W
2
subespacos de umespaco vetorial V, a intersecc aoW
1
W
2
ainda
e um subespaco de V.
Exemplo 51 V =R
3
. Seja W
1
={(x, y, z) R
3
/ y =0} e W
2
={(x, y, z) R
3
/ x =0}. W
1
W
2
e a reta de intersecc ao dos planos W
1
e W
2
, ou seja W
1
W
2
={(x, y, z) R
3
/x = 0 e y = 0}
Exemplo 52 V =R
3
. Seja W
1
={(x, y, z) R
3
/ x+y+z = 0} e W
2
={(x, y, z) R
3
/ x+y
z = 0}.
2.3. Interseccao de dois Subespacos Vetoriais 49
Para encontrarmos a intersecc ao dos dois subespacos devemos resolver o sistema
_
_
_
x +y +z = 0
x +y z = 0
A soluc ao desse sistema e z = 0, y = x. Portanto W
1
W
2
= {(x, y, z) R
3
: z = 0 e
y =x}
Exemplo 53 V = P
3
. Seja W
1
={p P
3
: p
(1) = 0} e W
2
={p P
3
: p
(1) = 0}
Como p P
3
ent ao p = a+bx+cx
2
+dx
3
, com a, b, c, d R. Se p W
1
ent ao p
(1) = 0
b +2c +3d = 0. Se p W
2
ent ao p
(1) = 0 2c +6d = 0. Para que p pertenca a W

1
W
2
devemos resolver o sistema
_
_
_
b+2c +3d = 0
2c +6d = 0
assim, c =3d e b = 3d.
Portanto W
1
W
2
={p P
3
: p = a+3dx 3dx
2
+dx
3
}
Exemplo 54 V = M(n, n),W
1
= {matrizes triangulares superiores}; W
2
= {matrizes triangu-
lares inferiores}. Ent ao W
1
W
2
={matrizes diagonais}.
Exemplo 55 Seja V = M
2
=
_
_
a b
c d
_
_
e
W
1
=
_
_
_
_
_
a b
0 0
_
_
, a, b R
_
_
_
W
2
=
_
_
_
_
_
a 0
c 0
_
_
, a, c R
_
_
_
W =W
1
W
2
e um subespaco de V, pois
W =
_
_
_
_
_
a 0
0 0
_
_
, a R
_
_
_
Exemplo 56 Sejam W
1
e W
2
dados por: W
1
= {(x, y) R
2
: x +y = 0} e W
2
= {(x, y) R
2
:
x y = 0} ser a que W
1
W
2
e um subespaco vetorial de V?
50 2.4. Combinacao Linear
N ao. Basta considerar V =R
2
,
u = (1, 1) W
2
v = (1, 1) W
1
mas u +v = (1, 1) +(1, 1) = (2, 0) / W
1
W
2
(represente gracamente esta soma de ve-
tores)
2.4 Combinac ao Linear
Denic ao 2.4 Seja V um espaco vetorial real, v
1
, v
2
, ......, v
n
V e a
1
, a
2,.........
a
n
R. Ent ao, o
vetor
v = a
1
v
1
+a
2
v
2
+..... +a
n
v
n
e um elemento de V ao que chamamos de combinac ao linear de v
1
, v
2
, ......, v
n
.
Exemplo 57 Em R
2
o vetor v = (10, 16) e uma combinac ao linear dos vetores v
1
= (1, 2) e
v
2
= (3, 4) pois v = 4v
1
+2v
2
.
Exemplo 58 Verique se o vetor v = (3, 2, 1) pode ser escrito como uma combinac ao linear
dos vetores v
1
= (1, 1, 1), v
2
= (1, 1, 1), v
3
= (1, 1, 1).
Devemos vericar se existem n umeros a, b, c tais que v = av
1
+bv
2
+cv
3
, ou seja,
(3, 2, 1) = a(1, 1, 1) +b(1, 1, 1) +c(1, 1, 1).
devemos ent ao resolver o sistema
_
_
1 1 1
1 1 1
1 1 1
_
_
_
_
a
b
c
_
_
=
_
_
3
2
1
_
_
Mas esse sistema tem uma unica soluc ao a =
3
2
, b =
1
2
e c = 1. Portanto v pode realmente ser
escrito como combinac ao de v
1
, v
2
e v
3
, da forma v =
3
2
v
1
+
1
2
v
2
+v
3
.
Exemplo 59 No espaco vetorial P
2
o polin omio p = 7x
2
+11x 26 e combinac ao linear dos
polin omios: q
1
= 5x
2
3x +2 e q
2
=2x
2
+5x 8, de fato p = 3q
1
+4q
2
(conra).
Exemplo 60 Verique que em P
2
o polin omio p(x) = 1+x
2
e uma combinac ao dos polin omios
q(x) = 1, r(x) = 1+x e s(x) = 1+x +x
2
.
2.4. Combinacao Linear 51
Precisamos encontrar n umeros reais, a
1
, a
2
e a
3
tais que:
p(x) = a
1
q(x) +a
2
r(x) +a
3
s(x)
Ou seja, precisamos encontrar a
1
, a
2
e a
3
satisfazendo:
1+x
2
= a
1
+a
2
(1+x) +a
3
(1+x +x
2
)
1.1+0x +1.x
2
= (a
1
+a
2
+a
3
) +(a
2
+a
3
)x +a
3
x
3
que e equivalente ao sistema:
_
_
a
1
+a
2
+a
3
= 1
a
2
+a
3
= 0
a
3
= 1
a
1
= 1; a
2
=1 e a
3
= 1.
Exemplo 61 Consideremos , no R
3
, os seguintes vetores: v
1
= (1, 3, 2) e v
2
= (2, 4, 1).
Escreva o vetor v = (4, 18, 7) como combinac ao linear dos vetores v
1
e v
2
.
Temos:
v = a
1
v
1
+a
2
v
2
(4, 18, 7) = a
1
(1, 3, 2) +a
2
(2, 4, 1) = (1a
1
, 3a
1
, 2a
1
) +(2a
2
, 4a
2
, 1a
2
) =
= (a
1
+2a
2
, 3a
1
+4a
2,
2a
1
a
2
) que e equivalente ao sistema:
_
_
a
1
+2a
2
=4
3a
1
+4a
2
=18
2a
1
a
2
= 7
a
1
= 2, a
2
=3.
Portanto, v = 2v
1
3v
2
. Agora mostre que o vetor v = (4, 3, 6) n ao e combinac ao linear dos
vetores v
1
= (1, 3, 2) e v
2
= (2, 4, 1).
52 2.5. Dependencia e Independencia Linear
2.5 Depend encia e Independ encia Linear
Denic ao 2.5 Seja V um espaco vetorial e v
1
, v
2
, ......, v
n
V. Dizemos que o conjunto
{v
1
, v
2
, ......, v
n
} e linearmente independente (LI), se a equac ao:
a
1
v
1
+a
2
v
2
+.... +a
n
v
n
= 0
implica que
a
1
= a
2
= ... = a
n
= 0.
No caso, em que exista algum a
i
= 0 dizemos que {v
1
, v
2
, ......, v
n
} e linearmente dependente
(LD).
Para determinarmos se um conjunto e L.I. ou L.D. devemos fazer a combinac ao linear do
conjunto de vetores e igualar esta combinac ao linear ao vetor nulo do espaco. Portanto e muito
importante ter conhecimento do vetor nulo do espaco em que estamos trabalhando.
Exemplo 62 Considere o espaco vetorial R
3
e os conjunto de vetores:
= {(1, 2, 3), (1, 1, 1), (1, 0, 0)}
= {(1, 2, 3), (1, 1, 1), (3, 5, 7)}
Os conjuntos e acima s ao L.I ou L.D?
Fazendo a combinac ao linear de
a(1, 2, 3) +b(1, 1, 1) +c(1, 0, 0) = (0, 0, 0)
temos o sistema homog eneo:
_
_
a+b+c = 0
2a+b = 0
3a+b = 0
cuja unica soluc ao e a = b = c = 0. Portanto o conjunto e L.I
Fazendo a combinac ao linear de
a(1, 2, 3) +b(1, 1, 1) +c(3, 5, 7) = (0, 0, 0)
2.5. Dependencia e Independencia Linear 53
temos o sistema homog eneo:
_
_
a+b+3c = 0
2a+b+5c = 0
3a+b+7c = 0
que possui innitas soluc oes ( grau de liberdade 1). Portanto al em da soluc ao nula ( que todo
sistema homog eneo tem) este sistema possui outras soluc oes diferentes da soluc ao nula, logo o
conjunto e L.D.
Teorema 2.1 O conjunto {v
1
, v
2
, ......, v
n
} e LD se, e somente se, um dos vetores do conjunto
for uma combinac ao linear dos outros.
Exemplo 63 a) Seja V =R
3
. Sejam v
1
, v
2
V. O conjunto {v
1
, v
2
} e LD se, e somente se, v
1
e
v
2
estiverem na mesma reta que passa pela origem (um vetor e m ultiplo do outro), v
1
= v
2
.
b) EmV =R
2
, e
1
= (1, 0) e e
2
= (0, 1) s ao LI, pois:
a
1
e
1
+a
2
e
2
= 0 =a
1
(1, 0) +a
2
(0, 1) = (0, 0) =(a
1,
a
2
) = (0, 0)
logo a
1
= 0 e a
2
= 0 portanto, e
1
e e
2
s ao LI.
Exemplo 64 No espaco Vetorial M
2
o conjunto:
A =
_
_
_
_
_
1 2
3 1
_
_
,
_
_
2 3
3 0
_
_
,
_
_
3 4
3 1
_
_
_
_
_
e LD ?
Examinemos a equac ao: a
1
v
1
+a
2
v
2
+a
3
v
3
= 0
a
1
_
_
1 2
3 1
_
_
+a
2
_
_
2 3
3 0
_
_
+a
3
_
_
3 4
3 1
_
_
=
_
_
0 0
0 0
_
_
cuja soluc ao e a
1
=a
3
e a
2
=2a
3.
.Como existem soluc oes a
i
= 0, o conjunto e LD.
Propriedades 2.2 Seja V um espaco vetorial
1. Se A ={v} V e v =
0 , ent ao A e LI.
2. Se um conjunto A V cont em o vetor nulo, ent ao A e LD
3. Se um conjunto A V e LI, qualquer parte A
1
de A tamb em e LI.
54 2.6. Subespacos Gerados
2.6 Subespacos Gerados
Denic ao 2.6 Seja V um espaco vetorial. Consideramos um subconjunto A={v
1
, v
2
, . . . , v
n
}
V, A = .O conjunto W de todos os vetores de V que s ao combinac oes lineares dos vetores de
A e um subespaco de V. Simbolicamente, o subespaco W e:
W ={v V v = a
1
v
1
+a
2
v
2
+. . . +a
n
v
n
}
O subespaco W diz-se gerado pelos vetores v
1
, v
2
, . . . , v
n
, ou gerado pelo conjunto A, e
representa-se por:
W = [v
1
, v
2
, . . . , v
n
] ou W = G(A)
Os vetores v
1
, v
2
, . . . , v
n
s ao chamados geradores do subespaco W, enquanto A e o conjunto
gerador de W.
Para o caso particular de A =, dene-se [] ={
0 }
A G(A), ou seja, { v
1
, v
2
, . . . , v
n
} [v
1
, v
2
, . . . , v
n
]
Todo conjunto A V gera um subespaco vetorial de V, podendo ocorrer G(A) =V. Nesse
caso, A e um conjunto gerador de V.
Exemplo 65 Os vetores i = (1, 0) e j = (0, 1) geram o espaco vetorial R
2
, pois, qualquer
(x, y) R
2
e combinac ao linear de i e j :
(x, y) = xi +y j = x(1, 0) +y(0, 1) = (x, 0) +(0, y) = (x, y)
Ent ao: [i, j] =R
2
.
3
. Determinar o subespaco gerado pelo vetor v
1
= (1, 2, 3).
Temos:
[v
1
] ={(x, y, z) R
3
/(x, y, z) = a(1, 2, 3), a R}
Da igualdade: (x, y, z) = a(1, 2, 3) vem: x = a; y = 2a; z = 3a donde: y = 2x e z = 3x, logo,
[v
1
] ={(x, y, z) R
3
/y = 2x e z = 3x} ou [v
1
] ={(x, 2x, 3x); x R}.
Exemplo 67 Encontre o subespaco vetorial de P
3
gerado por U ={1, t, t
2
, 1+t
3
}
2.6. Subespacos Gerados 55
Note que t
3
= (t
3
+1)1. Assim, dado p(t) =a
o
+a
1
t +a
2
t
2
+a
3
t
3
P
3
podemos escrever
p(t) = (a
0
a
3
) +a
1
t +a
2
t
2
+a
3
(t
3
+1) U
Ou seja, qualquer vetor (polin omio) de P
3
pode ser escrito como uma combinac ao linear dos
vetores do conjunto U. Logo P
3
= [U].
Exemplo 68 Encontre o subespaco vetorial gerado de M
2
gerado por
G =
_
_
_
_
_
1 1
0 1
_
_
,
_
_
2 1
3 4
_
_
_
_
_
Temos que A =
_
_
x y
z t
_
_
[G] se e somente se existirem a e b R tais que
A =
_
_
x y
z t
_
_
= a
_
_
1 1
0 1
_
_
+b
_
_
2 1
3 4
_
_
Da, tem-se o sistema:
_
_
a+2b = x
a+b = y
3b = z
a+4b =t
que e possvel se: z = x +y e t =
5x+2y
3
Logo [G] =
_
_
_
_
_
x y
x +y
5x+2y
3
_
_
: x, y R
_
_
_
.
Exemplo 69 Encontre um conjunto de geradores para W ={X M(4, 1) AX = 0} onde
A =
_
_
_
_
_
_
_
_
1 1 1 0
2 0 1 1
3 1 0 1
0 2 3 1
_
_
_
_
_
_
_
_
56 2.7. Soma de Subespacos
Seja
X =
_
_
_
_
_
_
_
_
a
b
c
d
_
_
_
_
_
_
_
_
W
_
_
_
_
_
_
_
_
1 1 1 0
2 0 1 1
3 1 0 1
0 2 3 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
b
c
d
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
_
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
1 1 1 0
0 2 3 1
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
b
c
d
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 1 1 0
0 1 3/2 1/2
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
b
c
d
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
_
_
_
_
_
_
_
_
_
_
_
a =
c
2

d
2
b =
3c
2
+
d
2
,
isto e,
X =
_
_
_
_
_
_
_
_
c
2

d
2
3c
2
+
d
2
c
d
_
_
_
_
_
_
_
_
= c
_
_
_
_
_
_
_
_
1
2
3
2
1
0
_
_
_
_
_
_
_
_
+d
_
_
_
_
_
_
_
_
1
2
1
2
0
1
_
_
_
_
_
_
_
_
portanto, W =
_
_
_
_
_
_
_
_
_
_
1
2
3
2
1
0
_
_
_
_
_
_
_
_
,
_
_
_
_
_
_
_
_
1
2
1
2
0
1
_
_
_
_
_
_
_
_
_
_
.
2.7 Soma de Subespacos
Denic ao 2.7 SejamW
1
e W
2
dois subespacos vetoriais de V. Ent ao o conjunto
W
1
+W
2
={v Vv = w
1
+w
2
, w
1
W
1
e w
2
W
2
}
Exemplo 70 W
1
=
_
_
_
_
_
a b
0 0
_
_
_
_
_
e W
2
=
_
_
_
_
_
0 0
c d
_
_
_
_
_
,onde a, b, c, d R. Ent ao W
1
+W
2
=
2.7. Soma de Subespacos 57
_
_
_
_
_
a b
c d
_
_
_
_
_
= M
2
.
Exemplo 71 Sejam os subespacos vetoriais
W
1
={(a, b, 0); a, b R} e W
2
={(0, 0, c), c R}
do espaco vetorial R
3
. A soma W
1
+W
2
={(a, b, c); a, b, c R} e subespaco vetorial, que nesse
caso e o pr oprio R
3
.
Proposic ao 2.1 Quando W
1
W
2
= {
0 }, ent ao W
1
+W
2
e chamado soma direta de W
1
com
W
2
, e denotado por W
1
W
2
.
Observac ao 4 Usando os geradores podemos obter uma caracterizac ao da soma de dois
subespacos: Sejam W e U subespacos de V, se W = [u
1
, . . . , u
n
] e U = [w
1
, . . . , w
m
] ent ao
W +U = [u
1
, . . . , u
n
, w
1
, . . . , w
m
]
Exemplo 72 Verique que R
3
e a soma direta de
W
1
={(x, y, z) R
3
; x +y +z = 0}
e
W
2
={(x, y, z) R
3
; x = y = 0}
Note que W
2
e de fato um subespaco vetorial de R
3
(Verique)
Dado v W
1,
v = (x, y, x y) e u W
2
, u = (0, 0, z)
u+v = (x, y, x y +z) =R
3
vamos mostrar que W
1
W
2
=
_
0
_
. Seja (x, y, z) W
1
W
2
temos:
_
_
x y +z = 0
x = 0
y = 0
(x, y, z) = (0, 0, 0)
58 2.8. Base e Dimensao de um Espaco Vetorial
Exemplo 73 Encontre os geradores do subespaco U +W onde
U =
_
(x, y, z) R
3
x +y +z = 0
_
, e
W =
_
(x, y, z) R
3
x +y = 0 e x z = 0
_
Se u U u = (x, y, x y) = x(1, 0, 1) +y(0, 1, 1) logo U = [(1, 0, 1), (0, 1, 1)]
Se v 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 Base e Dimens ao de um Espaco Vetorial
2.8.1 Base
Um conjunto ={v
1
, v
2
, . . . , v
n
} V e uma base do espaco vetorial se:
1. e LI
2. gera V
Exemplo 74 ={(1, 1), (1, 0)} e base de R
2
. De fato:
1. e LI pois a(1, 1) +b(1, 0) = (0, 0) =a = b = 0
2. gera R
2
, pois para todo (x, y) R
2
, 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 75 O conjunto {(0, 1), (0, 2)} n ao e base de R
2
pois e 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 soluc oes.
2.8. Base e Dimensao de um Espaco Vetorial 59
3
ent ao ={(1, 0, 0), (0, 1, 0), (0, 0, 1)} e uma base do R
3
(verique!).
Exemplo 77 O conjunto ={1, x, x
2
, . . . , x
n
} e uma base do espaco vetorial P
n
. De fato:
a
o
+a
1
x +a
2
x
2
+. . . +a
n
x
n
= 0
a
o
+a
1
x +a
2
x
2
+. . . +a
n
x
n
= 0+0x +0x
2
+. . . +0x
n
=a
0
= a
1
= . . . = a
n
= 0
portanto, e LI.
gera o espaco vetorial P
n,
pois qualquer polin omio p P
n
pode ser escrito assim:
p = a
o
+a
1
x +a
2
x
2
+. . . +a
n
x
n
que e uma combinac ao linear de 1, x, x
2
, . . . , x
n
.
Logo, e uma base de P
n
.Essa e a base can onica de P
n
e tem n+1 vetores.
Exemplo 78 Encontre uma base para U +W onde
U =
_
(x, y, z) R
3
x +y +z = 0
_
e
W =
_
(x, y, z) R
3
x +y = 0 e x z = 0
_
Seja U = [(1, 0, 1), (0, 1, 1)] e W = [(1, 1, 1)] ( J a vimos este exemplo.)
U +W = [(1, 0, 1), (0, 1, 1), (1, 1, 1)].
J a temos um conjunto que gera a soma, se este conjunto for L.I. ent aele ser a uma base.
a(1, 0, 1) +b(0, 1, 1) +c(1, 1, 1) = (0, 0, 0)
_
_
1 0 1
0 1 1
1 1 1
_
_
_
_
a
b
c
_
_
=
_
_
0
0
0
_
_
A =
_
_
1 0 1
0 1 1
1 1 1
_
_
A
1
=
_
_
0 1 1
1 2 1
1 1 1
_
_
_
_
a
b
c
_
_
=
_
_
0 1 1
1 2 1
1 1 1
_
_
_
_
0
0
0
_
_
=
_
_
0
0
0
_
_
logo o conjunto e L.I e portanto. ={(1, 0, 1), (0, 1, 1), (1, 1, 1)} e uma base de U +W.
Exemplo 79 Encontre uma base para U +W onde
U =
_
(x, y, z) R
3
x y +z = 0 e x y = 0
_
e
W =
_
(x, y, z) R
3
x +y z = 0 e x z = 0
_
Se v = (x, y, z) U
_
_
_
x y +z = 0
x y = 0
v = (x, x, 0) = x(1, 1, 0), portanto U = [(1, 1, 0)] .
Se u = (x, y, z) W
_
_
_
x +y z = 0
x z = 0
u = (x, 0, x) = x(1, 0, 1),portanto W = [(1, 0, 1)]
Assim U +W = [(1, 1, 0, ), (1, 0, 1)] . Como o conjunto = {(1, 1, 0, ), (1, 0, 1)} e L.I ent ao
ele e uma base para U +W.
Exemplo 80 Dados:
U ={A M
2
(R); A = A
t
} e W =
_
_
_
_
1 1
0 1
_
_
_
_
em M
2
encontre uma base para U,W,U W,W +U
Para U : A =
_
_
a b
c d
_
_
c = b portanto, A U se existirem a
1
, a
2
, a
3
R tais que
A = a
1
_
_
1 0
0 0
_
_
+a
2
_
_
0 1
1 0
_
_
+a
3
_
_
0 0
0 1
_
_
pode-se vericar facilmente que as matrizes
_
_
_
_
_
1 0
0 0
_
_
,
_
_
0 1
1 0
_
_
,
_
_
0 0
0 1
_
_
_
_
_
s ao L.I e portanto, como geram U, formam uma base de U.
Para W: Como a matriz
_
_
1 1
0 1
_
_
gera W, ela serve para base de W.
Para U W : A U W A = A
t
e existe R tal que
A =
_
_

0
_
_
,
isto e, se e somente se existir R tal que
_
_

0
_
_
=
_
_
0

_
_
que e satisfeita quando = 0, ou seja, A = 0. Desse modo U W ={0}.
Uma base para U W e = . Veja a observac ao a seguir para elucidar esse fato.
Observac ao 5 : Seja V um espaco vetorial e

0 V o vetor nulo de V. Como o conjunto
=
_
0
_
e LD (mostre isto) temos que este conjunto n ao pode ser uma base do conjunto
N =
_
0
_
. Este e um caso patol ogico e para que n ao seja contrariada a denic ao de base
tomamos = (conjunto vazio) como sendo base para o espaco N =
_
0
_
.
Para U +W : Como U W ={0} temos U +W e soma direta e, portanto, uma base e:
_
_
_
_
_
1 0
0 0
_
_
,
_
_
0 1
1 0
_
_
,
_
_
0 0
0 1
_
_
,
_
_
1 1
0 1
_
_
_
_
_
Proposic ao 2.2 Todo conjunto LI de um espaco vetorial V e base do subespaco por ele gerado.
Exemplo 81 O conjunto ={(1, 2, 1), (1, 3, 0)} R
3
e LI e gera o subespaco
W ={(x, y, z) R
3
/3x y z = 0
}.
Ent ao, e base de W, pois e LI e gera W.
Teorema 2.2 Sejam v
1
, v
2
, . . . , v
n
, vetores n ao nulos que geram um espaco vetorial V. Ent ao,
dentre estes vetores podemos extrair uma base de V.
Proposic ao 2.3 Seja um E.V V gerado por um conjunto nito de vetores v
1
, v
2
, . . . , v
n
. Ent ao
qualquer conjunto com mais de n vetores e necessariamente LD (e, portanto, qualquer conjunto
LI tem no m aximo n vetores).
Exemplo 82 SejamU e W subespacos de V = M
2
tal que
U =
_
_
_
_
_
a b
c d
_
_
M
2
: b+c = 0
_
_
_
e W =
_
_
_
_
0 1
1 0
_
_
,
_
_
1 0
0 1
_
_
,
_
_
1 1
0 1
_
_
_
_
.
a. Determine uma base para U W
Inicialmente, encontremos o subespaco gerado W :
Seja A W A =
_
_
a b
c d
_
_
=
_
_
0 1
1 0
_
_
+
_
_
1 0
0 1
_
_
+
_
_
1 1
0 1
_
_
A matriz ampliada desse sistema e:
_
_
_
_
_
_
_
_
0 1 1 a
1 0 1 b
1 0 0 c
0 1 1 d
_
_
_
_
_
_
_
_
, eliminac ao Gaussiana:
_
_
_
_
_
_
_
_
1 0 1 b
0 1 1 a
0 0 1 b+c
0 0 0 d a
_
_
_
_
_
_
_
_
O sistema s o e possvel se d a = 0, da observamos que o subespaco gerado W e dado por
W =
_
_
_
_
_
a b
c d
_
_
M
2
: a = d
_
_
_
E portanto obtemos U W =
_
_
_
_
_
a c
c a
_
_
; a, c R
_
_
_
. Uma base para W e =
_
_
_
_
_
1 0
0 1
_
_
,
_
_
0 1
1 0
_
_
_
_
_
. Note que as matrizes geram U W e s ao LI, pois n ao s ao m ultiplas
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 :
Seja A U A =
_
_
a b
b d
_
_
= a
_
_
1 0
0 0
_
_
+b
_
_
0 1
1 0
_
_
+d
_
_
0 0
0 1
_
_
U =
_
_
_
_
1 0
0 0
_
_
,
_
_
0 1
1 0
_
_
,
_
_
0 0
0 1
_
_
_
_
U +W =
_
_
_
_
1 0
0 0
_
_
,
_
_
0 1
1 0
_
_
,
_
_
0 0
0 1
_
_
,
_
_
0 1
1 0
_
_
,
_
_
1 0
0 1
_
_
,
_
_
1 1
0 1
_
_
_
_
Uma base para U +W deve ter no m aximo 4 matrizes, ent ao j a sabemos que este conjunto
e LD e que temos que eliminar no mnimo 2 matrizes para este conjunto se tornar LI. Vejamos
quantas e quais matrizes ser ao eliminadas:
a
_
_
1 0
0 0
_
_
+b
_
_
0 1
1 0
_
_
+c
_
_
0 0
0 1
_
_
+d
_
_
0 1
1 0
_
_
+e
_
_
1 0
0 1
_
_
+f
_
_
1 1
0 1
_
_
=
_
_
0 0
0 0
_
_
_
_
_
_
_
_
_
_
1 0 0 0 1 1
0 1 0 1 0 1
0 1 0 1 0 0
0 0 1 0 1 1
_
_
_
_
_
_
_
_
, eliminac ao Gaussiana:
_
_
_
_
_
_
_
_
1 0 0 0 1 1
0 1 0 1 0 1
0 0 1 0 1 1
0 0 0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
b
c
d
e
f
_
_
_
_
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
0
0
0
0
_
_
_
_
_
_
_
_
_
ae f = 0
bd f = 0
c e + f = 0
f = 0
_
a = c = e
b = d
f = 0
Veja que n ao podemos excluir a ultima matriz e que existe uma relac ao entre a 1
a
, 3
a
e 5
a
,
ent ao devemos excluir uma dentre estas tr es; e ainda a 2
a
est a relacionada com a 4
a
, ent ao
temos que excluir uma das duas. Excluindo a 1
a
e a 2
a
tem-se que
=
_
_
_
_
_
0 0
0 1
_
_
,
_
_
0 1
1 0
_
_
,
_
_
1 0
0 1
_
_
,
_
_
1 1
0 1
_
_
_
_
_
e uma base para U +W.
2.8.2 Dimens ao
Seja V um Espaco Vetorial.
Se V possui uma base com n vetores, ent ao V tem dimens ao n e denota-se dimV = n.
Se V n ao possui uma base, ou seja, a base e = ent ao dimV = 0.
Se V possui uma base com innitos vetores, ent ao dimV e innita e anota-se dimV = .
Exemplo 83 dimR
2
= 2 pois toda base de R
2
tem 2 vetores
Exemplo 84 dimM(2, 2) = 4
Exemplo 85 dimM(m, n) = m.n
Exemplo 86 dimP
n
= n+1
Proposic ao 2.4 Seja V um E. V. tal que dimV = n
Se W e um subespaco de V ent ao dimW n. No caso de dimW = n , tem-se W =V. Para
permitir uma interpretac ao geom etrica, consideremos o espaco tridimensional R
3
(dimR
3
= 3).
A dimens ao de qualquer subespaco W do R
3
s o poder a ser 0, 1, 2 ou 3. Portanto, temos os
seguintes casos:
1. dimW = 0, ent ao W ={0} e a origem;
2. dimW = 1, ent ao W e uma reta que passa pela origem;
3. dimW = 2, ent ao W e um plano que passa pela origem;
4. dimW = 3 ent ao W =R
3
.
Proposic ao 2.5 Seja V um E. V de dimens ao n. Ent ao, qualquer subconjunto de V com mais
de n vetores e Linearmente Dependente (LD).
Proposic ao 2.6 Sabemos que o conjunto e base de um espaco vetorial se for LI e gera V.
No entanto, se soubermos que dimV = n , para obtermos uma base de V basta que apenas uma
das condic oes de base esteja satisfeita.
Exemplo 87 O conjunto ={(2, 1), (1, 3)} e uma base do R
2
. De fato, como dimR
2
= 2 e
os dois vetores dados s ao LI (pois nenhum vetor e m ultiplo escalar do outro), eles formam uma
base do R
2
.
Exemplo 88 Seja W =
_
p(x) P
3
: p
(2) + p
(1) = 0
_
um subespaco vetorial de P
3
. Encon-
tre uma base e a dimens ao de W.
Vamos ent ao encontrar uma base, comecemos pelos geradores de W.
Se p(x) = ax
3
+ bx
2
+ cx + d W temos que p
(2) + p
(1) = 0.Ent ao como

_
_
_
p
(1) = 3a+2b+c
p
(2) = 12a+2b
obt em-se de p
(2) + p
(1) = 0 que c =15a4b.

Portanto p(x) W e da forma p(x) = a(x
3
15x) +b(x
2
4x) +d.
Logo W =
_
x
3
15x, x
2
4x, 1
. Como esse conjunto e LI (f acil de vericar), temos que

uma base de W e
={x
3
15x, x
2
4x, 1} e dimW = 3.
2.8.3 Dimens ao da Soma de Subespacos Vetoriais
Proposic ao 2.7 Seja V um espaco vetorial de dimens ao nita. Se U e W s ao subespacos
vetoriais de V ent ao
dim(U +W) = dimU +dimW dim(U W).
No exemplo (80) de base, para encontrar a base de U +W podemos usar esta proposic ao:
dim(U +W) =dimU +dimWdim(UW) =3+10 =4 =dimM
2
, portanto, U +W =M
2
e uma base pode ser dada por:
_
_
_
_
_
1 0
0 0
_
_
,
_
_
0 1
0 0
_
_
,
_
_
0 0
1 0
_
_
,
_
_
1 1
0 1
_
_
_
_
_
2.8.4 Coordenadas
Seja V um espaco vetorial gerado e uma base de V formada pelos vetores u
1
, u
2
, . . . , u
n
.
v V sendo v = x
1
u
1
+x
2
u
2
+. . . +x
n
u
n
Os coecientes x
1
, x
2
, . . . , x
n
s ao chamados componentes ou coordenadas de v em relac ao
a base e se representa por:
[v]
=
_
_
_
_
_
_
_
_
x
1
x
2
:
x
n
_
_
_
_
_
_
_
_
Exemplo 89 No R
2
consideremos as bases = {(1, 0), (0, 1)}, = {(2, 0), (1, 3)} e =
{(1, 3), (2, 4)}. Dado o vetor v = (8, 6) tem-se:
(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
_
_
, [v]
=
_
_
3
2
_
_
e [v]
=
_
_
2
3
_
_
.
Exemplo 90 Mostre que os vetores (1, 1, 1), (0, 1, 1) e (0, 0, 1) formam uma base de R
3
. En-
contre as coordenadas de (1, 2, 0) R
3
com relac ao ` a base formada pelos vetores acima.
66 2.9. Mudanca de Base
J a sabemos que dimR
3
= 3.Ent ao vericamos se os vetores acima s ao LI. Os vetores s ao
LI se a
1
v
1
+a
2
v
2
+a
3
v
3
= 0 a
1
= a
2
= a
3
= 0. Isto e equivalente ao sistema:
_
_
a
1
= 0
a
1
+a
2
= 0
a
1
+a
2
+a
3
= 0
cuja soluc ao e a
1
= a
2
= a
3
= 0 , portanto, os vetores v
1
, v
2
e v
3
s ao LI.
(1, 2, 0) = a(1, 1, 1) +b(0, 1, 1) +c(0, 0, 1) = (a, a+b, a+b+c)
que e equivalente ao sistema:
_
_
a = 1
a+b = 2
a+b+c = 0
a = 1, b = 1 e c =2.
Desse modo, as coordenadas de (1, 2, 0) em relac ao ` a base e dado por [v]
=
_
_
_
_
_
1
1
2
_
_
_
_
_
2.9 Mudanca de Base
Muitos problemas aplicados podem ser simplicados mudando-se de um sistema de coorde-
nadas para outro. Mudar sistemas de coordenadas em um espaco vetorial e, essencialmente, a
mesma coisa que mudar de base. Por exemplo, num problema em que um corpo se move no
plano xy, cuja trajet oria e uma elipse de equac ao x
2
+xy +y
2
3 = 0 (ver gura), a descric ao
do moviemnto torna-se muito simplicada se ao inv es de trabalharmos com os eixos x e y uti-
lizarmos um referencial que se ap oia nos eixos principais da elipse. Neste novo referencial, a
equac ao da trajet oria ser a mais simples: 3u
2
+2v
2
= 6.
Figura 2.1: Mudanca de Base - (2.9)
Nesta sec ao, vamos discutir o problema de mudar de um sistema de coordenadas para outro.
Denic ao 2.8 Sejam = {u
1,...,
u
n
} e
= {w
1,
.....
,
w
n
} duas bases ordenadas de um mesmo
2.9. Mudanca de Base 67
espaco vetorial V. Dado um vetor v V, podemos escrev e-lo como:
v = x
1
u
1
+.... +x
n
u
n
(2.1)
v = y
1
w
1
+.... +y
n
w
n
Como podemos relacionar as coordenadas de v em relac ao ` a base .
[v]
=
_
_
x
1
x
2
:
x
n
_
_
com as coordenadas do mesmo vetor v em relac ao ` a base
[v]
;
=
_
_
y
1
y
2
:
y
n
_
_
.
J a que {u
1
, . . . , u
n
} e base de V, podemos escrever os vetores w
i
como combinac ao linear dos
u
j
, isto e:
_
_
w
1
= a
11
u
1
+a
21
u
2
+.... +a
n1
u
n
w
2
= a
12
u
1
+a
22
u
2
+.... +a
n2
u
n
:
w
n
= a
1n
u
1
+a
2n
u
2
+.... +a
nn
u
n
(2.2)
Substituindo em (2.1) temos:
v = y
1
w
1
+ ... + y
n
w
n
= y
1
(a
11
u
1
+ a
21
u
2
+ .... + a
n1
u
n
) + ... + y
n
(a
1n
u
1
+ a
2n
u
2
+ .... +
a
nn
u
n
) = (a
11
y
1
+... +a
1n
y
n
)u
1
+..... +(a
n1
y
1
+... +a
nn
y
n
)u
n
68 2.9. Mudanca de Base
Mas v =x
1
u
1
+.... +x
n
u
n
, e como as coordenadas emrelac ao a uma base s ao unicas, temos:
x
1
= a
11
y
1
+a
12
y
2
+... +a
1n
y
n
x
2
= a
21
y
1
+a
22
y
2
+... +a
2n
y
n
: : :
x
n
= a
n1
y
1
+a
n2
y
2
+... +a
nn
y
n
Em forma matricial
_
_
x
1
:
x
n
_
_
=
_
_
a
11
: a
1n
: : :
a
n1
a
n2
a
nn
_
_
_
_
y
1
:
y
n
_
_
Logo ,se usarmos a notac ao
[I]
=
_
_
a
11
: a
1n
: : :
a
n1
a
n2
a
nn
_
_
temos a relac ao
[v]
= [I]
[v]
A matriz [I]
e chamada matriz mudanca de base
para a base .
Compare [I]
com (2.2) e observe que esta matriz e obtida, colocando as coordenadas em

relac ao a de w
i
na i- esima coluna. Note que uma vez obtida [I]
podemos encontrar as
coordenadas de qualquer vetor v em relac ao ` a base , multiplicando a matriz pelas coordenadas
de v na base
(supostamente conhecida).
Exemplo 91 Sejam = {(2, 1), (3, 4)} e
= {(1, 0), (0, 1)} bases de R

2
. Procuremos ini-
cialmente [I]
w
1
= (1, 0) = a
11
(2, 1) +a
21
(3, 4) = (2a
11
+3a
21
, a
11
+4a
21
)
Isto implica que a
11
=
4
11
e a
21
=
1
11
w
2
= (0, 1) = a
12
(2, 1) +a
22
(3, 4)
Resolvendo, a
12
=
3
11
e a
22
=
2
11
Portanto, [I]
=
_
_
4
11
3
11
1
11
2
11
_
_
2.9. Mudanca de Base 69
Podemos usar esta matriz para encontrar por exemplo, [v]
para v = (5, 8)
[(5, 8)]
= [I]
[(5, 8)]
=
_
_
4
11
3
11
1
11
2
11
_
_
_
_
5
8
_
_
=
_
_
4
1
_
_
Isto e, (5, 8) = 4(2, 1) 1(3, 4)
Exemplo 92 Considere as bases em R
3
={(1, 0, 1), (1, 1, 1), (1, 1, 2)} e
={(1, 0, 0), (0, 1, 0), (0, 0, 1)}.

Encontre[I]
.
Seja:
(1, 0, 0) = a
11
(1, 0, 1) +a
21
(1, 1, 1) +a
31
(1, 1, 2)
(0, 1, 0) = a
12
(1, 0, 1) +a
22
(1, 1, 1) +a
32
(1, 1, 2)
(0, 0, 1) = a
13
(1, 0, 1) +a
23
(1, 1, 1) +a
33
(1, 1, 2)
(a
11
+a
21
+a
31,
a
21
+a
31
, a
11
+a
21
+2a
31
) = (1, 0, 0)
(a
12
+a
22
+a
32,
a
22
+a
32
, a
12
+a
22
+2a
32
) = (0, 1, 0)
(a
13
+a
23
+a
33,
a
23
+a
33
, a
13
+a
23
+2a
33
) = (0, 0, 1)
Note que cada linha acima representa um sistema de tr es equac oes com tr es inc ognitas
e que a matriz associada a cada um destes sistemas e a mesma e o que muda s ao os nomes
das vari aveis e o segundo membro. Utilizando como vari aveis x, y e z, basta resolvermos o
seguinte sistema:
_
_
_
_
_
1 1 1
0 1 1
1 1 2
_
_
_
_
_
_
_
_
_
_
x
y
z
_
_
_
_
_
=
_
_
_
_
_
a
b
c
_
_
_
_
_
onde a, b, c R. O sistema acima e equivalente a
_
_
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_
_
_
_
_
_
_
_
x
y
z
_
_
_
_
_
=
_
_
_
_
_
a
b
c a
_
_
_
_
_
70 2.10. A Inversa da Matriz de Mudanca de Base
cuja soluc ao e dada por x = ab, y = a+bc e z = c a
Tomando (a, b, c) = (1, 0, 0),obtemos (a
11
, a
21
, a
31
) = (1, 1, 1)
12
, a
22
, a
32
) = (1, 1, 0)
13
, a
23
, a
33
) = (0, 1, 1). Desta forma obtemos:
[I]
=
_
_
_
_
_
1 1 0
1 1 1
1 0 1
_
_
_
_
_
2.10 A Inversa da Matriz de Mudanca de Base
Se em (2.1 )comecarmos escrevendo os u
i
em func ao dos w
j
, chegaremos ` a relac ao:
[v]
= [I]
[v]
Um fato importante e que as matrizes [I]
e [I]
s ao inversveis e
_
[I]
_
1
= [I]
Exemplo 93 No exemplo (91 ) anterior podemos obter [I]
a partir de [I]
Note que [I]
e f acil de ser calculada , pois
e a base can onica

(2, 1) = 2(1, 0) 1(0, 1)
(3, 4) = 3(1, 0) +4(0, 1)
[I]
=
_
_
2 3
1 4
_
_
Ent ao
[I]
=
_
_
_
_
2 3
1 4
_
_
_
_
1
=
_
_
4
11
3
11
1
11
2
11
_
_
Exemplo 94 Seja V = P
3
e =
_
2, x, x
2
+1, x
3
x
_
e =
_
3, x +1, x
2
, 3x
3
_
bases de P
3
.
a. Encontre [I]
.
Escrevendo os elementos da base como combinac ao dos elementos da base .
2 = a.3+b(x +1) +cx
2
+d(3x
3
)
x = e.3+f(x +1) +gx
2
+h(3x
3
)
2.11. Terceira lista de exerccios 71
x
2
+1 = i.3+j(x +1) +lx
2
+m(3x
3
)
x
3
x = n.3+o(x +1) +px
2
+q(3x
3
)
Rearranjando os termos ` a direita de cada igualdade, temos:
2 = (3a+b) +bx +cx
2
+3dx
3
x = (3e +f) +fx +gx
2
+3hx
3
x
2
+1 = (3i +j) +jx +lx
2
+3mx
3
x
3
x = (3n+o) +ox +px
2
+3qx
3
Da, comparando ambos os lados das igualdades, obt em-se
[I]
=
_
_
_
_
_
_
_
_
2
3

1
3
1
3
1
3
0 1 0 1
0 0 1 0
0 0 0
1
3
_
_
_
_
_
_
_
_
b. Encontre [p]
sabendo que [p]
=
_
_
_
_
_
_
_
_
1
2
1
4
_
_
_
_
_
_
_
_
.
Devemos usar a relac ao [p]
= [I]
[p]
onde [I]
=
_
[I]
_
1
=
_
_
_
_
_
_
_
_
3
2
1
2

1
2
0
0 1 0 3
0 0 1 0
0 0 0 3
_
_
_
_
_
_
_
_
[p]
=
_
_
_
_
_
_
_
_
3
2
1
2

1
2
0
0 1 0 3
0 0 1 0
0 0 0 3
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1
2
1
4
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
3
10
1
12
_
_
_
_
_
_
_
_
2.11 Terceira lista de exerccios
Exerccio 2.1 Verique se R
2
com as operac oes denidas por:
i. (x, y) +(s, t) = (s, y +t), onde u = (x, y) e v = (s, t) pertencem a R
2
ii. (x, y) = (x, y), onde R e u = (x, y) R
2
.
72 2.11. Terceira lista de exerccios
Exerccio 2.2 Moste que R
2
com as operac oes denidas por:
i. (x, y) +(s, t) = (x +s, y +t), onde u = (x, y) e v = (s, t) pertencem a R
2
ii. (x, y) = (x, y), onde R e u = (x, y) e v = (s, t) pertencem a R
2
.
Exerccio 2.3 Verique se em cada um dos itens abaixo o subconjunto W e um subespaco do
espaco vetorial V.
a) V =R
3
e W ={(x, y, z) R
3
: 2x +3y z = 0}
b) V =R
3
e W ={(x
1
, x
2
, x
3
) R
3
: x
1
+x
2
= 1}
c) V = P
n
e W ={p P
n
: p(0) = p(1)}
d) V = M(2, 2) e S ={X M
2
det(X) = 0} (S e o conjunto das matrizes singulares)
e) V = M(n, n) e F = {X M
n
AX = XA} (F e o conjunto das matrizes que comutam
com a matriz A)
f) V = P
3
e W e o conjunto dos polin omios de grau 3 que passam pelo ponto P(0, 0).
g) V = P
1
e W =
_
p(x) P
1
:
1
0
p(x)dx = 0
_
h) V =R
3
e W =
_
_
(x, y, z) R
3
: det
_
_
x y z
1 2 1
0 1 1
_
_
= 0
_
_
i) V = M
22
e W =
_
A M
22
: A
2
= A
_
Exerccio 2.4 Verique se o conjunto W = {(1, 2, 3), (1, 3, 1), (0, 3, 1), (1, 4, 5)} R
3
e L.I ou
L.D.
Exerccio 2.5 Dado o conjunto W ={(1, 1, 3), (1, 2, 1), (0, 1, 3), (1, 4, 5)} R
3
, extrair um sub-
conjunto de vetores L.I.
Exerccio 2.6 a) Se o conjunto = {v
1
, v
2
, ..., v
n
} e um conjunto Linearmente Independente
ent ao o o conjunto =
_
v
1
,
0 , v
2
, ..., v
n
_
e LI ou LD? Justique sua resposta.
b) Considere o subespaco N =
_
0
_
. Qual e a base e a dimens ao de N.
Exerccio 2.7 a) Verique se o conjunto S = {A M(3, 3); A e uma matriz anti-sim etrica} e
um subespaco vetorial de M(3, 3).
b) Considere o subconjunto de M
2
, dado por W =
_
_
_
_
_
a b
c d
_
_
M
2
b = a e d =a
_
_
_
.
Verique se o subconjunto W e um espaco vetorial.
Exerccio 2.8 Considere o subespaco de R
4
gerado pelos vetores v
1
= (1, 1, 0, 0), v
2
=
(0, 0, 1, 1), v
3
= (2, 2, 1, 1) e v
4
= (1, 0, 0, 0).
a) O vetor (2, 3, 2, 2) [v
1
, v
2
, v
3
, v
4
]? Justique.
b) Exiba uma base para [v
1
, v
2
, v
3
, v
4
]. Qual e a dimens ao deste espaco?
c) [v
1
, v
2
, v
3
, v
4
] =R
4
? Por qu e?
Exerccio 2.9 Considere o espaco vetorial P
3
e o conjunto W ={p(x) P
3
; p
(1) = 0}.
a) Verique se W e um subespaco vetorial de P
3
.
b) Obtenha os geradores de W.
Exerccio 2.10 a) Encontre as coordenadas do vetor p = 1 +t +t
2
+t
3
emrelac ao base =
_
2, 1+t, t +t
2
, t
2
+t
3
_
de P
3
.
b) O conjunto =
_
2, t
2
, t +t
2
_
e LI ou LD? Justique sua resposta.
Exerccio 2.11 Qual o subespaco gerado pelas matrizes
_
_
1 1
1 0
_
_
,
_
_
0 0
1 1
_
_
e
_
_
0 2
0 1
_
_
?
Exerccio 2.12 D e um exemplo de um subespaco vetorial de P
3
com dimens ao 2.
Exerccio 2.13 Mostre com um exemplo que a uni ao de dois subespacos vetoriais de um mesmo
espaco vetorial n ao precisa ser um subespaco vetorial desse espaco.
Exerccio 2.14 Responda se os subconjuntos abaixo s ao subespacos de M(2, 2).
a) V =
_
_
_
_
_
a b
c d
_
_
com a, b, c, d R e b = c e a =b
_
_
_
b) V =
_
_
_
_
_
a b
c d
_
_
com a, b, c, d R e b = d
_
_
_
Em caso armativo, determine:
i) uma base para W
1
W
2
ii) W
1
+W
2
e soma direta?
iii) W
1
+W
2
= M(2, 2)?
Exerccio 2.15 Considere os subespacos de R
5
, W
1
={(x, y, z, t, w)x +z +w = 0, x +w = 0},
W
2
={(x, y, z, t, w)y +z +t = 0} e W
3
={(x, y, z, t, w)2x +t +2w = 0}.
a) Determine uma base para o subespaco W
1
W
2
W
3
.
b) Determine uma base e a dimens ao de W
1
+W
3
.
c) W
1
+W
2
e soma direta? Justique.
d) W
1
+W
2
=R
5
?
Exerccio 2.16 Considere os seguintes subespacos de P
3
:
U =
_
p P
3
: p
(1) = 0
_
e W =
_
p P
3
: p
(1) = 0
_
Determine dim(U +W) e dim(U W).
Exerccio 2.17 Considere o subespaco W de P
3
que e gerado pelos polin omios p
1
(x) = 1 +
2x +x
2
, p
2
(x) =1+2x
2
+3x
3
e p
3
(x) =1+4x +8x
2
+9x
3
e o subespaco de P
3,
U ={p
P
3
: p(0) = 0}
a) Determine uma base e a dimens ao de W.
b) Determine uma base para U W.
c) Determine uma base para U +W.
Exerccio 2.18 Sejam U = [(1, 0, 0), (1, 1, 1)] e V = [(0, 1, 0), (0, 0, 1)] subespacos gerados do
R
3
. Determine:
a) uma base e a dimens ao de U W.
b) U +W =R
3
?
Exerccio 2.19 Considere o seguinte subespaco de M(2, 2)
S =
_
_
_
_
_
a b
c d
_
_
M(2, 2) : a+b = c +d = 0
_
_
_
a) Determine uma base e indique a dimens ao de S.
b) Construa uma base de M(2, 2) que contenha a base de S obtida no tem a).
Exerccio 2.20 Determine a dimens ao e encontre uma base do espaco-soluc ao do sistema
_
_
x 3y +z = 0
2x 6y +2z = 0
3x 9y +3z = 0
Exerccio 2.21 Sejam U e W subespacos de R
4
de dimens ao 2 e 3, respectivamente. Mostre
que a dimens ao de U W e pelo menos 1. O que ocorre se a dimens ao de U W for 2 ? Pode
ser 3? Justique sua resposta.
Exerccio 2.22 O conjunto A ={(1, 0, 2), (a
2
, a, 0), (1, 0, a)} e uma base para um subespaco do
R
3
de dimens ao 2, se e somente se, a = 2.
Exerccio 2.23 Seja S ={X M
31
: AX =0} o espaco soluc ao do sistema
_
_
x +y +az = 0
x +ay +z = 0
ax +y +z = 0
.
Determine os valores de a para os quais S seja: a pr opria origem; uma reta que passa pela
origem; e, um plano que passa pela origem.
Exerccio 2.24 Sejam = {(1, 0), (0, 1)},
1
= {(1, 1), (1, 1)},
2
= {
3, 1), (
3, 1)} e
3
={(2, 0), (0, 2)} bases ordenadas de R
2
.
a) Encontre a matriz mudanca de base:
i. [I]
ii. [I]
1
iii. [I]
2
iv. [I]
3
b) Quais s ao as coordenadas do vetor v = (3, 2) em relac ao ` a base
i. ii.
1
iii.
2
iv.
3
c) As coordenadas de um vetor u em relac ao ` a base
1
s ao dadas por [u]
1
=
_
_
4
0
_
_
. Quais
as coordenadas do vetor u em relac ao ` a base: i. ii.
2
iii.
3
Exerccio 2.25 Sejam P
4
=
_
p = a
0
+a
1
x +a
2
x
2
+a
3
x
3
+a
4
x
4
a
0
, a
1
, a
2
, a
3
, a
4
R
_
, =
_
1, x, x
2
, x
3
, x
4
_
e =
_
2, 2x, 4x
2
, 8x
3
, 16x
4
_
.
a) Determine [I]
.
b) Se [p]
=
_
_
1
2
3
4
5
_
_
, determinar [p]
.
c) Determine o polin omio p cujas coordenadas s ao dadas no item b) acima.
Exerccio 2.26 Considere o seguinte subespaco de M
2
: W =
_
_
_
_
_
a b
c d
_
_
d = 0
_
_
_
. Sejam
=
_
_
_
_
_
1 1
1 0
_
_
,
_
_
1 1
1 0
_
_
,
_
_
1 1
11 0
_
_
_
_
_
=
_
_
_
_
_
1 0
1 0
_
_
,
_
_
1 1
0 0
_
_
,
_
_
1 0
0 0
_
_
_
_
_
a) Detemine [I]
.
b) Se [v]
=
_
e
0
_
_
, determine [v]
.
Exerccio 2.27 Sejam e bases de R
3
. Determine a base sabendo que =
{(1, 1, 0), (0, 1, 0), (0, 0, 1)} e a matriz mudanca de base de para e
[I]
=
_
_
1 0 0
0 2 1
1 1 1
_
_
Exerccio 2.28 Seja =
_
_
_
_
_
1 1
0 0
_
_
,
_
_
0 1
1 0
_
_
,
_
_
2 1
2 0
_
_
_
_
_
uma base para um subespaco de
M
22
e [I]
=
_
_
1 0 1
1 1 1
2 1 2
_
_
onde e tamb em uma base para um subespaco de M
22
a) Determine a base .
b) Se [v]
=
_
_
1
2
1
_
_
, determine [v]
.
Exerccio 2.29 Seja E um espaco vetorial qualquer e = {u
1
, u
2
, u
3
} uma base de E. Con-
sidere ainda os vetores v
1
= u
1
+u
2
, v
2
= 2u
1
+u
2
u
3
e v
3
=u
2
.
a) Determine a matriz S de mudanca da base ={v
1
, v
2
, v
3
} para a base ={u
1
, u
2
, u
3
}.
b) Calcule as coordenadas do vetor w = v
1
+v
2
v
3
na base {u
1
, u
2
, u
3
}.
Exerccio 2.30 Sejam e bases de um espaco vetorial V.
a) Mostre que det
_
[I]
[I]
_
= 1.
b) Determine [I]
.
Exerccio 2.31 Verique se as armac oes abaixo s ao VERDADEIRAS ou FALSAS. Se forem
verdadeiras, demonstre. Se forem falsas, d e um contra-exemplo.
a) A intersec ao de dois subespacos vetoriais nunca e vazia.
b) A matriz
_
_
1 2
0 3
_
_
pertence ao subespaco W =
_
_
_
_
1 1
1 0
_
_
,
_
_
0 0
1 1
_
_
,
_
_
0 2
0 1
_
_
_
_
.
b) Se os vetores
u ,
v e
w s ao LI ent ao os vetores
v ,
w e
w s ao LI
s.
c) W = [(1, 2, 0), (2, 4, 0)] e um plano no R
3
que passa pela origem.
d) Se ={
v
1
,
v
2
,
v
3
} e uma base de um espaco vetorial V, ent ao o conjunto A ={
v
1
+
v
3
,
v
1
+
v
2
,
v
1
+
v
2
+
v
3
} e lineramente independente.
e) O subespaco W ={p P
3
: p
(1) = 0 e p
(1) = 0} e gerado pelos polin omios p

1
= 1
e p
2
=9x +3x
2
+x
3
.
Captulo 3
TRANSFORMAC

OES LINEARES
Denic ao 3.1 Sejam V e W dois espacos vetoriais. Uma Transformac ao Linear (aplicac ao
linear) e uma func ao de V emW, T : V W, que satisfaz as seguintes condic oes:
Qualquer que sejam u e v emV ,
T(u+v) = T(u) +T(v)
Qualquer que sejam k R e v emV ,
T(kv) = kT(v)
Exemplo 95 Um agricultor planta e comercializa tr es tipos de verduras: Tomate, Batata, Ce-
noura. Sejam x
1
, x
2
, x
3
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
ent ao o total de vendas (T
V
) e dado por 2x
1
+1, 5x
2
+1, 9x
3
. A aplicac ao que a cada tripla
(x
1
, x
2
, x
3
) R
3
associa o total de vendas T
V
(x
1
, x
2
, x
3
) e uma aplicac ao linear. Matematica-
mente temos uma transformac ao linear do EV R
3
no EV R :
T
V
: R
3
R
T
V
(x
1
, x
2
, x
3
) = 2x
1
+1, 5x
2
+1, 9x
3
Vamos agora mostrar que de fato esta aplicac ao e uma transformac ao linear.
Chamando u = (x
1
, x
2
, x
3
) R
3
, v = (y
1
, y
2
, y
3
) R
3
e k R temos:
80 Captulo 3. TRANSFORMAC

OES LINEARES
i)
T
V
(u+v) = T
V
((x
1
, x
2
, x
3
) +(y
1
, y
2
, y
3
))
= T
V
(x
1
+y
1
, x
2
+y
2
, x
3
+y
3
)
= 2(x
1
+y
1
) +1, 5(x
2
+y
2
) +1, 9(x
3
+y
3
)
= 2x
1
+1, 5x
2
+1, 9x
3
+2y
1
+1, 5y
2
+1, 9y
3
= (2x
1
+1, 5x
2
+1, 9x
3
) +(2y
1
+1, 5y
2
+1, 9y
3
)
T
V
(u) = T(x
1
, x
2
, x
3
) = 2x
1
+1, 5x
2
+1, 9x
3
T
V
(v) = T(y
1
, y
2
, y
3
) = 2y
1
+1, 5y
2
+1, 9y
3
T
V
(u) +T
V
(v) = (2x
1
+1, 5x
2
+1, 9x
3
) +(2y
1
+1, 5y
2
+1, 9y
3
)
Logo T
V
(u+v) = T
V
(u) +T
V
(v).
ii)
T
V
(ku) = T
V
(k(x
1
, x
2
, x
3
))
= T
V
(kx
1
, kx
2
, kx
3
)
= 2kx
1
+1, 5kx
2
+1, 9kx
3
= k(2x
1
+1, 5x
2
+1, 9x
3
)
= kT(u)
Logo T
V
(ku) = kT
V
(u). De i) e ii) vemos que T
V
e uma transformac ao linear.
Exemplo 96 . Sejam V = R, W = R e F : R R dado F(u) = u
2
. A aplicac ao F n ao e uma
transformac ao linear pois:
F(u+v) = (u+v)
2
= u
2
+2uv +v
2
F(u) +F(v) = u
2
+v
2
F(u+v) = F(u) +F(v)
Exemplo 97 T : R
2
R
3
, T(x, y) = (2x, 0, x +y)
Captulo 3. TRANSFORMAC

OES LINEARES 81
T e uma transformac ao linear pois,
i)
T(u+v) = T ((x
1
, y
1
) +(x
2
, y
2
))
= T(x
1
+x
2
, y
1
+y
2
)
= (2(x
1
+x
2
), 0, (x
1
+x
2
) +(y
1
+y
2
))
= (2x
1
+2x
2
, 0+0, (x
1
+y
1
) +(x
2
+y
2
))
= (2x
1
, 0, x
1
+y
1
) +(2x
2
, 0, x
2
+y
2
)
= T(u) +T(v)
ii)
T(ku) = T (k(x
1
, y
1
))
= T (kx
1
, ky
1
)
= (2kx
1
, 0, kx
1
+ky
1
)
= k(2x
1
, 0, x
1
+y
1
)
kT(u)
Portanto T e uma transformac ao linear.
Exemplo 98 V =W = P
n
e
D : P
n
P
n1
D( f ) = f
a aplicac ao derivada que a cada polin omio associa sua derivada, a qual tamb em e um
polin omio e uma aplicac ao linear. De fato, para quaisquer f , g P
n
e k R,
i)
D( f +g) = ( f +g)
= f
+g
= D( f ) +D(g)
82 Captulo 3. TRANSFORMAC

OES LINEARES
ii)
D(k f ) = (k f )
= k f
= kD( f )
Exemplo 99 V = P
n
,W = P
n+1
, p(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
T : P
n
P
n+1
T(p(x)) = xp(x) = a
0
x +a
1
x
2
+a
2
x
3
+. . . +a
n
x
n+1
A aplicac ao T e uma transformac ao linear pois
T(p+q) = x(p+q)(x) = x(p(x) +q(x)) = xp(x) +xq(x) = T(p) +T(q)
T(kp) = x(kp)(x) = xkp(x) = kxp(x) = kT(p)
Exemplo 100 V =W = P
n
, p(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
, a, b R e
T : P
n
P
n
T(p(x)) = p(ax +b) = a
0
+a
1
(ax +b) +a
2
(ax +b)
2
+. . . +a
n
(ax +b)
n
Esta aplicac ao tamb em e linear pois,
T(p+q) = (p+q)(ax +b) = p(ax +b) +q(ax +b) = T(p) +T(q)
T(kp) = (kp)(ax +b) = kp(ax +b) = kT(p)
Exemplo 101 Uma transformac ao linear inportante e aquela que se obt em usando-se o pro-
duto escalar. Seja R
n
com o produto escalar usual ., .e v
0
R
n
um vetor qualquer xado.
Seja,
T : R
n
R
T(v) = v, v
0
Captulo 3. TRANSFORMAC

OES LINEARES 83
T e uma aplicac ao linear (mostre isso, use as propriedades do produto escalar)
Exemplo 102 SejamC(R) ={f : R R / f e contnua} . Considere
J : C(R) R
J( f ) = f (0)
Por exemplo se f (t) =t
2
ent ao
J( f ) = f (0) = 0
2
= 0
J e uma aplicac ao linear pois, se f , g C(R) e k R ent ao
J( f +g) = ( f +g)(0) = f (0) +g(0) = J( f ) +J(g)
J(k f ) = (k f )(0) = k f (0) = kJ( f )
Exemplo 103 Seja,
T : M
2
M
2
T
_
_
_
_
a b
c d
_
_
_
_
=
_
_
a+b b+c
c +d d +a
_
_
Esta aplicac ao e uma transformac ao linear, pois
T
_
_
_
_
a
1
b
1
c
1
d
1
_
_
+
_
_
a
2
b
2
c
2
d
2
_
_
_
_
= T
_
_
_
_
a
1
+a
2
b
1
+b
2
c
1
+c
2
d
1
+d
2
_
_
_
_
=
_
_
a
1
+a
2
+b
1
+b
2
b
1
+b
2
+c
1
+c
2
c
1
+c
2
+d
1
+d
2
d
1
+d
2
+a
1
+a
2
_
_
=
_
_
a
1
+b
1
b
1
+c
1
c
1
+d
1
d
1
+a
1
_
_
+
_
_
a
2
+b
2
b
2
+c
2
c
2
+d
2
d
2
+a
2
_
_
= T
_
_
_
_
a
1
b
1
c
1
d
1
_
_
_
_
+T
_
_
_
_
a
2
b
2
c
2
d
2
_
_
_
_
84 3.1. Propriedades das Transformacoes Lineares
T
_
_
k
_
_
a b
c d
_
_
_
_
= T
_
_
_
_
ka kb
kc kd
_
_
_
_
=
_
_
ka+kb kb+kc
kc +kd kd +ka
_
_
= k
_
_
a+b b+c
c +d d +a
_
_
= kT
_
_
_
_
a b
c d
_
_
_
_
Exemplo 104 Seja,
T : M
n
R
T(A) = det(A)
Esta aplicac ao n ao e uma transformac ao linear, pois, em geral
det(A
1
+A
2
) = det(A
1
) +det(A
2
)
3.1 Propriedades das Transformac oes Lineares
Teorema 3.1 Dados dois espacos vetoriais reais V e W e uma base de = {v
1
, , v
n
} de V.
Sejam w
1
, , w
n
elementos arbitr arios de W. Ent ao existe uma unica aplicac ao linear T : V
W tal que T(v
1
) = w
1
, , T(v
n
) = w
n
. Esta aplicac ao e dada por: Se v = a
1
v
1
+ +a
n
v
n
,
ent ao
T(v) = T(a
1
v
1
+ +a
n
v
n
), como T e linear
T(v) = a
1
T(v
1
) + a
n
T(v
n
)
T(v) = a
1
w
1
+ a
n
w
n
a
1
, a
2,...,
a
n
devem ser determinados.
Exemplo 105 Qual a transformac ao linear T : R
2
R
3
tal que T(1, 0) = (2, 1, 0) e T(1, 1) =
(0, 0, 1)?
3.1. Propriedades das Transformacoes Lineares 85
Temos neste caso v
1
= (1, 0) e v
2
= (1, 1) base de R
2
e w
1
= (2, 1, 0) e w
2
= (0, 0, 1).
Dado v = (x, y) arbitr ario,
(x, y) = a(1, 0) +b(1, 1)
(x, y) = (x y)(1, 0) +y(1, 1)
T(x, y) = T ((x y)(1, 0) +y(1, 1))
T(x, y) = (x y)T(1, 0) +yT(1, 1)
T(x, y) = (x y)(2, 1, 0) +y(0, 0, 1)
T(x, y) = (2x 2y, x +y, y)
Exemplo 106 Qual a transformac ao linear T : M
2
P
4
tal que
T
_
_
_
_
1 0
0 0
_
_
_
_
= x
4
+x
T
_
_
_
_
0 1
0 0
_
_
_
_
= x
3
+x
2
T
_
_
_
_
0 0
1 0
_
_
_
_
= x
2
+x
3
T
_
_
_
_
0 0
0 1
_
_
_
_
= x +x
4
Uma matriz A M
2
e da forma A =
_
_
a b
c d
_
_
. Podemos escrever:
_
_
a b
c d
_
_
= a
_
_
1 0
0 0
_
_
+b
_
_
0 1
0 0
_
_
+c
_
_
0 0
1 0
_
_
+d
_
_
0 0
0 1
_
_
, portanto
T
_
_
_
_
a b
c d
_
_
_
_
= T
_
_
a
_
_
1 0
0 0
_
_
+b
_
_
0 1
0 0
_
_
+c
_
_
0 0
1 0
_
_
+d
_
_
0 0
0 1
_
_
_
_
= aT
_
_
_
_
1 0
0 0
_
_
_
_
+bT
_
_
_
_
0 1
0 0
_
_
_
_
+cT
_
_
_
_
0 0
1 0
_
_
_
_
+dT
_
_
_
_
0 0
0 1
_
_
_
_
T
_
_
_
_
a b
c d
_
_
_
_
= a
_
x
4
+x
_
+b
_
x
3
+x
2
_
+c
_
x
2
+x
3
_
+d
_
x +x
4
_
T
_
_
_
_
a b
c d
_
_
_
_
= (a+d)x +(b+c)x
2
+(b+c)x
3
+(a+d)x
4
Denic ao 3.2 Seja T : V W uma transformac ao linear. A imagem de T e o conjunto de
vetores w W tais que existe um vetor v V, que satisfaz T(v) = w. Ou seja
Im(T) ={w W / T(v) = w para algum v V}
Observac ao 6 Note que Im(T) e um subconjunto de W e, al em disso, e um subespaco vetorial
de W.
Exemplo 107 Seja T : R
2
R
2
a transformac ao linear dada por T(x, y) = (2xy, 10x+y).
Qual dos vetores abaixo pertence a imagem de T
a) u = (1, 2)
b) w = (1, 2)
a) Para que u Im(T) deve existir algum v = (x, y) tal que T(v) = u, ou seja, T(x, y) =
(1, 2); temos ent ao:
T(x, y) = (1, 2)
(2x y, 10x +y) = (1, 2)
_
_
_
2x y = 1
10x +y = 2
Resolvendo o sistema temos x =
3
8
e y =
7
4
, logo u pertence a imagemde T pois T(
3
8
,
7
4
) =
u.
b) Analogamente deve existir algum v = (x, y) tal que T(v) = w, ou seja
T(x, y) = (1, 2)
(2x y, 10x +y) = (1, 2)
_
_
_
2x y =1
10x +y = 2
Resolvendo o sistema temos x =
1
8
e y =
3
4
logo w pertence a imagem de T pois T(
1
8
,
3
4
) = w
Exemplo 108 Determine a imagem da transformac ao linear T : R
3
R
3
, T(x, y, z) = (2x
y z, x y z, x +y z).
Se w Im(T) ent ao 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 e gerado pelos vetores w
1
=
(2, 1, 1), w
2
= (1, 1, 1) e w
3
= (1, 1, 1). Podemos ent ao escrever que Im(T) =
[(2, 1, 1), (1, 1, 1), (1, 1, 1)] .
Como o conjunto = {(2, 1, 1), (1, 1, 1), (1, 1, 1)} e LI (verique isto) temos que
e uma base para a Im(T), mas e base para R
3
, logo concluimos que Im(T) =R
3
.
Denic ao 3.3 Seja T : V W, uma transformac ao linear. O conjunto de todos os vetores v V
tais que T(v) =
0 e chamado n ucleo de T, sendo denotado por Ker(T). Isto e,

Ker(T) =
_
v V T(v) =
0
_
Observac ao 7 Observe que Ker(T) V e um subconjunto de V e, ainda mais, e um subespaco
vetorial de V. Alguns autores denotam o n ucleo de T por N(T).
Exemplo 109 Seja T : V W, dada por T(v) =
0 . Neste caso todo vetor de V e levado no

vetor nulo pela transformac ao T, assim temos que Ker(T) =V
3
R
3
a projec ao 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
e dito sobre a vari avel z, temos que z e qualquer, logo Ker(T) =
_
(0, 0, z) R
3
z R
_
, ou
seja o n ucleo de T s ao todos os vetores que est ao sobre o eixo z.
Figura 3.1: Projec ao Ortogonal - (110)
Exemplo 111 Encontre o n ucleo da transformac ao linear:
T : R
4
R
3
T(x, y, z, t) = (x +y +z t, 2x +z t, 2y t)
Devemos encontrar os vetores v = (x, y, z, t) R
4
tais que T(v) = T(x, y, z, t) = (0, 0, 0).
Neste caso temos que resolver o sistema homog eneo:
_
_
x +y +z t = 0
2x +z t = 0
2y t = 0
A matriz ampliada do sistema e:
_
_
1 1 1 1
.
.
. 0
2 0 1 1
.
.
. 0
0 2 0 1
.
.
. 0
_
_
1 1 1 1
.
.
. 0
0 2 1 1
.
.
. 0
0 0 1 0
.
.
. 0
_
_
p
a
= p
c
= 3 e p = 3 < n = 4 logo o sistema e compatvel e indeterminado com grau de
liberdade 1.
Logo,
_
_
x +y +z t = 0
2y z +t = 0
z = 0
o que nos fornece,
x = y
z = 0
t = 2y
Portanto Ker(T) =
_
(y, y, 0, 2y) R
4
y R
_
= [(1, 1, 0, 2)]
3
R
3
a transformac ao linear que e a projec ao ortogonal sobre a
reta cujas equac oes param etricas s ao:
_
_
x = 2t
y =2t
z =t
. Encontre o N ucleo de T.
Projetar um vetor sobre uma reta e o mesmo que encontrar a projec ao ortogonal sobre o
vetor diretor dessa mesma reta. No nosso caso, o vetor diretor e u = (2, 2, 1), logo
T(v) = proj
u
v =
_
v.u
u.u
_
u
T(x, y, z) =
_
(x, y, z).(2, 2, 1)
(2, 2, 1).(2, 2, 1)
_
(2, 2, 1)
T(x, y, z) =
_
2x 2y +z
9
_
(2, 2, 1)
T(x, y, z) =
_
4x 4y +2z
9
,
4x +4y 2z
9
,
2x 2y +z
9
_
Para encontrar o n ucleo devemos ter,
T(x, y, z) =
_
4x 4y +2z
9
,
4x +4y 2z
9
,
2x 2y +z
9
_
= (0, 0, 0)
4x 4y +2z = 0
4x +4y 2z = 0
2x 2y +z = 0
_
_
4 4 2
4 4 2
2 2 1
_
_
, fazendo o escalonamento temos
_
_
4 4 2
0 0 0
0 0 0
_
_
, assim
4x 4y +2z = 0
0 = 0
0 = 0
2z = 4x +4y
z = 2x +2y
Portanto Ker(T) =
_
(x, y, 2x +2y) R
3
x R
_
= [(1, 0, 2), (0, 1, 2)]
Denic ao 3.4 Dada uma aplicac ao T : V W, diremos que T e injetora se dados u, v V com
T(u) = T(v) tivermos u = v. Ou equivalentemente, T e injetora se dados u, v V com u = v,
ent ao T(u) = T(v).
Denic ao 3.5 Uma aplicac ao T : V W ser a sobrejetora se a imagem de T coincidir comW,
ou seja, T(V) =W.
Observac ao 8 Da denic ao acima vemos que uma func ao ser a sobrejetora se dado w W,
existir v V tal que T(v) = w.
Teorema 3.2 Seja T : V W, uma aplicac ao linear. ent ao ker(T) ={0}, se e somente se T e
injetora.
Proof. a) Vamos mostrar que se T e injetora, ent ao ker(T) ={0}
Seja v Ker(T) T(v) = 0. Por outro lado, como T e linear tem-se que T(0) = 0. Logo,
T(v) = T(0). Como por hip otese T e injetora ent ao v = 0. Portanto, o vetor nulo e o unico
elemento do n ucleo, isto e, ker(T) ={0}.
b) Vamos mostrar que se ker(T) ={0}, ent ao T e injetora.
Sejam v
1
, v
2
V tais que T(v
1
) = T(v
2
). Ent ao T(v
1
) T(v
2
) = 0 ou T(v
1
v
2
) = 0 e,
portanto, v
1
v
2
ker(T). Mas por hip otese, o unico elemento do n ucleo e o vetor nulo, logo
v
1
v
2
= 0 e portanto v
1
= v
2
. Como T(v
1
) = T(v
2
) v
1
= v
2
, T e injetora.
Teorema 3.3 Seja T : V W, uma aplicac ao linear. Ent ao
dimKer(T) +dimIm(T) = dimV
Corol ario 3.1 Se dimV = dimW, ent ao a transformac ao linear T : V W e injetora se e
somente se T e sobrejetora.
Proof. Exerccio.
3.2. Transformacoes Lineares e Matrizes 91
Corol ario 3.2 Seja T : V W, uma aplicac ao linear injetora. Se dimV =dimW, ent ao T leva
base em base.
Proof. Exerccio.
Exemplo 113 Seja T : P
n
P
n+1
, dada por T(p(x)) = xp(x).Verique se T e bijetora.
Devemos vericar se T e injetora e sobrejetora ao mesmo tempo. Usando o teorema (3.2)
devemos apenas calcular o n ucleo de T :
T(p(x)) = xp(x)
T(a
0
+a
1
x +. . . +a
n
x
n
) = x(a
0
+a
1
x +. . . +a
n
x
n
)
T(a
0
+a
1
x +. . . +a
n
x
n
) = (a
0
x +a
1
x
2
+. . . +a
n
x
n+1
)
Se
T(p(x)) = 0
a
0
x +a
1
x
2
+. . . +a
n
x
n+1
= 0 = 0+0x +0x
2
+. . . +0x
n+1
logo a
0
= a
1
= . . . = a
n
= 0 p(x) = 0 (p(x) e o polin omio nulo) Ker(T) =
_
0
_
(observe
que neste caso o vetor nulo de P
n
e o polin omio nulo de grau n). Portanto T e injetora.
Como dimP
n
= n+1, dimP
n+1
= n+2 e dimKer(T) = 0, temos que
dimKer(T) +dimIm(T) = n+1
0+dimIm(T) = n+1
dimIm(T) = n+1
Note que dimIm(T) = n+1 = n+2 = dimP
n+1
Im(T) = P
n+1
. Portanto T n ao e sobre-
jetora e assim T n ao e bijetora.
3.2 Transformac oes Lineares e Matrizes
3.2.1 Transformac ao linear associada a uma matriz
Seja A uma matriz mn. Associada a matriz A denimos a transformac ao linear:
92 3.2. Transformacoes Lineares e Matrizes
L
A
: R
n
R
m
v A.v
onde v e tomado como vetor coluna,
v =
_
_
x
1
.
.
.
x
n
_
_
L
A
(v) = A.v
L
A
(v) =
_
_
a
11
a
1n
.
.
.
.
.
.
.
.
.
a
m1
a
mn
_
_
_
_
x
1
.
.
.
x
n
_
_
L
A
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
_
_
_
=
_
_
a
11
x
1
+ a
1n
x
n
.
.
.
a
m1
x
1
+ +a
mn
x
n
_
_
Das propriedades de operac oes de matrizes:
L
A
(u+v) = A.(u+v) = A.u+A.v = L
A
(u) +L
A
(v)
L
A
(ku) = A.(ku) = kA.u = kL
A
(u)
e portanto L
A
e uma transformac ao linear.
Exemplo 114 Seja
A =
_
_
1 1 1 1
2 0 1 1
0 2 0 1
_
_
Observe que a matriz A tem ordem 34 e portanto ela induzir a uma transformac ao linear de
R
4
para R
3
, denida por:
L
A
: R
4
R
3
L
A
_
_
_
_
_
_
_
_
_
_
x
y
z
t
_
_
_
_
_
_
_
_
_
_
=
_
_
1 1 1 1
2 0 1 1
0 2 0 1
_
_
_
_
x
y
z
t
_
_
=
_
_
x +y +z t
2x +z t
2y t
_
_
Note que a transformac ao acima est a escrita em forma matricial, mas podemos escreve-la
tamb em na forma vetorial que estamos acostumados:
L
A
(x, y, z, t) = (x +y +z t, 2x +z t, 2y t)
Surpresa!! Esta e a mesma transformac ao do exemplo (111)
Exemplo 115 Dada a transformac ao linear:
T : R
3
R
2
T(x, y, z) = (10x 20y 30z, x 2y 3z)
Encontre a matriz da transformac ao T (Isto e, encontre a matriz A cuja transformac ao associ-
ada a ela e exatamente a transformac ao T)
Passando da forma vetorial para a forma matricial temos:
T
_
_
_
_
_
_
_
x
y
z
_
_
_
_
_
_
_
=
_
_
10x 20y 30z
x 2y 3z
_
_
=
_
_
10 20 30
1 2 3
_
_
_
_
x
y
z
_
_
Portanto a matriz de T, que denotaremos por [T] e
[T] =
_
_
10 20 30
1 2 3
_
_
Observac ao 9 Ao obtermos a transformac ao associada a uma matriz A (ou, caso contr ario, a
matriz de uma transformac ao T), n ao mencionamos as bases dos espacos envolvidos. De fato,
ao obtermos a matriz de uma transformac ao estamos levando em conta as bases associadas aos
espacos R
n
e R
m
mas neste caso em particular estamos considerando as bases can onicas. Isto
car a claro na exposic ao a seguir.
De um modo geral, xadas as bases ={v
1
, v
2
, , v
n
} e
={w
1
, w
2
, , w
m
}, ` a matriz
A
mn
=
_
_
a
11
a
1n
.
.
.
.
.
.
.
.
.
a
m1
a
mn
_
_
podemos associar
T
A
: R
n
R
m
v T
A
(v)
da seguinte maneira: Seja
X = [v]
=
_
_
x
1
.
.
.
x
n
_
_
A.X =
_
_
a
11
a
1n
.
.
.
.
.
.
.
.
.
a
m1
a
mn
_
_
_
_
x
1
.
.
.
x
n
_
_
=
_
_
y
1
.
.
.
y
m
_
_
ent ao
T
A
(v) = y
1
w
1
+ +y
m
w
m
onde y
i
= A
i
.X e A
i
e a i- esima linha de A.
Em geral, dada uma matriz A
mn
, ela e encarada como uma aplicac ao linear T
A
: R
n
R
m
em relac ao ` as bases can onica de R
n
e R
m
.
3.2.2 Matriz de uma transformac ao linear
Agora iremos encontrar a matriz associada a uma transformac ao linear. Seja T : V W linear,
={v
1
, , v
n
} base de V e
={w
1
, , w
m
} base de W. Ent ao T(v
1
), . . . , T(v
n
) s ao vetores
de W e portanto
T(v
1
) = a
11
w
1
+ + a
m1
w
m
.
.
.
.
.
.
.
.
.
T(v
n
) a
1n
w
1
+ + a
mn
w
m
A transposta da matriz dos coecientes deste sistema, denotada por [T]
e chamada matriz
de T em relac ao ` as bases e
:
[T]
=
_
_
a
11
a
1n
.
.
.
.
.
.
a
m1
a
mn
_
_
Observac ao 10 Note que se A = [T]
=
_
_
a
11
a
1n
.
.
.
.
.
.
a
m1
a
mn
_
_
a transformac ao linear T passa
a ser a transformac ao linear associada ` a matriz A e bases e
, isto e, T = T
A
.
3
R
2
tal que T(x, y, z) = (2x +y z, 3x 2y +4z).
Sejam ={(1, 1, 1), (1, 1, 0), (1, 0, 0)} e
={(1, 3), (1, 4)}.

Procuremos [T]
T(x, y, z) = (2x +y z, 3x 2y +4z)

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 , d =8 , e = 5 , f =3
_
[T]
=
_
_
3 11 5
1 8 3
_
_
Teorema 3.4 Sejam V e W espacos vetoriais, base de V, base de W e T : V W uma
aplicac ao linear. Ent ao, para todo v V vale:
[T(v)]
= [T]
[v]
Denic ao 3.6 Dada uma base e tranformac ao linear T : V V denotaremos a matriz [T]
apenas por [T]
e ela ser a chamada de matriz de T em relac ao a base .

Denic ao 3.7 Seja T : R
n
R
n
uma transformac ao linear e a base can onica de R
n
, ent ao
a matriz de T em relac ao a base can onica , [T]
, ser a denotada simplesmente por [T] .

2
P
2
denido por T(p(x)) = p(3x5). Determine a matriz de T em
relac ao a base =
_
1, x, x
2
_
Devemos calcular [T]
= [T]
T(p) = p(3x 5)
T(a
0
+a
1
x +a
2
x
2
) = a
0
+a
1
(3x 5) +a
2
(3x 5)
2
T(a
0
+a
1
x +a
2
x
2
) = a
0
+3a
1
x 5a
1
+a
2
(9x
2
30x +25)
T(a
0
+a
1
x +a
2
x
2
) = (a
0
5a
1
+25a
2
) +(3a
1
30a
2
)x +9a
2
x
2
T(1) = T(1+0x +0x
2
) = 1 = 1+0x +0x
2
T(x) = T(0+1x +0x
2
) =5+3x =5+3x +0x
2
T(x
2
) = T(0+0x +1x
2
) = 2530x +9x
2
[T]
=
_
_
1 5 25
0 3 30
0 0 9
_
_
3
R
3
dada por T(x, y, z) = (2x3y2z, xyz, 2xy+z) e sejam
={(1, 0, 0), (1, 1, 0), (1, 1, 1)} e ={(1, 1, 0), (1, 0, 1), (0, 1, 1)} bases do R
3
a) Determine [T]
, [T]
b) Se [v]
=
_
_
1
1
1
_
_
determine [T(v)]
.
c) Calcule a multiplicac ao das matrizes: [T]
[T]
. Que conclus ao voc e pode tirar em

relac ao as duas matrizes, ou que relac ao h a entre as duas matrizes?
a) C alculo de [T]
T(x, y, z) = (2x 3y 2z, x y z, 2x y +z)

T(1, 0, 0) =
_
2, 1, 2
_
= a
1
(1, 1, 0) +b
1
(1, 0, 1) +c
1
(0, 1, 1)
T(1, 1, 0) =
_
1, 0, 1
_
= a
2
(1, 1, 0) +b
2
(1, 0, 1) +c
2
(0, 1, 1)
T(1, 1, 1) =
_
3, 1, 2
_
= a
3
(1, 1, 0) +b
3
(1, 0, 1) +c
3
(0, 1, 1)
Devemos resolver os tres sistemas resultantes: Denotando por A a matriz dos coecientes
do sistema,temos:
A =
_
_
1 1 0
1 0 1
0 1 1
_
_
A
1
=
_
1
2

1
2
1
2
1
2
1
2

1
2
1
2

1
2

1
2
_
_
Vamos resolver os sistemas por matriz inversa:
_
_
a
1
b
1
c
1
_
_
= A
1
_
_
2
1
2
_
_
=
_
1
2

1
2
1
2
1
2
1
2

1
2
1
2

1
2

1
2
_
_
_
_
2
1
2
_
_
=
_
1
2
3
2
1
2
_
_
_
_
a
2
b
2
c
2
_
_
= A
1
_
_
1
0
1
_
_
=
_
1
2

1
2
1
2
1
2
1
2

1
2
1
2

1
2

1
2
_
_
_
_
1
0
1
_
_
=
_
_
1
0
1
_
_
_
_
a
3
b
3
c
3
_
_
= A
1
_
_
3
1
2
_
_
=
_
1
2

1
2
1
2
1
2
1
2

1
2
1
2

1
2

1
2
_
_
_
_
3
1
2
_
_
=
_
_
3
0
2
_
_
Logo
[T]
=
_
1
2
1 3
3
2
0 0
1
2
1 2
_
_
Agora voce j a est a em condic oes de calcular [T]
. Faca esse c alculo como exerccio

b) Vamos usar a relac ao [T(v)]
= [T]
[v]
[T(v)]
= [T]
[v]
[T(v)]
=
_
1
2
1 3
3
2
0 0
1
2
1 2
_
_
_
_
1
1
1
_
_
[T(v)]
=
_
_
7
2
3
2
7
2
_
_
c) Faca voc e este item e tire suas conclus oes. Mais adiante voce poder a vericar se suas
conclus oes estavam corretas.
Teorema 3.5 Seja T : V W uma transformac ao linear e e bases de V e W, respectiva-
mente. Ent ao
dimIm(T) = posto de [T]
dimKer(T) = nulidade de [T]
= n umero de colunas de [T]
posto[T]

2
M(2, 2) denida por T(p(x)) =
_
_
p
(0) 2p(1)
0 p
(3)
_
_
onde p
e a
derivada de p. Sejam . =
_
_
_
_
_
1 1
0 0
_
_
,
_
_
0 1
0 0
_
_
,
_
_
0 0
1 1
_
_
,
_
_
1 0
0 1
_
_
_
_
_
uma base para M(2, 2) e
=
_
1, x, x
2
_
base para P
2
.
a) Determine [T]
.
b) Determine uma base para N(T).
c) Determine uma base para Im(T).
d) T e injetora? E sobrejetora? Justique.
a) Note que
T(a+bx +cx
2
) =
_
_
b 2a+2b+2c
0 2c
_
_
Determinando [T]
:
T(1) =
_
_
0 2
0 0
_
_
= a
_
_
1 1
0 0
_
_
+b
_
_
0 1
0 0
_
_
+c
_
_
0 0
1 1
_
_
+d
_
_
1 0
0 1
_
_
T(x) =
_
_
1 2
0 0
_
_
= e
_
_
1 1
0 0
_
_
+ f
_
_
0 1
0 0
_
_
+g
_
_
0 0
1 1
_
_
+h
_
_
1 0
0 1
_
_
T(x
2
) =
_
_
0 2
0 2
_
_
= i
_
_
1 1
0 0
_
_
+ j
_
_
0 1
0 0
_
_
+l
_
_
0 0
1 1
_
_
+m
_
_
1 0
0 1
_
_
Logo, [T]
=
_
_
0 1 2
2 1 4
0 0 0
0 0 2
_
_
b) Seja
p(x) N(T) T(p(x)) =
_
_
0 0
0 0
_
_
_
_
b 2a+2b+2c
0 2c
_
_
=
_
_
0 0
0 0
_
_
a = b = c = 0
Logo, p(x) = 0+0x +0x
2
N(T) N(T) ={0}
c) Seja A Im(T) A =
_
_
b 2a+2b+2c
0 2c
_
_
= a
_
_
0 2
0 0
_
_
+b
_
_
1 2
0 0
_
_
+c
_
_
0 2
0 2
_
_
Portanto,
Im(T) =
_
_
_
_
0 2
0 0
_
_
,
_
_
1 2
0 0
_
_
,
_
_
0 2
0 2
_
_
_
_
Como os geradores da Im(T) formam um conjunto L.I. (Verique!) tem-se que
100 3.3. Composicao de transformacoes lineares
_
_
_
_
_
0 2
0 0
_
_
,
_
_
1 2
0 0
_
_
,
_
_
0 2
0 2
_
_
_
_
_
e uma base para Im(T).
d) T e injetora pois N(T) ={0}, mas n ao e sobrejetora pois dimIm(T) = 3 = dimM(2, 2)
3.3 Composic ao de transformac oes lineares
Denic ao 3.8 Se T
1
: V W e T
2
: W U s ao duas transformac oes lineares a composta das
duas transformac oes lineares e denida do mesmo modo que a composic ao de func oes ( lembre-
se que um transformac ao linear e uma func ao com a propriedade adicional de ser linear) da
seguinte forma
T
2
T
1
: V U
(T
2
T
1
)(v) = T
2
(T
1
(v))
Exemplo 120 Se T
1
: R
2
R
3
, T
1
(x, y) = (xy, yx, yx) e T
2
: R
3
R, T
2
(x, y, z) =xyz
ent ao T
2
T
1
: R
2
R e
(T
2
T
1
)(x, y) = T
2
(T
1
(x, y))
= T
2
(x y, y x, y x)
= (x y) (y x) (y x)
= x y y +x y +x
= 3x 3y
Teorema 3.6 Sejam T
1
: V W e T
2
: W U transformac oes lineares e , , bases de
V,W,U respectivamente. Ent ao a composta de T
2
com T
1
, T
2
T
1
: V U e linear e
[T
2
T
1
]
= [T
2
]
[T
1
]
Proof.
Figura 3.2: Composic ao de transformac oes lineares - (3.3)
3.3. Composicao de transformacoes lineares 101
Proposic ao 3.1 Seja T : V W uma transformac ao linear . Sejam e
bases de V e e
bases de W. Ent ao vale a relac ao:

[T]
= [I
W
T I
V
]
= [I
W
]
[T]
[I
V
]
onde I
W
e I
V
s ao as aplicac oes identidades de W e V respectivamente.
Exemplo 121 Sejam T : P
2
R
3
denida por T
_
a+bx +cx
2
_
= (a+b, a+b+c, c a)
e S : R
3
M
2
dada por S(a, b, c) =
_
_
ac a+b
b+c a+2bc
_
_
. Determine [S T]
onde =
_
1, 1x, 2x +x
2
_
e =
_
_
_
_
_
1 0
0 0
_
_
,
_
_
1 1
0 0
_
_
,
_
_
0 1
1 0
_
_
,
_
_
0 0
1 1
_
_
_
_
_
.
Temos:
[ST] = S(T(a+bx +cx
2
)) =
_
_
2a+bc 2a+2b+c
b+2c 4a+3b+c
_
_
T(1) =
_
_
2 2
0 4
_
_
= e
_
_
1 0
0 0
_
_
+ f
_
_
1 1
0 0
_
_
+g
_
_
0 1
1 0
_
_
+h
_
_
0 0
1 1
_
_
assim, obtemos o sistema:
_
_
e + f = 2
f +g = 2
g+h = 0
h = 4
cuja soluc ao e: e = 4, f =2, g = 4 e h = 4.
T(1x) =
_
_
1 0
1 1
_
_
= i
_
_
1 0
0 0
_
_
+ j
_
_
1 1
0 0
_
_
+k
_
_
0 1
1 0
_
_
+l
_
_
0 0
1 1
_
_
_
_
i + j = 1
j +k = 0
k +l =1
l = 1
102 3.4. A Inversa de uma transforma cao linear
cuja soluc ao e: i = 3, j =2, k = 2 e l = 1.
T(2x +x
2
) =
_
_
0 3
1 6
_
_
= m
_
_
1 0
0 0
_
_
+n
_
_
1 1
0 0
_
_
+o
_
_
0 1
1 0
_
_
+ p
_
_
0 0
1 1
_
_
_
_
m+n = 2
n+o = 3
o+ p = 1
p = 6
cuja soluc ao e: m = 4, n =2, o = 5 e p = 6.
Assim, encontramos para [ST]
[ST]
=
_
_
e i m
f j n
g k o
h l p
_
_
_
_
4 3 4
2 2 2
4 2 5
4 1 6
_
_
3.4 A Inversa de uma transformac ao linear
Denic ao 3.9 D a-se o nome de isomorsmo a uma transformac ao linear T : V W que e
injetora e sobrejetora ao mesmo tempo. Quando h a umisomorsmo entre dois espacos vetoriais
dizemos que estes s ao Isomorfos.
Denic ao 3.10 Seja T : V W uma transformac ao linear. Se existe uma transformac ao linear
S : W V tal que T S = I
W
, onde I
W
: W W e a identidade emW, dizemos que S e a inversa
a direita de T. Se existe uma transformac ao R : W V , tal que RT = I
V
, onde I
V
: V V e
a identidade em V, dizemos que R e a inversa a esquerda de T.
Denic ao 3.11 Seja T : V W uma transformac ao linear. Se existe uma aplicac ao T
1
: W
V, tal que T T
1
= I
W
e T
1
T = I
V
ent ao dizemos que T e inversvel e que T
1
e a inversa
de T
Proposic ao 3.2 Seja T : V W uma transformac ao linear. Se existe a inversa de T, T
1
,
ent ao T
1
e uma transformac ao linear
3.4. A Inversa de uma transformacao linear 103
Proposic ao 3.3 Se T : V W e um isomorsmo, ent ao T e inversvel e al em disso T
1
tamb em
e um isomorsmo.
Proposic ao 3.4 Se T : V W uma transformac ao linear invertvel (T e um isomorsmo) e
e s ao bases de V e W, ent ao:
_
T
1
=
_
[T]
_
1
Observac ao 11 Observac ao: Quando estamos trabalhando com o espaco R
n
e a base
can onica de R
n
por simplicidade omitimos as bases e a matriz de T : R
n
R
n
, em relac ao
a base can onica, e denotada simplesmente por [T] . Neste caso a proposic ao acima e escrita
na forma mais conveniente: Se T : R
n
R
n
e inversvel ent ao
_
T
1
= [T]
1
Proposic ao 3.5 Seja T : V W uma transformac ao linear, com dimV = dimW, e e bases
de V e W respectivamente. Ent ao T e inversvel se, e somente se det [T]
= 0.
Observac ao 12 Se na proposic ao acima tivermos V = W = R
n
podemos escrever: Seja T :
R
n
R
n
uma transformac ao linear, ent ao T e invertvel se det [T] = 0
3
R
3
, dada por T(x, y, z) = (x +2y +2z, x +y +3z, x +2y +z),
determine a transforma c ao inversa T
1
.
Facilmente podemos ver que
[T] =
_
_
1 2 2
1 1 3
1 2 1
_
_
T
1
= [T]
1
=
_
_
5 2 4
2 1 1
1 0 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 tamb em neste caso calcular a inversa usando diretamente a dinic ao de
transformac ao inversa da seguinte forma
Sabemos que T
1
: R
3
R
3
e uma transformac ao 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 coma outra n ao funciona, tente e veja o que acontece).
104 3.4. A Inversa de uma transforma cao linear
Portanto
_
T T
1
_
(x, y, z) = I(x, y, z) = (x, y, z)
T(T
1
(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
_
_
1 2 2 x
1 1 3 y
1 2 1 z
_
_
_
_
escalonando
=
_
_
_
_
1 2 2 x
0 1 1 x y
0 0 1 x z
_
_
s = x z
n = x y +x z = 2x y z
m = x 2(2x y z) 2(x z) =5x +2y +4z
Logo
T
1
(x, y, z) = (5x +2y +4z, 2x y z, x z)
Exemplo 123 Considere a transformac ao linear T : R
3
M
2T
(M
2T
e o espaco das matrizes
triangulares superiores) denida por
T(1, 1, 0) =
_
_
1 1
0 0
_
_
T(0, 1, 1) =
_
_
1 1
0 2
_
_
3.5. Quarta lista de exerccios 105
T(1, 1, 1) =
_
_
0 1
0 1
_
_
Encontre a inversa da transformac ao T.
Sabemos que:
T
1
_
_
1 1
0 0
_
_
= (1, 1, 0), T
1
_
_
1 1
0 2
_
_
= (0, 1, 1), T
1
_
_
0 1
0 1
_
_
= (1, 1, 1)
e, seja
_
_
x y
0 z
_
_
= a
_
_
1 1
0 0
_
_
+b
_
_
1 1
0 2
_
_
+c
_
_
0 1
0 1
_
_
obtemos o sistema:
_
_
a+b = x
a+bc = y
2b+c = z
_
1 1 0 | x
1 1 1 | y
0 2 1 | z
_
_
realizando o escalonamento da matriz, encontramos:
_
_
1 0 0 |
3xyz
2
0 1 0 |
x+y+z
2
0 0 1 | x y
_
_
Agora, procedendo as substituic oes, obtemos:
T
1
_
_
x y
0 z
_
_
=
_
3x y z
2
_
(1, 1, 0) +
_
x +y +z
2
_
(0, 1, 1) +(x y)(1, 1, 1)
portanto
[T]
1
=
_
_
5
2

3
2

1
2
0 1 0
3
2

3
2

1
2
_
_
=
_
5x 3y z
2
, y,
3x 3y z
2
_
3.5 Quarta lista de exerccios
Exerccio 3.1 Verique se as func oes dadas abaixo s ao transformac oes lineares. Em cada
caso, justique sua armac ao:
106 3.5. Quarta lista de exerccios
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+I
5
, onde B = diag(d
1
, d
2
, d
3
, d
4
, d
5
) e uma matriz
diagonal e I
5
e a matriz identidade de ordem 5.
e) F : P
2
P
2
tal que F(p) = p+q, p P
2
e q(t) =t
2
+1, t .
f) S : R
2
R
2
dada por S(x, y) = (x +y, x y)
g) T : M(2, 2) R dada por
_
_
a b
c d
_
_
det
_
_
a b
c d
_
_
h) T : R R, T(x) =|x|.
i) T : M
2
P
1
, T
_
_
_
_
a b
c d
_
_
_
_
= a+dt
j) S : R
3
R
3
tal que S(x, y, z) = (3x, a, 5z), onde a R e uma constante.
k) T : P
n
P
n
tal que T(p(x)) = p
(x) +x
2
p
(x)
Exerccio 3.2 Seja T : P
2
P
2
um operador linear tal que T(p
0
)(t) = 1+t, T(p
1
)(t) =t +t
2
,
T(p
2
)(t) = 1+t 2t
2
onde p
i
(t) =t
i
, i = 0, 1, 2.
a) Encontre T(p)
b) T e injetora? Justique sua resposta.
c) T e sobrejetora? Justique sua resposta.
d) T e bijetora? Justique sua resposta.
Exerccio 3.3 a) Encontre a transformac ao T :
2
M(2, 2) tal que T(1, 0) =
_
_
1 1
1 1
_
_
,
T(0, 1) =
_
_
1 1
1 1
_
_
b) Usando a transformac ao T encontrada no item a) , calcule T(1000, 999)
c) A transformac ao e bijetora? Justique sua resposta.
Exerccio 3.4 Seja T :
3
3
uma transformac ao 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
subespacos:
a) N(T)
b) N(T) Im(T)
c) N(T) +Im(T)
Exerccio 3.5 Sejam = {(1, 1), (0, 2)} e = {(1, 0, 1), (0, 1, 2), (1, 2, 0)} bases de
2
e
3
, respectivamente e [T]
=
_
_
1 0
1 1
0 1
_
_
a) Encontre a transformac ao linear T.
b) Enconte uma base para Ker(T) e uma base para Im(T).
c) Encontre uma base de
3
tal que [T]
=
_
_
1 0
0 0
0 1
_
_
Exerccio 3.6 Encontre a transformac ao linear T :
2
2
que e a projec ao sobre a reta
dada por
_
_
_
x = 2t
y =t
. Determine dimIm(t) e dim Ker(T). T e inversvel? Se for, determine
T
1
.
Exerccio 3.7 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 e isomorsmo? Em caso armativo, determine o isomorsmo
inverso.
Exerccio 3.8 Considere a transformac ao linear T : P
2
R
3
tal que T(1) = (1, 0, 1), T(x +
x
2
) = (1, 2, 2) e T(1x) = (0, 1, 1). Encontre T
1
.
2
P
3
a transformac ao denida por T(p(x)) = xp(x 3). Encontre
[T]
em relac ao ` as bases ={1, x, x

2
, x
3
} e ={1, x, x
2
}.
Exerccio 3.10 Encontre uma transformac ao linear T :
3
3
cujo n ucleo e gerado por
(1, 1, 0) e (0, 0, 1) e a imagem gerada pelo vetor (1, 1, 1).
Exerccio 3.11 Encontre uma transformac ao linear T :
4
4
cujo n ucleo e gerado por
(1, 1, 0, 0) e (0, 0, 1, 0).
Exerccio 3.12 Mostre que se a matriz transformac ao [T] e inversvel ent ao N(T) ={
0 }.
Exerccio 3.13 Se T : V W e uma transformac ao linear tal que T(w) = T(u) +T(v) ent ao
w = u+v?
Exerccio 3.14 Determine explicitamente a express ao de uma transformac ao linear T : P
2
M
2
satisfazendo simultaneamente as seguintes condic oes:
a) o elemento p(x) = 1+x
2
pertence ao N(T);
b) o elemento q(x) = 1x +x
2
n ao pertence ao N(T);
c) o elemento A =
_
_
2 3
1 1
_
_
pertence ` a Im(T).
Exerccio 3.15 Seja T : V W uma transformac ao linear.
a) Mostre que o n ucleo de T e um subespaco de V.
b) Mostre que a imagem de T e um subespaco de W.
2
P
2
a transformac ao linear denida por T(p(x)) = xp
(x)
a) Quais dos seguintes polin omios pertencem ao N(T)?
1. 2
2. x
2
3. 1x
b) Quais dos polin omios do item a) pertencem a Im(T)?
c) Descreva N(T) e Im(T).
Exerccio 3.17 Quando possvel, d e exemplos de transformac oes lineares satisfazendo:
a) T : R
3
R
3
tal que dimN(T) = 1
b) T : R
3
R
3
tal que N(T) ={(0, 0, 0)}
c) T : R
3
R
3
tal que Im(T) ={(0, 0, 0)}
d) T : R
3
R
3
tal que N(T) ={(x, y, z)
3
: z =x}
e) T : R
3
R
3
tal que Im(T) =
_
(x, y, z) R
3
y = 2x z
_
.
3
P
2
denida por T(p) = p
. Determine a matriz T em relac ao ` as

bases =
_
1, t, t
2
, t
3
_
e =
_
1, 1+t, 1+t
2
_
, isto e, [T]
.
Exerccio 3.19 Mostre que se uma transfomac ao linear e injetora ent ao N(T) ={
0 }.
Exerccio 3.20 Seja a base can onica de M
2
. Se T : M
2
P
3
e dada por T
_
_
_
_
a b
c d
_
_
_
_
=
a+(b+c)x +(c d)x
2
+dx
3
.
a) Encontre [T]
onde =
_
2, 2+x, 2+x
2
, 2+x
3
_
e base de P
3
.
b) Faca o escalonamento da matriz [T]
.
c) Detemine dim Ker(T).
d) Determine dim Im(T).
Exerccio 3.21 Se A R
nn
e inversvel ent ao:
a) dimN(A) =
b) dimIm(T) =
Exerccio 3.22 Determine dimN(T) sabendo que:
a) TR
6
R
8
com dim(Im(T)) = 3;
b) T : V W com T sobrejetiva, dimV = 5, dimW = 3;
c) T : V W com T injetiva;
d) T : R
4
R
4
sabendo que existe a inversa de T.
Exerccio 3.23 Explique em cada caso abaixo porque n ao existe uma transformac ao linear:
a) T : R
4
R
2
cujo n ucleo seja a origem;
b) T : R
5
R
6
que seja sobrejetiva;
c) T : R
3
R
2
que seja injetiva;
d) T : R
7
R
6
tal que dimN(T) = dimIm(T);
e) T : R
4
R
3
com N(T) = [(1, 0, 0, 0), (0, 1, 0, 0)] e Im(T) = [(1, 1, 2), (2, 2, 4)].
Exerccio 3.24 Responda as seguintes quest oes:
a) Se T : R
5
R
6
e uma transformac ao linear, podemos ter dim Im(T) > 6? Justique sua
resposta.
b) Existe alguma transformac ao linear T : R
2
R
2
tal que T(1, 1) = (2, 2) e T(2, 2) =
(3, 1)? Justique sua resposta.
c) A transformac ao T : P
1
P
2
denida por T(p(t)) =t p(t) + p(0)p
(1) e linear?
d) Se T : R
3
R3 e um operador linear e se a imagem de T e um plano que passa pela
origem, que tipo de objeto geom etrico e o n ucleo de T?
Exerccio 3.25 Seja T : R
2
R
2
tal que [T] =
_
_
2 1
0 1
_
_
. Encontre os vetores u e v tais que:
a) T(u) = 2u
b) T(v) =v
Exerccio 3.26 Sejam F, G: R
3
R
3
transformac oes 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 G.
b) Determine uma base para N(F G).
c) Determine uma base para Im(F G).
g) F G e isomorsmo? Justique sua resposta.
3
3
o operador linear denido por T(x, y, z) = (3x, xy, 2x+y+
z). Mostre que (T
2
I) (T
2
9I) = 0.
Exerccio 3.28 Sejam R, S, T tr es transformac oes lineares de R
3
em R
3
. Se
[R] =
_
_
1 0 1
2 1 1
0 1 1
_
_
e [S] =
_
_
2 1 1
3 1 2
1 2 0
_
_
,
encontre T tal que R = ST.
Exerccio 3.29 Sejam as transformac oes lineares S : P
1
P
2
e T : P
2
P
1
denidas por
S(a+bx) = a+(a+b)x +2bx
2
T(a+bx +cx
2
) = b+2cx
a) Determine (ST)(3+2x x
2
).
b)

E possvel calcular (T S)(a+bx)? Em caso armativo calcule (T S)( +x).
Exerccio 3.30 Considere o operador T : P
2
P
2
denida por T(p(x)) = p
(x) + p(x) e a
transformac ao linear S : P
2
R
3
denida por S(a+bx +cx
2
) = (a+b, c, ab).
a) Verique se S e isomorsmo. Se for, determine S
1
.
b) Determine uma base para N(ST) e uma base para Im(ST).
c) Seja = {1 +x, x x
2
, 1} uma base de P
2
e = {(1, 0, 0), (0, 1, 1), (0, 0, 1)} base do
R
3
. Determine [ST]
.
Exerccio 3.31 Considere a transformac ao linear T : R
4
M
2
denida por T(a, b, c, d) =
_
_
a a+b
b+c d
_
_
e a transformac ao linear S : M
2
M
2
denida por S
_
_
_
_
a b
c d
_
_
_
_
=
_
_
ac c b
b a+d
_
_
. Verique se S T e um isomorsmo. Em caso armativo, determine o iso-
morsmo inverso (ST)
1
.
Captulo 4
OPERADORES LINEARES
Denic ao 4.1 Uma transformac ao linear T : V V e chamada de operador linear.
Observac ao 13 Todas as propriedades j a vistas para transformac oes lineares em geral vale
para um operador linear
4.1 Transformac oes especiais no plano e no espaco
Os operadores lineares que veremos a seguir s ao chamados de transformac oes especiais do
plano e do espaco por serem bastantes usados em aplicac oes pr aticas e tamb em em aplicac oes
num ericas.
4.1.1 Transformac oes no Plano
(a) Dilatac ao ou contrac ao
T : R
2
R
2
T(x, y) = (x, y)
Se || < 1, T contrai o vetor.
Se || > 1, T dilata o vetor.
Se = 1, T e a identidade.
Se < 0, T inverte o sentido do vetor.
112 4.1. Transformacoes especiais no plano e no espaco
Se > 0, T mant em o mesmo sentido do vetor.
Matricialmente
_
_
x
y
_
_
_
_
0
0
_
_
_
_
x
y
_
_
Geometricamente, para > 0 temos:
Figura 4.1: Dilatac ao ou contrac ao - (4.1.1)
(b) Cisalhamento na direc ao do eixo dos x
T : R
2
R
2
T(x, y) = (x +y, y)
Matricialmente
_
_
x
y
_
_
_
_
1
0 1
_
_
_
_
x
y
_
_
Geometricamente:
Figura 4.2: Cisalhamento na direc ao do eixo dos x - (4.1.1)
(c) Cisalhamento na direc ao do eixo dos y
T : R
2
R
2
T(x, y) = (x, x +y)
Matricialmente
_
_
x
y
_
_
_
_
1 0
1
_
_
_
_
x
y
_
_
Geometricamente:
4.1. Transformacoes especiais no plano e no espaco 113
Figura 4.3: Cisalhamento na direc ao do eixo dos y - (4.1.1)
(d) Reex ao na origem
T : R
2
R
2
T(x, y) = (x, y)
Matricialmente
_
_
x
y
_
_
_
_
1 0
0 1
_
_
_
_
x
y
_
_
Geometricamente:
Figura 4.4: Reex ao na origem - (4.1.1)
Observac ao 14 Observe que este e um caso particular da contrac ao quando =1
(e) Projec ao sobre uma reta no plano
Denic ao 4.2 Denimos como sendo Projec ao sobre uma reta r, que passa pela origem, no
plano o operador linear T : R
2
R
2
denido por T(v) = proj
u
v, onde u e o vetor diretor da
reta r.
Figura 4.5: Projec ao sobre uma reta no plano - (4.1.1)
Exemplo 124 Determinar o operdor linear que a projec ao sobre a reta y =6x
A reta y =6x pode ser parametrizada por
x = t
y = 6t
logo um vetor diretor da reta e u = (1, 6).
T(v) = proj
u
v
T(v) =
_
uv
uu
_
u
T(x, y) =
_
(1, 6) (x, y)
(1, 6) (1, 6)
_
(1, 6)
T(x, y) =
_
x 6y
37
,
6x +36y
37
_
(f) Reex ao atrav es de uma reta no plano
Denic ao 4.3 Denimos como sendo Reex ao atrav es da reta r, que passa pela origem, a
transformac ao linear T : R
2
R
2
tal que |T(v)| = |v| e proj
u
v = proj
u
T(v) onde u e o vetor
diretor da reta r.
Figura 4.6: Reex ao atrav es da reta r- (4.1.1)
Para obter a express ao data a traformac ao T , considere a gura abaixo que representa a
reex ao em torno de uma reta no plano onde est ao mostrados o vetor diretor diretor, u, da reta,
o vetor p, a projec ao de v na direc ao do vetor u,e o vetor T(v).
Figura 4.7: Reex ao em torno de uma reta no plano - (4.1.1)
Da denic ao de reex ao podemos observar que
T(v) +v = 2p
T(v) = 2pv
T(v) = 2proj
u
v v
Portanto a reex ao em torno de uma reta no plano e dada por
T(v) = 2proj
u
v v
onde proj
u
v e a projec ao do vetor v na direc ao do vetor u
Casos Particulares f.1 - Reex ao em torno do eixo dos x
T : R
2
R
2
T(x, y) = (x, y)
Matricialmente
_
_
x
y
_
_
_
_
1 0
0 1
_
_
_
_
x
y
_
_
Geometricamente:
Figura 4.8: Reex ao em torno do eixo dos x - (4.1.1)
f.2 - Reex ao em torno do eixo dos y
T : R
2
R
2
T(x, y) = (x, y)
Matricialmente
_
_
x
y
_
_
_
_
1 0
0 1
_
_
_
_
x
y
_
_
Geometricamente:
Figura 4.9: Reex ao em torno do eixo dos y - (4.1.1)
f.3 - Reex ao em torno da reta y = x
T : R
2
R
2
T(x, y) = (y, x)
Matricialmente
_
_
x
y
_
_
_
_
0 1
1 0
_
_
_
_
x
y
_
_
Geometricamente:
Figura 4.10: Reex ao em torno da reta y = x - (4.1.1)
f.4 - Reex ao em torno da reta y =x
T : R
2
R
2
T(x, y) = (y, x)
Matricialmente
_
_
x
y
_
_
_
_
0 1
1 0
_
_
_
_
x
y
_
_
Geometricamente:
Figura 4.11: Reex ao em torno da reta y =x - (4.1.1)
(g) Rotac ao de um angulo
Denimos Rotac ao no plano de um angulo a transformac ao T : R
2
R
2
tal que |T(v)| =|v|
e o angulo entre os vetores T(v) e v e .
Geometricamente
Figura 4.12: Rotac ao de um angulo - (4.1.1)
Vamos agora determinar a matriz da transformac ao linear rotac ao de um angulo e a ex-
press ao de R
em func ao de x e y. Seja
R
: R
2
R
2
R
(x, y) = (x
, y
)
Quando rotacionamos um vetor, pela pr opria denic ao de rotac ao, o comprimento (m odulo)
do vetor n ao se altera. Seja r =|v| , onde v = (x, y).
Da gura acima e usando relac oes trigonom etricas temos;
x
= r cos( +) = r cos cos r sin sin

Mas
r cos = x
r sin = y
ent ao
x
= xcos ysin
Analogamente
y
= r sin( +) = r sin cos +r cos sin

y
= ycos +xsin = xsin +ycos

Assim
R
(x, y) = (xcos ysin, xsin +ycos)

Matricialmente
_
_
x
y
_
_
_
_
cos sin
sin cos
_
_
_
_
x
y
_
_
Podemos ver neste caso que matriz de uma rotac ao e:
[R
] =
_
_
cos sin
sin cos
_
_
4.1.2 Transformac oes no Espaco
(a) Reex ao atrav es de uma reta no espaco
Denic ao 4.4 Denimos como sendo Reex ao atrav es da reta r, que passa pela origem, no
espaco a transformac ao linear T : R
3
R
3
u
v = proj
u
T(v) onde u
e o vetor diretor da reta r.
Geometricamente
Figura 4.13: Reex ao atrav es da reta r no espaco - (4.1.2)
Para obter a express ao para a transformac ao T , considere a gura abaixo que representa a
reex ao em torno de uma reta no plano onde est ao mostrados o vetor diretor diretor, u, da reta,
o vetor p, a projec ao de v na direc ao do vetor u,e o vetor T(v).
Figura 4.14: Reex ao atrav es da reta r no espaco - (4.1.2)
Da denic ao de reex ao podemos observar que
T(v) +v = 2p
T(v) = 2pv
T(v) = 2proj
u
v v
Portanto a reex ao em torno de uma reta no espaco e dada por
T(v) = 2pv
ond p = proj
u
v e a projec ao do vetor v na direc ao do vetor u
Casos Particulares: Reex ao em relac ao aos eixos coordenados
a.1 - Reex ao atrav es do eixo x
T : R
3
R
3
T(x, y, z) = (x, y, z)
Matricialmente
_
_
x
y
z
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
y
z
_
_
a.2 - Reex ao atrav es do eixo y
T : R
3
R
3
T(x, y, z) = (x, y, z)
Matricialmente
_
_
x
y
z
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
y
z
_
_
a.3 - Reex ao atrav es do eixo z
T : R
3
R
3
T(x, y, z) = (x, y, z)
Matricialmente
_
_
x
y
z
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
y
z
_
_
(b) - Reex ao atrav es de um plano
Denic ao 4.5 Denimos Reex ao atrav es de um plano, que passa pela origem, no espaco ao
operador linear T : R
3
R
3
n
v = proj
n
T(v), onde n o vetor
normal do plano.
Figura 4.15: Reex ao atrav es de um plano - (4.5)
Para obter a express ao para a transformac ao T, considere a gura abaixo que representa a
reex ao em torno de um plano no espaco onde est ao mostrados o vetor normal do plano, vetor
n, o vetor projec ao de v na direc ao do vetor n, vetor p, o vetor projec ao sobre o plano, vetor m,
e o vetor T(v).
Figura 4.16: Reex ao atrav es de um plano - (4.5)
Da denic ao de Reex ao atrav es de uma plano podemos deduzir que
_
_
_
p+m = v
mp = T(v)
Portanto
T(v) = v 2p
onde p = proj
n
v e a projec ao de v na direc ao do vetor normal n do plano.
Casos particulares: Reex ao atrav es dos planos coordenados
b.1 - Reex ao atrav es do plano xy
T : R
3
R
3
T(x, y, z) = (x, y, z)
Matricialmente
_
_
x
y
z
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
y
z
_
_
Geometricamente
Figura 4.17: Reex ao atrav es do plano xy - (4.5)
b.2 - Reex ao atrav es do plano xz
T : R
3
R
3
T(x, y, z) = (x, y, z)
Matricialmente
_
_
x
y
z
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
y
z
_
_
b.3 - Reex ao atrav es do plano yz
T : R
3
R
3
T(x, y, z) = (x, y, z)
Matricialmente
_
_
x
y
z
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
y
z
_
_
(c) Reex ao na origem
T : R
3
R
3
T(x, y, z) = (x, y, z)
Matricialmente
_
_
x
y
z
_
_
1 0 0
0 1 0
0 0 1
_
_
_
_
x
y
z
_
_
Geometricamente
Figura 4.18: Reex ao na origem - (4.5)
(d) Rotac ao no Espaco
Denic ao 4.6 Denimos Rotac ao de um angulo em torno de um eixo coordenado c ao op-
erador linear T
: R
3
R
3
tal que |T
(v)| = |v| e o angulo entre a projec ao de v no plano

ortogonal a c e a projec ao de T
(v) no plano ortogonal a c e o angulo medido no sentido

anti-hor ario a partir da projec ao de v no plano ortogonal a c.
Figura 4.19: Rotac ao no espaco - (4.6)
d.1 - Rotac ao em torno do eixo z
Para obter a express ao da transformac ao que e uma rotac ao em torno do eixo z vamos con-
siderar:
p = projec ao de v no plano xy
q = projec ao de T(v) no plano xy
Figura 4.20: Rotac ao em torno do eixo z - (4.6)
T
(x, y, z) = (x
, y
, z
)
Observe que z
= z
Como |T(v)| = |v| ent ao |p| = |q| . Al em disso o vetor q e obtido pela rotac ao do vetor p
no plano xy por um angulo , ou seja, q = R
(p). Como j a visto em rotac ao no plano ( item g)

de Transformac oes no plano) temos que
x
= xcos ysin
y
= xsin +ycos
Portanto
T
: R
3
R
3
T
(x, y, z) = (xcos ysin, xsin +ycos, z)

Matricialmente
_
_
x
y
z
_
_
=
_
_
cos sin 0
sin cos 0
0 0 1
_
_
_
_
x
y
z
_
_
[T
]
Z
=
_
_
cos sin 0
sin cos 0
0 0 1
_
_
d.2 - Rotac ao em torno do eixo y
Figura 4.21: Rotac ao em torno do eixo y - (4.6)
T
(x, y, z) = (x
, y
, z
)
Como a rotac ao e em torno do eixo y temos y
= y. No plano xz vemos que o vetor q e obtido

a partir do vetor p pela rotac ao do angulo no SENTIDO HOR
ARIO.
Figura 4.22: Rotac ao em torno do eixo y - (4.6)
Portanto podemos considerar o vetor p obtido a partir do vetor q por uma rotac ao no sentido
anti-hor ario, ou seja, R
(p) = q. Logo,
_
_
x
z
_
_
=
_
_
cos sin
sin cos
_
_
_
_
x
_
_
_
_
x
_
_
=
_
_
cos sin
sin cos
_
_
1
_
_
x
z
_
_
_
_
x
_
_
=
_
_
cos sin
sin cos
_
_
_
_
x
z
_
_
x
= xcos +zsin
z
= zcos xsin
T
(x, y, z) = (x
, y
, z
)
T
(x, y, z) = (xcos +zsin, y, xsin +zcos)

Matricialmente:
[T
]
Y
=
_
_
cos 0 sin
0 1 0
sin 0 cos
_
_
d.3 - Rotac ao em torno do eixo x
124 4.2. Propriedades dos operadores inversveis
A matriz da Rotac ao em torno do eixo x e dada por
[T
]
X
=
_
_
1 0 0
0 cos sin
0 sin cos
_
_
Exemplo 125 Determinar o angulo formado entre v e T(v) quando o vetor v = (
3
2
2
,
2
4
,
2
2
)
gira em torno do eixo z de um angulo

2
rad.
[T(v)] =
_
_
cos

2
sin

2
0
sin

2
cos

2
0
0 0 1
_
_
_
3
2
2
4
2
2
_
[T(v)] =
_
_
0.0 1.0 0.0
1.0 0.0 0.0
0.0 0.0 1.0
_
_
_
3
2
2
4
2
2
_
[T(v)] =
_
2
4
3
2
2
2
_
Como desejamos o angulo entre v e T(v),vamos usar a f ormula do cosseno do angulo entre
dois vetores:
cos =
v T(v)
|v| |T(v)|
=
1
2
Portanto o angulo entre v e T(v) e = arccos
1
2
=

3
4.2 Propriedades dos operadores inversveis
Denic ao 4.7 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 e a identidade em V) ent ao dizemos que o
operador T e inversvel e T
1
e o operador inverso de T.
Observac ao 15 Um operador e inversvel se, e somente se, ele e um isomorsmo
Seja T : V V um operador linear:
4.2. Propriedades dos operadores inversveis 125
I) Se T e inversvel e T
1
sua inversa, ent ao T T
1
= T
1
T = I
II) O operador T e inversvel se, e somente se, Ker(T) =
_
0
_
.
III) O operador T e inversvel se, e somente se, det [T] = 0
IV) Se T e inversvel, T transforma base em base, isto e, se = {v
1
, . . . , v
n
} e base de V
ent ao ={T(v
1
), . . . , T(v
n
)} e base de V.
Se T e inversvel e uma base de V ent ao T
1
: V V e linear
_
T
1
=
_
[T]
_
1
.
Quando e a base can onica temos a forma mais simples
_
T
1
= [T]
1
e portanto
_
T
1
[T]
1
=
_
T
1
T
= [I] . Com isso vemos que T e inversvel se e somente se det [T] = 0.

Exemplo 126 Considere o operador R
: R
2
R
2
, dado por
R
(x, y) = (xcos ysin, xsin +ycos)

verique se T e inversvel e em caso armativo encontre T
1
.
Como det [R
] = cos
2
+sin
2
= 1 = 0, temos que R
e inversvel.
Como
_
R
1
= [R
]
1
, basta calcular a inversa da matriz deR
[R
] =
_
_
cos sin
sin cos
_
_
[R
]
1
=
_
_
cos
cos
2
+sin
2
sin
cos
2
+sin
2
sin
cos
2
+sin
2
cos
cos
2
+sin
2
_
[R
]
1
=
_
_
cos sin
sin cos
_
_
Note que [R
]
1
= [R
]
T
, ou seja, [R
] e uma matriz ortogonal, logo R

1
: R
2
R
2
_
_
x
y
_
_
_
_
cos sin
sin cos
_
_
_
_
x
y
_
_
=
_
_
xcos +ysin
ycos xsin
_
_
R
1
(x, y) = (xcos +ysin, ycos xsin)

126 4.2. Propriedades dos operadores inversveis
Exemplo 127 Seja T o operador T : R
3
R
3
que e a projec ao ortogonal do vetor v = (x, y, z)
na direc ao da reta dada pela intersec ao dos planos y = x e z = y.Verique se T e inversvel e
em caso armativo determine T
1
.
Para determinar a projec ao na direc ao da reta basta determinar a projec ao ortogonal sobre
o vetor diretor da reta. Devemos inicialmente determinar o vetor diretor da reta:
_
_
_
y = x
z = y
Para obter a equac oes param etricas fazemos x =t, logo
_
_
x =t
y =t
z =t
portando o vetor diretor da reta e u = (1, 1, 1).
T(v) = proj
u
v =
_
v u
u u
_
u
T(x, y, z) =
_
(x, y, z) (1, 1, 1)
(1, 1, 1) (1, 1, 1)
_
(1, 1, 1)
T(x, y, z) =
_
x +y +z
3
_
(1, 1, 1)
T(x, y, z) =
_
x +y +z
3
,
x +y +z
3
,
x +y +z
3
_
[T] =
_
_
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
_
_
det [T] = 0
Como det [T] = 0 temos que T n ao e inversvel.
2
R
2
a transformac ao que e uma rotac ao de

4
rad e S : R
2
R
2
a transformac ao que e uma reex ao em torno da reta y = 2x. Determine a transformac ao
R = ST.
4.2. Propriedades dos operadores inversveis 127
R = ST
[R] = [S] [T]
[T] =
_
_
cos

4
sin

4
sin

4
cos

4
_
_
[T] =
_
_
1
2
2
1
2
2
1
2
2
1
2
2
_
_
S(v) = 2pv
S(x, y) = 2
_
(x, y) (1, 2)
(1, 2) (1, 2)
_
(1, 2) (x, y)
S(x, y) =
_
3x 4y
5
,
4x +3y
5
_
[S] =
_
_
3
5

4
5
4
5
3
5
_
_
[R] = [S] [T]
[R] =
_
_
3
5

4
5
4
5
3
5
_
_
_
_
1
2
2
1
2
2
1
2
2
1
2
2
_
_
[R] =
_
_
7
10
2
1
10
1
10
2
7
10
2
_
_
R(x, y) =
_
2
10
x
2
10
y,
2
10
x +
7
2
10
y
_
128 4.3. Operadores autoadjuntos e ortogonais
4.3 Operadores autoadjuntos e ortogonais
Denic ao 4.8 Seja V um espaco vetorial com produto interno, uma base ortonormal e T :
V V um operador linear. Ent ao:
a) T e chamado um operador auto-adjunto se [T]
e uma matriz sim etrica.

b) T e chamado um operador ortogonal se [T]
e uma matriz ortogonal.

Observac ao 16 Consideraremos aqui apenas os operadores T : R
n
R
n
, com o produto es-
calar usual (que e um produto interno no espaco R
n
).
Observac ao 17 Uma base = {v
1
, v
2
, , v
n
} e ortonormal se v
i
v
j
=
_
_
_
1, i = j
0, i = j
.
Portanto podemos dizer que um operador T : R
n
R
n
e um operador auto-adjunto se [T]
(a matriz de T em relac ao a base can onica) e uma matriz sim etrica. T : R
n
R
n
e um operador
ortogonal se [T] (a matriz de T em relac ao a base can onica) e uma matriz ortogonal.
Exemplo 129 Consideremos a transformac ao: R
3
R
3
, a rotac ao de um angulo em torno
do eixo z.
T(x, y, z) = (xcos ysin, xsin +ycos, z)
A matriz da transformac ao T e
[T] =
_
_
cos sin 0
sin cos 0
0 0 1
_
_
Como esta e uma matriz ortogonal, T e um operador ortogonal.
2
R
2
onde T(x, .y) = (2x 2y, 2x +5y). A matriz de T e
[T] =
_
_
2 2
2 5
_
_
Como a matriz de T e sim etrica, ent ao T e um operador auto-adjunto.
Teorema 4.1 Seja T : R
n
R
n
linear. Se T e um operador auto-adjunto ent ao
T(v) w = v T(w), v, w R
n
4.4. Quinta lista de exerccios 129
n
R
n
linear. Ent ao s ao equivalentes as seguintes armac oes:
a) T e ortogonal.
b) T preserva o produto escalar, isto e, T(v) T(w) = v w, v, w R.
c) T preserva o m odulo, isto e, |T(v)| =|v|.
d) T transforma bases ortonornais em bases ortonormais. Isto e, se
_
v
1,
v
2
, . . . , v
n
_
e uma
base ortonornal ent ao {T(v
1
), T(v
2
), . . . , T(v
n
)} e uma base ortonornal.
4.4 Quinta lista de exerccios
Exerccio 4.1 Encontre a transformac ao linear T : R
3
R
3
tal que os vetores u = (1, 2, 0) e
v = (0, 1, 1) pertencam ao n ucleo de T e que T(1, 0, 0) = (1, 1, 1).
Exerccio 4.2 Seja T : M
2
M
2
denida por T(A) = ABBA, onde B
22
e uma matriz xa.
a) Mostre que T e um operador linear.
b) Sabendo que B =
_
_
1 1
0 3
_
_
, encontre uma base para N(T) e uma base para Im(T).
Exerccio 4.3 Seja T a reex ao no origem dada por
T : R
3
R
3
T(x, y, z) = (x, y, z)
Determine a inversa T
1
da transformac ao T.
Exerccio 4.4 Dena operador sim etrico e operador ortogonal. D e um exemplo para cada um
dos casos, justicando sua escolha.
Exerccio 4.5 Seja A : R
3
R
3
, dada por A = GL onde G e a rotac ao de

3
do em torno do
eixo y e L e a rotac ao de

2
em torno do eixo z. Determine a matriz de A em relac ao a base
can onica, isto e, determine [A]. O operador A e ortogonal? E auto-adjunto?
Exerccio 4.6 Determine a transformac ao linear de R
2
em R
2
que representa uma reex ao da
reta y = x,seguida de uma dilatac ao de fator 2 na direc ao ox e, um cisalhamento de fator 3
na direc ao vertical.
130 4.4. Quinta lista de exerccios
Exerccio 4.7 Usando invers ao matricial mostre o seguinte:
a) A transformac ao inversa de uma reex ao em torno da reta y = x e a reex ao em torno da
reta y = x.
b) A transformac ao inversa de uma reex ao em torno de um eixo coordenado e a reex ao
em torno daquele eixo.
Exerccio 4.8 a) Encontre a transformac ao T do plano no plano que e uma reex ao em torno
da reta y = 6x.
b) Escreva-a em forma matricial.
Exerccio 4.9 No plano, uma rotac ao anti-hor aria de 45
0
e seguida por uma dilatac ao de
3.
Ache a aplicac ao A que representa esta transformac ao do plano.
Exerccio 4.10 Analise se a seguinte armac ao e verdadeira ou falsa: Se T : R
2
R
2
e
uma rotac ao de um angulo (em sentido anti-hor ario) em torno da origem, seguida de uma
dilatac ao de fator 3 ent ao T
1
e uma contrac ao de fator
1
3
seguida de uma rotac ao de um
angulo em torno da origem.
2
R
2
denida pela rotac ao de

6
(sen-
tido anti-hor ario) seguida de uma reex ao atrav es da reta y = 2x. A seguir, faca um esboco da
Im(T) se a transformac ao T for aplicada ao ret angulo de v ertices (0, 0), (1, 0), (1, 2) e (0, 2).
3
R
3
e a projec ao de vetor v no plano x +y +z = 0. Encontre
T(x, y, z).
Exerccio 4.13 Seja L : R
3
R
3
onde L e a reex ao atrav es do plano x + y + z = 0.
EncontreL(x, y, z).
Exerccio 4.14 Seja A : R
3
R
3
onde L e a rotac ao de

2
em torno do eixo z seguida de uma
rotac ao de

3
do em torno do eixo y. Encontre A(x, y, z).
Exerccio 4.15 Seja A e uma matriz de ordem n xada. Seja T : M
n
M
n
denida por T(N) =
ANNA. Mostre que T n ao e inversvel.
3
R
3
tal que Ker(T) =
_
(x, y, z) R
3
y = 2x z
_
4.4. Quinta lista de exerccios 131
Exerccio 4.17 Determine se a transformac ao T(x, y) = (
3
2
x
1
2
y,
1
2
x +
3
2
y) e uma
transformac ao auto-adjunta ou ortogonal. Justique sua resposta.
Exerccio 4.18 O operador linear T(x, y, z) = (
1
2
2x
1
2
2z, y,
1
2
2x
1
2
2z) e a rotac ao
de um angulo em torno do eixo y. Determine o valor do angulo .
Exerccio 4.19 Considere o tri angulo de v ertices (1, 1), (3, 3) e (2, 1). Determine a ima-
gem de T aplicada sobre este tri angulo segundo uma rotac ao anti-hor aria de 60
. Faca um
desenho da Imagem.
Exerccio 4.20 Seja o operador T : P
3
P
3
denido por T(p) = x
3
p(
1
x
):
a) Mostre T e inversvel.
b) Calcule a inversa T
1
do operador T
Exerccio 4.21 Seja T : M(2, 2) M(2, 2) um operador linear tal que T(A) = A+A
T
. Veri-
que se o operador T e inversvel.
132 4.4. Quinta lista de exerccios
Captulo 5
Autovalores e Autovetores
Dado um operador linear T : V V, estamos interessados em saber quais vetores s ao levados
em um m ultiplo de si mesmo; isto e, procuramos um vetor v V e um escalar R tais que
T(v) =v. Neste caso T(v) ser a um vetor de mesma direc ao que v. Por vetor de mesma direc ao
estaremos entendendo vetores sobre a mesma reta suporte. Como v =
0 satisfaz a equac ao para

todo , estaremos interessados em determinar vetores v =
0 satisfazendo a condic ao acima.

Denic ao 5.1 Seja T : V V, um operador linear. Se existirem v V, v =
0 , e R tais
que T(v) = v, e um autovalor de T e v e um autovetor de T associado a .
Observe que pode ser o n umero 0, embora v n ao possa ser o vetor nulo.
Exemplo 131 T : V V dado por T(v) = kv, onde k e uma constante
Neste caso todo vetor de V e um autovetor associado ao autovalor = k
Exemplo 132
T : R
2
R
2
(Reex ao no eixo x)
T(x, y) = (x, y)
Neste caso observamos que os vetores que ser ao levados em m ultiplos dele mesmo ser ao os
vetores que est ao no eixo x, pois v = (x, 0) T(v) = T(x, 0) = (x, 0) = v. Os vetores que
est ao no eixo y tamb em s ao levados em m ultiplos de si mesmo pois estes vetores tem a forma
w = (0, y) T(w) = T(0, y) = (0, y) = 1(0, y). Podemos concluir ent ao que os vetores do
tipo v = (x, 0) s ao autovetores associados ao autovalor
1
= 1 e os vetores da forma w = (0, y)
s ao autovetores associados a
2
=1, da tranformac ao linear reex ao no eixo x.
134 5.1. Autovalores e autovetores de uma matriz
Exemplo 133
R
2
: R
2
R
2
(Rotac ao de um angulo

2
)
R
2
(x, y) = (y, x)
Observe que na rotac ao de

2
nenhum vetor e levado em um m ultiplo de si mesmo, a direc ao
de todos vetores de R
2
s ao alterados pela rotac ao. Portanto a rotac ao de um angulo

2
n ao
possui autovetores e autovalores.
Teorema 5.1 Dada uma transformac ao linear T : V V e um autovetor v associado a um
autovalor , qualquer vetor w = v ( = 0) tamb em e um autovetor de T associado a .
Observac ao 18 Note que se um vetor v e autovetor de uma transformac ao T associado ao au-
tovalor ent ao todos os m ultiplos de v tamb em ser ao autovetores associados a . O Conjunto
formado por todos os autovetores associados a um mesmo autovalor e um conjunto innito.
n
R
n
um operador auto-adjunto e
1
,
2
autovalores distintos de T
e v
1
e v
2
os autovetores associados a
1
e
2
, respectivamente. Ent ao v
1
e perpendicular a v
2
.
Denic ao 5.2 O subespaco V
= {v VT(v) = v} e chamado o subespaco associado ao

autovalor .
Como vimos na nota acima o conjunto V
cont em todos os autovetores de T associados ao

autovalor , cont em tamb em o vetor nulo
0 de V j a que o vetor
0 satifaz a relac ao T(
0 ) =
0 . O conjunto V
pode ser escrito como V
={Todos os autovetores de T associados a }

_
0
_
.
5.1 Autovalores e autovetores de uma matriz
Agora vamos obter uma forma de calcular os autovalores e autovetores de uma transformac ao
usando sua matriz em relac ao as bases can onicas. Inicialmente deniremos autovalores e au-
tovetores 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 transformac ao T
A
: R
n
R
n
, associada a matriz A em relac ao
a base can onica de R
n
, isto e T
A
(v) = A v (na forma coluna). Assim, um autovalor R de A,
e um autovetor v R
n
, s ao soluc oes da equac ao A v = v, v =
0 .
5.1. Autovalores e autovetores de uma matriz 135
5.1.1 Polin omio Caracterstico
Seja a matriz
A =
_
_
a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
m1
a
m2
........ a
mn
_
_
e v =
_
_
x
1
x
2
.
.
.
x
m
_
_
Para encontrar os autovalores e autovetores de A, devemos resolver a equac ao:
Av = v
Av = Iv
Av Iv =

0
(AI)v =

0
Escrevendo esta equac ao explicitamente,temos
_
_
a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
m1
a
m2
........ a
mn
_
_
_
x
1
x
2
.
.
.
x
m
_
_
=
_
_
0
0
.
.
.
0
_
_
Fazendo
B =
_
_
a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
m1
a
m2
........ a
mn
_
temos o sistema
B v =
0
Este sistema e um sistema homog eneo e possui ao menos a soluc ao v =
0 . Mas como estamos

procurando autovetores, queremos encontrar vetores v =
0 que satisfacam a equac ao B v =
0 .
Sendo assim queremos que o sistema B v =
0 seja compatvel e indeterminado ( tenha al em

da soluc ao trivial, outras soluc oes n ao triviais). Pela regra de Cramer se det B = 0 ent ao o
sistema homog eneo ter a innitas soluc oes. Assim, a unica maneira de encontrarmos autovetores
v (soluc oes n ao nulas da equac ao B v =
0 ) e termos det B = 0, ou seja,

det(AI) = 0
Impondo esta condic ao determinamos primeiramente os autovalores que satisfazem a
equac ao e depois os autovetores a eles associados. Observamos que
p() = det(AI) =
a
11
a
12
........ a
1n
a
21
a
22
........ a
2n
.
.
.
.
.
.
a
m1
a
m2
........ a
mn
e um polin omio em de grau n.

Denic ao 5.3 O polin omio p() = det(AI) e chamado polin omio caracterstico da matriz
A
Observe que as razes do polin omio caracterstico s ao os autovalores da matriz A. Note
tamb em que o autovalor pode ser o n umero zero (quando o polin omio caracterstico tem razes
zero), embora o autovetor v associado a n ao possa ser o vetor nulo.
Exemplo 134 Vamos agora calcular os autovetores e autovalores da matriz A =
_
_
3 4
1 2
_
_
.
Temos que: p() = det(AI) = det
_
_
3 4
1 2
_
_
= (2)(3) +4 =
2
+
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
onde v =
_
_
x
y
_
_
e e cada um dos autovalores j a encontrados.
Para
1
= 1 temos
_
_
3 4
1 2
_
_
_
_
x
y
_
_
= 1
_
_
x
y
_
_
_
_
31 4
1 21
_
_
_
_
x
y
_
_
=
_
_
0
0
_
_
_
_
4 4
1 1
_
_
_
_
x
y
_
_
=
_
_
0
0
_
_
Temos um sistema homog eneo cuja matriz ampliada e
_
_
4 4
1 1
|
|
0
0
_
_
escalonando
_
_
4 4
0 0
|
|
0
0
_
_
4x +4y = 0 y = x
Portando os autovalores associados ao autovalor
1
= 1 s ao da forma v = (x, x) = x(1, 1) e
assim podemos concluir que o subespaco associado ao autovalor
1
= 1 e V
1
= [(1, 1)] .
Para
1
=2 temos
_
_
3 4
1 2
_
_
_
_
x
y
_
_
= 2
_
_
x
y
_
_
_
_
3(2) 4
1 2(2)
_
_
_
_
x
y
_
_
=
_
_
0
0
_
_
_
_
1 4
1 4
_
_
_
_
x
y
_
_
=
_
_
0
0
_
_
Temos um sistema homog eneo cuja matriz ampliada e
_
_
1 4
1 4
|
|
0
0
_
_
escalonando
_
_
1 4
0 0
|
|
0
0
_
_
x +4y = 0 y =
x
4
Portando os autovalores associados ao autovalor
1
=2 s ao da forma v = (x,
x
4
) = x(1,
1
4
) e
assim podemos concluir que o subespaco associado ao autovalor
2
=2 e V
2
=
_
(1,
1
4
)
.
Exemplo 135 Encontre os autovalores e autovetores da transformac ao linear que a cada vetor
v R
3
associa a sua projec ao ortogonal no plano x +y z = 0.
Soluc ao: Devemos encontrar a transformac ao linear T : R
3
R
3
tal que T(v) = projec ao
de v no plano x +y z = 0.
Figura 5.1: Transformac ao Linear T - (Exemplo 135)
Da gura acima vemos que para obtermos a projec ao sobre o plano devemos inicialmente
fazer a projec ao do vetor v na direc ao do vetor normal n para obter o vetor p = proj
n
v. Com
isso temos,
T(v) + p = v
T(v) = v p
T(v) = v proj
n
v
Um vetor normal do plano x +y z = 0 e n = (1, 1, 1), logo, como v = (x, y, z) temos
p = proj
n
v
p =
_
v n
n n
_
n
p =
_
(x, y, z) (1, 1, 1)
(1, 1, 1) (1, 1, 1)
_
(1, 1, 1)
p =
_
x +y z
3
_
(1, 1, 1)
p =
_
x +y z
3
,
x +y z
3
,
x +y z
3
_
T(v) = v p
T(x, y, z) = (x, y, z)
_
x +y z
3
,
x +y z
3
,
x +y z
3
_
T(x, y, z) =
_
2x y +z
3
,
x +2y +z
3
,
x +y +2z
3
_
Para calcular os autovalores de T devemos encontrar a matriz de T. Neste caso,
[T] =
_
_
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
3
_
_
p() = det([T] I) = 0
det
_
_
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
3
_
= 0
p() =
3
+2
2
= 0
As raizes de p() s ao
1
= 0 e
2
=
3
= 1.
Para
1
= 0 vamos calcular os autovalores associados resolvendo o sistema.
_
_
2
3
1
3
1
3
1
3
2
3
1
3
1
3
1
3
2
3
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
cuja matriz ampliada e,
_
_
2
3
1
3
1
3
| 0
1
3
2
3
1
3
| 0
1
3
1
3
2
3
| 0
_
_
escalonando
=
_
_
2
3

1
3
1
3
| 0
0
1
2
1
2
| 0
0 0 0 | 0
_
_
_
_
_
2
3
x
1
3
y +
1
3
z = 0
1
2
y +
1
2
z = 0
_
_
_
2x y +z = 0
y +z = 0
e ent ao:
y = z
x = z
Portanto os autovalores associados ao autovalor
1
= 0 s ao da forma v = (z, z, z).
Observac ao 19 Note que acima damos a forma geral dos autovetores, no caso acima temos
v = z(1, 1, 1) assim um autovetor e v = (1, 1, 1) como todo autovetor e um m ultiplo de
v = (1, 1, 1) temos que V
1
= [(1, 1, 1)], isto e, o subespaco associado ao autovalor
1
=0
e gerado pelo vetor v = (1, 1, 1). Note que geometricamente o subespaco V
0
= [(1, 1, 1)]
e formado pelos vetores que s ao m ultiplos do vetor normal ao plano, ou seja, por todos os
vetores ortogonais ao plano.
Para
2,3
= 1 vamos calular os autovalores associados resolvendo o sistema.
_
_
2
3
1
1
3
1
3
1
3
2
3
1
1
3
1
3
1
3
2
3
1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
_
1
3

1
3
1
3
1
3

1
3
1
3
1
3
1
3

1
3
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
_
1
3

1
3
1
3
1
3

1
3
1
3
1
3
1
3

1
3
_
_
_
1
3

1
3
1
3
1
3

1
3
1
3
1
3
1
3

1
3
_
_
escalonando
=
_
1
3

1
3
1
3
0 0 0
0 0 0
_
1
3
x
1
3
y +
1
3
z = 0 x =y +z
Portanto os autovalores associados aos autovalores
2
=
3
= 1 s ao da forma v = (y +
z, y, z) = y(1, 1, 0) +z(1, 0, 1). Logo V
2
= [(1, 1, 0)] e V
3
= [(1, 0, 1)].
Exemplo 136 Encontre todos os autovalores e autovetores do operador linear T : P
2
P
2
denido por T(a+bx +cx
2
) =2c +(a+2b+c)x +(a+3c)x
2
.
A matriz que representa o operador T e dada por:
[T] =
_
_
0 0 2
1 2 1
1 0 3
_
_
Para encontrar os autovetores resolver ([T] I)v = 0, isto e,
_
_
0 0 2
1 2 1
1 0 3
_
_
_
_
a
b
c
_
_
=
_
_
0
0
0
_
_
Para obtermos uma soluc ao n ao nula para este sistema devemos impor:
det([T] I) =(2)(3) +2(2) = 0
Obtemos ent ao 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:
_
_
1 0 2
1 1 1
1 0 2
_
_
_
_
a
b
c
_
_
=
_
_
0
0
0
_
_
Escalonando
_
1 0 2
0 1 1
0 0 0
_
_
_
_
a
b
c
_
_
=
_
_
0
0
0
_

p = (2c, c, c)
Portanto,
p =2c +cx +cx

2
e autovetor associado a
1
= 1
Para
2
=
3
= 2:
_
_
2 0 2
1 0 1
1 0 1
_
_
_
_
a
b
c
_
_
=
_
_
0
0
0
_
_
Escalonando
_
2 0 2
0 0 0
0 0 0
_
_
_
_
a
b
c
_
_
=
_
_
0
0
0
_
p = (c, b, c)
Portanto
p =c +bx +cx
2
e autovetor associado a
2
=
3
= 2.
142 5.2. Matrizes Semelhantes
5.2 Matrizes Semelhantes
Seja T : V V um operador linear. Sejam e bases de V e [T]
, [T]
matrizes de T em
relac ao as bases e respectivamente, ent ao:
[T]
= [I]
[T]
[I]
Lembrando que [I]
=
_
[I]
_
1
temos que
[T]
= [I]
[T]
_
[I]
_
1
Chamando [I]
= A :
[T]
= A[T]
A
1
Pelo conceito de matriz de uma transformac ao linear podemos escrever:
[T(v)]
= [T]
[v]
(I)
e
[T(v)]
= [T]
[v]
(II)
Sendo [I]
a matriz mudanca 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]
_
1
[T]
[I]
[v]
Comparando essa igualdade com (II) , tem-se

[T]
=
_
[I]
_
1
[T]
[I]
5.3. Diagonalizacao de Operadores 143

ou, como [I]
=
_
[I]
_
1
, podemos escvrever
[T]
= [I]
[T]
_
[I]
_
1
As matrizes [T]
e [T]
s ao chamadas semelhantes.
Denic ao 5.4 Dadas as matrizes A e B, se existe uma matriz P inversvel tal que
A = PBP
1
ent ao dizemos que as matrizes A e B s ao semelhantes.
Observac ao 20 Se A e B s ao semelhantes ent ao detA = detB, mas n ao vale a recproca.
5.3 Diagonalizac ao de Operadores
Nosso objetivo aqui ser a encontrar uma base do espaco vetorial V na qual a matriz de um
determinado operador linear T : V V seja a mais simples possvel. Veremos que a melhor
situac ao possvel e aquela em que conseguimos uma matriz diagonal associada a um operador.
Dado um operador linear T : V V, nosso objetivo e conseguir uma base , para V, na qual
a matriz do operador nesta base ([T]
) seja uma matriz diagonal. Esta e a forma mais simples

de se representar um operador e a base , nesse caso, e uma base cujos vetores s ao autovetores
de T. Observemos inicialmente o exemplo que segue.
2
R
2
o operador linear denido por T(x, y) = (3x +4y, x +2y),
cuja matriz, em relac ao ` a base can onica e [T] =
_
_
3 4
1 2
_
_
.
Seus autovalores s ao
1
= 1 e
2
= 2 com autovetores associados v
1
= (1, 1) e v
2
=
(4, 1), respectivamente. Notemos que os autovetores formam uma base de R
2
. Seja, ent ao,
={(1, 1), (4, 1)} a base de R
2
formada pelos autovetores de T e encontremos [T]
. Para tal,
aplicamos T em cada vetor da base e escrevemos a imagem obtida como combinac ao linear
dos vetores da base :
T(1, 1) = (1, 1) = a(1, 1) +b(4, 1) = 1(1, 1) +0(4, 1)
144 5.3. Diagonalizacao de Operadores
T(4, 1) = (8, 2) = c(1, 1) +d(4, 1) = 0(1, 1) 2(4, 1)
Assim, [T]
=
_
_
1 0
0 2
_
_
.
Notemos que [T]
e uma matriz diagonal e representa o operador T na base de autove-

tores.
Na verdade, quando a base de autovetores existe, a matriz que representa um operador linear
nesta base ser a sempre uma matriz diagonal que, como j a citado, e a forma mais simples de se
representar o operador. O problema, ent ao, e saber em que condic oes a base de autovetores
existe, pois veremos adiante que em muitos casos tal base n ao existe.
Consideremos, para elucidar o problema citado, as propriedades que seguem:
Propriedades 5.1
1. Autovetores associados a autovalores distintos s ao linearmente independentes. Proof.
Exerccio!
2. Se T : V V e um operador linear tal que dimV = n e T possui n autovalores distintos,
ent ao o conjunto ={v
1
, v
2
, . . . , v
n
}, formado pelos correspondentes autovetores, e uma
base de V.
Em outras palavras, se conseguirmos encontrar tantos autovalores distintos quanto for a
dimens ao do espaco, podemos garantir a exist encia de uma base de autovetores.
Denic ao 5.5 Seja T : V V um operador linear. Dizemos que T e um operador diago-
naliz avel se existe uma base de V cujos elementos s ao autovetores de T.
Neste caso, a matriz que representa T na base e uma matriz diagonal cujos elementos s ao
autovalores de T, ou seja,
[T]
=
_
1
0 . . . 0
0
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . .
n
_
_
Aqui supomos que dimV = n.
Exemplo 138 Observemos os autovalores e respectivos autovetores associados a um operador
linear T, representados pela matriz A =
_
_
1 1 4
3 2 1
2 1 1
_
_
.
Os Autovalores e autovetores de A s ao:
1
= 1 v
1
= (z, 4z, z) = z(1, 4, 1)
2
=2 v
2
= (y, y, y) = y(1, 1, 1)
3
= 3 v
3
= (x, 2x, x) = x(1, 2, 1)
Logo o conjunto ={(1, 4, 1), (1, 1, 1), (1, 2, 1)} e uma base do R
3
, pela propriedade 2
e, portanto o operador T representado pela matriz A, e diagonaliz avel. Ent ao, como a base e
formada pelos autovetores de A ou de T, o operador T e representado por uma matriz diagonal
D que e a matriz [T]
. A construc ao da matriz D pode ser acompanhada conforme segue:

T(v
1
) = Av
1
= (1, 4, 1)
T(v
2
) = Av
2
= (2, 2, 2)
T(v
3
) = Av
3
= (3, 6, 3)
Ent ao:
(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
D =
_
_
1 0 0
0 2 0
0 0 3
_
_
= [T]
Exemplo 139 Considere agora o operador T : R

3
R
3
, representado pela matriz A =
_
_
4 2 0
1 1 0
0 1 2
_
_
.
Autovalores e autovetores de A :
1
=
2
= 2 v
1
= (0, 0, z) = z(0, 0, 1)
3
= 3 v
3
= (2, 1, 1)
Observe que A n ao pode ser diagonalizada, pois n ao e possvel encontrar uma base de
autovetores para o R
3
; s o e possvel obter dois autovetores L.I.
5.3.1 Matriz Diagonalizadora
Seja T : V V um operador linear. Sejam A a matriz can onica do operador T, isto e, [T] = A e
D a matriz de T na base de autovetores. As matrizes A e D s ao semelhantes, pois representam
o mesmo operador T em bases diferentes. Logo, a relac ao de matrizes semelhantes 5.4 permite
escrever:
D = P
1
AP
onde P e a matriz mudanca da base para a base can onica , isto e, P = [I]
.
Note que, pela denic ao da matriz P, podemos concluir que ela e uma matriz cujas colunas
s ao os autovetores do operador T. Observamos que a matriz D e obtida pela atuac aoda matriz
P, quando ela existe, sobre a matriz A. Dizemos ent ao que a matriz P diagonaliza A ou que P e
a matriz diagonalizadora.
Exemplo 140 Sendo possvel, encontre a matriz que diagonaliza A =
_
_
1 3 3
3 5 3
3 3 1
_
_
.
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
det(AI) = 0 det
_
_
1 3 3
3 5 3
3 3 1
_
_
=
3
3
2
+4 = 0
Os autovalores s ao
1
=
2
=2 e
3
= 1
Passo 2 - Determinar os autovetores
Ser ao necess arios tr es autovetores porque a matriz e 3 3, caso contr ario a matriz n ao
poder a ser diagonalizada.
Calculando os autovetores por meio do sistema homog eneo:
_
_
1 3 3
3 5 3
3 3 1
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_
obteremos:
- Para =2 uma base para o subespaco associado e v
1
= (1, 1, 0) e v
2
= (1, 0, 1).
- Para = 1 uma base para o subespaco associado e v
3
= (1, 1, 1).
Note que {v
1
, v
2
, v
3
} e linearmente independente. (Verique)
Passo 3 - Monte P a partir dos vetores do passo 2
P =
_
v
1
v
2
v
3
_
=
_
_
1 1 1
1 0 1
0 1 1
_
_
Passo 4 - Monte D a partir dos autovalores associados
E essencial que a ordem dos autovalores seja igual ` a ordem escolhida para as colunas de
P.
D =
_
_
2 0 0
0 2 0
0 0 1
_
_
Passo 5 - Verique que D = P
1
AP ou que AP = PD
AP =
_
_
1 3 3
3 5 3
3 3 1
_
_
_
_
1 1 1
1 0 1
0 1 1
_
_
=
_
_
2 2 1
2 0 1
0 2 1
_
_
PD =
_
_
1 1 1
1 0 1
0 1 1
_
_
_
_
2 0 0
0 2 0
0 0 1
_
_
=
_
_
2 2 1
2 0 1
0 2 1
_
_
Teorema 5.3 Se A e uma matriz n n com n autovalores distintos entre si, ent ao A e diago-
naliz avel.
Proof. Exerccio.
Exemplo 141 A matriz A =
_
_
2 3 7
0 5 1
0 0 1
_
_
tem autovalores
1
= 2,
2
= 5 e
3
= 1. Como
esses s ao tr es autovalores distintos de uma matriz 33, A e diagonaliz avel.
Denic ao 5.6 i) Se e autovalor de uma matriz A de tamanho n n, ent ao a dimens ao do
subespaco associado a e chamada multiplicidade geom etrica de .
ii) O n umero de vezes que aparece como autovalor de A e chamado de multiplicidade
alg ebrica de .
Teorema 5.4 Se A e uma matriz quadrada, ent ao:
i) Para cada autovalor de A, a multiplicidade geom etrica e menor do que ou igual ` a multi-
plicidade alg ebrica.
ii) A e diagonaliz avel se, e somente se, para cada autovalor, a multiplicidade geom etrica e
igual a multiplicidade alg ebrica.
Exemplo 142 Diagonalize a seguinte matriz, se possvel.
A =
_
_
5 0 0 0
0 5 0 0
1 4 3 0
1 2 0 3
_
_
Vamos calcular det(AI) = 0 para encontrar os autovalores de A.
det
_
_
5 0 0 0
0 5 0 0
1 4 3 0
1 2 0 3
_
_
= 0
_
_
_
1
=
2
= 5
3
=
4
=3
= 5 e =3, ambos tem multiplicidade 2.
5.4. Sexta lista de exerccios 149
Calculando os autovetores por meio do sistema homog eneo:
_
_
5 0 0 0
0 5 0 0
1 4 3 0
1 2 0 3
_
_
_
_
x
y
z
t
_
_
=
_
_
0
0
0
0
_
_
obtemos:
1
= (8, 4, 1, 0) e v
2
= (16, 4, 0, 1).
3
= (0, 0, 1, 0) e v
4
= (0, 0, 0, 0, 1).
Note que para ambos os autovalores a multiplicidade alg ebrica e igual a multiplicidade
geom etrica, logo pelo teorema anterior, conclumos que A e diagonaliz avel.
Ent ao existe P tal que A = P
1
DP, onde P =
_
_
8 16 0 0
4 4 0 0
1 0 1 0
0 1 0 1
_
_
e D =
_
_
5 0 0 0
0 5 0 0
0 0 3 0
0 0 0 3
_
_
.
5.4 Sexta lista de exerccios
Exerccio 5.1 Construa uma matriz 2x2 n ao diagonal com autovalores 1 e 1.
Exerccio 5.2 Se k e um n umero inteiro, um autovalor da matriz A e v um autovetor de A
associado ao autovetor . Mostre que
k
e um autovalor da matriz A
k
associado ao autovetor
v.
Exerccio 5.3 Encontre os autovalores de A
9
se A =
_
_
1 3 7 11
0
1
2
3 8
0 0 0 4
0 0 0 2
_
_
Exerccio 5.4 Encontre os autovalores e autovetores das transformac oes lineares dadas:
a) T : R
2
R
2
tal que T(x, y) = (2y, x)
b) T : R
2
R
2
tal que T(x, y) = (x +y, 2x +y)
c) T : R
3
R
3
tal que T(x, y, z) = (x +y, x y +2z, 2x +y z)
d) T : P
2
P
2
tal que T(ax
2
+bx +c) = ax
2
+cx +b
e) T : M(2, 2) M(2, 2) tal que A A
T
150 5.4. Sexta lista de exerccios
2
R
2
, tal que T tenha autovalores 2
e 3 associados aos autovetores (3y, y) e (2y, y) respectivamente.
Exerccio 5.6 Encontre os autovalores e autovetores correspondentes das matrizes
a) A =
_
_
1 2 3
0 1 2
0 0 1
_
_
b) A =
_
_
1 0 2
1 0 1
1 1 2
_
_
c) A =
_
_
2 0 1 0
0 2 0 1
12 0 3 0
0 1 0 0
_
_
.
Exerccio 5.7 Que vetores n ao nulos do plano, quando cisalhados por C(x, y) = (y 3x, y) e
em seguida girados de 45
o
(no sentido anti-hor ario) cam ampliados / reduzidos (na mesma
direc ao)? Em quantas vezes?
Exerccio 5.8 Seja T : V V linear
a) Se = 0 e autovalor de T, mostre que T n ao e injetora.
b) A recproca e verdadeira? Ou seja, se T n ao e injetora, = 0 e autovalor de T?
c) Quais s ao os autovalores e autovetores do operador derivac ao D : P
2
P
2
, D(p) = p
.
Exerccio 5.9 Determine os autovalores e autovetores, se existirem, do operador linear T :
R
3
R
3
obtido quando se faz uma rotac ao de rad em torno do eixo x, seguida de uma
contrac ao de
1
2
.
Exerccio 5.10 Seja T : V V o operador linear que temautovalores
1
=1,
2
=2, ,
n
=
n associados aos autovetores v
1
, v
2
, , v
n
respectivamente. Sabendo que = {v
1
, v
2
, , v
n
}
e que [v]
=
_
_
1
2
.
.
.
n
_
_
, determinar [T(v)]
.
Exerccio 5.11 Seja A uma matriz quadrada e A
T
sua transposta. As matrizes A e A
T
possuem
os mesmos autovalores e autovetores? Justique sua resposta.
Exerccio 5.12 Encontre os autovalores e autovetores da transformac ao linear que a cada ve-
tor v R
3
associa a sua projec ao ortogonal no plano x +y = 0.
Exerccio 5.13 Sejam A e B matrizes nn. Se B e semelhante a A, ent ao as duas matrizes tem
o mesmo polin omio caracterstico e, portanto, os mesmos autovalores.
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 {(2, 1), (1, 2)}.
Exerccio 5.15 Seja T : M(2, 2) M(2, 2) com autovetores v
1
=
_
_
1 0
0 0
_
_
, v
2
=
_
_
0 1
0 0
_
_
,
v
3
=
_
_
1 0
1 0
_
_
e v
4
=
_
_
0 0
1 1
_
_
associados aos autovalores
1
= 1,
2
= 1,
3
= 2,
4
= 0,
respectivamente. Determine T
_
_
_
_
a b
c d
_
_
_
_
.
Exerccio 5.16 Dada a transformac ao linear T :
2
2
que e a projec ao sobre a reta y =
x
2
.
Encontre os autovalores e autovetores da transformac ao T.
Exerccio 5.17 Considere P
1
= conjunto dos polin omios de grau 1. Seja o operador linear
D : P
1
P
1
dado por D(p) = x.p
+ p
.Determine os autovalores e autovetores de D.

Exerccio 5.18 Sejam A, B M(n, n) matrizes triangulares com a mesma diagonal principal.
Existe alguma relac ao entre seus autovalores? Qual?
Exerccio 5.19 Mostre que o conjunto de todos os autovetores de umoperador linear T : V V
associados a um autovalor e um subespaco vetorial de V.
Exerccio 5.20 Discuta a veracidade da armac ao: Se n ao e um autovalor de A, ent ao o
sistema linear (AI)v = 0 s o tem a soluc ao trivial.
Exerccio 5.21 A matriz A =
_
_
1 2
3 2
_
_
e semelhante ` a matriz B =
_
_
4 0
0 1
_
_
. Determine
uma matriz P que realiza esta semelhanca.
Exerccio 5.22 Verique se as matrizes dadas s ao semelhantes
a)
_
_
1 1
1 4
_
_
e
_
_
2 1
1 3
_
_
b)
_
_
3 1
6 2
_
_
e
_
_
1 2
1 0
_
_
Exerccio 5.23 Se B =R
1
AR e
v e um autovetor de B associado a um autovalor ent ao R
v
e autovetor de A associado a .
Exerccio 5.24 Sejam A e B matrizes semelhantes. Prove que:
a) AI e BI s ao semelhantes.
b) A
k
e B
k
s ao semelhantes, para cada inteiro positivo k.
c) Se A e B s ao inversveis, ent ao A
1
e B
1
s ao semelhantes.
Exerccio 5.25 Seja T o operador linear em R
3
denido por T(x, y, z) = (2y +z, x 4y, 3x) e
considere a base usual do R
3
e a base ={(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
a) Mostre que as matrizes [T]
e [T]
s ao semelhantes.
b) T e inversvel? Se for determine a lei que dene T
1
.
Exerccio 5.26 Sejam T : V V e um operador linear e e bases distintas de V. Mostre
que se [T]
e [T]
s ao matrizes semelhantes ent ao det [T]
= det [T]
.
2
R
2
o operador linear denido por T(x, y) = (7x 4y, 4x +y)
a) Determinar uma base do R
2
em relac ao ` a qual a matriz do operador T e diagonal.
b) Dar a matriz de T nessa base.
Exerccio 5.28 Considere uma transformac ao linear T : V V abaixo. Se possvel, encontre
uma base para V tal que a matriz [T]
de T, em relac ao ` a base , seja diagonal.

a) T : P
2
P
2
denida por T(a+bx) = (4a+2b) +(a+3b)x.
b) T : P
2
P
2
denida por T(p(x)) = p(x +1).
Exerccio 5.29 Vericar se a matriz A e diagonaliz avel. Caso seja, determinar uma matriz P
que diagonaliza A e calcular P
1
AP.
a) A =
_
_
5 1
1 3
_
_
b) A =
_
_
1 2 1
1 3 1
0 2 2
_
_
c) A =
_
_
2 1 0 1
0 2 1 1
0 0 3 2
0 0 0 3
_
_
Exerccio 5.30 Determine o valor de k para que a matriz A=
_
_
_
_
_
2 k 0
0 2 1
0 0 3
_
_
_
_
_
seja diagona-liz avel.
Exerccio 5.31 Determine a de modo que a matriz A =
_
_
3 2 4 1
0 1 a 0
0 0 3 4
0 0 0 2
_
_
seja diagonaliz avel.
Para o valor de a encontrado, determine uma matriz inversvel P e uma matriz diagonal D tais
que P
1
AP = D.
Exerccio 5.32 Calcule A
10
para A =
_
_
0 1
2 1
_
_
.
Exerccio 5.33 Seja T um operador linear que preserva o comprimento do vetor v
1
= (1, 0, 0),
duplica o comprimento do vetor v
2
= (0, 2, 0) e inverte o sentido do vetor v
3
= (0, 2, 1). Deter-
mine o operador linear T
20
.
Exerccio 5.34 Seja A uma matriz inversvel. Prove que, se A e diagonaliz avel, A
1
tamb em e.
Exerccio 5.35 Seja A uma matriz 44 e seja um autovalor de multiplicidade 3. Se AI
tem posto 1, A e diagonaliz avel? Explique.
Exerccio 5.36 Classique cada armac ao como verdadeira ou falsa. Justique cada resposta.
a) Se A e diagonaliz avel, ent ao A tem n autovalores distintos.
b) Se A e inversvel ent ao A e diagonaliz avel.
c) Uma matriz quadrada com vetores-coluna linearmente independentes e diagonaliz avel.
d) Se A e diagonaliz avel, ent ao cada um de seus autovalores tem multiplicidade 1.
e) Se nenhum dos autovalores de A e nulo, ent ao det A = 0.
f) Se u e v s ao autovetores de A associados, respectivamente, aos autovaloes distintos
1
e
2
, ent ao u+v e um autovetor de A associado ao autovalor
1
+
2
.
g) Se v e autovetor dos operadores T : V V e S : V V ent ao v e autovetor do operador
T +S.
ALGUMAS RESPOSTAS
5.11. Para calcular os autovalores de A, basta determinar as razes do polin omio p() =
det(AI).Para calcular os autovalores de A
T
, basta determinar as razes do polin omio p() =
det(A
T
I). Portanto basta vericar que det(A
T
I) = det(AI).
Captulo 6
PRODUTO INTERNO
Estamos interessados nesta sec ao em formalizar os conceitos de comprimento de um vetor e
de angulo entre dois vetores. Esses conceitos permitir ao uma melhor compreens ao do que seja
uma base ortogonal e uma base ortonormal em um espaco vetorial e, principalmente, nos dar ao
a noc ao de medidaque nos leva a precisar conceitos como o de area, volume, dist ancia, etc...
Consideremos inicialmente o plano R
2
, munido de um referencial cartesiano ortogonal
(eixos perpendiculares) e um ponto P(x, y). Vamos calcular a dist ancia do ponto P ` a origem
O(0, 0).
Figura 6.1: Dist ancia do ponto P ` a origem - (6)
Observando a gura e utilizando o teorema de pit agoras, temos que d =
x
2
+y
2
. Podemos
tamb em, interpretar este resultado dizendo que o comprimento(que passaremos a chamar de
norma) do vetor (x, y) e
(x, y) =
x
2
+y
2
.
Por outro lado, se tivermos dois vetores u = (x
1
, y
1
) e v = (x
2
, y
2
), podemos denir um
produtode u por v assim:
u, v = x
1
x
2
+y
1
y
2
,
produto este chamado de produto escalar ou produto interno usual e que tem uma relac ao im-
portante com a norma de um vetor v = (x, y) :
v =
x
2
+y
2
=
x.x +y.y =
v, v.
Se, ao inv es de trabalharmos no R
2
, estiv essemos trabalhando no R
3
(munidos de um refer-
156 Captulo 6. PRODUTO INTERNO
encial cartesiano ortogonal), teramos encontrado uma express ao similar para o produto escalar:
(x
1
, y
1
, z
1
), (x
2
, y
2
, z
2
) = x
1
x
2
+y
1
y
2
+z
1
z
2
e a mesma relac ao com a norma de um vetor v = (x, y, z)
v =
x
2
+y
2
+z
2
=
v, v
Voltando ao caso do plano, se tiv essemos trabalhando com um referencial n ao ortogonal
(eixos n ao perpendiculares), e quis essemos calcular a dist ancia da origem at e um ponto P (cujas
coordenadas em relac ao ao referencial fossem (x, y) ), teramos, usando o teorema de Pit agoras,
d =(x, y) =
(x +ycos)
2
+(ysin)
2
=
x
2
+(2cos)xy +y
2
Figura 6.2: - (6)
Observe, que se us assemos o produto escalar (x
1
, y
1
), (x
2
, y
2
) = x
1
x
2
+y
1
y
2
, neste caso
n ao haveria a relac ao v =
v, v,mas ela passaria a valer se us assemos a seguinte regra para

o produto:
(x
1
, y
1
), (x
2
, y
2
) = x
1
x
2
+(cos)x
1
y
2
+(cos)x
2
y
1
+y
1
y
2
, pois
v, v = (x, y), (x, y) = x
2
+(cos)xy +(cos)yx +y
2
=v
2
Portanto, novamente a noc ao de dist ancia poderia ser dada a partir de um produto interno de
vetores.
Conclumos destes exemplos, que o processo usado para se determinar medidasnum
espaco pode variar e, em cada caso, precisamos ser bem claros sobre qual produto interno
estamos trabalhando.
Denic ao 6.1 Seja V um espaco vetorial real. Um produto interno sobre V e uma func ao
f : V V R que a cada par de vetores u e v, associa um n umero real, denotado por u, v, e
que satisfaz as seguintes propriedades:
a. v, v 0 e v, v = 0 v = 0
Captulo 6. PRODUTO INTERNO 157
b. u, v =v, u
c. u+v, w =u, w +v, w
d. ku, v = ku, v, k R
Exemplo 143 V =R
2
; f ((x
1
, y
1
), (x
2
, y
2
)) = 2x
1
x
2
+5y
1
y
2
e um produto interno sobre o R
2
.
Para mostrar a veracidade da armac ao devemos provar as propriedades da denic ao de
produto Interno. Sejam, ent ao, u = (x
1
, y
1
), v = (x
2
, y
2
) e w = (x
3
, y
3
) e k R:
a. u, u = (x
1
, y
1
), (x
1
, y
1
) = 2x
2
1
+5y
2
1
0 e u, u = 0 2x
2
1
+5y
2
1
= 0 x
1
= 0 ou y
1
=
0 u = (0, 0).
b. u, v =(x
1
, y
1
), (x
2
, y
2
) = 2x
1
x
2
+5y
1
y
2
= 2x
2
x
1
+5y
2
y
1
=v, u
c. u+v, w =(x
1
+x
2
, y
1
+y
2
), (x
3
, y
3
) = 2(x
1
+x
2
)x
3
+5(y
1
+y
2
)y
3
= (2x
1
x
3
+5y
1
y
3
) +(2x
2
x
3
+5y
2
y
3
)
=u, w +v, w
d. ku, v =(kx
1
, ky
1
), (x
2
, y
2
) = 2kx
1
x
2
+5ky
1
y
2
= k(2x
1
x
2
+5y
1
y
2
) = ku, v
Exemplo 144 Verique que u, v = 3x
1
y
1
x
1
y
2
x
2
y
1
+x
2
y
2
onde u = (x
1
, x
2
), v = (y
1
, y
2
) e
um produto interno em R
2
.
Para mostrar a veracidade da armac ao devemos provar as propriedades da denic ao de
produto Interno. Sejam, ent ao, u = (x
1
, x
2
), v = (y
1
, y
2
) e w = (z
1
, z
2
) e k R :
a. u, u = (x
1
, x
2
), (x
1
, x
2
) = 3x
2
1
2x
1
x
2
+ x
2
2
=
_
2x
2
1
_
+
_
x
2
1
2x
1
x
2
+x
2
2
_
=
_
2x
2
1
_
+
(x
1
x
2
)
2
0 . Ent ao u, u = 0 se e somente se x
1
= 0, x
2
= 0, isto e, u = (0, 0).
b. u, v =(x
1
, x
2
), (y
1
, y
2
) = 3x
1
y
1
x
1
y
2
x
2
y
1
+x
2
y
2
= 3y
1
x
1
y
2
x
1
y
1
x
2
+y
2
x
2
=v, u
c. u+v, w = (x
1
+y
1
, x
2
+y
2
), (z
1
, z
2
) = 3(x
1
+y
1
)z
1
(x
1
+y
1
)z
2
(x
2
+y
2
)z
1
+ (x
2
+
y
2
)z
2
= (3x
1
z
1
x
1
z
2
x
2
z
1
+x
2
z
2
) +(3y
1
z
1
y
1
z
2
y
2
z
1
+y
2
z
2
)
=u, w +v, w
d. ku, v =(kx
1
, kx
2
), (y
1
, y
2
) = 3kx
1
y
1
kx
1
y
2
kx
2
y
1
+kx
2
y
2
158 Captulo 6. PRODUTO INTERNO
= k(3x
1
y
1
x
1
y
2
x
2
y
1
+x
2
y
2
) = ku, v
Exemplo 145 Verique que u, v = x
1
x
2
+y
2
1
y
2
2
onde u = (x
1
, y
1
) e v = (x
2
, y
2
), n ao dene um
produto interno no R
2
.
Observe que a terceira propriedade da denic ao de Produto Interno falha, vejamos:
Sejam, ent ao, u = (x
1
, y
1
), v = (x
2
, y
2
) e w = (x
3
, y
3
).
u+v, w = (x
1
+x
2
)x
3
+(y
1
+y
2
)
2
y
2
3
=
_
x
1
x
3
+y
2
1
y
2
3
_
+
_
x
2
x
3
+y
2
2
y
2
3
_
+2y
1
y
2
y
2
3
=u, w+
v, w +2y
1
y
2
y
2
3
Portanto, u+v, w =u, w +v, w.
Denic ao 6.2 Em R
n
, o produto interno usual (ou escalar) e denido por:
(x
1
, x
2
, ..., x
n
), (y
1
, y
2
, ..., y
n
) = x
1
y
1
+x
2
y
2
+... +x
n
y
n
.
Observac ao 21 Quando n ao h a refer encia sobre o produto interno denido num espaco veto-
rial V, entendemos que sobre ele ca denido o produto interno usual.
Exemplo 146 Seja V = P
2
, p = a
0
+a
1
x +a
2
x
2
e q = b
0
+b
1
x +b
2
x
2
vetores quaisquer de P
2
.
A f ormula
p, q = a
0
b
0
+a
1
b
1
+a
2
b
2
dene um produto interno em P
2
.
Note que
p, q = a
1
b
1
+a
2
b
2
n ao dene, sobre V, um produto interno, pois falha a propriedade a) da denic ao de produto
intermo. Veja que existem polin omios p V tais que p, p = 0, sem que p = 0. Por exemplo,
p = 2+0x +0x
2
.
Denic ao 6.3 Seja V o espaco da func oes contnuas no intervalo [a, b]. Se f e g pertencem a
V, ent ao
f , g =
b
a
f (x)g(x)dx
dene sobre V um produto interno.
6.1. Normas, Distancias e

Angulos em Espacos com Produto Interno 159
Como exerccio, mostre que as quatro propriedades do produto interno s ao v alidas para este
caso.
Denic ao 6.4 Se A e B s ao duas matrizes quaisquer de V = M
2
ent ao, de-nimos
A, B =tr
_
A
T
B
_
(6.1)
onde tr e o traco de uma matriz quadrada denido por
tr(A) =
n
a
ii
i=1
Exemplo 147 Considere as matrizes A =
_
_
1 2
3 4
_
_
e B =
_
_
1 0
3 2
_
_
. Ent ao, A, B =tr
_
A
T
B
_
=
tr
_
_
_
_
1 2
3 4
_
_
_
_
1 0
3 2
_
_
_
_
=tr
_
_
_
_
8 6
10 8
_
_
_
_
= 16.
6.1 Normas, Dist ancias e

Angulos em Espacos com Produto
Interno
Denic ao 6.5 Se V e um espaco com produto interno, ent ao a norma (ou comprimento) de um
vetor v V e dada por
v =
v, v
A dist ancia entre dois pontos (vetores) u e v e dada por
d(u, v) =uv
Denic ao 6.6 Se v = 1, isto e, v, v = 1, dizemos que o vetor v est a normalizado, o que
signica que seu comprimento e igual a 1 unidade.
Denic ao 6.7 Todo vetor n ao-nulo v V pode ser normalizado, fazendo:
u =
v
v
.
160 6.1. Normas, Distancias e

Angulos em Espacos com Produto Interno
Exemplo 148 Considerando v = (1, 2, 3) e n ao havendo refer encia a algum produto interno
em R
3
, temos:
v =(1, 2, 3) =
(1, 2, 3), (1, 2, 3) =
1+4+9 =
14,
ou seja, o comprimento de v, em relac ao ao produto interno usual, e
14 unidades.
Exemplo 149 A norma do vetor v = (3, 1) em relac ao ao produto interno denido no exemplo
143, e:
(3, 1) =
(3, 1), (3, 1) =
2.3.3+5.(1).(1) =
23,
e, em relac ao ao produto interno usual e:
(3, 1) =
3
2
+(1)
2
=
10
Para normalizar o vetor (3, 1), em relac ao ao primeiro produto (exemplo 143), fazemos
u =
v
v
=
(3,1)
23
=
_
3
23
23
,
23
23
_
Verique que o comprimento de u e 1.
Observac ao 22 a) Se v R
2
, ent ao o conjunto dos pontos que satisfazem v = 1 pertencem a
um crculo de raio 1 centrado na origem.
b) Se v R
3
, ent ao o conjunto dos pontos que satisfazem v = 1 pertencem a uma esfera
de raio 1 centrada na origem.
Teorema 6.1 (Desigualdade de Cauchy-Schwarz) Se u e v s ao vetores de um espaco com pro-
duto interno real, ent ao
|u, v| uv
Denic ao 6.8 -

Angulo entre dois vetores: Da desigualdade de Cauchy-Schwarz, tem-se
|u, v| uv.
Elevando ao quadrado ambos os lados
|u, v|
2
u
2
v
2
Agora, dividindo ambos os lados por u
2
v
2
, obt em-se
_
u, v
uv
_
2
1
6.2. Ortogonalidade 161
ou, equivalentemente,
1
u, v
uv
1.
Como 0 , ent ao 1 cos 1, da,
cos =
u, v
uv
e 0
6.2 Ortogonalidade
Denic ao 6.9 SejaV umespaco comproduto interno. Os vetores u, v V dizem-se mutuamente
ortogonais, e u e ortogonal a v, se u, v = 0.
Note que u e v s ao ortogonais, se e somente se, cos = 0, onde e o angulo entre u e v, e
isto e verdade se e somente se u e v s ao perpendiculares, isto e, = 90
.
Observac ao 23 A ortogonalidade depende do produto interno, isto e, dois vetores podem ser
ortogonais em relac ao a um produto interno mas n ao em relac ao a outro.
Exemplo 150 As matrizes A =
_
_
0 1
1 1
_
_
e B =
_
_
3 0
0 0
_
_
s ao ortogonais, pois
A, B =tr(A
T
B) =tr
_
_
_
_
0 3
0 0
_
_
_
_
= 0
Exemplo 151 Seja p, q =
1
1
p(x)q(x)dx um produto interno em P
2
. Se p =x
2
e q =x
3
ent ao
x
2
, x
3
1
1
x
5
dx = 0. Portanto, os vetores p = x
2
e q = x
3
s ao ortogonais em P
2
.
6.2.1 Conjunto Ortogonal de Vetores
Seja V um espaco vetorial com produto interno denido.
Diz-se que umconjunto de vetores {v
1
, v
2
, . . . , v
n
} V e ortogonal se dois vetores quaisquer,
distintos, s ao ortogonais, isto e,
v
i
, v
j
= 0 para i = j.
Teorema 6.2 Se A = {v
1
, v
2
, . . . , v
n
} e um conjunto ortogonal de vetores n ao-nulos de um
espaco com produto interno, ent ao A e linearmente independente.
162 6.2. Ortogonalidade
Proof. Temos que mostrar que a equac ao
a
1
v
1
+a
2
v
2
+. . . +a
n
v
n
= 0
tem apenas a soluc ao nula.
Para isso, facamos o produto interno de ambos os membros da igualdade por v
i
:
a
1
v
1
+a
2
v
2
+. . . +a
n
v
n
, v
i
= 0, v
i
a
1
v
1
, v
i
+a
2
v
2
, v
i
+. . . +a
n
v
n
, v
i
= 0
Como A e ortogonal,
v
i
, v
j
= 0 para i = j e v
i
, v
i
= 0, pois v
i
= 0. Da, resulta a equac ao
a
i
v
i
, v
i
= 0 a
i
= 0 para i = 1, 2, . . . , n.
Logo, A ={v
1
, v
2
, . . . , v
n
} e LI.
6.2.2 Base ortogonal
Diz-se que uma base {v
1
, v
2
, . . . , v
n
} de V e ortogonal se os seus vetores s ao dois a dois ortogo-
nais.
Observac ao 24 Se dimV = n, qualquer conjunto de n vetores n ao-nulos e dois a dois ortogo-
nais, constitui uma base ortogonal para V.
Exerccio 6.1 Mostre que o conjunto {(2, 1, 3), (3, 0, 2), (2, 13, 3)} e uma base ortogonal
para o R
3
.
6.2.3 Base ortonormal
Uma base = {v
1
, v
2
, . . . , v
n
} de um espaco vetorial V e ortonormal se e ortogonal e todos
os seus vetores tem norma 1, isto e,
v
i
, v
j
=
_
_
_
0, i = j
1, i = j
Exerccio 6.2 A partir do conjunto {(1, 2, 3), (3, 0, 1), (1, 5, 3)} obtenha uma base
ortonormal para o R
3
.
6.2. Ortogonalidade 163
6.2.4 Coordenadas em relac ao a Bases Ortonormais
Teorema 6.3 Se ={v
1
, v
2
, . . . , v
n
} e uma base ortonormal de um espaco com produto interno
V e v V, ent ao
v =v, v
1
v
1
+v, v
2
v
2
+. . . +v, v
n
v
n
Proof. Como ={v
1
, v
2
, . . . , v
n
} e uma base, ent ao v V podemos escrever
v = a
1
v
1
+a
2
v
2
+. . . +a
n
v
n
Temos que mostrar que v, v
i
= a
i
para i = 1, 2, . . . , n.
Na equac ao acima , aplicando o produto interno em ambos os lados com v
i
:
v, v
i
= a
1
v
1
, v
i
+a
2
v
2
, v
i
+. . . +a
n
v
n
, v
i
Como {v
1
, v
2
, . . . , v
n
} e base ortonormal,
v
i
, v
j
=0 para i = j e v
i
, v
i
=1. Logo v, v
i
=a
i
e portanto, [v]
=
_
_
v
1
, v
v
2
, v
.
.
.
v
n
, v
_
_
e o vetor de coordenadas de v em relac ao a base .
Exemplo 152 Encontre as coordenadas do vetor v = (1, 1, 1) em relac ao ` a base =
_
(0, 1, 0),
_
4
5
, 0,
3
5
_
,
_
3
5
, 0,
4
5
__
.
Note que e uma base ortonormal (mostre!), portanto podemos usar o teorema 6.3 para
encontrar [v]
.
(1, 1, 1) = (1, 1, 1), (0, 1, 0)(0, 1, 0) +
(1, 1, 1),
_
4
5
, 0,
3
5
__
4
5
, 0,
3
5
_
+
+
(1, 1, 1),
_
3
5
, 0,
4
5
__
3
5
, 0,
4
5
_
(1, 1, 1) = (0, 1, 0)
1
5
_
4
5
, 0,
3
5
_
+
7
5
_
3
5
, 0,
4
5
_
[v]
=
_
_
1
1
5
7
5
_
_
164 6.3. Complementos Ortogonais
6.2.5 Coordenadas em relac ao a Bases Ortogonais
Se = {v
1
, v
2
, . . . , v
n
} e base ortogonal de um espaco com produto interno
V,ent ao a normalizac ao de cada um desses vetores produz a base ortonormal
=
_
v
1
v
1
,
v
2
v
2
, . . . ,
v
n
v
n
_
.
Assim, se v V, segue do teorema 6.3 que
v =
v,
v
1
v
1
v
1
v
1
v,
v
2
v
2
v
2
v
2
+. . . +
v,
v
n
v
n
v
n
v
n
ou,
u =
v, v
1
v
1
2
v
1
+
v, v
2
v
2
2
v
2
+. . . +
v, v
n
v
n
2
v
n
Exerccio 6.3 Expresse o vetor
_
13,
1
2
, 4,
3
2
_
como combinac ao linear dos vetores v
1
=
(1, 2, 3, 4), v
2
= (2, 1, 4, 3), v
3
= (3, 4, 1, 2) e v
4
= (4, 3, 2, 1).
6.3 Complementos Ortogonais
Seja W um subespaco de um espaco vetorial V com produto interno. Se um vetor v V e
ortogonal a todos os vetores de W ent ao dizemos que v e ortogonal a W.
O conjunto de todos os vetores de V que s ao ortogonais a W e chamado de complemento
ortogonal de W.
Notac ao: O complemento ortogonal de W e denotado por W
.
4
e W um subespaco do R
4
. Seja ={(1, 1, 0, 1), (0, 1, 1, 1)} uma
base para W. Encontre uma base para W
.
Seja v = (x, y, z, t) W
, ent ao
_
_
_
(x, y, z, t), (1, 1, 0, 1) = 0
(x, y, z, t), (0, 1, 1, 1) = 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).
6.4. Projecoes Ortogonais 165
Como v W
, segue que W
= [(1, 1, 1, 0), (2, 1, 0, 1)] e como este conjunto e LI (pois

os vetores n ao s ao m ultiplos), tem-se que ={(1, 1, 1, 0), (2, 1, 0, 1)} e uma base para W
.
Propriedades 6.1 Se W e um subespaco de um espaco com produto interno V, ent ao:
a. W
b. W W
=
_
0
_
.
c.
_
W
=W.
Exerccio 6.4 Faca como exerccio a demonstrac ao das tr es propriedades do complemento or-
togonal.
6.4 Projec oes Ortogonais
Vamos agora desenvolver alguns resultados que ser ao uteis para construir bases ortogonais e
ortonormais de espacos com produto interno.
E geometricamente evidente em R
2
e R
3
que se W e uma reta ou um plano pela origem,
ent ao cada vetor u do espaco pode ser escrito como uma soma
u = w
1
+w
2
onde w
1
est a em W e w
2
e perpendicular a W.
Figura 6.3: - (6.4)
Teorema 6.4 (Teorema da Decomposic ao Ortogonal) Se W e um subespaco de um espaco com
produto interno V, ent ao todo u V pode ser expresso por
u = w
1
+w
2
tal que w
1
W e w
2
W
.
O vetor w
1
do teorema precedente e chamado projec ao ortogonal de u em W e e denotado
por proj
u
W
. O vetor w
2
e chamado componente de u ortogonal a W e e denotada por proj
u
W
.
Da, podemos escrever
u = proj
u
W
+ proj
u
W
.
166 6.5. Encontrando Bases Ortogonais e Ortonormais
Teorema 6.5 Seja V um espaco vetorial com produto interno denido e seja W um subespaco
de V.
a. Se ={v
1
, v
2
, . . . , v
n
} e uma base ortonormal de W e u V, ent ao
proj
u
W
=u, v
1
v
1
+u, v
2
v
2
+. . . +u, v
n
v
n
b. Se ={v
1
, v
2
, . . . , v
n
} e uma base ortogonal de W e v V, ent ao
proj
u
W
=
u, v
1
v
1
2
v
1
+
u, v
2
v
2
2
v
2
+. . . +
u, v
n
v
n
2
v
n
3
e W =
_
(0, 1, 0),
_
4
5
, 0,
3
5
_
um subespaco de V. Obtenha proj
u
W
e
proj
u
W
para u = (1, 1, 1).

Note que =
_
(0, 1, 0),
_
4
5
, 0,
3
5
__
e base ortonormal para W.Ent ao:
proj
u
W
= u, v
1
v
1
+u, v
2
v
2
= 1(0, 1, 0)
1
5
_
4
5
, 0,
3
5
_
=
_
4
25
, 1,
3
25
_
O componente de u que e ortogonal a W e
proj
u
W
= uproj
u
W
= (1, 1, 1)
_
4
25
, 1,
3
25
_
=
_
21
25
, 0,
28
25
_
6.5 Encontrando Bases Ortogonais e Ortonormais
6.5.1 Processo de Ortogonalizac ao de Gram-Schmidt
Seja V um espaco vetorial com produto interno denido e = {u
1
, u
2
, . . . , u
n
} uma base
de V. Atrav es do processo que descreveremos abaixo, obteremos uma base ortogonal
={v
1
, v
2
, . . . , v
n
} para V.
Passo 1. Fixe v
1
= u
1
.
Passo 2. Obter v
2
de forma que v
2
seja ortogonal a v
1
tomando a componente de u
2
que e
6.5. Encontrando Bases Ortogonais e Ortonormais 167
ortogonal a W
1
= [v
1
]
v
2
= u
2
proj
u
2
W
1
= u
2
u
2
, v
1
v
1
2
v
1
Figura 6.4: - (6.5)
Passo 3. Obter v
3
de forma que seja ortogonal a ambos v
1
e v
2
, tomando a componente de u
3
que e ortogonal a W
2
= [v
1
, v
2
]
v
3
= u
3
proj
u
3
W
2
= u
3
u
3
, v
1
v
1
2
v
1
u
3
, v
2
v
2
2
v
2
Figura 6.5: - (6.5)
Procedendo desta forma, iremos obter, depois de n passos, a base ortogonal
=
{v
1
, v
2
, . . . , v
n
}. Feito isso, para obter uma base ortonormal de vetores para V, =
{q
1
, q
2
, . . . , q
n
}, basta normalizar os vetores v
1
, v
2
, . . . , v
n
.
Exemplo 155 Aplique o processo de Gram-Schmidt para transformar os vetores de base u
1
=
(1, 0, 1, 0), u
2
= (0, 1, 1, 0) e u
3
= (0, 0, 2, 1) em uma base ortonormal para um subespaco
W do R
4
.
Note que:
u
1
, u
2
= 1
u
1
, u
3
= 2
u
2
, u
3
= 2
Logo os vetores acima n ao 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 v
1
= u
1
= (1, 0, 1, 0)
Passo 2. v
2
= u
2
proj
u
2
W
1
= u
2
u
2
, v
1
v
1
2
v
1
= (0, 1, 1, 0)
1
2
(1, 0, 1, 0) =
_
1
2
, 1,
1
2
, 0
_
168 6.6. Fatora cao QR
Passo 3. v
3
= u
3
proj
u
3
W
2
= u
3
u
3
, v
1
v
1
2
v
1
u
3
, v
2
v
2
2
v
2
=
= (0, 0, 2, 1) +(1, 0, 1, 0) +
2
3
_
1
2
, 1,
1
2
, 0
_
=
_
2
3
,
2
3
,
2
3
, 1
_
Logo,
=
_
(1, 0, 1, 0),
_
1
2
, 1,
1
2
, 0
_
,
_
2
3
,
2
3
,
2
3
, 1
__
e base ortogonal para R
4
. Nor-
malizemos estes vetores para obter a base ortonormal ={q
1
, q
2
, q
3
} :
q
1
=
v
1
v
1
=
(1, 0, 1, 0)
2
=
_
1
2
, 0,
1
2
, 0
_
q
2
=
v
2
v
2
3
_
1
2
, 1,
1
2
, 0
_
=
_
6
6
,
6
3
,
6
6
, 0
_
q
3
=
v
3
v
3
=
3
21
_
2
3
,
2
3
,
2
3
, 1
_
=
_
2
21
,
2
21
,
2
21
,
3
21
_
6.6 Fatorac ao QR
Se A e uma matriz mn (m n) com colunas linearmente independentes, aplicar o Processo
de Gram-Schmidt a essas colunas implica uma fatorac ao muito util da matriz A em um produto
de uma matriz Q (com vetores coluna ortonormais) por uma matriz triangular superior R. Essa
e a fatorac ao QR.
Nos ultimos anos a fatorac ao QR tem assumido import ancia crescente como fundamento
matem atico de uma grande variedade de algoritmos num ericos pr aticos, incluindo algoritmos
largamente usados para computar autovalores de matrizes grandes.
Para ver como surge a fatorac ao QR, considere u
1
, u
2
, . . . , u
n
como os vetores-coluna de A e
q
1
, q
2
, . . . , q
n
como os vetores ortonormais obtidos pela aplicac ao do Processo de Gram-Schmidt
` a matriz A com normalizac oes; assim,
A = [u
1
| u
2
| . . . | u
n
] e Q = [q
1
| q
2
| . . . | q
n
]
Os vetores u
1
, u
2
, . . . , u
n
podem ser escitos em termos dos vetores q
1
, q
2
, . . . , q
n
como
u
1
= u
1
, q
1
q
1
+u
1
, q
2
q
2
+. . . +u
1
, q
n
q
n
u
2
= u
2
, q
1
q
1
+u
2
, q
2
q
2
+. . . +u
2
, q
n
q
n
.
.
.
u
n
= u
n
, q
1
q
1
+u
n
, q
2
q
2
+. . . +u
n
, q
n
q
n
6.6. Fatoracao QR 169
Na forma matricial, tem-se:
[u
1
| u
2
| . . . | u
n
] = [q
1
| q
2
| . . . | q
n
]
_
_
u
1
, q
1
u
2
, q
1
. . . u
n
, q
1
u
1
, q
2
u
2
, q
2
. . . u
n
, q
2
.
.
.
.
.
.
.
.
.
.
.
.
u
1
, q
n
u
2
, q
n
. . . u
n
, q
n
_
ou, mais concisamente, por
A = QR
No entanto, e uma propriedade de processo de Gram-Schmidt que, para j 2, o vetor q
j
e ortogonal a u
1
, u
2
, . . . , u
j1
; assim, todas as entradas abaixo da diagonal principal de R s ao
nulas,
R =
_
_
u
1
, q
1
u
2
, q
1
. . . u
n
, q
1
0 u
2
, q
2
. . . u
n
, q
2
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . u
n
, q
n
_
Resumindo, temos o seguinte teorema:
Teorema 6.6 Se A e uma matriz mn (m n) com colunas linearmente independentes, ent ao
A pode ser fatorada como
A = QR
onde Q e uma matriz mn com colunas ortonormais e R e uma matriz nn triangular superior
invertvel.
Exemplo 156 Encontre a decomposic ao QR de A =
_
_
1 2 2
1 1 2
1 0 1
1 1 2
_
_
.
Os vetores coluna de A s ao u
1
=
_
_
1
1
1
1
_
_
, u
2
=
_
_
2
1
0
1
_
_
e u
3
=
_
_
2
2
1
2
_
_
.
O processo de Gram-Schmidt com normalizac ao subsequente aplicado a estes vetores-
170 6.6. Fatora cao QR
coluna produz os vetores ortonormais q
1
=
_
_
1
2
1
2
1
2
1
2
_
_
, q
2
=
_
_
3
5
10
3
5
10
5
10
5
10
_
_
, q
3
=
_
6
6
0
6
6
6
3
_
_
de modo que
_
_
1 2 2
1 1 2
1 0 1
1 1 2
_
_
A
=
_
_
1
2
3
5
10

6
6
1
2
3
5
10
0
1
2
5
10
6
6
1
2
5
10
6
3
_
_
Q
_
_
2 1
1
2
0

5
3
5
2
0 0
6
2
_
_
R
.
6.6.1 Aplicac ao da fatorac ao QR
Se A e uma matriz mn de posto n, ent ao a soluc ao para o sistema linear AX = B e obtida da
seguinte forma:
A equac ao AX = B pode ser escrita na forma
QRX = B
Multiplicando ambos os lados (` a esquerda) da equac ao por Q
T
, obtemos
Q
T
QRX = Q
T
B
Como Q e ortogonal, Q
T
Q = I, ent ao
RX = Q
T
B
Como R e inversvel, tem-se
X = R
1
Q
T
B
Exemplo 157 Resolva o sistema
_
_
1 2 2
1 1 2
1 0 1
1 1 2
_
_
_
_
x
y
z
_
_
=
_
_
1
1
1
2
_
_
Como a matriz dos coecientes e a mesma do exemplo anterior, diretamente temos que:
6.7. Setima lista de exerccios: 171
X = R
1
Q
T
B =
_
_
1
2

1
10
5
1
6
6
0
1
5
5
1
2
6
0 0
1
3
6
_
_
_
_
1
2

1
2

1
2
1
2
3
5
10
3
5
10
5
10
5
10
6
6
0
6
6
6
3
_
_
_
_
1
1
1
2
_
_
=
_
23
15
9
10
2
3
_
_
6.7 S etima lista de exerccios:
Exerccio 6.5 Sejam
u = (x
1
, x
2
) e
v = (y
1
, y
2
). Verique se temos um produto interno em R
2
nos seguintes casos:
a)
u ,
v = 3x
1
y
1
+x
2
y
2
b)
u ,
v = 4x
1
y
1
+x
2
y
1
+x
1
y
2
+4x
2
y
2
c)
u ,
v = x
1
y
1
2x
2
y
1
2x
1
y
2
+5x
2
y
2
Exerccio 6.6 Sejam
u = (x
1
, y
1
, z
1
) e
v = (x
2
, y
2
, z
2
). Identique os casos em que temos um
produto interno no R
3
. Nos casos que falham, identique as propriedades que n ao vericam.
a)
u ,
v = x
1
x
2
+z
1
z
2
b)
u ,
v = x
1
x
2
y
1
y
2
+z
1
z
2
c)
u ,
v = x
1
y
2
z
1
+y
1
x
2
z
2
Exerccio 6.7 Sejam
u = (x
1
, x
2
) e
v = (y
1
, y
2
). A express ao
u ,
v = x
1
y
1
x
1
y
2
x
2
y
1
+
2x
2
y
2
dene um produto interno em R
2
?
Exerccio 6.8 No espaco de todos os polin omios de grau menor ou igual a 2, determine se
p, q = p(1)q(1) e um produto interno, e, em caso negativo, indique quais dos axiomas da
denic ao de produto interno s ao violados.
Exerccio 6.9 Utilize os produtos internos do exerccio 1 para calcular:
a) u com u = (1, 3)
b) d(u, v) com v = (3, 5)
Exerccio 6.10 Considere V = M(2, 2), com o produto interno usual. Determine a projec ao
ortogonal de
_
_
1 0
0 0
_
_
sobre
_
_
1 1
1 1
_
_
.
Exerccio 6.11 Considere V = P
2
, com o produto interno usual. Qual e o menor angulo entre
p(t) = 1t +
2t
2
e q(t) = 1+
2t
2
?
172 6.7. Setima lista de exerccios:
Exerccio 6.12 Seja V um espaco vetorial com produto interno denido, e sejam u, v vetores
ortogonais de V, tais que u = 1 e v = 2. Mostre que d(u, v) =
5. Interprete este resultado

geometricamente quando u, v R
2
.
Exerccio 6.13 Seja V o espaco das func oes contnuas no intervalo [0, 1]. Dena em V o
seguinte produto interno: f , g =
1
0
f (x)g(x)dx. Calcule a d( f , g) se f (x) = 1 e g(x) = x.
Exerccio 6.14 Seja V = R
3
. Seja W o subespaco do R
3
dado pela equac ao x 2y 3z = 0.
Determine W
e a dist ancia entre v = (1, 0, 1) aos subespacos W e W
.
4
R
3
tal que [T] =
_
_
1 2 1 2
3 5 0 4
1 1 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
e W =
_
(0, 1, 0),
_
4
5
, 0,
3
5
__
. Exprima w = (1, 2, 3) na forma
w = w
1
+w
2
, em que w
1
W e w
2
W
.
4
e W = [(1, 0, 1, 2), (0, 1, 0, 1)]. Expresse w = (1, 2, 6, 0) na
forma w = w
1
+w
2
, em que w
1
W ew
2
W
.
Exerccio 6.18 Seja V = M(2, 2). determine uma base para o complemento ortogonal do:
a) subespaco das matrizes diagonais
b) subespaco das matrizes sim etricas.
Exerccio 6.19 A transformac ao T : R
2
R denida por T(
v ) =
u ,
v e linear? Se for,
determine seu n u cleo e sua imagem.
Exerccio 6.20 Considere a base ortonormal =
__
1
5
, 0,
2
5
_
,
_
5
, 0,
1
5
_
, (0, 1, 0)
_
para R
3
. Encontre [
v ]
para
v = (2, 3, 1). (N ao resolva nenhum sistema linear.)

Exerccio 6.21 Suponha que S consiste dos seguintes vetores em R
4
: u
1
= (1, 1, 0, 1), u
2
=
(1, 2, 1, 3), u
3
= (1, 1, 9, 2) e u
4
= (16, 13, 1, 3).
a) Mostre que S e ortogonal e e uma base de R
4
.
b) Ache as coordenadas do vetor v = (1, 0, 2, 3) em relac ao ` a base S.(N ao resolva nenhum
sistema linear.)
Exerccio 6.22 Qual e a base ortonormal do R
3
obtida pelo processo de Gram-Schmidt a partir
da base {(2, 6, 3), (5, 6, 24), (9, 1, 4)}?
Exerccio 6.23 Use o processo de Gram-Schmidt para construir uma base ortonormal para um
subespaco W de um espaco vetorial V, para cada um dos seguintes casos:
a) V =R
4
tal que W = [(1, 1, 0, 0), (2, 1, 0, 1), (3, 3, 0, 2), (1, 2, 0, 3)];
b) V =R
3
tal que W ={(x, x +y, y); x, y R};
c) V = M(3, 1) tal que W e o conjunto soluc ao do sistema homog eneo
_
_
x +y z = 0
2x +y +3z = 0
x +2y 6z = 0
.
Exerccio 6.24 Seja V o espaco das func oes contnuas no intervalo [0, 1]. Dena em V o
seguinte produto interno: f , g =
1
0
f (x)g(x)dx. Aplique o algoritmo de Gram-Schmidt ao
conjunto {1, t, t
2
} para obter um conjunto ortonormal {f
0
, f
1
, f
2
}.
Exerccio 6.25 Seja V = P
3
, p = a
0
+ b
0
x + c
0
x
2
+ d
0
x
3
e q = a
1
+ b
1
x + c
1
x
2
+ d
1
x
3
e
p, q = a
0
a
1
+b
0
b
1
+c
0
c
1
+d
0
d
1
um produto interno em P
3
. Ache uma base ortonormal
para o subespaco W de P
3
gerado pelos vetores
v
1
= 1+x +x
2
+x
3
,
v
2
= 1+x +2x
2
+4x
3
e
v
3
= 1+2x 4x
2
3x
3
.
Exerccio 6.26 Seja u, v = x
1
y
1
+ 2x
2
y
2
+ 3x
3
y
3
um produto interno em R
3
. Encontre as
coordenadas do vetor v =
_
2
3
, 1,
2
3
_
em relac ao ` a base ortonormal obtida a partir da base
={(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
Exerccio 6.27 Seja U =
_
_
_
_
_
a a
a a
_
_
; a R
_
_
_
um subespaco vetorial de M
22
. Determine
uma base ortonormal de U
, usando o produto interno A, B =tr(A

T
B).
Exerccio 6.28 Seja V = P
2
, com produto interno usual.
a) Determine uma base ortonormal para o subespaco W de P
2
gerado por 4t +3t
2
e por
12+t +7t
2
.
b) Determine a projec ao ortogonal de p(t) =t
2
sobre W.
Exerccio 6.29 Encontre a projec ao ortogonal de v = (1, 2, 3) sobre o subespaco W gerados
pelos vetores u
1
= (2, 2, 1) e u
2
= (1, 1, 4).
Exerccio 6.30 Encontre a decomposic ao ortogonal de v = (4, 2, 3) em relac ao a W =
[(1, 2, 1), (1, 1, 1)].
Exerccio 6.31 Ache uma matriz ortogonal P cuja primeira linha e u
1
=
_
1
3
,
2
3
,
2
3
_
. Obs.: a
matriz P n ao e unica.
Exerccio 6.32 Encontre a fatorac ao QR da matriz A =
_
_
1 2 1
0 1 1
1 0 1
1 0 1
_
_
.
Exerccio 6.33 Utilize a fatorac ao QR para resolver o sistema AX = B onde A =
_
_
2 1
1 1
2 1
_
_
e
B =
_
_
12
6
18
_
_
.
Exerccio 6.34 Classique cada armac ao como verdadeira ou falsa:
a) Todo conjunto linearmente independente em R
n
e um conjunto ortogonal.
b) Se A e uma matriz quadrada, cujas colunas s ao ortonormais ent ao A e inversvel e A
1
=
A
T
.
c) Se W e um subespaco de um espaco com produto interno V ent ao o vetor nulo pertence a
W
.
d) Qualque matriz com determinante n ao- nulo tem uma decomposic ao QR.
e) Se
x e ortogonal a ambos
u e
v , ent ao x e ortogonal a
v .
f) Todo conjunto ortogonal e ortonormal.
g) Todo vetor pode ser normalizado.
Exerccio 6.35 No assunto Diagonalizac ao de Operadores, vimos que: Se A e a matriz
can onica de um operador linear T e D a matriz de T na base de autovetores, temos
D = P
1
AP
onde P e a matriz cujas colunas s ao os autovetores de T. Dizemos que a matriz P diagonaliza
A ou que P e a matriz diagonalizadora.
No caso de A ser uma matriz sim etrica, e portanto sempre diagonaliz avel, podemos obter
uma base ortogonal de autovetores que, ap os a normalizac ao, ser a uma base ortonormal. A
matriz, acima citada, por ter suas colunas formadas por vetores ortonormais, e uma matriz
ortogonal, ou seja, e tal que P
1
= P
T
. A matriz D, nesse caso, e obtida pela relac ao
D = P
T
AP
e, dizemos que P diagonaliza A ortogonalmente.
Seja T : R
3
R
3
a transformac ao linear denida por: T(x, y, z) = (2x+y+z, x+2yz, x
y +2z).Encontre uma matriz P que diagonalize ortogonalmente a matriz can onica de T.
Captulo 7
APLICAC

OES
7.1 Aplicac oes da

Algebra Linear na Engenharia Car-
togr aca
Esse trabalho tem como um de seus objetivos, dar uma noc ao da utilidade pr atica dos assuntos
vistos no ciclo b asico, al em de permiti-los conhecer um pouco o trabalho em uma das engen-
harias estudadas no Instituto, visando assim a multidisciplinalidade no curso de Engenharia.
Trata-se do estudo da aplicac ao de uma disciplina do curso b asico, a

Algebra Linear, no ciclo
prossional; no caso, na Engenharia Cartogr aca, onde ajustes e organizac ao de dados, obtidos
seha por sat elites (GPS), seja por fotograas ou por qualquer outro meio, se fazem constantes
no trabalho de um engenheiro cart ografo.
O engenheiro cart ografo disp oe de um m etodo, o m etodo dos mnimos quadrados, para
obter informac oes relativas a par ametros de correc ao e ajuste de dados obtidos em observac oes
e pesquisas. Para este m etodo os dados obtidos s ao organizados matricialmente, de forma que
possam ser relacionados com valores pr e-estabelecidos, tais como temperatura, latitude, longi-
tude, altitude, entre outros. Obtem-se, desta forma, umsistema de n equac oes lineares, onde esse
n pode assumir valores realmente grandes, resultando um sistema com milhares de equac oes.
Sendo a resoluc ao de sistemas de equac oes lineares um dos campos de estudo da

Algebra Li-
near.
Na Geod esia, por exemplo, as coordenadas de um ponto podem ser obtidas na resoluc ao
de um sistema obtido pela sujeic ao de dados obtidos de observac oes angulares ( tais como
azimutes, angulos e/ou direc oes ) a um determinado modelo geom etrico.
178 7.2. Aplicacoes de espacos vetoriais na computacao graca
As coordenadas tamb em podem ser obtidas a partir da observac ao da diferenca de fase da
portadora L1 e/ou L2, freq u encias de operac oes do sat elite de GPS.
A

Algebra Linear tamb em tem aplicac oes na Fotogrametria, para a transformac ao de co-
ordenadas ( espaco imagem para espaco objeto, que seriam as coordenadas de terreno, obti-
das atrav es de um sistema deduzido atrav es de observac oes nas fotograas e no terreno). Na
digitalizac ao de documentos, por exemplo, um mapa em papel, ap os ser processado, d a origem
a um mapa digital armazenado na forma vetorial ( lista de coordenadas ).
Tamb em na area de Sensoreamento Remoto, seja para o processamento digital de imagens,
ou na modicac ao ou no controle de imagens ( brilho constante e georeferenciamento ) ou ainda
no armazenamento da imagem na forma matricial; utilzam-se t opicos abordados pela

Algebra
Linear, como sistemas de equac oes lineares e operac oes com matrizes.
7.2 Aplicac oes de espacos vetoriais na computac ao gr aca
Autor: Luiz Ant onio Pereira
Trabalho publicado na revista MICRO SISTEMAS de Novembro de 1982
Introduc ao: Uma das aplicac oes interessantes em computadores e com vasta possibilidade
de emprego nas areas de engenharia civil, arquitetura, desenho industrial, mec anica, etc e a
representac ao gr aca, no plano, de elementos tridimensionais.
Dentre todos os tipos de perspectivas a que apresenta resultados gr aco mais interessantess
e a perspectiva c onica, posto que que e a que simula com maior perfeic ao a vis ao real do objeto.
apresentaremos, a seguir, o desenvolvimento da teoria matem atica e veremos que a ferramenta
pricipal e a teoria das tranformac oes lineares.
Caracterizando o Objeto: Inicialmente deve-se informar ao computador as caractersticas
geom etricas do objeto. isto e possvel referenciado-se o elemento a um sistema cartesiano de
coordenadas, determinando-se dai as coordenadas x, y e z dos pontos que o formam. Deve-
se estabelecer tamb em as ligac oes entre esses pontos com o uso de segmentos de retas. Com
isso, obt em-se um poliedro cujos v ertices s ao os pontos e cujas arestas s ao os segmentos de
retas. O efeito de curvatura pode ser obtido aumentando-se o n umero de v ertices e arestas
(renamento). Dessa forma todos os v ertices P
i
, ter ao coordenadas x
i
, y
i
e z
i
, e as arestas a
k j
ligar ao dois v ertices gen ericos P
k
e P
j
.
De um modo geral, desenhar uma perspectiva consiste em ligar, atrav es de segmentos de
7.2. Aplicacoes de espacos vetoriais na computacao graca 179
retas pontos do plano cujas coordenadas x e y s ao transformac oesdas coordenadas x, y e
z dos pontos do espaco. Mais explicitamente falando para cada ponto P
i
(x
i
, y
i
, z
i
) no espaco
determina-se um ponto P
i
(x
i
, y
i
) no plano tal que suas coordenadas x
i
e y
i
s ao func oes de x
i
, y
i
e z
i
e de um conjunto de par ametros, que chamaremos de de par ametros de localizac ao do
observador e do plano projetante e que indicaremos por U. Matematicamente
(x
i
, y
i
) = f (x
i
, y
i
, z
i
,U)
Como se sabe, a perspectiva c onica utiliza - al em das noc oes de objeto, plano projetante e
linha de visada - um ponto origem ou observador, de ondem partem as linhas de visada e que
se localiza ` a uma dist ancia nita do objeto e do plano projetante. A projec ao P do ponto P no
plano e a intersec ao da reta denida pelo observador V e pelo ponto P (visada) com o plano
projetante . A projec ao de uma reta e obtida unindo-se as projec oes de dois de seus pontos
(Fig 1) e, de uma maneira geral, a projec ao de um objeto e determinada pelas projec oes de todos
os seus pontos.
No noso caso, o plano projetante e a tela do computador. Para chegarmos ` as express oes que
fornecem x e y de cada ponto vamos estabelecer as seguintes convenc oes:
1. O observador V tem coordenadas (x
v
, y
v
, z
v
)
2. Os n v ertices do objeto e suas projec oes s ao representadas por P
1
a P
n
e P
1
a P
n
, respecti-
vamente.
3. A tela representa a area formada por um ret angulo de lados L
1
e L
2
unidades de compri-
mento. O plano desse ret angulo e perpendicular ` a linha que une o observador ` a origem
do sistema x, y, z de coordenadas.
4. A dist ancia R do plano projetante ` a origem do sistema de eixos ` e considerada positiva se
o plano se encontra do mesmo lado do observador em relac a ` a origem, e negativa se a
origem estiver entre o plano e o o observador.
5. O lado L
1
( maior lado) do ret angulo e paralelo ao plano z = 0.
6. O sistema xyz de coordenadas, bem comom os outros par ametros se apresentam como
mostra a Fig 2.
Fazendo A =
x
2
v
+y
2
v
+z
2
v
, e se A = 0 podemos obter a equac ao do plano projetante (se-
gundo as convenc oes adotadas) da seguinte forma: Da f ormula da dist ancia de ponto a plano
temos
d(, P
0
) =
|ax
0
+by
0
+cz
0
+d|
a
2
+b
2
c
2
onde P(x
0
, y
0
, z
0
) e o ponto e
n = (a, b, c) e o vetor normal ao plano.

No nosso caso temos que P
0
(0, 0, 0) e
n = (x
v
, y
v
, z
v
). Chamando R = d(P
0
, ) ( e o plano
projetante) temos que R pode ser positivo ou negativo e por isso dispensamos o m odulo na
f omula da dist ancia, logo, tomando R escrevemos,
R =
x
v
0+y
v
0+z
v
0+d
x
2
v
+y
2
v
+z
2
v
d =R
x
2
v
+y
2
v
+z
2
v
=RA
Portanto a equac ao do plano projetante e:
x
v
x +y
v
y +z
v
z RA = 0 (7.1)
Para cada ponto P
i
(x
i
, y
i
, z
i
) a equac ao param etrica da reta que o liga ao ponto V(x
v
, y
v
, z
v
) e
x = t(x
i
x
v
) +x
v
y = t(y
i
y
v
) +y
v
(7.2)
z = t(z
i
z
v
) +z
v
Para determinarmos a intersec ao entre a reta e o plano projetante colocamos os valores de (7.2)
na equac ao (7.1) do plano, ou seja:
x
v
[t(x
i
x
v
) +x
v
] +y
v
[t(y
i
y
v
) +y
v
] +z
v
[t(z
i
z
v
) +z
v
] RA = 0 (7.3)
tx
v
(x
i
x
v
) +x
v
x
v
+ty
v
(y
i
y
v
) +y
v
y
v
+tz
v
(z
i
z
v
) +z
v
z
v
RA = 0
t [x
v
(x
i
x
v
) +y
v
(y
i
y
v
) +z
v
(z
i
z
v
)] +A
2
RA = 0
t [x
v
(x
i
x
v
) +y
v
(y
i
y
v
) +z
v
(z
i
z
v
)] = RAA
2
7.2. Aplicacoes de espacos vetoriais na computacao graca 181
e dai tiramos o valor do par ametro t :
t =
RAA
2
x
v
(x
i
x
v
) +y
v
(y
i
y
v
) +z
v
(z
i
z
v
)
(7.4)
Com t, x
i
, y
i
, z
i
, x
v
, y
v
e z
v
conhecidos, e usando novamente as equac oes (7.2) determinamos
as coordenadas x, y e z da projec ao do ponto P no plano projetante. Nessa fase estamos exata-
mente como a Fig 3.
De (7.4) e (7.2) com x
i
= y
i
= z
i
= 0, vem
x
0
=
x
v
R
A
y
0
=
y
v
R
A
(7.5)
z
0
=
z
v
R
A
que s ao as coordenadas da origem do sistema xyz (g 7.2). Esse sistema nos e particularmente
interessante pois o plano xy e o pr oprio plano projetante.
O que nos resta a fazer e, portanto, uma transformac ao de coordenandas, ou seja, determinar
as coordenandas dos pontos projec oes em relac ao ao novo sistema xyz. Para isso, devemos
determinar as componentes dos vetores unit arios
i ,
j e
k no sistema xyz.
A intersec ao do plano projetante com o plano xy e uma reta cuja equac ao e encontrada
fazendo-se z = 0 em (7.1). Isso nos leva a:
y =
RAx
v
x
y
v
(7.6)
cujo gr aco est a na Fig 4. O vetor diretor dessa reta tem componentes dadas por:
w = (0,
RA
y
v
,
, 0) (
RA
x
v
, 0, 0) = (
RA
x
v
,
RA
y
v
,
, 0) (7.7)
o vetor
i e um vetor unit ario e portanto
i =
1
|
w|
w
i =
1
_
RA
x
v
_
2
+
_
RA
y
v
,
_
2
(
RA
x
v
,
RA
y
v
,
, 0)
i =
1
1
x
2
v
+
1
y
2
v
(
1
x
v
,
1
y
v
,
, 0)
i =
1
x
2
v
+y
2
v
(y
v
, x
v
, 0) (7.8)
O vetor unit ario

k tem sua determinac ao imediata pois e o versor do vetor

00 (ver Fig 2 e
equac ao 7.5)
k =
00
00
=
1
_
x
v
R
A
,
y
v
R
A
,
z
v
R
A
_
_
x
v
R
A
,
y
v
R
A
,
z
v
R
A
_
k =
1
x
2
v
+y
2
v
+z
2
v
(x
v
, y
v
, z
v
)
k =
1
A
(x
v
, y
v
, z
v
) (7.9)
Observe que o vetor
k e exatamente o versor do vetor
V = (x
v
, y
v
, z
v
).
Como nosso sistema e ortogonal, o vetor unit ario
j e dado por
j =
i , ou seja
j = det
_
_
x
v
A
y
v
A
z
v
A
y
v
x
2
v
+y
2
v
x
v
x
2
v
+y
2
v
0
i

j

k
_
_
(7.10)
j =
1
A
x
2
v
+y
2
v
_
z
v
x
v
, z
v
y
v
, x
2
v
+y
2
v
_
(7.11)
O sistema denido por es vetores unit arios n ao e propriamente o nosso sitema xyz e sim ele
a menos de uma translac ao (Fig 5). Essa translac ao dever a apenas anular o vlaor da componente
em o que n ao importa para n os j a que estamos interessados nas componentes x e y apenas.
O que temos que fazer agora e determinar a matriz mudanca de base da base =
_
i ,

j ,
k
_
para a base =
_
i ,
j ,
k
_
, ou seja, [I]
Esta matriz nos permitira

=
_
i ,
j ,
k
_
={(1, 0, 0), (0, 1, 0), (0, 0, 1)}
7.3. Aplicacoes de autovalores e autovetores na engenharia civil 183
=
_
i ,
j ,

k
_
=
_
1
x
2
v
+y
2
v
(y
v
, x
v
, 0),
1
A
x
2
v
+y
2
v
_
z
v
x
v
, z
v
y
v
, x
2
v
+y
2
v
_
,
1
A
(x
v
, y
v
, z
v
)
_
Portanto
[I]
=
_
_
y
v
x
2
v
+y
2
v
x
v
x
2
v
+y
2
v
0
z
v
x
v
x
2
v
+y
2
v
z
v
y
v
x
2
v
+y
2
v
x
2
v
+y
2
v
x
2
v
+y
2
v
x
v
A
x
v
A
z
v
A
_
_
e as coordenadas do novo sistema s ao
[v]
= [I]
[v]
_
x
y
z
_
_
=
_
_
y
v
x
2
v
+y
2
v
x
v
x
2
v
+y
2
v
0
z
v
x
v
x
2
v
+y
2
v
z
v
y
v
x
2
v
+y
2
v
x
2
v
+y
2
v
x
2
v
+y
2
v
x
v
A
x
v
A
z
v
A
_
_
_
_
x
y
z
_
_
Observac ao 25 Algumas mudancas de notac oes foram efetuadas em relac ao ao trabalho orig-
inal. Tamb em foram inseridos alguns conceitos matem aticos que o artigo original n ao fornece
mas que para nossa disciplina mostra bem a utilizac ao dos conceitos vistos e sua aplicac ao
pr atica. No trabalho original tamb em e fornecido um programa para a HP-45 onde e aplicada
toda a teoria vista acima, mas n ao e dicil fazer um c odigo de modo a gerar guras em 3d
utilizando a teoria vista acima
7.3 Aplicac oes de autovalores e autovetores na engenharia
civil
7.3.1 O Problema de autovalor na avaliac ao de modelos estruturais de
edicac oes
Trabalho apresenta no COBENGE 2003 por
Jos e Guilherme Santos da Silva - jgss@uerj.br
184 7.3. Aplicacoes de autovalores e autovetores na engenharia civil
Pedro Colmar G. da S. Vellasco - vellasco@uerj.br
Rita de Kassia D. Lopes - rita.lopes021@ig.com.br
Universidade do Estado do Rio de Janeiro, UERJ, Faculdade de Engenharia, FEN
Rua S ao Francisco Xavier, N0 524, Maracan a
CEP: 20550-900, Rio de Janeiro, RJ
Resumo: O presente trabalho apresenta uma contribuic ao inicial acerca de dois aspectos:
o primeiro diz respeito ao ensino de engenharia, com a aplicac ao de conceitos referentes ao
problema cl assico de autovalores e autovetores na avaliac ao de sistemas estruturais. O se-
gundo ponto relevante a ser discutido, diz respeito ao estudo da inu encia das ligac oes entre
as vigas e colunas, referentes a estruturas de aco. Na pr atica corrente de projeto, grande parte
dessas ligac oes e representada por modelos exveis ou rgidos. Todavia, na maioria dos casos
reais, essas ligac oes assumem um comportamento intermedi ario, ou seja: semi-rgido. Assim
sendo, este trabalho tem por objetivo empregar conceitos b asicos de algebra linear, a partir do
problema cl assico de autovalores e autovetores, de forma a se analisar modelos estruturais de
p orticos de aco correspondentes a uma edicac ao residencial existente. S ao investigadas as
diferencas, qualitativas e quantitativas, existentes entre as freq u encias naturais e os modos de
vibrac ao dentre os diversos modelos estruturais (exvel, semi-rgido e rgido). Resultados j a
obtidos indicam que a variac ao na rigidez inicial das ligac oes provoca mudancas sensveis no
comportamento din amico da estrutura.
Palavras-chave: Ensino de engenharia, Estruturas de aco, M etodo dos Elementos Finitos,
Autovalores, Autovetores.
1. INTRODUC

AO
Sabe-se que o d ecit habitacional brasileiro cresce a cada ano, concentrando-se o problema,
principalmente, nas famlias de baixo poder aquisitivo, de forma que existe uma demanda cres-
cente por estudos sobre as habitac oes populares. Neste sentido, o aco, como material estrutural e
adequado para a construc ao industrializada e pode proporcionar ` a construc ao civil, perspectivas
mais otimistas para a habitac ao popular no pas.
Uma das etapas relevantes no projeto de estruturas de aco est a relacionada a uma avaliac ao
coerente acerca dos modelos estruturais que representam o comportamento real das ligac oes
existentes entre as vigas e as colunas de aco. Na pr atica corrente de projeto, a grande maioria
dessas ligac oes e representada por modelos exveis ou rgidos. Todavia, na maior parte dos
casos, essas ligac oes assumem um comportamento intermedi ario, ou semi-rgido, o qual pode
ser perfeitamente caracterizado com base em determinadas grandezas associadas ao projeto de
uma ligac ao, tais como: resist encia ` a ex ao e capacidade de rotac ao. No que tange ao estudo
do comportamento din amico de estruturas, assunto que ser a abordado com mais detalhe no
presente trabalho, mais especicamente no que diz respeito ` a aplicac ao do problema cl assico
de autovalores para determinac ao e avaliac ao das freq u encias naturais (autovalores) e modos de
vibrac ao (autovetores) de edicac oes residenciais, observase, comclareza, uma absoluta falta de
conhecimento por parte dos alunos de graduac ao acerca da import ancia do tema e, infelizmente,
uma completa indiferenca em relac ao ao assunto.
Assim sendo, de forma a contribuir no que tange ao ensino de engenharia, como tamb em
desmisticar o emprego corrente dos conceitos te oricos, principalmente aqueles relacionados ao
problema de autovalores, faz-se uma exposic ao resumida do referido problema, como tratado
no ciclo b asico da engenharia, e de como o mesmo poderia ser mencionado, de forma a que os
alunos de graduac ao pudessem ter uma id eia b asica da aplicac ao pr atica desses conceitos.
Em seguida, e selecionado o projeto de uma edicac ao residencial de quatro pavimentos,
composto por vigas e colunas de aco e lajes lisas de concreto armado, em todos os nveis da
edicac ao. Tem-se como objetivo proceder a uma an alise extensa das freq u encias naturais (au-
tovalores) e modos de vibrac ao (autovetores) dos modelos referentes aos p orticos de aco da
referida edicac ao. Um outro ponto relevante do trabalho diz respeito ao estudo da inu encia
das ligac oes entre as vigas e colunas dos p orticos de aco.
Neste sentido, o presente trabalho tem por objetivo apresentar uma aplicac ao pr atica do
problema cl assico de autovalores e autovetores, no caso em quest ao com respeito ao projeto de
edicac oes residenciais, al em de reforcar a import ancia dos conceitos b asicos da disciplina de
Algebra Linear para a soluc ao deste tipo de problema.

2. O CICLO B
ASICO NA ENGENHARIA E O PROBLEMA DE AUTOVALOR

O problema cl assico de autovalores e autovetores, principalmente no que tange a utilizac ao
de operac oes matriciais, est a diretamente relacionado com o ensino da disciplina

Algebra Li-
near, oferecida correntemente aos alunos de graduac ao no ciclo b asico da Faculdade de Engen-
haria da UERJ, FEN/UERJ.
O ensino da disciplina

Algebra Linear n ao oferece nenhuma interac ao com o ciclo pros-
sional da engenharia e nenhum tipo de recomendac ao no que diz respeito a sua extrema
relev ancia na aplicac ao pr atica desses conceitos sobre os problemas reais de engenharia. Tal
fato n ao s o desestimula o aluno de graduac ao em engenharia, como tamb em ocasiona um apren-
dizado de baixa qualidade, propagando deci encias t ecnicas que ser ao sentidas, sem sombra de
d uvida, no decorrer do curso.
Ainda hoje, a did atica de ensino adotada nas disciplinas do ciclo b asico sobre o pro-
blema cl assico de autovalores e autovetores e baseada em m etodos estritamente conceituais
e matem aticos. Tal metodologia e apresentada a seguir, respaldada por uma breve revis ao sobre
as denic oes de autovalor e autovetor, como visto tradicionalmente na disciplina de

Algebra
Linear, LIPSCHUTZ (1977), NETTO e AD
AO (1995).
Sen ao vejamos: Seja T uma transformac ao linear em um espaco vetorial real V aplicada
a um corpo k. Denomina-se autovalor o escalar real pertencente a k ( k) se, para esta
transformac ao linear T, existe um vetor n ao-nulo pertencente a V ( V) para o qual:
T(v) = (7.12)
Todo vetor n ao-nulo que satisfaca a equac ao 7.12 e chamado autovetor de T correspon-
dente ao autovalor . Portanto, sendo A uma matriz quadrada de ordem nxnsobre um corpo
k, existe um autovalor se, para uma matriz coluna v
n1
, denominada autovetor, A = e
verdadeiro.
Observac ao 26 Nos cursos de engenharia geralmente utilizamos como corpo k o corpo dos
n umeros reais, ou seja, no nosso caso k =R. Para a obtenc ao dos autovalores, reescreve-se a
equac ao 7.12 de modo que (I A) = 0, que admitir a v = 0 como soluc ao se, e somente
se, det(AI) = 0. A express ao det(AI) = 0 e denominada equac ao caracterstica, onde
I e a matriz identidade.
A contribuic ao mais relevante deste trabalho de pesquisa e caracterizar que o ensino do
problema de autovalor como feito no ciclo b asico da engenharia, de acordo com o exposto
acima, e absolutamente contr ario ao que se deveria informar a um futuro engenheiro. N ao h a
relac ao alguma entre os termos especcos (tais como, espaco vetorial, corpo, etc.), utilizados no
ensino da disciplina de

Algebra Linear e as grandezas empregadas correntemente na engenharia.
Ressalta-se que esses elementos t em o mesmo signicado das grandezas conhecidas usualmente
pelo engenheiro. Al emdisso, emnenhummomento existe umindicativo de onde e como o aluno
de graduac ao, deve utilizar esses conceitos, extremamente relevantes para a vida pr atica de um
prossional da area, SILVA (2001).
Uma sugest ao para uma abordagem mais apropriada ao ensino do problema de autovalor
para os alunos de graduac ao em engenharia seria, inicialmente, associar o termo autovalor ` as
freq u encias naturais e o termo autovetor aos modos de vibrac ao de um elemento ou sistema
estrutural qualquer, dando enfase ao signicado fsico dessas grandezas, ROEHL (1981).
Sen ao vejamos: para um sistema estrutural qualquer sob vibrac ao livre n ao amortecida, com
v arios graus de liberdade, pode ser escrita uma equac ao matricial de movimento tal que,
M
V +KV = 0 (7.13)
onde, M e a matriz de massa, K e a matriz de rigidez,

V e o vetor das acelerac oes e V e o vetor
dos deslocamentos.
As equac oes que tornam possvel a resoluc ao do problema de autovalor, cujo sistema vibra
livremente e sem amortecimento, s ao as seguintes:
_
M
1
K
2
0i
I
_
i
= 0 (7.14)
onde
i
e o i- esimo modo de vibrac ao, com i variando de 1 a n. A equac ao 7.14 e verdadeira,
para qualquer
i
, se
det
_
M
1
K
2
0i
I
_
= 0 (7.15)
onde I representa a matriz identidade.
A equac ao 7.15 e comumente designada como equac ao caracterstica e suas razes s ao os
valores caractersticos, ou autovalores, e correspondem ao quadrado das freq u encias naturais de
um sistema estrutural,
2
0i
. A cada uma dessas razes corresponde um vetor caracterstico,
i
,
ou autovetor, que representa o modo de vibrac ao do referido sistema.
Deve-se ressaltar, novamente, que o problema cl assico de autovalores e absolutamente
essencial para a compreens ao e an alise de estruturas simples, tais como trelicas, vigas, p orticos,
placas, etc, como tamb em de sistemas estruturais mais complexos, dentre os quais podem ser
citados os seguintes: edicac oes residenciais, pontes rodovi arias e ferrovi arias, torres de aco
de telecomunicac oes e de transmiss ao de energia, est adios de futebol, passarelas de pedestres,
edifcios altos, plataformas off-shore, etc.
Observac ao 27 Algumas correc oes e adaptac oes a nossa apostila foram necess arias por em
n ao foi alterado o conte udo. Transcrevemos aqui apenas parte do trabalho para ressaltar a
aplicac ao de autovalore e autovetores. Cr editos s ao dados ao autor e o trabalho original pode
ser obtido atrav es dos anais do COBENGE 2003 ou me enviando um email solicitando o artigo
original que terei a maior satisfac ao de envi a-lo.

Algebra Linar

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Algebra Linar

Încărcat de

Drepturi de autor:

Formate disponibile

UDESC - UNIVERSIDADE ESTADUAL

E a matriz de ordem m1.

E a matriz de ordem 1n.

E a matriz de ordem nn.

E a matriz diagonal I onde diag(I) ={1, , 1}.

que tem os elementos a

que temos elementos a

, se existir uma matriz B que satisfaca AB = BA = I diz-se

(O determinante de uma matriz triangular superior e o produto dos

16 1.7. Primeira lista de exerccios

Algebra linear e uma parte da

(1) = 0 2c +6d = 0. Para que p pertenca a W

(1) = 0.Ent ao como

(1) = 0 que c =15a4b.

. Como esse conjunto e LI (f acil de vericar), temos que

e chamada matriz mudanca de base

com (2.2) e observe que esta matriz e obtida, colocando as coordenadas em

= {(1, 0), (0, 1)} bases de R

={(1, 0, 0), (0, 1, 0), (0, 0, 1)}.

Um fato importante e que as matrizes [I]

Exemplo 93 No exemplo (91 ) anterior podemos obter [I]

Note que [I]

e f acil de ser calculada , pois

e a base can onica

sabendo que [p]

(1) = 0} e gerado pelos polin omios p

0 e chamado n ucleo de T, sendo denotado por Ker(T). Isto e,

0 . Neste caso todo vetor de V e levado no

={(1, 3), (1, 4)}.

T(x, y, z) = (2x +y z, 3x 2y +4z)

apenas por [T]

e ela ser a chamada de matriz de T em relac ao a base .

, ser a denotada simplesmente por [T] .

. Que conclus ao voc e pode tirar em

T(x, y, z) = (2x 3y 2z, x y z, 2x y +z)

. Faca esse c alculo como exerccio

dimKer(T) = nulidade de [T]

= n umero de colunas de [T]

Exemplo 119 Seja T : P

Proposic ao 3.1 Seja T : V W uma transformac ao linear . Sejam e

bases de W. Ent ao vale a relac ao:

em relac ao ` as bases ={1, x, x

. Determine a matriz T em relac ao ` as

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

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

= ycos +xsin = xsin +ycos

(x, y) = (xcos ysin, xsin +ycos)

(v)| = |v| e o angulo entre a projec ao de v no plano

(v) no plano ortogonal a c e o angulo medido no sentido

(p). Como j a visto em rotac ao no plano ( item g)

(x, y, z) = (xcos ysin, xsin +ycos, z)

= y. No plano xz vemos que o vetor q e obtido

(x, y, z) = (xcos +zsin, y, xsin +zcos)

= [I] . Com isso vemos que T e inversvel se e somente se det [T] = 0.

(x, y) = (xcos ysin, xsin +ycos)

] e uma matriz ortogonal, logo R

(x, y) = (xcos +ysin, ycos xsin)

e uma matriz sim etrica.

e uma matriz ortogonal.

0 satisfaz a equac ao para

0 satisfazendo a condic ao acima.

= {v VT(v) = v} e chamado o subespaco associado ao

cont em todos os autovetores de T associados ao