Professional Documents
Culture Documents
DE SANTA CATARINA
CENTRO DE CIENCIAS TECNOLOGICAS - CCT
DEPARTAMENTO DE MATEMATICA - DMAT
JONES CORSO
Joinville - SC - 2014
ii
Sumario
1 MATRIZES 1
1.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Operacoes com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Adicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Multiplicacao por escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Multiplicacao de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.4 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.5 Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.6 Potencia de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.7 Traco de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.8 Expressoes polinomiais envolvendo matrizes . . . . . . . . . . . . . . . . . 9
1.4 Matriz na forma escada reduzida por linhas . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Operacoes elementares linha . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Posto de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Calculo da inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.1 Calculo da inversa por escalonamento . . . . . . . . . . . . . . . . . . . . . 13
1.7 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.1 Calculo do determinante por triangulacao . . . . . . . . . . . . . . . . . . . 15
1.7.2 Calculo do determinante por difrentes metodos . . . . . . . . . . . . . . . . 16
1.8 Primeira lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8.1 Algumas respostas e sugestoes . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.9 Apendice - Calculo da inversa por adjunta . . . . . . . . . . . . . . . . . . . . . . . 22
3 ESPACOS VETORIAIS 41
3.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Interseccao de dois Subespacos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4 Combinacao Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Dependencia e Independencia Linear . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.6 Subespacos Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.7 Soma de Subespacos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.8 Base e Dimensao de um Espaco Vetorial . . . . . . . . . . . . . . . . . . . . . . . 61
3.8.1 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.8.2 Dimensao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.8.3 Dimensao da Soma de Subespacos Vetoriais . . . . . . . . . . . . . . . . . . 67
3.8.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.9 Mudanca de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.10 A Inversa da Matriz de Mudanca de Base . . . . . . . . . . . . . . . . . . . . . . . 72
3.11 Terceira lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.11.1 Algumas respostas e sugestoes . . . . . . . . . . . . . . . . . . . . . . . . . 79
4 TRANSFORMACOES LINEARES 83
4.1 Propriedades das Transformacoes Lineares . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Transformacoes Lineares e Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.1 Transformacao linear associada a uma matriz . . . . . . . . . . . . . . . . . 94
4.2.2 Matriz de uma transformacao linear . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Composicao de transformacoes lineares . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 A Inversa de uma transformacao linear . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.5 Quarta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.5.1 Algumas respostas e sugestoes . . . . . . . . . . . . . . . . . . . . . . . . . 113
iv
5 OPERADORES LINEARES 117
5.1 Transformacoes especiais no plano e no espaco . . . . . . . . . . . . . . . . . . . . 117
5.1.1 Transformacoes no Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.1.2 Transformacoes no Espaco . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.2 Propriedades dos operadores inversveis . . . . . . . . . . . . . . . . . . . . . . . . 130
5.3 Operadores autoadjuntos e ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.4 Quinta lista de exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.4.1 Algumas respostas e sugestoes . . . . . . . . . . . . . . . . . . . . . . . . . 137
8 APLICACOES 189
8.1 Aplicacoes da Algebra Linear na Engenharia Cartografica . . . . . . . . . . . . . . . 189
8.2 Aplicacoes de espacos vetoriais na computacao grafica . . . . . . . . . . . . . . . . 190
8.3 Aplicacoes de autovalores e autovetores na engenharia civil . . . . . . . . . . . . . . 195
8.3.1 O Problema de autovalor na avaliacao de modelos estruturais de edificacoes . 195
vi
Captulo 1
MATRIZES
1.1 Introducao
Exemplo 1 A seguinte colecao retangular de tres linhas e sete colunas descreve o numero de horas
que um estudante se dedicou a tres materias durante uma determinada semana:
segunda terca quarta quinta sexta sabado domingo
Matematica 2 3 2 4 1 4 2
Biologia 0 3 1 4 3 2 2
Fsica 4 1 3 1 0 0 2
Se nos suprimirmos os ttulos, ficaremos com a seguinte colecao retangular de numeros com tres
linhas e sete colunas, denominada matriz:
2 3 2 4 1 4 2
A= 0 3 1 4 3 2 2
4 1 3 1 0 0 2
Uma matriz e um agrupamento retangular de numeros. Os numeros neste agrupamento sao chama-
dos entradas da matriz.
O tamanho de uma matriz e descrita em termos do numero de linhas (fileiras horizontais) e de
colunas (fileiras verticais) que contem.
Quando discutimos matrizes, e usual chamar as quantidades numericas de escalares.
Exemplo 2
Notacao: Costumamos denotar as matrizes por letras latinas maiusculas:A, B, C, ...... Notacao
mais compacta [ai j ]mn ou [ai j ] quando nao e dado enfase ao tamanho da matriz.
A entrada que ocorre na i-esima linha e j-esima coluna de uma matriz A e denotada por ai j .
Matriz coluna
E a matriz de ordem m 1.
1
1 2
2 3
Exemplo 3 A = [1]11 , B=
, C=
..
3 .
4 999
41
1000
10001
Matriz linha
E a matriz de ordem 1 n.
[ ]
Exemplo 4 A = [1]11 , D = 1 2 3 4 5 6 7 10
18
Matriz Nula
[ ]
E a matriz A = ai j mn onde ai j = 0, para 1 i m e 1 j n.
Exemplo 5
0 0 0 0 0 0
0 0 0 0 0 0
M= , N = [0]
0 0 0 0 0 0
0 0 0 0 0 0
a11 a1n
.. . . ..
A= . . .
an1 ann
Exemplo 6
3 2
A = [0]11 , B =
1 7
Matriz diagonal
[ ]
Matriz diagonal e a matriz quadrada A = ai j onde ai j = 0 para i = j :
a11 0 0 0
..
0 . 0
.. .. .. ..
A= . . . .
.. .
0 . .. 0
0 0 0 ann
Exemplo 7
3 0
A = [0]11 , B =
0 11
Matriz transposta
[ ] [ ]
Dada uma matriz A = ai j mn , podemos obter uma outra matriz AT = bi j nm , cujas linhas sao
as colunas de A, isto e, bi j = a ji . AT e denominada a transposta de A.
a a12 ........ a1n a a ........ am1
11 11 21
a21 a22 ........ a2n a a22 ........ am2
A= .. ..
A T = 12
.. ..
. . . .
am1 am2 ........ amn a1n a2n ........ amn
mn nm
Exemplo 9
1 2 3 4 1 11 21 31
11 12 13 14 2 12 22 32
A =
T
A=
21 22 23 24 3 13 23 33
31 32 33 34 4 14 24 34
Exemplo 10
1
2
[ ]
D = 1 2 3 4 5 D = 3
T
15
4
5
51
Matriz simetrica
[ ]
Uma matriz quadrada S = ai j e simetrica se ST = S, isto e, se ai j = a ji . Assim, os elementos
simetricamente opostos a diagonal principal sao iguais.
Exemplo 11
1 5 9
0 1
S = 5 3 8 , N=
1 0
9 8 7
1.3. Operacoes com matrizes 5
Matriz anti-simetrica
[ ]
Uma matriz quadrada A = ai j e anti-simetrica se AT = A, isto e, se ai j = a ji . Assim,
i) os elementos da diagonal principal sao todos nulos:
ii) os elementos simetricamente dispostos em relacao a diagonal principal sao opostos.
Exemplo 12
0 3 4
A = 3 0 6
4 6 0
Exemplo 13
5 4 7 9
0 3 8 4 0 1
A=
, B =
, I10000
0 0 2 3 0 0
0 0 0 6
Exemplo 14
5 0 0 0 1 0 0 0
4 3 0 0 0 2 0 0
B=
, C =
7 4 2 0 0 0 2 0
9 1 2 6 0 0 0 2
1.3.1 Adicao
[ ] [ ]
Dados A = ai j mn e B = bi j mn definimos A + B por,
[ ]
A + B = ai j + bi j mn
6 1.3. Operacoes com matrizes
Propriedades 1.1
1. A + B = B + A
2. A + (B +C) = (A + B) +C
3. A + 0 = A
[ ]
kA = kai j mn
Exemplo 15
2 10 4 20
2 =
1 3 2 6
Propriedades 1.2
1. k(A + B) = kA + kB
2. (k1 + k2 )A = k1 A + k2 A
3. 0A = 0
4. k1 (k2 A) = (k1 k2 )A
n
ci j = aik bk j = ai1b1 j + ..... + ainbn j
k=1
Exemplo 16
2 1 2 1 + 1 0 2 (1) + 1 4 2 2
1 1
4 2 = 4 1 + 2 0 4 (1) + 2 4 = 4 4
0 4
5 3 22 5 1 + 3 0 5 (1) + 3 4 5 7
32
1.3. Operacoes com matrizes 7
Se os tamanhos das matrizes sao tais que as operacoes indicadas podem ser efetuadas, entao:
1. AI = IA = A
2. A(B +C) = AB + AC
3. (A + B)C = AC + BC
4. (AB)C = A(BC)
5. 0A = A0 = 0
1. (A + B)T = AT + BT
3. (AT )T = A
4. (AB)T = BT AT
Exemplo 18
11 3 2 3
A= , A1 = .
7 2 7 11
Dizemos que uma matriz A e inversvel (nao singular) se existe a matriz inversa A1 , caso contrario
dizemos que a matriz A e nao inversvel (singular).
Propriedades 1.5
8 1.3. Operacoes com matrizes
1. A e nao singular se o determinante de A e diferente de zero. A e singular se determinante de A
e igual a zero.
3. Se A e nao singular, sua inversa A1 tambem e, isto e, se det A = 0 entao det A1 = 0. A matriz
inversa de A1 e A.
6. Se as matrizes A e B sao nao singulares e de mesma ordem, o produto AB e uma matriz nao
singular. Vale a relacao (AB)1 = B1 A1 .
2 3 2 3
Exemplo 19 A = = det = 2 A e nao singular
2 2 2 2
1 10 1 10
Exemplo 20 B = det = 0 B e singular
1 10 1 10
Uma matriz M, quadrada, cuja inversa conicide com sua transposta e denominada matriz ortogonal.
Portanto M e ortogonal se M 1 = M T , ou seja,
MM T = M T M = I
Exemplo 21
1 3
M= 2
2 ,
3 1
2 2
1. Define-se A0 = I
| A {z
2. a matriz Ak = A ..... A} e chamada k-esima potencia de A para k 1.
k vezes
1.4. Matriz na forma escada reduzida por linhas 9
3. Se A for invertvel, define-se Ak = (A1 )k , k N
Exemplo 22
1 2 9 8 41 42
A= , A2 = , A3 =
4 3 16 17 84 83
n
tr(A) = a11 + a22 + + ann = aii
i=1
p(x) = a0 + a1 x + + an xn (1.1)
P(A) = a0 I + a1 A + + an An
onde I e a matriz m m que resulta quando x e substitudo por A em (1.1) e a0 e substitudo por a0 I.
1 2
Exemplo 23 Seja P(x) = 3x2 2x + 5 e A = , determine P(A).
0 3
Definicao 1.2 Uma matriz m n e linha reduzida a forma escada, ou escalonada, se:
a) O primeiro elemento nao nulo de uma linha nao nula e 1. Chamamos este numero de lider ou
pivo.
b) Cada coluna que contem o primeiro elemento nao nulo de alguma linha tem todos os seus
outros elementos iguais a zero, isto e, o lder da linha inferior ocorre mais a direita da linha superior.
c) Toda linha nula ocorre abaixo de todas as linhas nao nulas (isto e, daquelas que possuem pelo
menos um elemento nao nulo).
10 1.4. Matriz na forma escada reduzida por linhas
d) Se as linhas 1, ..., p sao as linhas nao nulas, e se o primeiro elemento nao nulo da linha
ocorre na coluna k1 , entao k1 < k2 < ..... < kn . Cada coluna que contem um lder tem zeros nas
demais entradas.
1 0 0 0
Exemplo 24 0 1 1 0 nao e forma escada. Nao vale b).
0 0 1 0
0 2 1
Exemplo 25 1 0 3 nao e forma escada. Nao vale a) e b).
1 0 0
0 1 3 0 1
Exemplo 26 0 0 0 0 0 nao e forma escada. Nao vale c).
0 0 0 1 2
0 1 3 0 1
Exemplo 27 0 0 0 1 3 e forma escada.
0 0 0 0 0
Exemplo 28
1 0 1 0
4 1 L2 L3 3 4
3 4 4 1
Exemplo 29
1 0 1 0
4 1 L2 3L2 12 3
3 4 3 4
1.4. Matriz na forma escada reduzida por linhas 11
3. Substituicao da i esima linha pela i esima linha mais k vezes a j esima linha (Li
Li + kL j )
Exemplo 30
1 0 1 0
4 1 L3 L3 + 2L1 4 1 .
3 4 1 4
1 3 1 3
1 1
2 2 2 2
1
0 3 0 L3 L3 3L1 0 3 0 L2 L2
3
3 1 2 0 21 13
2
12 1.5. Posto de uma matriz
1 3 1 3
1 1
2 2 2 2
1 2
0 1 0 L3 L3 + L2 0 1 0 L3 L3
2 13
0 12 13
2 0 0 13
2
1 3 3
1 1 0 1 0 0
2 2 2
1 3
0 1 0 L1 L1 L2 0 1 0 L1 L1 L3 0 1 0
2 2
0 0 1 0 0 1 0 0 1
Exemplo 33 Dada as matrizes, obtenha uma matriz na forma escada equivalente a cada matriz dada.
1 0 0 0 1 0 1 0
1 0 1 0 0 1 0 1
a)
b)
0 1 0 1 0 1 0 1
1 0 0 1 0 1 1 1
1 3 2 0 2 0 0
0 0 2 0 7
12
2 6 5 2 4 3 1
c) 2 4 10 6 12 28 d)
0 0 5 10 0 15 5
2 4 5 6 5 1
2 6 0 8 4 18 6
Dada uma matriz Amn , seja Bmn a matriz linha reduzida a forma escada, linha equivalente a matriz
A. O posto de A, denotado por p, e o numero de linhas nao nulas de B e a nulidade de A e n p, onde
n e o numero de colunas de A e p e o posto de A.
1 2 1 0
Exemplo 34 Encontrar o posto e a nulidade da matriz: A = 1 0 3 5
1 2 1 1
1 0 0 78
A matriz A e linha equivalente a matriz B = 0 1 0 14 portanto o posto de A e 3 (o
11
0 0 1 8
numero de linhas nao nulas da matriz B) e a nulidade e n p = 4 3 = 1 (n e o numero de colunas
da matriz A e p e o posto de A)
1.6. Calculo da inversa 13
1 0 14
9
0 1 4
1
Exemplo 35 Encontrar o posto e a nulidade da matriz: A =
0 0 0
0 0 0
Posto A = 2 e nulidade de A e 3 2 = 1.
Posto de A = 3 e nulidade de A e 0.
Para se determinar a matriz inversa de uma matriz A, nao singular, atraves de operacoes elementares
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 operacoes elementares a matriz A na matriz I, aplicando simultane-
amente a matriz I colocada ao lado da matriz A as mesmas operacoes elementares aplicadas a matriz
A.
2 1
Exemplo 37 Calcular a inversa da matriz A = por escalonamento.
4 3
1 1
2 1 1 0 1 0
L1 1 L1 L2 L2 4L1
2 2
4 3 0 1 2 4 3 0 1
1 1 1
0 1 0 3
21
2 2 L1 L1 1 L2 2
0 1 2 1 2 0 1 2 1
Logo
3
21
A1 = 2
2 1
14 1.7. Determinantes
1 2 4
Exemplo 38 Calcular a inversa da matriz B = 0 2 1 por escalonamento.
3 1 2
2 1 0
Exemplo 39 Calcular a inversa da matriz C = 3 1 4 por escalonamento.
1 6 5
1.7 Determinantes
Definicao 1.3 Determinante de uma matriz A e um numero real associado a matriz A.
Notacao: det A.
Denotamos tambem o determinante da matriz A,
a11 a12 a1n1 a1n
a21 a22 a2n1 a2n
.. .. . . . .. ..
A= . . . .
.
an11 an12 .. an1n
an1 an2 an1n ann
por
a11 a12 a1n1 a1n
a21 a22 a2n1 a2n
.. .. .. .. ..
det A = . . . . .
..
an11 an12 . an1n
an1 an2 an1n ann
Propriedades 1.6
1. det A = det AT ;
5. Se na matriz A uma linha (ou coluna) e multipla de outra linha (coluna) entao det A = 0;
1.7. Determinantes 15
6. A partir de det(AB) = det A det B temos
1
det(AA1 ) = det I det A det A1 = 1 det A =
det A1
Para se calcular o determinante de uma matriz A usamos as operacoes elementares linha de modo a
obter uma matriz triangular superior (ou inferior). Assim, temos:
2. Quando se multiplica uma linha (coluna) de uma matriz A por um numero k = 0 o determinante
fica multiplicado por esse mesmo numero;
3. O determinante de uma matriz A nao se altera quando se faz a seguinte operacao entre linha:
Li Li + kL j ;
4. O determinante de uma matriz triangular superior (ou inferior) e igual ao produto do elementos
da diagonal principal;
2 1 1
Exemplo 40 A = 2 0 1
3 1 0
2 1 1
det A = 2 0 1 L2 L3 (Quando permutamos as linhas o determinante troca de sinal)
3 1 0
2 1 1
(1) det A = 3 1 0 L1 12 L1 (Quando multiplicamos uma linha por um numero o determinante
2 0 1
fica multiplicado pelo
mesmo numero)
1 1 1
2 2
1
(1) det A = 3 1 0 L2 L2 + (3)L1 (Esta operacao nao altera o determinante)
2
2 0 1 L3 L3 2L1
1 1 1
2 2
3
1
(1) det A = 0 1 (Esta operacao nao altera o determinante)
2 2 2
0 1 2 L3 L3 2L2
16 1.7. Determinantes
1 1 1
2 2
3
2 (1) det A = 0 2 (O determinante de uma matriz triangular superior e o produto dos elemen-
1 1
2
0 0 1
tos da diagonal principal)
1 1
(1) det A = det A = 1
2 2
3 1 4
Exemplo 41 B = 6 7 1
1 2 3
2 1 1 2
3 1 4 1
Exemplo 42 C =
1 6 5 1
3 2 3 4
3 3 2 1
5 2 1 2
Exemplo 43 D =
2 1 1 1
1 4 1 5
Regra de Chio:
a11 a12
Se a matriz A e de ordem 2 2 entao: det = a11 a22 a21 a12
a21 a22
5 1
Exemplo 1.1 det = 5 3 2 1 = 13
2 3
Regra de Sarrus:
Se A e e de ordem 3 3
a11 a12 a13 a11 a12
a a a
11 12 13
A = a21 a22 a23 a21 a22 a23 a21 a22
a31 a32 a33
a31 a32 a33 a31 a32
det A = (a11 a22 a33 ) + (a12 a23 a31 ) + (a13 a21 a32 ) (a31 a22 a13 ) (a32 a23 a11 ) (a33 a21 a12 )
1.8. Primeira lista de exerccios 17
Desenvolvimento de Laplace:
Para uma matriz de ordem n n usamos o desenvolvimento de Laplace que e dado pela formula:
n
det Ann = ai j (1)i+ j det Ai j
j=1
onde Ai 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 Ai j entao
n
det Ann = ai j i j
j=1
Exemplo 44
1 2 3 4
4 2 0 0
A=
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).
2 0 0 4 0 0
1+2
det A = 1(1)1+1 2 3 0 + 2(1) 1 3 0
5 3 1 2 3 1
4 2 0 4 2 0
1+3 1+4
+3(1) 1 2 0 + (4)(1) 1 2 3
2 5 1 2 5 3
Exerccio 1.1 Verifique se as afirmacoes abaixo sao VERDADEIRAS ou FALSAS. Se forem ver-
dadeiras, demonstre. Se forem falsas, de um contra-exemplo.
7. Se A e nao-inversvel e AB = 0 entao B = 0
Exerccio 1.3 Mostre que toda matriz quadrada A pode ser escrita como a soma de uma matriz
simetrica com uma matriz anti-simetrica, ou seja, A = S + N onde S e uma matriz simetrica e N e
uma matriz anti-simetrica. Sugestao: Determine S e N em funcao da matriz A.
Exerccio 1.4 Suponha que A = 0 e AB = AC onde A, B,C sao matrizes tais que a multiplicacao esteja
definida. Pergunta-se:
1. B = C?
Exerccio 1.7 Dada uma matriz A de ordem m n mostre que a matriz AAT e uma matriz simetrica
de ordem m m. A matriz AT A e simetrica? Qual sua ordem?
Exerccio 1.8 Um construtor tem contratos para construir 3 estilos de casa: moderno, mediterraneo
e colonial. A quantidade empregada em cada tipo de casa e dada pela matriz
1. Se ele vai construir 5,7 e 12 casas dos tipos moderno, mediterraneo e colonial, respectivamente,
quantas unidades de cada material serao empregadas?
2. Suponha agora que os precos por unidade de ferro, madeira, vidro, tinta e tijolo sejam respecti-
vamente, 15, 8, 5, 1 e 10 reais. Qual o preco unitario de cada tipo de casa?
e nao inversvel.
Exerccio 1.13 Existe alguma matriz inversvelX tal que X 2 = 0? Justifique sua resposta.
Exerccio 1.14 Encontre todos os valores de para os quais a matriz A I4 tem inversa, em que
2 0 0 0
2 0 0 0
A=
1 2 1 0
3 2 1 2
Exerccio 1.15 Para a matriz A = (ai j )de ordem 2 definida por ai j = i + j, calcular f (t) = det(A
tI2 ) e resolver a equacao do segundo grau f (t) = 0.
1.8. Primeira lista de exerccios 21
Exerccio 1.16 Para a matriz definida por:
a b
M=
c d
1.1 - 1 (V); 2 (F); 3 (V); 4 (F); 5 (V); 6 (F); 7 (V); 8 (V); 9 (V); 10 det B = det D?
1.2 - x = 1
1.3 - Partindo de ai j = si j + ni j e a ji = s ji + n ji iguale si j e s ji (Porque voce pode fazer isso?)
1.4 - Pense: o que significa uma matriz possuir uma inversa?
1.5 - Use a definicao de matriz ortogonal. Evite calcular a inversa de M...
1.6 - Qual a transposta do produto de duas matrizes?
1.8 - a)
Ferro Madeira Vidro Tinta Ti jolo
146 526 260 158 388
b)
Moderno 492
Mediterraneo 528
Colonial 465
Exemplo 45
2 1 0
A = 3 1 4
1 6 5
1 4
a11 = 2 d11 = (1)1+1 det = 1 (19) = 19
6 5
3 4
a12 = 1 d12 = (1)1+2 det = 1 (19) = 19
1 5
3 1
a13 = 0 d13 = (1)1+3 det = 1 (19) = 19
1 6
1 0
a21 = 3 d21 = (1)2+1 det = 1 (5) = 5
6 5
2 0
a22 = 1 d22 = (1)2+2 det = 1 (10) = 10
1 5
2 1
a23 = 4 d23 = (1)2+3 det = 1 (11) = 11
1 6
1 0
a31 = 1 d31 = (1)3+1 det = 1 (4) = 4
1 4
1.9. Apendice - Calculo da inversa por adjunta 23
2 0
a32 = 6 d32 = (1)3+2 det = 1 (8) = 8
3 4
2 1
a33 = 5 d33 = (1)3+3 det = 1 (5) = 5
3 1
19 19 19
A = 5 10 11
4 8 5
Definicao 1.4 Dada uma matriz quadrada A, chamaremos de matriz adjunta de A a transposta da
T
matriz dos cofatores de A e denotaremos ad j A. Portanto ad jA = A .
Teorema 1.2 Uma matriz quadrada A admite inversa se e somente se det A = 0. Neste caso
1
A1 = (ad jA)
det A
2.1 Introducao
a1 x1 + a2 x2 + a3 x3 + ...... + an xn = b
a11 x1 + a12 x2 + a13 x3 + ...... + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ...... + a2n xn = b2
.. .. .. .. .. ..
. . . . . .
am1 x1 + am2 x2 + am3 x3 + ...... + amn xn = bm
onde x e y sao as incognitas e os a, b e c sao numeros conhecidos. Cada uma destas equacoes repre-
sentam uma reta. Assim, a solucao de um sistema de duas equacoes sera representada pela intersecao
de duas retas. Surgem tres casos possveis na teoria:
Exemplo 47
2x + y = 1
x 2y = 3
Exemplo 48
2x y = 1
2x y = 2
Exemplo 49
xy = 1
3x 3y = 3
1. O sistema possui uma unica solucao. Neste caso, dizemos que o sistema e compatvel e deter-
minado
2. O sistema possui infinitas solucoes. Neste caso, dizemos que o sistema e compatvel e indeter-
minado.
3. O sistema nao possui nenhuma solucao. Neste caso, dizemos que o sistema e incompatvel.
2.2. Sistemas e matrizes. 27
2.2 Sistemas e matrizes.
AX = B
onde A e a matriz dos coeficientes (ai j ), B a matriz coluna dos termos independentes (bm ) e X e a
matriz coluna das variaveis (xn ).
Ao sistema (2.1) associamos a seguinte matriz:
a11 a12 a1n | b1
a21 a22 a2n | b2
.. .. . .
. . .. | ..
am1 am2 amn | bm
Teorema 2.1 Dois sistemas que possuem matrizes ampliadas equivalentes sao equivalentes.
28 2.2. Sistemas e matrizes.
Dada a matriz ampliada do sistema de equacoes lineares consideramos a matriz linha reduzida a
forma escada obtida a partir da matriz ampliada do sistema
Teorema 2.2
1. Um sistema de m equacoes e n incognitas admite solucao se, e somente se, o posto da matriz
ampliada e igual ao posto da matriz dos coeficientes.
2. Se as duas matrizes tem o mesmo posto p e p = n (numero de colunas da matriz dos coeficientes,
ou numeros de variaveis) a solucao e unica.
Matriz Ampliada
2 1 3 | 8
Aa = 4 2 2 | 4
2 5 3 | 12
2.2. Sistemas e matrizes. 29
Matriz linha equivalente a matriz ampliada, onde a parte da matriz dos coeficientes esta na forma
escada
1 0 0 | 2
Ae = 0 1 0 | 5
0 0 1 | 3
De Ae obtemos: pc = 3, pa = 3 e n = 3.
p = pc = pa = 3 sistema compatvel
x1 = 2, x2 = 5, x3 = 3
= 6
4y + 2x + 6z
4z 2y + 3x = 38
x + 3z + 2y = 3
2 4 6 | 6
Aa = 3 2 4 | 38
1 2 3 | 3
30 2.2. Sistemas e matrizes.
1 0 14 | 21
2
Ae = 0 1 8
13
| 8
29
0 0 0 | 0
Para encontrar uma solucao (note que existem infinitas solucoes) devemos atribuir valor a uma
das variaveis (pois o grau de liberdade e 1) e determinar as outras. Note que fica mais facil se
atribuirmos valor a variavel 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 infinitas solucoes)
6 4 2 | 3
Aa = 1 1 1 | 1
3 2 1 | 1
5 | 10
1 7
1 0
3
Ae = 0 1 5 | 10
4
0 0 0 | 12
Neste caso:
n=3
2.3. Solucao de um sistema por matriz inversa 31
pc = 2
pa = 3 pa = pc sistema incompatvel (nao possui solucao)
IX = C1 B
X = C1 B
Logo para se determinar a solucao basta multiplicar a matriz inversa dos coeficientes pela matriz
dos termos independentes (pela esquerda, ja que a multiplicacao de matrizes nao e comutativa). Se a
matriz C nao tem inversa entao ou o sistema nao possui solucao ou possui infinitas solucoes.
Exemplo 50
2x + 3y z = 1
x 3y + z = 1
x + 2y z = 1
2 3 1 1 x
C= 1 3 1 B= 1 X = y
1 2 1 1 z
1 1 0
C1 = 0 1 1
1 1 3
CX = B X = C1 B
x 1 1 0 1 2
y = 0 1 1 1 = 2
z 1 1 3 1 3
O proximo teorema apresenta resultados importantes sobre sistemas lineares e matrizes in-
versveis.
32 2.4. Segunda lista de exerccios
Teorema 2.3 Se A uma matriz n n, entao as seguintes afirmacoes sao equi-valentes:
1. A e inversvel.
Exerccio 2.1 Resolva o sistema de equacoes, escrevendo a matriz ampliada do sistema inicial e
escrevendo
o sistema final do qual se obtera a solucao do sistema original:
2x y + 3z = 11
4x 3y + 2z = 0
x+y+z = 6
3x + y + z = 4
x + y + 3z = 2
Exerccio 2.2 Considere o sitema linear x + 2y + 4z = 3 . Para que valores de a e b o sistema
x + 3y + az = b
3. e impossvel?
..
a 0 b . 2
.
Exerccio 2.3 Seja a a 4 .. 4 a matriz ampliada de um sistema linear. Para quais valores de
..
0 a 2 . b
a e b o sistema tem
1. unica solucao,
2. nenhuma solucao,
Exerccio 2.9 Se A e uma matriz 3 5, quais sao os possveis valores da nulidade de A? E se A for
4 2?
Exerccio 2.10 Explique por que a nulidade de uma matriz nunca e negativa.
Exerccio 2.11 Um sistema homogeneo com 3 equacoes e 4 incognitas sempre tem uma solucao nao-
trivial.
Exerccio 2.12 Chamamos de sistema homogeneo de n equacoes e m incognitas aquele sistema cujos
termos independentes sao todos nulos.
34 2.4. Segunda lista de exerccios
1. Um sistema homogeneo admite pelo menos uma solucao. Qual e ela?
Exerccio 2.13 Se det A = 0, entao o sistema homogeneo AX = 0 tem infinitas solucoes? Justifique
sua resposta.
Exerccio 2.14 Podemos resolver um sistema usando matriz inversa da seguinte forma:
AX = B
A1 AX = A1 B
X = A1 B
Isto e util quando desejamos resolver varios sistemas lineares que possuem a mesma matriz dos
coeficientes.
1 2 2
Usando a teoria acima resolva os sistema AX = B onde A = 2 5 4 e
3 7 5
1 1 1000 111
a) B = 2 , b) B = 3 , c) B = 10 , d) B = 311
3 100 100 511
1
2.15 Resolva o sistema matricial D X = A onde D = diag(1, 2, 3, 4, 5, 6)
Exerccio
1 0 0 0 1 1
0 1 2 2 2 2
0 0 1 1 1 1
A=
0 0 0 1 1 1
0 0 0 0 1 0
0 0 0 0 0 1
Exerccio
2.16 Classifique o sistema e exiba uma solucao, caso ela exista:
2x + 4y + 6z = 6
3x 2y 4z = 38
x + 2y + 3z = 3
2.4. Segunda lista de exerccios 35
Exerccio 2.17 Uma editora publica um best-seller potencial com tres encadernacoes diferentes:
capa mole, capa dura e encardenacao 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 sao feitas as costuras fica 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 2.18 Num grande acampamento militar ha 150 blindados dos tipos BM3, BM4 e BM5, isto
e, equipados com 3, 4 e 5 canhoes do tipo MX9 respectivamente. O total de canhoes 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 canhao carrega 12 projeteis, quantos projeteis serao necessarios para o grupo
dos BM4 no incio da operacao?
Exerccio 2.19 a) Em cada parte, use a informacao da tabela para determinar se o sistema AX = B
e possvel. Se for, determine o numero de variaveis livres da solucao geral. Justifique sua resposta.
b) Para cada uma das matrizes da tabela acima determine se o sistema homogeneo AX = 0, e
possvel. Indique a quantidade de solucoes para cada caso.
2.1 - x = 1, y = 2, z = 5
2.2 - a) a = 5 e b = 4
b) a = 5 e b = 4
c) a = 5 e b = 4
2.3 - a) a = 0 e b = 2
b) a = 0 e b = 2
36 2.4. Segunda lista de exerccios
c) a qualquer e b = 2
2.4 - a, b e c devem satisfazer a equacao c b 3a = 0.
2.6 - k = 6
2.7 -
x 3y w + 1
y y
X = z = w+2
t 3 + 2w
w w
3 1 1
1 0 0
X = y 0 +w 1 + 2
0 2 3
0 1 0
a11 x1 + a12 x2 + a13 x3 + ...... + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + ...... + a2n xn = b2
.. .. .. .. .. ..
. . . . . .
a x + a x + a x + ...... + a x = b
n1 1 n2 2 n3 3 nn n n
CX = B
IX = C1 B
X = C1 B
usando a relacao
1
C1 = (ad jC)
detC
temos
1
X= (ad jC)B
detC
38 2.5. Apendice - Regra de Cramer
x1 a a a1n b
11 12 1
x2 1 a21 a22 a2n b2
= ad j
.. .. .. ...... .. ..
. detC . . ... . .
xn an1 an2 ann bn
x1 Da11 Da12 Da1n b
1
x2 1 Da21 Da22 Da2n b2
=
.. detC . .. ...... .. ..
. .. . ... . .
xn Dan1 Dan2 Dann bn
x1 b D + b2 Da12 + + bn Da1n
1 11
x2 1 b Da + b2 Da22 + + bn Da2n
= 1 21
..
detC ... .. ...... ..
. . ... .
xn b1 Dan1 b2 Dan2 bn Dann
1
x1 = (b1 D11 + b2 Da12 + + bn Da1n )
detC
b a a1n
1 12
b2 a22 a2n
det
.. .. ...... ..
b1 a12 a1n . . ... .
1 b2 a22 a2n bn an2 ann
x1 = det
.. ..
x1 =
...... ..
detC . . ... . a a a1n
11 12
bn an2 ann a21 a22 a2n
det .. .. ...... ..
. . ... .
an1 an2 ann
Analogamente
a11 b1 a1n
a21 b2 a2n
det
.. . .
. .. ..
an1 bn ann
xi =
a a a1n
11 12
a21 a22 a2n
det .
.. ...... ..
. . . ... .
an1 an2 ann
2.5. Apendice - Regra de Cramer 39
i = 2, 3, ....., n
Podemos escrever esta relacao na forma
Di
xi =
D
onde
a11 b1 a1n
a21 b2 a2n
Di = det
.. . .
. .. ..
an1 bn ann
e
a11 a12 a1n
a21 a22 a2n
D = det
.. .. ...... ..
. . ... .
an1 an2 ann
1 1
D = det = 0,
10 10
2 1 1 2
D1 = det = 0, D2 = det = 0.
20 10 10 20
1 1 0
D3 = det 1 1 1 = 2,
1 1 1
assim, a solucao e
D1 4
x = = =1
D 4
D2 2 1
y = = =
D 4 2
D 2 1
z = = =
D3 4 2
ESPACOS VETORIAIS
3.1 Introducao
Algebra linear e uma parte da Algebra que, por sua vez, e um ramo da Matematica na qual sao
estudados matrizes, espacos vetoriais e transformacoes lineares. Todos esses itens servem para um
estudo detalhado de sistemas lineares de equacoes.
Tanto a algebra Linear como a Geometria Analtica aplicam-se a varias areas, em especial as
Engenharias. Citamos, a seguir, alguma delas. E claro que neste curso nao 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 Estrategia: no jogo de roleta o jogador da 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 sao os ingredientes basicos de uma variedade de jogos que contem elemen-
tos tanto de estrategia quanto de acaso. Os metodos matriciais podem ser usados para desenvolver
estrategias otimizadas para os jogadores.
Computacao grafica: uma das aplicacoes mais uteis da computacao grafica e a do simulador
de voo. As matrizes fornecem uma maneira conveniente de lidar com a enorme quantidade de da-
dos necessarios para construir e animar os objetos tridimensionais usados por simuladores de voo
42 3.1. Introducao
para representar um cenario em movimento. Outras aplicacoes mais simples em computacao grafica
sao: vetores e matrizes sao utilizados em espacos de cores(RGB, HSV, etc), em coordenadas
e transformacoes geometricas em duas e tres dimensoes, em combinacoes convexas e lineares de
pontos( curvas e superfcies spline), em representacao compacta de sessoes conicas, etc.; coorde-
nadas homogeneas e geometria projetiva utilizando comumente para representar consistentemente
transformacoes afins e processos de projecao( paralela, perspectiva, modelos de camera virtual):
numeros complexos em rotacao no plano e tambem em processamento de imagens, incluindo trans-
formadas de co-seno, Fourier, etc.; quaternios rotacao espaciais e implementacao de cinematica
inversa( resolver problemas de posicionamento de juntas articuladas).
Redes Eletricas: circuitos eletricos que contenham somente resistencias e geradores de energia
podem se analisados usando sistemas lineares derivados das leias basicas da teoria de circuitos.
Cadeias de Markov: os registros meteorologicos de uma localidade especfica podem ser usados
para estimar a probabilidade de que va chover em um certo dia a partir da informacao de que choveu
ou nao no dia anterior. A teoria das cadeias de Markov pode utilizar tais dados para prever, com muita
antecedencia, a probabilidade de um dia chuvoso na localidade.
Genetica: os mandatarios do Egito recorriam a casamentos entre irmaos para manter a pureza
da linhagem real. Este costume propagou e acentuou certos tracos geneticos atraves de muitas
geracoes. A teoria das matrizes fornece um referencial matematico para examinar o problema geral
da propagacao de tracos geneticos.
Crescimento Populacional por Faixa Etaria: a configuracao populacional futura pode ser proje-
tada aplicando algebra matricial as taxas, especificas por faixas etarias, de nascimento e mortalidade
da populacao. A evolucao a longo prazo da populacao depende das caractersticas matematicas de
uma matriz de projecao que contem os parametros demograficos da populacao.
Colheita de Populacoes Animais: a colheita sustentada de uma criacao de animais requer o con-
hecimento da demografia da populacao animal. Para maximizar o lucro de uma colheita periodica,
podem ser comparadas diversas estrategias de colheita sustentada utilizando tecnicas matriciais que
descrevem a dinamica do crescimento populacional.
Modelos Economicos de Leontief : num sistema economico simplificado, uma mina de carvao,
uma ferrovia e uma usina de energia necessitam cada uma de uma parte da producao das outras
para sua manutencao e para suprir outros consumidores de seu produto. Os Modelos de producao
de Leontief podem ser usados para determinar o nvel de producao necessario as tres industrias para
manter o sistema economico.
Teoria de Grafos: a classificacao social num grupo de animais e uma relacao que pode ser descrita
e analisada com a teoria de grafos, Esta teoria tambem tem aplicacoes a problemas tao distintos como
a determinacao de rotas de companhias aereas e a analise de padroes de votacao.
Conjuntos Fractais: conjuntos que podem ser repartidos em versoes congruentes proporcional-
44 3.1. Introducao
mente reduzidas do conjunto original sao denominadas fractais. Os fractais sao atualmente aplicados
a compactacao de dados computacionais. Os metodos de Algebra Linear podem ser usados para
construir e classificar fractais
Teoria do Caos: os pixels que constituem ema imagem matricial podem ser embaralhados repeti-
damente de uma mesma maneira, na tentativa de torna-los aleatorios. Contudo, padroes indesejados
podem continuar aparecendo no processo. A aplicacao matricial que descreve o processo de embar-
alhar ilustra tanto a ordem quanto a desordem que caracterizam estes processos caoticos.
Um Modelo de Mnimos Quadrados para a Audicao Humana: o ouvido interno contem uma
estrutura com milhares de receptores sensoriais ciliares. Estes receptores, movidos pelas vibracoes
do tmpano, respondem a frequencias diferentes de acordo com sua localizacao e produzem impul-
sos eletricos que viajam ate o cerebro atraves do nervo auditivo. Desta maneira, o ouvido interno
age como um processador de sinais que decompoe uma onda sonora complexa em um espectro de
frequencias distintas.
Deformacoes e Morfismos: voce ja deve ter visto em programas de televisao ou clips musi-
cais imagens mostrando rapidamente o envelhecimento de uma mulher ao longo do tempo, ou a
transformacao de um rosto de mulher no de uma pantera, a previsao de como seria hoje o rosto de
uma crianca desaparecida ha 15 anos atras, etc. Estes processos sao feitos a partir de algumas poucas
fotos. A ideia de continuidade, de evolucao do processo, e feita atraves do computador.Este processo
de deformacao e chamado de morfismo, que se caracteriza por misturas de fotografias reais com fo-
tografias modificadas pelo computador. Tais tecnicas de manipulacao de imagens tem encontrado
aplicacoes na industria medica, cientifica e de entretenimento.
Produto de dez anos de intensa pesquisa e desenvolvimento, o primeiro onibus espacial dos
EUA (lancado em 1981) foi uma vitoria da engenharia de controle de sistemas, envolvendo muitas
areas da engenharia - aeronautica, qumica , eletrica, hidraulica e mecanica. Os sistemas de controle
de onibus espacial sao absolutamente crticos para voo. Ele requer um constante monitoramento por
computador durante o voo atmosferico. O sistema de voo envia uma sequencia de comandos para a
superfcie de controle aerodinamico. Matematicamente , os sinais de entrada e sada de um sistema
de Engenharia sao funcoes. E importante para as aplicacoes que essas funcoes possam ser somadas
e multiplicadas por escalares. Essas duas operacoes em funcoes tem propriedades algebricas que
sao completamente analogas as operacoes de soma de vetor e multiplicacao de vetor por escalar no
Rn . Por esse motivo, o conjunto de todas as entradas possveis (funcoes) e chamado de um espaco
vetorial. A fundamentacao matematica para a engenharia de sistemas repousa sobre espacos vetoriais
de funcoes, portanto precisamos estender a teoria de vetores do Rn de modo a incluir tais funcoes.
3.1. Introducao 45
Antes de apresentarmos a sua definicao, analisaremos em paralelo dois objetos: o conjunto for-
mado pelas funcoes f : R R, denotado por F(R) e o conjunto das matrizes quadradas de ordem n
com coeficientes reais que denotaremos por Mn (R).
A soma de duas funcoes f e g de F(R) e definida como: ( f + g)(x) = f (x) + g(x).
Note tambem que se R podemos multiplicar o escalar pela funcao f , da seguinte forma:
( f ) (x) = ( f (x)) resultando num elemento de F(R).
Com relacao a Mn (R) podemos somar duas matrizes quadradas de ordem n, A + B = (ai j + bi j )nxn
que e um elemento de Mn (R).
Com relacao a multiplicacao do escalar pela matriz A R, A = ( ai j )nxn o qual tambem
Mn (R).
O que estes dois exemplos acima, com a adicao de seus elementos e multiplicacao de seus ele-
mentos por escalares, tem em comum?
Verifica-se facilmente a partir das propriedades dos numeros reais que, com relacao a quaisquer
funcoes f , g e h em F(R) e para , R, sao validos os seguintes resultados:
1. f + g = g + f
2. f + (g + h) = ( f + g) + h
4. f + ( f ) = 0
5. ( + ) f = f + f
6. ( f ) = ( ) f
7. ( f + g) = f + g
8. 1 f = f
1. A + B = B + A
2. A + (B +C) = (A + B) +C
5. ( + )A = A + A
6. ( A) = ( )A
7. (A + B) = A + B
8. 1A = A
Observamos que o conjunto das funcoes bem como o das matrizes, quando munidos de soma e
multiplicacao por escalar, apresentam propriedades algebricas comuns. Existem muitos outros ex-
emplos de conjuntos que apresentam as mesmas propriedades acima. Para nao estudarmos separada-
mente cada conjunto, estudaremos um conjunto generico e nao vazio, V , sobre o qual supomos estar
definidas as operacoes de adicao e multiplicacao por escalar.
Definicao 3.1 Um espaco vetorial V e um conjunto, cujos elementos sao chamados vetores, no qual
estao definidas duas operacoes: a adicao, que a cada par de vetores, u e v V faz corresponder um
novo vetor denotado por u + v V , chamado a soma de u e v, e a multiplicacao por um numero real,
que a cada R e a cada vetor v V faz corresponder um vetor denotado por v, chamado produto
de por v. Estas operacoes devem satisfazer, para quaisquer , R e u, v e w V as seguintes
propriedades:
Propriedades 3.1
1. Comutatividade: u + v = v + u
2. Associatividade: (u + v) + w = u + (v + w)
5. Distributividade: ( + )v = v + v
6. ( )v = ( v)
7. (u + v) = u + v
x1 = y1, x2 = y2 , .....xn = yn .
Em Rn definimos as operacoes:
e
u = ( x1, x2 , ..... xn )
{ }
Pn = p(x) = ao + a1 x + ..... + an1 xn1 + an xn ao , a1 , ...., an1 , an R
{[ ] }
M(m, n) = ai j mn ai j R, i = 1, .., m e j = 1, .., n
com a soma usual de matrizes e multiplicacao usual de um escalar por uma matriz e um espaco
vetorial.
(x, y) = ( x, y)
48 3.1. Introducao
O conjunto R2 com estas operacoes nao e um espaco vetorial.
Vamos mostrar que falha a propriedade 5) do E.V.
( + )u = ( + )(x1 , y1 ) = (( + )x1 , y1 ) = ( x1 + x1 , y1 )
( + )u = u + u
a1 b1 a1 b1
(ii) Multiplicacao por escalar: =
c1 d1 c1 d1
e um espaco vetorial.
Como a adicao e a usual, entao todas as propriedades da adicao serao satisfeitas. Se alguma
propriedade falhar,
sera
na multiplicacao
por escalar, pois esta nao e a usual.
a b m n
Sejam A = eB= .
c d o p
( + )A = A
Vamos mostrar que falhaa propriedade: +A
a b a b + b
(i) ( + )A = ( + ) =
c d c + c d
a b a b a b a b 2a b + b
(ii) A + A = + = + =
c d c d c d c d c + c 2d
Por (i) e (ii) conclumos que ( + )A = A + A. Logo V = M2 com as operacoes definidas
acima nao e um espaco vetorial.
Exemplo 60 Seja V o conjunto dos pares ordenados de numeros reais. Definamos: (x1 , y1 ) +
(x2 , y2 ) = (2x1 2y1 , x1 + y1 ) e a(x1 , y1 ) = (3ay1 , ax1 ), com essas operacoes definidas sobre V ,
este conjunto e um espaco vetorial sobre R?
3.2. Subespacos 49
3.2 Subespacos
Definicao 3.2 Seja V um espaco vetorial. Dizemos que W V e um subespaco vetorial de V se forem
satisfeitas as seguintes condicoes:
1. se u , v W entao u + v W
Todo espaco vetorial admite pelo menos dois subespacos: o conjunto formado pelo vetor nulo
e o proprio E.V.
1. u + v = (0, x2 + y2, x3 + y3 , x4 + y4 , x5 + y5 ) W
1. Para u = (x1 , 2x1 ) e v = (x2 , 2x2 ) W tem-se u + v = (x1 + x2 , 2(x1 + x2 )) W , pois a segunda
componente de u + v e igual ao dobro da primeira.
a = d a = d
a = d
c = b b = c
a b a b
Logo A = W = M2 a, b R
b a b a
a b x y
Sejam u = ev=
b a y x
a b x y a+x b+y a+x b+y
u+v = + = = W
b a y x b y a + x (b + y) a + x
a b ka kb
ku = k = W
b a kb ka
52 3.3. Interseccao de dois Subespacos Vetoriais
Como u + v W e ku W W e um subespaco vetorial de M2
{
}
Exemplo 68 Verifique se W = p(x) P3 : p (2) + p (1) = 0 e um sub-espaco vetorial de V = P3 .
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 entao (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 entao ( p)(x) W.
Portanto W e subespaco vetorial de P3 .
a a+1
Exemplo 69 Seja W o conjunto de todas as matrizes 22 da forma . W e um subespaco
0 b
de M22 ?
assim, c = 3d e b = 3d.
Portanto W1 W2 = {p P3 : p = a + 3dx 3dx2 + dx3 }
a b
Exemplo 75 Seja V = M2 = e
c d
a b
W1 = , a, b R
0 0
a 0
W2 = , a, c R
c 0
W = W1 W2 e um subespaco de V , pois
a 0
W= ,a R
0 0
v = a1 v1 + a2 v2 + ..... + an vn
Exemplo 77 Em R2 o vetor v = (10, 16) e uma combinacao linear dos vetores v1 = (1, 2) e v2 = (3, 4)
pois v = 4v1 + 2v2 .
Exemplo 78 Verifique se o vetor v = (3, 2, 1) pode ser escrito como uma combinacao linear dos
vetores v1 = (1, 1, 1), v2 = (1, 1, 1), v3 = (1, 1, 1).
Devemos verificar se existem numeros a, b, c tais que v = av1 + bv2 + cv3 , ou seja,
Mas esse sistema tem uma unica solucao a = 32 , b = 12 e c = 1. Portanto v pode realmente ser escrito
como combinacao de v1 , v2 e v3 , da forma v = 32 v1 + 12 v2 + v3 .
Exemplo 80 Verifique que em P2 o polinomio p(x) = 1+x2 e uma combinacao dos polinomios q(x) =
1, r(x) = 1 + x e s(x) = 1 + x + x2 .
Precisamos encontrar numeros reais, a1 , a2 e a3 tais que:
1 + x2 = a1 + a2 (1 + x) + a3 (1 + x + x2 )
(4, 18, 7) = a1 (1, 3, 2) + a2 (2, 4, 1) = (1a1 , 3a1 , 2a1 ) + (2a2 , 4a2 , 1a2 ) =
= (a1 + 2a2 , 3a1 + 4a2, 2a1 a2 ) que e equivalente ao sistema:
a1 + 2a2 = 4
3a1 + 4a2 = 18 a1 = 2, a2 = 3.
2a1 a2 = 7
Portanto, v = 2v1 3v2 . Agora mostre que o vetor v = (4, 3, 6) nao e combinacao linear dos vetores
v1 = (1, 3, 2) e v2 = (2, 4, 1).
a1 v1 + a2 v2 + .... + an vn = 0
Para determinarmos se um conjunto e L.I. ou L.D. devemos fazer a combinacao linear do conjunto
de vetores e igualar esta combinacao linear ao vetor nulo do espaco. Portanto e muito importante ter
conhecimento do vetor nulo do espaco em que estamos trabalhando.
Teorema 3.2 O conjunto {v1 , v2 , ......, vn } e LD se, e somente se, um dos vetores do conjunto for uma
combinacao linear dos outros.
1. Se A = {v} V e v = 0 , entao A e LI.
W = {v V v = a1 v1 + a2 v2 + . . . + an vn }
Exemplo 85 Os vetores i = (1, 0) e j = (0, 1) geram o espaco vetorial R2 , pois, qualquer (x, y) R2
e combinacao linear de i e j :
Entao: [i, j] = R2 .
Note que t 3 = (t 3 + 1) 1. Assim, dado p(t) = ao + a1t + a2t 2 + a3t 3 P3 podemos escrever
Ou seja, qualquer vetor (polinomio) de P3 pode ser escrito como uma combinacao linear dos vetores
do conjunto U. Logo P3 = [U].
x y
Temos que A = [G] se e somente se existirem a e b R tais que
z t
x y 1 1 2 1
A= = a +b
z t 0 1 3 4
a + 2b = x
a + b = y
5x+2y
Da, tem-se o sistema: que e possvel se: z = x + y e t =
3b = z
3
a + 4b = t
x y
Logo [G] = : x, y R .
x + y 5x+2y
3
3.6. Subespacos Gerados 59
Exemplo 89 Encontre um conjunto de geradores para W = {X M(4, 1) AX = 0} onde
1 1 1 0
2 0 1 1
A=
3 1 0 1
0 2 3 1
Seja
a 1 1 1 0 a 0
b 2 0 1 1 b 0
X =
W
=
,
c 3 1 0 1 c 0
d 0 2 3 1 d 0
1 1 1 0 a 0
0 2 3 1 b 0
=
0 0 0 0 c 0
0 0 0 0 d 0
1 1 1 0 a 0
0 1 3/2 1/2 b 0 a = c
2 2
d
= ,
0 0 0 0 c 0 b = 3c + d
2 2
0 0 0 0 d 0
isto e,
c 1 1
2 2
d
2 2
3c d
2 +2
3 1
X =
= c
+d
2
2
c 1 0
d 0 1
1 1
2 2
3 1
portanto, W =
,
.
2
2
1 0
0 1
60 3.7. Soma de Subespacos
3.7 Soma de Subespacos
Definicao 3.7 Sejam W1 e W2 dois subespacos vetoriais de V. Entao o conjunto
W1 +W2 = {v V v = w1 + w2 , w1 W1 e w2 W2 }
e um subespaco de V.
a b 0 0
Exemplo 90 W1 = e W2 = ,onde a, b, c, d R. Entao W1 + W2 =
0 0 c d
a b
= M2 .
c d
do espaco vetorial R3 . A soma W1 +W2 = {(a, b, c); a, b, c R} e subespaco vetorial, que nesse caso
e o proprio R3 .
Proposicao 3.1 Quando W1 W2 = { 0 }, entao W1 + W2 e chamado soma direta de W1 com W2 , e
denotado por W1 W2 .
Observacao 6 Usando os geradores podemos obter uma caracterizacao da soma de dois subespacos:
Sejam U e W subespacos de V, se U = [u1 , . . . , un ] e W = [w1 , . . . , wm ] entao U + W =
[u1 , . . . , un , w1 , . . . , wm ]
u + v = (x, y, x y + z) = R3
{
}
vamos mostrar que W1 W2 = 0 . Seja (x, y, z) W1 W2 temos:
x y + z = 0
x=0 (x, y, z) = (0, 0, 0)
y=0
3.8. Base e Dimensao de um Espaco Vetorial 61
Exemplo 93 Encontre os geradores do subespaco U +W onde
{ }
U = (x, y, z) R3 x + y + z = 0 , e
{ }
W = (x, y, z) R3 x + y = 0 e x z = 0
3.8.1 Base
1. e LI
2. gera V
Exemplo 95 O conjunto {(0, 1), (0, 2)} nao e base de R2 pois e um conjunto LD. Se
temos a = 2b. Assim para cada valor de b conseguimos um valor para a, ou seja, temos infinitas
solucoes.
Exemplo 96 Seja V = R3 entao = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e uma base do R3 (verifique!).
62 3.8. Base e Dimensao de um Espaco Vetorial
Exemplo 97 O conjunto = {1, x, x2 , . . . , xn } e uma base do espaco vetorial Pn . De fato:
ao + a1 x + a2 x2 + . . . + an xn = 0
ao + a1 x + a2 x2 + . . . + an xn = 0 + 0x + 0x2 + . . . + 0xn
= a0 = a1 = . . . = an = 0
portanto, e LI.
gera o espaco vetorial Pn, pois qualquer polinomio p Pn pode ser escrito assim:
p = ao + a1 x + a2 x2 + . . . + an xn
{ }
Exemplo 98 Encontre uma base para U + W onde U = (x, y, z) R3 x + y + z = 0 e W =
{ }
(x, y, z) R3 x + y = 0 e x z = 0 .
Seja U = [(1, 0, 1), (0, 1, 1)] e W = [(1, 1, 1)] ( Ja vimos este exemplo.)
Ja temos um conjunto que gera a soma, se este conjunto for L.I. entaele sera uma base.
logo o conjunto e L.I e portanto. = {(1, 0, 1), (0, 1, 1), (1, 1, 1)} e uma base de U +W .
3.8. Base e Dimensao de um Espaco Vetorial 63
{ }
Exemplo 99 Encontre uma base para U +W onde U = (x, y, z) R3 x y + z = 0 e x y = 0 e
{ }
W = (x, y, z) R3 x + yz = 0 e xz = 0 .
xy+z = 0
Se v = (x, y, z) U v = (x, x, 0) = x(1, 1, 0), portanto U = [(1, 1, 0)] .
xy = 0
x+yz = 0
Se u = (x, y, z) W u = (x, 0, x) = x(1, 0, 1),portanto W = [(1, 0, 1)]
xz = 0
Assim U + W = [(1, 1, 0, ), (1, 0, 1)] . Como o conjunto = {(1, 1, 0, ), (1, 0, 1)} e L.I entao ele e
uma base para U +W.
1 1
Exemplo 100 Dados: U = {A M2 (R); A = At } e W = em M2 encontre uma base
0 1
para U,W,U W,W
+U.
a b
Para U : A = c = b portanto, A U se existirem a1 , a2 , a3 R tais que
c d
1 0 0 1 0 0
A = a1 + a2 + a3
0 0 1 0 0 1
Proposicao 3.2 Todo conjunto LI de um espaco vetorial V e base do subespaco por ele gerado.
Exemplo 101 O conjunto = {(1, 2, 1), (1, 3, 0)} R3 e LI e gera o subespaco W = {(x, y, z)
Entao, e base de W , pois e LI e gera W.
R3 /3x y z = 0}.
Teorema 3.3 Sejam v1 , v2 , . . . , vn , vetores nao nulos que geram um espaco vetorial V . Entao, dentre
estes vetores podemos extrair uma base de V .
Proposicao 3.3 Seja um E.V V gerado por um conjunto finito de vetores v1 , v2 , . . . , vn . Entao qual-
quer conjunto com mais de n vetores e necessariamente LD (e, portanto, qualquer conjunto LI tem no
maximo n vetores).
de U +W
Obtemos os geradores unindo
os geradores
de
U e W.Vamosobter os geradores de U :
a b 1 0 0 1 0 0
Seja A U A = = a +b +d
b d 0 0 1 0 0 1
1 0 0 1 0 0
U = , ,
0 0 1 0 0 1
1 0 0 1 0 0 0 1 1 0 1 1
U +W = , , , , ,
0 0 1 0 0 1 1 0 0 1 0 1
Uma base para U +W deve ter no maximo 4 matrizes, entao ja sabemos que este conjunto e LD
e que temos que eliminar no mnimo 2 matrizes para este conjunto se tornar LI. Vejamos quantas e
quaismatrizes
serao
eliminadas:
1 0 0 1 0 0 0 1 1 0 1 1 0 0
a +b +c +d +e +f =
0 0 1 0 0 1 1 0 0 1 0 1 0 0
1 0 0 0 1 1
0 1 0 1 0 1
, eliminacao Gaussiana:
0 1 0 1 0 0
0 0 1 0 1 1
a
0 0 0 1 1 b ae f = 0
1 0
a=c=e
0 1 0 1 0 1 c 0 bd f = 0
=
b=d
0 0 1 0 1 1 d 0
ce+ f = 0
f =0
0 0 0 0 0 1 e 0 f =0
f
Veja que nao podemos excluir a ultima matriz e que existe uma relacao entre a 1a , 3a e 5a , entao
devemos excluir uma dentre estas tres; e ainda a 2a esta relacionada com a 4a , entao temos que
66 3.8. Base e Dimensao de um Espaco Vetorial
excluir uma
das duas.
Excluindo
a 1a e a 2atem-se
que
0 0 0 1 1 0 1 1
= , , , e uma base para U +W.
0 1 1 0 0 1 0 1
3.8.2 Dimensao
4. dimW = 3 entao W = R3 .
Proposicao 3.6 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
condicoes de base esteja satisfeita.
3.8. Base e Dimensao de um Espaco Vetorial 67
Exemplo 107 O conjunto = {(2, 1), (1, 3)} e uma base do R2 . De fato, como dim R2 = 2 e os
dois vetores dados sao LI (pois nenhum vetor e multiplo escalar do outro), eles formam uma base do
R2 .
{
}
Exemplo 108 Seja W = p(x) P3 : p (2) + p (1) = 0 um subespaco vetorial de P3 . Encontre
uma base e a dimensao de W.
Vamos entao encontrar uma base, comecemos pelos geradores de W .
Se p(x) = ax + bx + cx + d W
3 2 temos que p (2) + p (1) = 0.Entao como
p (1) = 3a + 2b + c
obtem-se de p (2) + p (1) = 0 que c = 15a 4b.
p (2) = 12a + 2b
Proposicao 3.7 Seja V um espaco vetorial de dimensao finita. Se U e W sao subespacos vetoriais
de V entao
dim(U +W ) = dimU + dimW dim(U W ).
No exemplo (100) de base, para encontrar a base de U + W podemos usar esta proposicao:
dim(U + W ) = dimU + dimW dim(U W ) = 3 + 1 0 = 4 = dim M2 , portanto, U + W = M2
e uma base pode ser dada por:
1 0 0 1 0 0 1 1
, , ,
0 0 0 0 1 0 0 1
3.8.4 Coordenadas
Exemplo 109 No R2 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)
8 3 2
temos: [v] = , [v] = e [v] = .
6 2 3
Exemplo 110 Mostre que os vetores (1, 1, 1), (0, 1, 1) e (0, 0, 1) formam uma base de R3 . Encontre
as coordenadas de (1, 2, 0) R3 com relacao a base formada pelos vetores acima.
Ja sabemos que dim R3 = 3.Entao verificamos se os vetores acima sao LI. Os vetores sao LI se
a1 v1 + a2 v2 + a3 v3 = 0 a1 = a2 = a3 = 0. Isto e equivalente ao sistema:
a1 = 0
a1 + a2 = 0
a +a +a = 0
1 2 3
1
Desse modo, as coordenadas de (1, 2, 0) em relacao a base e dado por [v] = 1
2
3.9. Mudanca de Base 69
Exemplo 111 Determinar as coordenadas do vetor u = (2, 1, 4) do R3 em relacao as bases:
1. Canonica
Nesta secao, vamos discutir o problema de mudar de um sistema de coordenadas para outro.
Definicao 3.8 Sejam = {u1,..., un } e = {w1, ....., wn } duas bases ordenadas de um mesmo espaco
vetorial V . Dado um vetor v V , podemos escreve-lo como:
v = x1 u1 + .... + xn un (3.1)
v = y1 w1 + .... + yn wn
Ja que {u1 , . . . , un } e base de V, podemos escrever os vetores wi como combinacao linear dos u j , isto
e:
w1 = a11 u1 + a21 u2 + .... + an1 un
w = a u + a u + .... + a u
2 12 1 22 2 n2 n
(3.2)
:
w = a u + a u + .... + a u
n 1n 1 2n 2 nn n
Mas v = x1 u1 + .... + xn un , e como as coordenadas em relacao a uma base sao unicas, temos:
: : :
Em forma matricial
x a : a1n y
1 11 1
: = : : : :
xn an1 an2 ann yn
temos a relacao
[v] = [I] [v]
3.9. Mudanca de Base 71
A matriz [I] e chamada matriz mudanca de base para a base .
Compare [I] com (3.2) e observe que esta matriz e obtida, colocando as coordenadas em relacao
a de wi na i-esima coluna. Note que uma vez obtida [I] podemos encontrar as coordenadas de
qualquer vetor v em relacao a base , multiplicando a matriz pelas coordenadas de v na base
(supostamente conhecida).
Exemplo 113 Sejam = {(2, 1), (3, 4)} e = {(1, 0), (0, 1)} bases de R2 . Procuremos inicial-
mente [I]
w1 = (1, 0) = a11 (2, 1) + a21 (3, 4) = (2a11 + 3a21 , a11 + 4a21 )
4 1
Isto implica que a11 = 11 e a21 = 11
Exemplo 114 Considere as bases em R3 = {(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) = a11 (1, 0, 1) + a21 (1, 1, 1) + a31 (1, 1, 2)
(0, 1, 0) = a12 (1, 0, 1) + a22 (1, 1, 1) + a32 (1, 1, 2)
(0, 0, 1) = a13 (1, 0, 1) + a23 (1, 1, 1) + a33 (1, 1, 2)
Note que cada linha acima representa um sistema de tres equacoes com tres incognitas e que a
matriz associada a cada um destes sistemas e a mesma e o que muda sao os nomes das variaveis e o
segundo membro. Utilizando como variaveis x, y e z , basta resolvermos o seguinte sistema:
72 3.10. A Inversa da Matriz de Mudanca de Base
1 1 1 x a
0 1 1 y = b
1 1 2 z c
1 1 1 x a
0 1 1 y = b
0 0 1 z ca
Tomando (a, b, c) = (0, 0, 1),obtemos (a13 , a23 , a33 ) = (0, 1, 1). Desta forma obtemos:
1 1 0
[I] = 1 1 1
1 0 1
[v] = [I] [v]
Um fato importante e que as matrizes [I] e [I] sao inversveis e
( )
1
[I] = [I]
Exemplo 115 No exemplo (113 ) anterior podemos obter [I] a partir de [I]
Note que [I] e facil de ser calculada , pois e a base canonica
(2, 1) = 2(1, 0) 1(0, 1) 2 3
[I] =
(3, 4) = 3(1, 0) + 4(0, 1) 1 4
3.10. A Inversa da Matriz de Mudanca de Base 73
Entao 1
4 3
2 3
[I] = = 11 11
1 4 1
11
2
11
{ } { }
Exemplo 116 Seja V = P3 e = 2, x, x2 + 1, x3 x e = 3, x + 1, x2 , 3x3 bases de P3 .
a. Encontre [I] .
Exerccio 3.3 Verifique se em cada um dos itens abaixo o subconjunto W e um subespaco do espaco
vetorial V .
a) V = R3 e W = {(x, y, z) R3 : 2x + 3y z = 0}
b) V = R3 e W = {(x1 , x2 , x3 ) R3 : x1 + x2 = 1}
c) V = Pn e W = {p Pn : p(0) = p(1)}
d) V = M(2, 2) e S = {X M2 det(X) = 0} (S e o conjunto das matrizes singulares)
e) V = M(n, n) e F = {X Mn AX = XA} (F e o conjunto das matrizes que comutam com a
matriz A)
f) V = P3 e W e o conjunto dos polinomios de grau 3 que passam pelo ponto P(0, 0).
{ }
g) V = P1 e W = p(x) P1 : 01 p(x)dx = 0
x y z
h) V = R e W = (x, y, z) R : det 1 2 1 = 0
3 3
0 1 1
{ }
i) V = M22 e W = A M22 : A2 = A
Exerccio 3.4 Verifique se o conjunto W = {(1, 2, 3), (1, 3, 1), (0, 3, 1), (1, 4, 5)} R3 e L.I ou L.D.
Exerccio 3.5 Dado o conjunto W = {(1, 1, 3), (1, 2, 1), (0, 1, 3), (1, 4, 5)} R3 , extrair um subcon-
junto de vetores L.I.
Exerccio 3.8 Considere o subespaco de R4 gerado pelos vetores v1 = (1, 1, 0, 0), v2 = (0, 0, 1, 1),
v3 = (2, 2, 1, 1) e v4 = (1, 0, 0, 0).
a) O vetor (2, 3, 2, 2) [v1 , v2 , v3 , v4 ]? Justifique.
b) Exiba uma base para [v1 , v2 , v3 , v4 ]. Qual e a dimensao deste espaco?
c) [v1 , v2 , v3 , v4 ] = R4 ? Por que?
Exerccio 3.13 Mostre com um exemplo que a uniao de dois subespacos vetoriais de um mesmo
espaco vetorial nao precisa ser um subespaco vetorial desse espaco.
Exerccio 3.14
Responda
se os subconjuntos abaixo sao subespacos
de M(2, 2).
a b
a) V = com a, b, c, d R e b = c e a = b
c d
a b
b) V = com a, b, c, d R e b = d
c d
Em caso afirmativo, determine:
i) uma base para W1 W2
ii) W1 +W2 e soma direta?
iii) W1 +W2 = M(2, 2)?
76 3.11. Terceira lista de exerccios
Exerccio 3.15 Considere os subespacos de R5 , W1 = {(x, y, z,t, w)x + z + w = 0, x + w = 0} ,
W2 = {(x, y, z,t, w)y + z + t = 0} e W3 = {(x, y, z,t, w)2x + t + 2w = 0}.
a) Determine uma base para o subespaco W1 W2 W3 .
b) Determine uma base e a dimensao de W1 +W3 .
c) W1 +W2 e soma direta? Justifique.
d) W1 +W2 = R5 ?
{
}
U = p P3 : p (1) = 0
{
}
e W = p P3 : p (1) = 0
Exerccio 3.18 Sejam U = [(1, 0, 0), (1, 1, 1)] e V = [(0, 1, 0), (0, 0, 1)] subespacos gerados do R3 .
Determine:
a) uma base e a dimensao de U W .
b) U +W = R3 ?
Exerccio
3.20 Determine a dimensao e encontre uma base do espaco-solucao do sistema
x 3y + z = 0
2x 6y + 2z = 0
3x 9y + 3z = 0
3.11. Terceira lista de exerccios 77
Exerccio 3.21 Sejam U e W subespacos de R4 de dimensao 2 e 3, respectivamente. Mostre que a
dimensao de U W e pelo menos 1. O que ocorre se a dimensao de U W for 2 ? Pode ser 3?
Justifique sua resposta.
Exerccio 3.22 O conjunto A = {(1, 0, 2), (a2 , a, 0), (1, 0, a)} e uma base para um subespaco do R3
de dimensao 2, se e somente se, a = 2.
x + y + az = 0
Exerccio 3.23 Seja S = {X M31 : AX = 0} o espaco solucao do sistema x + ay + z = 0 . De-
ax + y + z = 0
termine os valores de a para os quais S seja: a propria origem; uma reta que passa pela origem; e,
um plano que passa pela origem.
Exerccio 3.24 Sejam = {(1, 0), (0, 1)}, 1 = {(1, 1), (1, 1)}, 2 = { 3, 1), ( 3, 1)} e 3 =
{(2, 0), (0, 2)} bases ordenadas de R2 .
a) Encontre a matriz mudanca de base:
i. [I]1 ii. [I] iii. [I] iv. [I]
1 2 3
{ }
Exerccio 3.25 Sejam P4 = p = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 a0 , a1 , a2 , a3 , a4 R , =
{ } { }
1, x, x2 , x3 , x4 e = 2, 2x, 4x2 , 8x3 , 16x4 .
a) Determine [I] .
1
2
b) Se [p] = 3 , determinar [p] .
4
5
c) Determine o polinomio p cujas coordenadas sao dadas no item b) acima.
a b
Exerccio 3.26 Considere o seguinte subespaco de M2 : W = d = 0 . Sejam
c d
78 3.11. Terceira lista de exerccios
1 1 1 1 1 1
= , ,
1 0 1 0 11 0
1 0 1 1 1 0
= , ,
1 0 0 0 0 0
a) Detemine [I] .
b) Se [v] = e , determine [v] .
0
1 1 0 1 2 1
Exerccio 3.28 Seja = , , uma base para um subespaco de M22
0 0 1 0 2 0
1 0 1
e [I] = 1 1 1 onde e tambem uma base para um subespaco de M22
2 1 2
.
a) Determinea base
1
b) Se [v] = 2 , determine [v] .
1
Exerccio 3.29 Seja E um espaco vetorial qualquer e = {u1 , u2 , u3 } uma base de E. Considere
ainda os vetores v1 = u1 + u2 , v2 = 2u1 + u2 u3 e v3 = u2 .
a) Determine a matriz S de mudanca da base = {v1 , v2 , v3 } para a base = {u1 , u2 , u3 }.
b) Calcule as coordenadas do vetor w = v1 + v2 v3 na base {u1 , u2 , u3 }.
v 3,
v 1 +
v 2,
v 1 +v 2 +v 3 } e lineramente independente.
e) O subespaco W = {p P3 : p (1) = 0 e p (1) = 0} e gerado pelos polinomios p1 = 1 e
p2 = 9x + 3x2 + x3 .
4 4
2
c) i) ii) 3 iii) [v] =
2
4 3 8
2
1
0 0 0 0
2
0 12 0 0 0
3.25 - a) [I] = 0 0 4 0 0
1
0 0 0 18 0
1
0 0 0 0 16
1
2
1
b) [v] = 34
1
2
5
16
c) p(x) = 1 + 2x+ 3x2 + 4x3 + 5x4
1 1 11
3.26 - a) [I] = 1 1 1
1 1 11
11
+ e
2 12
b) [v] =
2
e
12
3.27 - = {(1, 2,
2), (0, 1,
1), (0, 1,2)}
5 3 3 3 3 1
3.28 - a) = 4 2 4 2 4
, , 2
1
0 1
12 0
2 2 0
0
b) [v] = 3
1
1 2 0
3.29 - a) [I] = 1 1 1
0 1 0
3
b) [w] = 3
1
3.31 - a) V b) V c) F d) F e) V f) V
82 3.11. Terceira lista de exerccios
Captulo 4
TRANSFORMACOES LINEARES
Definicao 4.1 Sejam V e W dois espacos vetoriais. Uma Transformacao Linear (aplicacao linear) e
uma funcao de V em W, T : V W, que satisfaz as seguintes condicoes:
T (u + v) = T (u) + T (v)
T (kv) = kT (v)
Exemplo 117 Um agricultor planta e comercializa tres tipos de verduras: Tomate, Batata, Cenoura.
Sejam x1 , x2 , x3 as quantidades em quilos de Tomate, Batata, Cenoura respectivamente. Se o agricul-
tor vende o quilo do tomate a R$3, 50,da batata a R$2, 20 e da cenoura a R$2, 90 entao o total de
vendas (TV ) e dado por 3, 5x1 + 2, 2x2 + 2, 9x3 . A aplicacao que a cada tripla (x1 , x2 , x3 ) R3 associa
o total de vendas TV (x1 , x2 , x3 ) e uma aplicacao linear. Matematicamente temos uma transformacao
linear do EV R3 no EV R :
TV : R3 R
Vamos agora mostrar que de fato esta aplicacao e uma transformacao linear.
84 Captulo 4. TRANSFORMACOES LINEARES
Chamando u = (x1 , x2 , x3 ) R3 , v = (y1 , y2 , y3 ) R3 e k R temos:
TV (u + v) = TV ((x1 , x2 , x3 ) + (y1 , y2 , y3 ))
= TV (x1 + y1 , x2 + y2 , x3 + y3 )
= 2(x1 + y1 ) + 1, 5(x2 + y2 ) + 1, 9(x3 + y3 )
= 2x1 + 1, 5x2 + 1, 9x3 + 2y1 + 1, 5y2 + 1, 9y3
i) = (2x1 + 1, 5x2 + 1, 9x3 ) + (2y1 + 1, 5y2 + 1, 9y3 )
TV (ku) = TV (k(x1 , x2 , x3 ))
= TV (kx1 , kx2 , kx3 )
ii) = 2kx1 + 1, 5kx2 + 1, 9kx3
= k (2x1 + 1, 5x2 + 1, 9x3 )
= kT (u)
Logo TV (ku) = kTV (u). De i) e ii) vemos que TV e uma transformacao linear.
T (u + v) = T ((x1 , y1 ) + (x2 , y2 ))
= T (x1 + x2 , y1 + y2 )
= (2(x1 + x2 ), 0, (x1 + x2 ) + (y1 + y2 ))
i)
= (2x1 + 2x2 , 0 + 0, (x1 + y1 ) + (x2 + y2 ))
= (2x1 , 0, x1 + y1 ) + (2x2 , 0, x2 + y2 )
= T (u) + T (v)
Captulo 4. TRANSFORMACOES LINEARES 85
Exemplo 120 V = W = Pn e
D : Pn Pn1
D( f ) = f
a aplicacao derivada que a cada polinomio associa sua derivada, a qual tambem e um polinomio e
uma aplicacao linear. De fato, para quaisquer f , g Pn e k R,
D( f + g) = ( f + g)
i) = f + g
= D( f ) + D(g)
D(k f ) = (k f )
ii) = kf
= kD( f )
T : Pn Pn+1
T : Pn Pn
Exemplo 123 Uma transformacao linear inportante e aquela que se obtem usando-se o produto es-
calar. Seja Rn com o produto escalar usual ., . e v0 Rn um vetor qualquer fixado. Seja,
T : Rn R
T (v) = v, v0
J : C(R) R
J( f ) = f (0)
Por exemplo se f (t) = t 2 entao J( f ) = f (0) = 02 = 0. J e uma aplicacao linear pois, se f , g C(R)
e k R entao
M2 M2
T :
a b a+b b+c
T =
c d c+d d +a
a1 b1 a2 b2 a1 + a2 b1 + b2
T + = T
c1 d1 c2 d2 c1 + c2 d1 + d2
a1 + a2 + b1 + b2 b1 + b2 + c1 + c2
=
c1 + c2 + d1 + d2 d1 + d2 + a1 + a2
a1 + b1 b1 + c1 a2 + b2 b2 + c2
= +
c1 + d1 d1 + a1 c2 + d2 d2 + a2
a1 b1 a2 b2
= T + T
c1 d1 c2 d2
a b ka kb
T k = T
c d kc kd
ka + kb kb + kc
=
kc + kd kd + ka
a+b b+c
= k
c+d d +a
a b
= kT
c d
T : Mn R
T (A) = det(A)
Esta aplicacao nao e uma transformacao linear, pois, em geral det(A1 + A2 ) = det(A1 ) + det(A2 )
Teorema 4.1 Dados dois espacos vetoriais reais V e W e uma base de = {v1 , , vn } de V. Sejam
w1 , , wn elementos arbitrarios de W . Entao existe uma unica aplicacao linear T : V W tal que
T (v1 ) = w1 , , T (vn ) = wn . Esta aplicacao e dada por: Se v = a1 v1 + + an vn , entao
T (v) = a1 w1 + an wn
Exemplo 129 Qual a transformacao linear T : R2 R3 tal que T (1, 0) = (2, 1, 0) e T (1, 1) =
(0, 0, 1)?
Temos neste caso v1 = (1, 0) e v2 = (1, 1) base de R2 e w1 = (2, 1, 0) e w2 = (0, 0, 1). Dado
v = (x, y) arbitrario,
1 0 0 1 0 0 0 0
= aT + bT + cT + dT
0 0 0 0 1 0 0 1
a b ( ) ( ) ( ) ( )
T = a x4 + x + b x3 + x2 + c x2 + x3 + d x + x4
c d
a b
T = (a + d)x + (b + c)x2 + (b + c)x3 + (a + d)x4
c d
Exemplo 131 Seja T : R2 R2 a transformacao linear dada por T (x, y) = (2x y, 10x + y). Qual
dos vetores abaixo pertence a imagem de T
a) u = (1, 2)
b) w = (1, 2)
a) Para que u Im(T ) deve existir algum v = (x, y) tal que T (v) = u, ou seja, T (x, y) = (1, 2);
90 4.1. Propriedades das Transformacoes Lineares
temos entao:
T (x, y) = (1, 2)
T (x, y) = (1, 2)
w = (2x y z, x y z, x + y z)
Logo todo vetor que pertence a imagem de T e gerado pelos vetores w1 = (2, 1, 1), w2 = (1, 1, 1)
e w3 = (1, 1, 1). Podemos entao 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 (verifique isto) temos que e
uma base para a Im(T ), mas e base para R3 , logo concluimos que Im(T ) = R3 .
Definicao 4.3 Seja T : V W, uma transformacao linear. O conjunto de todos os vetores v V tais
que T (v) = 0 e chamado nucleo de T , sendo denotado por Ker(T ). Isto e,
{ }
Ker(T ) = v V T (v) = 0
Exemplo 133 Seja T : V W , dada por T (v) = 0 . Neste caso todo vetor de V e levado no vetor
nulo pela transformacao T, assim temos que Ker(T ) = V
Exemplo 134 Seja T : R3 R3 a projecao 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
{ }
variavel z, temos que z e qualquer, logo Ker(T ) = (0, 0, z) R3 z R , ou seja o nucleo de T
sao todos os vetores que estao sobre o eixo z.
T : R4 R3
T (x, y, z,t) = (x + y + z t, 2x + z t, 2y t)
Devemos encontrar os vetores v = (x, y, z,t) R4 tais que T (v) = T (x, y, z,t) = (0, 0, 0). Neste
caso temos que resolver o sistema homogeneo:
x+y+zt = 0
2x + z t = 0
2y t = 0
A
matriz ampliada do sistema
e:
.. ..
1 1 1 1 . 0 1 1 1 1 . 0
.. ..
2 0 1 1 . 0 0 2 1 1 . 0
. .
0 2 0 1 .. 0 0 0 1 0 .. 0
pa = pc = 3 e p = 3 < n = 4 logo o sistema e compatvel e indeterminado com grau de liberdade
1.
Logo,
x+y+zt = 0
2y z + t = 0
z = 0
Projetar um vetor sobre uma reta e o mesmo que encontrar a projecao ortogonal sobre o vetor
diretor dessa mesma reta. No nosso caso, o vetor diretor e u = (2, 2, 1), logo
( v.u )
T (v) = pro ju v = u
( u.u )
(x, y, z).(2, 2, 1)
T (x, y, z) = (2, 2, 1)
(2, 2, 1).(2, 2, 1)
( )
2x 2y + z
T (x, y, z) = (2, 2, 1)
9
( )
4x 4y + 2z 4x + 4y 2z 2x 2y + z
T (x, y, z) = , ,
9 9 9
( )
4x 4y + 2z 4x + 4y 2z 2x 2y + z
T (x, y, z) = , , = (0, 0, 0)
9 9 9
4x 4y + 2z = 0
4x + 4y 2z = 0
2x 2y + z = 0
4 4 2 4 4 2
4 4 2 , fazendo o escalonamento temos 0 0 0 , assim
2 2 1 0 0 0
4x 4y + 2z = 0
0 = 0
0 = 0
4.1. Propriedades das Transformacoes Lineares 93
2z = 4x + 4y
z = 2x + 2y
{ }
Portanto Ker(T ) = (x, y, 2x + 2y) R3 x, y R = [(1, 0, 2), (0, 1, 2)]
Exemplo 137 Seja F : R3 R2 a transformacao linear dada por F(x, y, z) = (x + y, 2x y + z). Dar
uma base e a dimensao de ker(F).
Definicao 4.4 Dada uma aplicacao 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, entao
T (u) = T (v).
Observacao 10 Da definicao acima vemos que uma funcao sera sobrejetora se dado w W , existir
v V tal que T (v) = w.
Teorema 4.2 Seja T : V W , uma aplicacao linear. entao ker(T ) = {0} , se e somente se T e
injetora.
Proof. a) Vamos mostrar que se T e injetora, entao 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 hipotese T e injetora entao v = 0. Portanto, o vetor nulo e o unico elemento
do nucleo, isto e, ker(T ) = {0}.
b) Vamos mostrar que se ker(T ) = {0}, entao T e injetora.
Sejam v1 , v2 V tais que T (v1 ) = T (v2 ). Entao T (v1 ) T (v2 ) = 0 ou T (v1 v2 ) = 0 e, portanto,
v1 v2 ker(T ). Mas por hipotese, o unico elemento do nucleo e o vetor nulo, logo v1 v2 = 0 e
portanto v1 = v2 . Como T (v1 ) = T (v2 ) v1 = v2 , T e injetora.
T (p(x)) = xp(x)
T (a0 + a1 x + . . . + an xn ) = x(a0 + a1 x + . . . + an xn )
Se
T (p(x)) = 0
{
}
logo a0 = a1 = . . . = an = 0 p(x) = 0 (p(x) e o polinomio nulo) Ker(T ) = 0 (observe que
neste caso o vetor nulo de Pn e o polinomio nulo de grau n). Portanto T e injetora.
Como dim Pn = n + 1, dim Pn+1 = n + 2 e dim Ker(T ) = 0, temos que
0 + dim Im(T ) = n + 1
dim Im(T ) = n + 1
Note que dim Im(T ) = n + 1 = n + 2 = dim Pn+1 Im(T ) = Pn+1 . Portanto T nao e sobrejetora
e assim T nao e bijetora.
LA : Rn Rm
v A.v
LA (v) = A.v
a11 a1n x
1
. . .
LA (v) = .. . . . .. ..
am1 amn xn
x1 a11 x1 + a1n xn
.. ..
LA . = .
xn am1 x1 + + amn xn
1 1 1 1
Exemplo 139 Seja A = 2 0 1 1
0 2 0 1
Observe que a matriz A tem ordem 3 4 e portanto ela induzira uma transformacao linear de R4
96 4.2. Transformacoes Lineares e Matrizes
para R3 , definida por:
LA : R4 R3
x x
1 1 1 1
y
y
LA
= 2 0 1 1
z z
0 2 0 1
t t
x+y+zt
= 2x + z t
2y t
Note que a transformacao acima esta escrita em forma matricial, mas podemos escreve-la tambem
na forma vetorial que estamos acostumados:
LA (x, y, z,t) = (x + y + z t, 2x + z t, 2y t)
T : R3 R2
a a1n
11
. .
Amn = .. . . . ..
am1 amn
podemos associar
TA : Rn Rm
v TA (v)
entao
TA (v) = y1 w1 + + ym wm
Agora iremos encontrar a matriz associada a uma transformacao linear. Seja T : V W linear,
= {v1 , , vn } base de V e = {w1 , , wm } base de W. Entao T (v1 ), . . . , T (vn ) sao vetores de W
e portanto
T (v1 ) = a11 w1 + + am1 wm
.. .. ..
. . .
T (vn ) a1n w1 + + amn wm
A transposta da matriz dos coeficientes deste sistema, denotada por [T ] e chamada matriz de T
em relacao as bases e :
a11 a1n
.. ..
[T ] = . .
am1 amn
a11 a1n
.. ..
Observacao 12 Note que se A = [T ] .= . a transformacao linear T passa a ser
am1 amn
a transformacao linear associada a matriz A e bases e , isto e, T = TA .
[ ]
a = 3 , b = 1 , c = 11 , d = 8 , e = 5 , f = 3
4.2. Transformacoes Lineares e Matrizes 99
3 11 5
[T ] =
1 8 3
[T (v)] = [T ] [v]
Definicao 4.6 Dada uma base e tranformacao linear T : V V denotaremos a matriz [T ] apenas
por [T ] e ela sera chamada de matriz de T em relacao a base .
Definicao 4.7 Seja T : Rn Rn uma transformacao linear e a base canonica de Rn , entao a matriz
de T em relacao a base canonica , [T ] , sera denotada simplesmente por [T ] .
Exemplo 142 Seja T : P2 P2 definido por T (p(x)) = p(3x5). Determine a matriz de T em relacao
{ }
a base = 1, x, x2
Devemos calcular [T ] = [T ]
T (p) = p(3x 5)
1 5 25
[T ] = 0 3 30
0 0 9
( )
T (1, 0, 0) = = a1 (1, 1, 0) + b1 (1, 0, 1) + c1 (0, 1, 1)
2, 1, 2
( )
T (1, 1, 0) = 1, 0, 1 = a2 (1, 1, 0) + b2 (1, 0, 1) + c2 (0, 1, 1)
( )
T (1, 1, 1) = 3, 1, 2 = a3 (1, 1, 0) + b3 (1, 0, 1) + c3 (0, 1, 1)
Devemos resolver os tres sistemas resultantes: Denotando por A a matriz dos coeficientes do
sistema,temos:
1 1 0 12 12 12
A = 1 0 1 A1 = 12 12 12
0 1 1 1
2 2 2
1 1
Vamos
resolveros sistemas
por matriz inversa:
a 2 2 2
1 1 1
2 1
1 2 2
b1 = A1 1 = 12 12 12 1 = 32
c1 2 1
2 2 2
1 1
2 21
a2 1 12 12 1
1 1
2
1
b2 = A 0 = 12 1
12 0 = 0
2
2 2 12 1
1 1
c2 1 1
a 3 12 12 1
3 3
3 2
1
b3 = A 1 = 12 1
12 1 = 0
2
c3 2 1
2 12 12 2 2
Logo
12 1 3
[T ] = 32 0 0
12 1 2
Agora voce ja esta em condicoes de calcular [T ] . Faca esse calculo como exerccio
4.2. Transformacoes Lineares e Matrizes 101
b) Vamos usar a relacao [T (v)] = [T ] [v]
[T (v)] = [T ] [v]
1 1 3 1
2
[T (v)] = 32 0 0 1
12 1 2 1
7
2
[T (v)] = 32
72
p (0) 2p(1)
Exemplo 144 Seja T : P2 M(2, 2) definida por T (p(x)) = onde p e a derivada de
0 p (3)
1 1 0 1 0 0 1 0 { }
p. Sejam . = , , , uma base para M(2, 2) e = 1, x, x2 base
0 0 0 0 1 1 0 1
para P2 .
a) Determine [T ] .
b) Seja
0 0
p(x) N(T ) T (p(x)) =
0 0
b 2a + 2b + 2c 0 0
= a=b=c=0
0 2c 0 0
Logo, p(x) = 0 + 0x + 0x2 N(T ) N(T ) = {0}
b 2a + 2b + 2c 0 2 1 2 0 2
c) Seja A Im(T ) A = = a +b +c
0 2c 0 0 0 0 0 2
Portanto,
0 2 1 2 0 2
Im(T ) = , ,
0 0 0 0 0 2
Como os geradores da Im(T ) formam um conjunto L.I. (Verifique!) tem-se que
0 2 1 2 0 2
, , e uma base para Im(T ).
0 0 0 0 0 2
d) T e injetora pois N(T ) = {0}, mas nao e sobrejetora pois dim Im(T ) = 3 = dim M(2, 2)
4.3. Composicao de transformacoes lineares 103
4.3 Composicao de transformacoes lineares
Definicao 4.8 Se T1 : V W e T2 : W U sao duas transformacoes lineares a composta das duas
transformacoes lineares e definida do mesmo modo que a composicao de funcoes ( lembre-se que um
transformacao linear e uma funcao com a propriedade adicional de ser linear) da seguinte forma
T2 T1 : V U
= T2 (x y, y x, y x)
= (x y) (y x) (y x)
= xyy+xy+x
= 3x 3y
[T ] = [IW T IV ] = [IW ] [T ] [IV ]
Temos:
2a + b c 2a + 2b + c
[S T ] = S(T (a + bx + cx2 )) =
b + 2c 4a + 3b + c
2 2 1 0 1 1 0 1 0 0
T (1) = = e + f +g +h
0 4 0 0 0 0 1 0 1 1
cuja solucao e: e = 4, f = 2, g = 4 e h = 4.
1 0 1 0 1 1 0 1 0 0
T (1 x) = = i + j +k +l
1 1 0 0 0 0 1 0 1 1
cuja solucao e: i = 3, j = 2, k = 2 e l = 1.
0 3 1 0 1 1 0 1 0 0
T (2 x + x2 ) = = m +n +o + p
1 6 0 0 0 0 1 0 1 1
cuja solucao e: m = 4, n = 2, o = 5 e p = 6.
4.4. A Inversa de uma transformacao linear 105
Assim, encontramos para [S T ]
e i m 4 3 4
f j n 2 2 2
[S T ] =
g k o 4 2 5
h l p 4 1 6
Definicao 4.9 Da-se o nome de isomorfismo a uma transformacao linear T : V W que e injetora
e sobrejetora ao mesmo tempo. Quando ha um isomorfismo entre dois espacos vetoriais dizemos que
estes sao Isomorfos.
Definicao 4.10 Seja T : V W uma transformacao linear. Se existe uma transformacao linear
S : W V tal que T S = IW , onde IW : W W e a identidade em W, dizemos que S e a inversa
a direita de T. Se existe uma transformacao R : W V , tal que R T = IV , onde IV : V V e a
identidade em V , dizemos que R e a inversa a esquerda de T.
[ 1 ] ( )1
T
= [T ]
Observacao 13 Quando estamos trabalhando com o espaco Rn e a base canonica de Rn por sim-
plicidade omitimos as bases e a matriz de T : Rn Rn , em relacao a base canonica, e denotada
simplesmente por [T ] . Neste caso a proposicao acima e escrita na forma mais conveniente: Se
[ ]
T : Rn Rn e inversvel entao T 1 = [T ]1
106 4.4. A Inversa de uma transformacao linear
Proposicao 4.5 Seja T : V W uma transformacao linear, com dimV = dimW, e e bases de V
e W respectivamente. Entao T e inversvel se, e somente se det [T ] = 0.
Exemplo 147 Seja T : R3 R3 , dada por T (x, y, z) = (x + 2y + 2z, x + y + 3z, x + 2y + z), determine
a transforma cao inversa T 1 .
Facilmente podemos ver que
1 2 2 5 2 4
[ ]
[T ] = 1 1 3 T 1 = [T ]1 = 2 1 1
1 2 1 1 0 1
logo T 1 (x, y, z) = (5x + 2y + 4z, 2x y z, x z). Como exerccio verifique que vale
( )
T T 1 (x, y, z) = (x, y, z)
Podemos tambem neste caso calcular a inversa usando diretamente a difinicao de transformacao
inversa da seguinte forma
Sabemos que T 1 : R3 R3 e uma transformacao linear tal que T 1 T = I ou T T 1 = I.
Suponhamos que T 1 (x, y, z) = (m, n, s), devemos encontrar m, n e s tais que T T 1 = I (devemos
usar esta igualdade pois com a outra nao funciona, tente e veja o que acontece). Portanto
( )
T T 1 (x, y, z) = I(x, y, z) = (x, y, z)
T (m, n, s) = (x, y, z)
m + 2n + 2s = x
m + n + 3s = y
m + 2n + s = z
1 2 2 x 1 2 2 x
escalonando
1 1 3 y 0 1 1 x y
=
1 2 1 z 0 0 1 xz
4.4. A Inversa de uma transformacao linear 107
s = xz
n = x y + x z = 2x y z
m = x 2(2x y z) 2(x z) = 5x + 2y + 4z
Logo
Exemplo 148 Considere a transformacao linear T : R3 M2T (M2T e o espaco das matrizes trian-
gulares superiores) definida por
1 1
T (1, 1, 0) =
0 0
1 1
T (0, 1, 1) =
0 2
0 1
T (1, 1, 1) =
0 1
Sabemos que:
1 1 1 1 0 1
T 1 = (1, 1, 0), T 1 = (0, 1, 1), T 1 = (1, 1, 1)
0 0 0 2 0 1
e, seja
x y 1 1 1 1 0 1
= a +b +c
0 z 0 0 0 2 0 1
obtemos o sistema:
1 1 0 | x
a+b = x
a + b c = y 1 1 1 | y
2b + c = z 0 2 1 | z
108 4.5. Quarta lista de exerccios
realizando o escalonamento da matriz, encontramos:
3xyz
1 0 0 |
2
x+y+z
0 1 0 |
2
0 0 1 | xy
portanto
5
32 12 ( )
2 5x 3y z 3x 3y z
1
[T ] = 0 1 0 = , y,
2 2
3
2 32 12
Exerccio 4.1 Verifique se as funcoes dadas abaixo sao transformacoes lineares. Em cada caso,
justifique sua afirmacao:
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
a b
c) S : M(2, 2) 2 , S = (a + b, 0)
c d
d) G : M(5, 5) M(5, 5), G(A) = AB + I5 , onde B = diag(d1 , d2 , d3 , d4 , d5 ) e uma matriz diagonal
e I5 e a matriz identidade de ordem 5.
e) F : P2 P2 tal que F(p) = p + q, p P2 e q(t) = t 2 + 1, t .
f) S : R2 R2 dada por S(x, y)
= (x +y, x y)
a b a b
g) T : M(2, 2) R dada por det
c d c d
h) T : R R, T (x)
= |x|.
a b
i) T : M2 P1 , T = a + dt
c d
j) S : R3 R3 tal que S(x, y, z) = (3x, a, 5z), onde a R e uma constante.
k) T : Pn Pn tal que T (p(x)) = p (x) + x2 p (x)
Exerccio 4.2 Seja T : P2 P2 um operador linear tal que T (p0 )(t) = 1 + t, T (p1 )(t) = t + t 2 ,
4.5. Quarta lista de exerccios 109
T (p2 )(t) = 1 + t 2t 2 onde pi (t) = t i , i = 0, 1, 2.
a) Encontre T (p)
b) T e injetora? Justifique sua resposta.
c) T e sobrejetora? Justifique sua resposta.
d) T e bijetora? Justifique sua resposta.
1 1
Exerccio 4.3 a) Encontre a transformacao T : 2 M(2, 2) tal que T (1, 0) = ,
1 1
1 1
T (0, 1) =
1 1
b) Usando a transformacao T encontrada no item a) , calcule T (1000, 999)
c) A transformacao e bijetora? Justifique sua resposta.
Exerccio 4.4 Seja T : 3 3 uma transformacao linear definida 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 4.5 Sejam ={(1, 1), (0, 2)} e = {(1, 0, 1), (0, 1, 2), (1, 2, 0)} bases de e ,
2 3
1 0
respectivamente e [T ] = 1 1
0 1
a) Encontre a transformacao linear T .
b) Enconte uma base para Ker(T ) e uma base ).
para Im(T
1 0
c) Encontre uma base de tal que [T ] = 0 0
3
0 1
Exerccio
4.6 Encontre a transformacao linear T : 2 2 que e a projecao sobre a reta dada por
x = 2t
. Determine dim Im(t) e dim Ker(T ). T e inversvel? Se for, determine T 1 .
y=t
Exerccio 4.7 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 isomorfismo? Em caso afirmativo, determine o isomorfismo inverso.
110 4.5. Quarta lista de exerccios
Exerccio 4.8 Considere a transformacao linear T : P2 R3 tal que T (1) = (1, 0, 1), T (x + x2 ) =
(1, 2, 2) e T (1 x) = (0, 1, 1). Encontre T 1 .
Exerccio 4.9 Seja T : P2 P3 a transformacao definida por T (p(x)) = xp(x 3). Encontre [T ] em
relacao as bases = {1, x, x2 , x3 } e = {1, x, x2 }.
Exerccio 4.10 Encontre uma transformacao linear T : 3 3 cujo nucleo e gerado por (1, 1, 0)
e (0, 0, 1) e a imagem gerada pelo vetor (1, 1, 1).
Exerccio 4.11 Encontre uma transformacao linear T : 4 4 cujo nucleo e gerado por (1, 1, 0, 0)
e (0, 0, 1, 0).
Exerccio 4.12 Mostre que se a matriz transformacao [T ] e inversvel entao N(T ) = { 0 }.
Exerccio 4.13 Se T : V W e uma transformacao linear tal que T (w) = T (u) + T (v) entao w =
u + v?
Exerccio 4.16 Seja T : P2 P2 a transformacao linear definida por T (p(x)) = xp (x)
a) Quais dos seguintes polinomios pertencem ao N(T )?
1. 2
2. x2
3. 1 x
Exerccio 4.18 Seja T : P3 P2 definida por T (p) = p . Determine a matriz T em relacao as bases
{ } { }
= 1,t,t 2 ,t 3 e = 1, 1 + t, 1 + t 2 , isto e, [T ] .
Exerccio 4.19 Mostre que se uma transfomacao linear e injetora entao N(T ) = { 0 }.
a b
Exerccio 4.20 Seja a base canonica de M2 . Se T : M2 P3 e dada por T =
c d
a + (b + c)x + (c d)x2 + dx3 .
{ }
a) Encontre [T ] onde = 2, 2 + x, 2 + x2 , 2 + x3 e base de P3 .
b) Faca o escalonamento da matriz [T ] .
c) Detemine dim Ker(T ).
d) Determine dim Im(T ).
Exerccio 4.23 Explique em cada caso abaixo porque nao existe uma transformacao linear:
a) T : R4 R2 cujo nucleo seja a origem;
b) T : R5 R6 que seja sobrejetiva;
c) T : R3 R2 que seja injetiva;
d) T : R7 R6 tal que dim N(T ) = dim Im(T );
e) T : R4 R3 com N(T ) = [(1, 0, 0, 0), (0, 1, 0, 0)] e Im(T ) = [(1, 1, 2), (2, 2, 4)].
112 4.5. Quarta lista de exerccios
Exerccio 4.24 Responda as seguintes questoes:
a) Se T : R5 R6 e uma transformacao linear, podemos ter dim Im(T ) > 6? Justifique sua
resposta.
b) Existe alguma transformacao linear T : R2 R2 tal que T (1, 1) = (2, 2) e T (2, 2) = (3, 1)?
Justifique sua resposta.
c) A transformacao T : P1 P2 definida por T (p(t)) = t p(t) + p(0)p (1) e linear?
d) Se T : R3 R3 e um operador linear e se a imagem de T e um plano que passa pela origem,
que tipo de objeto geometrico e o nucleo de T ?
2 1
Exerccio 4.25 Seja T : R2 R2 tal que [T ] = . Encontre os vetores u e v tais que:
0 1
a) T (u) = 2u
b) T (v) = v
Exerccio 4.27 Seja T : 3 3 o operador linear definido por T (x, y, z) = (3x, x y, 2x + y + z).
Mostre que (T 2 I) (T 2 9I) = 0.
Exerccio4.28 Sejam R,
S, T tres transformacoes
lineares
de R3 em R3 . Se
1 0 1 2 1 1
[R] = 2 1 1 e [S] = 3 1 2 ,
0 1 1 1 2 0
encontre T tal que R = S T .
T (a + bx + cx2 ) = b + 2cx
a) Determine (S T )(3 + 2x x2 ).
b) E possvel calcular (T S)(a + bx)? Em caso afirmativo calcule (T S)( + x).
4.5. Quarta lista de exerccios 113
Exerccio 4.30 Considere o operador T : P2 P2 definida por T (p(x)) = p (x) + p(x) e a
transformacao linear S : P2 R3 definida por S(a + bx + cx2 ) = (a + b, c, a b).
a) Verifique se S e isomorfismo. Se for, determine S1 .
b) Determine uma base para N(S T ) e uma base para Im(S T ).
c) Seja = {1 + x, x x2 , 1} uma base de P2 e = {(1, 0, 0), (0, 1, 1), (0, 0, 1)} base do R3 .
Determine [S T ] .
Exerccio
4.31 Considere a transformacao linear T : R4 M2 porT (a, b, c, d)
definida =
a a+b a b ac cb
e a transformacao linear S : M2 M2 definida por S = .
b+c d c d b a+d
Verifique se S T e um isomorfismo. Em caso afirmativo, determine o isomorfismo inverso (S T )1 .
4.1 - a) Sim b) Nao c) Sim d) Nao e) Nao f) Sim g) Nao h) Nao i) Sim j) E transformacao
linear se a = 0. k) Sim
4.2 - a) T (p) = (a + c) + (a + b + c)t + (b 2c)t 2 .
b) Sim c) Sim d) Sim
yx xy
4.3 - a) T (x, y) =
xy yx
1 1
b) T (1000, 999) =
1 1
c) Nao, pois T nao e injetora (dim N(T ) = 1 = 0) nem sobrejetora (dim Im(T ) = 1 = 4)
4.4 - a) = {(1, 1, 1)}
b) Nao existe base
c) = {(1, 1, 0), (0, 0, 2), (1, 1, 1)}
( )
4.5 - a) T (x, y) = xy xy
2 , 2 , 2x + y
{( 1 ) ( 1 1 )}
b) Nao existe base para o N(T ) e = ,
2 2
1
, 2 , 2 , 2 , 1 e uma base para Im(T )
c) = {(1, 1, 1), (0, 1, 0), (1, 1, 2)}
( )
4.6 - T (x, y) = 4x+2y5 , 2x+y
5 , dim Im(T ) = 1 e dim N(T ) = 1. T nao e inversvel pois T nao e
injetora e nem sobrejetora.
( )
1 zx x2y+z
4.7 - T (x, y, z) = y, 4 , 2
4.8 - T 1 (a, b, c) = (2a 2b c) + (a + 2b + c)x + (a b c)x2
114 4.5. Quarta lista de exerccios
0 0 0
1 3 9
4.9 - [T ] =
0 1 6
0 0 1
4.10 - T (x, y, z) = (x y, x + y, x y) e uma possibilidade.
4.11 - T (x, y, z, w) = (x y, 0, 0, w) e uma possibilidade.
4.16 - a) Apenas p(x) = 2 N(T )
b) Apenas p(x) = x2 Im(T )
c) N(T ) = {p(x)
= a; a R} eIm(T ) = {p(x) = bx + cx ; b, c R}.
2
0 1 2 3
4.18 - [T ] = 0 0 2 0
0 0 0 3
1
1 2 0
2
0 1 1 0
4.20 - a) [T ] =
0 0 1 1
0 0 0 1
c) dim N(T ) = 0 d) dim Im(T ) = 4
4.21 - a) dim N(A) = 0 b) dim Im(T ) = n
4.22 - a) dim N(T ) = 3 b) dim N(T ) = 2 c) dim N(T ) = 0 d) dim N(T ) = 0
4.23 - Use o teorema da dimensao para provar cada um dos tens.
4.24 - a) Nao, pois dim Im(T ) 5
b) Nao, pois o conjunto {(1, 1), (2, 2)} nao forma uma base para o R2 .
4.25 - a) u = (x, 0) b) v = (x, 3x).
4.26 - a) (F G)(x, y, z) = (x + 3y z, x + y + z, x + 2z)
b) N(F G) = {(x, y, z) R3 : y = z e x = 2z} e = {(2, 1, 1)} e base para o nucleo.
c) Uma das bases e = {(1, 1, 1), (3, 1, 0)}
d) Nao, pois F G nao e injetora (dim N(F G) = 1 = 0) e nao e sobrejetora (dim Im(F G) =
2 = 3)
4.27 - Note que [(T 2 I) (T 2 9I)] = [(T 2 I)] [(T 2 9I)]
4.29 - a) (S T )(3 + 2x x2 ) = 2 4x2
b) (T S)(a + bx) = 2 + 4 x
4.30 - a) S1 (x, y, z) = x+z
2 + xz 2
2 t + yt .
OPERADORES LINEARES
Observacao 15 Todas as propriedades ja vistas para transformacoes lineares em geral vale para um
operador linear
Os operadores lineares que veremos a seguir sao chamados de transformacoes especiais do plano e do
espaco por serem bastantes usados em aplicacoes praticas e tambem em aplicacoes numericas.
T : R2 R2
(5.1)
T (x, y) = (x, y)
E uma transformacao que move cada ponto (x, y) paralelamente ao eixo x por uma quantia y para a
nova posicao (x + y, y).
T : R2 R2
(5.2)
T (x, y) = (x + y, y)
Matricialmente
x 1 x
y 0 1 y
Geometricamente:
E uma transformacao que move cada ponto (x, y) paralelamente ao eixo y por uma quantia x para a
nova posicao (x, y + x).
T : R2 R2
(5.3)
T (x, y) = (x, x + y)
Matricialmente
x 1 0 x
y 1 y
Geometricamente:
T : R2 R2
(5.4)
T (x, y) = (x, y)
Matricialmente
x 1 0 x
y 0 1 y
Geometricamente:
Definicao 5.2 Definimos como sendo projecao sobre uma reta r, que passa pela origem, no plano o
operador linear T : R2 R2 definido por
x = t
y = 6t
120 5.1. Transformacoes especiais no plano e no espaco
logo um vetor diretor da reta e u = (1, 6).
T (v) = pro ju v
( u. v )
T (v) = u
(u. u )
(1, 6). (x, y)
T (x, y) = (1, 6)
(1, 6). (1, 6)
( )
x 6y 6x + 36y
T (x, y) = ,
37 37
Definicao 5.3 Definimos como sendo reflexao atraves da reta r, que passa pela origem, a
transformacao linear T : R2 R2 tal que |T (v)| = |v| e
Para obter a expressao data a transformacao T , considere a figura abaixo que representa a reflexao
em torno de uma reta no plano onde estao mostrados o vetor diretor diretor, u , da reta, o vetor p, a
projecao de v na direcao do vetor u,e o vetor T (v).
T (v) + v = 2p
T (v) = 2p v
T (v) = 2pro ju v v
T (v) = 2pro ju v v
T : R2 R2
(5.7)
T (x, y) = (x, y)
Matricialmente
x 1 0 x
y 0 1 y
Geometricamente:
T : R2 R2
(5.8)
T (x, y) = (x, y)
Matricialmente
x 1 0 x
y 0 1 y
Geometricamente:
T : R2 R2
(5.9)
T (x, y) = (y, x)
Matricialmente
x 0 1 x
y 1 0 y
Geometricamente:
T : R2 R2
(5.10)
T (x, y) = (y, x)
Matricialmente
x 0 1 x
y 1 0 y
Geometricamente:
Geometricamente
R : R2 R2
R (x, y) = (x , y )
r cos = x
r sin = y
entao
x = x cos y sin
Analogamente
Assim
R (x, y) = (x cos y sin , x sin + y cos )
Matricialmente
x cos sin x
y sin cos y
Podemos ver neste caso que matriz de uma rotacao e:
cos sin
[R ] =
sin cos
Definicao 5.4 Definimos como sendo Reflexao atraves da reta r, que passa pela origem, no espaco
a transformacao linear T : R3 R3 tal que
|T (v)| = |v|
(5.12)
pro ju v = pro ju T (v)
Geometricamente
T (v) + v = 2p
T (v) = 2p v
T (v) = 2pro ju v v
T (v) = 2p v
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x
y 0 1 0 y
z 0 0 1 z
T : R3 R3
T (x, y, z) = (x, y, z)
5.1. Transformacoes especiais no plano e no espaco 125
Matricialmente
x 1 0 0 x
y 0 1 0 y
z 0 0 1 z
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x
y 0 1 0 y
z 0 0 1 z
Definicao 5.5 Definimos Reflexao atraves de um plano, que passa pela origem, no espaco ao oper-
ador linear T : R3 R3 tal que
|T (v)| = |v|
(5.13)
pro jn v = pro jn T (v)
Para obter a expressao para a transformacao T , considere a figura abaixo que representa a reflexao
em torno de um plano no espaco onde estao mostrados o vetor normal do plano, vetor n, o vetor
projecao de v na direcao do vetor n, vetor p, o vetor projecao sobre o plano, vetor m, e o vetor T (v).
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x
y 0 1 0 y
z 0 0 1 z
Geometricamente
T : R3 R3
T (x, y, z) = (x, y, z)
x 1 0 0 x
Matricialmente y 0 1 0 y
z 0 0 1 z
b.3 - Reflexao atraves do plano yz
T : R3 R3
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x
y 0 1 0 y
z 0 0 1 z
5.1. Transformacoes especiais no plano e no espaco 127
(c) Reflexao na origem
T : R3 R3
(5.14)
T (x, y, z) = (x, y, z)
Matricialmente
x 1 0 0 x
y 0 1 0 y
z 0 0 1 z
Geometricamente
Figura 5.18: Reflexao na origem - (5.14)
p = projecao de v no plano xy
T (x, y, z) = (x , y , z )
128 5.1. Transformacoes especiais no plano e no espaco
Observe que z = z
Como |T (v)| = |v| entao |p| = |q| . Alem disso o vetor q e obtido pela rotacao do vetor p no
plano xy por um angulo , ou seja, q = R (p). Como ja visto em rotacao no plano ( item g) de
Transformacoes no plano) temos que
x = x cos y sin
y = x sin + y cos
Portanto
T : R3 R3
Matricialmente
x cos sin 0 x
y = sin cos 0 y
z 0 0 1 z
cos sin 0
[T ]Z = sin cos 0
0 0 1
T (x, y, z) = (x , y , z )
Como a rotacao 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 rotacao do angulo no sentido horario.
Portanto podemos considerar o vetor p obtido a partir do vetor q por uma rotacao no sentido
5.1. Transformacoes especiais no plano e no espaco 129
anti-horario, ou seja, R (p) = q. Logo,
x cos sin x
=
z sin cos z
1
x cos sin x
=
z sin cos z
x cos sin x
=
z sin cos z
x = x cos + z sin
z = z cos x sin
T (x, y, z) = (x , y , z )
Matricialmente:
cos 0 sin
[T ]Y = 0 1 0
sin 0 cos
Exemplo 150 Determinar o angulo formado entre v e T (v) quando o vetor v = ( 232 , 4
2
, 2
2 ) gira
130 5.2. Propriedades dos operadores inversveis
em torno do eixo z de um angulo 2 rad.
cos 2 sin 2 0 3
2 2
[T (v)] = sin 2 cos 2 0 2
4
2
0 0 1 2
0.0 1.0 0.0 3
2 2
[T (v)] = 1.0 0.0 0.0 2
4
2
0.0 0.0 1.0 2
2
4
[T (v)] = 3
2 2
2
2
Como desejamos o angulo entre v e T (v),vamos usar a formula do cosseno do angulo entre dois
vetores:
v T (v) 1
cos = =
|v| |T (v)| 2
Portanto o angulo entre v e T (v) e = arccos 12 = 3
Exemplo 151 Encontre a matriz canonica do operador linear T : R3 R3 que primeiro roda um
vetor no sentido anti-horario em torno do eixo z por um angulo e depois reflete o vetor resultante
em torno do plano yz e finalmente projeta este vetor ortogonalmente sobre o plano xy.
[ ] ( )1
Se T e inversvel e uma base de V entao T 1 : V V e linear T 1 = [T ] . Quando e
[ 1 ] [ ] [ ]
a base canonica temos a forma mais simples T = [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.
cos sin
[R ] =
sin cos
cos sin
cos2 +sin2 cos2 +sin2
1
[R ] =
cos
cos2 sin
+sin2 cos2 +sin2
cos sin
[R ]1 =
sin cos
R1
(x, y) = (x cos + y sin , y cos x sin )
x=t
y=t
z=t
(vu)
T (v) = pro ju v = u
( uu )
(x, y, z) (1, 1, 1)
T (x, y, z) = (1, 1, 1)
(1, 1, 1) (1, 1, 1)
( )
x+y+z
T (x, y, z) = (1, 1, 1)
3
( )
x+y+z x+y+z x+y+z
T (x, y, z) = , ,
3 3 3
1 1 1
3 3 3
[T ] = 1 1 1
3 3 3
1 1 1
3 3 3
det [T ] = 0
3 1
Exemplo 154 Seja a matriz invertvel A = que leva a reta y = 2x + 1 numa outra reta.
2 1
Encontre sua equacao.
Exemplo 155 Seja T : R2 R2 a transformacao que e uma rotacao de 4 rad e S : R2 R2 a
transformacao que e uma reflexao em torno da reta y = 2x. Determine a transformacao R = S T.
R = ST
[R] = [S] [T ]
5.3. Operadores autoadjuntos e ortogonais 133
cos 4 sin 4
[T ] =
sin 4 cos 4
1
2 2 2
1
[T ] = 2
1 1
2 2 2 2
S(v) = 2p v
( )
(x, y) (1, 2)
S(x, y) = 2 (1, 2) (x, y)
(1, 2) (1, 2)
( )
3x 4y 4x + 3y
S(x, y) = ,
5 5
5
3 4
[S] = 5
45 35
[R] = [S] [T ]
5
3 4 1
2 2 21
[R] = 5 2
5 5
4 3 1
2 2
1
2 2
107
2 10 1
2
[R] =
10 2 10 2
1 7
( )
7 2 2 2 7 2
R(x, y) = x y, x+ y
10 10 10 10
A matriz da transformacao T e
cos sin 0
[T ] = sin cos 0
0 0 1
Exemplo 157 Seja T : R2 R2 onde T (x, .y) = (2x 2y, 2x + 5y). A matriz de T e
2 2
[T ] =
2 5
T (v) w = v T (w), v, w Rn
Exerccio 5.2 Seja T : M2 M2 definida por T (A) = AB BA, onde B22 e uma matriz fixa.
a) Mostre que T e umoperador
linear.
1 1
b) Sabendo que B = , encontre uma base para N(T ) e uma base para Im(T ).
0 3
T : R3 R3
T (x, y, z) = (x, y, z)
Exerccio 5.4 Defina operador simetrico e operador ortogonal. De um exemplo para cada um dos
casos, justificando sua escolha.
Exerccio 5.5 Seja A : R3 R3 , dada por A = G L onde G e a rotacao de 3 do em torno do eixo y
e L e a rotacao de 2 em torno do eixo z. Determine a matriz de A em relacao a base canonica, isto
e, determine [A]. O operador A e ortogonal? E auto-adjunto?
Exerccio 5.6 Determine a transformacao linear de R2 em R2 que representa uma reflexao da reta
y = x,seguida de uma dilatacao de fator 2 na direcao ox e, um cisalhamento de fator 3 na direcao
vertical.
Exerccio 5.8 a) Encontre a transformacao T do plano no plano que e uma reflexao em torno da
reta y = 6x.
b) Escreva-a em forma matricial.
136 5.4. Quinta lista de exerccios
Exerccio 5.9 No plano, uma rotacao anti-horaria de 450 e seguida por uma dilatacao de 3. Ache
a aplicacao A que representa esta transformacao do plano.
Exerccio 5.11 Encontre a transformacao linear T : R2 R2 definida pela rotacao de 6 (sentido
anti-horario) seguida de uma reflexao atraves da reta y = 2x. A seguir, faca um esboco da Im(T ) se
a transformacao T for aplicada ao retangulo de vertices (0, 0), (1, 0), (1, 2) e (0, 2).
Exerccio 5.13 Seja L : R3 R3 onde L e a reflexao atraves do plano x+y+z = 0. EncontreL(x, y, z).
Exerccio 5.14 Seja A : R3 R3 onde L e a rotacao de 2 em torno do eixo z seguida de uma rotacao
de 3 do em torno do eixo y. Encontre A(x, y, z).
Exerccio 5.15 Seja A e uma matriz de ordem n fixada. Seja T : Mn Mn definida por T (N) =
AN NA. Mostre que T nao e inversvel.
Exerccio 5.19 Considere o triangulo de vertices (1, 1), (3, 3) e (2, 1). Determine a ima-gem
de T aplicada sobre este triangulo segundo uma rotacao anti-horaria de 60 . Faca um desenho da
Imagem.
Exerccio 5.21 Seja T : M(2, 2) M(2, 2) um operador linear tal que T (A) = A + AT . Verifique se
o operador T e inversvel.
5.4. Quinta lista de exerccios 137
5.4.1 Algumas respostas e sugestoes
( y+z )
5.1 - T (x, y, z) = x y+z
2 , x y+z
2 , x
2
1 0 0 1
5.2 - b) Uma base para ker(T ) e: , , enquanto que para (T ), uma base e:
0 1 0 2
1 0 0 1
, .
2 1 0 0
5.3 - T 1 =T
0 2 23
1
5.5 - [A] = 1 0 0 . Claramente nao e auto-adjunto, mas e ortogonal (verifique!).
0 3 1
2 2
5.6 - T (x, y) = (2y, x 6y)
( )
5.8 - a) T (x, y) = 35x+12y
37 , 12x+95y
37
1
35 12 x
b) T (x, y) = 37
12 95 y
( )
6x 6y
5.9 - T (x, y) = 2 , 6x+2 6y
5.10 - Verdadeira
( )
(43 3)x+(3+4 3)y (3+4 3)x+(4+3 3)y
5.11 - T (x, y) = 10 , 10
( yz xz yz )
5.12 - T (x, y, z) = 3 , 3 , 3
( )
x2y2z 2x+y2z 2x2y+z
5.13 - T (x, y, z) = , ,
( 3
3 ) 3
y+ 3z 3y+z
5.14 - T (x, y, z) = 2 , x, 2
5.15 - Se N = In , entao T (N) =? Olhe entao para o nucleo de T .
5.16 - Existem varias transformacoes lineares que cumprem esta condicao. Uma delas e
T (x, y, z) = (0, 0, x 2y 2z .
5.17 - E ortogonal mas nao e auto-adjunta (faca as contas).
5
5.18 - 4
5.20 - T 1 =T
5.21 - O que acontece se a matriz A for antisimetrica? Neste caso, como fica o nucleo de T ?
138 5.4. Quinta lista de exerccios
Captulo 6
AUTOVALORES E AUTOVETORES
Dado um operador linear T : V V, estamos interessados em saber quais vetores sao levados em um
multiplo de si mesmo; isto e, procuramos um vetor v V e um escalar R tais que T (v) = v.
Neste caso T (v) sera um vetor de mesma direcao que v. Por vetor de mesma direcao estaremos en-
tendendo vetores sobre a mesma reta suporte. Como v = 0 satisfaz a equacao para todo , estaremos
interessados em determinar vetores v = 0 satisfazendo a condicao acima.
Definicao 6.1 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 numero 0, embora v nao possa ser o vetor nulo.
Exemplo 159
T : R2 R2 (Reflexao no eixo x)
T (x, y) = (x, y)
Neste caso observamos que os vetores que serao levados em multiplos dele mesmo serao os vetores
que estao no eixo x, pois v = (x, 0) T (v) = T (x, 0) = (x, 0) = v. Os vetores que estao no eixo y
tambem sao levados em multiplos de si mesmo pois estes vetores tem a forma w = (0, y) T (w) =
T (0, y) = (0, y) = 1(0, y). Podemos concluir entao que os vetores do tipo v = (x, 0) sao autovetores
associados ao autovalor 1 = 1 e os vetores da forma w = (0, y) sao autovetores associados a 2 =
1, da tranformacao linear reflexao no eixo x.
140 6.1. Autovalores e autovetores de uma matriz
Exemplo 160
R 2 : R2 R2 (Rotacao de um angulo 2 )
R 2 (x, y) = (y, x)
Observe que na rotacao de 2 nenhum vetor e levado em um multiplo de si mesmo, a direcao
de todos vetores de R2 sao alterados pela rotacao. Portanto a rotacao de um angulo 2 nao possui
autovetores e autovalores.
Como vimos na nota acima o conjunto V contem todos os autovetores de T associados ao au-
tovalor , contem tambem o vetor nulo 0 de V ja que o vetor 0 satifaz a relacao T ( 0 ) = 0 . O
{}
conjunto V pode ser escrito como V = {Todos os autovetores de T associados a } 0 .
Agora vamos obter uma forma de calcular os autovalores e autovetores de uma transformacao usando
sua matriz em relacao as bases canonicas. Inicialmente definiremos autovalores e autovetores de uma
matriz A.
Dada uma matriz quadrada, A, de ordem n, estaremos entendendo por autovalor e autovetor de A o
autovalor e autovetor da transformacao TA : Rn Rn , associada a matriz A em relacao a base canonica
de Rn , isto e TA (v) = A v (na forma coluna). Assim, um autovalor R de A, e um autovetor v Rn ,
sao solucoes da equacao A v = v, v = 0 .
6.1. Autovalores e autovetores de uma matriz 141
6.1.1 Polinomio Caracterstico
Seja a matriz
a a12 ........ a1n x1
11
a21 a22 ........ a2n x2
A=
.. ..
e v=
..
. . .
am1 am2 ........ amn xn
Av = v
Av = Iv
Av Iv = 0
(A I)v = 0
a11 a12 ........ a1n x1 0
a21 a22 ........ a2n x2 0
=
.. .. .. ..
. . . .
am1 am2 ........ amn xn 0
Fazendo
a11 a12 ........ a1n
a21 a22 ........ a2n
B=
.. ..
. .
am1 am2 ........ amn
temos o sistema
Bv = 0
Este sistema e um sistema homogeneo e possui ao menos a solucao v = 0 . Mas como estamos
procurando autovetores, queremos encontrar vetores v = 0 que satisfacam a equacao B v = 0 .
Sendo assim queremos que o sistema B v = 0 seja compatvel e indeterminado ( tenha alem da
solucao trivial, outras solucoes nao triviais). Pela regra de Cramer se det B = 0 entao o sistema
homogeneo tera infinitas solucoes. Assim, a unica maneira de encontrarmos autovetores v (solucoes
142 6.1. Autovalores e autovetores de uma matriz
nao nulas da equacao B v = 0 ) e termos det B = 0, ou seja,
det(A I) = 0
e um polinomio em de grau n.
Observe que as razes do polinomio caracterstico sao os autovalores da matriz A. Note tambem
que o autovalor pode ser o numero zero (quando o polinomio caracterstico tem razes zero), embora
o autovetor v associado a nao possa ser o vetor nulo.
3 4
Exemplo 161 Vamos agora calcular os autovetores e autovalores da matriz A = .
1 2
3 4
Temos que: p( ) = det(A I) = det = (2 )(3 ) + 4 = 2 + 2
1 2
p( ) = 0 2 + 2 = 0 1 = 1 e 2 = 2.
Av = v
x
onde v = e e cada um dos autovalores ja encontrados.
y
6.1. Autovalores e autovetores de uma matriz 143
Para 1 = 1 temos
3 4 x x
= 1
1 2 y y
3 1 4 x 0
=
1 21 y 0
4 4 x 0
=
1 1 y 0
4x + 4y = 0 y = x
Para 1 = 2 temos
3 4 x x
= 2
1 2 y y
3 (2) 4 x 0
=
1 2 (2) y 0
1 4 x 0
=
1 4 y 0
x
x + 4y = 0 y =
4
Portando os autovalores associados ao autovalor 1 = 2 sao da forma v = (x, 4x ) = x(1, 14 ) e assim
144 6.1. Autovalores e autovetores de uma matriz
[ ]
podemos concluir que o subespaco associado ao autovalor 2 = 2 e V2 = (1, 14 ) .
Exemplo 162 Encontre os autovalores e autovetores da transformacao linear que a cada vetor v
R3 associa a sua projecao ortogonal no plano x + y z = 0.
Devemos encontrar a transformacao linear T : R3 R3 tal que T (v) = projecao de v no plano
x + y z = 0.
Da figura acima vemos que para obtermos a projecao sobre o plano devemos inicialmente fazer
a projecao do vetor v na direcao do vetor normal n para obter o vetor p = pro jn v. Com isso temos,
T (v) + p = v
T (v) = v p
T (v) = v pro jn v
p = pro jn v
(vn)
p = n
(n n )
(x, y, z) (1, 1, 1)
p = (1, 1, 1)
(1, 1, 1) (1, 1, 1)
( )
x+yz
p = (1, 1, 1)
3
( )
x+yz x+yz x+yz
p = , ,
3 3 3
T (v) = v p
( )
x+yz x+yz x+yz
T (x, y, z) = (x, y, z) , ,
3 3 3
( )
2x y + z x + 2y + z x + y + 2z
T (x, y, z) = , ,
3 3 3
3
1 1 2
3 3
p( ) = 3 + 2 2 = 0
As raizes de p( ) sao 1 = 0 e 2 = 3 = 1.
Para 1 = 0 vamos calcular os autovalores associados resolvendo o sistema.
2 1 1
x 0
3 3 3
1
2 1 y = 0
3 3 3
1 1 2
3 3 3 z 0
2x 1y + 1z = 0
3 3 3
1 1
2y + 2z = 0
2x y + z = 0
y+z = 0
e entao:
y = z
x = z
Observacao 21 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 multiplo de v =
(1, 1, 1) temos que V1 = [(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 V0 = [(1, 1, 1)] e formado
146 6.1. Autovalores e autovetores de uma matriz
pelos vetores que sao multiplos do vetor normal ao plano, ou seja, por todos os vetores ortogonais ao
plano.
13 13 1
3
1
3 13 1
3
1
3
1
3 13
13 13 1
13 13 1
3 escalonando 3
1
3 13 1 0 0 0
3 =
1
3
1
3 13 0 0 0
1 1 1
x y + z = 0 x = y + z
3 3 3
Portanto os autovalores associados aos autovalores 2 = 3 = 1 sao da forma v = (y + z, y, z) =
y(1, 1, 0) + z(1, 0, 1). Logo V2 = [(1, 1, 0)] e V3 = [(1, 0, 1)].
Para obtermos uma solucao nao nula para este sistema devemos impor:
Portanto,
p = 2c + cx + cx2 e autovetor associado a 1 = 1
Para 2 = 3 = 2:
2 0 2 a 0 2 0 2 a 0
Escalonando
1 0 1 b = 0 0 0 0 b = 0
p = (c, b, c)
1 0 1 c 0 0 0 0 c 0
Portanto
p = c + bx + cx2 e autovetor associado a 2 = 3 = 2.
Exemplo
164 Encontre
os autovalores e autovetores:
1 4
a)
2 3
2 1 0
b) 0 1 1
0 2 4
1 1 2
c) 0 5 1
0 0 7
148 6.2. Matrizes Semelhantes
4 0 1
d) 2 1 0
2 0 1
5 6 2
e) 0 1 8
1 0 2
Exemplo 165 Seja T : R2 R2 o operador dado por T (x, y) = (4x + 4y, x + 4y). Determine os
autovetores e autovalores.
[T ] = [I] [T ] [I]
( )1
Lembrando que [I] = [I] temos que
( )1
[T ] = [I] [T ] [I]
Chamando [I] = A :
[T ] = A [T ] A1
e
[T (v)] = [T ] [v] (II)
[v] = [I] [v] e [T (v)] = [I] [T (v)]
6.3. Diagonalizacao de Operadores 149
Substituindo [v] e [T (v)] em (I), resulta:
[I] [T (v)] = [T ] [I] [v]
ou,
( )
1
[T (v)] = [I] [T ] [I] [v]
( )
1
[T ] = [I] [T ] [I]
( )
1
ou, como [I] = [I] , podemos escvrever
( )1
[T ] = [I] [T ] [I]
As matrizes [T ] e [T ] sao chamadas semelhantes.
Definicao 6.4 Dadas as matrizes A e B, se existe uma matriz P inversvel tal que
A = PBP1
Observacao 22 Se A e B sao semelhantes entao detA = detB, mas nao vale a recproca.
Nosso objetivo aqui sera 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 situacao 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 sao autovetores de T .
Observemos inicialmente o exemplo que segue.
150 6.3. Diagonalizacao de Operadores
Exemplo 166 Seja T : R2 R2 o operadorlinear definido
por T (x, y) = (3x + 4y, x + 2y), cuja
3 4
matriz, em relacao a base canonica e [T ] = .
1 2
Seus autovalores sao 1 = 1 e 2 = 2 com autovetores associados v1 = (1, 1) e v2 = (4, 1), res-
pectivamente. Notemos que os autovetores formam uma base de R2 . Seja, entao, = {(1, 1), (4, 1)}
a base de R2 formada pelos autovetores de T e encontremos [T ] . Para tal, aplicamos T em cada
vetor da base e escrevemos a imagem obtida como combinacao linear dos vetores da base :
Na verdade, quando a base de autovetores existe, a matriz que representa um operador linear nesta
base sera sempre uma matriz diagonal que, como ja citado, e a forma mais simples de se representar
o operador. O problema, entao, e saber em que condicoes a base de autovetores existe, pois veremos
adiante que em muitos casos tal base nao existe.
Consideremos, para elucidar o problema citado, as propriedades que seguem:
Propriedades 6.1
Em outras palavras, se conseguirmos encontrar tantos autovalores distintos quanto for a dimensao
do espaco, podemos garantir a existencia de uma base de autovetores.
Neste caso, a matriz que representa T na base e uma matriz diagonal cujos elementos sao
autovalores de T , ou seja,
6.3. Diagonalizacao de Operadores 151
0 ... 0
1
0 2 ... 0
[T ] =
.. .. ..
..
. . . .
0 0 . . . n
2 = 2 v2 = (y, y, y) = y(1, 1, 1)
Logo o conjunto = {(1, 4, 1), (1, 1, 1), (1, 2, 1)} e uma base do R3 , pela propriedade 2 e,
portanto o operador T representado pela matriz A, e diagonalizavel. Entao, 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 construcao da matriz D pode ser acompanhada conforme segue:
Entao:
4 2 0
Exemplo 168 Considere agora o operador T : R3 R3 , representado pela matriz A = 1 1 0.
0 1 2
Autovalores e autovetores de A :
1 = 2 = 2 v1 = (0, 0, z) = z(0, 0, 1)
3 = 3 v3 = (2, 1, 1)
Observe que A nao pode ser diagonalizada, pois nao e possvel encontrar uma base de autovetores
para o R3 ; so e possvel obter dois autovetores L.I.
D = P1 AP
onde P e a matriz mudanca da base para a base canonica , isto e, P = [I] .
Note que, pela definicao da matriz P, podemos concluir que ela e uma matriz cujas colunas sao os
autovetores do operador T. Observamos que a matriz D e obtida pela atuacaoda matriz P, quando
ela existe, sobre a matriz A. Dizemos entao que a matriz P diagonaliza A ou que P e a matriz diago-
nalizadora.
1 3 3
Exemplo 169 Sendo possvel, encontre a matriz que diagonaliza A = 3 5 3.
3 3 1
Temos que determinar uma matriz inversvel P e uma matriz diagonal D tal que D = P1 AP.
Vamos seguir os seguintes passos:
6.3. Diagonalizacao de Operadores 153
Passo1- Determinar aos autovalores de A
1 3 3
det(A I) = 0 det 3 5 3 = 3 3 2 + 4 = 0
3 3 1
Os autovalores sao 1 = 2 = 2 e 3 = 1
Serao necessarios tres autovetores porque a matriz e 3 3, caso contrario a matriz nao podera
ser diagonalizada.
obteremos:
E essencial que a ordem dos autovalores seja igual a ordem escolhida para as colunas de P.
2 0 0
D = 0 2 0
0 0 1
154 6.3. Diagonalizacao de Operadores
Passo 5 - Verifique que D = P1 AP ou que AP = PD
1 3 1 1 1
3 2 2 1
AP = 3 5 3 1 0 1 = 2 0 1
3 3 1 0 1 1 0 2 1
1 1 1 2 0 0 2 2 1
PD = 1 0 1 0 2 0 = 2 0 1
0 1 1 0 0 1 0 2 1
Teorema 6.3 Se A e uma matriz n n com n autovalores distintos entre si, entao A e diagonalizavel.
Proof. Exerccio.
2 3 7
Exemplo 170 A matriz A = 0 5 1 tem autovalores 1 = 2, 2 = 5 e 3 = 1. Como esses
0 0 1
sao tres autovalores distintos de uma matriz 3 3, A e diagonalizavel.
1 2 0 3
obtemos:
- Para = 5 uma base para o subespaco associado e v1 = (8, 4, 1, 0) e v2 = (16, 4, 0, 1).
- Para = 3 uma base para o subespaco associado e v3 = (0, 0, 1, 0) e v4 = (0, 0, 0, 1).
Note que para ambos os autovalores a multiplicidade algebrica e igual a multiplicidade
que A e diagonalizavel.
geometrica, logo pelo teorema anterior, conclumos
8 16 0 0 5 0 0 0
4 4 0 0 0 5 0 0
Entao existe P tal que A = P1 DP, onde P =
eD=
.
1 0 1 0 0 0 3 0
0 1 0 1 0 0 0 3
Nesta secao, veremos como a diagonalizacao de matrizes pode ajudar no calculo de potencias de
matrizes.
A2 v = A v = (Av) = 2 v
156 6.4. Calculando potencias de uma matriz
Novamente, multiplicando por A ambos os lados
A3 v = A 2 v = 2 (Av) = 3 v
| A {z
(A ..... A})Av = (A ..... A}) v Ak v = k v
| A {z
k1 vezes k1 vezes
Teorema 6.6 Seja A e uma matriz quadrada n n diagonalizavel entao existe uma matriz invertvel
P e uma matriz diagonal D tais que Ak = PDk P1 , para todo k inteiro.
Proof. Se A e diagonalizavel, entao existe uma matriz invertvel P e uma matriz diagonal D tais que
A = PDP1 . Assim,
Ak = A.A.A A
= (PDP1 ).(PDP1 ).(PDP1 ) (PDP1 )
= PD(P1 P)D(P1 P)DP1 = PDk P1
Isso sugere que para calcularmos Ak podemos diagonalizar A, obtendo P e D, depois calcular Dk ,
e o resultado sera igual a PDk P1 . Como D e diagonal e sua diagonal e formada pelos autovalores de
A, pelo teorema anterior tem-se
k 0 ... 0
1
0 2k ... 0
D =
k
.. .. .. ..
. . . .
0 0 . . . n k
.
1 2 8
Exemplo 172 Calcule A20 onde A = 0 2 0
0 0 2
6.5. Sexta lista de exerccios 157
6.5 Sexta lista de exerccios
Exerccio 6.1 Construa uma matriz 2x2 nao diagonal com autovalores 1 e 1.
Exerccio 6.7 Que vetores nao nulos do plano, quando cisalhados por C(x, y) = (y 3x, y) e em
seguida girados de 45o (no sentido anti-horario) ficam ampliados / reduzidos (na mesma direcao)?
Em quantas vezes?
Exerccio 6.11 Seja A uma matriz quadrada e AT sua transposta. As matrizes A e AT possuem os
mesmos autovalores e autovetores? Justifique sua resposta.
Exerccio 6.12 Encontre os autovalores e autovetores da transformacao linear que a cada vetor v
R3 associa a sua projecao ortogonal no plano x + y = 0.
Exerccio 6.14 Seja T : 2 2 um operador linear que dobra o comprimento do vetor (1, 3) e
triplica e muda o sentido do vetor (3, 1).
a) Determine T (x, y)
b) Calcule T (0, 2)
c) Qual a matriz do operador T na base {(2, 1), (1, 2)}.
1 0 0 1
Exerccio 6.15 Seja T : M(2, 2) M(2, 2) com autovetores v1 = , v2 = , v3 =
0 0 0 0
1 0 0 0
e v4 = associados aos autovalores 1 = 1, 2 = 1, 3 = 2, 4 = 0, respectiva-
1 0 1 1
a b
mente. Determine T .
c d
Exerccio 6.17 Considere P1 = conjunto dos polinomios de grau 1. Seja o operador linear D :
P1 P1 dado por D(p) = x.p + p .Determine os autovalores e autovetores de D.
Exerccio 6.18 Sejam A, B M(n, n) matrizes triangulares com a mesma diagonal principal. Existe
alguma relacao entre seus autovalores? Qual?
6.5. Sexta lista de exerccios 159
Exerccio 6.19 Mostre que o conjunto de todos os autovetores de um operador linear T : V V
associados a um autovalor e um subespaco vetorial de V .
6.22Verifique
Exerccio se as matrizes dadas sao semelhantes
1 1 2 1
a) e
1 4 1 3
3 1 1 2
b) e
6 2 1 0
Exerccio 6.23 Se B = R1 AR e
v e um autovetor de B associado a um autovalor entao R
v e
autovetor de A associado a .
Exerccio 6.25 Seja T o operador linear em R3 definido por T (x, y, z) = (2y + z, x 4y, 3x) e con-
sidere a base usual do R3 e a base = {(1, 1, 1), (1, 1, 0), (1, 0, 0)}.
a) Mostre que as matrizes [T ] e [T ] sao semelhantes.
b) T e inversvel? Se for determine a lei que define T 1 .
Exerccio 6.27 Seja T : R2 R2 o operador linear definido por T (x, y) = (7x 4y, 4x + y)
a) Determinar uma base do R2 em relacao a qual a matriz do operador T e diagonal.
b) Dar a matriz de T nessa base.
Exerccio 6.28 Considere uma transformacao linear T : V V abaixo. Se possvel, encontre uma
base para V tal que a matriz [T ] de T, em relacao a base , seja diagonal.
a) T : P2 P2 definida por T (a + bx) = (4a + 2b) + (a + 3b)x.
b) T : P2 P2 definida por T (p(x)) = p(x + 1).
160 6.5. Sexta lista de exerccios
Exerccio 6.29 Verificar se a matriz A e diagonalizavel. Caso seja, determinar uma matriz P que
diagonalizaA e calcular
P1 AP.
5 1
a) A =
1 3
1 2 1
b) A = 1 3 1
0 2 2
2 1 0 1
0 2 1 1
c) A =
0 0 3 2
0 0 0 3
2 k 0
Exerccio 6.30 Determine o valor de k para que a matriz A = 0 2 1 seja diagona-lizavel.
0 0 3
3 2 4 1
0 1 a 0
Exerccio 6.31 Determine a de modo que a matriz A =
seja diagonalizavel. Para o
0 0 3 4
0 0 0 2
valor de a encontrado, determine uma matriz inversvel P e uma matriz diagonal D tais que P1 AP =
D.
0 1
Exerccio 6.32 Calcule A10 para A = .
2 1
Exerccio 6.33 Seja T um operador linear que preserva o comprimento do vetor v1 = (1, 0, 0), du-
plica o comprimento do vetor v2 = (0, 2, 0) e inverte o sentido do vetor v3 = (0, 2, 1). Determine o
operador linear T 20 .
Exerccio 6.34 Seja A uma matriz inversvel. Prove que, se A e diagonalizavel, A1 tambem e.
Exerccio 6.36 Classifique cada afirmacao como verdadeira ou falsa. Justifique cada resposta.
a) Se A e diagonalizavel, entao A tem n autovalores distintos.
6.5. Sexta lista de exerccios 161
b) Se A e inversvel entao A e diagonalizavel.
c) Uma matriz quadrada com vetores-coluna linearmente independentes e diagonalizavel.
d) Se A e diagonalizavel, entao cada um de seus autovalores tem multiplicidade 1.
e) Se nenhum dos autovalores de A e nulo, entao det A = 0.
f) Se u e v sao autovetores de A associados, respectivamente, aos autovaloes distintos 1 e 2 ,
entao 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 entao v e autovetor do operador T + S.
1 = 1 = v1 = (x, x, 0)
b) 2 = 3 = v2 = (x, 0, x)
3 = 1 = v3 = (z, 2z, z)
1 = 6 = v1 = (x, 0, 4x, 0)
c) 2 = 1 = v2 = (x, 0, 3x, 0)
3 = 1 = v3 = (0, t, 0,t))
1 11
6.4 - Por exemplo a matriz [T ] =
0 1
6.5 - T (x, y) = (6y, y x)
162 6.5. Sexta lista de exerccios
1 = 32 2 = v = (x, 35 x)
6.6 - a)
2 = 2 = v = (0, y)
1 = 1
2 = v = (x, 0, 0)
6.7 -
2 = 3 = 21 = v = (0, y, z)
( )
6.8 - a) T (x, y) = 29x15y
8 , 15x+21y
8
( 15 21 )
b)T (0, 2) = 4 , 4
1
35 85
c) [T ]{(2,1),(1,2)} = 30
115 125
a b a + c d b
6.9 - T =
c d 2c 2d 0
1 = 1 = v = (2y, y)
6.10 -
2 = 0 = v = (x, 2x)
1 = 0 = p1 (x) = a
6.11 -
2 = 1 = p2 (x) = b + bx
1 = 0 = v1 = (x, x, 0)
6.13 -
2 = 3 = 1 = v2 = (y, y, z)
a a
6.18 - P e da forma P = , entao uma matriz P que realiza a semelhanca pode ser
32 d d
1 1
P= .
3 2
( )
6.23 - b) T 1 (x, y, z) = 3z , 4y + 12
z
, x + 2y 6z
6.27 - a) Nao
0 2 1
b) P = 1 1 0
2 2 1
c) Nao
6.28 - k = 0
6.5. Sexta lista de exerccios 163
9
3 0 0 0 1 0 1
2
0 3 0 0 0 2 1 4
6.29 - a = 4; D =
;P=
0 0 1 0 0 1 0 1
0 0 0 2 0 0 0 12
1
6.30 - Os autovalores
sao1, 0, 512 , 512
342 341
6.31 - A10 =
682 683
6.32 - T 20 (x, y, z) = (x, 1.048.576y 1.048.574z, z)
6.36 - F, F, F, F, V, F
164 6.5. Sexta lista de exerccios
Captulo 7
PRODUTO INTERNO
Observando a figura e utilizando o teorema de pitagoras, temos que d = x2 + y2 . Podemos
tambem, interpretar este resultado dizendo que o comprimento (que passaremos a chamar de norma)
do vetor (x, y) e
(x, y) = x 2 + y2 .
Por outro lado, se tivermos dois vetores u = (x1 , y1 ) e v = (x2 , y2 ), podemos definir um pro-
dutode u por v assim:
u, v = x1 x2 + y1 y2 ,
produto este chamado de produto escalar ou produto interno usual e que tem uma relacao importante
com a norma de um vetor v = (x, y) :
v = x 2 + y2 = x.x + y.y = v, v.
(x1 , y1 , z1 ), (x2 , y2 , z2 ) = x1 x2 + y1 y2 + z1 z2
v = x2 + y2 + z2 = v, v
Voltando ao caso do plano, se tivessemos trabalhando com um referencial nao ortogonal (eixos
nao perpendiculares), e quisessemos calcular a distancia da origem ate um ponto P (cujas coordenadas
em relacao ao referencial fossem (x, y) ), teramos, usando o teorema de Pitagoras,
d = (x, y) = (x + y cos ) + (y sin ) = x2 + (2 cos )xy + y2
2 2
Observe, que se usassemos o produto escalar (x1 , y1 ), (x2 , y2 ) = x1 x2 + y1 y2 , neste caso nao
haveria a relacao v = v, v,mas ela passaria a valer se usassemos a seguinte regra para o produto:
Portanto, novamente a nocao de distancia 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 trabal-
hando.
Definicao 7.1 Seja V um espaco vetorial real. Um produto interno sobre V e uma funcao f : V V
R que a cada par de vetores u e v, associa um numero real, denotado por u, v, e que satisfaz as
seguintes propriedades:
a. v, v > 0 e v, v = 0 v = 0
b. u, v = v, u
c. u + v, w = u, w + v, w
Captulo 7. PRODUTO INTERNO 167
d. ku, v = k u, v , k R
= u, w + v, w
( ) ( ) ( )
a. u, u = (x1 , x2 ), (x1 , x2 ) = 3x12 2x1 x2 +x22 = 2x12 + x12 2x1 x2 + x22 = 2x12 +(x1 x2 )2 > 0
. Entao u, u = 0 se e somente se x1 = 0, x2 = 0, isto e, u = (0, 0).
c. u + v, w = (x1 + y1 , x2 + y2 ), (z1 , z2 ) = 3(x1 + y1 )z1 (x1 + y1 )z2 (x2 + y2 )z1 + (x2 + y2 )z2
= (3x1 z1 x1 z2 x2 z1 + x2 z2 ) + (3y1 z1 y1 z2 y2 z1 + y2 z2 )
= u, w + v, w
= k(3x1 y1 x1 y2 x2 y1 + x2 y2 ) = k u, v
Exemplo 175 Verifique que u, v = x1 x2 +y21 y22 onde u = (x1 , y1 ) e v = (x2 , y2 ), nao define um produto
interno no R2 .
Observe que a terceira propriedade da definicao de Produto Interno falha, vejamos:
168 Captulo 7. PRODUTO INTERNO
Sejam, entao, u = (x1 , y1 ), v = (x2 , y2 ) e w = (x3 , y3 ).
( ) ( )
u + v, w = (x1 + x2 )x3 + (y1 + y2 )2 y23 = x1 x3 + y21 y23 + x2 x3 + y22 y23 + 2y1 y2 y23 = u, w +
v, w + 2y1 y2 y23
Portanto, u + v, w = u, w + v, w .
Exemplo 176 Sendo u = (x1 , x2 ) e v = (y1 , y2 ) vetores genericos do R2 , definamos u, v = xa1 y21 + xb2 y22
com a, b R fixos e nao nulos. Provar que u, v define um produto interno sobre R2 .
Observacao 23 Quando nao ha referencia sobre o produto interno definido num espaco vetorial V ,
entendemos que sobre ele fica definido o produto interno usual.
p, q = a0 b0 + a1 b1 + a2 b2
nao define, sobre V, um produto interno, pois falha a propriedade a) da definicao de produto intermo.
Veja que existem polinomios p V tais que p, p = 0, sem que p = 0. Por exemplo, p = 2 + 0x + 0x2 .
Exemplo 178 Seja V o espaco da funcoes contnuas no intervalo [a, b]. Se f e g pertencem a V , entao
b
f , g = f (x)g(x)dx
a
Como exerccio, mostre que as quatro propriedades do produto interno sao validas para este caso.
( )
A, B = tr AT B (7.1)
7.1. Normas, Distancias e Angulos em Espacos com Produto Interno 169
onde tr e o traco de uma matriz quadrada definido por
n
tr(A) = aii
i=1
1 2 1 0 ( )
Exemplo 179 Considere as matrizes A = e B= . Entao, A, B = tr AT B =
3 4 3 2
T
1 2 1 0 8 6
tr = tr = 16.
3 4 3 2 10 8
d(u, v) = u v
Definicao 7.5 Se v = 1, isto e, v, v = 1, dizemos que o vetor v esta normalizado, o que significa
que seu comprimento e igual a 1 unidade.
v
u= .
v
Exemplo 180 Considerando v = (1, 2, 3) e nao havendo referencia a algum produto interno em
R3 , temos:
v = (1, 2, 3) = (1, 2, 3), (1, 2, 3) = 1+4+9 = 14,
ou seja, o comprimento de v, em relacao ao produto interno usual, e 14 unidades.
Exemplo 181 A norma do vetor v = (3, 1) em relacao ao produto interno definido no exemplo 173,
e:
170 7.1. Normas, Distancias e Angulos em Espacos com Produto Interno
(3, 1) = (3, 1), (3, 1) = 2.3.3 + 5.(1).(1) = 23,
e, em relacao ao produto interno usual e:
(3, 1) = 32 + (1)2 = 10
Para normalizar o vetor (3, 1), em relacao ao primeiro produto (exemplo 173), fazemos
v ( )
u= = (3,1)
= 3 23
, 23
v 23 23 23
Verifique que o comprimento de u e 1.
|u, v| u v .
|u, v|2 u2 v2
( )2
u, v
1
u v
ou, equivalentemente,
u, v
1 1.
u v
Como 0 , entao 1 cos 1, da,
u, v
cos = e0
u v
7.2. Ortogonalidade 171
Exemplo 183 Achar o angulo entre os seguintes pares de vetores do R3 :
a) u = (1, 1, 1) e v = (1/2, 1, 1/2)
b) u = (1, 1, 0) e v = (2, 1, 2)
7.2 Ortogonalidade
Definicao 7.8 Seja V um espaco com produto 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 sao 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 sao perpendiculares, isto e, = 90 .
Observacao 25 A ortogonalidade depende do produto interno, isto e, dois vetores podem ser ortog-
onais em relacao a um produto interno mas nao em relacao a outro.
0 1 3 0
Exemplo 184 As matrizes A = eB= sao ortogonais, pois
1 1 0 0
0 3
A, B = tr(AT B) = tr = 0
0 0
1
Exemplo 185 Seja p, q = 1 p(x)q(x)dx um produto interno em P2 . Se p = x2 e q = x3 entao
2 3 1 5
x , x = 1 x dx = 0. Portanto, os vetores p = x2 e q = x3 sao ortogonais em P2 .
Exemplo 186 Seja os vetores vetores u = (1, 1, 1) e v = (1/2, 1, 1/2) com o produto interno definido
abaixo, determine se sao ou nao ortogonais.
a) f ((x1 , y1 , z1 ), (x2 , y2 , z2 )) = 2x1 x2 + 5y1 y2 + 4z1 z2
b) Com relacao ao produto interno usual.
a1 v1 + a2 v2 + . . . + an vn = 0
a1 v1 + a2 v2 + . . . + an vn , vi = 0, vi
a1 v1 , vi + a2 v2 , vi + . . . + an vn , vi = 0
Como A e ortogonal, vi , v j = 0 para i = j e vi , vi = 0, pois vi = 0. Da, resulta a equacao
ai vi , vi = 0 ai = 0 para i = 1, 2, . . . , n.
Diz-se que uma base {v1 , v2 , . . . , vn } de V e ortogonal se os seus vetores sao dois a dois ortogonais.
Exerccio 7.1 Mostre que o conjunto {(2, 1, 3), (3, 0, 2), (2, 13, 3)} e uma base ortogonal para o
R3 .
Exerccio 7.2 A partir do conjunto {(1, 2, 3), (3, 0, 1), (1, 5, 3)} obtenha uma base ortonormal
para o R3 .
7.2. Ortogonalidade 173
7.2.4 Coordenadas em relacao a Bases Ortonormais
Teorema 7.3 Se = {v1 , v2 , . . . , vn } e uma base ortonormal de um espaco com produto interno V e
v V, entao
v = v, v1 v1 + v, v2 v2 + . . . + v, vn vn
v = a1 v1 + a2 v2 + . . . + an vn
v, vi = a1 v1 , vi + a2 v2 , vi + . . . + an vn , vi
Como {v1 , v2, . . . , vn }e base ortonormal, vi , v j = 0 para i = j e vi , vi = 1. Logo v, vi = ai e
v , v
1
v2 , v
portanto, [v] =
.. e o vetor de coordenadas de v em relacao a base .
.
vn , v
Note que e uma base ortonormal (mostre!), portanto podemos usar o teorema 7.3 para encontrar
[v] .
( ) ( )
4 3 4 3
(1, 1, 1) = (1, 1, 1), (0, 1, 0) (0, 1, 0) + (1, 1, 1), , 0, , 0, +
5 5 5 5
( ) ( )
3 4 3 4
+ (1, 1, 1), , 0, , 0,
5 5 5 5
( ) ( )
1 4 3 7 3 4
(1, 1, 1) = (0, 1, 0) , 0, + , 0,
5 5 5 5 5 5
1
1
[v] = 5
7
5
174 7.3. Complementos Ortogonais
7.2.5 Coordenadas em relacao a Bases Ortogonais
ou,
v, v1 v, v2 v, vn
u= v +
2 1
v +...+
2 2
vn
v1 v2 vn 2
( )
Exerccio 7.3 Expresse o vetor 13, 12 , 4, 32 como combinacao linear dos vetores v1 = (1, 2, 3, 4) ,
v2 = (2, 1, 4, 3) , v3 = (3, 4, 1, 2) e v4 = (4, 3, 2, 1).
Exemplo 188 Seja V = R4 e W um subespaco do R4 . 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 , entao
(x, y, z,t), (1, 1, 0, 1) = 0
(x, y, z,t), (0, 1, 1, 1) = 0
Da,
x+y+t = 0 x = z 2t
y + z + t = 0 y = z+t
a. W e um subespaco de V.
{
}
b. W W = 0 .
( )
c. W = W.
Exerccio 7.4 Faca como exerccio a demonstracao das tres propriedades do complemento ortogo-
nal.
u = w1 + w2
u = w1 + w2
tal que w1 W e w2 W .
u
pro jW = u, v1 v1 + u, v2 v2 + . . . + u, vn vn
u u, v1 u, v2 u, vn
pro jW = v +
2 1
v +...+
2 2
vn
v1 v2 vn 2
[ ( )]
Exemplo 190 Seja V = R3 e W = (0, 1, 0), 45 , 0, 35 um subespaco de V. Obtenha pro jW
u e pro j u
W
para u = (1, 1, 1).
{ ( )}
Note que = (0, 1, 0), 54 , 0, 35 e base ortonormal para W.Entao:
u
pro jW = u, v1 v1 + u, v2 v2
( )
1 4 3
= 1(0, 1, 0) , 0,
5 5 5
( )
4 3
= , 1,
25 25
Seja V um espaco vetorial com produto interno definido e = {u1 , u2 , . . . , un } uma base de V . Atraves
do processo que descreveremos abaixo, obteremos uma base ortogonal = {v1 , v2 , . . . , vn } para V.
Passo 1. Fixe v1 = u1 .
7.5. Encontrando Bases Ortogonais e Ortonormais 177
Passo 2. Obter v2 de forma que v2 seja ortogonal a v1 tomando a componente de u2 que e ortogonal
a W1 = [v1 ]
u2 u2 , v1
v2 = u2 pro jW = u2 v1
1
v1 2
Passo 3. Obter v3 de forma que seja ortogonal a ambos v1 e v2 , tomando a componente de u3 que e
ortogonal a W2 = [v1 , v2 ]
u3 u3 , v1 u3 , v2
v3 = u3 pro jW = u3 2
v1 v2
2
v1 v2 2
Procedendo desta forma, iremos obter, depois de n passos, a base ortogonal = {v1 , v2 , . . . , vn }.
Feito isso, para obter uma base ortonormal de vetores para V, = {q1 , q2 , . . . , qn }, basta normalizar
os vetores v1 , v2 , . . . , vn .
u1 , u2 = 1
u1 , u3 = 2
u2 , u3 = 2
Logo os vetores acima nao 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.
{ ( ) ( )}
1 1 2 2 2
Logo, = (1, 0, 1, 0), , 1, , 0 , , , ,1 e base ortogonal para R4 . Normalize-
2 2 3 3 3
mos estes vetores para obter a base ortonormal = {q1 , q2 , q3 } :
( )
v1 (1, 0, 1, 0) 1 1
q1 = = = , 0, , 0
v1 2 2 2
( ) ( )
v2 2 1 1 6 6 6
q2 = = , 1, , 0 = , , ,0
v2 3 2 2 6 3 6
( ) ( )
v3 3 2 2 2 2 2 2 3
q3 = = , , ,1 = , , ,
v3 21 3 3 3 21 21 21 21
7.6 Fatoracao QR
Nos ultimos anos a fatoracao QR tem assumido importancia crescente como fundamento
matematico de uma grande variedade de algoritmos numericos praticos, incluindo algoritmos larga-
mente usados para computar autovalores de matrizes grandes.
A = [u1 | u2 | . . . | un ] e Q = [q1 | q2 | . . . | qn ]
7.6. Fatoracao QR 179
Os vetores u1 , u2 , . . . , un podem ser escitos em termos dos vetores q1 , q2 , . . . , qn como
u1 = u1 , q1 q1 + u1 , q2 q2 + . . . + u1 , qn qn
u2 = u2 , q1 q1 + u2 , q2 q2 + . . . + u2 , qn qn
..
.
un = un , q1 q1 + un , q2 q2 + . . . + un , qn qn
No entanto, e uma propriedade de processo de Gram-Schmidt que, para j > 2, o vetor q j e ortog-
onal a u1 , u2 , . . . , u j1 ; assim, todas as entradas abaixo da diagonal principal de R sao nulas,
u1 , q1 u2 , q1 . . . un , q1
0 u2 , q2 . . . un , q2
R=
.. .. .. ..
. . . .
0 0 . . . un , qn
Teorema 7.6 Se A e uma matriz m n (m > n) com colunas linearmente independentes, entao A pode
ser fatorada como
A = QR
onde Q e uma matriz m n com colunas ortonormais e R e uma matriz n n triangular superior
invertvel.
1 2 2
1 1 2
Exemplo 194 Encontre a decomposicao QR de A =
.
1 0 1
1 1 2
180 7.6. Fatoracao QR
1 2 2
1 1 2
Os vetores coluna de A sao u1 =
, u2 = e u3 = .
1 0 1
1 1 2
O processo de Gram-Schmidt com normalizacao
subsequente
aplicado
a estes vetores-coluna
1 3 5
6
1 2 2
2 10 6
1 3 5
2 10 0 1 1 2
produz os vetores ortonormais q1 = , q2 = , q3 = de modo que =
2
1 10
5 6 6 1 0 1
1 5 6
2 10 3 1 1 2
A
6
1 3 5
6
2 10
2 1 1
1 3 5 2
2 10 0
0 5 2 5 .
3
1 5 6
2 10
0
6
0 6
1 5 6 2
2 10 3 R
Q
Se A e uma matriz m n de posto n, entao a solucao para o sistema linear AX = B e obtida da seguinte
forma:
QRX = B
QT QRX = QT B
RX = QT B
AT Ax = AT b
Teorema 7.9 Se A e uma matriz m n com vetores-coluna linearmente independentes, entao para
cada matriz b de tamanho n 1, o sistema linear Ax = b tem uma unica solucao de mnimos quadra-
dos. Esta solucao e dada por
x = (AT A)1 AT b
Exemplo
196 Encontre a solucao de mnimos quadrados do sistema linar Ax = b dado por
x1 x2 = 4
2x + 4x = 3
1 2
Vamos nos ater ao problema de achar uma curva que melhor ajustea um conjunto de pontos
de dados. Considere (1, 2), (2, 2) e (3, 4) como pontos que surgiram de medidas feitas durante al-
gum experimento. Considere tambem que temos razoes para acreditar que os valores de x e y estao
relacionados por uma funcao linear - isto e, esperamos que os pontos estejam sobre alguma linha
com equacao y = a + bx. Se nossas medidas forem precisas, todos os tres pontos vao satisfazer essa
equacao, e teremos
2 = a + b. 1 2 = a + b. 2 4 = a + b. 3
Esse sistema e impossvel (ja que os tres pontos nao estao sobre uma reta). Entao, vamos buscar uma
reta que esteja o mais proximo possvelde passar pelos nossos pontos.
Como visto no exemplo acima, podemos expressar esse problema em forma de matriz. Se os
7.7. Solucao de Mnimos Quadrados de Sistemas Lineares 183
pontos dados estivessem de fato na reta y = a + bx, as n equacoes lineares
a + bx1 = y1
..
.
a + bxn = yn
seriam todas verdadeiras (isto e, o sistema seria compatvel). Nosso interesse esta no casao em que os
pontos nao sao colineares, no qual o sistema e indeterminado. Em forma matricial, temos
1 x1 y
1
1 x2 a y
= 2
.. .. ..
. . b .
1 xn yn
Definicao 7.9 Se A e uma matriz m n e b esta em Rm , uma solucao por mnimos quadrados de
Ax = b e um vetor x em Rn tal que
b Ax b Ax
para todo x em Rn .
Teorema 7.10 Seja A uma matriz m n e seja b em Rm . Entao Ax = b sempre tem pelo menos uma
solucao por mnimos quadrados x. Alem disso,
a) x e uma solucao por mnimos quadrados de Ax = b se, e somente se, x e uma solcao da equacao
normal AT Ax = AT b.
b) A possui colunas linearmente independentes se, e somente se, AT A e invertvel. Nesse caso, a
solucao por mnimos quadrados de Ax = b e unica e e dada por
x = (AT A)1 AT b
184 7.8. Setima lista de exerccios
Exemplo 198 Encontre a reta de mnimos quadrados para os pontos (1, 2), (2, 2) e (3, 4).
b)
u ,
v = x1 x2 y1 y2 + z1 z2
c)
u ,
v = x y z +y x z
1 2 1 1 2 2
Exerccio Considere
7.10 V= M(2, 2), com o produto interno usual. Determine a projecao ortogo-
1 0 1 1
nal de sobre .
0 0 1 1
Exerccio 7.11 Considere V = P2 , com o produto interno usual. Qual e o menor angulo entre p(t) =
1 t + 2t 2 e q(t) = 1 + 2t 2 ?
Exerccio 7.12 Seja V um espaco vetorial com produto interno definido, e sejam u, v vetores ortogo-
nais de V, tais que u = 1 e v = 2. Mostre que d(u, v) = 5. Interprete este resultado geometri-
camente quando u, v R2 .
7.8. Setima lista de exerccios 185
Exerccio 7.13 Seja V o espaco das funcoes contnuas no intervalo [0, 1]. Defina em V o seguinte
1
produto interno: f , g = 0 f (x)g(x)dx. Calcule a d( f , g) se f (x) = 1 e g(x) = x.
Exerccio 7.17 Seja V = R4 e W = [(1, 0, 1, 2), (0, 1, 0, 1)]. Expresse w = (1, 2, 6, 0) na forma
w = w1 + w2 , em que w1 W ew2 W .
Exerccio 7.18 Seja V = M(2, 2). determine uma base para o complemento ortogonal do:
a) subespaco das matrizes diagonais
b) subespaco das matrizes simetricas.
Exerccio 7.21 Suponha que S consiste dos seguintes vetores em R4 : u1 = (1, 1, 0, 1), u2 =
(1, 2, 1, 3), u3 = (1, 1, 9, 2) e u4 = (16, 13, 1, 3).
a) Mostre que S e ortogonal e e uma base de R4 .
b) Ache as coordenadas do vetor v = (1, 0, 2, 3) em relacao a base S.(Nao resolva nenhum sistema
linear.)
Exerccio 7.22 Qual e a base ortonormal do R3 obtida pelo processo de Gram-Schmidt a partir da
base {(2, 6, 3), (5, 6, 24), (9, 1, 4)}?
186 7.8. Setima lista de exerccios
Exerccio 7.23 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 = R4 tal que W = [(1, 1, 0, 0), (2, 1, 0, 1), (3, 3, 0, 2), (1, 2, 0, 3)];
b) V = R3 tal que W = {(x, x + y, y); x, y R};
x+yz = 0
c) V = M(3, 1) tal que W e o conjunto solucao do sistema homogeneo 2x + y + 3z = 0 .
x + 2y 6z = 0
Exerccio 7.24 Seja V o espaco das funcoes contnuas no intervalo [0, 1]. Defina em V o seguinte
1
produto interno: f , g = 0 f (x)g(x)dx. Aplique o algoritmo de Gram-Schmidt ao conjunto {1,t,t 2 }
para obter um conjunto ortonormal { f0 , f1 , f2 }.
Exerccio 7.29 Encontre a projecao ortogonal de v = (1, 2, 3) sobre o subespaco W gerados pelos
vetores u1 = (2, 2, 1) e u2 = (1, 1, 4).
(1 2 2
)
Exerccio 7.31 Ache uma matriz ortogonal P cuja primeira linha e u1 = 3, 3, 3 . Obs.: a matriz P
nao e unica.
7.8. Setima lista de exerccios 187
1 2 1
0 1 1
Exerccio 7.32 Encontre a fatoracao QR da matriz A =
.
1 0 1
1 0 1
2 1 12
Exerccio 7.33 Utilize a fatoracao QR para resolver o sistema AX = B onde A = 1 1 e B = 6 .
2 1 18
D = P1 AP
onde P e a matriz cujas colunas sao 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 simetrica, e portanto sempre diagonalizavel, podemos obter uma
base ortogonal de autovetores que, apos a normalizacao, sera uma base ortonormal. A matriz, acima
citada, por ter suas colunas formadas por vetores ortonormais, e uma matriz ortogonal, ou seja, e tal
que P1 = PT . A matriz D, nesse caso, e obtida pela relacao
D = PT AP
APLICACOES
Esse trabalho tem como um de seus objetivos, dar uma nocao da utilidade pratica dos assuntos vistos
no ciclo basico, alem de permiti-los conhecer um pouco o trabalho em uma das engenharias estu-
dadas no Instituto, visando assim a multidisciplinalidade no curso de Engenharia. Trata-se do estudo
da aplicacao de uma disciplina do curso basico, a Algebra Linear, no ciclo profissional; no caso,
na Engenharia Cartografica, onde ajustes e organizacao de dados, obtidos seha por satelites (GPS),
seja por fotografias ou por qualquer outro meio, se fazem constantes no trabalho de um engenheiro
cartografo.
O engenheiro cartografo dispoe de um metodo, o metodo dos mnimos quadrados, para obter
informacoes relativas a parametros de correcao e ajuste de dados obtidos em observacoes e pesquisas.
Para este metodo os dados obtidos sao organizados matricialmente, de forma que possam ser rela-
cionados com valores pre-estabelecidos, tais como temperatura, latitude, longitude, altitude, entre
outros. Obtem-se, desta forma, um sistema de n equacoes lineares, onde esse n pode assumir valores
realmente grandes, resultando um sistema com milhares de equacoes. Sendo a resolucao de sistemas
de equacoes lineares um dos campos de estudo da Algebra Linear.
Na Geodesia, por exemplo, as coordenadas de um ponto podem ser obtidas na resolucao de um
sistema obtido pela sujeicao de dados obtidos de observacoes angulares ( tais como azimutes, angulos
e/ou direcoes ) a um determinado modelo geometrico.
As coordenadas tambem podem ser obtidas a partir da observacao da diferenca de fase da porta-
dora L1 e/ou L2, frequencias de operacoes do satelite de GPS.
A Algebra Linear tambem tem aplicacoes na Fotogrametria, para a transformacao de coordenadas
( espaco imagem para espaco objeto, que seriam as coordenadas de terreno, obtidas atraves de um sis-
190 8.2. Aplicacoes de espacos vetoriais na computacao grafica
tema deduzido atraves de observacoes nas fotografias e no terreno). Na digitalizacao de documentos,
por exemplo, um mapa em papel, apos ser processado, da origem a um mapa digital armazenado na
forma vetorial ( lista de coordenadas ).
Dentre todos os tipos de perspectivas a que apresenta resultados grafico mais interessantess e a
perspectiva conica, posto que que e a que simula com maior perfeicao a visao real do objeto. apre-
sentaremos, a seguir, o desenvolvimento da teoria matematica e veremos que a ferramenta pricipal e
a teoria das tranformacoes lineares.
De um modo geral, desenhar uma perspectiva consiste em ligar, atraves de segmentos de retas
pontos do plano cujas coordenadas x e y sao transformacoesdas coordenadas x, y e z dos pontos do
espaco. Mais explicitamente falando para cada ponto Pi (xi , yi , zi ) no espaco determina-se um ponto
Pi (xi , yi ) no plano tal que suas coordenadas xi e yi sao funcoes de xi , yi e zi e de um conjunto de
parametros, que chamaremos de de parametros de localizacao do observador e do plano projetante e
8.2. Aplicacoes de espacos vetoriais na computacao grafica 191
que indicaremos por U. Matematicamente
Como se sabe, a perspectiva conica utiliza - alem das nocoes 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
distancia finita do objeto e do plano projetante. A projecao P do ponto P no plano e a intersecao
da reta definida pelo observador V e pelo ponto P (visada) com o plano projetante . A projecao de
uma reta e obtida unindo-se as projecoes de dois de seus pontos (Fig 1) e, de uma maneira geral, a
projecao de um objeto e determinada pelas projecoes de todos os seus pontos.
No noso caso, o plano projetante e a tela do computador. Para chegarmos as expressoes que
fornecem x e y de cada ponto vamos estabelecer as seguintes convencoes:
6. O sistema xyz de coordenadas, bem comom os outros parametros se apresentam como mostra a
Fig 2.
Fazendo A = xv2 + y2v + z2v , e se A = 0 podemos obter a equacao do plano projetante (segundo as
convencoes adotadas) da seguinte forma: Da formula da distancia de ponto a plano temos
xv 0 + yv 0 + zv 0 + d
R =
xv2 + y2v + z2v
d = R xv2 + y2v + z2v = RA
xv x + yv y + zv z RA = 0 (8.1)
Para cada ponto Pi (xi , yi , zi ) a equacao parametrica da reta que o liga ao ponto V (xv , yv , zv ) e
x = t(xi xv ) + xv
y = t(yi yv ) + yv (8.2)
z = t(zi zv ) + zv
Para determinarmos a intersecao entre a reta e o plano projetante colocamos os valores de (8.2) na
equacao (8.1) do plano, ou seja:
RA A2
t= (8.4)
xv (xi xv ) + yv (yi yv ) + zv (zi zv )
xv R
x0 =
A
yv R
y0 = (8.5)
A
zv R
z0 =
A
que sao as coordenadas da origem do sistema xyz (fig 8.2). Esse sistema nos e particularmente inter-
essante pois o plano xy e o proprio plano projetante.
O que nos resta a fazer e, portanto, uma transformacao de coordenandas, ou seja, determinar as
coordenandas dos pontos projecoes em relacao ao novo sistema xyz. Para isso, devemos determinar
as componentes dos vetores unitarios i , j e k no sistema xyz.
A intersecao do plano projetante com o plano xy e uma reta cuja equacao e encontrada fazendo-se
z = 0 em (8.1). Isso nos leva a:
RA xv x
y= (8.6)
yv
cujo grafico esta na Fig 4. O vetor diretor dessa reta tem componentes dadas por:
w = (0,
RA RA RA RA
, 0) ( , 0, 0) = ( , , 0) (8.7)
yv , xv xv yv ,
o vetor i e um vetor unitario e portanto
1
i = w
|w|
1 RA RA
i = ( )2 ( )2 ( , , 0)
RA RA
x v y v ,
xv + yv ,
1 1 1
i = ( , , 0)
1
+ y12 xv yv ,
x2 v v
1
i = (yv , xv , 0) (8.8)
xv + y2v
2
O vetor unitario k tem sua determinacao imediata pois e o versor do vetor 00 (ver Fig 2 e equacao
194 8.2. Aplicacoes de espacos vetoriais na computacao grafica
8.5)
( )
00 1 xv R yv R zv R
k = = ( )
xv R , yv R , zv R A A A
, ,
00 A A A
1
k = (xv , yv , zv )
xv2 + y2v + z2v
1
k = (xv , yv , zv ) (8.9)
A
Observe que o vetor k e exatamente o versor do vetor V = (xv , yv , zv ) .
Como nosso sistema e ortogonal, o vetor unitario j e dado por j = k i , ou seja
xv yv zv
A A A
y
j = det 2 v 2 2v 2
x
0 (8.10)
xv +yv xv +yv
i j k
1 ( )
j = zv xv , zv yv , xv2 + y2v (8.11)
A xv2 + y2v
O sistema definido por es vetores unitarios nao e propriamente o nosso sitema xyz e sim ele a
menos de uma translacao (Fig 5). Essa translacao devera apenas anular o vlaor da componente em o
que nao importa para nos ja 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)}
{ }
= i, j,k
{ }
1 1( ) 1
= (yv , xv , 0) , zv xv , zv yv , xv2 + y2v , (xv , yv , zv )
xv2 + y2v A xv2 + y2v A
Portanto
y v x2v 0
xv +y2v
2 xv +y2v
[I] = z v
2 2
zv xv
x2 +y2 2v yv 2 xv +y
xv2 +y2v
v v xv +yv
xv xv zv
A A A
T (v) = (8.12)
Todo vetor nao-nulo que satisfaca a equacao 8.12 e chamado autovetor de T correspondente
ao autovalor . Portanto, sendo A uma matriz quadrada de ordem nxnsobre um corpo k, existe um
autovalor se, para uma matriz coluna vn1 , denominada autovetor, A = e verdadeiro.
Observacao 28 Nos cursos de engenharia geralmente utilizamos como corpo k o corpo dos numeros
reais, ou seja, no nosso caso k = R. Para a obtencao dos autovalores, reescreve-se a equacao 8.12
de modo que ( I A) = 0, que admitira v = 0 como solucao se, e somente se, det(A I) = 0. A
expressao det(A I) = 0 e denominada equacao caracterstica, onde I e a matriz identidade.
198 8.3. Aplicacoes de autovalores e autovetores na engenharia civil
A contribuicao mais relevante deste trabalho de pesquisa e caracterizar que o ensino do problema
de autovalor como feito no ciclo basico da engenharia, de acordo com o exposto acima, e absoluta-
mente contrario ao que se deveria informar a um futuro engenheiro. Nao ha relacao alguma entre
os termos especficos (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 ele-
mentos tem o mesmo significado das grandezas conhecidas usualmente pelo engenheiro. Alem disso,
em nenhum momento existe um indicativo de onde e como o aluno de graduacao, deve utilizar esses
conceitos, extremamente relevantes para a vida pratica de um profissional da area, SILVA (2001).
Uma sugestao para uma abordagem mais apropriada ao ensino do problema de autovalor para
os alunos de graduacao em engenharia seria, inicialmente, associar o termo autovalor as frequencias
naturais e o termo autovetor aos modos de vibracao de um elemento ou sistema estrutural qualquer,
dando enfase ao significado fsico dessas grandezas, ROEHL (1981).
Senao vejamos: para um sistema estrutural qualquer sob vibracao livre nao amortecida, com varios
graus de liberdade, pode ser escrita uma equacao matricial de movimento tal que,
MV + KV = 0 (8.13)
onde, M e a matriz de massa, K e a matriz de rigidez, V e o vetor das aceleracoes e V e o vetor dos
deslocamentos.
As equacoes que tornam possvel a resolucao do problema de autovalor, cujo sistema vibra livre-
mente e sem amortecimento, sao as seguintes:
( )
M 1 K 0i2 I i = 0 (8.14)
onde i e o i-esimo modo de vibracao, com i variando de 1 a n. A equacao 8.14 e verdadeira, para
qualquer i , se
( )
det M 1 K 0i2 I = 0 (8.15)
Observacao 29 Algumas correcoes e adaptacoes a nossa apostila foram necessarias porem nao foi
alterado o conteudo. Transcrevemos aqui apenas parte do trabalho para ressaltar a aplicacao de
autovalore e autovetores. Creditos sao dados ao autor e o trabalho original pode ser obtido atraves
dos anais do COBENGE 2003 ou me enviando um email solicitando o artigo original que terei a
maior satisfacao de envia-lo.