You are on page 1of 110

MATEMÁTICA

Graduação

Álgebra Linear

Volume 2

Luiz Manoel Figueiredo Marisa Ortegoza da Cunha

Álgebra Linear I
Volume 2 - Módulo 3 2a edição Luiz Manoel Figueiredo Marisa Ortegoza da Cunha

Apoio:

Fundação Cecierj / Consórcio Cederj
Rua Visconde de Niterói, 1364 – Mangueira – Rio de Janeiro, RJ – CEP 20943-001 Tel.: (21) 2334-1569 Fax: (21) 2568-0725 Presidente Masako Oya Masuda Vice-presidente Mirian Crapez Coordenação do Curso de Matemática UFF - Celso José da Costa UNIRIO - Luiz Pedro San Gil Jutuca

Material Didático
ELABORAÇÃO DE CONTEÚDO

Departamento de Produção
EDITORA CAPA

Luiz Manoel Figueiredo Marisa Ortegoza da Cunha
COORDENAÇÃO DE DESENVOLVIMENTO INSTRUCIONAL

Tereza Queiroz
COORDENAÇÃO EDITORIAL

Sami Souza
PRODUÇÃO GRÁFICA

Cristine Costa Barreto
DESENVOLVIMENTO INSTRUCIONAL E REVISÃO

Jane Castellani
COORDENAÇÃO DE PRODUÇÃO

Andréa Dias Fiães Fábio Rapello Alencar

Carmen Irene Correia de Oliveira Gláucia Guarany Leonardo Villela
COORDENAÇÃO DE LINGUAGEM

Jorge Moura
PROGRAMAÇÃO VISUAL

Marcelo Freitas

Maria Angélica Alves

Copyright © 2005, Fundação Cecierj / Consórcio Cederj Nenhuma parte deste material poderá ser reproduzida, transmitida e gravada, por qualquer meio eletrônico, mecânico, por fotocópia e outros, sem a prévia autorização, por escrito, da Fundação.

972m Figueiredo, Luiz Manoel. Álgebra linear 1: v. 2. / Luiz Manoel Figueiredo 2. ed. – Rio de Janeiro : Fundação CECIERJ, 2009. 108p.; 21 x 29,7 cm. ISBN: 85-7648-315-7 1. Transformações Lineares. 2. Teorema do Núcleo e da Imagem. 3. Mudança de Base. I. Cunha, Marisa Ortegoza da Silva. II. Título.
2009/1

CDD:512.5
Referências Bibliográficas e catalogação na fonte, de acordo com as normas da ABNT.

Governo do Estado do Rio de Janeiro

Governador Sérgio Cabral Filho

Secretário de Estado de Ciência e Tecnologia Alexandre Cardoso

Universidades Consorciadas
UENF - UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE DARCY RIBEIRO Reitor: Almy Junior Cordeiro de Carvalho UFRJ - UNIVERSIDADE FEDERAL DO RIO DE JANEIRO Reitor: Aloísio Teixeira

UERJ - UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO Reitor: Ricardo Vieiralves

UFRRJ - UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO Reitor: Ricardo Motta Miranda

UFF - UNIVERSIDADE FEDERAL FLUMINENSE Reitor: Roberto de Souza Salles

UNIRIO - UNIVERSIDADE FEDERAL DO ESTADO DO RIO DE JANEIRO Reitora: Malvina Tania Tuttman

Álgebra Linear I SUMÁRIO Volume 2 .Módulo 3 Aula 18 .Transformações Especiais no ¡22 ______________________________ 65 Aula 25 .A Álgebra das Transformações _______________________________ 55 Aula 24 .Operadores Lineares Inversíveis ______________________________ 83 Aula 27 .Transformações Especiais no ¡32 ______________________________ 75 Aula 26 .Exercícios de Revisão do Módulo 2____________________________ 99 .Teorema do Núcleo e da Imagem _____________________________ 37 Aula 22 .Propriedades das Transformações Lineares ______________________ 17 Aula 20 .Transformações Lineares _____________________________________ 7 Aula 19 .Núcleo e Imagem de uma Transformação Linear __________________ 27 Aula 21 .Mudança de Base ________________________________________ 91 Aula 28 .Representação Matricial de uma Transformação Linear _____________ 45 Aula 23 .

.

Uma outra meneira de ver o mesmo conceito. Comecaremos definindo transforma¸ co ˜es matriciais e depois as lineares.AULA 18 Aula 18 – Transforma¸ co ˜es lineares Objetivos Definir os conceitos de transforma¸ ca ˜o matricial e linear. envolvendo todos os elementos de A. Introdu¸ c˜ ao Um dos conceitos centrais na Matem´ atica ´ e o de fun¸ ca ˜o. De modo geral usa-se os termos fun¸ ca ˜o. 7 CEDERJ . Apresentar v´ arios exemplos de transforma¸ co ˜es lineares. os dois conceitos s˜ ao equivalentes. e que associa cada elemento de A a ` somente um elemento de B . especialmente no caso das transforma¸ co ˜es lineares. porem mais dinˆ amica. Veremos que para transforma¸ co ˜es de Rn em Rm .Transforma¸ co ˜es lineares ´ MODULO 3 . uma transforma¸ ca ˜o de um espa¸ co vetorial V em um espa¸ co vetorial W ´ e simplesmente uma fun¸ ca ˜o de V em W . s˜ ao de interesse especial as transforma¸ co ˜es lineares. Uma fun¸ ca ˜o ´ e uma associa¸ ca ˜o entre dois conjuntos A e B . Em resumo. Como observamos. usa-se mais o termo transforma¸ ca ˜o do que fun¸ ca ˜o. ´ Na Algebra Linear. que definiremos nesta aula. ¨transforma¨ elementos de A em elementos de B . mas n˜ ao necessariamente todos os elementos de B . que ¨leva¨ elementos do conjunto A em elementos do conjunto B . Esta maneira de ver uma fun¸ ca ˜o somente como uma associa¸ ca ˜o ´ e uma vis˜ ao essencialmente est´ atica. ou seja. aplica¸ ca ˜o e transforma¸ ca ˜o como sinˆ onimos. ´ e que uma fun¸ ca ˜o ´ e uma transforma¸ ca ˜o.

 x1   Em geral. Ent˜ ao a aplica¸ ca ˜o T : Rn → Rm dada por x → Ax ´ e uma transforma¸ ca ˜o matricial. se x =  −1 . se x =  x2 . Mais precisamente. ent˜ 2 Ax =  2 1 3 1 2 0  1   .Transforma¸ co ˜es lineares Álgebra Linear 1 Transforma¸ co ˜es matriciais Uma transforma¸ ca ˜o matricial ´ e uma fun¸ ca ˜o dada por T (x) = Ax. onde A´ e uma matriz. Encontre um x ∈ R3 .   1   ao Por exemplo.  x2  = x3 2x1 + x2 + 3x3 x 1 + 2x 2 . seja A uma matriz m × n. A= 2 2 1 −1 2 2 1 −1 eb=  x1   Solu¸ ca ˜o: Seja x =  x2 .  −1  = 2  7 −1 .  x2  = x3  2 2 8 .   x1   . ent˜ ao Ax = b. leva a x3 2 −1 2 2 1 −1 CEDERJ . ent˜ ao x3 Ax = 2 1 3 1 2 0  Exemplo 2 Se  x1   . Exemplo 1 Seja A= 2 1 3 1 2 0 ent˜ ao A induz a transforma¸ ca ˜o matricial T : R3 → R2 . tal que Ax = b. dada por x → Ax.

obtemos 2x2 = 0 + 3x3 ⇒ x2 = 3x3 . Seja u = Ent˜ ao   1 1    2 1 .Transforma¸ co ˜es lineares ´ MODULO 3 . todo vetor x =   1− x3 4 3x3 2  x3  e levado a b pela trans.  Portanto. c  9 CEDERJ . Portanto. 1 −1 Solu¸ ca ˜o: Temos que T : R2 → R3 . Determine a imagem de T = Ax.    x1 + x 2 = a =⇒ −x2 = b − 2a   −2x2 = c − a   x1 = b − a  x1 = b − a =⇒ . ´   Exemplo 3 1 1   Seja A = x =  2 1 . a aplica¸ ca ˜o dada pela matriz A leva R2 no plano 3x − 2y + z = 0. x2 = 2a − b x2 = 2a − b   0 = c − a − 2b + 4a 0 = 3a − 2b + c    x1 + x 2 = a 2x1 + x2 = b   x1 − x 2 = c  a   = b  c  a   e seja T u =  b . 1 −1  x1 x2 x1 x2      o que mostra que Ax = b tem solu¸ ca ˜o quando 3a − 2b + c = 0. obtemos 4x1 = 4 − x3 ⇒ x1 = 1 − x3 . 2 forma¸ ca ˜o matricial T = Ax.AULA 18 2x1 − x2 + 2x3 = 2 2x1 + x2 − x3 = 2 =⇒ 2x1 − x2 = 2 − 2x3 2x1 + x2 = 2 + x3 Somando as duas equa¸ co ˜es. x3 ∈ R. 4 Subtraindo as mesmas equa¸ co ˜es.

a propriedade A(u + v ) = Au + Av mostra que T preserva a soma de matrizes e a propriedade A(cu) = cA(u) mostra que T preserva o produto por escalar. para todo v e para todo escalar c. podemos dizer que uma transforma¸ ca ˜o ´ e linear quando preserva a soma de vetores e o produto de vetores por escalares. isto ´ e T (u + v ) = T u + T v .Transforma¸ co ˜es lineares Álgebra Linear 1 T = Ax R2 R3 Figura 1: Aplica¸ ca ˜o T leva R2 no plano 3x − 2y + z = 0. para todos u e v no dom´ ınio de T . obtendo T (u + v ). De maneira geral. toda transforma¸ ca ˜o matricial ´ e linear. vetores n × 1 u e v . e um escalar c. Preservar a soma de vetores quer dizer que se somarmos os vetores primeiro (u + v ) e. u e v s˜ ao vetores no dom´ ınio de T = Ax e c ´ e um escalar. o resultado ´ e o mesmo que aplicarmos T aos vetores e depois somarmos os resultados (T u + T v ). transforma¸ co ˜es CEDERJ 10 . Se A ´ e uma matriz. Por outro lado. nem toda transforma¸ ca ˜o linear de espa¸ cos vetoriais ´ e matricial. T (cv ) = cT (v ). Definiremos agora as transforma¸ co ˜es lineares. segue-se das propriedades da multiplica¸ ca ˜o de matrizes que A(u + v ) = Au + Av e A(cu) = cAu . Em outras palavras. T (u + v ) = T u + tv . Defini¸ c˜ ao 1 Uma transforma¸ ca ˜o T ´ e linear se: 1. em seguida. Porem. 2. quando uma fun¸ ca ˜o possui as duas propriedades acima. Veremos um exemplo deste tipo abaixo. ent˜ ao. dizemos que ela ´ e linear. Portanto. aplicarmos T . Transforma¸ co ˜es lineares Dada uma matrix m × n A.

chamada transforma¸ ca ˜o nula. Ent˜ ao T (0V ) = T (0. onde c1 . e seja v ∈ V . onde V e W s˜ ao espa¸ cos vetoriais. Outra propriedade muito utilizada ´ e a seguinte: T (cv + du) = T (cv ) + T (du) = cT (v ) + dT (u) .Transforma¸ co ˜es lineares ´ MODULO 3 . Observe que esta propriedade. obtemos T (cu) = cT (u) (preserva¸ ca ˜o do produto de vetores por escalares). ent˜ ao a transforma¸ ca ˜o linear dada pela matriz In . Para ver isto.AULA 18 lineares de Rn em Rm s˜ ao sempre matriciais. Esta transforma¸ ca ˜o ´ e chamada indentidade. implica em linearidade. Exemplo 4 A transforma¸ ca ˜o T : V → W dada por T (x) = 0W ´ e linear. leva todo vetor de V no vetor nulo de W . vk s˜ ao vetores no dom´ ınio de T . a transforma¸ ca ˜o T : V → V dada por T (u) = u ´ e linear. identidade de ordem n.v ) = 0. onde 0V indica o vetor nulo do espa¸ co vetorial v e 0W indica o vetor nulo do espa¸ co vetoria W . · · · . basta notar que fazendo c = d = 1 obtemos T (u + v ) = T u + T v (preserva¸ ca ˜o da soma de vetores) e fazendo c = 1 e d = 0.T (v ) = 0W . Exemplo 5 Seja V um espa¸ co vetorial qualquer. Aplicando sucessivamente o mesmo racioc´ ınio acima. · · · . Seja T : V → W uma transforma¸ ca ˜o linear. Se V = R n . Mostramos ent˜ ao que uma transforma¸ ca ˜o linear T : V → W . Isto ´ e. Esta transforma¸ ca ˜o. se uma transforma¸ ca ˜o T satisfaz T (cv + du) = cT (u) + dT (v ) . A dedu¸ ca ˜o acima utiliza as duas propriedades que definem linearidade. podemos mostrar que T (c1 v1 + · · · + ck vk ) = c1 T (v1 ) + · · · + ck T (vk ) . Provaremos este fato na aula 23 onde tambem estudaremos em detalhes como obter a representa¸ ca ˜o matricial de uma transforma¸ ca ˜o linear. 11 CEDERJ . ent˜ ao ela ´ e linear. ck s˜ ao escalares e v1 . ´ e n a transforma¸ ca ˜o identidade de R . leva o vetor nulo de V no vetor nulo de W . sozinha.

no sentido anti-hor´ ario. Tx = 2x Figura 2: Dilata¸ ca ˜o T (x) = 2x. ent˜ ao ela ´ e linear.Transforma¸ co ˜es lineares Álgebra Linear 1 Exemplo 6 Seja r ∈ R. Isto ´ e verdade. Ent˜ ao T (cu + dv ) = r(cu + dv ) = rcu + rdv = c(ru) + d(rv ) = cT (u) + dT (v ) . Se r > 1 ent˜ ao dizemos que T ´ e uma dilata¸ ca ˜o. CEDERJ 12 . podemos ver que esta transforma¸ ca ˜o gira os vetores em torno da origem. Portanto T ´ e uma transforma¸ ca ˜o linear. . A figura abaixo mostra a dilata¸ ca ˜o T (x) = 2x. Se 0 ≤ r < 1 ent˜ ao dizemos que T ´ e uma contra¸ ca ˜o. Determinando a imagem de alguns vetores e representando em um gr´ afico estes vetores e suas imagens. Estudaremos com maiores detalhes transforma¸ co ˜es lineares especiais. isto ´ e Como esta transforma¸ ca ˜o ´ e matricial. 0) n˜ ao ´ e linear. Para ver isto. x1 x2 = −x2 x1 0 −1 1 0 . nas aulas 25 e 26. como a rota¸ ca ˜o de um a ˆngulo θ. Se r = 0 ent˜ ao temos a transforma¸ ca ˜o nula. d escalares. de um a ˆngulo de 900 . Exemplo 8 A transforma¸ ca ˜o linear T : R2 → R2 dada pela matriz T (x) = 0 −1 1 0 . Mostre que a transforma¸ ca ˜o T : Rn → Rn dada por T (x) = rx ´ e uma transforma¸ ca ˜o linear. Exemplo 7 A transforma¸ ca ˜o T : R2 → R2 dada por T (x) = x + (1. Solu¸ ca ˜o: Sejam u. Esta ´ e uma transla¸ ca ˜o de vetores no R2 . v ∈ Rn e c. Se r = 1 temos a transforma¸ ca ˜o identidade. basta notar que ela n˜ ao leva o vetor nulo no vetor nulo.

ent˜ ao A[p]B ´ e a representa¸ ca ˜o de Dp nesta base. C e D. ´ f´ E acil ver que este operador ´ e uma transforma¸ ca ˜o linear. D leva cada termo ak tk em kak tk−1 . veremos na aula 23 que toda transforma¸ ca ˜o linear entre espa¸ cos de dimens˜ ao finita tˆ em uma representa¸ ca ˜o matricial. B . Representamos a carteira de um   xA  x   B  cliente por um vetor 4 × 1. Sabemos que para a deriva¸ ca ˜o vale D(cf1 + df2 ) = cD(f1 ) + dD(f2 ) . xB reais investidos na op¸ ca ˜o B etc. Definimos o n operador deriva¸ ca ˜o D : P → Pn−1 por D(a0 + a1 t + · · · + an tn ) = a1 + 2a2 t + · · · + nan tn−1 .AULA 18 T(u) v u T(v) Figura 3: Rota¸ ca ˜o de um a ˆngulo de 900 . N˜ ao h´ a uma matrix A tal que D = Ax. No entanto. restrito ao espe¸ co dos polinˆ omios. Note que ele ´ e a deriva¸ ca ˜o de fun¸ co ˜es no sentido usual. Um cliente faz sua carteira distribuindo cada seu dinheiro entre as 4 op¸ co ˜es do banco. confirmando que D ´ e uma transforma¸ ca ˜o linear. H´ a uma matriz A tal que se p ´ e um polinˆ omio e se [p]B ´ e a representa¸ ca ˜o deste polinˆ omio em uma base B escolhida de Pn . Assim uma carteira x =   indica xA reais  xC  xD investidos na op¸ ca ˜o A. Isto ´ e. 13 CEDERJ . que chamaremos de investimentos A.Transforma¸ co ˜es lineares ´ MODULO 3 . Exemplo 10 Um banco de investimentos possui 4 tipos de investimentos. Note que esta transforma¸ ca ˜o ´ e linear mas n˜ ao ´ e matricial. Exemplo 9 Seja Pn o espa¸ co dos polinˆ omios de grau menor ou igual a n.

dada por   T (x) =    xA xB xC xD    . CEDERJ 14 . que ´ e o de Transforma¸ ca ˜o Linear. inicialmente. Resumo ´ Nesta aula estudamos um dos conceitos fundamentais em Algebra Linear. as transforma¸ co ˜es matriciais.  yA yB yC yD = xA y a + xB y B + xC y C + xD y D . Vimos diversos exemplos de transforma¸ co ˜es lineares. ent˜ ao o resultado total de cada cliente ser´ a calculado pela transforma¸ ca ˜o linear T : R4 → R. definimos transforma¸ co ˜es lineares.Transforma¸ co ˜es lineares Álgebra Linear 1 Se o investimento A resultou em yA reais por real aplicado. B resultou em yB reais por real aplicado etc. Vimos. Em seguida. inclusive uma aplica¸ ca ˜o a ` economia.

se for poss´ ıvel. . um vetor x tal que T x = b. 3 −1  2   b =  −3  2 5. onde  1 1  A =  1 −1 1 2  11 −1   A =  2 5 . . Seja T : R2 → R3 a transforma¸ ca ˜o definida por T x = Ax. Para os valores da matriz A e vetor b nos ´ ıtens abaixo. Encontre a imagem de −1 2 1  2   u =  −3  0   −1   e u= 1  1  2. Nos ´ ıtens abaixo. (a) T (x) = (b) T (x) = 3 0 0 3 .AULA 18 Exerc´ ıcios 1. v = . 5 15 CEDERJ . onde A = 1 2 2 . use um sistema de coordenadas para representar gra2 3 ficamente os vetores u = . (a) A= (b)  1 0 1 2 −1 3 . Fa¸ ca uma 1 −1 descri¸ ca ˜o geom´ etrica do efeito da aplica¸ ca ˜o de T nos vetores de R 2 . 1 6 que s˜ ao levados no vetor nulo pela  1 1  −1 2  . 0. encontre. (c) T (x) = (d) T (x) = −1 0 0 −1 0 0 0 1 . Encontre todos os valores de x ∈ R4 transforma¸ ca ˜o x → Ax. b=  2 3 4. 5 0 0 0. Quantas linhas e colunas deve ter uma matriz A para definir uma aplica¸ ca ˜o de R4 em R6 por T (x) = Ax. T u e T v . 3.Transforma¸ co ˜es lineares ´ MODULO 3 .

Respostas dos exerc´ ıcios −4 −8 3 4 1. c (b) N˜ ao h´ a valor de x tal que T x = b. −1. . O espa¸ co gerado por {(− 3 2 2 5.Transforma¸ co ˜es lineares Álgebra Linear 1 6. Se T( 2 1 1 0 )= 2 1 x1 x2 e T( 0 1 )= −1 3 . A deve ser uma matriz 6 × 4. e . (d) Proje¸ ca ˜o sobre o eixo-y. (a) x =  c + 1 . (c) Rota¸ ca ˜o de 1800 . 5. (a) Dilata¸ ca ˜o por um fator de 3. (b) Contra¸ ca ˜o por uma fator de 0. Seja T : R2 → R2 uma transforma¸ ca ˜o linear. 2. . 3 4. determine T ( ) e T( ).   2−c   3. para todo c ∈ R. CEDERJ 16 . 1)} ´ e levado no vetor nulo.

decorre que T (−v ) = −T (v ). (ii) T (−v ) = −T (v ). Engenharia e Computa¸ ca ˜o. que ´ e o seguinte: para determinar uma transforma¸ ca ˜o linear T : V → W . que s˜ ao fun¸ co ˜es definidas entre espa¸ cos vetoriais e com caracter´ ısticas que as tornam muito u ´teis. em uma gama imensa de problemas e situa¸ co ˜es da Matem´ atica. Esta propriedade j´ a foi demonstrada na aula 18. Propriedades das transforma¸ co ˜es lineares Sejam V e W espa¸ cos vetoriais e T : V → W uma transforma¸ ca ˜o linear.as transforma¸ co ˜es lineares. F´ ısica. entre outras a ´reas de estudo e trabalho. veremos um fato muito importante.AULA 19 Aula 19 – Propriedades das Transforma¸ co ˜es Lineares Objetivos Reconhecer e aplicar as propriedades das transforma¸ co ˜es lineares. Na aula 18 conhecemos um tipo muito especial de fun¸ ca ˜o . Como T [(−1)v ] = (−1)T (v ). Devemos mostrar que 0W ∈ T (U ) e que T (U ) ´ e fechado para soma de vetores e multiplica¸ ca ˜o por escalar. 17 CEDERJ .Propriedades das Transforma¸ co ˜es Lineares ´ MODULO 3 . ∀v ∈ V Em palavras: A imagem do vetor oposto ´ e o oposto da imagem do vetor. basta conhecer seus valores em uma base qualquer de V . Em especial. Nesta aula veremos v´ arias propriedades das transforma¸ co ˜es lineares. (iii) Se U ´ e um subespa¸ co de V ent˜ ao T (U ) ´ e um subespa¸ co de W . Valem as seguintes propriedades: (i) T (0V ) = 0W Em palavras: uma transforma¸ ca ˜o linear leva o vetor nulo do dom´ ınio ao vetor nulo do contra-dom´ ınio.

vn ∈ V .. CEDERJ 18 . hip. Como U ´ e subespa¸ co de V . Sejam x. Esta propriedade j´ a foi apresentada na Aula 18. O caso n = 1 segue diretamente da defini¸ ca ˜o de transforma¸ ca ˜o linear.. Existem u. e podemos concluir que T (U ) ´ e subespa¸ co de W ... ent˜ ao T (αu) ∈ T (U )... isto ´ e.Propriedades das Transforma¸ co ˜es Lineares Álgebra Linear 1 Como U um subespa¸ co de V . Em palavras: A imagem de uma combina¸ ca ˜o linear de vetores de V ´ e uma combina¸ ca ˜o linear das imagens desses vetores. ind.. + αk T (vk ) + T (αk+1 vk+1 ) α1 T (v1 ) + α2 T (v2 ) + . T (α1 v1 + α2 v2 + . v ∈ U tais que T (u) = x e T (v ) = y . + αk vk + αk+1 vk+1 ) = T [(α1 v1 + α2 v2 + . Pela propriedade (i)... o que resulta em T (αu) = αT (u) = αx ∈ T (U ) . + αk T (vk ) + αk+1 T (vk+1 ) ... pois T (α1 v1 ) = α1 T (v1 ). Como αu ∈ U . Vamos supor que a propriedade vale para n = k . + αn T (vn ) . ent˜ ao u + v ∈ U .. De T (u + v ) ∈ T (U ) resulta que T (u + v ) = T (u) + T (v ) = x + y ∈ T (U ) . + αk T (vk ) . T (0V ) = 0W ∈ T (U ). + αk vk ) = α1 T (v1 ) + α2 T (v2 ) + . vale a propriedade para n = k +1. + αn vn ) = α1 T (v1 ) + α2 T (v2 ) + . + αk vk ) + T (αk+1 vk+1 ) α1 T (v1 ) + α2 T (v2 ) + .. com os mesmos coeficientes. y ∈ T (U ). Existe u ∈ U tal que T (u) = x.. (iv) Dados v1 . Vamos dar aqui uma demonstra¸ ca ˜o usando indu¸ ca ˜o sobre n. .. v2 . Finalmente. ent˜ ao 0V ∈ U . Vamos provar que vale para n = k + 1 : T (α1 v1 + α2 v2 + .. o que conclui a demonstra¸ ca ˜o. T (α1 v1 + α2 v2 + .... + αk vk ) + (αk+1 vk+1 )] T linear = T (α1 v1 + α2 v2 + ... = T linear = isto ´ e. sejam x ∈ T (U ) e α ∈ R.

Ou seja.. o que implica que os vetores v1 ... + αn vn = oV . . T (vn ) ∈ W s˜ ao LI ent˜ ao os vetores v1 .Propriedades das Transforma¸ co ˜es Lineares ´ MODULO 3 . v2 .. Como os vetores T (v1 ). αn tais que v = α1 v1 + α2 v2 + .. Demonstra¸ ca ˜o. violando a propriedade (i).. vn } um conjunto gerador de V ... isto ´ e. isto ´ e.. Logo... essa aplica¸ ca ˜o n˜ ao ´ e linear.. Exemplo 11 Sejam V um espa¸ co vetorial e u ∈ V .. vn } ´ e um conjunto gerador de V ent˜ ao {T (v1 ). T (vn )} ´ e um conjunto gerador da imagem de T . vn s˜ ao LI. quando u = 0V . T (v2 ). essa aplica¸ ca ˜o ´ eo operador identidade de V . = αn = 0. pois Tu (0V ) = 0V + u = u = 0V . Ent˜ ao existem escalares α1 . T (vn ) geram a imagem de T .. que ´ e linear.. todos os coeficientes da combina¸ ca ˜o linear (1) s˜ ao iguais a zero... T (v2 ). α2 . Por outro lado. .. ... Demonstra¸ ca ˜o.. T (vn ) s˜ ao LI.. (1) (iv ) Vamos aplicar a transforma¸ ca ˜o T a ambos os lados dessa igualdade: T (α1 v1 + α2 v2 + . existe v em V tal que w = T (v ).AULA 19 (v) Se {v1 .. + αn T (vn ). E acil verificar que. . . Seja {v1 . + αn T (vn ) = 0W ... mas com suas imagens formando um 19 CEDERJ . v2 . . ´ e poss´ ıvel termos um conjunto de vetores de V que sejam LI. quando u = 0V . .... T (v2 ).. .. + αn vn ) = = α1 T (v1 ) + α2 T (v2 ) + . Exemplo 12 A rec´ ıproca da propriedade (vi) n˜ ao ´ e verdadeira... Podemos escrever: w = T (v ) = = T (α1 v1 + α2 v2 + . Seja w um vetor na imagem de T . v2 .. . (vi) Se T (v1 ). v2 .... acima. Seja a combina¸ ca ˜o linear α1 v1 + α2 v2 + .... A aplica¸ ca ˜o Tu : V v → V → v+u ´ f´ ´ e chamada transla¸ ca ˜o definida por u. + αn vn . vn ∈ V s˜ ao LI. os vetores T (v1 ). T (v2 ).. + αn vn ) = T (0V ) ⇒ α1 T (v1 ) + α2 T (v2 ) + . conclu´ ımos que α1 = α2 = ..

0. 0. onde (x. 1). y ) do plano.1) (3. dada uma transforma¸ ca ˜o linear T : V → W . 0. Logo. −1. 1. mas suas imagens coincidem: T (v1 ) = T (v2 ) = (3. T (v1 ) e T (v2 ) s˜ ao LD. Assim. o conjunto {T (v1 ). para um vetor v gen´ erico de V . 0) e v3 = (0. definido em R . 0. y. 0) = (1. se conhecemos as imagens por T dos vetores de uma base de V . para todo vetor (x. z ) = (x + 2y + z. x + y + 2z ). 1) e v2 = (3. Os vetores v1 = (1. x − y. tal que T (1. 2). 1. z ). y ) = (x. Considere. 0. T (0. o operador proje¸ ca ˜o ortogonal 2 sobre o eixo x. podemos obter a express˜ ao de T (v ). (3. x − y. Aplicando a propriedade (iv ). 1. Uma caracter´ ıstica importante das transforma¸ co ˜s lineares ´ e que elas ficam completamente determinadas se as conhecemos nos vetores de uma base do dom´ ınio. 1) formam a base canˆ onica de R3 . de R3 . a transforma¸ ca ˜o linear tal que T (x. CEDERJ 20 . Essa situa¸ ca ˜o ´ e ilustrada na figura 1. gen´ erico. 2) = = (x + 2y + z. z ) ´ e um vetor gen´ erico de R 3 . x + y + 2z ). y. v2 = (0. linear. 0).y)=(x. 4) s˜ ao LI. y. T (0. 0). y. isto ´ e. 1) + z (1. temos: T (v ) = T (x. T ´ e dada por T (x. 1. T (v2 )} ⊂ R2 ´ e LD.0) (3. 0) = (2. z ) = = T (xv1 + yv2 + zv3 ) = = xT (v1 ) + yT (v2 ) + zT (v3 ) = = x(1. Os vetores v1 = (3. O exemplo a seguir mostra esse procedimento: Exemplo 13 Seja T : R3 → R3 . z ) = xv1 + yv2 + zv3 . y. y.1) (3.0) Figura 1: v1 e v2 s˜ ao LI. 0). 1) = (1.4) T(x. Isto ´ e. Vamos determinar T (x. 1). 1) + y (2. por exemplo.Propriedades das Transforma¸ co ˜es Lineares Álgebra Linear 1 conjunto LD em W . um vetor v = (x. z ). se escreve (x. −1. Logo. 0.

como exerc´ ıcio (!). Neste caso. 2 T (1. 2) + 2 (2. como s˜ ao dois vetores num espa¸ co bi-dimensional. −1) e v2 = (2.AULA 19 Vamos ver como fazer no caso em que a base na qual a transforma¸ ca ˜o linear ´ e conhecida n˜ ao seja a canˆ onica: Exemplo 14 Uma transforma¸ ca ˜o linear T : R2 → R3 ´ e tal que T (2. y ) = (3. −1) + x+y (2. 1) = −3y x−3y . uma forma r´ apida de verificar que s˜ ao LI ´ e calcular o determinante formado pelas suas coordenadas e constatar que ´ e diferente de zero. 1. y ) = x. escrevemos um vetor gen´ erico do espa¸ co como uma combina¸ ca ˜o linear dos vetores dessa base: v = (x. verificamos que os vetores v1 = (1. obtemos a = −y e b = x+y .Propriedades das Transforma¸ co ˜es Lineares ´ MODULO 3 . 4). −1) = (1. 1. y ) = y v2 ) = = T (−yv1 + x+ 2 x+y . y ). Primeiramente. obtemos T (v ) = T (x. −a = y Portanto. 4). −1. Vamos determinar T (x. 2 . −1) + b(2. −x2 Exemplo 15 Em rela¸ ca ˜o a ` transforma¸ ca ˜o linear do exemplo 4. −1. para (x. 1. 1). 0) = (2. 2 . encontre v ∈ R2 tal que T (v ) = (3. y ) = −y (1. 21 CEDERJ . y ) ∈ R2 tal que T (x. A seguir. −x2 −3y x−3y . (x. = x. Logo. 2). 0) ⇒ Resolvendo o sistema. y ) = av1 + bv2 = a(1. a + 2b = x . 1. T ´ e dada por T (x. = −yT (v1 ) + 2 T (v2 ) = x+y = −y (1. Queremos (x. 0) 2 Usando a linearidade de T . y ) ∈ R2 . Deixamos isso com vocˆ e. 0) formam uma base de R2 .

obtemos a = −x + 2y a + 2b = x . Logo. um espa¸ co vetorial real. um funcional linear definido em V ´ e uma transforma¸ ca ˜o linear f : V → R. y ) tal que f (x. 1)+(x − y )T (2. 1) = 2 e f (2. Isso nos leva aos vetores do plano da forma (x. ent˜ ao. como combina¸ ca ˜o linear dos vetores dados: (x. Exemplo 17 Em rela¸ ca ˜o ao funcional linear definido no exemplo acima. −x)|x ∈ R}. x=3 . ⇒ b = x−y a+b = y isto ´ e. −x − 3y x − 3y . y ) ∈ R 2 . 1) + (x − y )(2. y ) = x + y = 0. 1)+(x − y )(2. −5/3).a saber.Propriedades das Transforma¸ co ˜es Lineares Álgebra Linear 1 x. pelo funcional f . y ) = a(1. y ) = x + y . y ). queremos (x.2 + (x − y ). Ent˜ ao T (x. h´ a 2 infinitos vetores de R que s˜ ao levados ao zero. CEDERJ 22 . 2 2    x=3 −x−3y = (3. 1) + b(2. Isto ´ e. T ´ e dada por T (x. 1) for2 mam uma base de R . 1. obtemos Logo. Novamente. y ) = T ((−x +2y )(1. =1 ⇒ 2     x−3y x − 3y = 8 =4 2    x=3 Resolvendo o sistema. 1)) = (−x +2y )T (1. Considere o funcional linear f definido em R 2 tal que f (1. Vamos determinar f (x.3 = x + y . 1) = (−x + 2y ). 1) = 3. y = −5 3 Note que o conjunto dos n´ umeros reais ´ e. 1). todo vetor do conjunto {(x. come¸ camos conferindo que os vetores (1. o vetor procurado ´ e (3. Exemplo 16 Dado um espa¸ co vetorial V . Logo. 4) ⇒ −x − 3y = 2 . ele mesmo. (x. Escrevemos. 1) e (2. −x). para (x. y ) = (−x + 2y )(1. um vetor gen´ erico (x. y ). 1). Resolvendo. vamos procurar os vetores v de R2 tais que f (v ) = 0.

o seguinte sistema:  a+b=x     b+c=y . 23 CEDERJ .(1 + t2 ) = (x − y + 4z − 3w) + (−x + y − z + w)t + (−z + 2w)t2 + (y − z + w)t3 . fornece a solu¸ ca ˜o:  a=x−y+z−w     b=y−z+w .T (1) + (y − z + w).AULA 19 Para finalizar. um exemplo no espa¸ co dos polinˆ omios: Exemplo 18 Seja T a transforma¸ ca ˜o linear em P3 (R) dada por T (1 + t) = t3 .T (1 + t) + (z − w). a seguir.(1 − t) + (y − z + w). onde x + yt + zt2 + wt3 ´ e um 3 polinˆ omio qualquer de P3 (R) e.  c + d = z    d=w que. A seguir.Propriedades das Transforma¸ co ˜es Lineares ´ MODULO 3 . t2 + t3 } ´ e uma base de P3 (R).1 + b(1 + t) + c(t + t2 ) + d(t2 + t3 ) = = (a + b) + (b + c)t + (c + d)t2 + dt3 . calcular T (2 − 3t + 4t ). Obtemos. T (1) = 1 − t. Aplicamos a transforma¸ ca ˜o T em ambos os lados dessa igualdade: T (x + yt + zt2 + wt3 ) = T ((x − y + z − w). T (t2 + t3 ) = 1 + t2 .(3 − t2 ) + w.T (t + t2 ) + w.  c = z − w    d=w Escrevemos ent˜ ao: x+yt+zt2 +wt3 = (x−y +z −w).1+(y −z +w)(1+t)+(z −w)(t+t2 )+w(t2 +t3 ) . escrevemos o vetor gen´ erico de P3 (R) nessa base: x + yt + zt2 + wt3 = a. Vamos determinar T (x + yt + zt2 + wt3 ). Como nos exemplos anteriores.t3 + (z − w). assim. 1 + t.T (t2 + t3 ) = (x − y + z − w). T (t + t2 ) = 3 − t2 . resolvido. constatamos que {1. t + t2 .1 + (y − z + w)(1 + t) + (z − w)(t + t2 ) + w(t2 + t3 )) = (x − y + z − w).

Propriedades das Transforma¸ co ˜es Lineares Álgebra Linear 1 Logo. por excelˆ encia. apenas. CEDERJ 24 . Vamos. Assim. Resumo Nesta aula estudamos as propriedades das transforma¸ co ˜es lineares. E em particular. Temos x = 2. z = 0 e w = 4. as fun¸ co ˜es usadas na Computa¸ ca ˜o em geral. agora. a transforma¸ ca ˜o procurada ´ e dada por: T (x+yt+zt2 +wt3 ) = (x−y +4z −3w)+(−x+y −z +w)t+(−z +2w)t2 +(y −z +w)t3 . que as transforma¸ co ˜es lineares s˜ ao. y = −3. para que a conhe¸ camos completamente. calcular T (2 − 3t + 4t3 ). outra fun¸ ca ˜o permite uma manipula¸ ca ˜o t˜ ao simples. O fato mais relevante ´ e que podemos determinar uma transforma¸ ca ˜o linear a partir da sua aplica¸ ca ˜o nos vetores de uma base. Isso ´ e uma especificidade das transforma¸ co ˜es lineares: nenhuma ´ por essa qualidade. o n´ umero de informa¸ co ˜es necess´ arias a respeito de uma transforma¸ ca ˜o linear. Ent˜ ao T (2 − 3t + 4t3 ) = −7 − t + 8t2 + t3 . ´ e igual a ` dimens˜ ao do espa¸ co vetorial no qual ela ´ e definida.

(a) Determine T (a + bt + ct2 ). Encontre T (x. 1) = −2. 4. −3x + y. mas a estrutura se repete. Determine T (x. 3. T (x) = 1 − t e T (t2 ) = 1 + t + t2 . A primeira delas ´ e extremamente u ´til para rapidamente identificar algumas transforma¸ co ˜es que n˜ ao s˜ ao lineares. 7x − y ) 4. y ) = 5x − 2y 2. 1) = (2. y ) ∈ R2 . z ) = 8x − 3y − 2z 25 CEDERJ .Propriedades das Transforma¸ co ˜es Lineares ´ MODULO 3 . y. T (x. (a) T (a + bt + ct2 ) = (b + c) + (−b + c)t + (a + c)t2 (b) p = 2t + t2 3. para (x. 1. 1. −2) = 1 e T (0. T (0. 1) = −2. T (x.AULA 19 Exerc´ ıcios 1. Seja T : R2 → R a transforma¸ ca ˜o linear para a qual T (1. (b) Determine p ∈ P2 (R) tal que T (p) = 3 − t + t2 . y ) onde T : R2 → R3 ´ e definida por T (1. definido em P2 (R). −1). onde a + bt + ct2 ´ e um vetor gen´ erico de P2 (R). A transla¸ ca ˜o ´ e o exemplo mais importante disso. Um operador linear T . y. −1. ´ e tal que T (1) = t2 . z ) onde T : R3 → R ´ e dada por T (1. Al´ em disso. Veja que os exerc´ ıcios s˜ ao repetitivos: mudam o espa¸ co e a base considerada. Encontre T (x. por n˜ ao levarem o vetor nulo do dom´ ınio ao vetor nulo do contra-dom´ ınio. 2. Auto-avalia¸ c˜ ao Vocˆ e dever´ a assimilar o significado de cada propriedade vista... entre em contato com o tutor da disciplina. vocˆ e deve se familiarizar com a t´ ecnica de encontrar uma transforma¸ ca ˜o linear a partir de seus valores nos vetores de uma base do dom´ ınio. 1) = 3 e T (0. T (x. Caso vocˆ e tenha alguma d´ uvida. 0. 1. E. 5) e T (0. 2) = (3. 1) = 3. y ) = (−x + 2y. y ). vamos em frente!! Respostas dos exerc´ ıcios 1.

.

Im 0 Do ag em cl Nu Figura 1: Exemplo 19 • Seja T : V → W a transforma¸ ca ˜o linear nula. possuem estrutura de espa¸ co vetorial. representado por N (T ). pois n´ ucleo. Em palavras: o n´ ucleo de uma transforma¸ ca ˜o linear ´ e o subconjunto do dom´ ınio formado pelos vetores que s˜ ao levados ao vetor nulo do contradom´ ınio. tanto o n´ ucleo. Identificar a imagem de uma transforma¸ ca ˜o linear como um subespa¸ co do contra-dom´ ınio. Identificar o n´ ucleo de uma transforma¸ ca ˜o linear como um subespa¸ co do dom´ ınio. a transforma¸ ca ˜o tal ´ que T (v ) = 0W . Chamamos de n´ ucleo de T . Na aula 19 mencionamos a imagem de uma transforma¸ ca ˜o linear. 27 CEDERJ .AULA 20 Aula 20 – N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear Objetivos Determinar o n´ ucleo e a imagem de uma transforma¸ ca ˜o linear. como a imagem. ∀v ∈ V . isto ´ e.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . N´ ucleo de uma transforma¸ c˜ ao linear Sejam V e W espa¸ cos vetoriais e T : V → W uma transforma¸ ca ˜o linear. Nesta aula definiremos o n´ ucleo de uma transforma¸ ca ˜o linear e mostraremos que. ´ e kernel. o seguinte conjunto: N (T ) = {v ∈ V | T (v ) = 0W } . io min eo Alguns textos usam a nota¸ ca ˜o ker(T ). E f´ acil ver que seu n´ ucleo ´ e todo o espa¸ co V . em inglˆ es.

x + 2y − z. y ) ∈ R2 | T (x. Exemplo 21 Seja T : R4 → R3 a transforma¸ ca ˜o linear dada por T (x.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 • O n´ ucleo da transforma¸ ca ˜o identidade. k. definida no espa¸ co vetorial V . Ent˜ ao. k ∈ R}. x + 2y − z = 0   x−y+z+t=0 Esse sistema tem conjunto-solu¸ ca ˜o {(0. 2k. z. y. z.    2x = 0 (2x. N (T ) = {(x. em R2 .   x − 2y = 0 Esse sistema tem solu¸ ca ˜o x = 0 e y = 0. 0) ⇒ x−y =0 . que ´ e o n´ ucleo de T . CEDERJ 28 . t) de R pertence ao n´ ucleo de T se. 0)}. x − y. isto ´ e    x+y =0 (x + y. 0. um 4 vetor (x. −k ). y. z. Exemplo 20 O n´ ucleo da transforma¸ ca ˜o linear T : R2 → R3 dada por T (x. 0. t) = (2x. x + 2y − z. x − y + z + t) . 0) ⇒ . t) ∈ R4 | T (x. x − 2y ) ´ e o conjunto {(x. y ) = (0. ´ e o conjunto formado apenas pelo vetor nulo de V . 0. x − 2y ) = (0. e somente se. y. z. Logo. ´ e uma transforma¸ ca ˜o linear cujo n´ ucleo ´ e o eixo dos y . y. 0)}. t) = (0. x − y + z + t) = (0. x − y. • A proje¸ ca ˜o ortogonal sobre o eixo dos x. Isto ´ e. y ) = (x + y. 0)}. 0. N (T ) = {(0.

x − y. y = (a − b)/2   0 = (a − 3b + 2c)/2 que admite solu¸ ca ˜o se. c) ∈ R3 |a − 3b + 2c = 0} . b. a − 3b + 2c = 0. Exemplo 22 • Se T : V → W ´ e a transforma¸ ca ˜o linear nula. c) tenha solu¸ ca ˜o. ´ e o espa¸ co V . • A imagem da transforma¸ ca ˜o identidade.AULA 20 Imagem de uma transforma¸ c˜ ao linear Sejam V e W espa¸ cos vetoriais e T : V → W uma transforma¸ ca ˜o linear. b. b. para algum v ∈ V . e somente se. al´ em do subespa¸ co nulo e do pr´ oprio R3 . ∀v ∈ V . representado por Im(T ). Queremos encontrar os vetores w = (a. admita solu¸ ca ˜o. x − 2y ) . isto ´ e Im(T ) = {w ∈ W | w = T (v ). isto ´ e. definida no espa¸ co vetorial V . Exemplo 23 Vamos determinar a imagem da transforma¸ ca ˜o linear T : R2 → R3 dada por T (x. ´ e o conjunto de todos os vetores de W da forma T (v ). x − y. para algum v ∈ V }. c) ∈ R3 para os quais existe v = (x. sua imagem ´ e o conjunto formado apenas pelo vetor nulo de W . Escalonando. Isso equivale a analisar as condi¸ co ˜es para que o sistema    x+y =a x−y =b   x − 2y = c Note que a representa¸ ca ˜o geom´ etrica de Im(T ) ´ e um plano passando pela origem. • A proje¸ ca ˜o ortogonal sobre o eixo dos x. Im(T ) = {(a.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . y ) = (x + y. em R2 ´ e uma transforma¸ ca ˜o linear cuja imagem ´ e o eixo dos x. tal que T (v ) = 0W . y ) = (x + y. Vocˆ e se lembra? Os subespa¸ cos de R3 s˜ ao as retas e os planos passando pela origem. queremos que a equa¸ ca ˜o T (x. isto ´ e. 29 CEDERJ . obtemos o seguinte sistema equivalente:    x+y =a . A imagem de T . y ) ∈ R2 tal que T (v ) = w. Logo. x − 2y ) = (a.

CEDERJ 30 . b. Demonstra¸ ca ˜o. Escalonando. b. ent˜ ao T (αv ) = αT (v ) = α0W = 0W . Logo. Queremos determinar as condi¸ co ˜es para que um vetor (a. y. como mostraremos nos resultados a seguir. Isto ´ e. ent˜ ao T (v1 + v2 ) = T (v1 ) + T (v2 ) = 0W + 0W = 0W . T (v1 ) = T (v2 ) = 0W . Sejam α ∈ R e v ∈ N (T ). de algum vetor de R4 . Teorema 1 Sejam V e W espa¸ cos vetoriais e T : V → W uma transforma¸ ca ˜o linear. x − y + z + t) . Vocˆ e j´ a deve ter se dado conta de que as transforma¸ co ˜es lineares possuem propriedades realmente especiais. O n´ ucleo e a imagem de uma transforma¸ ca ˜o linear n˜ ao s˜ ao apenas conjuntos: ambos apresentam estrutura de espa¸ co vetorial. O n´ ucleo de T ´ e subespa¸ co vetorial de V . c) ∈ 3 R pertence a ` imagem de T . Portanto. (v1 + v2 ) ∈ N (T ). t) = (2x. b e c. queremos que o sistema    2x = a x + 2y − z = b   x−y+z+t=c admita solu¸ ca ˜o. Im(T ) = R3 . T (v ) = 0W . x + 2y − z. Logo. Como no exemplo anterior.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 Exemplo 24 Seja T : R4 → R3 a transforma¸ ca ˜o linear dada por T (x. ou seja. Primeiramente. Sejam v1 . vemos que 0V ∈ N (T ). por T . (αv ) ∈ N (T ). c). todo vetor (a. o n´ ucleo ´ e fechado para a soma. Portanto N (T ) = ∅. que n˜ ao encontramos nas demais fun¸ co ˜es. o que mostra que o n´ ucleo ´ e fechado para o produto por escalar. de R 3 seja a imagem. z. chegamos ao sistema equivalente    x−y+z+t=c . Logo. v2 vetores no n´ ucleo de T . Isto ´ e. uma vez que T (0V ) = 0W . y+t=b+c−a   −z − 2t = (3a − 2b − 4c)/2 que ´ e compat´ ıvel para quaisquer valores de a.

sejam α ∈ R e w ∈ Im(T ). fornece    x+y =a y+z =a−b . z ) = (x + y. Isso significa que existem vetores v1 e v2 em V . pois 0W ´ e a imagem de 0V . −1. Exemplo 25 Dada a transforma¸ ca ˜o linear T : R3 → R3 dada por T (x. tal que T (x. w2 vetores na imagem de T . y + z ) = (0. b.AULA 20 Teorema 2 Sejam V e W espa¸ cos vetoriais e T : V → W uma transforma¸ ca ˜o linear. y. z ) = (x + y. k ∈ R}. x − z. (x. existe v ∈ V tal que T (v ) = w. y. z ) de R3 tais que Queremos encontrar os vetores Logo.   y+z =0 Vamos. y. 1)}. De fato. b. pois ´ e a imagem do vetor (v1 + v2 ). c) de R3 deve satisfazer para que exista um vetor (x. cujo conjunto-solu¸ ca ˜o ´ e {(k. −k. y + z ) = (a. Demonstra¸ ca ˜o. E o que faremos nos exemplos seguintes. A imagem de T n˜ ao ´ e vazia. z ). determinar a imagem de T . 0) ⇒ x−z =0 . y. o n´ ucleo de T ´ e gerado pelo vetor (1. c). temos: T (v1 + v2 ) = T (v1 ) + t(v2 ) = w1 + w2 .N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . −1. em R3 . como T (αv ) = αT (v ) = αw. Uma vez provado que o n´ ucleo e a imagem s˜ ao subespa¸ cos vetoriais. 1). x − z. 1). k ). Essa igualdade leva a um sistema linear que. Ent˜ ao o vetor (w1 + w2 ) pertence a ` imagem de T . Sejam w1 . z ) = (x + y. Vamos determinar o n´ ucleo de T . y. Finalmente. temos que (αw) ∈ Im(T ). agora. k ∈ R} = {k (1. x − z. escalonado. determine uma base e a dimens˜ ao de seu n´ ucleo e de sua imagem. Queremos estabelecer as condi¸ co ˜es que um vetor (a. y + z ) . 0. Ent˜ ao temos que dim N (T ) = 1 e uma base de N (T ) ´ e {(1. Isto ´ e.   0=a−b−c 31 CEDERJ . o ´ pr´ oximo passo ´ e determinar a dimens˜ ao e obter uma base para cada um.    x+y =0 T (x. A imagem de T ´ e subespa¸ co vetorial de W . tais que T (v1 ) = w1 e T (v2 ) = w2 . Ent˜ ao. −1.

1. 3). 1)}.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 Para que existam solu¸ co ˜es. 0) = (1. 1) T (0. 0. Logo. 1) = (0. que ´ e a lei que define a transforma¸ ca ˜o T . 0) + y (0. 1. 0. por T : T (1. vamos definir uma transforma¸ ca ˜o linear numa base de R3 . ter escolhido T (1. 1. 1). cujo n´ ucleo ´ e gerado pelos vetores (1. 2x + y. y. 3) e (1. 3) e (1. Poder´ ıamos. 1) e T (0. Para isso. c) = b(1. Exemplo 27 Encontrar uma transforma¸ ca ˜o linear T : R3 → R3 . 0. cuja imagem ´ e gerada pelos vetores (1. 1. 0) = (1. que ´ e a equa¸ ca ˜o que caracteriza os vetores da imagem de T . mas esta base deve conter os vetores dados. por exemplo. 2. y. 1. Aqui. 3) Note que a escolha de T neste exemplo n˜ ao ´ e de forma alguma u ´nica. que uma transforma¸ ca ˜o linear fica completamente determinada se a conhecemos nos vetores de uma base de seu dom´ ınio. 0. (1. 1. vamos completar o conjunto {(1. 2. como (x. Exemplo 26 Encontrar uma transforma¸ ca ˜o linear T : R3 → R3 . basta que seja um vetor tal que o determinante formado pelas coordenadas dos 3 vetores do conjunto seja diferente de zero. 1. 0). 1. z ) = x(1. 1). z ) tal que o conjunto {(1. um conjunto LD. z ) = xT (1. 0. 2. temos T (x. 3). 1) + z (0. 0) + yT (0. devemos ter a − b − c = 0. 1. 3). Consideremos. 2. (1. y. z )} seja LI. por simplicidade. 1). T (0. Vimos. 1. 0) = (1. 3) + y (1. 1) = x(1. 2. 1). Os dois pr´ oximos exemplos “invertem”o processo: vamos determinar uma transforma¸ ca ˜o linear (ela n˜ ao ser´ au ´nica) a partir do seu n´ ucleo ou de sua imagem. 0. y. 0) + zT (0. 1)} para que se torne uma base de R3 . Isto ´ e. Isto ´ e: 1 2 3 1 1 1 = 0 ⇒ z = −x + 2y . 1). 1. 0) + z (0. a base canˆ onica de R3 e vamos determinar as imagens dos vetores dessa base. tamb´ em. 0. 1) = (1. 1. 0) = (x + y. a imagem possui dimens˜ ao 2 e uma base para ela ´ e {(1. 0. T (0. 0. (1. um vetor da imagem pode ser escrito (b + c. 1). 0) = (1. devemos escolher um vetor (x. 0) Note que o terceiro vetor deve ser levado a um que forme. 2. 2. 0. 0) + c(1. 1. x y z CEDERJ 32 . 3x + y ). na aula passada. Ent˜ ao. 1. Como a = b + c. (x. 0. Em outras palavras. b. 0. uma vez que a dimens˜ ao da imagem ´ e 2. com os dois vetores dados no enunciado.

Para finalizar. uma 3 base de R em cujos vetores iremos definir a transforma¸ ca ˜o: T (1. ter imagem n˜ ao nula.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . e do dom´ ınio de uma transforma¸ ca ˜o linear. c = x − 2y + z Logo. 0. z ) = (x − 2y + z. 1. ou seja. 2. T (x. 3) = (0. temos que escrever um vetor gen´ erico do R3 como combina¸ ca ˜o linear dos vetores da base considerada e. y. 1) + cT (1. y. 0. 0. 0) + (x − 2y + z )(1. 0) = . 1. determinar a express˜ ao de T :    a+b+c=x (x. Vimos que ambos s˜ ao subespa¸ cos vetoriais: o n´ ucleo. enfim. logo. 0) (por exemplo) Observe que a dimens˜ ao do n´ ucleo ´ e 2. uma poss´ ıvel resposta ´ e T (x. o vetor (1. Na pr´ oxima aula veremos um resultado importante que relaciona as dimens˜ oes do n´ ucleo. Temos. 0) T (1. 0) + (3y − 2z )(0. 33 CEDERJ . do contradom´ ınio de T . do dom´ ınio de T e a imagem. por exemplo. 0) T (1. determinar suas dimens˜ oes e encontrar uma base para cada. 0). 2. 0) = (1. 0. y. 0. 0. z ) = a(1. o terceiro vetor da base deve estar fora do n´ ucleo. 3) + bT (1. 0) Assim. = (−y + z )(0. 0. 0). da imagem. 0. 0. 3) + b(1. 1) + c(1.AULA 20 Podemos considerar. b = 3y − 2z . 0. z ) = aT (1. Resumo Nesta aula definimos o n´ ucleo e a imagem de uma transforma¸ ca ˜o linear T . 2. 0) ⇒ 2a + b = y   3a + b = z ⇒ a = −y + z . 1. 1) = (0. Os exemplos visaram ajudar na assimila¸ ca ˜o da t´ ecnica para caracterizar o n´ ucleo e a imagem. 0. ent˜ ao.

determine a dimens˜ ao e encontre uma base do n´ ucleo de T . 3) W = R2 . 3y + z ). 5. para 2 3 v ∈ M2 . Seja T : P2 → P3 a transforma¸ ca ˜o linear definida por T (p(t)) = tp(t). ´ e linear. (c) V = M2 (R). W = R.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 Exerc´ ıcios 1. onde A = . em cada caso: (a) V =R3 . Seja T a transforma¸ ca ˜o linear definida em M2 tal que T (v ) = Av. Descreva o n´ ucleo de T . −1. CEDERJ 34 . x − y − z ). A transforma¸ ca ˜o T : P3 → P2 que associa cada polinˆ omio p(t) ao polinˆ omio obtido pela deriva¸ ca ˜o. y ) = (x + y − z. isto ´ e: T (p(t)) = p (t). W = R. Verifique se o vetor v ∈ V pertence ao n´ ucleo da transforma¸ ca ˜o linear T : V → W . a dimens˜ ao e uma base da imagem da transforma¸ ca ˜o linear T : R3 → R2 dada por T (x. 2) a11 a12 a21 a22 = a11 + a12 + 2a21 + 2a22 . T v= 1 3 3 −5 a11 a12 a21 a22 = a11 + a12 + 2a21 + 2a22 . Quais dos seguintes vetores est˜ ao na imagem de T ? (a) t2 (b) 0 (c) t + 1 (d) t2 − 2t 3. −1. T (x. T (x. Determine a dimens˜ ao e encontre uma −1 2 base da imagem. z ) = (y − 2z. v = (1. y ) = (x + y − z. 3y + z ). 2. W = R2 . (b) V =R3 . v = (4. Determine a dimens˜ ao e uma base do n´ ucleo. T v= 1 −3 5 2 (d) V = M2 (R). y. 4.

1)} (H´ a infinitas bases. (0. −1. Respostas dos exerc´ ıcios 1. 3) e (1. 0 0 1 0 . 0. uma base para 1 0 0 0 . b).AULA 20 6. 2. 5). 3). 7. uma base de Im(T ) : {(1. N (T ) = 0 0 0 0 . a). Encontre uma transforma¸ ca ˜o linear T : R3 → R4 cuja imagem seja gerada pelos vetores (1. 6. O n´ ucleo de T ´ e formado pelos polinˆ omios constantes de P3 . 0. uma base de N (T ) : {(3. dim N (T ) = 1. 0). (a) pertence (b) n˜ ao pertence (c) n˜ ao pertence (d) pertence 2. 35 CEDERJ . a imagem de T : 5. H´ a infinitas solu¸ co ˜es. 1)} (H´ a infinitas bases.) 4. 0 1 0 0 . H´ a infinitas solu¸ co ˜es.) 2 dim Im(T ) = 2 (Im(T ) = R ). Encontre uma transforma¸ ca ˜o linear T : R3 → R2 cujo n´ ucleo seja gerado pelo vetor (1.N´ ucleo e Imagem de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . d) 3. 0. dim N (T ) = 0. 0 0 0 1 . Im (T ) = M2 . 7. 2.

.

. . . Sejam {v1 . . temos α1 T (u1 ) + · · · + αp T (up ) + β1 T (v1 ) + · · · + βq T (vq ) = T (0) = 0 . . Teorema 1 Sejam V e W espa¸ cos vetoriais de dimewns˜ ao finita. se T : V → W ´ e uma transforma¸ ca ˜o linear. . .Teorema do N´ ucleo e da Imagem ´ MODULO 3 . w2 = T (u2 ). . . . Suponha que α1 u1 + · · · + αp up + β1 v1 + · · · + βq vq = 0 (1) . . . que relaciona as dimens˜ ao de V .AULA 21 Aula 21 – Teorema do N´ ucleo e da Imagem Objetivo Apresentar o teorema do n´ ucleo e da imagem. . . algumas conseq¨ uˆ encias e exemplos. u1 . ent˜ ao dim V = dim N (T ) + dim Im(T ) . 37 CEDERJ . . . p e T (vi ) = 0. onde os α´s e β ´s s˜ ao escalares. . . Vamos iniciar provando que o conjunto {v1 . . resulta que α1 w1 + · · · + α p wp = 0 . up } ⊂ V tais que w1 = T (u1 ). . Seja p = dim Im(T ) e q = dim N (T ). Como T (ui ) = wi . o que demonstra o teorema. q . . . Nesta aula apresentaremos o teorema do n´ ucleo e da imagem. . pois ent˜ ao temos dim V = q + p = dim N (T ) + dim Im(T ) . N (T ) e Im(T ). . . . up } ´ e uma base de V . . u1 . vq . wp = T (up ). up } ´ e LI. . wp } uma base de Im(T ). . . . vq } uma base de N (T ) e {w1 . w2 . i = 1. . i = 1. . o n´ ucleo N (T ) ´ e um subespa¸ co vetorial de V e a imagem Im(T ) ´ e um subespa¸ co vetorial de W . . Vamos mostrar que o conjunto {v1 . Aplicando o operator T . . . Na aula passada vimos que. . . Seja T : V → W uma transforma¸ ca ˜o linear. vq . . Demonstra¸ ca ˜o. Existem {u1 . .

CEDERJ 38 . .y) (x. o que implica em β1 = · · · = βq = 0. vq . − αp up ∈ N (T ) . Vamos agora mostrar que esse conjunto gera V . + α p up + β 1 v1 + . . . portanto α1 = · · · = αp = 0. vq } ´ e uma base de N (T ). . + αp up . . . up } gera o espa¸ co V . (sendo base de Im(T )). . . . . . . ent˜ ao existem escalares α1 . βq tais que v − α 1 u1 − . .Teorema do N´ ucleo e da Imagem Álgebra Linear 1 Mas {w1 . . Seja v ∈ V um vetor qualquer. Conclu´ ımos que {v1 . u1 . y ) tais que T (x. . . . . up } ´ e LI. − α p up = β 1 v1 + . u1 . wp } ´ e um conjunto L. Como {v1 . vq } ´ e uma base de N (T ). ou seja v = α 1 u1 + . Como T (v ) ∈ Im(T ). . y ) = (x.0) Figura 1: Proje¸ ca ˜o ortogonal sobre o eixo-x Temos que o n´ ucleo de T ´ e formado pelos (x. . . 0). . . . resulta β 1 v1 + · · · + β q vq = 0 . Podemos escrever esta equa¸ ca ˜o como T (v − α1 u1 − . 0) = (0. . Substituindo na equa¸ ca ˜o (1). existem β1 . Como {v1 . . + β q vq Isto mostra que {v1 . . . 0) ⇒ x = 0 . . . . . . Exemplo 28 A proje¸ ca ˜o ortogonal sobre o eixo-x ´ e a transforma¸ ca ˜o T : R2 → R2 dada por T (x. . . . . . . + αp wp = α1 T (u1 ) + . . y ) = (x. . . . .I. . ent˜ ao ´ e um conjunto LI. . (x. . − αp up ) = 0 ⇒ v − α1 u1 − . vq . αp tais que T (v ) = α1 w1 + . . . . . . . + β q vq .

x − y + z + t) tem n´ ucleo N (T ) = {0. dim Im(T ) = 1. 1)}. Vimos no exemplo 20 da aula 20 que N (T ) = {(0. 39 CEDERJ . pois 2 = dim R2 = dim N (T ) + dim Im(T ) = 1 + 1 = 2 . Para confirmar isto. c) ∈ Im(T ). x − 2y ) = (a. Portanto. x − y. x + 2y − z. y. Exemplo 29 A transforma¸ ca ˜o linear T : R2 → R3 dada por T (x. y ) = (x + y. A imagem de T ´ e ImT = T (x. 0) . dim R2 = dim N (T ) + dim Im(T ) ⇒ 2 = 0 + dim Im(T ) ⇒ dim Im(T ) = 2 . N (T ) = {(0. c) ⇒ x−y =b   x − 2y = c b x = a+ 2 b y = a− 2 0=c− Reduzindo este sistema. 2k. t) = (2x. −10}. z. y ) = (x. x − 2y ) . Aplicando o teorema do n´ ucleo e da imagem. 0)}.AULA 21 Ou seja. k. obtemos 3b 2 − a 2 Exemplo 30 No exemplo 21 da aula 20. vamos calcular Im(T ). y )} que ´ e gerado por {(0. 1. b. Portanto dim N (T ) = 1. 1)}.Teorema do N´ ucleo e da Imagem ´ MODULO 3 . Portanto. y ) = (x + y. que ´ e um espa¸ co gerado por {(0. b. Os valores de dim(T ) e Im(T ) confirmam o teorema do n´ ucleo e da imagem. Portanto dim N (t) = 1. Seja (a. x − y. vimos que a transforma¸ ca ˜o linear T : R 4 → R3 dada por T (x. Ent˜ ao    x+y =a T (x. −k )} que ´ e gerado por {(0. obtemos dim R4 = dim N (T ) + dim Im(T ) ⇒ dim Im(T ) = 4 − 1 = 3 . 2.

c) ∈ Im(T ) ent˜ ao Transforma¸ co ˜es injetoras e sobrejetoras Vamos recordar algumas defini¸ co ˜es. Demonstra¸ ca ˜o. se W tem dimens˜ ao finita. ent˜ ao. x + 2y − z. o que demonstra que dim Im(T ) = 3. CEDERJ 40 . b. Se vale a propriedade acima. (2x. No caso de transforma¸ co ˜es lineares. c). Como Im(T ) ´ e subespa¸ co de W . Assim. Uma transforma¸ ca ˜o ´ e injetora quando T (v1 ) = T (v2 ) ⇒ v1 = v2 ⇒ v1 − v2 = 0 . c) ⇒ x + 2y − z = b   x − y + z + t = cc De fato. se (a. Na pr´ oxima se¸ ca ˜o veremos algumas aplica¸ co ˜es do teorema que acabamos de provar para transforma¸ co ˜es injetoras e sobrejetoras. as injetoras s˜ ao aquelas em que apenas o vetor nulo ´ e levado no vetor nulo. x − y + z + t) = (a.Teorema do N´ ucleo e da Imagem Álgebra Linear 1 N˜ ao ´ e dif´ ıcil verificar que este sistema tem solu¸ ca ˜o para qualquer valor de (a. entre as tranforma¸ co ˜es lineares. Se T ´ e injetora ent˜ ao claramente vale a propriedade acima. Proposi¸ c˜ ao 1 Uma transforma¸ ca ˜o linear T ´ e injetora se. Uma transforma¸ ca ˜o T : V → W ´ e sobrejetora quando Im(T ) = W . isto ´ eT ´ e injetora quando N (T ) = 0. temos que T (v1 ) = T (v2 ) ⇒ T (v1 − v2 ) = 0 ⇒ v1 − v2 = 0 ⇒ v1 = v2 . temos que T ´ e sobrejetora quando dim Im(T ) = dim W . b.    2x = a . e somente se. b. pois T (v ) = 0 e T (0) = 0 implica em v = 0 pela propriedade injetiva. vale o seguinte T (v ) = 0 ⇒ v = 0 . podemos dar outra caracteriza¸ ca ˜o.

41 Em geral. Mais precisamente: Teorema 3 Seja T : V → W uma transforma¸ ca ˜o linear entre os espa¸ cos V e W . Suponha que T leve uma base de V em uma base de W . ent˜ ao T ´ e bijetora. αn tais que w = α1 T (v1 ) + · · · + αn T (vn ) = T (α1 v1 + · · · + αn vn ) ⇒ w ∈ ImT . Pelo teorema anterior. Uma caracter´ ıstica importante das transforma¸ co ˜es lineares bijetoras ´ e que levam uma base em uma base. T ´ e sobrejetora. Demonstra¸ ca ˜o. como T ´ e uma transforma¸ ca ˜o linear sobrejetora entre espa¸ cos de mesma dimens˜ ao. n = dim N (T ) + dim Im(T ). e somente se. temos o seguinte: • T ´ e sobrejetora quando Im(T ) = W . CEDERJ . · · · . · · · . Ent˜ ao {T (v1 ). se T : V → W e n = dim V = dim W . T leva uma base de V em uma base de W .Teorema do N´ ucleo e da Imagem ´ MODULO 3 . Demonstra¸ ca ˜o. • T ´ e injetora quando N (T ) = 0. vn } uma base de V . se w ∈ W ent˜ ao existem α1 . ´ e sobrejetora. Portanto. Ent˜ ao T ´ e bijetora se. Vamos agora provar uma conseq¨ uˆ encia muito interessante do teorema do n´ ucleo e da imagem. Isto ´ e verdade porque. temos N (T ) = {0V } ⇔ dim N (T ) = 0 ⇔ dim Im(T ) = n ⇔ Im(T ) = W . e somente se. Seja n = dim V e {v1 . T (vn )} ´ e uma base de W . em termos dos subespa¸ cos Im(T ) e N (T ). Au ´ltima equivalˆ encia ´ e conseq¨ uˆ encia do fato de que n = dim Im(T ) = dim W ⇒ Im(T ) = W . Alem disso. logo V e W tˆ em a mesma dimens˜ ao n. ent˜ ao.AULA 21 Resumindo. Teorema 2 Uma transforma¸ ca ˜o linear entre espa¸ cos vetorias de mesma dimens˜ ao finita ´ e injetora se. como pelo teorema do n´ ucleo e da imagem. · · · . se U ´ e subespa¸ co de W e dim U = dim W ent˜ ao U = W .

Seja {v1 . · · · . um isomorfismo T : V → V ´ e chamado automorfismo de V . Vimos. Conseq¨ uentemente. O operador T : R2 → P1 (R) dado por T (x1 . x2 ) = x1 + x2 X ´ e um isomorfismo de R2 no espa¸ co P1 (R) dos polinˆ omios de grau menor ou igual a 1 e coeficientes reais. · · · . no Teorema 3. Seja w ∈ W . ent˜ ao α1 = · · · = αn = 0. T (vn )} ´ e uma base de W . · · · . Como T ´ e sobrejetora. Como {v1 . V e W tˆ em a mesma dimens˜ ao. ent˜ ao T leva uma base de V em uma base de W . T (vn )} gera W . vn } uma base de V . · · · . · · · . O operador identidade I : V → V ´ e um automorfismo de V . vn } ´ e uma base de V . αn tais que v = α1 v1 + · · · + αn vn . que. Como T ´ e injetora ent˜ ao α 1 v1 + · · · + α n vn = 0 . αn tais que α1 T (v1 ) + · · · + αn T (vn ) = 0 ent˜ ao T (α1 v1 + · · · + αn vn ) = 0 .I. Resta apenas mostrar {T (v1 ). Isto ´ e. Queremos mostrar que {T (v1 ). 2. · · · . T (vn )} ´ e um conjunto L. · · · . Isomorfismos e automorfismos Um isomorfismo dos espa¸ cos vetorias V em W ´ e uma aplica¸ ca ˜o linear T : V → W que ´ e bijetora. se T ´ e um isomorfismo entre V e W . · · · . o que mostra que {T (v1 ). Exemplo 31 1. J´ a que {v1 . ent˜ ao existe v ∈ V tal que T (v ) = w. espa¸ cos vetoriais isomorfos tˆ em a mesma dimens˜ ao. para qualquer espa¸ co vetorial V . CEDERJ 42 . Portanto. Se existem α1 . vn } ´ e base. Dizemos que dois espa¸ cos vetoriais V e W s˜ ao isomorfos quando existe algum isomorfismo T : V → W . w = T (v ) = T (α1 v1 + · · · + αn vn ) = α1 T (v1 ) + · · · + αn T (vn ) .Teorema do N´ ucleo e da Imagem Álgebra Linear 1 Suponha agora que T seja uma transforma¸ ca ˜o linear bijetora. ent˜ ao existem α1 .

0). z ) = (x + z. 0. y. Determine uma aplica¸ ca ˜o linear T : R3 → R4 tal que ImT seja o espa¸ co gerado por {(1. y. y + z. e somente se. Provamos. 3. 5. 7. Seja T : R3 → R2 a transforma¸ ca ˜o linear definida por T (x. 43 CEDERJ . (a) Determine o n´ ucleo de T . 1. y. Resumo O resultado mais importante desta aula ´ e o teorema do n´ ucleo e da imagem (Teorema 1). 1)}. Provamos tambem que as transforma¸ co ˜es lineares bijetoras s˜ ao caracterizadas pela propriedade de levarem base em base.AULA 21 A verifica¸ ca ˜o de que T ´ e linear e ´ e bijetora ´ e muito simples e ser´ a deixada como exerc´ ıcios. Mostre que a aplica¸ ca ˜o linear T : R3 → R3 dada por T (x. como conseq¨ uˆ encia do Teorema 1. 1. 2x − z ). x3 ) = x1 + x 2 X + x 3 X 2 ´ e um isomorfismo. 1)}. z ) = (x. y. z ) = (x + y. (b) Determine a imagem de T . 2. ´ e sobrejetora. 6. 0. Mostre que a transforma¸ ca ˜o linear T : R3 → P2 (R) dada por T (x1 . 0. (2. Exerc´ ıcios 1. 4. que uma transforma¸ ca ˜o entre espa¸ cos de mesma dimens˜ ao ´ e injetora se. (b) Determine a imagem de T . Seja T : R3 → R3 a transforma¸ ca ˜o linear dada por T (x.Teorema do N´ ucleo e da Imagem ´ MODULO 3 . y. Prove que o espa¸ co R2 ´ e isomorfo ao espa¸ co U = {(x. 1). Determine uma transforma¸ ca ˜o linear T : R3 → R2 cujo n´ ucleo seja gerado por {(1. (a) Determine o n´ ucleo de T . z ) ∈ R3 | z = 0} . x + 2z ) ´ e um automorfismo de R3 . x2 .

0) → (0. z ) = (x − z )(1. 1) → (0. 0. z ) = (0. Vamos iniciar determinando uma base de R3 que inclua o vetor (1. (1. 4. 0. 0) → (1. y. y. x2 . 0. 0). 0. 0. 0. 0. 0. 0. 5. 1) Portanto. 1. 0) ⇒ y+z = 0 ⇒x=y =z =0   x + 2z = 0 Portanto T ´ e transforma¸ ca ˜o linear injetora entre espa¸ cos de mesma dimens˜ ao. 1)}. 1) + y (2. 0). y. 0) + y (1. 0) + yT (0. 1. 1. (0. z ) = (x − z )(1. y ) . 0). 1. 0) + y (1. z ) se escreve nesta base como (x. 0.Teorema do N´ ucleo e da Imagem Álgebra Linear 1 Respostas dos exerc´ ıcios 1. 0. 1)}. 1. 0) = (x − z. 0) + z (1. 0. T (x1 . 1)} ´ e base de R3 (verifique!). 0) + zT (0. 0) + z (0. 1) → (0. 3. 0. (0. o que implica que ´ e bijetora. 0) . 0)}. 0. T (x. 0) → (2. 0. Vamos determinar N (T ). (b) ImT ´ e o espa¸ co gerado por {(1. 2)}. Por exemplo. (a) N (T ) ´ e o espa¸ co gerado por {(0. 1) (0. {(1. 0. (a) N (T ) ´ e o espa¸ co gerado por {(1. 1) (0. 2. 1. y. 0). −1. 0). x3 ) = 0 ⇒ x1 + x2 X + x3 X 2 = 0 ⇒ x1 = x2 = x3 = 0 7. 0). 1) (1. 1. 6. 0. x. y. y. 0. 0) (0. Partindo da base {(1. CEDERJ 44 . 0. 0) A transforma¸ ca ˜o ´ e T (x. Um isomorfismo ´ e dado por T (x. z ) = xT (1. Um vetor (x. 1. 1. Agora definimos uma transforma¸ ca ˜o linear por (1. 1). 1. 1) + z (0. (0.    x+z = 0 T (x. (0. 0. y. 0. 0. 0) → (1. 0) = (x + 2y. x + y ) . y ) = (x. 0. (b) ImT = R2 . Como dim R3 = dim P2 (R) = 3. 1) = x(1. 0. 0. basta mostrar que T ´ e injetora (ou que T ´ e sobrejetora). vamos definir uma transforma¸ ca ˜o linear por (1. base canˆ onica do R 3 .

α2 . w2 .. espa¸ cos vetoriais.AULA 22 Aula 22 – Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear Objetivos Determinar a representa¸ ca ˜o matricial de uma transforma¸ ca ˜o linear. mas resolvemos adiantar esse t´ opico!! T : V → W .. B = {w1 .. tanto para o dom´ ınio quanto para o contradom´ ınio. podemos escrever v como combina¸ ca ˜o linear dos vetores de A. de dimens˜ ao n. αn tais 45 CEDERJ . v2 . base de V . v ∈V.Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . Determinar uma transforma¸ ca ˜o linear a partir de sua representa¸ ca ˜o matricial. para todo v ∈ V .. vimos que toda transforma¸ ca ˜o matricial ´ e linear. A = {v1 . . mostraremos agora que toda transforma¸ ca ˜o linear entre espa¸ cos vetoriais de dimens˜ ao finita ´ e matricial. queremos determinar uma matriz M que nos possibilite escrever: T (v ) = M v. A id´ eia: Dados V e W . isto ´ e. como v ∈ V . . uma transforma¸ ca ˜o linear. pode ser representada por uma matriz. base de W . Sejam: V : espa¸ co vetorial.. wm }. linear. e T : V → W . como obtˆ e-la e como aplic´ a-la em exerc´ ıcios. isto ´ e. vn }. Na aula 18. Num sentido inverso. . e A ´ e base de V . Primeiramente. Na aula 18 dissemos que far´ ıamos isso na aula 23.. existem escalares α 1 . de dimens˜ ao m. de modo que sua aplica¸ ca ˜o a um vetor do dom´ ınio se resuma a multiplicar essa matriz pelo vetor. Veremos que os elementos dessa matriz dependem das bases escolhidas.. W : espa¸ co vetorial...

est´ a em W .. existem escalares a1i . i = 1.. + am1 wm ) +α2 (a12 w1 + a22 w2 + . +αn (a1n w1 + a2n w2 + . Detalhando mais.. . i = 1.. pode ser escrito em rela¸ ca ˜o a ` base B . ...Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 que v = α1 v1 + α2 v2 + . . (4) CEDERJ 46 . existem escalares β1 .. T (vn ) = a1n w1 + a2n w2 + . presente em (2).. para cada vetor vi .. + βm wm .... + ami wm .. + αn vn ) = α1 T (v1 ) + α2 T (v2 ) + . (1) Usando (1) e a linearidade de T .. podemos escrever: T (v ) = T (α1 v1 + α2 v2 + . pode ser expresso como combina¸ ca ˜o linear dos vetores da base B .. +(α1 am1 + α2 am2 + .. + αn vn . + αn a2n )w2 +. 2.... temos: T (v ) = α1 (a11 w1 + a21 w2 + .. + am2 wm .. .... n.. + amn wm ) = = (α1 a11 + α2 a12 + . + αn a1n )w1 +(α1 a21 + α2 a22 + . + αn T (vn ). ... ami tais que T (vi ) = a1i w1 + a2i w2 + . 2... logo... Ou seja. n. βm tais que T (v ) = β1 w1 + β2 w2 + . (2) Cada vetor T (vi ). isto ´ e.. . Logo... a2i . por sua vez.. + αn amn )wm (3) O vetor T (v ).... + am1 wm T (v2 ) = a12 w1 + a22 w2 + .. + am2 wm ) +... temos: T (v1 ) = a11 w1 + a21 w2 + . + amn wm Substituindo essas express˜ oes em (2).... de A. β2 . pertence a W .

´ e [T (v2 )]B . + a1n αn β2 = a21 α1 + a22 α2 + .. Representando a matriz m × n por [T ]A... a2n . ou seja. podemos escrever a igualdade (5) na forma: [T ]A. . respectivamente. βm = am1 α1 + am2 α2 + . ´ e [T (v1 )]B .. • a segunda coluna ´ e formada pelos elementos do vetor-coordenadas de T (v2 ) em rela¸ ca ˜o a ` base B . Primeiramente. . amn Observe que os vetores-coluna que aparecem nessa igualdade s˜ ao os vetores-coordenadas dos vetores v e T (v ). • de modo geral.. em rela¸ ca ˜o a `s bases A e B . . .. . ..B . a12 a22 ..Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear ´ MODULO 3 .. note que.       α1 α2 .. ou seja.     =     (5) Obtendo a matriz associada a uma transforma¸ c˜ ao linear Vocˆ e n˜ ao ter´ a que repetir todo esse procedimento para obter a matriz associada a uma transforma¸ ca ˜o linear. ..B ´ e a matriz de T (ou matriz associada a T ) em rela¸ ca ˜o a `s bases A e B . concluimos que: β1 = a11 α1 + a12 α2 + .AULA 22 Comparando as express˜ oes (3) e (4). ent˜ ao a matriz associada a uma transforma¸ ca ˜o linear de V em W ´ e m×n e ´ e tal que: • a primeira coluna ´ e formada pelos elementos do vetor-coordenadas de T (v1 ) em rela¸ ca ˜o a ` base B . a1n . se dim V = n e dim W = m. 47 CEDERJ . + a2n αn . a i-´ esima coluna da matriz ´ e a imagem do i-´ esimo vetor da base A. ... . βm       am1 am2 . escrito na base B . + amn αn As igualdades acima podem ser representadas na seguinte forma matricial:       a11 a21 . . αn   β1 β2 . . .B [v ]A = [T (v )]B Dizemos que a matriz [T ]A. . ..

Vamos determinar a matriz associada a T . escrita na base B . se consideramos uma u ´nica base para representar.B = . (0. 1) = (3. 1). −1) (2) Explicitar como a base B gera R3 . relativamente a `s bases A = {(2. Exemplo 32 Seja T : R2 → R3 a transforma¸ ca ˜o linear dada por T (x.. isto ´ e.   y +z c = x−3 CEDERJ 48 .B ´ e do tipo 3 × 2 e que cada coluna ´ e a imagem do respectivo vetor da base A. 2x. quando lidamos com operadores lineares. representamos [T ]A. 3) ⇒ b = y − 2x . 1. Quando as bases consideradas s˜ ao as canˆ onicas. vn } Essa id´ eia est´ a ilustrada na figura 1. y ) = (x + y. 1) + b(0.Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 [T] A. ou seja. y. 2. determinar como um vetor gen´ erico de R3 se decomp˜ oe como combina¸ ca ˜o linear dos vetores de B :    a=x (x. 0. 0)} e B = {(1.B . tanto os vetores de entrada quanto suas imagens. 1. Vamos proceder aos seguintes passos: (1) Aplicar T aos vetores da base A: T (2. onde A = {v1 . 2. [T(v )] [T(v 2)] [T(v n)] 1 B B B Figura 1: A matriz [T ]A. Por exemplo. dizemos que a matriz obtida ´ e a matriz canˆ onica da transforma¸ ca ˜o linear. Al´ em disso.. −1) T (−1. . (−1. x − 3y ).A por [T ]A .. (0. Sabemos que [T ]A. −2. 0) = (−1. Observa¸ co ˜es.. 1). podemos simplificar a nota¸ ca ˜o. v2 . z ) = a(1. com transforma¸ co ˜es lineares em que o dom´ ınio e o contradom´ ınio coincidem. 4. sendo A a base escolhida.. 1) + c(0. 3)}. 1). 0.

z ). 0) = (7. respectivamente.Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . 0) + T (0. (2. −1)]A =  0 0 −2 3  x   Assim. bases. (0. Vamos determinar a transforma¸ ca ˜o T . 1. y. 2) 2 z = x(1. 0) + b(0.(2.  3 −1   =  −2 0  0 −2 3  . ´ e  y − 2x  . 2) 2 = (−6x + 7y + z. y.(1. Pela defini¸ ca ˜o de matriz associada. 0) = (1. z ). 0)}. −1)]A =  −2  e [(−1. para (x. 1.T (1. b = y − x e c = z 2 Ent˜ ao.(2.B = . a partir da matriz. 0) = 1. Da´ ı. y.(1. vamos escrever (x. z ) ∈ R3 em rela¸ ca ˜o a ` base B : (x. 1) + (2.(2. z ) = a. dada uma transforma¸ ca ˜o e fixadas duas bases. 4. 1) T (0. em rela¸ ca ˜o a ` base B . 1) + 0. 1) + 0. (0. z T (x.  x−y +z 3 (1):  (4) Escrever a matriz:  . 1. 0. 0. de R3 e R2 . 1) T (0. temos a = x. 1). No pr´ oximo exemplo seguiremos o percurso inverso: vamos determinar a transforma¸ ca ˜o. z ) = x. z ) ∈ R3 . 2)} e B = {(1. 49 CEDERJ . y. 1) + (y − x)(7. 1. obtivemos a matriz associada. 0) = (2. 1. a express˜ ao de T (x. 1. transforma¸ ca ˜o linear com matriz 1 1 2 associada [T ]A. 2c). 1. 0. 2) = 2.B No exemplo 1.AULA 22 (3) Obter os vetores-coordenadas dos vetores do item    −1 3    [(3. [T ]A. e T : R3 → R2 . o vetor-coordenada de (x. temos que T (1. 2) = (a. a + b. 0. 1) + 3. y. y + z ). 0) = 1. Exemplo 33 Sejam A = {(1. isto 0 3 0 ´ e. 0). y.(1. 0) + (y − x)T (0. 0). −2.(1. 2) Agora. 1. 0) + c(0.

CEDERJ 50 .  0   1  2    T (x) = 1 + 2x ⇒ [T (x)]C =  . fixadas. Vamos aplicar T em cada um dos vetores de C :   2  0    T (1) = 2 ⇒ [T (1)]C =  .Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 Exemplo 34 Seja T o operador linear definido em P3 tal que T (a + bx + cx2 + dx3 ) = (2a + b) + (2b + c)x + (2c + d)x2 + 2dx3 . opera¸ co ˜es an´ alogas podem ser realizadas com as matrizes dessas transforma¸ co ˜es. entre outras aplica¸ co ˜es importantes. pronta para ser aplicada a quantidade de vezes que se fizer necess´ aria. Nas pr´ oximas aulas veremos que. Essa matriz depende das bases de sa´ ıda e de chegada. [T ]C =   0 0 0 0 Resumo Nesta aula vimos como determinar a matriz associada a uma transforma¸ ca ˜o linear. a ` medida que operamos com transforma¸ co ˜es lineares. um tratamento computacional: armazenando a matriz.  0 2 1  0 2  Logo. x3 }.  0  0   0  1    T (x2 ) = x + 2x2 ⇒ [T (x2 )]C =  . Determine a matriz canˆ onica de T . x2 .  1    0 1 2 0 0 0 1 2  2   . a pr´ opria transforma¸ ca ˜o linear est´ a armazenada.  2  0   0  0    T (x3 ) = x2 + 2x3 ⇒ [T (x3 )]C =  . A base canˆ onica de P3 ´ e C = {1. A representa¸ ca ˜o matricial ´ e privil´ egio das transforma¸ co ˜es lineares e possibilita. x.

(0. (3. 0). (2. A = {(1. (2. 1). (1.B = 1 0 −1 . Seja T a transforma¸ ca ˜o linear de R3 em R2 dada por T (x. (a) Encontre a express˜ ao de T (x. Fixadas as bases A = {(1. calcule [T ]A. (b) Determine o n´ ucleo de T . e considerando v = (1. −1)}.B [v ]A ) e compare com o item c)). 0. (1. 1). 0) ∈ R3 . 0). 1). 0.B .B . z ). (b) Calcule T (v ). sendo A = −1 1 1 {(0. −1. 0). sendo T : R3 → R2 a transforma¸ ca ˜o linear definida por T (x. usando a matriz obtida no item d) (isto ´ e. Determine: (a) A express˜ ao de T (x. A transforma¸ ca ˜o linear T : R2 → R3 tem matriz [T ]A. 1.Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . −1). 0.B =  2 5 . e B = {(1. 1. 1)} e B = {(−1. (c) Determine a imagem de T . (d) Obtenha a matriz [T ]A. definido em R2 . 1 −1 2 em rela¸ ca ˜o a `s bases A = {(−1. (c) Determine o vetor-coordenadas de T (v ) em rela¸ ca ˜o a ` base B . Seja T : R3 → R2 tal que [T ]A. 0). 2. 1). 0). 1). −1. z ) = (2x+y −z. (a) Dˆ e o vetor-coordenadas de v em rela¸ ca ˜o a ` base A. (2. 1)}. 1. (e) Calcule o vetor-coordenadas de T (v 0 em rela¸ ca ˜o a ` base B . respectivamente. 0). sabendo que sua matriz 1 0 em rela¸ ca ˜o a ` base A = {1. 1.   3 1   5. x + 2y ). y. 0). respectivamente. 2. (0. 2)} ´ e . 1)}. (0. 1 2 3. x+2y ). y.AULA 22 Exerc´ ıcios 1. Determine a matriz [T ]A. (0. 1. 51 CEDERJ . de R3 e R2 . ´ sobrejetora? (d) T ´ e injetora? E 4. 0. 3 do R . 0. Determine o operador linear T . y ). (1. (1. do R . z ) = (2x + y − z. 1)} e B = {(−1. 1)} e B = {(−1. (0. 1)}. 0)}. y. bases do R3 e do R2 .

y ). Considere as bases A = {(1. (0. vimos duas t´ ecnicas: obter e aplicar a matriz associada a uma transforma¸ ca ˜o linear. 1 . o operador 2 linear tal que I (x. (1. (0.B s´ o pode ser multiplicada por vetores representados na base A. (0. isto ´ e. −1). −1).C 7. (−3. Encontre a matriz [I ]A. 6. bases  1 0   2 3 de R e R .Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear Álgebra Linear 1 (b) A matriz canˆ onica de T . 2). 2.B =  1 1 . respectivamente. 2)} e B = {(1. y ) = (x. 5)}.B . y ) ∈ R . Vocˆ e dever´ a estar familiarizado com os passos que levam a ` obten¸ ca ˜o dessa matriz e.  1 0   =  0 0 . e que o produto ´ e a imagem do vetor. CEDERJ 52 . 0 1  (b) Ache uma base C de R3 tal que [T ]A. −3). ter sempre em mente que a matriz [T ]A. Sejam A = {(1. 0)}. escrita em rela¸ cao a ` base B . Considere o operador identidade I . 0 . Auto-avalia¸ c˜ ao Basicamente. e [T ]A. −1)} e B = {(2. entre em contato com o tutor da disciplina. Caso vocˆ e tenha alguma d´ uvida. 1). 0 −1 (a) Determine T . de R2 . para todo (x. definido em R2 . al´ em disso.

2x 2 +y (b) C = {(1. (−1. 1. 2 . 2)). y ) = 2x.AULA 22 Respostas dos exerc´ ıcios 1. T (x. (d) T n˜ ao ´ e injetora. (0. T ´ e sobrejetora. 5) (c) (d) −4 9 −2 −3 0 3 3 2 5. (a) T (x. 1. 2x + y ) 3.   5   4.Representa¸ c˜ ao Matricial de uma Transforma¸ c˜ ao Linear ´ MODULO 3 . 8 −3 5 −2 53 CEDERJ . z ) = (z − 2y. y ) = x−y x−y . −x + y ) (b) Im T = R2 (c) N (T ) = [(1. 6x + 11y. y. [T ]A. 2)] (subespa¸ co de R3 gerado pelo vetor (1. −2x − 4y )   8 18   (b) [T ] =  6 11  −2 −4 6. (a) T (x. 1). 7. 1. y ) = (8x + 18y. −1.B = −2 −3 0 3 3 2 2. (a) T (x. 1. (a)  −2  0 (b) (4. 2)}. 0).

.

Na aula anterior.´ A Algebra das Transforma¸ co ˜es ´ MODULO 3 . Por outro lado. Reconhecer a estrutura de espa¸ co vetorial no conjunto das transforma¸ co ˜es lineares. aprendemos a somar matrizes. Definimos a transforma¸ ca ˜o soma de T e S como sendo: (T + S ) : V → W v → T (v ) + S (v ) Vamos mostrar que a soma de transforma¸ co ˜es lineares ´ e uma transforma¸ ca ˜o linear. 55 CEDERJ . do m´ odulo I. Pois bem: nesta aula. iremos unir os conceitos de opera¸ co ˜es com matrizes e com transforma¸ co ˜es lineares matriciais. que. a multiplicar uma matriz por um n´ umero real e a multiplicar duas matrizes. sejam u. S : V → W transforma¸ co ˜es lineares. Reconhecer as analogia entre as opera¸ co ˜es efetuadas com transforma¸ co ˜es lineares e as efetuadas com suas matrizes associadas. Definiremos opera¸ co ˜es que nos possibilitar˜ ao combinar transforma¸ co ˜es lineares. nas aulas 2 e 3. vimos que toda transforma¸ ca ˜o linear entre espa¸ cos de dimens˜ ao finita s˜ ao matriciais. Ent˜ ao • (T + S )(u + v ) = T (u + v ) + S (u + v ) = T (u) + T (v ) + S (u) + S (v ) = T (u) + S (u) + T (v ) + S (v ) = (T + S )(u) + (T + S )(v ). de modo a obter novas transforma¸ co ˜es lineares. Adi¸ c˜ ao de transforma¸ co ˜es lineares Sejam V e W espa¸ cos vetoriais. • (T + S )(αv ) = T (αv ) + S (αv ) = αT (v ) + αS (v ) = α[T (v ) + S (v )] = α(T + S )(v ). ele pr´ oprio. 3. com essas opera¸ co ˜es. tamb´ em. um espa¸ co vetorial. o conjunto de todas as transforma¸ co ˜es lineares definidas entre dois espa¸ cos fixados ´ e. Veremos. 18 a 22. Pr´ e-requisito: Aulas 2. T : V → W .AULA 23 ´ Aula 23 – A Algebra das Transforma¸ co ˜es Objetivos Operar algebricamente com as transforma¸ co ˜s lineares. α ∈ R. v ∈ V. Para isso.

y ) = (−3x +2y. se dim V = n e dim W = m. sejam u. z ) = 2(x + y. 3x − 3y + 3z ). o espa¸ co vetorial de todos os operadores lineares definidos em V ser´ a representado por L(V ). y. y. No caso particular de V = W . S : R3 → R2 as transforma¸ co ˜es lineares dadas por T (x. CEDERJ 56 . Definimos a transforma¸ ca ˜o produto de k por T como sendo: (kT ) : V → W v → kT (v ) Vamos mostrar que o produto de transforma¸ ca ˜o linear por escalar ´ e uma transforma¸ ca ˜o linear. W ) = mn. Vocˆ e poder´ a encontrar uma desmontra¸ ca ˜o desse ´ resultado no livro de Algebra Linear. Podemos afirmar o seguinte resultado: Sejam V e W espa¸ cos vetoriais. y ). Exemplo 35 Sejam T. α ∈ R. y. T : V → W . de Seymour Lipschutz. z ) = (2x + y. • (2T − 5S )(x. y. Ent˜ ao • (kT )(u + v ) = kT (u + v ) = k (T (u)+ T (v )) = kT (u)+ kT (v ) = (kT )(u)+ (kT )(v ). 2x − 7y +2z ). x − y + z ) − 5(x. y.´ A Algebra das Transforma¸ co ˜es Álgebra Linear 1 Multiplica¸ c˜ ao de uma transforma¸ c˜ ao linear por um n´ umero real Sejam V um espa¸ co vetorial. z ) = (x + y. v ∈ V. • (kT )(αv ) = kT (αv ) = kαT (v ) = α[kT (v )] = α(kT )(v ). z ) + S (x. z ) = (x. W ). y. da Cole¸ ca ˜o Schaum. uma transforma¸ ca ˜o linear e k ∈ R. z ) = 3(x + y. x − y + z ) = (3x + 3y. Al´ em disso. Representaremos esse espa¸ co por L(V. Com as opera¸ co ˜es de adi¸ ca ˜o e multiplica¸ ca ˜o por escalar vistas acima. Ent˜ ao: • (T + S )(x. temos que dim L(V. Para isso. • (3T )(x. x + z ). z ) = T (x. x − y + z ) e S (x. o conjunto de todas as transforma¸ co ˜es lineares de V em W formam um espa¸ co vetorial. y.

α ∈ R. 3x. y ) = S (T (x. Para isso. Definimos a transforma¸ ca ˜o composta S ◦ T como sendo: S◦T : V →W v → S (T (v )) A figura 1 ilustra essa id´ eia: V T U S W v T(v) S(T(v)) Figura 1: A transforma¸ ca ˜o composta S ◦ T Vamos mostrar que a composta de transforma¸ co ˜es lineares ´ e uma transforma¸ ca ˜o linear. −2x + y. Exemplo 36 Sejam T : R2 → R3 tal que T (x. Ent˜ ao • (S ◦ T )(u + v ) = S [T (u + v )] = S [T (u) + T (v )] = S (T (u)) + S (T (v )) = (S ◦ T )(u) + (S ◦ T )(v ). T : V → U e S : U → W transforma¸ co ˜es lineares. vimos. x + y + z ).´ A Algebra das Transforma¸ co ˜es ´ MODULO 3 . ´ e dada por: (S ◦ T )(x. qual ser´ a a matriz associada a ` soma de duas transforma¸ co ˜es lineares? E ao produto de uma transforma¸ ca ˜o linear por um escalar? E a ` composta de duas transforma¸ co ˜es lineares? Fazendo os c´ alculos que levam a ` obten¸ ca ˜o da matriz associada. y. 5x − y ). que. • (S ◦ T )(αv ) = S [T (αv )) = S [αT (v )] = αS (T (v )) = α(S ◦ T )(v ). sejam u. x − y. v ∈ V.AULA 23 Composi¸ c˜ ao de transforma¸ co ˜es lineares Sejam V. z ) = (x + y. As opera¸ co ˜es an´ alogas com as matrizes associadas Sendo V e W espa¸ cos vetoriais de dimens˜ ao finita. x − 2y ) = (4x + y. na aula 22. fixadas bases em V e em W . y ) = (x + y. chegamos a `s seguintes conclus˜ oes: 57 CEDERJ . A transforma¸ ca ˜o composta S ◦ T . 2 4 de R em R . x − 2y ) e S : R3 → R4 dada por S (x. W espa¸ cos vetoriais. cada transforma¸ ca ˜o linear definida entre esses espa¸ cos est´ a associada a uma matriz. 0. U. y )) = S (x + y. Ora. 0. 3x.

B = [T ]A. Mais formalmente. y. S ´ e transforma¸ ca ˜o linear de U em W . y. 3 3 0 3 −3 3 • [2T −5S ] = 2[T ]−5[S ] = 2 CEDERJ −5 = .C Exemplo 37 Vamos retomar as transforma¸ co ˜es do exemplo 1: T. B ´ e base de W e k ∈ R. A ´ e base de V .[S ]B. y ).´ A Algebra das Transforma¸ co ˜es Álgebra Linear 1 • A matriz associada a ` soma de duas transforma¸ co ˜es lineares ´ e a soma das matrizes associadas a essas transforma¸ co ˜es. S : R3 → R2 . A ´ e base de V .B . ent˜ ao [kT ]A.C = [T ]A. z ) = (x + y.B + [S ]A.B • Se T ´ e transforma¸ ca ˜o linear de V em U . 58 . As matrizes canˆ onicas de T e S s˜ ao: 1 1 0 1 0 0 [T ] = [S ] = . 1 −1 1 0 1 0 Ent˜ ao (em cada caso. B ´ e base de U e C ´ e base de W . o que temos ´ e: • Se T e S s˜ ao transforma¸ co ˜es lineares de V em W .B = k [T ]A.B • Se T ´ e transforma¸ ca ˜o linear de V em W . A ´ e base de V . dadas por T (x. 1 1 0 1 −1 1 1 0 0 0 1 0 −3 2 0 2 −7 2 . • A matriz associada a ` composta de duas transforma¸ co ˜es lineares ´ e o produto (numa determinada ordem) das matrizes associadas a `s transforma¸ co ˜es. B ´ e base de W . • A matriz associada ao produto de uma transforma¸ ca ˜o linear por um escalar ´ e o produto da matriz associada a ` transforma¸ ca ˜o pelo mesmo escalar. ent˜ ao [T + S ]A. vocˆ e pode obter a matriz diretamente e comparar os resultados!!): • [T + S ] = [T ] + [S ] = • [3T ] = 3[T ] = 2 1 0 1 0 1 . x − y + z ) e S (x. ent˜ ao [S ◦ T ]A. z ) = (x.

1) = (0. 1) = (0. y ) = (2x. x − 2y ) e S (x. y ) = (x + y. 0) = (1. 1. Pela constru¸ ca ˜o da matriz associada: T 2 (1. 5x + 9y ).[S ] =  . Temos duas maneiras de obter a matriz de T 2 : 1. 0. 1) S (1. x − y. 1). 0) = (1. x + 3y ) = (4x. 1) = (0. novamente. z ) = (x + y. x + y + z ). 1) e T (0. 3x. y. Como T (1. y ) = T (T (x. 0) = (4. 0. −1. 0. Vamos aplicar essas transforma¸ co ˜es aos vetores das bases canˆ onicas dos espa¸ cos envolvidos: T (1. 0. 3. x + 3y ).  Exemplo 39 Considere o operador linear T . Vamos determinar a matriz (canˆ onica) de T . 1. [T 2 ] = 4 0 5 9 .AULA 23 Exemplo 38 Consideremos. 2. [T ] =  3 0  e [S ] =   0 0 1 −2 1 1    1 1 0  1 −1 0     Da´ ı. [S ◦ T ] = [T ]. −2) 0 0 0 1        1 1    3 0 =  1 −2  4 1 −2 1 0 0 5 −1   . temos [T ] = 2 0 1 3 . 3). com T (x. definido em R2 tal que T (x. a express˜ ao de T 2 e a matriz de T 2 .´ A Algebra das Transforma¸ co ˜es ´ MODULO 3 . 0) = (2. as transforma¸ co ˜es dadas no exemplo 2: T : R 2 → R3 e S : R3 → R4 .  0 0 0  1 1 1 S (0. Representamos por T 2 a composta T ◦ T . T 2 (x.    1 1 1 1  1 −1    Logo. 0. 0. 1) T (0. Agora. 9) Logo. 5) T 2 (0. 1) S (0. Usando o fato de que a matriz de T ◦ T ´ e o produto da matriz de T por ela mesma: 59 CEDERJ . 0) = (1. 1) = (1. 0. 0. y )) = T (2x.

´ A Algebra das Transforma¸ co ˜es Álgebra Linear 1 [T 2 ] = [T ]. Sejam T e S transforma¸ co ˜es lineares de R3 em R2 definidas por T (x. atrav´ es de opera¸ co ˜es alg´ ebricas e de composi¸ ca ˜o de transforma¸ co ˜es lineares. 2 0 1 3 = 4 0 5 9 . o efeito de cada aplica¸ ca ˜o dada. Exerc´ ıcios 1. x + y + z ). Nas pr´ oximas aulas estudaremos. vocˆ e descreveu. 4T e 3T − 2S . como j´ a Resumo Nesta aula aprendemos a obter novas transforma¸ co ˜es lineares. nos vetores de R2 : (a) T3 ◦ T1 (b) T1 ◦ T2 (c) T4 ◦ T2 CEDERJ 60 . y. em detalhes.[T ] = [T ] 2 = hav´ ıamos obtido. 2y − z ). Vimos. z ) = (x − z. Deduza f´ ormulas para as compostas S ◦ T e T ◦ S. 2 0 1 3 . As transforma¸ co ˜es dadas foram: T1 (v ) = T3 (v ) = 3 0 0 3 1/2 0 0 1/2 T2 (v ) = −1 0 0 −1 0 0 0 1 T4 (v ) = Fa¸ ca uma descri¸ ca ˜o geom´ etrica do efeito da aplica¸ ca ˜o de cada transforma¸ ca ˜o linear abaixo. y. as principais transforma¸ co ˜es lineares geom´ etricas (aquelas definidas 2 3 em R e em R ) e exploraremos bastante a praticidade de se trabalhar com composi¸ ca ˜o de transforma¸ co ˜es e suas matrizes associadas. exerc´ ıcio 5. Sejam T : R2 → R3 e S : R3 → R2 dadas por T (x. Encontre f´ ormulas para as transforma¸ co ˜es T + S . y − z ) e S (x. tamb´ em. y. nos vetores de R2 . z ) = (x + 3z. z ) = (3x. como as matrizes associadas das transforma¸ co ˜es lieares envolvidas nas opera¸ co ˜es se relacionam entre si. y ) = (5x. Na aula 18. geometricamente. x − y. 2. 3y ) e S (x. 3.

(d) Se S ◦ T ´ e sobrejetora. Sejam T. y. −z ) (d) F ∈ L(R2 dado por F (x. x). 61 CEDERJ . Determine se os seguintes operadores lineares s˜ ao idempotentes. Estabele¸ ca f´ ormulas que definam os operadores F + T. y. z ) = (−x. Mostre que: (a) (T + F )2 = T 2 + 2(T ◦ F ) + F 2 (b) (T + F ) ◦ (T − F ) = T 2 − F 2 7. nilpotentes. y ) = (0. e2 . Seja C = {e1 . x). y. ent˜ ao S ◦ T ´ e sobrejetora. ent˜ ao S ◦ T ´ e injetora. (b) Mostre que T 3 = I . transforma¸ co ˜es lineares. e3 } a base canˆ onica de R3 .AULA 23 4. Desafio: Suponha T : V → U e S : U → W . 2F − 3T e T F ◦ T . 5. F ∈ L(V ) tais que T ◦ F = F ◦ T .) 6. −y. y ) 8. (a) Determine T (x. x) e T (x.´ A Algebra das Transforma¸ co ˜es ´ MODULO 3 . y ) = (y. I indica o operador identidade. z ) = (z. Sejam F e T operadores lineares em R2 definidos por F (x. Demonstre o seguinte: (a) Se T e S s˜ ao injetoras. ent˜ ao S ´ e sobrejetora. para algum n´ umero n natural. T (e2 ) = e3 e T (e3 ) = e1 . Dizemos que um operador T ∈ L(V ) ´ e nilpotente quando T n = 0 (operador nulo). (b) O operador deriva¸ ca ˜o D ∈ L(Pn ). z ). ent˜ ao T ´ e injetora.: T 3 = T ◦ T ◦ T . Dizemos que um operador T ∈ L(V ) ´ e idempotente quando T 2 = T . (c) Se S ◦ T ´ e injetora. (Obs. (b) Se T e S s˜ ao sobrejetoras. y ) = (0. Seja T ∈ L(R3 ) o operador dado por T (e1 ) = e2 . ou nenhuma das duas coisas: (a) T ∈ L(R2 tal que T (x. 0) (e) T ∈ L(R3 ) tal que T (x. (c) T ∈ L(R3 tal que T (x. y ) = (x. x.

pe¸ ca ajuda do tutor da disciplina. x − y. (c) Contra¸ ca ˜o por um fator de 1/2 e proje¸ ca ˜o sobre o eixo y. y ) = (2y. Al´ em disso. −x). o fato de que o conjunto das transforma¸ co ˜es lineares seja um espa¸ co vetorial nos d´ aa vis˜ ao de como poder´ ıamos construir novos espa¸ cos. −2x + y − 5z ) 2. 4y − 4z ) (3T − 2S )(x. Ent˜ ao 2 (T + F ) (v ) = [(T + F ) ◦ (T + F )](v ) = (T + F )[(T + F )(v )] = = (T + F )[T (v ) + F (v )] = = T [T (v ) + F (v )] + F [T (v ) + F (v )] = = T (T (v )) + T (F (v )) + F (T (v )) + F (F (v )) = = (T ◦ T )(v ) + (T ◦ F )(v ) + (F ◦ T )(v ) + (F ◦ F )(v ). 0) 5. no sentido anti-hor´ ario. como soma e composi¸ ca ˜o de fun¸ co ˜es. z ) = (12x. y ) = S (5x. z ) = (z. 3y ) = (5x + 9y. y ) = (y. y. 2x). (a) Dilata¸ ca ˜o por um fator de 3 e rota¸ ca ˜o. 6y − 3z ). x. (x. T (x. z ) = (7x + 2z. num processo infinito: o pr´ oximo passo seria considerar o conjunto das transforma¸ co ˜es lineares definidas entre espa¸ cos de transforma¸ co ˜es lineares!! Se vocˆ e tiver sentido qualquer dificuldade na resolu¸ ca ˜o dos exer-c´ ıcios. (F ◦ T )(x. (T ◦ S )(x. ou na compreens˜ ao dos exemplos. (T + S )(x. (b) Dilata¸ ca ˜o por um fator de 3/2. z ) = T (x + 3z. x + 2y ) (4T )(x. y. O interessante ´ e reunir essas id´ eias e verificar como as opera¸ co ˜es entre transforma¸ co ˜es lineares s˜ ao an´ alogas ao que ocorre com as matrizes associadas. y. e opera¸ co ˜es com matrizes. 2x − 5y ). (a) Seja v ∈ V . Como T ◦ F = F ◦ T . y. y. 2y − z ) = (5x + 15z. 3. (S ◦ T )(x. y ) = 62 . 4. y ) 6. de o 180 . F + T )(x. x − 2y + 4z.´ A Algebra das Transforma¸ co ˜es Álgebra Linear 1 Auto-avalia¸ c˜ ao Esta aula reuniu conceitos que vocˆ e talvez j´ a conhecesse. z ) = (4x − z. As pr´ oximas duas aulas ser˜ ao de aplica¸ ca ˜o desses conceitos a `s principais transforma¸ co ˜es geom´ etricas. temos: CEDERJ (2F − 3T )(x. Vamos a elas!! Respostas dos exerc´ ıcios 1.

v2 .AULA 23 (T + F )2 (v ) = (T ◦ T )(v ) + 2(T ◦ F )(v ) + (F ◦ F )(v ) = T 2 (v ) + 2(T ◦ F )(v ) + F 2 (v ). u = v .´ A Algebra das Transforma¸ co ˜es ´ MODULO 3 . Vamos supor que S n˜ ao ´ e sobrejetora. S ◦ T n˜ ao ´ e injetora. Ent˜ ao S (T (u)) = S (T (v )). 7. Assim. S ◦T n˜ ao ´ e sobrejetora. o que contraria a nossa hip´ otese. Ent˜ ao Im S est´ a propriamente contida em W . (b) Seja v ∈ V . ent˜ ao (S ◦ T )(v ) = S (T (v )) ∈ Im S . se (S ◦ T )(u) = (S ◦ T )(v ). T ´ e injetora. S ◦ T ´ e sobrejetora. (a) Vamos supor que existem u e v em V tais que (S ◦ T )(u) = (S ◦ T )(v ). Im(S ◦ T ) ⊂ Im S . v1 . Logo. (S ◦ T )(v1 ) = S (T (v1 )) = S (T (v2 )) = (S ◦ T )(v2 ). o que prova que S ◦ T ´ e injetora. (a) nilpotente (T 2 = 0) (b) nilpotente (A derivada de ordem n + 1 de um polinˆ omio de grau menor ou igual a n ´ e o polinˆ omio nulo. para os quais T (v1 ) = T (v2 ). o que nega a nossa hip´ otese. Ent˜ ao.) (c) idempotente (d) idempotente (e) nenhuma das duas coisas 8. Logo. Im(S ◦T ) est´ a propriamente contida em W . Logo. em V . existem vetores distintos. Portanto. Lembrando: Uma fun¸ ca ˜o f :A→B´ e sobrejetora quando Im(f ) = B . Isto ´ e. Logo. Como S ´ e sobrejetora. (c) Suponhamos T n˜ ao injetora. Assim. 63 CEDERJ . temos que (T + F ) ◦ (T − F ) = T 2 − F 2 . Como S ´ e injetora. existe u ∈ U tal que S (u) = w. T (u) = T (v ). Assim. = T (T (v ) − F (v )) + F (T (v ) − F (v )) = = T (T (v )) − T (F (v )) + F (T (v )) − F (F (v )) Como T ◦ F = F ◦ T . quando f n˜ ao ´ e sobrejetora. (S ◦ T )(v ) = S (T (v )) = S (u) = w. existe v em V para o qual T (v ) = u. Como essa igualdade se verifica para qualquer v ∈ V . (b) Seja w ∈ W . sua imagem ´ e um subconjunto pr´ oprio do contradom´ ınio B . Como T ´ e injetora. S ´ e sobrejetora. logo. Como essa igualdade se verifica para qualquer v ∈ V . temos que (T + F )2 = T 2 + 2(T ◦ F ) + F 2 . temos: [(T + F ) ◦ (T − F )](v ) = T (T (v )) − F (F (v )) = T 2 (v ) − F 2 (v ). (d) Se v ∈ V . Como T ´ e sobrejetora. [(T + F ) ◦ (T − F )](v ) = (T + F )[(T − F )(v )] = = (T + F )[T (v ) − F (v )] = . ent˜ ao u = v . Logo.

.

Vamos come¸ car pela transforma¸ ca ˜o de escala.AULA 24 Aula 24 – Transforma¸ co ˜es especiais no R2 Objetivos Estudar alguns tipos de transforma¸ co ˜es do R2 : rota¸ ca ˜o. T(v) y v x w T(w) Figura 1: Transforma¸ ca ˜o de escala Quando estudamos uma transforma¸ ca ˜o linear. observar como ela transforma o quadrado unit´ ario {(x. 2 Este tipo de transforma¸ ca ˜o mant´ em a dire¸ ca ˜o e sentido de cada vetor de R . a transforma¸ ca ˜o T : R2 → R2 definida por T (x) = kx ´ e chamada transforma¸ ca ˜o de escala. y ) ∈ R2 | x2 + y 2 ≤ 1} . reflex˜ ao.Transforma¸ co ˜es especiais no R2 ´ MODULO 3 . Por exemplo. escala e cisalhamento. Nesta aula estudaremos algumas transforma¸ co ˜es especiais no R2 . 65 CEDERJ . y ) ∈ R2 | 0 ≤ x ≤ 1 e 0 ≤ y ≤ 1} ou o c´ ırculo unit´ ario {(x. Transforma¸ c˜ ao de escala Dado um escalar k . como mostra a figura a seguir. Tamb´ em chamamos esta transforma¸ ca ˜o de contra¸ ca ˜o quando 0 ≤ k < 1 e de dilata¸ ca ˜o quando k > 1. muitas vezes ´ e interessante observar sua a¸ ca ˜o sobre uma certa regi˜ ao do plano. multiplicando o m´ odulo do vetor pelo escalar k .

5x em um c´ ırculo ¥¦¡ ¥¦¡ ¥¦¡ ¦¡ ¦¡ ¦¥¦¥¥ ¥¦¡ ¥¦¡ ¥¦¡ ¥¦¥¡¦¡ ¥¦¡ ¥ ¦¦¥¥ ¥¦¡ ¥¦¡ ¦¡ ¥ ¥ ¦¥¡ ¥¡ ¡ ¥ ¡ ¥ ¦ ¦ ¦ ¦¥¦ T §¡ §§ ¨¡ §§ ¨¡ §§ ¨¨§§ ¨¡ §¡ ¡ ¨ ¡ ¨ ¡ ¨ §¡ ¡ § ¡ § §¡ ¨ ¨ ¨ §¡ §§ ¨¡ §§ ¨¡ §§ ¨¨¨§§§ ¡ ¨ §¡ ¡ ¨ ¡ ¨ ¡ ¨ §¡ §§ ¨¡ §§ ¨¡ §§ ¨¨§§ ¨¡ §¡ ¡ ¨ ¡ ¨ ¡ ¨ §¡ § § §§ ¨¨§§ ¡ ¨ ¡ ¨ ¡ ¨ §¡¨¡ § ¨¡ § ¨¡ Figura 3: A¸ ca ˜o de T (x) = 1. o efeito 1 1 desta transforma¸ ca ˜o dada por sobre o quadrado unit´ ario. 5x nestes dois casos: T  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢ ¢    ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢ ¡¢¡  ¢¡  ¢¡  ¢¡  ¢¡ ¢¢                   ¢ ¡ ¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢ ¢¢    ¢¡  ¢¡  ¢¡  ¢¡ ¢ ¡ ¡ ¢ ¡ ¢ ¡ ¢  ¢ ¡¢¡  ¢¡       ¢¡ ¢¢    ¢¡  ¢¡  ¢¡  ¢¡ ¡ ¢ ¡ ¢ ¡ ¢         ¢ ¡  ¢¡  ¢¡  ¢¡  ¢¡ ¢ ¡   ¢¡   ¢¡   ¢¡   ¢¢ ¢  ¢ ¡¢¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ ¤¡ ¤¡ ¤¡ ¤¡ ¤¡ ¤¡ ¤£¤££ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤£¡¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ ¤¤££ £ £ £ £ £ £ £ £ £ £ £ £ ¤£¡ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¤¤££ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ ¤£¡ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ £¤£¡¤¡ £¤¡ £ £ £ £ £ ¤¡ ¤¤££ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ £ £ £ £ £ £ ¤£¡ ¤¤££ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ ¤£¡ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ £ £ £ £ £ £ ¤£¡ ¤¤££ £¤£¡¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ ¤¡ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ ¡ ¤ £ £ £ £ £ £ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ £¤¡ ¤£¡ £ ¤¡ £ ¤¡ £ ¤¡ £ ¤¡ £ ¤¡ £ ¤¤£¤£ ¤£¡¤¡ Figura 2: A¸ ca ˜o de T (x) = 1. 1 k 1 0 dada pela matriz ou pela matriz . isto ´ e 0 1 T (x. 1 k A transforma¸ ca ˜o dada por . na figura a seguir. y ) = 1 k 0 1 x y = x + ky y ´ e chamada cisalhamento horizontal. 5x em um quadrado Cisalhamento Uma transforma¸ ca ˜o de cisalhamento ´ e uma transforma¸ ca ˜o T : R 2 → R2 . onde k ´ e um n´ umero 0 1 k 1 real n˜ ao-nulo.Álgebra Linear 1 Transforma¸ co ˜es especiais no R2 Vejamos a a¸ ca ˜o da dilata¸ ca ˜o T (x) = 1. 0 1 CEDERJ 66 . Observe.

Transforma¸ co ˜es especiais no R2 ´ MODULO 3 .y)=(x+y.y) 1 © ©© © © ©© © © © © © © © © © © © 1 .AULA 24 T(x.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

1 1 2

Figura 4: Cisalhamento horizontal A transforma¸ ca ˜o dada por 1 0 k 1 1 0 k 1 x y , ou seja x kx + y

T (x, y ) =

=

´ e chamada cisalhamento vertical. Observe, na figura a seguir, o efeito desta 1 0 transforma¸ ca ˜o dada por sobre o quadrado unit´ ario. 1 1
T(x,y) = (x,x+y)

1 

              

1 

                 1                 
2

1

Figura 5: Cisalhamento horizontal Para mostrar que uma transforma¸ ca ˜o de cisalhamento leva o quadrado unit´ ario em um paralelogramo, basta notar que uma transforma¸ ca ˜o deste tipo leva segmentos de reta em segmentos de reta. A reta ax + by = c ´ e levada pela transforma¸ ca ˜o T (x, y ) = (x + ky, y ), por exemplo, na reta a(x + ky ) + by = c ⇒ ax + (ak + b)y = c . Al´ em disso, retas paralelas ax + by = c e ax + by = c s˜ ao claramente levadas em retas paralelas. Portanto, os v´ ertices do quadrado unit´ ario s˜ ao levados em v´ ertices de um paralelogramo.
67

CEDERJ

CEDERJ 68 . y ) = (||v || cos(θ + φ). Suponha que este vetor fa¸ ca um a ˆngulo θ com o eixo-x. y ) = (||v || cos θ. podemos escrever v = (x.Álgebra Linear 1 Transforma¸ co ˜es especiais no R2 Rota¸ c˜ ao no plano Seja v = (x. ||v || sin θ). no sentido anti-hor´ ario. ||v || sin(θ + φ)) . Se um vetor v faz um a ˆngulo θ com o eixo-x. podemos escrever v = (x . Seja v = (x . y ) um vetor no plano. y ) o vetor obtido rodando v de um a ˆngulo φ. como mostra a figura abaixo. como mostra a figura abaixo. y v v θ x φ Figura 6: Rota¸ ca ˜o no plano Vamos determinar a transforma¸ ca ˜o linear que realiza a rota¸ ca ˜o de um determinado a ˆngulo. Observando que ||v || = ||v || e que v faz um a ˆngulo θ + φ com o eixo-x. ||v || sin θ). y ||v || sin θ ||v || v x θ ||v || cos θ Figura 7: Coordenadas do vetor v Portanto. as coordenadas deste vetor s˜ ao (||v || cos θ.

cos φ − sin φ sin φ cos φ 1 0 = cos φ sin φ e cos φ − sin φ sin φ cos φ 0 1 = − sin φ cos φ 69 CEDERJ . Assim. o efeito de fazer uma rota¸ ca ˜o.AULA 24 Logo. sin φ cos φ em termos geom´ etricos. 0) e (0. no sentido anti-hor´ ario. 1). a transforma¸ ca ˜o linear dada pela matriz Aplicando a transforma¸ ca ˜o de rota¸ ca ˜o de um a ˆngulo φ aos vetores (1. de um a ˆngulo φ. x = ||v || cos(θ + φ) = ||v ||(cos θ cos φ − sin θ sin φ) = x cos φ − y sin φ = (||v || cos θ) cos φ − (||v || sin θ) sin φ y = ||v || sin(θ + φ) = ||v ||(sin θ cos φ + cos θ sin φ) = x sin φ + y cos φ Isto ´ e x y = x cos φ − y sin φ x sin φ + y cos φ = cos φ − sin φ sin φ cos φ As f´ ormulas para o cosseno e o seno da soma de dois a ˆngulo s˜ ao cos(a + b) = cos a cos b − sin a sin b e sin(a + b) = sin a cos b + sin b cos a = (||v || sin θ) cos φ + (||v || cos θ) sin φ x y cos φ − sin φ tem. obtemos (observe a figura 8).Transforma¸ co ˜es especiais no R2 ´ MODULO 3 .

−y) (x. cos φ) (cos φ.−y) 1                 1                 −1                                     −1      (−x. −y ) ´ e chamada reflex˜ ao na origem. 1) (− sin φ. −y ) s˜ ao sim´ etricos em rela¸ ca ˜o a ` origem. y ) e (−x. Figura 9: Reflex˜ ao na origem Dois pontos s˜ ao ditos sim´ etricos em rela¸ ca ˜o a uma reta quando esta reta ´ e a mediatriz do segmento que liga estes pontos. a a¸ ca ˜o desta transforma¸ ca ˜o no quadrado unit´ ario.y) A mediatriz a um segmento AB ´ e a reta que ´ e perpendicular ao segmento AB e o corta no ponto m´ edio. no sentido anti-hor´ ario ´ e a matriz cos 450 − sin 450 sin 450 cos 450 √ = 2 2 √ 2 2 2 − √2 √ 2 2 . Reflex˜ oes A transforma¸ ca ˜o T (x. 0) x Figura 8: Rota¸ ca ˜o de um a ˆngulo φ aplicada aos vetores (1. na figura a seguir.Álgebra Linear 1 Transforma¸ co ˜es especiais no R2 y (0. y ) = (−x. Este nome ´ e devido ao fato de que os pontos (x. CEDERJ 70 .y) = (−x. 1) Exemplo 1 A matriz da transforma¸ ca ˜o linear que tem o efeito geom´ etrico de uma rota¸ ca ˜o 0 de 45 . Veja. a origem ´ e ponto m´ edio do segmento de reta ligando estes dois pontos. isto ´ e. T(x. 0) e (0. sin φ) φ φ (1.

1 0 0 −1 −1 0 0 1 1.AULA 24                 r                                                                                                                                                                                                                                                                                                           A B Figura 10: Os pontos A e B s˜ ao sim´ etricos em rela¸ ca ˜o a ` reta r Uma transforma¸ ca ˜o T ´ e uma reflex˜ ao na reta r. y ) = (−y. −x). do ponto (x.−y) 0 −1 −1 0 . A reflex˜ ao no eixo x e dada pela matriz T (x. ´ e dada por . T(x. ou seja. y ). y ) = (−x. ´ e dada por 3. Alguns exemplos de reflex˜ oes em rela¸ ca ˜o a retas s˜ ao os seguintes. ou seja. y ) = (x. A reflex˜ ao no eixo y e dada pela matriz T (x.Transforma¸ co ˜es especiais no R2 ´ MODULO 3 . As figuras a seguir ilustram estas trˆ es reflex˜ oes. y ). ´ e 1                 1 ! ! !! ! ! !  ! !! ! ! !  ! !!!! Figura 11: Reflex˜ ao no eixo x 71 CEDERJ . ou seja. y ) ´ e o sim´ etrico. quando o ponto T (x. 2. A reflex˜ ao na reta y = −x ´ e dada pela matriz dada por T (x.y) = (x. . em rela¸ ca ˜o a r. −y ).

./ . . .Álgebra Linear 1 Transforma¸ co ˜es especiais no R2 T(x.* - . ..*./ ./ 01 01 01 01 01 01 01 01 10 1 1 1 1 0 0 0 0 0 0 0 0 10 0101 01 01 01 01 01 01 01 01 1 1 1 1 1 1 1 1 1010 01 01 01 01 01 01 01 01 0 0 0 0 0 0 0 0 10 1001 0 0 0 0 0 0 0 0 1100 11 11 11 11 11 11 11 11 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1010 1 P A Figura 14: Proje¸ ca ˜o do ponto A sobre a reta r A transforma¸ ca ˜o de proje¸ ca ˜o na reta r leva cada ponto em sua proje¸ ca ˜o na reta r. + + + + ** + .*. . . .*- ** ++** .*.*. .* + +- +- +- +- *.−x) *.y) = (−x.* -+-+ * . .* -+- *.. .* . .* - . .* - .* - . .  .*. . .  /  /  /  /  / 0 0 0 0 0 0 0 0 10  1  1  1  1 1010 /./../ .* ) .*.* . +-+.* ./ / / / / / 01 01 01 01 0 0 0 0 1 1 1  1  1  1  1 . / / / / / 0101 01 01 01 01 01 01 01 01 / / / / / r 0 0 0 0 0 0 0 0 1010 /.. ./ . y ) ´ e a proje¸ ca ˜o do ponto (x. . . .*. .* - . +- + + +  +  +  + **+ . .y) 1 "# "# # #"#" "#"# "# " #"#" "# #" # " #" " #"#" #"# 1 $% $% % %$%$ $%$% $% $ %$%$ $% %$ % $ %$ $ %$%$ %$% Figura 12: Reflex˜ ao no eixo y T(x.*.*. ./ . +-+.*.*- +- +- +- +- + + -+ * * * * * * **++** . 01 01 01 01 01 01 01 01 01 1 1 1 1 1 1 1 1 1010 /. .* .* -+- *.−x) 1 &' &' ' '&'& &'&' &' & '&'& &' '& ' & '& & '&'& '&' 1 (−y.* ++ ++ -+- * * ** ++** . ./ .*. / 1 / 1 / 1 / 1 / 101010 .* + +- +- +- +- *./ .* . + + + +  +  +  + *. 0101 01 0 0 0 0 0 0 0 1  1  1  1  1 1010 /. ** + ** ++** ./ / / / / / 01 01 01 01 0 0 0 0 10 1 1 1  1  1  1  1 .  .*./. .* - . y ) na reta r. +- +- + +  +  +  + -   ( ( (  ) ) * * * * * . .* - . .*+ +-+../ . 0 0 0 0 0 0 0 0 10  1  1  1  1  .y) = (−y. .  .  . .*. +-+.* -+- *.* -+ .* -+ . isto ´ e.*.*. ./. . . CEDERJ 72 ./ . + + + +  +  +  + ++**   () () ) )()( + * ** + ** ) * * * * * +  +  +  +  + ( ( * * * * * *  +  +  +  +  +  +  + ++** y=x ( ++ ( ++ ) ) )( ++ * * * * * * * * ++ ++ ++ ++ * * * * * * * * *+ * + * + * + * + * + * + * ++** (x. .y) Figura 13: Reflex˜ ao na reta y = x Proje¸ c˜ ao A proje¸ ca ˜o de um ponto A sobre uma reta r ´ e um ponto P ∈ r tal que AP ´ e perpendicular a ` reta.  /  /  /  /  / 01 01 01 01 0 0 0 0 10 1 1 1 1  1  1  1  1 . o ponto T (x.*. . . - - - -+ ( ( (  )  ) ) * * * * * .*. . .* + + + ++** ( ( (  )  ) ) * * * * * .

A proje¸ ca ˜o sobre o eixo x ´ e dada pela matriz por T (x. 2. Outras transforma¸ co ˜es lineares podem ser constru´ ıdas por composic˜ ao de duas ou mais das transforma¸ co ˜es apresentadas nesta aula. ou seja. As figuras a seguir ilustram estas duas proje¸ co ˜es. 0). ´ e dada .0) 1 0 0 0 0 0 0 1 . y ) = (0. T(x.y) 1 67 67 7 7676 6767 67 6 7676 67 76 7 6 76 6 7676 767 1 1 Figura 16: Proje¸ ca ˜o no eixo y Resumo Nesta aula estudamos algumas transforma¸ co ˜es lineares T : R2 → R2 de especial importˆ ancia. Observe que a composi¸ ca ˜o de transforma¸ co ˜es lineares ´ e uma transforma¸ ca ˜o linear. ou seja.AULA 24 S˜ ao exemplos de proje¸ ca ˜o: 1. y ). A proje¸ ca ˜o sobre o eixo y ´ e dada pela matriz por T (x.y) = (0. ´ e dada 1 23 23 3 3232 2323 23 2 3232 23 32 3 2 32 2 3232 323 4 5 4 54 5 1 1 Figura 15: Proje¸ ca ˜o no eixo x T(x.y) = (x.Transforma¸ co ˜es especiais no R2 ´ MODULO 3 . 73 CEDERJ . y ) = (x.

Álgebra Linear 1 Transforma¸ co ˜es especiais no R2 Exerc´ ıcios 1. 5. seguida de proje¸ ca ˜o sobre o eixo y . Determine a n´ ucleo da transforma¸ ca ˜o de rota¸ ca ˜o de 600 . CEDERJ 74 . 4. Indique o efeito sobre o quadrado unit´ ario das transforma¸ co ˜es dadas pelas seguintes matrizes: (a) (b) (c) 2 0 0 2 1 2 0 1 1 0 2 1 2. Determine a matriz da transforma¸ ca ˜o linear que leva a uma reflex˜ ao na origem seguida de uma rota¸ ca ˜o de 300 . Determine a matriz da transforma¸ ca ˜o de rota¸ ca ˜o de um a ˆngulo de 45 0 . Determine a n´ ucleo da proje¸ ca ˜o sobre o eixo x. 3.

y. 0) ´ e chamada proje¸ ca ˜o sobre o eixo x. onde λ ∈ R. dadas por T (x. Em vez de fazer um estudo completo de todas essas transforma¸ co ˜es lineares que poderiam ser consideradas b´ asicas. A transforma¸ ca ˜o T : R3 → R3 . Por exemplo. y. dada por T (x.Transforma¸ co ˜es especiais no R3 ´ MODULO 3 . Exemplo 1 Transforma¸ co ˜es de escala. uma s´ erie de exemplos de transforma¸ co ˜es lineares no R 3 . no R2 vimos as proje¸ co ˜es nos eixos x e y . mais as proje¸ co ˜es nos 3 planos coordenados (planos xy . y e z ). As transforma¸ co ˜es dadas por T (x. λ ≥ 0 e λ = 1. Exemplo 2 Proje¸ co ˜es nos eixos coordenados. xz e yz ). nesta aula. J´ a no R3 temos as proje¸ co ˜es nos 3 eixos coordenados (eixos x. respectivamente. veremos. y. z ) = (0. z ) = (x. y. z ) = (0. y. z ) s˜ ao as proje¸ co ˜es sobre os eixos y e z . 0. H´ a muito mais transforma¸ co ˜es lineares b´ asicas no R3 do que no R2 . 0. 0) e T (x.AULA 25 Aula 25 – Transforma¸ co ˜es especiais no R3 Objetivos Ver alguns exemplos de transforma¸ co ˜es lineares no R3 . z ). As transforma¸ co ˜es T : R3 → R3 . z ) = λ(x. s˜ ao chamadas transforma¸ co ˜es de escala. B A B´ Figura 1: O segmento AB ´ e a proje¸ ca ˜o no eixo x do segmento AB 75 CEDERJ . y. Elas tˆ em o efeito de dilatar (se λ > 1) ou contrair (se 0 ≤ λ < 1) um objeto no R3 .

Exemplo 3 Determine a matriz da transforma¸ ca ˜o linear que tem o efeito geom´ etrico de 0 uma rota¸ ca ˜o de 30 em torno do eixo z . Seja P e Q as proje¸ co ˜es dos pontos P e Q sobre o plano cartesiano xy . Ent˜ ao Q possui a mesma coordenada em z que o ponto P . 0) e temos que Q ´ e obtido de P por uma rota¸ ca ˜o de 300 .Álgebra Linear 1 Transforma¸ co ˜es especiais no R3 Vamos estudar agora alguns exemplos que envolvem rota¸ co ˜es. c) e seja Q o ponto obtido por rota¸ ca ˜o de 300 em torno do eixo z . z c 30 Q P b a´ b´ y Q´ P´ a x Figura 2: O ponto Q ´ e obtido do ponto P por rota¸ ca ˜o de 300 em torno do eixo z Seja P = (a. Lembrando que a rota¸ ca ˜o de um a ˆngulo θ no plano ´ e dada por cos θ − sen θ sen θ cos θ temos que a b CEDERJ . 76 . b . Podemos escrever Q = (a . 0) e Q = (a . c). b. = cos 300 − sen 300 sen 300 cos 300 a b √ = 3 2 1 2 −1 2 √ 3 2 a b . b . b. Ent˜ ao P = (a.

 Portanto. Basta notar que. a matriz  1 0  ´ 2 2 0 0 1 0 rota¸ ca ˜o de 30 em torno do eixo z . neste u ´ltimo caso. mas a rota¸ ca ˜o em torno de uma reta que n˜ ao passa pela origem n˜ ao ´ e uma transforma¸ ca ˜o linear. 77 CEDERJ . seguido de uma rota¸ ca ˜o de 450 em torno do eixo y e de uma √ dilata¸ ca ˜o de um fator 2. que ´ e a composi¸ ca ˜o de 3 transforma¸ co ˜es. temos uma transforma¸ ca ˜o composta.AULA 25     √ 3 1 a 0 − a 2 2     1 √3  Q= b = 2 0  b  . 2 0 0 1 c c   √ 3 1 0 − 2 √2   3 e a matriz da transforma¸ ca ˜o linear Assim. a origem seria levada para outro ponto que n˜ ao a pr´ opria origem. A figura abaixo representa uma rota¸ ca ˜o em torno do eixo y . Neste exemplo. z x y Figura 3: Rota¸ ca ˜o em torno do eixo y Exemplo 4 Calcule a matriz da transforma¸ ca ˜o linear obtida por uma rota¸ ca ˜o de 30 0 em torno do eixo z . Note que a rota¸ ca ˜o em torno de uma reta qualquer passando pela origem ´ e uma transforma¸ ca ˜o linear.Transforma¸ co ˜es especiais no R3 ´ MODULO 3 .

 √ 2 2 0 2 2 Com rela¸ ca ˜o a ` terceira transforma¸ ca ˜o. foi estudada no  √ do eixo z 1 3 −2 0 2   1 √3 exemplo anterior. Vimos que tem matriz  2 0 . a matriz de dilata¸ ca ˜o de um √ e fator de 2 ´   √ 2 0 0 √   2 0  .Álgebra Linear 1 Transforma¸ co ˜es especiais no R3 A primeira delas.  0 √ 2 0 0 Finalmente. a matriz da transforma¸ ca ˜o rota¸ ca ˜o de 450 em torno do eixo y ´ e √   √ 2 0 − 22 2   0 1 √ 0  . rota¸ ca ˜o de 300 em torno . Uma rota¸ ca ˜o em torno do eixo y preserva a coordenada y e faz uma rota¸ ca ˜o nas coordenadas x e z . a transforma¸ ca ˜o linear que ´ e a composta destas trˆ es transforma¸ co ˜es ´ e dada pelo produto das trˆ es matrizes (observe a ordem): √  √   √  √ 3 2 0 −1 0 − 22 2 0 0 2 2 2 √ √     3 0  0  1 2 0  0 1 √  0 2 2 √ √ 2 2 0 0 1 0 2 0 0 2 2   √  3 0 −1 1 0 −1 2 2 √    1 √3  =  0 0  2 0  2 2 0 0 1 1 0 1   √ 3 −1 −1 2 2 √   2 √6 =  2 0  2 √ 3 1 −1 2 2 CEDERJ 78 . Assim. Vamos agora 2 0 0 1 calcular a matriz da segunda transforma¸ ca ˜o. A matriz de uma rota¸ ca ˜o no plano de 45 0 ´ e cos θ − sen θ sen θ cos θ = cos 450 − sen 450 sen 450 cos 450 √ = 2 2 √ 2 2 2 − √2 √ 2 2 .

uma imagem consiste em uma certa quantidade de pontos e retas ou curvas ligando estes pontos e. Figura 4: Modelagem da mol´ ecula de uma prote´ ına 79 CEDERJ . Assim.Transforma¸ co ˜es especiais no R3 ´ MODULO 3 . em informa¸ co ˜es de como preencher a a ´rea limitada por estas retas e curvas. A mol´ ecula ao lado ´ e de uma prote´ ına chamada crambin. algumas transforma¸ co ˜es usuais em computa¸ ca ˜o gr´ afica levam segmentos de retas em outros segmentos de reta. E tem in´ umeras aplica¸ co ˜es. V´ arias destas transforma¸ co ˜es podem ser representadas por transforma¸ co ˜es lineares. que v˜ ao desde as simula¸ co ˜es de carros e avi˜ oes em t´ uneis de vento aos efeitos especiais nos filmes de cinema e a ` modelagem molecular e realidade virtual. muitas vezes. Ela possui 327 a ´tomos. Quando o objeto ´ e representado por segmentos de reta. encontrada em algumas sementes. a matem´ atica envolvida na computa¸ ca ˜o gr´ afica muitas vezes consiste na multiplica¸ ca ˜o de matrizes representando transforma¸ co ˜es lineares por matrizes que representam objetos.AULA 25 Aplica¸ co ˜es em computa¸ c˜ ao gr´ afica A computa¸ ca ˜o gr´ afica ´ e uma a ´rea da Matem´ atica que estuda a repre´ um campo que senta¸ ca ˜o em um computador de imagens e movimentos. Basicamente.

y. CEDERJ 80 . esta mesma transla¸ ca ˜o ´ e descrita como (x. y. 1) por uma maA 0 triz do tipo . Uma maneira de evitar este problema ´ e utilizar coordenadas homogˆ eneas. y e z n˜ ao podem ser todos nulos. em coordenadas homogˆ eneas. Desta forma. y. por exemplo. que seria naturalmente uma transla¸ ca ˜o. Uma transla¸ ca ˜o da forma (x. 1) → (x + a. Esta transforma¸ ca ˜o pode ser calculada como forma a seguir:     x+a 1 0 a x      y + b  =  0 1 b  y 1 0 0 1 1 produto de matrizes na  De qualquer forma. y ) → (x + a. onde as coordenadas homogˆ eneas tˆ em um papel fundamental. Desta forma. 2y. y. leva a um ponto da forma 0 1 (x . 2). y ). por exemplo. 1)). y ) ∈ R ´ e identificado com o ponto (x. Nela. No entanto. o movimento de arrastar um objeto. y = λy .Álgebra Linear 1 Transforma¸ co ˜es especiais no R3 Coordenadas homogˆ eneas Vimos anteriormente que a transla¸ ca ˜o n˜ ao ´ e uma transforma¸ ca ˜o linear. y ) ↔ (x. 1) s˜ ao as coordenadas homogˆ eneas do ponto 2 (x. N˜ ao podemos somar coordenadas homogˆ eneas ou multiplic´ a-las por escalar. y + b) n˜ ao ´ e linear. onde A ´ e uma matriz 2 × 2. 2 ∗ (x. e fazemos a identifica¸ ca ˜o (x : y : z ) = (x : y : z ) se existe λ = 0 tal que x = λx . Dizemos que (x. y ) ∈ R2 . y . e z = λz . 1). as coordenadas homogˆ eneas s˜ ao representadas pelo s´ ımbolo (x : y : z ). descrevemos a transla¸ ca ˜o como produto de matrizes. 1) . identificamos o plano R com o plano z = 1. logo n˜ ao pode ser escrita como produto por uma matriz 2 × 2. y. 2 que definiremos a seguir.   . 1) ∈ R3 . pois. foge a identifica¸ ca ˜o que fizemos ((x. a multiplica¸ ca ˜o de um ponto (x. Isto cria uma dificuldade pois. y + b. y. 1) = (2x. mas n˜ ao exatamente pela raz˜ ao exposta acima. que pode ser identificado com (x . Cada ponto (x. onde x. Como este u ´ltimo ponto n˜ ao tem z −coordenada 1. n˜ ao pode ser representado matematicamente por um produto de matrizes. H´ a uma a ´rea da Matem´ atica chamada Geometria Alg´ ebrica.

em especial a rota¸ ca ˜o em torno de um dos eixos coordenados. o espa¸ co onde atua a geometria alg´ ebrica. 2. Encontre a matriz da transforma¸ ca ˜o de rota¸ ca ˜o de um a ˆngulo de 45 0 . o imenso campo das aplica¸ co ˜es ´ da Algebra Linear. por assim dizer. em torno do eixo x. Determine a tranforma¸ ca ˜o que leva a uma rota¸ ca ˜o de 300 em torno do eixo z . seguida de uma rota¸ ca ˜o de 300 em torno do eixo y . Resumo Nesta aula vimos alguns exemplos de transforma¸ co ˜es lineares no R 3 . Por fim.AULA 25 O conjunto dos pontos dados por coordenadas homogˆ eneos ´ e chamado Espa¸ co Projetivo.Transforma¸ co ˜es especiais no R3 ´ MODULO 3 . que tˆ em uma aplica¸ ca ˜o interessante na computa¸ ca ˜o gr´ afica e um papel fundamental na Geometria Alg´ ebrica. 81 CEDERJ . seguido de uma proje¸ ca ˜o sobre o plano yz . 3. Exerc´ ıcios 1. de uma forma muito inicial. Tocamos. Determine as seguintes transforma¸ co ˜es lineares: (a) Proje¸ ca ˜o sobre o eixo z . 4. (b) Proje¸ ca ˜o sobre o plano yz . falamos um pouco das coordenadas homogˆ eneas. examinando um pouco da representa¸ ca ˜o de objetos e seus movimentos. Encontre a tranforma¸ ca ˜o linear que tem o efeito de uma rota¸ ca ˜o de 30 0 em torno do eixo y . que ´ e.

.

AULA 26 Aula 26 – Operadores lineares invers´ ıveis Pr´ e-requisito: Aulas 4. as duas condi¸ co ˜es s˜ ao satisfeitas ou nenhuma da duas ´ e satisfeita. se dim Im(T ) = dim W . Nesta aula iremos identificar operadores lineares invers´ ıveis. e somente se. Na aula 21. Dada uma transforma¸ ca ˜o linear T : V → W . Em outras palavras: ou um operador ´ e invers´ ıvel (injetor e sobrejetor) ou n˜ ao ´ e nem injetor. composta com ela. O conceito ´ e o mesmo de fun¸ ca ˜o inversa. e j´ a estudada em pr´ e-c´ alculo: uma fun¸ ca ˜o ´ e invers´ ıvel quando existe uma outra que. que: (i) T ´ e injetora se.Operadores lineares invers´ ıveis ´ MODULO 3 . vista em Matem´ atica elementar. Defini¸ c˜ ao Um operador linear T ∈ L(V ) ´ e invers´ ıvel se existe T −1 ∈ L(V ) tal que T ◦ T −1 = T −1 ◦ T = I (operador identidade definido em V ). Isto ´ e. que para que um operador linear T ∈ L(V ) seja invers´ ıvel. Nesta aula. Obter o inverso de operadores lineares invers´ ıveis. vimos. M´ odulo 1. ent˜ ao. Vocˆ e tamb´ em j´ a estudou que uma fun¸ ca ˜o ´ e invers´ ıvel se. nem sobrejetor. tamb´ em. vimos o Teorema do n´ ucleo e da imagem. Objetivos Identificar operadores lineares invers´ ıveis. Por outro lado. Podemos concluir. 18 a 25. ´ e sobrejetora. Como conseq¨ uˆ encias desse teorema. vimos o m´ etodo de escalonamento para inverter matrizes. na aula 4. Recordando: ´ claro que as matrizes assoE ciadas a operadores lineares s˜ ao quadradas. (ii) T ´ e sobrejetora se. e somente se. e somente. obter a express˜ ao e a matriz associada do operador linear inverso. N (T ) = {oV }. e somente se. ´ e suficiente que seja injetor (ou sobrejetor). v´ alido em espa¸ cos vetoriais de dimens˜ oes finitas. 83 CEDERJ . tem-se dim V = dim N (T )+ dim Im(T ). resulta na fun¸ ca ˜o identidade. ´ e injetora e bijetora. (iii) Se dim V = dim W ent˜ ao T ´ e injetora se. uniremos as duas id´ eias e aprenderemos a decidir se um operador linear ´ e ou n˜ ao invers´ ıvel e. quando o for.

pelo que foi dito anteriormente. 2x. acima. em (1). basta determinar o seu n´ ucleo. definido no espa¸ co vetorial V . c) = (b/2. Ent˜ ao T −1 (a. ´ e chamado um automorfismo de V . respectivamente. a − b/2 + c). y + z ) = (a. y. c). 2x. b. b e c:  ca    x−y =a  x = b/2 ⇒ 2x = b y = −a + b/2     y+z =c z = a − b/2 + c Logo. z ) = (a. b. y. z ) = (x − y. z ). 0)}. podemos escrever [T ◦ T −1 ] = [T ]. Logo. Vamos encontrar uma f´ ormula para T −1 . O n´ ucleo de T ´ e {(0.Operadores lineares invers´ ıveis Álgebra Linear 1 Pela observa¸ ca ˜o (i). 0. y. temos: [T ◦ T −1 ] = I. b. para decidir se um operador linear ´ e ou n˜ ao invers´ ıvel. T ´ e injetor e. Um operador linear invers´ ıvel. temos: [T ]. c). (2) Como a matriz canˆ onica do operador identidade ´ e a identidade. A letra I indica tanto o operador quanto a matriz identidade. invers´ ıvel. y e z em fun¸ ˜o de a. T −1 (a. Ent˜ ao. y + z ). z ) = (x − y. Observa¸ c˜ ao. (1) Sejam [T ] e [T −1 ] as matrizes canˆ onicas de T e de seu operador inverso. −a + b/2. Suponhamos que T (x. vimos que a matriz associada a ` composta de duas transforma¸ co ˜es lineares ´ e o produto das matrizes associadas a `s transforma¸ co ˜es. pois: T ´ e invers´ ıvel ⇔ N (T ) = {oV }. y. Precisamos expressar x. Matriz associada ao operador inverso T −1 Suponhamos que o operador T : V → V seja invers´ ıvel.[T −1 ].[T −1 ] = I. b. (4) CEDERJ 84 . Exemplo 1 Consideremos o operador linear definido em I R 3 dado por T (x. Na aula 23. (3) De (2) e (3). Ent˜ ao existe ∈ L(V ) tal que T ◦ T −1 = I. c) = (x. Isto ´ e: T (x.

2x + 3y − 5z ). Logo. se estivermos interessados apenas em saber se o operador ´ e ou n˜ ao invers´ ıvel. isto ´ e. a ` matriz canˆ onica do operador T . que n˜ ao a canˆ onica. pelo m´ etodo do escalonamento: se o procedimento for bem-sucedido. para verificar se um operador linear ´ e invers´ ıvel. Poderemos. Como dito acima. ent˜ ao sua matriz associada tamb´ em ´ e invers´ ıvel.Operadores lineares invers´ ıveis ´ MODULO 3 . det [T ] = 0. al´ em de concluir que o operador ´ e invers´ ıvel. estamos nos referindo. y. Exemplo 2 Seja T ∈ L(I R3 ) dado por T (x. nos referir ao determinante do operador. pois: O operador linear T ´ e invers´ ıvel se. podemos calcular o determinante de sua matriz associada. z ) = (3x − y + 4z. Vamos escrever sua  matriz canˆ onica etodo de invers˜ ao por es e aplicar o m´ 3 1 2   calonamento: [T ] =  −1 0 3 ⇒ 4 2 −5   3 1 2 | 1 0 0   ⇒  −1 0 3 | 0 1 0  L2 ← −L2 → 4 2 −5 | 0 0 1   L1 ↔ L 2 3 1 2 | 1 0 0   → →  1 0 −3 | 0 −1 0  4 2 −5 | 0 0 1 Esta matriz j´ a foi analisada no exemplo 3 da aula 4. sem a preocupa¸ ca ˜o de obter uma f´ ormula para o seu inverso. na pr´ oxima aula. • A matriz associada ao operador inverso de T ´ e a inversa da matriz associada a T . Observa¸ c˜ ao. o operador em quest˜ ao n˜ ao ser´ a invers´ ıvel. Caso contr´ ario (a matriz n˜ ao ser invers´ ıvel). Veremos. podemos verificar se sua matriz associada ´ e invers´ ıvel. os mesmos resultados vistos nesta aula se aplicam a `s matrizes de T relativas a outras bases. aqui.AULA 26 A express˜ ao (4) nos diz que: • Se o operador T ´ e invers´ ıvel. e somente se. x + 2z. que o determinante da matriz associada a um operador linear ´ e uma constante. A partir disso. 85 CEDERJ . j´ a teremos a matriz do seu inverso. independe da base escolhida para a representa¸ ca ˜o do operador. Al´ em disso. inclusive.

x + 3z + t) ´ e invers´ ıvel e.Operadores lineares invers´ ıveis Álgebra Linear 1  1 0 −3 | 0 −1 0   → → 0 1 11 | 1 3 0  1 L3 0 0 −15 | −2 −2 1 L3 ← − 15  1 0 −3 | 0 −1 0   → →  0 1 11 | 1 3 0  0 2 7 | 0 4 1 L3 ← L3 − 2L2    1 0 −3 | 0 −1 0   → 3 1 2 | 1 0 0  L2 ← L2 − 3L1 → 4 2 −5 | 0 0 1 L3 ← L3 − 4L1   L 1 ← L 1 + 3L 3 1 0 −3 | 0 −1 0   →  0 1 11 | 1 3 0  L2 ← L2 − 11L3 → 0 0 1 | 2/15 2/15 −1/15   1 0 0 | 6/15 −9/15 −3/15   →  0 1 0 | −7/15 23/15 11/15 . 15 15 15 . a matriz [T ] ´ e invers´ ıvel e [T ]−1 = 15  −7 23 11 . z. y − 2z − t. y. z ) = 6x − 7y + 2z −9x + 23y + 2z −3x + 11y − z . .   1 2 0 0  0 1 −2 −1    Vamos aplicar a ` matriz [T ] =  etodo de invers˜ ao por  o m´  1 1 1 0  1 0 3 1 escalonamento:  1 2 0 0  0 1 −2 −1    1 1 1 0 1 0 3 1 | | | | 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1    →   L3 ← L 3 − L 1 L4 ← L 4 − L 1 CEDERJ 86 . que o operador T ´ e invers´ ıvel e T −1 (x. t) = (x + 2y. 2 2 −1 Conclu´ ımos. 0 0 1 | 2/15 2/15 −1/15    6 −9 −3  1  Logo. y. caso seja. ent˜ ao. x + y + z. Exemplo 3 Vamos verificar se o operador T ∈ L(I R4 ) dado por T (x. encontrar seu inverso.

0). a matriz [T −1 ]B . 1. 2)} ´ e uma base de I R3 . 1.Operadores lineares invers´ ıveis ´ MODULO 3 . y. 1) = (1. 0) = (0. 0)). que o conjunto B = {(1. invers´ ıvel. mas queremos a express˜ ao de T −1 em rela¸ ca ˜o a ` base canˆ onica 3 de I R e ainda n˜ ao sabemos como migrar de uma base para outra (veremos como fazer isso. Neste caso. o operador T n˜ ao ´ e invers´ ıvel. 1)} tamb´ em ´ e base de I R 3 . Se aplicarmos o m´ etodo do escalonamento a ` matriz [T ]B .  . primeiramente. (0. −1. 0) e T (1. 3. (1. Vamos expres87 CEDERJ 1 0  0 1  →  0 0 0 0  1 0  0 1  →  0 0 0 0  1 0  0 1  →  0 0 0 0   →    1 2 0 0 | 1 0 1 −2 −1 | 0 0 −1 1 0 | −1 0 −2 3 1 | −1 4 2 −2 −1 −1 −1 −1 −1 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 1 | 1 −2 | 0 1 | −1 1 | −1 2 L1 ← L1 − 2L2   →   L3 ← L 3 + L 2 L4 ← L4 + 2L2    →   L3 ← −L3  4 2 | 1 −2 0 −2 −1 | 0 1 0 1 1 | 1 −1 −1 −1 −1 | −1 2 0 0 −2 | −3 2 4 0 1 | 2 −1 −2 1 1 | 1 −1 −1 0 0 | 0 1 −1 0 0 0 1  L1 ← L1 − 4L3 0  0  L2 ← L2 + 2L3 →  0  L4 ← L 4 + L 3 1    . caso T seja invers´ ıvel. T est´ a bem definido. Como vimos acima. Assim. z ). ent˜ ao. Notemos. T (−2. Exemplo 4 Seja T o operador linear definido em I R3 tal que T (1. 0). Logo. Vamos verificar se T ´ e invers´ ıvel e. 3. transforma base em base. −1.AULA 26 Como a quarta linha se anulou. obteremos. −1. na pr´ oxima aula). (−2. ent˜ ao T (B ) tamb´ em ´ e base de V . T (B ) = {(1. −1. (0. 1. 0. 0). conclu´ ımos que a matriz n˜ ao ´ e invers´ ıvel. Uma outra propriedade importante dos operadores invers´ ıveis afirma que Um operador T ∈ L(V ). 1). 2) = (0. 0. determinar T −1 (x. vamos usar a defini¸ ca ˜o e a condi¸ ca ˜o de linearidade do operador inverso. caso seja. 1). isto ´ e: se B´ e uma base de V . 1.

em rela¸ ca ˜o a ` base T (B ):    a=x (x.   c=z T −1 (x. z ). −1. podemos escrever: Resumo Nesta aula destacamos os operadores lineares que admitem um inverso. 1)) = = xT −1 (1. y. de I R3 . y. −1. 1) + (−y − z )(−2. −1. −1. 0. Assim. 0)) + c(0. 1) ⇒ −b − c = y ⇒   c=z    a=x ⇒ b = −y − z . z ) = a(1. 1. Relacionamos diretamente a condi¸ ca ˜o de inversibilidade dos operadores com a inversibilidade das matrizes associadas a eles. Dado um operador linear. 0. 0) + b(0. 1. 1) = = x(1. pela defini¸ ca ˜o ou pela tentativa de invers˜ ao de sua matriz associada. ou ainda pela busca de seu operador inverso. 0)) + z (0. y. x − y + 2z. x + 2z ). 0) + (−y − z )(0. −1. 0) + zT −1 (0. −1. gen´ erico.Operadores lineares invers´ ıveis Álgebra Linear 1 sar um vetor (x. 3. 0. 2) = = (x + 2y + 3z. 0) + z (1. CEDERJ 88 . z ) = T −1 (x(1. seja pelo c´ alculo do determinante de uma sua matriz associada. 0) + (−y − z )T −1 (0. aprendemos a descobrir se ´ e ou n˜ ao invers´ ıvel – seja pela determina¸ ca ˜o de seu n´ ucleo.

−1. z ) = (6x + 3y − 4z. em cada caso. se o operador T ∈ L(V ) ´ e invers´ ıvel. T (x.AULA 26 Exerc´ ıcios 1. (b) Determine a express˜ ao e a matriz da transforma¸ ca ˜o linear inversa de T . −4x + y − 6z. 0. T (x. 1) = (1. (b) V = I R3 . 2. 1) e T (0. 1. 2x − y + 3z. 0) = (1. z ) = (x. se os operadores lineares T e S s˜ ao invers´ ıveis.Operadores lineares invers´ ıveis ´ MODULO 3 . 89 CEDERJ . T (x. Mostre que a rota¸ ca ˜o anti-hor´ aria de um a ˆngulo θ ´ e um operador invers´ ıvel em I R2 e que seu inverso ´ e a rota¸ ca ˜o hor´ aria do mesmo a ˆngulo. (a) Determine a express˜ ao e a matriz da transforma¸ ca ˜o linear T = T3 ◦ T 2 ◦ T 1 . y. 4. 5. Mostre que. 0). y. 1. Caso seja. T (0. T3 : uma rota¸ ca ˜o de 900 no sentido anti-hor´ ario. 0. (c) V = I R3 . 2) ´ e um automorfismo? 3. 0) = (0. encontre uma f´ ormula para o seu inverso. Considere as seguintes transforma¸ co ˜es lineares planas: T1 : reflex˜ ao em torno da reta y = x. (a) V = I R2 . x + 2y − 5z ). T2 : um cisalhamento horizontal de fator 2. Verifique. 2x + 3y ). y ) = (3x + 5y. ent˜ ao o operador linear T ◦ S tamb´ em ´ e invers´ ıvel e (T ◦ S )−1 = S −1 ◦ T −1 . 4x + y + 8z ). 0. A transforma¸ ca ˜o linear T : I R3 → I R3 dada por T (1.

(a) T −1 (x. 2x − 3y ) (b) T −1 (x. −4x + z. caso exista. (b) [T −1 ] = [T ]−1 = T −1 = T . Sim.Operadores lineares invers´ ıveis Álgebra Linear 1 Auto-avalia¸ c˜ ao Esta aula analisou as condi¸ co ˜es para que um operador linear seja invers´ ıvel e como obter. (a) [T ] = [T3 ]. CEDERJ 90 . 6x − y − z ) (c) T n˜ ao ´ e invers´ ıvel 2. o operador inverso. 3. z ) = (−11x + 2y + 2z. y ) = (−x. y ) = (−x.[T2 ]. y. (Note que 0 −1 1 0 1 2 0 1 0 1 1 0 = −1 0 2 1 . y ) = (−3x + 5y. 2x + y ). fa¸ ca contato com o tutor da disciplina. Pode-se verificar isso determinando o n´ ucleo de T ou escalonando sua matriz associada e mostrando que ´ e invers´ ıvel. Respostas dos exerc´ ıcios 1.) −1 0 2 1 e T −1 (x.[T1 ] = T (x. 2x + y ). Caso vocˆ e tenha sentido alguma dificuldade na resolu¸ ca ˜o dos exerc´ ıcios ou na compreens˜ ao dos exemplos.

num espa¸ co vetorial. Objetivos Determinar a matriz de mudan¸ ca de uma base para outra.B pelo vetor-coordenadas [v ]A ´ e reescrevˆ e-lo em rela¸ ca ˜o a ` base B .B ´ e transformar as coordenadas de um vetor v na base A em coordenadas do mesmo vetor v na base B . A e B . Como vimos na aula 22. relativas a diferentes bases. Como o operador identidade n˜ ao altera o vetor. a u ´nica a¸ ca ˜o da multiplica¸ ca ˜o da matriz [I ]A. ´ e tal que [I ]A. dadas duas bases. em rela¸ ca ˜o a `s bases A e B (representada por [I ]A. Nesta aula vamos nos utilizar de um operador linear especial – o operador identidade. I . e v ∈ V .AULA 27 Aula 27 – Mudan¸ ca de base Pr´ e-requisito: Aulas 18 a 26. para obter uma matriz que ir´ a funcionar como uma “tradutora” de uma base para outra. o operador identidade.B ´ e chamada matriz mudan¸ ca (ou matriz de transi¸ ca ˜o) da base A para a base B . em rela¸ ca ˜o a ` base B .Mudan¸ ca de base ´ MODULO 3 . Dado um espa¸ co vetorial V . ´ e trivialmente linear. de V .[v ]A = [v ]B . definido em V . Assim.B . a matriz de I . 91 CEDERJ . O papel da matriz [I ]A. Defini¸ c˜ ao A matriz [I ]A. essa matriz ´ e constru´ ıda de tal forma que a i´ esima coluna ´ e formada pelas coordenadas do i-´ esimo vetor de A. Relacionar as matrizes associadas a uma transforma¸ ca ˜o linear. relacionando as coordenadas de um mesmo vetor ou as matrizes associadas a um mesmo operador linear.B ). A id´ eia ´ e poder migrar de uma para outra base.

vemos que: CEDERJ 1 1 −1 − 1 2 .B . em rela¸ ca ˜o a ` base B : (x. temos: [(1. y )]B = −y x+y . y )]A = b= 2 2 Aplicando essa f´ ormula aos vetores da base B . ent˜ ao. determinar como um vetor gen´ erico de I R se escreve na base A: x a=x . em rela¸ ca ˜o a ` base 2 A.Mudan¸ ca de base Álgebra Linear 1 Exemplo 1 Em I R2 . 1) = (1. 1)]B = −1 2 e [(0. 2) ⇒ y −x y −x ⇒ [(x. 2)} e B = {(1. Exemplo 2 Vamos obter a matriz mudan¸ ca da base B para a base A. A matriz [I ]A. do exemplo 1. 1) em rela¸ ca ˜o a ` base B . −2 2 . sua primeira coluna ´ e o vetor-coordenadas de I (1. 0) ⇒ Logo.[I ]B. isto ´ e. a+b=x ⇒ −a = y a = −y . 0)]A = 1 −1 2 . logo. isto ´ e: [I ]A. 2) em rela¸ ca ˜o a ` base B . 92 . y ) = a(1. Logo. b=x+y Usando essa f´ ormula.B ´ e 2 × 2.A = I. (1. Logo.A = Ent˜ ao. Vamos construir a matriz [I ]A. Vamos. [(x. [I ]A. temos: [(1. 0)}. (x. Suas colunas s˜ ao os vetores-coordenadas dos vetores da base B . (0.B = O operador identidade ´ e invers´ ıvel. sua segunda coluna ´ e o vetorcoordenadas de I (0. Vamos. 1). 2) = (0. [(1. y ). y ) = a(1. ent˜ ao. qual o vetor-coordenadas de um vetor gen´ erico (x. −1) + b(1. a matriz mudan¸ ca de base (que nada mais ´ e do que uma matriz associada ao operador identidade) ´ e invers´ ıvel: a inversa da matriz de transi¸ ca ˜o da base A para a base B ´ e a matriz de transi¸ ca ˜o da base B para a base A. 2)]B = −1 −2 2 2 . −1). 1) + b(0. [I ]B. −1)]A = 1 −1 . descobrir como a base B gera I R2 . sejam as base A = {(1.B .

1)} e B = {(1. Primeiramente.AULA 27 [I ]A. Seja [v ]A = 4 −3 −1 1 Ent˜ ao [v ]A = 2o modo: xA yA −10 −14 = . 2 −4 ⇒ xA yA . (2.B . 0). Seja v ∈ I R2 tal que [v ]B = 2 .Mudan¸ ca de base ´ MODULO 3 . Exemplo 3 Consideremos as bases A e B do exemplo 1. por escalonamento.[v ]B = 1 3 1 4 . obtendo [I ]B.[v ]A . [v ] A = 1 e [v ] B = 7 2 Notemos que [I ]A. temos: −4 3 . −1 1 1o modo: Sabemos que [v ]B = [I ]A. Seja v = (3.B . obtemos [I ]A. Exemplo 4 Consideremos.B = .A = −1 −2 2 2 .[v ]A = −1 −2 2 2 3 1 2 = −4 7 = [v ] B . (−1. aplicando o procedimento de constru¸ ca ˜o da matriz mu4 −3 dan¸ ca de base. de dois modos.B .B .A = 1 3 . 1 1 −1 − 1 2 = 1 0 0 1 = I. yA = −14 4xA − 3yA = 2 ⇒ −xA + yA = −4 Vamos inverter a matriz [I ]A. 2 −4 = −10 −14 . 1)}. −1). em I R2 .A . 1 4 Agora. j´ a obtidas. Usando as f´ ormulas dos vetores-coordenadas em rela¸ ca ˜o a `s bases A e B . Vamos obter [v ]A . as bases A = {(2. usando a matriz de −4 transi¸ ca ˜o de A para B . Ent˜ ao: xA = −10 . 93 CEDERJ .[I ]B. 4) ∈ I R 2 . temos: [v ]A = [I ]B.

B [T ]A ) [v ]A = .A = [T ]B .A ) [v ]B = ([I ]A. A seguir. ou: Como traduzir a matriz de representa¸ ca ˜o de um operador.[I ]B.B ([T (v )]A ) = = [T (v )]B .[T ]A .B . B ∈ Mn (I R).[T ]A ) ([I ]B. Semelhan¸ ca de matrizes Sejam A. Dizemos que B ´ e semelhante a A quando existe uma matriz P .B . agora. essa rela¸ ca ˜o. de uma base para outra? A resposta ´ e dada pelo seguinte teorema: Teorema 1. Logo.A. ´ e: como mudar a representa¸ ca ˜o do operador. A quest˜ ao. A e B bases de V . de uma base para outra. = [I ]A. Ent˜ ao [I ]A.B .[I ]B. uma vez fixada uma base.B . definimos. A express˜ ao envolvendo as matrizes de T referentes a duas bases distintas ´ e uma importante rela¸ ca ˜o definida no conjunto das matrizes quadradas de uma determinada ordem. Prova Seja v ∈ V . • Podemos “traduzir” o vetor-coordenadas de um vetor.A [v ]B ) = = ([I ]A.P CEDERJ 94 . se escolhemos outra base.[T ]A . em Mn (I R).A = [T ]B .[I ]B. invers´ ıvel. tal que B = P −1 .B ([T ]A [v ]A ) = = [I ]A. [I ]A.[T ]A . Temos: ([I ]A.Mudan¸ ca de base Álgebra Linear 1 J´ a vimos: • Todo operador linear pode ser representado por uma matriz. formalmente. Sejam T ∈ L(V ).

2. invers´ ıveis. invers´ ıvel. conclu´ ımos que C ´ e semelhante a A e a rela¸ ca ˜o de semelhan¸ ca ´ e transitiva. Sendo T ∈ L(V ). obtemos QBQ−1 = A. Multiplicando. (ii) e (iii) conclu´ ımos que a rela¸ ca ˜o de semelhan¸ ca ´ e uma rela¸ ca ˜o de equivalˆ encia. ou seja. 95 CEDERJ . Como a matriz QP est´ a em Mn (I R) e ´ e invers´ ıvel. Ent˜ ao existe Q ∈ −1 Mn (I R). Ent˜ ao existem matrizes Q e P . as matrizes [T ]A e [T ]B s˜ ao semelhantes. por Q.AULA 27 Teorema 2. tamb´ em podemos dizer que A ´ e semelhante a B ou. que as matrizes A e B s˜ ao semelhantes. A ´ e semelhante a B e a rela¸ ca ˜o de semelhan¸ ca ´ e sim´ etrica. A rela¸ ca ˜o de semelhan¸ ca ainda implica uma igualdade de determinantes. podemos escrever A = P −1 BP . em Mn (I R). A rela¸ ca ˜o de semelhan¸ ca. Observa¸ co ˜es 1.Mudan¸ ca de base ´ MODULO 3 . A e B bases de V . (iii) Sejam A. temos QB = AQ. Substituindo a express˜ ao de B na se−1 −1 −1 −1 gunda igualdade. temos que A ´ e semelhante a A e a rela¸ ca ˜o de semelhan¸ ca ´ e reflexiva. Como A = I −1 AI . De (i). (ii) Sejam A. B. a ` direita. Prova (i) A matriz I ∈ Mn (I R) ´ e invers´ ıvel. simplesmente. os dois lados por Q−1 . Sendo P = Q−1 . ´ e uma rela¸ ca ˜o de equivalˆ encia em Mn (I R). definida em Mn (I R). Todas as representa¸ co ˜es matriciais do operador linear T formam uma classe de equivalˆ encia de matrizes semelhantes. como prova o teorema a seguir. tal que B = Q AQ. B ∈ Mn (I R). Multiplicando ambos os lados. Devido ao teorema 2. a ` esquerda. com I −1 = I . temos C = P (Q AQ)P = (P Q )A(QP ) = (QP )−1 A(QP ). com B semelhante a A. 3. tais que −1 −1 B = Q AQ e C = P BP . agora. com B semelhante a A e C semelhante a B . se B ´ e semelhante a A. C ∈ Mn (I R).

Usando a propriedade do determinante da matriz inversa. A ∈ Mn (I R) semelhantes. B . assim. vista na aula 5. ser dada na forma: T ´ e invers´ ıvel ⇔ det T = 0. Ent˜ ao B = P −1 AP .det P = = (det P )−1 . Do teorema 3.B . CEDERJ 96 . = Logo.det A = = 1. [I ]C.B = ([I ]B.[I ]A. Al´ em disso. Prova Sejam B. como sendo o determinante de qualquer matriz associada a T .det A.det P = = [(det P )−1 .B = [I ]C. a condi¸ ca ˜o de T ser invers´ ıvel pode.det A = = det A. Note que. na igualdade acima. Temos: [I ]A. Matrizes semelhantes possuem o mesmo determinante. agora. invers´ ıvel.C ) −1 Note que para construir a matriz de transi¸ ca ˜o de A para a canˆ onica basta escrever as coordenadas dos vetores da base A como as colunas da matriz.C = 1 0 1 2 = −1 −2 2 2 . B.B .C . para alguma matriz P ∈ Mn (I R).det P ].det A. Podemos adotar esse processo.B = [I ]C. O exemplo a seguir ilustra como isso se d´ a. supondo que a base intermedi´ aria ´ e a canˆ onica. definir o determinante de um operador linear T . Sendo A. 0 −1 1 1 1 1 −1 0 −1 = 0 −1 1 1 . Podemos. Observa¸ c˜ ao H´ a uma outra maneira de obtermos a matriz de mudan¸ ca de base.[I ]A. Exemplo 5 Vamos retomar as bases do exemplo 1 e escrever as matrizes de mudan¸ ca da base A para a canˆ onica e da base canˆ onica para a base B . [I ]A. vale a igualdade: [I ]A.Mudan¸ ca de base Álgebra Linear 1 Teorema 3. podemos escrever: det B = det (P −1 AP ) = = det P −1 . C bases do espa¸ co vetorial V . podemos concluir que todas as matrizes que representam um mesmo operador linear T tˆ em o mesmo determinante.C = 1 0 1 2 . a base C funciona como uma “intermedi´ aria”entre a base inicial A e a final.

C e [I ]B. (b) Calcule [v ]A . 0)} e C . Dada a matriz de transi¸ ca ˜o [I ]A. que ´ e a que possibilita mudar a base de representa¸ ca ˜o. 1. dado v = (−5. −1)}. 5. 1). Obtenha as matrizes [I ]C.A . A aula 28 – a u ´ltima – constar´ a de exerc´ ıcios relativos a todo o segundo m´ odulo.AULA 27 Resumo Nesta aula estudamos uma matriz muito importante. Dada a matriz de transi¸ ca ˜o [I ]A. 1)} e B = {(1.  1 0 1   3. Determine B . 1. a canˆ onica.  97 CEDERJ . (0. (b) [v ]B . [I ]B. 7)}. determine a base 1 3 0 A. −3. tanto de um vetor quanto de um operador linear. encerramos nosso curso de ´ Algebra Linear 1. Exerc´ ıcios 1. (−3. 1 2 ambas de P2 (I R). (c) Escreva [v ]B . 1)}.Mudan¸ ca de base ´ MODULO 3 . considere as bases A = {(−3. 0. sejam as base A = {(1. 1). (a) Determine a matriz de transi¸ ca ˜o da base A para a base B . sabendo que [v ]B = 7 2 . 0). 1 −1 6. B = {(2. 1)}. −1). 0). 0). −6. −1)} e B = {(−6. 1).B =  0 1 1 . A matriz de mudan¸ ca da base A = {1 + t. 1. 0. usando a matriz obtida no item (a). Em I R3 . (−2. −3). com resolu¸ ca ˜o ao final. Sendo B = {(1. 8. 1. (1. (1. 1. Em I R2 .A . Com o conte´ udo desta aula. (1. (1. (0. (0. 2.   2 0 −1   4. 1). sabendo que B = {(1. (−2. (0. 0).B =  1 1 2 . determine: (a) a matriz de mudan¸ ca da base B para a base B . 1 1 1 sabendo que A = {(1. ´ e . 2. 1)} bases de I R2 . (2. −6. 0). 4). −6. determine a base B . −5). 1 − t2 } para uma base B .

1) + 3(0.   (0. 1)) = 1v1 + 0v2 + 1v3 v1 = 2(1. Certifique-se de que apreendeu bem o conte´ udo desta aula. A matriz de mudan¸ ca de base ser´ a importante em aulas futuras. [I ]B. 1. −1)}. 4. v2 . (a) [I ]B . 0) = 0v1 + 1v2 + 1v3 ⇒ B = {(0. 4. 1. concluimos o conte´ udo desta disciplina. contate o tutor da disciplina.B = 1 2 1 1 (b) [v ]B = −3 5 CEDERJ 98 .B = 3/2 1/2 1/2 1/2 1/2 1/2 1/2 −1/2  3   (b)  −2  −2  . 1. (−1. Bom t´ ermino de curso. temos: 3. 1) = (1. 1) = (3. 1. 1) + 0(0.C )−1 = [I ]A. (1. 4.Mudan¸ ca de base Álgebra Linear 1 Auto-avalia¸ c˜ ao Com esta aula. 1/3 + 2t/3 + t2 /3} 6.A = ([I ]A. 1) = (1. isto ´ e:  representa o i-´  (1 . 1). 1. 1. 0) + 1(1. 1. 0) + 1(1. 0. 1. 0 . B = {(2/3 + t/3 − t2 /3. v3 }. v2 . 1) + 1(0. A pr´ oxima aula fecha o m´ odulo e apresenta uma lista de exerc´ ıcios gerais sobre a teoria apresentada no segundo m´ odulo. 4) v3 = −1(1. Solu¸ ca ˜o: Sendo A = {v1 . boas f´ erias e at´ e as ´ aulas de Algebra Linear 2!!!! Respostas/resolu¸ c˜ ao dos exerc´ ıcios  3/4 3/4 −5/12   1. 1. Caso tenha qualquer d´ uvida. 2) v2 = 0(1. Pela defini¸ ca ˜o da matriz de transi¸ ca ˜o. 1.C =  19/12   (c)  −43/12  4/3  2 1 1 0 . Vocˆ e dever´ a estar familiarizado com a t´ ecnica de obten¸ ca ˜o de matrizes de transi¸ ca ˜o e com as alica¸ co ˜es dela em exerc´ ıcios. 0) + 2(1. 1). os elementos da i-´ esima coluna s˜ ao os coeficientes da combina¸ ca ˜o linear que esimo vetor da base A em rela¸ ca ˜o a ` base B. 0) = 1 v + 0 v + 1 v 1 2 3  (0. 2) 5. v3 }. 0. 1. (a)  −3/4 −17/12 25/12  0 2/3 −4/3  2. 1. 1. Solu¸ ca ˜o: Seja B = {v1 . [I ]C.

ent˜ ao: (a) esta reta r ´ e paralela a OX (b) esta reta r ´ e paralela a OY (c) esta reta r ´ e paralela a OZ (d) esta reta r necessariamente cont´ em a origem (e) n˜ ao existe tal reta r 2. Caso sinta alguma dificuldade. −1)} (b) {(0. Tente resolver os exerc´ ıcios propostos nesta aula. z ) = (x. 0. 1.1998 Seja P a transforma¸ ca ˜o de I R3 em I R3 . Prov˜ ao . (0.. 0. 0)} (d) {(1. recorra a ` aula relativa ao assunto. y.MEC . y. ´ e o subespa¸ co do I R 3 gerado por: (e) {(1. 1. y. por P . releia com aten¸ ca ˜o e. 0)} (a) {(0. Se a imagem de uma reta r. x − y. −z ). 0)} 99 CEDERJ . Prov˜ ao . 0)} (c) {(1. 0. O n´ ucleo da transforma¸ ca ˜o linear T : I R3 → I R3 definida por T (x. 1). ´ e um ponto. antes de consultar a resolu¸ ca ˜o. 0). z ) = (z.Exerc´ ıcios de revis˜ ao do M´ odulo 2 ´ MODULO 3 . tente de novo! Exerc´ ıcios 1. definida por P (x. ao final da lista.MEC .AULA 28 Aula 28 – Exerc´ ıcios de revis˜ ao do M´ odulo 2 Objetivo Aplicar a teoria estudada no M´ odulo 2 em exerc´ ıcios gerais.1998 ca ˜o linear T o conjunto dos pontos cuja Chama-se n´ ucleo de uma transforma¸ imagem por T ´ e nula. 1..

2). y ) = (x + y. no I R3 . y. 3). Dadas [I ]A. −5. x − y ). dado v = (5. e B = {(1. (b) Use a matriz encontrada em (a) para calcular [T (v )]B . Mostre que o operador linear. (b) Determine a lei que define o operador T −1 . Verifique quais s˜ ao invers´ ıveis e.B = −1 3 2 7 −1 3 2 7 e A = {(1. 0 −1 0 (a) Mostre que T ´ e um isomorfismo. 2x + y + z ) T (x. (c) Encontre o vetor v ∈ I R3 tal que T (v ) = (−1. 1)}. (d) T ∈ L(I R3 ). Determine v ∈ I R tal que T (v ) = (2.  1 0 1   4. (c) T ∈ L(I R3 ). Seja o operador T : I R3 → I R3 definido pela matriz  3 −2 1 . x − y ) Um isomorfismo ´ e uma transforma¸ ca ˜o linear bijetora e. determine uma f´ ormula para T −1 . 2). Seja o operador linear T : I R2 → I R2 tal que T (x. −1)}. 7. determine a base A. 5). determine [v ]A .    1 1 1 −2     =  2 3 1 . x + y. 4 9 1 5 CEDERJ 100 . sabendo que [v ]B =  3 . (a) Determine [T ]B . A seguir s˜ ao dados operadores lineares em I R 2 e em I R3 . z ) = (x. T (x. 2). com matriz canˆ onica  2 3 4  3 5 7 3 n˜ ao ´ e invers´ ıvel. (0. onde B = {(1.Exerc´ ıcios de revis˜ ao do M´ odulo 2 Álgebra Linear 1 3. z ) = (x + z. (1.  6. (1. −3)  1 2 3   5. portanto.B 9. y ) = (3x − 4y. x + 3y ) T (x. invers´ ıvel. Se [I ]A. nos casos afirmativos. x − y − z )  T (x. (a) T ∈ L(I R2 ). x − z. determine a base B . 3.B =  8. y. (b) T ∈ L(I R2 ). y ) = (x + y. Dadas [I ]A. −1)}.

seguida de (4) um cisalhamento na dire¸ ca ˜o y . A imagem. determine. seguida de (3) uma reflex˜ ao em torno da reta y = x. 11.AULA 28 10. 2y ). t) = (x. 1). Determine a matriz da transforma¸ ca ˜o linear plana que equivale a ` seguinte seq¨ uˆ encia de transforma¸ co ˜es: (1) uma rota¸ ca ˜o anti-hor´ aria de π/2 rd. y. y. (d) Determine u ∈ I R4 tal que T (u) = (1. y ) e F (x. y. (c) Determine a imagem de T . Sejam as transforma¸ co ˜es T : I R4 → I R3 e F : I R3 → I R2 dadas por T (x. Seja a transforma¸ ca ˜o linear T : I R4 → I R3 tal que T (e1 ) = (0. (b) A imagem. z. t). e4 } ´ e a base canˆ onica de I R4 . 2. z. (c) A matriz de representa¸ ca ˜o. para (x. y ) = (x + 2y. z ) = (x − z. t) ∈ I R4 .1998 1 1 A transforma¸ ca ˜o T : I R2 → I R2 ´ e definida por T (x. e3 . T (e2 ) = (1. em rela¸ ca ˜o a ` transforma¸ ca ˜o F ◦ T : (a) O n´ ucleo. z. −1) e T (e4 ) = (1. onde {e1 . 1) 12. y. Determine: (a) T (x. do quadrado representado na figura acima ´ e: 101 CEDERJ . t + z. 13. e2 . de um fator 3. 1). Prov˜ ao . por T . 1.MEC . 0.Exerc´ ıcios de revis˜ ao do M´ odulo 2 ´ MODULO 3 . y ). T (e3 ) = (−2. 1. (b) Determine o n´ ucleo de T . seguida de (2) uma contra¸ ca ˜o de fator 1/4. 0. 1).

1) (c) T (x. z. y. 0. t) = (1. 16. t) = (x. y. z − t) 17. y. 0. z ) = (z. 1. t) ∈ I R4 . Quais das aplica¸ co ˜es abaixo s˜ ao operadores 4 lineares do I R ? (a) T (x. Representar graficamente a reta r : y = x e a imagem de r pela transforma¸ ca ˜o linear do I R2 dada por T (x. y. z. 5) e T (1. x + y ) e F (x. y − z. z. y ) = (−x + y. y ) = 3x − y . 1. x + t. z. Seja v = (x. y. z. Determine uma f´ ormula para a transforma¸ ca ˜o F ◦ T . 1) = (1. 4) (d) T (x. x + y ). 0) (b) T (x. CEDERJ 102 . t) = (0. 2. t) = (x + y. y.Exerc´ ıcios de revis˜ ao do M´ odulo 2 Álgebra Linear 1 1 0 1 a) 2 3 1 0 1 b) 2 3 1 1 c) 1 2 d) 1 1 e) 2 14. Sejam T : I R3 → I R2 e F : I R2 → I R as transforma¸ co ˜es lineares definidas por T (x. 2) = (0. z. 3. Determine T ∈ L(I R2 tal que T (1. y. t) + (1. 15. 1).

y. z ) 20. e2 . A matriz  3 −1 2  representa um operador linear T ∈ I −1 0 −2 Determine: (a) T (1.AULA 28 18. Seja {e1 . do I R2 . 19. 103 CEDERJ . 3) e sua imagem por T . Dada a matriz 0 1 de uma transforma¸ ca ˜o linear T . 1) (b) T (x. repre−1 0 sentar num gr´ afico o vetor v = (2. T (e3 ) = e2 + e3 . Determine: (a) T (e1 + e2 + e3 ) (b) T (2e1 − 3e2 + e3 )   1 −2 0   R3 . e3 } a base canˆ onica de I R3 e T ∈ I R3 tal que T (e1 ) = e2 . T (e2 ) = e1 + e3 .Exerc´ ıcios de revis˜ ao do M´ odulo 2 ´ MODULO 3 . 1.

Ent˜ ao T −1 (x. ent˜ ao ´ e porque essa reta ´ e paralela ao eixo Oz . z ) ∈ I R3 . x − y. paralela ao eixo Oz . y. −x/13 + 3y/13). 0. Logo. z ) = (x. A transforma¸ ca ˜o de I R3 em I R3 . Logo. 2. y. o operador T ´ e invers´ ıvel e [T −1 ] = [T ]−1 = 3/13 4/13 −1/13 3/13 (b) [T ] = = . O n´ ucleo da transforma¸ ca ˜o linear T : I R3 → I R3 definida por T (x. o operador T ´ e invers´ ıvel e [T −1 ] = [T ]−1 = 1/2 1/2 1/2 −1/2 .   1 0 0   (d) [T ] =  1 e invers´ ıvel. 0. A alternativa correta ´ e a letra (c). y. y. x − y. Logo. 0) ´ e a proje¸ ca ˜o sobre o plano xy . o 2 1 1 operador T n˜ ao ´ e invers´ ıvel. 0 −1  ⇒ det [T ] = −1 = 0 ⇒ [T ] ´ 1 −1 −1 Logo. 0)} = {(x. Isso nos leva ao sistema linear   z=0 homogˆ eneo ca ˜o ´ e {(x. 0)}. Logo. 1. Neste exerc´ ıcio tamb´ em poder´ ıamos verificar se o n´ ucleo de T ´ e ou n˜ ao o subespa¸ co nulo. y ) = (x/2 + y/2. 3. ´ e o conjunto N (T ) = {(x. (a) [T ] = 3 −4 1 3 ⇒ det [T ] = 9 + 4 = 13 = 0 ⇒ [T ] ´ e in3 −4 1 3 −1 vers´ ıvel. Invertendo a matriz [T ]. y. 0)]. 0). y ) = (3x/13 + 4y/13. x ∈ x − y = 0 . 1 1 1 −1 ⇒ det [T ] = −1 − 1 = −2 = 0 ⇒ [T ] ´ e in1 1 1 −1 −1 vers´ ıvel. z ) ∈  I R3 . Ent˜ ao T −1 (x. =  1 0 1   (c) [T ] =  1 1 0  ⇒ det [T ] = 0 ⇒ [T ] n˜ ao ´ e invers´ ıvel. a alternativa correta ´ e (d). −z ). −z ) = (0. ´ e um ponto. por P . o operador T ´ e invers´ ıvel e [T −1 ] = [T ]−1 . Se a imagem de uma reta r. x/2 − y/2). CEDERJ  104 . x ∈ I R} = {x(1. T (x. 1. cuja solu¸   −z = 0 I R} = [(1. 0). definida por P (x. x. y. (z. z ) = (z.Exerc´ ıcios de revis˜ ao do M´ odulo 2 Álgebra Linear 1 Resolu¸ c˜ ao dos exerc´ ıcios 1. z ) = (0.

y = 3. 1 − 2k. com k ∈ I R. −1) = 3v1 + 7v2 v2 = (4/13.  1 2 3   ao ´ e invers´ ıvel.Exerc´ ıcios de revis˜ ao do M´ odulo 2 ´ MODULO 3 . y. 5/13) Logo. Ent˜ 1 −1 0  Seja y. 7. −4) v2 = 3(1. Seja B = {v1 . −1) Logo. 5/13)}. 5. −16/13) ⇒ (1. −1)}. (10. y − z. A = {(1. B = {(−5/13.  que  v = (x. −16/13). obtemos [T ]−1 (x. 4. (a) det  3 −2 1  = −2 = 0 ⇒ T ´ 0 −1 0  −1   1 0 1 −1/2 1/2 −1     (b) [T −1 ] = [T ]−1 =  3 −2 1  =  0 0 −1  ⇒ 0 −1 0 3/2 −1/2 1 −1 T (x. 2) + 2(1. 2) = −1v1 + 2v2 v1 = (−5/13. Ent˜ ao: v1 = −1(1. v = (1.   1 0 0   = 0 ao T −1 (x. v2 }. 6. z ) tal T (v ) = (2 . det  2 3 4  = 0.   2 x 1 2 3  x + 2y + 3z = 2      Ent˜ ao  2 3 4   y  =  3  ⇒ 2x + 3y + 4z = 3 ⇒ v pode ser   3x + 5y + 7z = 5 5 z 3 5 7 qualquer vetor da forma (k. −1) = (1. Ent˜ ao (1. −1) = (10. y. 105 CEDERJ . (4/13. 3. 5). 2) + 7(1. Logo. −x − y − z/2). Seja A = {v1 . 3. z ) = 1 −1  . x/2 − z/2. −4).AULA 28 por escalonamento. k ). T n˜ 3 5 7   1 0 1   e um isoformismo. z ) = (−x/2 + 3z/2. x − y ).        1 0 1 x −1  x + z = −1      (c)  3 −2 1   y  =  −5  ⇒ 3x − 2y + z = −5 ⇒   0 −1 0 z −3 −y = −3 ⇒ x = 1. Logo. −2). z = −2. v2 }.

0)} ⇒ . t) = (0. 11. vamos obter as coordenadas de v = (5.A [v ]B = ([I ]A. [T ]B = 3 1 −7 −3 x y − 2x . 0 1 1 0 1/4 0 0 1/4 reflex˜ ao em torno da reta y = x: . Determine:    y − 2z + t = 0 4 (b) N (T ) = {(x. z. y = −3z. 2) = (3. e2 . T (e3 ) = (−2. Seja a transforma¸ ca ˜o linear T : I R4 → I R3 tal que T (e1 ) = (0. 0 1 1 0 . 2) + b(0. . onde {e1 . T (x. y. Da´ ı. 0 −1 1 0 = 1/4 0 3/4 −1/4 . 3 −7 e 1 −1 = B 1 −3 . 2. [v ]A  1  = 2 4 = [I ]B. 1). ⇒ rota¸ ca ˜o anti-hor´ aria de π/2 rd: contra¸ ca ˜o de fator 1/4: 0 −1 1 0 . 2y + z + t.B )−1 [v ]B =       −1  13 −2 −3 4 −1 −2 1 1         3 1   3  =  1 −3/2 1/2   3  =  −4 . 1/4 0 0 1/4 . 1) = (1. Ent˜ ao −7 [T (v )]B = [T ]B [v ]B = 10. −1) (a) T (1. z. 2y + z + t = 0   x+y−z+t=0 4 O conjunto-solu¸ ca ˜o desse sistema ´ e {(x. z. 0. −1) e T (e4 ) = (1. y. −1). 3) em rela¸ ca ˜o 5 a ` base B . 3 1 −7 −3 5 −7 = 8 −14 . usando a f´ ormula j´ a obtida no item anterior: [v ] B = . Logo. uma poss´ ıvel maneira de caracterizar o n´ ucleo de T ´ e escrevendo CEDERJ (a) T (x. 1) ⇒ a = x e b = y − 2x ⇒ 3 −1 = B x y = B (b) Primeiramente. cisalhamento na dire¸ ca ˜o y . 1. z.Exerc´ ıcios de revis˜ ao do M´ odulo 2 Álgebra Linear 1 9. 8. de um fator 3: A matriz procurada ´ e: 1 0 3 1 . t) ∈ I R . e3 . e4 } ´ e a base 4 canˆ onica de I R . (x. y. y ) = a(1. 1 0 3 1 . −11 5 3 −5/2 1/2 5 9 1 T (0. y. x + y − z + t) 106 . 1). t = 5z }. x = −z. 0. T (e2 ) = (1. t) = (y − 2z + t. 1. 1). t) ∈ I R .

Como T est´ a definida de I R4 em I R3 . 13. t ∈ I R} = {x(1. y. (c) Pelo teorema do n´ ucleo e da imagem. (a) N (F ◦T ) = {(x. Logo. Ent˜ ao T (u) = T (x. 5k ). 1)]. temos: dim I R 4 = dim N (F ◦ T )+ dim Im(F ◦ T ). y ) = (x − y. vimos que o n´ ucleo de T ´ e gerado por apenas 1 vetor. −3. dim N (F ◦ T ) = 2. dim I R4 = dim N (T ) + dim Im(T ). k ∈ I R. t). 0) = (1. y. 0) (F ◦ T )(0. na dire¸ ca ˜o do eixo x. 1. 1. Im (F ◦ T ) = I R2 (isto ´ e. 0. (Isto ´ e. 0) = (0. Logo. 0.) (d) Seja u = (x. −1 − 3k. 0. tamb´ em ´ e gerador. No item (b). z. n˜ ao nulo. z. t) ∈ I R4 . x + y − z + t) = (1. −t. t) = (y − 2z + t. 0. 0) = (−1. Da´ ı. k. z. dim N (T ) = 1. 0. t) = F (x. 1. −1.Exerc´ ıcios de revis˜ ao do M´ odulo 2 ´ MODULO 3 . 1) ⇒   y − 2z + t = 1 ⇒u´ e qualquer vetor de I R4 da forma 2y + z + t = 0   x+y−z+t=1 (−k. 1. x = y e z = −t} = {(x. (x−y. −3k. −3. y. x.: O vetor (−1. t) ∈ I R4 . 0).AULA 28 N (T ) = {(−k. 1) = (0. que ´ e a dimens˜ ao do contradom´ ınio (I R2 ). F ◦T ´ e sobrejetora. [0. (c) Como (F ◦ T )(1. 5) ´ e um gerador do n´ ucleo de T . 0. dim Im(F ◦ T ) = 2. 0. 5)]. t + z.) . t) = F (T (x. A transforma¸ ca ˜o dada ´ e um cisalhamento. mas qualquer outro m´ ultiplo desse vetor. 0. x. z. 0. y. k ∈ I R} = [(−1. 4 = 1 + dim Im(T ) ⇒ dim Im(T ) = 3. 2y + z + t. 0. y. 0)} ⇒ x−y =0 2t + 2z = 0 Ent˜ ao N (F ◦ T ) = {(x. 1. −1. 2t+2z ) = (0. Obs. 1. 0) + t(0. 0. de um fator 2. t). k. T ´ e sobrejetora. 2). 2t + 2z ). 0) (F ◦ T )(0. z. 2) (F ◦ T )(0. y. 1)} = [(1. 1 −1 0 0 temos que [F ◦ T ] = 0 0 2 2 (b) Pelo teorema do n´ ucleo e da imagem. Vamos obter a f´ ormula da composta F ◦ T : (F ◦ T ) : I R4 → I R2 ´ e dada por (F ◦ T )(x. 2 + 5k. concluimos que Im(T ) = I R3 . 107 CEDERJ . Pelo item (b). 12. O gr´ afico que espelha a imagem do quadrado dado ´ e o da letra (a). Logo. z.

16. 1)] =  3 −1 2  .  y  =  3x − y + 2z  ⇒ −x − 2z z −1 0 −2 T (x. z )] ==  3 −1 2  . (a) T (e1 + e2 + e3 ) = T (e1 ) + T (e2 ) + T (e3 ) = e2 + e1 + e3 + e2 + e3 = e1 + 2e2 + 2e3 . Os vetores (1. y. 1. 9x − 4y ). 1) ⇒ T (x. 2)) = (2x−y )T (1. 15.Exerc´ ıcios de revis˜ ao do M´ odulo 2 Álgebra Linear 1 14.      1 −2 0 1 −1       (a) [T (1. Resposta: (a). 1.       x − 2y x 1 −2 0       (b) [T (x. z ) = F (T (x. x + y ) = 3z − (x + y ) = −x − y +3z. Vamos expressar (x. 2) ⇒ b=y−x a + 2b = y Ent˜ ao T (x. y. 1) = −1 0 −2 1 −3 (−1. (b) T (2e1 − 3e2 + e3 ) = 2T (e1 ) − 3T (e2 )+ T (e3 = 2e2 − 3e1 − 3e3 + e2 + e3 = −3e1 + 3e2 − 2e3 . y ) nessa base: a = 2x − y a+b=x ⇒ (x. 2) = (2x − y )(1. 1)+(y −x)T (1. y. 2) formam um base de I R 2 . −x − 2z ).  1  =  4  ⇒ T (1. 1) + (y − x)(1. y ) = (2x − y. y. −3). (F ◦ T )(x. 5) + (y − x)(0. z ) = (x − 2y. CEDERJ 108 . y ) = T ((2x − y )(1. 3x − y + 2z. 1) + b(1. 4. 1) e (1. (d) 18. z )) = F (z. y ) = a(1.  19.