UDESC - UNIVERSIDADE ESTADUAL

DE SANTA CATARINA
CENTRO DE CIÊNCIAS TECNOLÓGICAS - CCT
DEPARTAMENTO DE MATEMÁTICA - DMAT

APOSTILA DE ÁLGEBRA LINEAR II

JONES CORSO

Joinville - SC - 2014

ii

Sumário

1 MATRIZES 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Tipos de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Operações com matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Adição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Multiplicação por escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Multiplicação de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.4 Matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.5 Matriz ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.6 Potência de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.7 Traço de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.8 Expressões polinomiais envolvendo matrizes . . . . . . . . . . . . . . . . . 9
1.4 Matriz na forma escada reduzida por linhas . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Operações elementares linha . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Posto de uma matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Cálculo da inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6.1 Cálculo da inversa por escalonamento . . . . . . . . . . . . . . . . . . . . . 13
1.7 Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7.1 Cálculo do determinante por triangulação . . . . . . . . . . . . . . . . . . . 15
1.7.2 Cálculo do determinante por difrentes métodos . . . . . . . . . . . . . . . . 16
1.8 Primeira lista de exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8.1 Algumas respostas e sugestões . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.9 Apêndice - Cálculo da inversa por adjunta . . . . . . . . . . . . . . . . . . . . . . . 22

2 SISTEMA DE EQUAÇÕES LINEARES 25
2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
iii

2.2 Sistemas e matrizes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Solução de um sistema por matriz inversa . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Segunda lista de exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4.1 Algumas respostas e sugestões . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5 Apêndice - Regra de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3 ESPAÇOS VETORIAIS 41
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2 Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3 Intersecção de dois Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4 Combinação Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5 Dependência e Independência Linear . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.6 Subespaços Gerados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.7 Soma de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.8 Base e Dimensão de um Espaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . 61
3.8.1 Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.8.2 Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.8.3 Dimensão da Soma de Subespaços Vetoriais . . . . . . . . . . . . . . . . . . 67
3.8.4 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.9 Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.10 A Inversa da Matriz de Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . 72
3.11 Terceira lista de exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.11.1 Algumas respostas e sugestões . . . . . . . . . . . . . . . . . . . . . . . . . 79

4 TRANSFORMAÇÕES LINEARES 83
4.1 Propriedades das Transformações Lineares . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Transformações Lineares e Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.2.1 Transformação linear associada a uma matriz . . . . . . . . . . . . . . . . . 94
4.2.2 Matriz de uma transformação linear . . . . . . . . . . . . . . . . . . . . . . 98
4.3 Composição de transformações lineares . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 A Inversa de uma transformação linear . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.5 Quarta lista de exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.5.1 Algumas respostas e sugestões . . . . . . . . . . . . . . . . . . . . . . . . . 113
iv

. . . . . . . . . . . . . . . . . 171 7. .3. . . . . . . . . . . . . . . . . . . . . . . 148 6. . . . . . . . . . . . . . . . . . . .4 Coordenadas em relação a Bases Ortonormais . . .2 Base ortogonal . . . . . . .1 Conjunto Ortogonal de Vetores . . . . . . . . . . . . . . .5. . . . . . . . . . . . . .1 Transformações especiais no plano e no espaço . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176 7. . . . . . . . .5 OPERADORES LINEARES 117 5. . . . . . . . . . . . . .1.1 Algumas respostas e sugestões . . . . . . . Distâncias e Ângulos em Espaços com Produto Interno . . . . . . . . . . . . . . . . . . . . .2. . . . . 130 5. . . . . . . . . . . . .2 Matrizes Semelhantes . . . . 173 7. . . . . .2 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . .6. . . . . . . .5 Coordenadas em relação a Bases Ortogonais . . . . . . .1 Transformações no Plano . . . . . . . . 149 6. . 157 6. . . . . . . . . . . . . . . . .4 Quinta lista de exercı́cios . .1 Processo de Ortogonalização de Gram-Schmidt . . 172 7. . . . . . . . . . . .6 Fatoração QR . . . . . . 117 5. . . . . 137 6 AUTOVALORES E AUTOVETORES 139 6. . . . . . . . 117 5. . . .5 Encontrando Bases Ortogonais e Ortonormais . . . . . . 141 6. . . . . . .7 Solução de Mı́nimos Quadrados de Sistemas v Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . .1 Polinômio Caracterı́stico . . . . . . . . . . . .3 Base ortonormal . . . . . . . . . . 174 7.2.1 Matriz Diagonalizadora . . . . . . . . . . . . . 181 . . . . . . . . . . . 169 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 5. . . . . . . . .1. . . . . . . . . . . . . 174 7.1 Normas. . . . . . . . . . . . . . . . . . . . . . . . .1 Algumas respostas e sugestões . . . . . . . . . . . . . . . . 178 7. . . . . . . . .4 Projeções Ortogonais . . . . . . . . . . . . . . .2 Transformações no Espaço . . .1 Autovalores e autovetores de uma matriz . . . . . . . . . . . . . 176 7. . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 7. . . . .3 Complementos Ortogonais . . . 152 6. . . . . . . . . . . . 172 7.5 Sexta lista de exercı́cios . . . .2. . . . . . 155 6. . . . . . . . . . 161 7 PRODUTO INTERNO 165 7. . . . . . . . . . .2. 135 5. . . . . . . . . . . . .3 Diagonalização de Operadores . . . . . . . . . 133 5. . 175 7. . . . .4 Calculando potências de uma matriz . . . . . .1 Aplicação da fatoração QR . . . . . . . . . . . . . . . . .3 Operadores autoadjuntos e ortogonais . . . .5. . .2 Propriedades dos operadores inversı́veis . 180 7. . . . . . . .

. . . . . 189 8. . . . . . . . 195 vi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . 184 8 APLICAÇÕES 189 8. . . . .3 Aplicações de autovalores e autovetores na engenharia civil .1 O Problema de autovalor na avaliação de modelos estruturais de edificações . . . .2 Aplicações de espaços vetoriais na computação gráfica . 7. . . . . . 190 8. . . 195 8. .1 Aplicações da Álgebra Linear na Engenharia Cartográfica . . . . . .8 Sétima lista de exercı́cios . . . . . . . .

O tamanho de uma matriz é descrita em termos do número de linhas (fileiras horizontais) e de colunas (fileiras verticais) que contém. Quando discutimos matrizes.1 Introdução Exemplo 1 A seguinte coleção retangular de três linhas e sete colunas descreve o número de horas que um estudante se dedicou a três matérias durante uma determinada semana: segunda terça quarta quinta sexta sabado domingo Matemática 2 3 2 4 1 4 2 Biologia 0 3 1 4 3 2 2 Fı́sica 4 1 3 1 0 0 2 Se nós suprimirmos os tı́tulos.Capı́tulo 1 MATRIZES 1.1 Chama-se matriz de ordem m × n a uma tabela de m · n elementos dispostos em m . denominada matriz:   2 3 2 4 1 4 2     A= 0 3 1 4 3 2 2    4 1 3 1 0 0 2 Uma matriz é um agrupamento retangular de números. Exemplo 2 Definição 1. ficaremos com a seguinte coleção retangular de números com três linhas e sete colunas. é usual chamar as quantidades numéricas de escalares. Os números neste agrupamento são chama- dos entradas da matriz.

C=  . Tipos de Matrizes linhas e n colunas:   a11 a12 .   1       1  2           2   3  Exemplo 3 A = [1]1×1 . C......    ...... A entrada que ocorre na i-ésima linha e j-ésima coluna de uma matriz A é denotada por ai j . amn Notação: Costumamos denotar as matrizes por letras latinas maiúsculas:A... B. .. N = [0]   0 0 0 0 0 0    0 0 0 0 0 0 Observação 1 Denotaremos freqüentemente a matriz nula por 0....    3   . para 1 ≤ i ≤ m e 1 ≤ j ≤ n... Notação mais compacta [ai j ]m×n ou [ai j ] quando não é dado ênfase ao tamanho da matriz.2 1. 1... ....        4  999  4×1   1000 1000×1 Matriz linha É a matriz de ordem 1 × n. D = −1 −2 −3 −4 −5 −6 −7 −10 1×8 Matriz Nula [ ] É a matriz A = ai j m×n onde ai j = 0. [ ] Exemplo 4 A = [1]1×1 ... Exemplo 5   0 0 0 0 0 0      0 0 0 0 0 0   M=  . .    am1 am2 .2. .. a1n      a21 a22 ... a2n  A=  .2 Tipos de Matrizes Matriz coluna É a matriz de ordem m × 1. B=    ..

. ann } Exemplo 7   3 0 A = [0]1×1 .2. ai j = 1 para i = j e ai j = 0 para i ̸= j. 0    0 0 ··· 0 ann Notação: diag(A) = {a11 . a matriz identidade é o elemento neutro da multiplicação de matrizes.   0 . . É usual indicar [I].    an1 · · · ann Os elementos da forma aii constituem a diagonal principal Os elementos ai j em que i + j = n + 1 constituem a diagonal secundária. Exemplo 6   3 −2 A = [0]1×1 . ··· . .   0 . B =   0 −11 Matriz identidade ou unitária Temos a diagonal principal com elementos iguais a um e todos os outros elementos iguais a zero. Também podemos dizer que é a matriz diagonal I onde diag(I) = {1. .. n linhas e n colunas. ou seja. .1. . ou seja.. .  A= . · · · .. . .. ··· .. 1}. · · · . ··· ··· 0     .     . .  A= . Observação 2 Como 1 é o elemento neutro da multiplicação entre números.. B =   1 −7 Matriz diagonal [ ] Matriz diagonal é a matriz quadrada A = ai j onde ai j = 0 para i ̸= j :   a11 0 ··· 0 0    . .   a11 · · · a1n    .. Notação: In representa a matriz identidade de ordem n... . Tipos de Matrizes 3 Matriz quadrada É a matriz de ordem n × n.

. .. cujas linhas são as colunas de A... se ai j = a ji . ··· . a1n a a .............. .    . amn a1n a2n . . AT é denominada a transposta de A.   0 1  ..... 0    0 0 ··· 0 1 Matriz transposta [ ] [ ] Dada uma matriz A = ai j m×n .. .... I100 =   1 0 . . .     a a12 .. isto é... .      am1 am2 .   ⇒ A T =  12  ..... Assim..4 1. os elementos simetricamente opostos à diagonal principal são iguais.. N=    1 0 9 8 7 ...   0 0 ··· . a2n   a a22 . isto é. bi j = a ji ... ..2. Exemplo 11   1 5 9       0 1 S =  5 3 8 . Tipos de Matrizes Exemplo 8   1 0 ··· ··· 0        0 1 0 ··· 0     ... am2  A=  ..   . am1  11   11 21       a21 a22 .. I2 =   ... ....... podemos obter uma outra matriz AT = bi j n×m . amn m×n n×m Exemplo 9     1 2 3 4 1 11 21 31          11 12 13 14   2 12 22 32      ⇒A = T A=   21 22 23 24   3 13 23 33      31 32 33 34 4 14 24 34 Exemplo 10   −1      −2  [ ]     D = −1 −2 −3 −4 −5 ⇒ D =  −3  T 1×5      −4    −5 5×1 Matriz simétrica [ ] Uma matriz quadrada S = ai j é simétrica se ST = S.

Exemplo 12   0 3 4     A =  −3 0 −6    −4 6 0 Matriz triangular superior [ ] A matriz quadrada A = ai j que tem os elementos ai j = 0 para i > j é chamada matriz triangular superior.1 Adição [ ] [ ] Dados A = ai j m×n e B = bi j m×n definimos A + B por. i) os elementos da diagonal principal são todos nulos: ii) os elementos simetricamente dispostos em relação à diagonal principal são opostos.3 Operações com matrizes 1. Assim. C =       7 4 −2 0   0 0 2 0      9 1 2 6 0 0 0 2 1. isto é.1. se ai j = −a ji . I10000  0 0 −2 3  0 0   0 0 0 6 Matriz triangular inferior [ ] A matriz quadrada A = ai j que tem os elementos ai j = 0 para i < j é chamada matriz triangular inferior. Operações com matrizes 5 Matriz anti-simétrica [ ] Uma matriz quadrada A = ai j é anti-simétrica se AT = −A. Exemplo 13   5 4 7 9        0 3 −8 4  0 1 A=  .3. [ ] A + B = ai j + bi j m×n .3. B =    . Exemplo 14     5 0 0 0 1 0 0 0          4 3 0 0   0 2 0 0  B=  .

. A + (B +C) = (A + B) +C 3.2 Multiplicação por escalar [ ] Seja A = ai j m×n e k um número real definimos kA por [ ] kA = kai j m×n Exemplo 15     2 10 −4 −20 −2  =  1 −3 −2 6 Propriedades 1. onde n ci j = ∑ aik bk j = ai1b1 j + . A + 0 = A 1. Operações com matrizes Propriedades 1.2 1.3.6 1. 0A = 0 4. (k1 + k2 )A = k1 A + k2 A 3. k1 (k2 A) = (k1 k2 )A 1.3 Multiplicação de Matrizes [ ] [ ] [ ] Sejam A = ai j m×n e B = bi j n×p ..1 1... definimos A · B por AB = ci j m×p . k(A + B) = kA + kB 2. + ainbn j k=1 Observe que o número de colunas de A deve ser igual ao número de linhas de B. Exemplo 16       2 1   2 · 1 + 1 · 0 2 · (−1) + 1 · 4 2 2   1 −1              4 2  =  4 · 1 + 2 · 0 4 · (−1) + 2 · 4 = 4 4    0 4     5 3 2×2 5 · 1 + 3 · 0 5 · (−1) + 3 · 4 5 7 3×2 .3. A + B = B + A 2.3.

então: Propriedades 1. (AB)T = BT AT Exemplo 17 Mostre que se A é uma matriz quadrada então A + AT é simétrica e A − AT é anti- simétrica. Operações com matrizes 7 Se os tamanhos das matrizes são tais que as operações indicadas podem ser efetuadas. ou seja. 1. (λ A)T = λ AT . (A + B)T = AT + BT 2.4 Matriz inversa [ ] Dada uma matriz quadrada A = ai j . AI = IA = A 2. (AB)C = A(BC) 5.1. 7 2 −7 11 Dizemos que uma matriz A é inversı́vel (não singular) se existe a matriz inversa A−1 .4 Matriz transposta 1. Exemplo 18     11 3 2 −3 A= .3. (A + B)C = AC + BC 4. A−1 =  . (AT )T = A 4. A(B +C) = AB + AC 3. onde λ é um númerto real 3. A−1 A = AA−1 = I. 0A = A0 = 0 Observação 3 Note que.3 Multiplicação de matrizes 1.5 . Propriedades 1. se existir uma matriz B que satisfaça AB = BA = I diz-se que B é a inversa de A e denota-se B por A−1 . Propriedades 1. em geral AB ̸= BA.3. caso contrário dizemos que a matriz A é não inversı́vel (singular).

. Se A é não singular.3.8 1. o produto AB é uma matriz não singular. Se as matrizes A e B são não singulares e de mesma ordem. sua transposta AT também é.6 Potência de uma matriz [ ] Seja A = ai j uma matriz quadrada de ordem n. dai concluimos que se det A ̸= 0 então det AT ̸= 0. A matriz identidade I é não singular (pois det I = 1) e I −1 = I.3. Se a matriz A é não singular. A é singular se determinante de A é igual a zero. · A} é chamada k-ésima potência de A para k ≥ 1. MM T = M T M = I Exemplo 21   √ 1 3 M= 2 √ 2 .     2 3 2 3 Exemplo 19 A =   =⇒ det   = −2 ⇒ A é não singular 2 2 2 2     1 10 1 10 Exemplo 20 B =   ⇒ det   = 0 ⇒ B é singular 1 10 1 10 1. A matriz inversa de AT é (A−1 )T . k vezes . isto é . Define-se A0 = I | · A ·{z 2.... Operações com matrizes 1. 4. sua inversa A−1 também é. 5. 3.5 Matriz ortogonal Uma matriz M. quadrada. isto é. a matriz Ak = A . A matriz inversa de A−1 é A. Se A admite inversa (det A ̸= 0) esta é única. Portanto M é ortogonal se M −1 = M T . se det A ̸= 0 então det A−1 ̸= 0. A é não singular se o determinante de A é diferente de zero. Vale a relação (AB)−1 = B−1 A−1 . ou seja. cuja inversa conicide com sua transposta é denominada matriz ortogonal.3. 6. Definimos as potências de A por: 1. 2. (AT )−1 = (A−1 )T . 3 −1 2 2 1.

define-se A−k = (A−1 )k . que denotamos por tr(A).1) e a0 é substituı́do por a0 I. b) Cada coluna que contém o primeiro elemento não nulo de alguma linha tem todos os seus outros elementos iguais a zero. isto é. A3 =   4 3 16 17 84 83 1.3. digamos m × m. determine P(A).7 Traço de uma matriz [ ] Seja A = ai j uma matriz quadrada de ordem n. . é a soma dos elementos da diagonal principal.2 Uma matriz m × n é linha reduzida à forma escada.3. daquelas que possuem pelo menos um elemento não nulo).1. A2 =   . Chamamos este número de lider ou pivô.   1 2 Exemplo 23 Seja P(x) = 3x2 − 2x + 5 e A =  . c) Toda linha nula ocorre abaixo de todas as linhas não nulas (isto é. k ∈ N Exemplo 22       1 2 9 8 41 42 A=  . o lı́der da linha inferior ocorre mais a direita da linha superior. então definimos P(A) = a0 I + a1 A + · · · + an An onde I é a matriz m × m que resulta quando x é substituı́do por A em (1. n tr(A) = a11 + a22 + · · · + ann = ∑ aii i=1 1.8 Expressões polinomiais envolvendo matrizes Se A é uma matriz quadrada. ou escalonada. se: a) O primeiro elemento não nulo de uma linha não nula é 1.1) é um polinômio qualquer. e se p(x) = a0 + a1 x + · · · + an xn (1. 0 −3 1.4. Matriz na forma escada reduzida por linhas 9 3. O traço de A. Se A for invertı́vel. isto é.4 Matriz na forma escada reduzida por linhas Definição 1.

1 Operações elementares linha São três as operações elementares sobre as linhas de uma matriz.4.   0 0 1 0   0 2 1     Exemplo 25  1 0 −3  não é forma escada..10 1.4. Exemplo 28     1 0 1 0          4 −1  L2 ↔ L3  −3 4      −3 4 4 −1 2. Não vale b).. Multiplicação da i − ésima linha por um escalar não nulo k (Li → kLi ). ..   0 0 0 0 0 1.. então k1 < k2 < . Cada coluna que contém um lı́der tem zeros nas demais entradas. Não vale a) e b).. Exemplo 29     1 0 1 0          4 −1  L2 −→ −3L2  −12 3      −3 4 −3 4 . e se o primeiro elemento não nulo da linha ı́ ocorre na coluna k1 .   1 0 0 0     Exemplo 24  0 1 −1 0  não é forma escada. 1.. p são as linhas não nulas.. Matriz na forma escada reduzida por linhas d) Se as linhas 1. Não vale c). Permuta da i − ésima e j − ésima linha (Li ↔ L j ). < kn .   1 0 0   0 1 −3 0 1     Exemplo 26  0 0 0 0 0  não é forma escada.   0 0 0 −1 2   0 1 −3 0 1     Exemplo 27  0 0 0 1 3  é forma escada.

Exemplo 32 Dada a matriz   2 1 3     A= 4 5 6    3 1 −2 obtenha uma única matriz B na forma escada linha equivalente a matriz A.4.     1 3 2 1 3 1    2 2    1    4 5 6  L1 → L1  4 5 6  L2 → L2 − 4L1   2   3 1 −2 3 1 −2     1 3 1 3 1 1  2 2   2 2      1  0 3 0  L3 → L3 − 3L1  0 3 0  L2 → L2     3 3 1 −2 0 − 21 − 13 2 . Substituição da i − ésima linha pela i − ésima linha mais k vezes a j − ésima linha (Li −→ Li + kL j ) Exemplo 30     1 0 1 0          4 −1  L3 −→ L3 + 2L1  4 −1 .     1 0 1 0         Exemplo 31  4 −1  é linha equivalente a  0 1  pois. dizemos que B é linha equivalente a A. Notação A ∼ B.     −3 4 −1 4 Observação 4 Se A e B são matrizes m × n.     −3 4 0 0     1 0 1 0          4 −1  L2 → L2 − 4L1  0 −1  L3 → L3 + 3L1     −3 4 −3 4       1 0 1 0 1 0              0 −1  L2 → −L2  0 1  L3 → L3 − 4L2  0 1        0 4 0 4 0 0 Teorema 1.1. se B for obtida de A através de um número finito de operações elementares sobre as linhas de A.1 Toda matriz A de ordem m × n é linha equivalente a uma única matriz linha-reduzida à forma escada. Matriz na forma escada reduzida por linhas 11 3.

obtenha uma matriz na forma escada equivalente a cada matriz dada.     1 0 0 0 1 0 1 0          1 0 1 0   0 1 0 1  a)      b)     0 1 0 1   0 1 0 1      −1 0 0 −1 0 1 1 1     1 3 −2 0 2 0 0 0 0 −2 0 7    12       2 6 −5 −2 4 −3 −1  c)  2 4 −10 6 12 28  d)        0 0 5 10 0 15 5  2 4 −5 6 −5 −1   2 6 0 8 4 18 6 1. Posto de uma matriz     1 3 1 3 1 1  2 2   2 2    1   2  0 1 0  L3 → L3 + L2  0 1 0  L3 → − L3   2   13 0 − 12 − 13 2 0 0 − 13 2       1 3 3 1 1 0 1 0 0  2 2   2     1   3    0 1 0  L1 → L1 − L2  0 1 0  L1 → L1 − L3  0 1 0    2   2   0 0 1 0 0 1 0 0 1 Exemplo 33 Dada as matrizes. onde n é o número de colunas de A e p é o posto de A.5.   1 2 1 0     Exemplo 34 Encontrar o posto e a nulidade da matriz: A =  −1 0 3 5    1 −2 1 1   1 0 0 − 78     A matriz A é linha equivalente a matriz B =  0 1 0 − 14  portanto o posto de A é 3 (o   11 0 0 1 8 número de linhas não nulas da matriz B) e a nulidade é n − p = 4 − 3 = 1 (n é o numero de colunas da matriz A e p é o posto de A) .12 1. linha equivalente à matriz A.5 Posto de uma matriz Dada uma matriz Am×n . seja Bm×n a matriz linha reduzida à forma escada. O posto de A. denotado por p. é o número de linhas não nulas de B e a nulidade de A é n − p.

  2 1 Exemplo 37 Calcular a inversa da matriz A =   por escalonamento.1.6. Cálculo da inversa 13   1 0 14  9     0 1 4  1 Exemplo 35 Encontrar o posto e a nulidade da matriz: A =      0 0 0    0 0 0 Posto A = 2 e nulidade de A é 3 − 2 = 1. através de operações elementares entre as linhas da matriz fazemos o seguinte: a) Coloca-se ao lado da matriz A a matriz I.6.1 Cálculo da inversa por escalonamento Para se determinar a matriz inversa de uma matriz A. Exemplo 36 Encontrar o posto e a nulidade da matriz:     2 1 10 2 1 10          0 1 14   0 1 1  A=  ⇒B=   4    1 2 0   0 0 − 43     8  1 3 0 0 0 0 Posto de A = 3 e nulidade de A é 0.6 Cálculo da inversa 1. aplicando simultane- amente à matriz I colocada ao lado da matriz A as mesmas operações elementares aplicadas à matriz A. 1. não singular. b) Transforma-se por meio de operações elementares a matriz A na matriz I. separada por um traço vertical tracejado. 4 3     1 1 2 1 1 0 1 0   L1 → 1 L1   L2 → L2 − 4L1 2 2 4 3 0 1 2 4 3 0 1     1 1 1 0 1 0 3 − 21  2 2 L1 → L1 − 1 L2  2  0 1 −2 1 2 0 1 −2 1 Logo   3 − 21 A−1 =  2  −2 1 .

Notação: det A. . .7. ..  A= . an−1n    an1 an2 · · · an−1n ann por .3 Determinante de uma matriz A é um número real associado à matriz A.   an−11 an−12 ··· . .7 Determinantes Definição 1.     . Denotamos também o determinante da matriz A.   a11 a12 · · · a1n−1 a1n      a21 a22 · · · a2n−1 a2n     . ... . .   3 1 2   2 1 0     Exemplo 39 Calcular a inversa da matriz C =  −3 1 4  por escalonamento. Determinantes   1 2 4     Exemplo 38 Calcular a inversa da matriz B =  0 2 1  por escalonamento.14 1.   1 6 5 1. .. ..

.

.

.

.

a11 a12 · · · a1n−1 a1n .

.

.

.

.

.

a21 a22 ··· a2n−1 a2n .

.

.

.

. .... . . . ...

det A = .

. . . . . .

.

.

.

..

an−11 an−12 · · · . an−1n

.

.

.

.

an1 an2 · · · an−1n ann .

Se na matriz A uma linha (ou coluna) é múltipla de outra linha (coluna) então det A = 0. det A = det AT . det(AB) = det A det B. Propriedades 1. Se a matriz A tem duas linhas ou colunas iguais então det A = 0. 3.6 1. . Se a matriz A possui uma linha ou coluna nula então det A = 0. 5. 2. 4.

7. 2. 3. Trocando a posição de duas linhas (colunas) o derminante muda de sinal.1.1 Cálculo do determinante por triangulação Para se calcular o determinante de uma matriz A usamos as operações elementares linha de modo a obter uma matriz triangular superior (ou inferior). A partir de det(AB) = det A det B temos 1 det(AA−1 ) = det I ⇒ det A det A−1 = 1 ⇒ det A = det A−1 1. O determinante de uma matriz triangular superior (ou inferior) é igual ao produto do elementos da diagonal principal. Assim. 4.   2 −1 1     Exemplo 40 A =  2 0 −1    3 −1 0 . temos: 1. Determinantes 15 6.7. Quando se multiplica uma linha (coluna) de uma matriz A por um número k ̸= 0 o determinante fica multiplicado por esse mesmo número. O determinante de uma matriz A não se altera quando se faz a seguinte operação entre linha: Li → Li + kL j .

.

.

.

.

2 −1 1 .

.

.

.

.

det A = .

2 0 −1 .

L2 ←→ L3 (Quando permutamos as linhas o determinante troca de sinal) .

.

.

.

.

3 −1 0 .

.

.

2 −1 1

.

.

.

.

(−1) det A = .

3 −1 0 .

L1 → 12 L1 (Quando multiplicamos uma linha por um número o determinante .

.

.

.

.

2 0 −1 .

fica multiplicado pelo .

mesmo número).

.

.

.

1 −1 1 .

.

2 2 .

.

.

1 (−1) det A = .

3 −1 0 .

L2 → L2 + (−3)L1 (Esta operação não altera o determinante) 2 .

.

.

.

.

2 0 −1 .

L3 → L3 − 2L1 .

.

.

.

.

1 −1 1 .

.

2 2 .

.

−3 .

.

1 (−1) det A = .

0 1 (Esta operação não altera o determinante) 2 .

2 2 .

.

.

.

0 1 −2 .

L3 → L3 − 2L2 .

7.16 1. Determinantes .

.

.

.

.

1 −1 1 .

.

2 2 .

.

−3 .

2 (−1) det A = .

.

0 2 .

(O determinante de uma matriz triangular superior é o produto dos elemen- 1 1 2 .

.

.

.

0 0 1 .

2 Cálculo do determinante por difrentes métodos Regra de Chió:   a11 a12 Se a matriz A é de ordem 2 × 2 então: det   = a11 a22 − a21 a12 a21 a22   5 1 Exemplo 1. tos da diagonal principal) 1 1 (−1) det A = ⇒ det A = −1 2 2   −3 1 4     Exemplo 41 B =  6 7 −1    1 −2 3   2 1 −1 2      −3 1 4 1  Exemplo 42 C =      1 6 5 −1    3 2 −3 −4   3 3 −2 −1      5 2 1 −2  Exemplo 43 D =      2 −1 1 −1    −1 4 1 5 1.1 det   = 5 ∗ 3 − 2 ∗ 1 = 13 2 3 Regra de Sarrus: Se A é é de ordem 3 × 3 a11 a12 a13 a11 a12   a a a ↘ ↘↗ ↘↗ ↗  11 12 13    A =  a21 a22 a23  ⇒ a21 a22 a23 a21 a22   a31 a32 a33 ↗ ↘↗ ↘↗ ↘ a31 a32 a33 a31 a32 det A = (a11 a22 a33 ) + (a12 a23 a31 ) + (a13 a21 a32 ) − (a31 a22 a13 ) − (a32 a23 a11 ) − (a33 a21 a12 ) .7.

. pois ela possui dois elementos nulos).8.1. Se chamarmos ∆i j = (−1)i+ j det Ai j então n det An×n = ∑ ai j ∆i j j=1 Exemplo 44   −1 2 3 −4      4 2 0 0  A=     −1 2 −3 0    2 5 3 1 Vamos calcular o determinante da matriz fazendo o desenvolvimento pela primeira linha (note que seria mais conveniente desenvolver pela segunda linha. Primeira lista de exercı́cios 17 Desenvolvimento de Laplace: Para uma matriz de ordem n × n usamos o desenvolvimento de Laplace qué é dado pela fórmula: n det An×n = ∑ ai j (−1)i+ j det Ai j j=1 onde Ai j é a submatriz obtida a partir da matriz A eliminando-se a i − ésima linha e a j − ésima coluna da matriz A.

.

.

.

.

.

.

.

.

2 0 0 .

4 0 0

.

.

.

.

1+2 .

.

det A = −1(−1)1+1 .

2 −3 0 .

+ 2(−1) .

−1 −3 0 .

.

.

.

.

.

.

.

.

.

5 3 1 .

.

2 3 1 .

.

.

.

.

.

.

.

.

.

4 2 0 .

4 2 0

.

.

1+3 .

.

1+4 .

.

+3(−1) .

−1 2 0 .

+ (−4)(−1) .

−1 2 −3 .

.

.

.

.

.

.

.

.

.

2 5 1 .

.

2 5 3 .

dê um contra-exemplo. Se uma matriz quadrada A for ortogonal então det A = ±1. det A = (−1)(1)(−6) + 2(−1)(−12) + (3)(1)(10) + (−4)(−1)(78) det A = 372. 1.1 Verifique se as afirmações abaixo são VERDADEIRAS ou FALSAS. 1. Se forem ver- dadeiras. demonstre. Se forem falsas.8 Primeira lista de exercı́cios Exercı́cio 1. .

onde I é a matriz identidade. Exercı́cio 1. Pergunta-se: 1.8.2 Seja A =   Determine o valor de x para que A seja uma matriz simétrica. 5.   2 x2 Exercı́cio 1.18 1. Se A = 1 2 −1 4 3  e D = −1 1 1 1 1 satisfazem a relação A−1 BA = D         0 0 1 −3 2  −1 4 1 2 1     2 3 1 0 1 2 1 2 1 2 então det B = 24. Se A e B são inversı́veis então A + B também é. A = S + N onde S é uma matriz simétrica e N é uma matriz anti-simétrica. então (ABC)−1 = C−1 B−1 A−1 . B. então B = C? Exercı́cio 1.5 Mostre que a matriz   cos θ − sin θ 0     M =  sin θ cos θ 0    0 0 1 . então det A = 0 7. Se A é não-inversı́vel e AB = 0 então B = 0 8. Se A. 4.C são matrizes tais que a multiplicação esteja definida.3 Mostre que toda matriz quadrada A pode ser escrita como a soma de uma matriz simétrica com uma matriz anti-simétrica. Sugestão: Determine S e N em função da matriz A. 6. então A−1 é anti-simétrica. Se A é uma matriz anti-simétrica de ordem 3. Se A é uma matriz simétrica então A + AT também é simétrica. 9.4 Suponha que A ̸= 0 e AB = AC onde A. Primeira lista de exercı́cios 2. B = C? 2. 2x − 1 0 Exercı́cio 1. tal que YA = I. Se A é uma matriz quadrada simétrica e B é uma matriz ortogonal então a matriz A + B−1 nunca será simétrica. ou seja. det(I + A) = 1 + det A 3. Se existir uma matriz Y . Se A é anti-simétrica inversı́vel. B e C são matrizes n × n inversı́veis.     2 3 −1 0 2 1 0 1 −1 4         1 1 0 5 −2  1 3 1 2 1         10.

madeira. mediterrâneo e colonial. A =   .   2 0 −1 3    1 1 2 0   3 0 0 0 0      19 18 0 0 0      2. quantas unidades de cada material serão empregadas? 2. A quantidade empregada em cada tipo de casa é dada pela matriz Ferro Madeira Vidro Tinta Ti jolo   Moderno 5 20 16 7 17     Mediterrâneo  7 18 12 9 21    Colonial 6 25 8 5 13 1. vidro. 15. Quais os valores que det Q pode ter? Exercı́cio 1.8 Um construtor tem contratos para construir 3 estilos de casa: moderno.8. 8.7 Dada uma matriz A de ordem m × n mostre que a matriz AAT é uma matriz simétrica de ordem m × m. respectivamente. A matriz AT A é simétrica? Qual sua ordem? Exercı́cio 1. A =  −6 π −5 0 0   √ √     4 2 3 0 0    8 3 5 6 −1 .1. Primeira lista de exercı́cios 19 é uma matriz ortogonal. PQ é uma matriz ortogonal? Justifique sua resposta. Se ele vai construir 5. Exercı́cio 1. mediterrâneo e colonial. 2. Suponha agora que os preços por unidade de ferro. 1.6 Sejam P e Q matrizes ortogonais de mesma ordem. 1 e 10 reais. Qual o custo total do material empregado? Exercı́cio 1.9 Calcule o determinante de A onde   3 −1 5 0      0 2 0 1  1. 5. tinta e tijolo sejam respecti- vamente. Qual o preço unitário de cada tipo de casa? 3.7 e 12 casas dos tipos moderno.

8. Primeira lista de exercı́cios   9 1 9 9 9     9 0 9 9 2     3.13 Existe alguma matriz ”inversı́vel”X tal que X 2 = 0? Justifique sua resposta.14 Encontre todos os valores de λ para os quais a matriz A − λ I4 tem inversa.   2 3 1 0    0 7 1 1   1 0 x     2. A =   .11 Encontre A−1 . calcular f (t) = det(A − tI2 ) e resolver a equação do segundo grau f (t) = 0.20 1. Exercı́cio 1.10 Mostre que det a b c  = (a − b)(b − c)(c − a)   a2 b2 c2 Exercı́cio 1. A = 4 0 0 5 0     9 0 3 9 0   6 0 0 7 0   1 1 1     Exercı́cio 1. A =  1 1 x2    2 2 x 2 Exercı́cio 1.12 Encontre os valores d k para os quais a matriz   k−3 0 3     A= 0 k+2 0    −5 0 k+5 e não inversı́vel. Exercı́cio 1. onde   4 −1 2 −2      3 −1 0 0  1. .15 Para a matriz A = (ai j )de ordem 2 definida por ai j = i + j. em que   2 0 0 0     2 0 0 0 A=    1 2 1 0   3 2 −1 2 Exercı́cio 1.

x = 1 1. 6 (F).Use a definição de matriz ortogonal. 10 det B = det D? 1. Primeira lista de exercı́cios 21 Exercı́cio 1.Partindo de ai j = si j + ni j e a ji = s ji + n ji iguale si j e s ji (Porque você pode fazer isso?) 1.Pense: o que significa uma matriz possuir uma inversa? 1.9 . 9 (V).1 (V). 1.1 Algumas respostas e sugestões 1. Evite calcular a inversa de M.12 .a) Ferro Madeira Vidro Tinta Ti jolo 146 526 260 158 388 b) Moderno 492 Mediterraneo 528 Colonial 465 c) O custo total será RS11.1.3 .1 .4 .8.5 . 5 (V). 7 (V). 1. 00 1.16 Para a matriz definida por:   a b M=  c d calcular f (t) = det(M − tI2 ) e resolver a equação do segundo grau f (t) = 0.Qual a transposta do produto de duas matrizes? 1.k = 0 ou k = −2 .8 . 4 (F).11 .736.a) A =  −1     11 14 −43 22    10 14 −41 21   1 − 2x 1  x    b) A−1 =  −1 − 1x (x − 2) x (x − 1) 1    0 2 x2 − x12 1..6 .a) det A = 12 b) det A = 0 c) det A = −12   −1 −1 24 −2      −3 −4 12 −6  1.2 .8. 2 (F). 3 (V).. 8 (V).

Cálculo da inversa por adjunta Dada uma matriz .t = 2 1. Apêndice .13 .16 .14 .22 1. 1. Portanto [ ] A = di j onde di j = (−1)i+ j det Ai j Exemplo 45   2 1 0     A =  −3 1 4    1 6 5   1 4 a11 = 2 ⇒ d11 = (−1)1+1 det   = 1 ∗ (−19) = −19 6 5   −3 4 a12 = 1 ⇒ d12 = (−1)1+2 det   = −1 ∗ (−19) = 19 1 5   −3 1 a13 = 0 ⇒ d13 = (−1)1+3 det   = 1 ∗ (−19) = −19 1 6   1 0 a21 = −3 ⇒ d21 = (−1)2+1 det   = −1 ∗ (5) = −5 6 5   2 0 a22 = 1 ⇒ d22 = (−1)2+2 det   = 1 ∗ (10) = 10 1 5   2 1 a23 = 4 ⇒ d23 = (−1)2+3 det   = −1 ∗ (11) = −11 1 6   1 0 a31 = 1 ⇒ d31 = (−1)3+1 det   = 1 ∗ (4) = 4 1 4 . λ ̸= 1 √ 1. denomindada matriz dos cofatores denotada por A. Dica: o fato de X ser inversı́vel é essencial na resolução. Com estes cofatores forma-se uma nova matriz A.9 Apêndice . onde Ai j é a submatriz de A obtida extraindo-se a i − ésima linha e a j − ésima coluna.Cálculo da inversa por adjunta 1. Mas a justificativa fica por sua conta.15 .λ ̸= 2.t = 3 ± 10 √ a+d± (a−d)2 −bc 1.9.Não. lembramos que o cofator di j do elemento ai j da matriz A é o elemento (−1)i+ j det Ai j . λ ̸= 0.

Teorema 1. Apêndice .1. para o exemplo anterior temos:   19 5 −4   1 1   A−1 = − (A ) = T  −19 −10 8  19 19   19 11 −5 .2 Uma matriz quadrada A admite inversa se e somente se det A ̸= 0. Neste caso 1 A−1 = (ad jA) det A Assim. chamaremos de matriz adjunta de A à transposta da T matriz dos cofatores de A e denotaremos ad j A. Portanto ad jA = A .Cálculo da inversa por adjunta 23   2 0 a32 = 6 ⇒ d32 = (−1)3+2 det   = −1 ∗ (8) = −8 −3 4   2 1 a33 = 5 ⇒ d33 = (−1)3+3 det   = 1 ∗ (5) = 5 −3 1   −19 19 −19     A =  −5 10 −11    4 −8 5 Definição 1.4 Dada uma matriz quadrada A.9.

Cálculo da inversa por adjunta .24 1. Apêndice .9.

+ a2n xn = b2  ... xn são as incógnitas.   ... isto é.. . .. xn e b é o termo independente. que satisfazem a equação constituem sua solução. . A um conjunto de equações lineares se dá o nome de sistema de equações lineares e tem a seguinte representação:    a11 x1 + a12 x2 + a13 x3 + . . isto é. x2 . . x3 . . + an xn = b na qual a1 .......... a3 . x3 .. x1 . Esses valores são denominados raı́zes das equações lineares. . . + amn xn = bm Os valores das variáveis que transformam simultaneamente as equações de um sistema de equações lineares em uma identidade.. + a1n xn = b1      a21 x1 + a22 x2 + a23 x3 + ..Capı́tulo 2 SISTEMA DE EQUAÇÕES LINEARES 2. a3 ......     am1 x1 + am2 x2 + am3 x3 + .. a2 .. ..1 Introdução Uma equação linear é uma equação da forma a1 x1 + a2 x2 + a3 x3 + . .. ... constituem sua solução. x2 . Os valores das variáveis que transformam uma equação linear em uma identidade. . que satisfazem a equação.. a2 . an e o termo independente b geralmente são números con- hecidos e as variá veis x1 . Diz-se que dois sistemas de equações lineares são equivalentes quando admitem a mesma solução...... . an são os respectivos coeficientes das variáveis.. ..... ... Os números a1 .

1. Neste caso. dizemos que o sistema é incompatı́vel. O sistema não possui nenhuma solução. Cada uma destas equações repre- sentam uma reta. O sistema possui uma única solução. 3. Introdução Exemplo 46 Os sistemas    2x + 3y = 11  10x − 2y = 38 e  −x + y = −3  −3x + 5y = −7 são equivalentes pois possuem as mesmas soluções. a solução de um sistema de duas equações será representada pela interseção de duas retas. Neste caso. dizemos que o sistema é compatı́vel e indeter- minado. três casos podem ocorrer: 1. b e c são números conhecidos. x = 4 e y = 1 Consideremos a resolução de duas equações a duas incógnitas:   a x+b y = c 1 1 1  a x+b y = c 2 2 2 onde x e y são as incógnitas e os a. O sistema possui infinitas soluções. Assim. Surgem três casos possı́veis na teoria: Exemplo 47   2x + y = 1  x − 2y = 3 Exemplo 48   2x − y = −1  2x − y = −2 Exemplo 49   x−y = 1  3x − 3y = 3 Assim. .26 2. dizemos que o sistema é compatı́vel e deter- minado 2. Neste caso. quanto as soluções.

. ......    am1 am2 · · · amn     x b  1   1       x2   b2  X =  .... Teorema 2.. . + a1n xn = b1      a21 x1 + a22 x2 + a23 x3 + . .2 Sistemas e matrizes. .. Também podemos representa-lo matricialmente utilizando as notações da teoria de matrizes da seguinte maneira: se   a11 a12 · · · a1n      a21 a22 ··· a2n  A=  ...    am1 am2 · · · amn | bm que chamamos matriz ampliada do sistema.1)   .      xn bm podemos escrever o sistema (2.. + a2n xn = b2 . B a matriz coluna dos termos independentes (bm ) e X é a matriz coluna das variáveis (xn ). Ao sistema (2.. .. · · · . . .1) na forma matricial: AX = B onde A é a matriz dos coeficientes (ai j ).    . + a x = b m1 1 m2 2 m3 3 mn n m com ai j ∈ ℜ... bm ∈ ℜ. .. 1 ≤ j ≤ n.2. . .    .   . 1 ≤ i ≤ m.    a11 x1 + a12 x2 + a13 x3 + . 27 2..2. | . Sistemas e matrizes... .1 Dois sistemas que possuem matrizes ampliadas equivalentes são equivalentes. .. .... ....... (2. Dado um sistema linear na forma.   .1) associamos a seguinte matriz:   a11 a12 · · · a1n | b1      a21 a22 · · · a2n | b2     . .. .   B=  ..    a x + a x + a x + .. . ... . .   .

3. O número de variáveis as quais deveremos atribuir valor é o grau de liberdade do sistema. Sempre que um sistema possuir infini- tas soluções deveremos atribuir valores a algumas variáveis e determinar o valor das outras variáveis em função destas. Exemplo 2. Sistemas e matrizes. o posto da matriz ampliada é igual ao posto da matriz dos coeficientes. Dada a matriz ampliada do sistema de equações lineares consideramos a matriz linha reduzida a forma escada obtida a partir da matriz ampliada do sistema Teorema 2.28 2. e somente se. Observação 5 Dado um sistema de m equações e n incógnitas seja Aa a matriz ampliada do sistema e seja Ae a matriz linha equivalente a matriz Aa onde a matriz dos coeficientes estão na forma escada. 2.2. dado pelo número n − p.2)     2x + 5x + 3x = −12 1 2 3 Matriz Ampliada   2 1 3 | 8     Aa =  4 2 2 | 4    2 5 3 | −12 . Se p < n o sistema é com- patı́vel e indeterminado (possui infinitas soluções). se p = n então o sistema é compatı́vel e determinado (possui uma única solução). ou números de variáveis) a solução é única.2 1. O número n − p é chamado grau de liberdade do sistema. Seja p = pa = pc . Se as duas matrizes tem o mesmo posto e p ̸= n podemos escolher n − p incógnitas e as outras incógnitas serão dadas em função destas. Seja pa o posto da matriz ampliada e pc o posto da matriz dos coeficientes obtidos a partir da matriz Ae . Se as duas matrizes tem o mesmo posto p e p = n (número de colunas da matriz dos coeficientes. Um sistema de m equações e n incógnitas admite solução se.1 Classificar e resolver o sistema:     2x + x2 + 3x3  1 = 8 4x1 + 2x2 + 2x3 = 4 (2. • Se pa ̸= pc então o sistema é incompatı́vel ( não possui solução) • Se pa = pc então o sistema é compatı́vel (possui solução).

onde a parte da matriz dos coeficientes está na forma escada   1 0 0 | 2     Ae =  0 1 0 | −5    0 0 1 | 3 De Ae obtemos: pc = 3.2.3)     x + 2y + 3z = −3   2 4 6 | −6     Aa =  3 −2 −4 | −38    1 2 3 | −3 . obtém-se    2x + 4y + 6z = −6   3x − 2y − 4z = −38 (2.2 Classificar e resolver o sistema:    = −6   4y + 2x + 6z −4z − 2y + 3x = −38     x + 3z + 2y = −3 Reescrevendo o sistema. x3 = 3 Exemplo 2.2) é x1 = 2. x2 = −5. p = pc = pa = 3 ⇒ sistema compatı́vel p = n ⇒ sistema compatı́vel e determinado (possui uma única solução) A matriz Ac é a matriz ampliada do seguinte sistema:      1 x =2 x2 = −5     x =3 3 Como sistemas equivalentes tem a mesma solução. pa = 3 e n = 3.2. 29 Matriz linha equivalente a matriz ampliada. Sistemas e matrizes. a solução do sistema (2.

3) é equivalente ao sistema   x − 1 = − 21 4z 2  y + 13 = 29 8z 8 Para encontrar uma solução (note que existem infinitas soluções) devemos atribuir valor a uma das variáveis (pois o grau de liberdade é 1) e determinar as outras.   1 0 − 14 | − 21  2    Ae =  0 1 8 13 | 8 29    0 0 0 | 0 Neste caso temos: n=3 pa = 2 pc = 2 ⇒ p = 2 p < n ⇒sistema compatı́vel e indeterminado (infinitas soluções) grau de liberdade = n − p = 1 O sistema (2. Sistemas e matrizes. daı́ temos infinitas soluções) Exemplo 2.3 Classificar e resolver o sistema:    6x − 4y − 2z = 3   x+y+z = 1     3x − 2y − z = 1   6 −4 −2 | 3     Aa =  1 1 1 | 1    3 −2 −1 | 1   5 | 10  1 7 1 0   3  Ae =  0 1 5 | 10  4   0 0 0 | − 12 Neste caso: n=3 .30 2. Note que fica mais fácil se atribuirmos valor a variável z : Por exemplo fazendo z = 0. temos que: x = − 41 4 e y = 29 8 ( Poderı́amos atribuir outro valor qualquer a z. e para cada valor de z teremos os valores correspondentes de x e y.2.

já que a multiplicação de matrizes não é comutativa). . Exemplo 50    −2x + 3y − z = 1   x − 3y + z = 1     −x + 2y − z = 1       −2 3 −1 1 x             C= 1 −3 1  B= 1  X = y        −1 2 −1 1 z   −1 −1 0     C−1 =  0 −1 −1    1 −1 −3 CX = B → X = C−1 B        x −1 −1 0 1 −2                y = 0 −1 −1   1  =  −2         z 1 −1 −3 1 −3 O próximo teorema apresenta resultados importantes sobre sistemas lineares e matrizes in- versı́veis.2.3 Solução de um sistema por matriz inversa Usando a notação matricial para sistemas lineares temos que CX = B (supondo que existe C−1 ) C−1CX = C−1 B (observe que estamos multiplicando C−1 pela esquerda) IX = C−1 B X = C−1 B Logo para se determinar a solução basta multiplicar a matriz inversa dos coeficientes pela matriz dos termos independentes (pela esquerda.3. Se a matriz C não tem inversa então ou o sistema não possui solução ou possui infinitas soluções. Solução de um sistema por matriz inversa 31 pc = 2 pa = 3 ⇒ pa ̸= pc ⇒sistema incompatı́vel (não possui solução) 2.

3 Seja a a 4 .  Exercı́cio 2.4.. AX = B tem exatamente uma solução para cada matriz Bn×1 .1 Resolva o sistema de equações. nenhuma solução. 2. 2.3 Se A uma matriz n × n. única solução. 2.. 4..32 2.4 Segunda lista de exercı́cios Exercı́cio 2.2 Considere o sitema linear x + 2y + 4z = 3 . b a e b o sistema tem 1. 0 a 2 . então as seguintes afirmações são equi-valentes: 1. é impossı́vel?   . Segunda lista de exercı́cios Teorema 2. 2    . Para quais valores de   . 3. a 0 b . A é equivalentes por linha à matriz In . 4 a matriz ampliada de um sistema linear. AX = 0 só tem a solução trivial. tem uma infinidade de soluções? 2. uma solução com duas variáveis livres? . Para que valores de a e b o sistema     x + 3y + az = b 1. escrevendo a matriz ampliada do sistema inicial e escrevendo  o sistema final do qual se obterá a solução do sistema original:   2x − y + 3z = 11      4x − 3y + 2z = 0     x+y+z = 6    3x + y + z = 4      x + y + 3z = 2 Exercı́cio 2. A é inversı́vel. 3. tem única solução? 3.

6 Determine k para que o sistema admita solução 5x − 4y = 0     2x − y = k Exercı́cio 2.2.11 Um sistema homogêneo com 3 equações e 4 incógnitas sempre tem uma solução não- trivial.7 Encontre todas as soluções do sistema    x + 3x2 + 2x3 + 3x4 − 7x5 = 14   1 2x1 + 6x2 + x3 − 2x4 + 5x5 = −2     x1 + 3x2 − x3 + 2x5 = −1 Exercı́cio 2. Exercı́cio 2. . Exercı́cio 2.4.      3 −4 2    2 −3 1    −4x + 3y = 2   Exercı́cio 2.4 Encontre a relação entre a.5 Reduza as matrizes à forma escada através de operações linhas:   1 −2 3 −1     1. quais são os possı́veis valores da nulidade de A? E se A for 4 × 2? Exercı́cio 2. Exercı́cio 2.12 Chamamos de sistema homogêneo de n equações e m incógnitas aquele sistema cujos termos independentes são todos nulos.9 Se A é uma matriz 3 × 5. Segunda lista de exercı́cios 33    x + 2y − 3z = a   Exercı́cio 2. Exercı́cio 2.  2 −1 2 3    3 1 2 3   0 2 2      1 1 3  2. b e c.8 Apresente todos os possı́veis resultados na discussão de um sistema não-homogêneo de 6 equações lineares com 4 incógnitas.10 Explique por que a nulidade de uma matriz nunca é negativa. b e c para que o sistema linear 2x + 3y + 3z = b seja     5x + 9y − 6z = c possı́vel para quaisquer valores de a.

14 Podemos resolver um sistema usando matriz inversa da seguinte forma: AX = B A−1 AX = A−1 B X = A−1 B Isto é útil quando desejamos resolver vários sistemas lineares que possuem a mesma matriz dos coeficientes. 2. 5. tais que o sistema homogêneo    2x − 5y + 2z = 0   x+y+z = 0 tenha uma solução distinta da solução trivial. Segunda lista de exercı́cios 1.16 Classifique o sistema e exiba uma solução.15 Resolva o sistema matricial D X = A onde D = diag(1. 3. Exercı́cio 2. caso ela exista:   2x + 4y + 6z = −6   3x − 2y − 4z = −38     x + 2y + 3z = −3 . 4.     2x + kz = 0 Exercı́cio 2.13 Se det A = 0. d) B =  311          3 100 100 511 −1  2. Um sistema homogêneo admite pelo menos uma solução.4.34 2.   1 2 −2     Usando a teoria acima resolva os sistema AX = B onde A =  2 5 −4  e   3 7 −5         1 −1 1000 111                 a) B =  2 . b) B =  3 . então o sistema homogêneo AX = 0 tem infinitas soluções? Justifique sua resposta. Qual é ela? 2. c) B =  10 . Encontre os valores de k ∈ R. 6) Exercı́cio 1 0 0 0 1 1      0 1 2 2 2 2       0 0 1 1 1 1  A=     0 0 0 1 −1 −1       0 0 0 0 1 0    0 0 0 0 0 1 Exercı́cio  2.

4 e 5 canhões do tipo MX9 respectivamente. é possı́vel. Indique a quantidade de soluções para cada caso. isto é.1 Algumas respostas e sugestões 2.a) a ̸= 0 e b ̸= 2 b) a = 0 e b ̸= 2 . quantos livros de cada tipo devem ser feitos por dia. z = 5 2. quantos projéteis serão necessários para o grupo dos BM4 no inı́cio da operação? Exercı́cio 2.3 . O total de canhões disponı́veis é igual a 530. BM4 e BM5. cada canhão carrega 12 projéteis.1 .18 Num grande acampamento militar há 150 blindados dos tipos BM3. Se for. equipados com 3. Se para o inı́cio de uma manobra militar. capa dura e encardenação de luxo.4. 11 horas por dia. 2. Justifique sua resposta.a) a = 5 e b = 4 b) a ̸= 5 e b ̸= 4 c) a = 5 e b ̸= 4 2.17 Uma editora publica um best-seller potencial com três encadernações diferentes: capa mole.2. y = 2. use a informação da tabela para determinar se o sistema AX = B é possı́vel. A soma dos BM4 com os BM5 corresponde aos 2 / 3 dos BM3.x = −1.4. Segunda lista de exercı́cios 35 Exercı́cio 2. Cada exemplar necessita de um certo tempo para costura e cola conforme mostra a tabela abaixo: Costura Cola Capa mole 1 min 2 min Capa Dura 2 min 4 min Luxo 3 min 5 min Se o local onde são feitas as costuras fica disponı́vel 6 horas por dia e o local onde se cola.2 . de modo que os locais de trabalho sejam plenamente utilizados? Exercı́cio 2.19 a) Em cada parte. determine o número de variáveis livres da solução geral. (a) (b) (c) (d) Tamanho de A 3×3 9×5 4×4 3×3 Posto de A 2 4 0 3 Posto de [A |B] 3 4 0 3 b) Para cada uma das matrizes da tabela acima determine se o sistema homogêneo AX = 0.

14 .15 .11 .16 . 2.3.A resposta está no Teorema 2.12 .a.Analise o posto da matriz ampliada (e dos coeficientes) 2.4.6 .4 .13 . b e c devem satisfazer a equação c − b − 3a = 0.X =   = 14   y 29 2 − 13 2 .7 -     x −3y − w + 1          y   y          X = z = w+2           t   3 + 2w      w w       −3 −1 1              1   0   0              X = y 0 +w 1 + 2               0   2   3        0 1 0 2.36 2. 2. Segunda lista de exercı́cios c) a qualquer e b = 2 2.    1 185         a) X =  0  b) X =  5      0 98     3160 111         c) X =  −1990  d) X =  89      −910 89   1 0 0 0 1 1      0 2 4 4 4 4       0 0 3 3 3 3   2.X =     0 0 0 4 −4 −4       0 0 0 0 5 0    0 0 0 0 0 6     x 1 −41 2.b) k = 2 2.k = −6 2.

.   .18 . ..Regra de Cramer 37 2.. ... ..Serão necessários 1920 projéteis para o grupo BM4. . Apêndice .Uma solução possı́vel é: 180 livros de capa mole.. + a1n xn = b1      a21 x1 + a22 x2 + a23 x3 + . . mas é bastante prático em certas questões teóricas... .     a x + a x + a x + .    a11 x1 + a12 x2 + a13 x3 + .  . + a x = b n1 1 n2 2 n3 3 nn n n Na forma matricial este sistema é escrito da seguinte maneira:      a11 a12 · · · a1n x1 b1            a21 a22 ··· a2n  x2   b2        .. .... ..5 Apêndice . 2.. Você consegue exibir outras.       an1 an2 · · · ann xn bn Supondo que detC ̸= 0 e portanto que C tenha inversa C−1 obtemos CX = B C−1CX = C−1 B (observe que estamos multiplicando C−1 pela esquerda) IX = C−1 B X = C−1 B usando a relação 1 C−1 = (ad jC) detC temos 1 X= (ad jC)B detC . ...17 ...   ... + a2n xn = b2  . Mas esta não é a única solução.. .. .  . ..Regra de Cramer Um outro método de resolução de sistemas lineares de ordem n × n é a Regra de Cramer onde as soluções do sistema linear são calculadas usando o determinante..... . .   ....  =  ... nenhum de capa dura e 60 de luxo. 2. Justamente por usar o determinante este método torna-se inviável computacionalmente.5. .2. .

..... . ... .. ..... ..      xn b1 Dan1 b2 Dan2 ··· bn Dann 1 x1 = (b1 D11 + b2 Da12 + · · · + bn Da1n ) detC   b a · · · a1n  1 12     b2 a22 ··· a2n    det   . .. .   ..        xn Dan1 Dan2 · · · Dann bn     x1 b D + b2 Da12 + · · · + bn Da1n    1 11       x2  1  b Da + b2 Da22 + · · · + bn Da2n    =  1 21   .. ......    ....  → x1 = .    an1 an2 · · · ann Analogamente   a11 · · · b1 · · · a1n     a21 · · · b2 · · · a2n  det   ....   ... · · · .. . . . . . . · · · .......... ..5.   .. . ...    ..  . ....   . ... . .. .   . . ... . .. . ..   . .....        xn an1 an2 · · · ann bn       x1 Da11 Da12 · · · Da1n b      1         x2  1   Da21 Da22 · · · Da2n   b2    =      ... .   .  . ..    .Regra de Cramer       x1 a a ··· a1n b    11 12   1         x2  1  a21 a22 · · · a2n   b2    = ad j      . .   b1 a12 · · · a1n  ...   detC  .        1  b2 a22 · · · a2n  bn an2 · · · ann x1 = det   . Apêndice ... .... ...    an1 · · · bn · · · ann xi =   a a · · · a1n  11 12     a21 a22 · · · a2n   det  ... .  a a · · · a1n    11 12    bn an2 · · · ann  a21 a22 ··· a2n  det  .38 2.   .. ... ...   .  detC  . .    detC  .. . .    an1 an2 · · · ann . .  detC   . .

3. . · · · . . 10 10     2 1 1 2 D1 = det   = 0.. Exemplo 52 Resolver o sistema    2x + y − z = 0   20x + 20y − 20z = 1     x+y−z = 0 . Apêndice .    an1 an2 · · · ann Usando a Regra de Cramer podemos classificar um sistema n × n: Se D ̸= 0 então o sistema possui uma única solução (compatı́vel e determinado) Se D = 0 e algum dos Di ̸= 0 então o sistema é incompatı́vel Se D = 0 e todos os Di = 0. n Podemos escrever esta relação na forma Di xi = D onde   a11 · · · b1 · · · a1n      a21 · · · b2 · · · a2n  Di = det   .. Exemplo 51 Resolver o sistema   x+y = 2  10x + 10y = 20   1 1 D = det   = 0... · · · ..5. n então o sistema possui infinitas soluções.    ... para i = 1. ... . Note que não podemos determinar o grau de liberdade pela Regra de Cramer.    an1 · · · bn · · · ann e   a11 a12 · · · a1n      a21 a22 ··· a2n  D = det   . 20 10 10 20 Logo o sistema possui infinitas soluções..2. .. . ... D2 = det   = 0..... . .Regra de Cramer 39 i = 2..... .    .

5. Exemplo 53 Resolva o sistema    x+y−z = 0   x−y−z = 1     x+y+z = 1   1 1 −1     D = det  1 −1 −1  = −4. D2 = det  1 1 −1  = 2.   1 1 1 assim.40 2. D3 = det  20 20 1  = −1.Regra de Cramer     2 1 −1 0 1 −1         D = det  20 20 −20  = 0. a solução é D1 −4 x = = =1 D −4 D2 2 −1 y = = = D −4 2 D −2 1 z = = = D3 −4 2 Exercı́cio 2.     1 1 1 1 1 1   1 1 0     D3 = det  1 −1 1  = −2.   1 1 1 logo o sistema tem uma única solução     0 1 −1 1 0 −1         D1 = det  1 −1 −1  = −4.     1 1 −1 1 1 0 Como D2 = −1 e D3 = −1 o sistema é incompatı́vel.     1 1 −1 0 1 −1     2 1 −1 2 1 0         D2 = det  20 0 −20  = −1.20 Usando a Regra de Cramer faça a classificação de um sistema homogêneo AX = 0 . D1 = det  1 20 −20  = 0. Apêndice .

É claro que neste curso não conseguiremos aborda-las todas. Todos esses itens servem para um estudo detalhado de sistemas lineares de equações. a seguir. Contudo.1 Introdução Álgebra linear é uma parte da Álgebra que. por sua vez. Tanto a álgebra Linear como a Geometria Analı́tica aplicam-se a várias áreas. ·Administração de Florestas: o administrador de uma plantação de árvores de Natal quer plantar e cortar as árvores de uma maneira tal que a configuração da floresta permaneça inalterada de um ano para outro. nosso objetivo no momento é que o estudante tome contato com o que representa o estado da arte neste contexto. é um ramo da Matemática na qual são estudados matrizes. espaços vetoriais e transformações lineares. Técnicas matriciais podem quantificar este problema e auxiliar o administrador a escolher uma programação sustentável de corte. em especial às Engenharias.Capı́tulo 3 ESPAÇOS VETORIAIS 3. ·Computação gráfica: uma das aplicações mais úteis da computação gráfica é a do simulador de vôo. alguma delas. Os métodos matriciais podem ser usados para desenvolver estratégias otimizadas para os jogadores. Citamos. Esses são os ingredientes básicos de uma variedade de jogos que contêm elemen- tos tanto de estratégia quanto de acaso. que dependem de número e do tamanho das árvores cortadas. o lucro para o jogador ou para o cassino é determinado a partir destes dois movimentos. As matrizes fornecem uma maneira conveniente de lidar com a enorme quantidade de da- dos necessários para construir e animar os objetos tridimensionais usados por simuladores de vôo . · Jogos de Estratégia: no jogo de roleta o jogador dá seu lance com uma aposta e o cassino responde com o giro da roleta. O administrador também procura maximizar os rendimentos.

em representação compacta de sessões cônicas. Para maximizar o lucro de uma colheita periódica. de nascimento e mortalidade da população. é determinar a distribuição de temperatura de objetos tais como a do aço saindo da fornalha. coorde- nadas homogêneas e geometria projetiva – utilizando comumente para representar consistentemente transformações afins e processos de projeção( paralela.. especificas por faixas etárias. quatérnios – rotação espaciais e implementação de cinemática inversa( resolver problemas de posicionamento de juntas articuladas). A teoria das cadeias de Markov pode utilizar tais dados para prever. em coordenadas e transformações geométricas em duas e três dimensões. perspectiva. A teoria das matrizes fornece um referencial matemático para examinar o problema geral da propagação de traços genéticos. Introdução para representar um cenário em movimento. Fourier.1. a probabilidade de um dia chuvoso na localidade. ·Genética: os mandatários do Egito recorriam a casamentos entre irmãos para manter a pureza da linhagem real. que pode se reduzida a resolver um sistema de equações lineares através de técnicas matriciais interativas. ·Criptografia: durante a Segunda Guerra Mundial. os decodificadores norte americanos e britânicos tiveram êxito em quebrar o código militar inimigo usando técnicas matemáticas e máquinas . incluindo trans- formadas de co-seno. em combinações convexas e lineares de pontos( curvas e superfı́cies spline). ·Cadeias de Markov: os registros meteorológicos de uma localidade especı́fica podem ser usados para estimar a probabilidade de que vá chover em um certo dia a partir da informação de que choveu ou não no dia anterior. podem ser comparadas diversas estratégias de colheita sustentada utilizando técnicas matriciais que descrevem a dinâmica do crescimento populacional. ·Redes Elétricas: circuitos elétricos que contenham somente resistências e geradores de energia podem se analisados usando sistemas lineares derivados das leias básicas da teoria de circuitos. etc. ·Crescimento Populacional por Faixa Etária: a configuração populacional futura pode ser proje- tada aplicando álgebra matricial às taxas. HSV.42 3. A evolução a longo prazo da população depende das caracterı́sticas matemáticas de uma matriz de projeção que contém os parâmetros demográficos da população. etc). Este costume propagou e acentuou certos traços genéticos através de muitas gerações. ·Colheita de Populações Animais: a colheita sustentada de uma criação de animais requer o con- hecimento da demografia da população animal.. etc. com muita antecedência. modelos de câmera virtual): números complexos – em rotação no plano e também em processamento de imagens. Outras aplicações mais simples em computação gráfica são: vetores e matrizes – são utilizados em espaços de cores(RGB. ·Distribuição de Temperatura de Equilı́brio: uma tarefa básica da ciência e da engenharias.

Esta teoria também tem aplicações a problemas tão distintos como a determinação de rotas de companhias aéreas e a análise de padrões de votação. um conjunto de parâmetros para cada um dos caracteres de uma particular fonte. Os parâmetros que os determinam estão armazenados na memória do computador. ·Teoria de Grafos: a classificação social num grupo de animais é uma relação que pode ser descrita e analisada com a teoria de grafos. ·Interpolação Spline Cúbica: as fontes tipográficas PostScript e TrueType usadas em telas de monitores e por impressoras são definidas por curvas polinomiais por partes denominadas splines.1. Newton Abordou o problema da construção de uma elipse por cinco pontos dados. o principal impulso para o desenvolvimento de códigos seguros é dado pelas comunicações confidencias entre computadores e em telecomunicações. Os Modelos de produção de Leontief podem ser usados para determinar o nı́vel de produção necessário às três indústrias para manter o sistema econômico. ·Programação Linear Geométrica: um problema usual tratado na área de programação linear é o da determinação de proporções dos ingredientes em uma mistura com o objetivo de minimizar seu custo quando as proporções variam dentro de certos limites.3. ·Construção de Curvas e Superfı́cies pó Pontos Especı́ficos: em seu trabalho “Principia Mathemat- ica” ( os princı́pios matemáticos da Filosofia Natural) I. como a tomografia computadorizada e a ressonância magnética. Os métodos da Álgebra Linear podem ser usados para reconstruir imagens a partir do escaneamento por raios X da tomografia computadorizada. Por exemplo. ·Modelos Econômicos de Leontief : num sistema econômico simplificado. ·Tomografia Computadorizada: um dos principais avanços no diagnóstico médico é o desenvolvi- mento de métodos não invasivos para obter imagens de seções transversais do corpo humano. ·O problema na Alocação de Tarefas: um problema importante na indústria é o do deslocamento de pessoal e de recursos de uma maneira eficiente quanto ao custo. Isto ilustraria como encontrar a órbita de um cometa ou de um planeta através da análise de cinco observações. podemos utilizar os determinantes para resolver o problema analiticamente. uma mina de carvão. Introdução 43 sofisticadas (por exemplo. a Enigma). Um tempo enorme do uso de computa- dores na administração e na indústria é dedicado a problemas de programação linear. uma construtora pode querer escolher rotas para movimentar equipamento pesado de seus depósitos para os locais de construção de maneira a minimizar a distância total percorrida. ·Conjuntos Fractais: conjuntos que podem ser repartidos em versões congruentes proporcional- . Ao invés de utilizarmos o procedimento geométrico de Newton. uma ferrovia e uma usina de energia necessitam cada uma de uma parte da produção das outras para sua manutenção e para suprir outros consumidores de seu produto. Hoje me dia.

A fundamentação matemática para a engenharia de sistemas repousa sobre espaços vetoriais de funções. ou a transformação de um rosto de mulher no de uma pantera. Os sistemas de controle de ônibus espacial são absolutamente crı́ticos para vôo. Essas duas operações em funções tem propriedades algébricas que são completamente análogas às operações de soma de vetor e multiplicação de vetor por escalar no Rn . Matematicamente . que se caracteriza por misturas de fotografias reais com fo- tografias modificadas pelo computador.1.44 3. Introdução mente reduzidas do conjunto original são denominadas fractais. A idéia de continuidade. ·Deformações e Morfismos: você já deve ter visto em programas de televisão ou clips musi- cais imagens mostrando rapidamente o envelhecimento de uma mulher ao longo do tempo. Tais técnicas de manipulação de imagens têm encontrado aplicações na indústria médica. respondem a freqüências diferentes de acordo com sua localização e produzem impul- sos elétricos que viajam até o cérebro através do nervo auditivo. quı́mica . o primeiro ônibus espacial dos EUA (lançado em 1981) foi uma vitória da engenharia de controle de sistemas. Contudo. Estes receptores. O sistema de vôo envia uma sequência de comandos para a superfı́cie de controle aerodinâmico. Estes processos são feitos a partir de algumas poucas fotos. A aplicação matricial que descreve o processo de embar- alhar ilustra tanto a ordem quanto a desordem que caracterizam estes processos caóticos. cientifica e de entretenimento. portanto precisamos estender a teoria de vetores do Rn de modo a incluir tais funções. ·Um Modelo de Mı́nimos Quadrados para a Audição Humana: o ouvido interno contém uma estrutura com milhares de receptores sensoriais ciliares.aeronáutica. Produto de dez anos de intensa pesquisa e desenvolvimento. Os métodos de Álgebra Linear podem ser usados para construir e classificar fractais ·Teoria do Caos: os pixels que constituem ema imagem matricial podem ser embaralhados repeti- damente de uma mesma maneira. É importante para as aplicações que essas funções possam ser somadas e multiplicadas por escalares. movidos pelas vibrações do tı́mpano. Os fractais são atualmente aplicados à compactação de dados computacionais. elétrica. o ouvido interno age como um processador de sinais que decompõe uma onda sonora complexa em um espectro de freqüências distintas. o conjunto de todas as entradas possı́veis (funções) é chamado de um espaço vetorial. a previsão de como seria hoje o rosto de uma criança desaparecida há 15 anos atrás. é feita através do computador. Ele requer um constante monitoramento por computador durante o vôo atmosférico. padrões indesejados podem continuar aparecendo no processo. Desta maneira. . Por esse motivo. etc.Este processo de deformação é chamado de morfismo. de evolução do processo. na tentativa de torna-los aleatórios. hidráulica e mecânica. envolvendo muitas áreas da engenharia . os sinais de entrada e saı́da de um sistema de Engenharia são funções.

α ( f + g) = α f + α g 8. (α + β ) f = α f + β f 6. f + (− f ) = 0 5. têm em comum? Verifica-se facilmente a partir das propriedades dos números reais que. β ∈ R. 1 f = f Agora. A + B = B + A 2. com relação a quaisquer funções f . com relação a quaisquer matrizes A. α (β f ) = (αβ ) f 7. g e h em F(R) e para α . são válidos os seguintes resultados: 1. Com relação a Mn (R) podemos somar duas matrizes quadradas de ordem n. analisaremos em paralelo dois objetos: o conjunto for- mado pelas funções f : R → R. O que estes dois exemplos acima. A + B = (ai j + bi j )nxn que é um elemento de Mn (R). A + (B +C) = (A + B) +C 3. também são válidos os seguintes resultados: 1. da seguinte forma: (α f ) (x) = α ( f (x)) resultando num elemento de F(R). Introdução 45 Antes de apresentarmos a sua definição. denotado por F(R) e o conjunto das matrizes quadradas de ordem n com coeficientes reais que denotaremos por Mn (R). e C em Mn e para todo α . f + g = g + f 2.1. A soma de duas funções f e g de F(R) é definida como: ( f + g)(x) = f (x) + g(x). com a adição de seus elementos e multiplicação de seus ele- mentos por escalares. B. Se g representa a função nula então f + g = f 4. Note também que se α ∈ R podemos multiplicar o escalar α pela função f . β ∈ R. Com relação à multiplicação do escalar α pela matriz A ∈ R. f + (g + h) = ( f + g) + h 3. α A = (α ai j )nxn o qual também ∈ Mn (R). Se 0 representa a matriz nula então A + 0 = A .3.

Inverso aditivo: Para cada v ∈ V existe −v ∈ V tal que −v + v = 0 5. apresentam propriedades algébricas comuns.46 3. Associatividade: (u + v) + w = u + (v + w) 3. chamado a soma de u e v. estudaremos um conjunto genérico e não vazio. Estas operações devem satisfazer. A + (−A) = 0 5. Existem muitos outros ex- emplos de conjuntos que apresentam as mesmas propriedades acima. quando munidos de soma e multiplicação por escalar. que a cada α ∈ R e a cada vetor v ∈ V faz corresponder um vetor denotado por α v. (α + β )A = α A + β A 6. V . sobre o qual supomos estar definidas as operações de adição e multiplicação por escalar. Comutatividade: u + v = v + u 2.1 1. no qual estão definidas duas operações: a adição. cujos elementos são chamados vetores. Vetor nulo: existe um vetor nulo 0 ∈ V tal que v + 0 = v para todo v ∈ V 4. Definição 3.u = u . u e v ∈ V faz corresponder um novo vetor denotado por u + v ∈ V . que a cada par de vetores.1. v e w ∈ V as seguintes propriedades: Propriedades 3. para quaisquer α . Multiplicação por 1: 1. (αβ )v = α (β v) 7. e a multiplicação por um número real. 1A = A Observamos que o conjunto das funções bem como o das matrizes. Distributividade: (α + β )v = α v + β v 6. chamado produto de α por v. β ∈ R e u. α (A + B) = α A + α B 8. Introdução 4. α (u + v) = α u + α v 8. α (β A) = (αβ )A 7.1 Um espaço vetorial V é um conjunto. Para não estudarmos separada- mente cada conjunto.

.. y) = (α x.α xn ) Verifica-se sem dificuldades...yn ) de números reais. y1 ) + (x2 . de grau menor ou igual a n é definido por : { } Pn = p(x) = ao + a1 x + . x2 + y2.. x2 = y2 . x2.. Exemplo 57 Seja o conjunto R2 = {(x. y3 . que estas definições fazem do Rn um E. y)  x.. a1 .. .. Note que cada elemento de Pn é uma função p : R → R Exemplo 56 O conjunto das matrizes definido por {[ ] } M(m. i = 1.. xn ).. .. v = (y1 . (verifique). n) por Mn . .1.... m e j = 1.. o sı́mbolo Rn representa o espaço vetorial euclid- iano n-dimensional. y) . y1 + y2 ) α (x.. .3.. x3.. .. y ∈ R} com as operações assim definidas: (x1 .. V. + an−1 xn−1 + an xn  ao .... .. Em Rn definimos as operações: u + v = (x1 + y1 .. n com a soma usual de matrizes e multiplicação usual de um escalar por uma matriz é um espaço vetorial.... Por definição a igualdade vetorial u = v significa as n igualdades numéricas x1 = y1.... an−1 .xn = yn .xn + yn ) e α u = (α x1. No caso particular das matrizes quadradas de ordem n denotaremos M(n. y2 ) = (x1 + x2 . Exemplo 55 O conjunto dos polinômios em x.. Os elementos de Rn são as listas ordenadas (chamadas n-uplas) u = (x1... y2... n) = ai j m×n  ai j ∈ R. Introdução 47 Exemplo 54 Para todo número natural n. α x2 . an ∈ R com as operações de adição de polinômios e multiplicação de um polinômio por um escalar é um espaço vetorial.

y2 ) = (x1 + x2 . Introdução O conjunto R2 com estas operações não é um espaço vetorial. y1 ) + (x2 . Como a adição é a usual. y1 ) = ((α + β )x1 . a b m n Sejam A =  eB= . pois esta não é a usual. ay).48 3. y1 ) = (3ay1 . y)/x. Definamos: (x1 . y ∈ R} definamos ”adição”assim: (x1 . Exemplo 59 No conjunto V = {(x. Vamos mostrar que falha a propriedade 5) do E. Nessas condições V é um espaço vetorial? Porque? Exemplo 60 Seja V o conjunto dos pares ordenados de números reais. (α + β )u = (α + β )(x1 . y1 ) + (β x1 .1. y) = (ax. a(x. então todas as propriedades da adição serão satisfeitas. y1 ) + β (x1 . c d o p   (α + β )A = α A Vamos mostrar que falhaa propriedade: +βA a b a αb + β b (i) (α + β )A = (α + β )  =  c d αc + β c d           a b a b a αb a βb 2a αb + β b (ii) α A + β A = α   +β  =  + =  c d c d αc d βc d αc + β c 2d Por (i) e (ii) concluı́mos que (α + β )A ̸= α A + β A.V. y1 ) α u + β u = α (x1 . y1 ) + (x2 . 2y1 ) ⇒ (α + β )u ̸= α u + β u Exemplo 58 Verifique se V = M2 com as operações:       a1 b1 a b a + a2 b1 + b2 (i) Soma:   +  2 2 =  1  c1 d1 c2 d2 c1 + c2 d1 + d2     a1 b1 a1 α b1 (ii) Multiplicação por escalar: α  =  c1 d1 α c1 d1 é um espaço vetorial.  será  na multiplicação   por escalar. y2 ) = (2x1 − 2y1 . para cada a ∈ R. −x1 + y1 ) e a(x1 . y1 ) = (α x1 . 0) e multiplicação por escalares como no R2 . com essas operações definidas sobre V . y1 ) = (α x1 + β x1 . −ax1 ). ou seja. Se alguma propriedade falhar. y1 ) = (α x1 + β x1 . este conjunto é um espaço vetorial sobre R? . Logo V = M2 com as operações definidas acima não é um espaço vetorial.

x5 ) ∈ W e v = (0. x4 . α u = α (x1 . α y1 . z2 ) = (x1 + x2 . x5 ) = (0. x2. z1 ) + (x2 . y5 ) ∈ W 1.2 Subespaços Definição 3.V. z1 + z2 ) Como u = (x1 .V. . α x5 ) ∈ W logo W é um subespaço vetorial. x3 . y1 . y1 . y4 . Dizemos que W ⊂ V é um subespaço vetorial de V se forem satisfeitas as seguintes condições: 1. y1 + y2 . x2. v ∈ W então u + v ∈ W 2. Exemplo 62 Seja S = {(x. S é um subespaço de R3 ? Dados u = (x1 . x4 + y4 . z) ∈ R3 x + y + z = 0}. x4 . z1 ) = (α x1 . α x3 . y2 . Podemos fazer três observações: • As condições da definição garantem que ao operarmos em W (soma e multiplicação por escalar) não obteremos um vetor fora de W. se u . z2 ) ∈ S 1. • Qualquer subespaço W de V precisa conter o vetor nulo. α x4 . x3 + y3 . • Todo espaço vetorial admite pelo menos dois subespaços: o conjunto formado pelo vetor nulo e o próprio E. α u = α (0. se u ∈ W então α u ∈ W para todo α ∈ R. W é um subespaço vetorial? Verifiquemos as condições de subespaço: seja u = (0. x3 . x5 + y5 ) ∈ W 2. x4 . y1 .3.2 Seja V um espaço vetorial. y3 . y1 . Analogamente x2 + y2 + z2 = 0. Exemplo 61 Seja V = R5 e W = {0. x2. x2 + y2.2. Subespaços 49 3. α z1 ) para todo α ⇒ α x1 + α y1 + α z1 = α (x1 +y1 +z1 ) = α 0 = 0 e dai α u ∈ S Portanto. y2. S é um subespaço vetorial de R3 . y. x3 . y2 . z1 ) ∈ S ⇒ x1 + y1 + z1 = 0. z1 ) ∈ S e v = (x2 . Isto é suficiente para afirmar que W é ele próprio um E. x5 } . α x2. u + v = (0. u + v = (x1 . e podemos concluir que (x1 + x2 ) + (y1 + y2 ) + (z1 + z2 ) = 0 ⇒ u + v ∈ S 2.

assim como o produto de uma matriz triangular por um escalar (Verifique). x2 ) ∈ R2 x ∈ R}. temos: u + v = (3. portanto kX1 é uma solução do sistema AX = 0. Como o conjuntos das matrizes Xn×1 é uma espaço vetorial temos que o subconjunto de todas as matrizes de ordem n × 1 que são soluções do sistema AX = 0 é um subespaço vetorial do espaço vetorial formado por todas as matrizes de ordem n × 1.  2 −4 6   y  =  0       3 −6 9 z 0      1 −2 3 x 0           2. W é subespaço de V . Exemplo 64 Considere os sistemas lineares      1 −2 3 x 0           1.2. então o conjunto dos vetores-solução é um subespaço de Rn .Se X1 e X2 são duas soluções do sistema AX = 0 então tem-se AX1 = 0 e AX2 = 0.  0 0 0  y  =  0       0 0 0 z 0 Determine os subespaços do R3 gerado pelas soluções de cada um destes sistemas de três incógnitas. portanto W não é subespaço vetorial de R2 . logo X1 + X2 é uma solução do sistema AX = 0. A(kX1 ) = kAX1 = k0 = 0. Teorema 3.1 Se Ax = b é um sistema linear homogêneo de m equações em n incógnitas.  −3 7 −8   y  =  0       4 1 2 z 0      0 0 0 x 0           4.  −3 7 −8   y  =  0       −2 4 −6 z 0      1 −2 3 x 0           3. pois a soma das matrizes triangulares superiores ainda é uma matriz triangular superior. Exemplo 65 Seja V = R2 e W = {(x. onde A é uma matriz m × n e X é uma matriz coluna n × 1.50 3. 4) ∈ W . Também. 1) e v = (2. Se escolhermos u = (1. Mas A(X1 + X2 ) = AX1 + AX2 = 0 + 0 = 0. . Subespaços Exemplo 63 V = Mn e W é o subconjunto das matrizes triangulares superiores. 5) ∈ / W . Considere o sistema homogêneo AX = 0.

2. pois temos: 1. Verifique se W é um espaço vetorial de M2 . pois a segunda componente de u + v é igual ao dobro da primeira. W é subespaço vetorial de R2 . 2(α x1 )) ∈ W . 1a Solução: Sejam A1 . α u = α (x1 . (A1 + A2 ) B = A1 B + A2 B = BA1 + BA2 = B (A1 + A2 ) ⇒ (A1 + A2 ) ∈ M2 (kA1 ) B = k (A1 B) = k (BA1 ) = B (kA1 ) ⇒ (kA1 ) ∈ M2 Logo W é um subespaço vetorial de W. sabe-se que a matriz A deve satisfazer a relação AB = c d BA. 2x1 ) = (α x1 .Seja W = 1 0 {A ∈ M2 AB = BA}. y) ∈ R2 y = 2x}. 2(x1 + x2 )) ∈ W . A2 petencente a M2 . Subespaços 51 Exemplo 66 Seja V = R2 e W = {(x.   a b 2a Solução: Tomando A =   ∈ W. b ∈ R −b a  −b a      a b x y Sejam u =  ev=  −b a −y x         a b x y a+x b+y a+x b+y u+v =  + = = ∈W −b a −y x −b − y a + x − (b + y) a + x     a b ka kb ku = k  = ∈W −b a −kb ka . Para u = (x1 . 2x1 ) e v = (x2 .3.   0 −1 Exemplo 67 Considere o espaço vetorial M2 e a matriz B =   ∈ M2 . pois a segunda componente de α u é igual ao dobro da primeira.2.Portanto       a b 0 −1 0 −1 a b    =    c d 1 0 1 0 c d     b −a −c −d   =   d −c a b b = −c −a = −d ⇒ a = d a = d −c = b ⇒ b = −c      a b  a b  Logo A =  ⇒W =   ∈ M2 a. 2x2 ) ∈ W tem-se u + v = (x1 + x2 .

Intersecção de dois Subespaços Vetoriais Como u + v ∈ W e ku ∈ W ⇒ W é um subespaço vetorial de M2 { ′′ ′ } Exemplo 68 Verifique se W = p(x) ∈ P3 : p (2) + p (1) = 0 é um sub-espaço vetorial de V = P3 . z) ∈ R3 / x + y − z = 0}. Exemplo 71 V = R3 . y. Da mesma forma. z) ∈ R3 /x = 0 e y = 0} Exemplo 72 V = R3 .3. (α p)(x) = α p(x) é tal que ′′ ′ ′′ ′ ( ′′ ′ ) (α p) (2) + (α p) (1) = α p (2) + α p (1) = α p (2) + p (1) = α .   a a+1 Exemplo 69 Seja W o conjunto de todas as matrizes 2×2 da forma  . z) ∈ R3 / x + y + z = 0} e W2 = {(x. ′′ ′ ′′ ′ Sejam p(x). W é um subespaço de M22 ? 3. y. W1 ∩W2 é a reta de intersecção dos planos W1 e W2 . y. a intersecção W1 ∩ W2 ainda é um subespaço de V . z) ∈ R3 / x = 0}. y. q(x) ∈ W ⇒ p (2) + p (1) = 0 e q (2) + q (1) = 0 Assim (p + q)(x) = p(x) + q(x) é tal que ′′ ′ ′′ ′′ ′ ′ (p + q) (2) + (p + q) (1) = p (2) + q (2) + p (1) + q (1) ′′ ′ ′′ ′ = p (2) + p (1) + q (2) + q (1) = 0+0 = 0 e então (p + q)(x) ∈ W.52 3. Seja W1 = {(x. Para encontrarmos a intersecção dos dois subespaços devemos resolver o sistema   x+y+z = 0  x+y−z = 0 . z) ∈ R3 / y = 0} e W2 = {(x. Portanto W é subespaço vetorial de P3 .3 Dados W1 e W2 subespaços de um espaço vetorial V .3 Intersecção de dois Subespaços Vetoriais Definição 3. ou seja W1 ∩W2 = {(x.0 = 0 e então (α p)(x) ∈ W. W é um subespaço 0 b de M22 ? Exemplo 70 Seja W o conjunto de todas as matrizes 2 × 2 com determinante 0. Seja W1 = {(x. y.

Então W1 ∩W2 = {matrizes diagonais}.3. Seja W1 = {p ∈ P3 : p′ (1) = 0} e W2 = {p ∈ P3 : p′′ (1) = 0} Como p ∈ P3 então p = a + bx + cx2 + dx3 . 1) + (1. d ∈ R. Intersecção de dois Subespaços Vetoriais 53 A solução desse sistema é z = 0. y) ∈ R2 : x −y = 0} será que W1 ∪W2 é um subespaço vetorial de V ? Não. u = (1. Basta considerar V = R2 . Se p ∈ W1 então p′ (1) = 0 ⇒ b + 2c + 3d = 0. Para que p pertença a W1 ∩W2 devemos resolver o sistema   b + 2c + 3d = 0  2c + 6d = 0 assim. −1) = (2. Portanto W1 ∩W2 = {(x. 1) ∈ W2 v = (1. 0) ∈ / W1 ∪W2 (represente graficamente esta soma de vetores) .   a b Exemplo 75 Seja V = M2 =  e c d     a b  W1 =   . b ∈ R  0 0      a 0  W2 =   . y = −x.W1 = {matrizes triangulares superiores}. b. pois     a 0  W=  . z) ∈ R3 : z = 0 e y = −x} Exemplo 73 V = P3 . Se p ∈ W2 então p′′ (1) = 0 ⇒ 2c + 6d = 0. c ∈ R  c 0  W = W1 ∩W2 é um subespaço de V . −1) ∈ W1 mas u + v = (1.a ∈ R  0 0  Exemplo 76 Sejam W1 e W2 dados por: W1 = {(x. Portanto W1 ∩W2 = {p ∈ P3 : p = a + 3dx − 3dx2 + dx3 } Exemplo 74 V = M(n. W2 = {matrizes triangulares in- feriores}. com a. c = −3d e b = 3d. a. n). y. c.3. y) ∈ R2 : x +y = 0} e W2 = {(x. a.

−1). b.. −1. 1. + an vn é um elemento de V ao que chamamos de combinação linear de v1 . 1) + b(1... r(x) = 1 + x e s(x) = 1 + x + x2 .. vn . Portanto v pode realmente ser escrito como combinação de v1 .. Exemplo 77 Em R2 o vetor v = (10..1 + 0x + 1. Então... b = 12 e c = 1. .4 Combinação Linear Definição 3.. v2 .. v2 e v3 . devemos então resolver o sistema      1 1 1 a 3           1 −1 1  b = 2      1 1 −1 c 1 Mas esse sistema tem uma única solução a = 32 . −1). a2 e a3 satisfazendo: 1 + x2 = a1 + a2 (1 + x) + a3 (1 + x + x2 ) 1. precisamos encontrar a1 . −1.. v1 . Exemplo 79 No espaço vetorial P2 o polinômio p = 7x2 + 11x − 26 é combinação linear dos polinômios: q1 = 5x2 − 3x + 2 e q2 = −2x2 + 5x − 8. vn ∈ V e a1 . . Exemplo 78 Verifique se o vetor v = (3. 1) + c(1. v2 .. Combinação Linear 3.. v3 = (1. o vetor v = a1 v1 + a2 v2 + .. a2. de fato p = 3q1 + 4q2 (confira). an ∈ R.. 1.. 4) pois v = 4v1 + 2v2 ..4. (3. 1). v2 = (1. 2. c tais que v = av1 + bv2 + cv3 . 16) é uma combinação linear dos vetores v1 = (1. 2) e v2 = (3.. 2.. 1... Devemos verificar se existem números a.54 3. a2 e a3 tais que: p(x) = a1 q(x) + a2 r(x) + a3 s(x) Ou seja.. 1) pode ser escrito como uma combinação linear dos vetores v1 = (1. 1...x2 = (a1 + a2 + a3 ) + (a2 + a3 ) x + a3 x3 . ou seja. Exemplo 80 Verifique que em P2 o polinômio p(x) = 1+x2 é uma combinação dos polinômios q(x) = 1..4 Seja V um espaço vetorial real. a1 . 1). da forma v = 32 v1 + 12 v2 + v3 . Precisamos encontrar números reais. 1) = a(1.

. v2 . 3. Temos: v = a1 v1 + a2 v2 (−4. 4a2 .5 Seja V um espaço vetorial e v1 ... + an vn = 0 implica que a1 = a2 = . −3a1 + 4a2. . Portanto é muito importante ter conhecimento do vetor nulo do espaço em que estamos trabalhando. −18. Dependência e Independência Linear 55 que é equivalente ao sistema:     a + a2 + a3 = 1  1 a2 + a3 = 0 ⇔ a1 = 1. se a equação: a1 v1 + a2 v2 + .... . 2) e v2 = (2.. vn } é linearmente dependente (LD). −1) = (1a1 . vn } é linearmente independente (LI). Escreva o vetor v = (−4. −3a1 .. Dizemos que o conjunto {v1 . no R3 .. 2) e v2 = (2. Exemplo 82 Considere o espaço vetorial R3 e os conjunto de vetores: α = .     2a1 − a2 = 7 Portanto..3. −18. Para determinarmos se um conjunto é L. 2a1 − a2 ) que é equivalente ao sistema:    a1 + 2a2 = −4   −3a1 + 4a2 = −18 ⇔ a1 = 2. −1a2 ) = = (a1 + 2a2 ...I. −3.. em que exista algum ai ̸= 0 dizemos que {v1 ..     a =1 3 Exemplo 81 Consideremos . 7) como combinação linear dos vetores v1 e v2 .. 4. 4..D. devemos fazer a combinação linear do conjunto de vetores e igualar esta combinação linear ao vetor nulo do espaço. = an = 0. a2 = −1 e a3 = 1. ou L..5. −1).. No caso. .. −3. −3. v2 . 2a1 ) + (2a2 .. vn ∈ V.5 Dependência e Independência Linear Definição 3. a2 = −3. −6) não é combinação linear dos vetores v1 = (1... v = 2v1 − 3v2 . 3. 7) = a1 (1. −1). 2) + a2 (2. 4. os seguintes vetores: v1 = (1.. Agora mostre que o vetor v = (4. v2 .

0) =⇒ (a1.  é LD?  −3 1 3 0 3 1  Examinemos a equação: a1 v1 + a2 v2 + a3 v3 = 0         −1 2 2 −3 3 −4 0 0 a1   + a2   + a3  =  −3 1 3 0 3 1 0 0 . 1) + c(1.. v2 . Sejam v1 . 0)      a+b+c = 0 temos o sistema homogêneo: 2a + b = 0     3a + b = 0 cuja única solução é a = b = c = 0. pois: a1 e1 + a2 e2 = 0 =⇒ a1 (1. 0) = (0. 1.2 O conjunto {v1 . Dependência e Independência Linear {(1. e somente se. v2 } é LD se. 2. v2 ∈ V. logo o conjunto β é L.I ou L. Portanto o conjunto α é L.. 5. 0)      a + b + 3c = 0 temos o sistema homogêneo: 2a + b + 5c = 0     3a + b + 7c = 0 que possui infinitas soluções (grau de liberdade 1). O conjunto {v1 . 0) + a2 (0. 1) são LI..D.I Fazendo a combinação linear de β a (1. (1. 1. 0) e e2 = (0. Exemplo 83 a) Seja V = R3 . 2. 3) + b(1. 3) + b(1. vn } é LD se. 1) = (0. 5.. e1 e e2 são LI.D? Fazendo a combinação linear de α a (1. 0. Portanto além da solução nula (que todo sis- tema homogêneo tem) este sistema possui outras soluções diferentes da solução nula. 2. um dos vetores do conjunto for uma combinação linear dos outros. 1). v1 e v2 estiverem na mesma reta que passa pela origem (um vetor é múltiplo do outro). . 0)} e β = {(1.56 3.. (3. 0. e1 = (1. b) Em V = R2 . a2 ) = (0. 3) . v1 = λ v2 . 1.5. 0. 1). e somente se. . 0) logo a1 = 0 e a2 = 0 portanto. Os conjuntos α e β são L. (1. 2.. 1. 3) . Teorema 3. 7) = (0. (1. 1) + c(3. 7)}. 0.        −1 2 2 −3 3 −4  Exemplo 84 No EV M2 o conjunto: A =  .

ou gerado pelo conjunto A. y) Então: [i. . . o subespaço W é: W = {v ∈ V  v = a1 v1 + a2 v2 + . define-se [∅] = { 0 } A ⊂ G(A). v2 .3. Se A = {v} ⊂ V e v ̸= 0 . v2 . { v1 . vn } ⊂ [v1 . . enquanto A é o conjunto gerador de W. . Determinar o subespaço gerado pelo vetor v1 = (1. . . podendo ocorrer G(A) = V . + an vn } O subespaço W diz-se gerado pelos vetores v1 . Consideramos um subconjunto A = {v1 . ou seja. Se um conjunto A ⊂ V contém o vetor nulo. A ̸= ∅. y) = xi + y j = x(1. . v2 . 3. qualquer parte A1 de A também é LI. Exemplo 85 Os vetores i = (1. . j] = R2 . . . vn } ⊂ V. Subespaços Gerados 57 cuja solução é a1 = −a3 e a2 = −2a3. → − Para o caso particular de A = ∅. 2. qualquer (x. . vn ] Todo conjunto A ⊂ V gera um subespaço vetorial de V . pois. . 0) e j = (0.6 Seja V um espaço vetorial. Propriedades 3. A é um conjunto gerador de V. vn são chamados geradores do subespaço W.6. . v2 . 0) + y(0. . . Se um conjunto A ⊂ V é LI. . 1) geram o espaço vetorial R2 . então A é LI. . Nesse caso. vn . v2 . . Simbolicamente. . . Exemplo 86 Seja V = R3 . 3). .6 Subespaços Gerados Definição 3. vn ] ou W = G(A) Os vetores v1 . então A é LD 3.2 Seja V um espaço vetorial → − 1. . e representa-se por: W = [v1 . v2 .Como existem soluções ai ̸= 0. o conjunto é LD. . . . y) = (x. 1) = (x. . y) ∈ R2 é combinação linear de i e j : (x. 2. . 0) + (0.O conjunto W de todos os vetores de V que são combinações lineares dos vetores de A é um subespaço de V. .

y = 2a.6. logo. Logo P3 = [U]. tem-se o sistema: que é possı́vel se: z = x + y e t =   3b = z 3      a + 4b = t     x y  Logo [G] =   : x. [v1 ] = {(x.  x + y 5x+2y  3 . z) ∈ R3 /(x. z = 3a donde: y = 2x e z = 3x. dado p(t) = ao + a1t + a2t 2 + a3t 3 ∈ P3 podemos escrever p(t) = (a0 − a3 ) + a1t + a2t 2 + a3 (t 3 + 1) ∈ U Ou seja. z) = a(1. 1 + t 3 } Note que t 3 = (t 3 + 1) − 1. y. qualquer vetor (polinômio) de P3 pode ser escrito como uma combinação linear dos vetores do conjunto U. 3) vem: x = a. y. y. y. Exemplo 87 Encontre o subespaço vetorial de P3 gerado por U = {1. x ∈ R}. 3x).t 2 .58 3. Exemplo 88 Encontre o subespaço vetorial gerado de M2 gerado por      1 −1 2 1  G=   . y ∈ R . 2x.t. z) ∈ R3 /y = 2x e z = 3x} ou [v1 ] = {(x. 2. 3). 2. Subespaços Gerados Temos: [v1 ] = {(x. a ∈ R} Da igualdade: (x. Assim. z) = a(1.    0 1 3 4    x y Temos que A =   ∈ [G] se e somente se existirem a e b ∈ R tais que z t       x y 1 −1 2 1 A=  = a +b  z t 0 1 3 4      a + 2b = x    −a + b = y 5x+2y Daı́.

6. W =   .       −c −1 −1 2 −2 d      2  2        3c d 2 +2     3  1 X =   = c   +d   2   2  c   1   0        d 0 1     −1 −1     2 2         3 1 portanto.       0 0 0 0   c   0   b = 3c + d      2 2 0 0 0 0 d 0 isto é. Subespaços Gerados 59 Exemplo 89 Encontre um conjunto de geradores para W = {X ∈ M(4.3.   c   3 1 0 1  c   0         d 0 −2 3 1 d 0      1 1 −1 0 a 0            0 −2 3 1   b   0     =  ⇔       0 0 0 0  c   0       0 0 0 0 d 0      1 1 −1 0 a 0             0 1 −3/2 −1/2   b   0   a = −c 2 −2 d    =   ⇔ . 1)  AX = 0} onde   1 1 −1 0      2 0 1 1  A=     3 1 0 1    0 −2 3 1 Seja        a 1 1 −1 0 a 0                b   2 0 1 1  b   0  X =    ∈ W ⇐⇒     =      ⇔. 2  2  1   0      0 1 .    .

Então W1 + W2 =  0 0   c d     a b    = M2 . b. . e denotado por W1 ⊕W2 . z) ∈ R3 . se U = [u1 . y. −x − y + z) = R3 {− →} vamos mostrar que W1 ∩W2 = 0 . x = y = 0}. c ∈ R} é subespaço vetorial.onde a. z) ∈ W1 ∩W2 temos:    −x − y + z = 0   x=0 ⇐⇒ (x. y. −x − y) e u ∈ W2 . c.  c d  Exemplo 91 Sejam os subespaços vetoriais W1 = {(a. . . c). y. Note que W2 é de fato um subespaço vetorial de R3 (Verifique) Dado v ∈ W1. 0. . c ∈ R} do espaço vetorial R3 .7. → − Proposição 3.1 Quando W1 ∩ W2 = { 0 }. un . b ∈ R} e W2 = {(0. . .      a b   0 0  Exemplo 90 W1 =   e W2 =   . a.7 Soma de Subespaços Definição 3. c). z) u + v = (x. y. . . a. . y. A soma W1 +W2 = {(a. b. então W1 + W2 é chamado soma direta de W1 com W2 . d ∈ R. z) = (0. z) ∈ R3 . w1 . u = (0. . . Seja (x. Então o conjunto W1 +W2 = {v ∈ V v = w1 + w2 . . . b. 0. w1 ∈ W1 e w2 ∈ W2 } é um subespaço de V. . 0)     y=0 . v = (x. 0. Soma de Subespaços 3. un ] e W = [w1 . wm ] Exemplo 92 Verifique que R3 é a soma direta de W1 = {(x. y. wm ] então U + W = [u1 . Observação 6 Usando os geradores podemos obter uma caracterização da soma de dois subespaços: Sejam U e W subespaços de V. 0). .60 3. . que nesse caso é o próprio R3 . x + y + z = 0} e W2 = {(x.7 Sejam W1 e W2 dois subespaços vetoriais de V. b.

. 1)} é uma base do R3 (verifique!). 0. (0. . (0. 1. temos infinitas soluções. 2) temos a = −2b. y) = a(1. 1). (0. y. z) ∈ R3 x + y = 0 e x − z = 0 Se u ∈ U ⇒ u = (x. 1. (−1. y) = y(1. (0. 0)} é base de R2 . −1). 1) logo W = [(1. 1) + (y − x)(−1. 1) + b(−1. v2 . 1) + b(−1. Exemplo 96 Seja V = R3 então α = {(1. 0) Realmente. β gera V Exemplo 94 β = {(1.8. Se (0. 2)} não é base de R2 pois é um conjunto LD. −1).3. −1. y) ∈ R2 . 1) + b(0. −1)] Se v ∈ W ⇒ v = (x. 0) = a(0. 0).8. 1. Exemplo 95 O conjunto {(0. . −1. e { } W = (x. −1) logo U = [(1. .1 Base Um conjunto β = {v1 . y. De fato: 1. 0. 1. (0. β gera R2 .8 Base e Dimensão de um Espaço Vetorial 3. −1. Assim para cada valor de b conseguimos um valor para a. 1)] 3. 0) =⇒ a = b = 0 2. Base e Dimensão de um Espaço Vetorial 61 Exemplo 93 Encontre os geradores do subespaço U +W onde { } U = (x. . 0. −1) + y(0. tem-se : (x. x) = x(1. y. z) ∈ R3 x + y + z = 0 . 0) =⇒ a = y e b = y − x. pois para todo (x. a igualdade (x. ou seja. 0). vn } ⊂ V é uma base do espaço vetorial se: 1. 1)] Usando a teoria acima explicada temos que U +W = [(1. −x − y) = x(1. (1. 1). β é LI 2. 0. β é LI pois a(1. −1). 0) = (0. −x. 0.

−1). . −1). 1. 1. Logo.) U +W = [(1. . xn } é uma base do espaço vetorial Pn . se este conjunto for L. + 0xn =⇒ a0 = a1 = . y. . Base e Dimensão de um Espaço Vetorial Exemplo 97 O conjunto β = {1. 0)      1 0 1 a 0           0 1 −1 b = 0      −1 −1 1 c 0     1 0 1 0 −1 −1       −1   A= 0 1 −1 ⇒ A = 1 2 1     −1 −1 1 1 1 1        a 0 −1 −1 0 0               b = 1 2 1  0 = 0        c 1 1 1 0 0 logo o conjunto é L.I. . 0. . z) ∈ R3 x + y = 0 e x − z = 0 . −1. + an xn = 0 ao + a1 x + a2 x2 + . 0. entãele será uma base. −1)] e W = [(1. 1. 1)].I e portanto. −1. −1). . x2 . (1. . 1. −1). . x. 1)} é uma base de U +W . 1)] ( Já vimos este exemplo. + an xn que é uma combinação linear de 1. . z) ∈ R3 x + y + z = 0 e W = { } (x. De fato: ao + a1 x + a2 x2 + . xn . = an = 0 portanto. a(1. −1) + b(0. . −1). . . x2 . (0. + an xn = 0 + 0x + 0x2 + .Essa é a base canônica de Pn e tem n + 1 vetores. (1. . . β é LI. β é uma base de Pn . { } Exemplo 98 Encontre uma base para U + W onde U = (x. . 0. (0. . 1) = (0. 0. . β gera o espaço vetorial Pn. −1. y. Seja U = [(1. −1) + c(1. x. Já temos um conjunto que gera a soma. β = {(1. .62 3.8. . −1. pois qualquer polinômio p ∈ Pn pode ser escrito assim: p = ao + a1 x + a2 x2 + . (0. 0.

z) ∈ R3 x + y−z = 0 e x−z = 0 .   0 0 1 0 0 1  são L.  a b Para U : A =   ⇔ c = b portanto. 0)] . 0) = x(1. y. ). 0. Para W : Como a matriz   1 1   0 1 gera W . x. 0. (1.  x−y = 0   x+y−z = 0 Se u = (x. ela serve para base de W . 1)} é L.W  +U. y. como geram U.  x−y+z = 0 Se v = (x. 0. 1)] .3. y. Base e Dimensão de um Espaço Vetorial 63 { } Exemplo 99 Encontre uma base para U +W onde U = (x. a2 . 1. se e somente se existir α ∈ R tal que     α α α 0  =  0 α α α .portanto W = [(1. 0). 0. (1. formam uma base de U. 0. y. 1. 1)]  x−z = 0 Assim U + W = [(1. 1. Como o conjunto β = {(1.   1 1 Exemplo 100 Dados: U = {A ∈ M2 (R).U ∩W. ). 0. z) ∈ U ⇒ ⇒ v = (x. A ∈ U se existirem a1 . x) = x(1. 1). 1. z) ∈ R3 x − y + z = 0 e x − y = 0 e { } W = (x. portanto U = [(1. . 0 α isto é. a3 ∈ R tais que c d       1 0 0 1 0 0 A = a1   + a2   + a3   0 0 1 0 0 1 pode-se verificar facilmente que as matrizes        1 0 0 1 0 0   . Para U ∩W : A ∈ U ∩W ⇔ A = At e existe α ∈ R tal que   α α A= .8. z) ∈ W ⇒ ⇒ u = (x.I e portanto. A = At } e W =   em M2 encontre uma base 0 1 para U.W.I então ele é uma base para U +W. 0.

. Então qual- quer conjunto com mais de n vetores é necessariamente LD (e.  . .3 Sejam v1 . Exemplo 102 Sejam U e W subespaços de V = M2 tal que           a b  0 −1 −1 0 1 −1 U=   ∈ M2 : b + c = 0 e W =  .2 Todo conjunto LI de um espaço vetorial V é base do subespaço por ele gerado. Uma base para U ∩W é β = ϕ . eliminação Gaussiana:       1 0 0 c 0 0 −1 b + c      0 −1 1 d 0 0 0 d −a . Exemplo 101 O conjunto β = {(1. Base e Dimensão de um Espaço Vetorial que é satisfeita quando α = 0. y. . vetores não nulos que geram um espaço vetorial V . 0)} ⊂ R3 é LI e gera o subespaço W = {(x. uma base é:          1 0 0 1 0 0 1 1   . A = 0. Este é um caso patológico e para que não seja contrariada a definição de base tomamos β = ϕ (conjunto {−→} vazio) como sendo base para o espaço N = 0 . vn . β é base de W . Determine uma base para U ∩W Inicialmente. Veja a observação a seguir para elucidar esse fato. 2. Desse modo U ∩W = {0}. Então. Proposição 3. . v2 .V V gerado por um conjunto finito de vetores v1 . (−1. − → {− →} Observação 7 : Seja V um espaço vetorial e 0 ∈ V o vetor nulo de V. Teorema 3. ou seja. . −3. 64 3. encontremos  o subespaço   gerado  W :   a b 0 −1 −1 0 1 −1 Seja A ∈ W ⇒ A =  =α +β  +γ   c d 1 0 0 −1 0 1 A matriz ampliada desse sistema é:     0 −1 1 a −1 0 −1 b         −1 0 −1 b  0 −1 1 a   .3 Seja um E. qualquer conjunto LI tem no máximo n vetores). Como o conjunto β = 0 {− →} é LD (mostre isto) temos que este conjunto não pode ser uma base do conjunto N = 0 . . Para U +W : Como U ∩W = {0} temos U +W é soma direta e. portanto. portanto. . .   0 0 1 0 0 1 0 1  Proposição 3. . dentre estes vetores podemos extrair uma base de V .8. . R3 /3x − y − z = 0}. v2 . vn . pois β é LI e gera W.  c d  1 0 0 −1 0 1 a. z) ∈ ˙ Então. 1). .

 . Vejamos quantas e quaismatrizes  serão  eliminadas:            1 0 0 1 0 0 0 −1 −1 0 1 −1 0 0 a  +b   +c   +d   +e   +f  =  0 0 −1 0 0 1 1 0 0 −1 0 1 0 0   1 0 0 0 −1 1     0 1 0 −1 0 −1   . daı́ observamos que o subespaço gerado W é dado por   a b  W=   ∈ M2 : a = d  c d      a −c  E portanto obtemos U ∩ W =   . . a.Vamosobter os geradores de U : a b 1 0 0 1 0 0 Seja A ∈ U ⇒ A =   = a +b +d  −b d 0 0 −1 0 0 1       1 0 0 1 0 0 U =  . então devemos excluir uma dentre estas três. pois não são múltiplas uma  0 1 1 0  da outra. Base e Dimensão de um Espaço Vetorial 65 Osistema  só é possı́vel sed − a = 0. c ∈ R . 3a e 5a .8.  de U +W Obtemos os geradores  unindo  os geradores  de  U e W. Uma base para U ∩ W é β =  c a        1 0 0 −1   .  . b.  0 0 −1 0 0 1 1 0 0 −1 0 1 Uma base para U +W deve ter no máximo 4 matrizes. . Encontre uma base para U +W. então temos que . . . Note que as matrizes geram U ∩ W e são LI.  0 0 −1 0 0 1             1 0 0 1 0 0 0 −1 −1 0 1 −1 U +W =  . e ainda a 2a está relacionada com a 4a . então já sabemos que este conjunto é LD e que temos que eliminar no mı́nimo 2 matrizes para este conjunto se tornar LI. 3. eliminação Gaussiana:   0 −1 0 1 0 0   0 0 1 0 −1 1   a           0 0 0 −1 1  b   a−e− f = 0      1 0               a=c=e 0 1 0 −1 0 −1  c  0 b−d − f = 0    =   ⇒ ⇒      b=d 0 0 1 0 −1 1  d  0    c−e+ f = 0            f =0     0 0 0 0 0 −1  e  0 f =0   f Veja que não podemos excluir a última matriz e que existe uma relação entre a 1a .

4. A dimensão de qualquer subespaço W do R3 só poderá ser 0. temos os seguintes casos: 1.n Exemplo 106 dim Pn = n + 1 Proposição 3. Para permitir uma interpretação geométrica. consideremos o espaço tridimensional R3 (dim R3 = 3). a base é β = ϕ então dimV = 0.4 Seja V um E. Se V não possui uma base. Exemplo 103 dim R2 = 2 pois toda base de R2 tem 2 vetores Exemplo 104 dim M(2. tal que dimV = n Se W é um subespaço de V então dimW ≤ n.6 Sabemos que o conjunto β é base de um espaço vetorial se β for LI e gera V . n) = m.5 Seja V um E. V. No caso de dimW = n . Se V possui uma base com n vetores.  é uma base para U +W. 2. 2 ou 3.8. No entanto. Proposição 3. Base e Dimensão de um Espaço Vetorial excluir uma das duas. V de dimensão n.66 3. Proposição 3. tem-se W = V . dimW = 0. Se V possui uma base com infinitos vetores.  Excluindo  a 1a e a 2atem-se  que   0 0 0 −1 −1 0 1 −1  β=  . Então. se soubermos que dimV = n .2 Dimensão Seja V um Espaço Vetorial. Portanto. dimW = 2. então dimV é infinita e anota-se dimV = ∞. então W = {0} é a origem.  0 1 1 0 0 −1 0 1  3. então W é um plano que passa pela origem. . ou seja. dimW = 1. então V tem dimensão n e denota-se dimV = n.8. 3. para obtermos uma base de V basta que apenas uma das condições de base esteja satisfeita. 1. . 2) = 4 Exemplo 105 dim M(m. então W é uma reta que passa pela origem. qualquer subconjunto de V com mais de n vetores é Linearmente Dependente (LD). . dimW = 3 então W = R3 .

 p′′ (2) = 12a + 2b Portanto p(x) ∈ W é da forma p(x) = a(x3 − 15x) + b(x2 − 4x) + d. Base e Dimensão de um Espaço Vetorial 67 Exemplo 107 O conjunto β = {(2.8. 1} e dimW = 3. xn são chamados componentes ou coordenadas de v em relação a base . [ ] Logo W = x3 − 15x. { ′′ ′ } Exemplo 108 Seja W = p(x) ∈ P3 : p (2) + p (1) = 0 um subespaço vetorial de P3 . De fato.3.Então como  p (1) = 3a + 2b + c ′ ′′ ′ obtém-se de p (2) + p (1) = 0 que c = −15a − 4b. + xn un Os coeficientes x1 . 3)} é uma base do R2 . 1).   0 0 0 0 1 0 0 1  3. Se U e W são subespaços vetoriais de V então dim(U +W ) = dimU + dimW − dim(U ∩W ). . . . para encontrar a base de U + W podemos usar esta proposição: dim(U + W ) = dimU + dimW − dim(U ∩ W ) = 3 + 1 − 0 = 4 = dim M2 . Encontre uma base e a dimensão de W.8. x2 . un . . 1 . . ′′ ′  Se p(x) = ax + bx + cx + d ∈ W 3 2 temos que p (2) + p (1) = 0. . x2 − 4x. eles formam uma base do R2 . portanto. .7 Seja V um espaço vetorial de dimensão finita. comecemos pelos geradores de W . x2 − 4x. u2 . 3. temos que uma base de W é α = {x3 − 15x. .4 Coordenadas Seja V um espaço vetorial gerado e β uma base de V formada pelos vetores u1 . Vamos então encontrar uma base.3 Dimensão da Soma de Subespaços Vetoriais Proposição 3. (−1. No exemplo (100) de base. .8. Como esse conjunto é LI (fácil de verificar). como dim R2 = 2 e os dois vetores dados são LI (pois nenhum vetor é múltiplo escalar do outro). v ∈ V sendo v = x1 u1 + x2 u2 + . . . U + W = M2 e uma base pode ser dada por:          1 0 0 1 0 0 1 1   . .

1) (8. 0) em relação à base β é dado por [v]β =  1    −2 . b = 1 e c = −2. Isto é equivalente ao sistema:      a1 = 0 a1 + a2 = 0     a +a +a = 0 1 2 3 cuja solução é a1 = a2 = a3 = 0 . 6 2 3 Exemplo 110 Mostre que os vetores (1. 1)}. [v]β =   e [v]γ =  . 1) = (a. Encontre as coordenadas de (1. portanto. os vetores v1 . 1). 1. 1) + b(0. v2 e v3 são LI. Base e Dimensão de um Espaço Vetorial β e se representa por:   x  1     x2  [v]β =      :    xn Exemplo 109 No R2 consideremos as bases α = {(1. a + b. 0) + 6(0. 6) = 3(2.     a+b+c = 0   1     Desse modo. 0) ∈ R3 com relação à base β formada pelos vetores acima. (0. 2. 1. 1) formam uma base de R3 . 2. Dado o vetor v = (8. a + b + c) que é equivalente ao sistema:      a=1 a + b = 2 ⇔ a = 1. (1. 1. Já sabemos que dim R3 = 3. −3) + 3(2. (1.8. 3) (8. 6) tem-se: (8. β = {(2. 0) + 2(1. as coordenadas de (1. 1. (0. 0. 4)}. 6) = 2(1. 0). 3)} e γ = {(1. 0.4)     8 3 2 temos: [v]α =   .68 3.Então verificamos se os vetores acima são LI. Os vetores são LI se a1 v1 + a2 v2 + a3 v3 = 0 ⇔ a1 = a2 = a3 = 0. −3). 6) = 8(1. 0) = a(1. (2. 1) e (0. 0). 1) + c(0. 2.

a descrição do moviemnto torna-se muito simplificada se ao invés de trabalharmos com os eixos x e y utilizarmos um referencial que se apóia nos eixos principais da elipse. 1). Canônica 2. 1. Por exemplo. Mudar sistemas de coordenadas em um espaço vetorial é. 4) do R3 em relação as bases: 1.3.9.9 Mudança de Base Muitos problemas aplicados podem ser simplificados mudando-se de um sistema de coordenadas para outro. un } e β ′ = {w1.. Definição 3... 0. Mudança de Base 69 Exemplo 111 Determinar as coordenadas do vetor u = (2. a mesma coisa que mudar de base. Dado um vetor v ∈ V .. (1.9) Nesta seção. . podemos escrevê-lo como: v = x1 u1 + . + xn un (3. wn } duas bases ordenadas de um mesmo espaço vetorial V . a equação da trajetória será mais simples: 3u2 + 2v2 = 6. Figura 3..... + yn wn Como podemos relacionar as coordenadas de v em relação à base β . −1)}   1 −1 Exemplo 112 Determinar as coordenadas da matriz   de M2 em relação à base 2 0          1 0 0 1 0 0 0 0   ...8 Sejam β = {u1. (1.   0 1 0 0 2 0 1 2  3. 0.1: Mudança de Base . essencialmente. {(1.   x  1     x2   [v]β =     :    xn . .. Neste novo referencial.... . 1. vamos discutir o problema de mudar de um sistema de coordenadas para outro. cuja trajetória é uma elipse de equação x2 + xy + y2 − 3 = 0 (ver figura)..(3. 1).1) v = y1 w1 + . num problema em que um corpo se move no plano xy.

.... Mudança de Base com as coordenadas do mesmo vetor v em relação à base β ′   y1      y2  [v]β . un } é base de V.. . + a u n 1n 1 2n 2 nn n Substituindo em (3. + xn un . + (an1 y1 + . + an1 un ) + .. + yn (a1n u1 + a2n u2 + .′  = ....... .... .. + a1n yn )u1 + . + a2n yn : : : xn = an1 y1 + an2 y2 + ... + ann yn )un Mas v = x1 u1 + . + a u 2 12 1 22 2 n2 n (3. podemos escrever os vetores wi como combinação linear dos u j . temos: x1 = a11 y1 + a12 y2 + . + a1n yn x2 = a21 y1 + a22 y2 + .. + yn wn = y1 (a11 u1 + a21 u2 + .se usarmos a notação   a11 : a1n   β′   [I]β =  : : :    an1 an2 ann temos a relação β′ [v]β = [I]β [v]β ′ . + ann un ) = (a11 y1 + .. isto é:      w1 = a11 u1 + a21 u2 + .   :    yn Já que {u1 ..70 3..1) temos: v = y1 w1 + ....2)     :    w = a u + a u + . + ann yn Em forma matricial      x a : a1n y  1   11  1        : = : : :  :       xn an1 an2 ann yn Logo ... + an1 un    w = a u + a u + .... e como as coordenadas em relação a uma base são únicas.9....... .

[I]β =  11 11  1 2 11 11 Podemos usar esta matriz para encontrar por exemplo. 0. Note que uma vez obtida [I]β podemos encontrar as coordenadas de qualquer vetor v em relação à base β . 0. (5. a21 + a31 . colocando as coordenadas em relação β′ a β de wi na i-ésima coluna. (1. 0) = a11 (1. −a11 + 4a21 ) 4 1 Isto implica que a11 = 11 e a21 = 11 w2 = (0. 1) = a12 (2. 1) + a22 (1. 0. Mudança de Base 71 β′ A matriz [I]β é chamada matriz mudança de base β ′ para a base β . 1. (0. 1. y e z . 0) (a12 + a22 + a32. 1). 1). 2)} e β´ = ′ β {(1. a23 + a33 . 2) ⇔ (0. (0. 1. 4)} e β ′ = {(1. 1) Note que cada linha acima representa um sistema de três equações com três incógnitas e que a matriz associada a cada um destes sistemas é a mesma e o que muda são os nomes das variáveis e o segundo membro. Utilizando como variáveis x. basta resolvermos o seguinte sistema: . 1. (1. multiplicando a matriz pelas coordenadas de v na base β ′ (supostamente conhecida). Procuremos inicial- β′ mente [I]β w1 = (1. 4) Exemplo 114 Considere as bases em R3 β = {(1. (3. −1) + a22 (3. 0). a12 = −3 e a22 = 2  11  11 4 −3 β′ Portanto. 0.2) e observe que esta matriz é obtida. 1) + a33 (1. 1) + a31 (1. 4) = (2a11 + 3a21 . Seja: (1. 1)} bases de R2 . a11 + a21 + 2a31 ) = (1. 0) = a12 (1. a13 + a23 + 2a33 ) = (0. 4) Resolvendo. −1). 0. 1. a12 + a22 + 2a32 ) = (0. 1) = a13 (1. 1)}. 1. −8) = 4(2. −8)      4 −3 β′ 5 4 [(5. 0. −8)]β = [I]β [(5. 0. −1) − 1(3. 0. 0. (0. −8)]β ′ =  11 11   =  1 11 2 11 −8 −1 Isto é. −1) + a21 (3. Encontre[I]β . 1. 0. 1) + a32 (1. 1) + a23 (1. 1. a22 + a32 .3.9. 1. 2) (a11 + a21 + a31. Exemplo 113 Sejam β = {(2. 2) (0. 0) (a13 + a23 + a33. 1. 0). 1) + a21 (1. β′ Compare [I]β com (3. 1. 0) = a11 (2. [v]β para v = (5. 0).

c) = (0. 0). O sistema acima é equivalente a      1 1 1 x a            0 1 1  y  =  b       0 0 1 z c−a cuja solução é dada por x = a − b. b. 0) − 1(0. c) = (1. 1. Desta forma obtemos:   1 −1 0   β′   [I]β = 1 1 −1    −1 0 1 3.1 )começarmos escrevendo os ui em função dos w j . 0).10.obtemos (a12 . 1). 0) Tomando (a.10 A Inversa da Matriz de Mudança de Base Se em (3.obtemos (a11 . c) = (0. 0) + 4(0. a21 . c ∈ R. A Inversa da Matriz de Mudança de Base      1 1 1 x a            0 1 1  y  =  b       1 1 2 z c onde a. 1. b. 1). −1) Tomando (a. 0. 1. y = a + b − c e z = c − a Tomando (a. 1) β 2 3 ⇒ [I]β ′ =   (3. 0. 1) −1 4 . a22 . 4) = 3(1. a31 ) = (1. −1. b.72 3. a33 ) = (0. b. a32 ) = (−1. −1) = 2(1.obtemos (a13 . a23 . pois β ′ é a base canônica   (2. chegaremos à relação: β [v]β ′ = [I]β ′ [v]β β′ β Um fato importante é que as matrizes [I]β e [I]β ′ são inversı́veis e ( ) β ′ −1 β [I]β = [I]β ′ β′ β Exemplo 115 No exemplo (113 ) anterior podemos obter [I]β a partir de [I]β ′ β Note que [I]β ′ é fácil de ser calculada .

obtém-se 2 − 13 1 1 3 3 3    0 1 0 −1  [I]β =  α    0 0 1 0    0 0 0 − 13   1     2 b. Encontre [I]αβ . −3x3 bases de P3 . A Inversa da Matriz de Mudança de Base 73 Então  −1   4 −3 β′ 2 3 [I]β =   = 11 11  −1 4 1 11 2 11 { } { } Exemplo 116 Seja V = P3 e α = 2. a. x + 1.  −1   4   3 1 − 12 0 2 2  ( )−1  0 1 0  −3 β β α Devemos usar a relação [p]α = [I]α [p]β onde [I]α = [I]β =    0 0 1 0   0 0 0 −3      3 1 − 12 0 1 3 2 2           0 1 0 −3  2  −10 [p]α =     =       0 0 1 0  −1  −1       0 0 0 −3 4 −12 . x2 + 1. x2 . temos: 2 = (3a + b) + bx + cx2 + −3dx3 x = (3e + f) + fx + gx2 + −3hx3 x2 + 1 = (3i + j) + jx + lx2 + −3mx3 x3 − x = (3n + o) + ox + px2 + −3qx3 Daı́. Escrevendo os elementos da base α como combinação dos elementos da base β .3 + j(x + 1) + lx2 + m(−3x3 ) x3 − x = n. comparando  ambos  os lados das igualdades. x3 − x e β = 3.10. 2 = a. x.3 + b(x + 1) + cx2 + d(−3x3 ) x = e.3 + f(x + 1) + gx2 + h(−3x3 ) x2 + 1 = i.3. Encontre [p]α sabendo que [p]β =   .3 + o(x + 1) + px2 + q(−3x3 ) Rearranjando os termos à direita de cada igualdade.

4.t) pertencem a R2 . vn } é um conjunto Linearmente Independente então o { − → } o conjunto α = v1 . z) ∈ R3 : 2x + 3y − z = 0} b) V = R3 e W = {(x1 . z) ∈ R : det 1 2 1 = 0 3 3           0 1 1 { } i) V = M2×2 e W = A ∈ M2×2 : A2 = A Exercı́cio 3. vn é LI ou LD? Justifique sua resposta. (1..5 Dado o conjunto W = {(1. y). x2 .4 Verifique se o conjunto W = {(1. 1). y) e v = (s.6 a) Se o conjunto β = {v1 . onde α ∈ R e u = (x.t) = (s. onde u = (x. extrair um subcon- junto de vetores L. y + t). 0). y) + (s. y) ∈ R2 . y) = (α x.. y) e v = (s.. 1. 3. Exercı́cio 3. (1. {−→} b) Considere o subespaço N = 0 . 2.t) pertencem a R2 ii. x3 ) ∈ R3 : x1 + x2 = 1} c) V = Pn e W = {p ∈ Pn : p(0) = p(1)} d) V = M(2. (x. v2 . { ∫ } g) V = P1 e W = p(x) ∈ P1 : 01 p(x)dx = 0            x y z      h) V = R e W = (x...D. y) = (α x.11. 2. y + t).11 Terceira lista de exercı́cios Exercı́cio 3. y) e v = (s.t) = (x + s. .I ou L. y.1 Verifique se R2 com as operações definidas por: i. y. Exercı́cio 3. 5)} ⊂ R3 . é um espaço vetorial. 1). 2) e S = {X ∈ M2 det(X) = 0} (S é o conjunto das matrizes singulares) e) V = M(n. v2 . n) e F = {X ∈ Mn AX = XA} (F é o conjunto das matrizes que comutam com a matriz A) f) V = P3 e W é o conjunto dos polinômios de grau ≤ 3 que passam pelo ponto P(0. Qual é a base e a dimensão de N. Exercı́cio 3. (0. é um espaço vetorial. y) + (s. . 0 . α y). 3).. a) V = R3 e W = {(x. (1.t) pertencem a R2 ii.2 Moste que R2 com as operações definidas por: i. α (x. 3). α (x. onde u = (x. onde α ∈ R e u = (x. Exercı́cio 3. 1. 4.I. Terceira lista de exercı́cios 3.3 Verifique se em cada um dos itens abaixo o subconjunto W é um subespaço do espaço vetorial V . . 3). 1). 3. 5)} ⊂ R3 é L. 74 3. (0. (x. (1.

2). Veri-  c d  fique se o subconjunto W é um espaço vetorial.       1 1 0 0 0 2 Exercı́cio 3. −1.7 a) Verifique se o conjunto S = {A ∈ M(3.3. Exercı́cio 3. d ∈ R e b = c e a = −b  c d      a b  b) V =   com a. 0). 2. v2 . c.9 Considere o espaço vetorial P3 e o conjunto W = {p(x) ∈ P3 .12 Dê um exemplo de um subespaço vetorial de P3 com dimensão 2. v3 . v2 . v4 ]. −3.13 Mostre com um exemplo que a união de dois subespaços vetoriais de um mesmo espaço vetorial não precisa ser um subespaço vetorial desse espaço. dado por W =   ∈ M2  b = a e d = −a . 0. 1. 0. 0. 0). Exercı́cio 3.8 Considere o subespaço de R4 gerado pelos vetores v1 = (1. Terceira lista de exercı́cios 75 Exercı́cio 3.  a b  a) V =   com a.     a b  b) Considere o subconjunto de M2 . Exercı́cio 3. a) O vetor (2. { } b) O conjunto β = 2. v3 . b) Obtenha os geradores de W . v4 ]? Justifique. p′′ (1) = 0}.t + t 2 . 2) ∈ [v1 . A é uma matriz anti-simétrica} é um subespaço vetorial de M(3. 3). v2 . v2 = (0. 2)? . 2. 0. b. determine: i) uma base para W1 ∩W2 ii) W1 +W2 é soma direta? iii) W1 +W2 = M(2. Qual é a dimensão deste espaço? c) [v1 .t 2 + t 3 de P3 . v4 ] = R4 ? Por quê? Exercı́cio 3.11. d ∈ R e b = d  c d  Em caso afirmativo. 1. 1). e ? 1 0 1 1 0 −1 Exercı́cio 3.14  Responda  se os subconjuntos abaixo são subespaços  de M(2. a) Verifique se W é um subespaço vetorial de P3 . 3).t + t 2 é LI ou LD? Justifique sua resposta.10 a) Encontre as coordenadas do vetor p = 1 + t + t 2 + t 3 emrelação base α = { } 2. 1) e v4 = (1.t 2 . c. v3 . b) Exiba uma base para [v1 .11 Qual o subespaço gerado pelas matrizes  . v3 = (−2. Exercı́cio 3. 1 + t. b.

c) W1 +W2 é soma direta? Justifique.t. Exercı́cio 3. y. Exercı́cio 3. b) Determine uma base para U ∩W .t.15 Considere os subespaços de R5 . Determine: a) uma base e a dimensão de U ∩W . 0. w)2x + t + 2w = 0}. 2) : a + b = c + d = 0  c d  a) Determine uma base e indique a dimensão de S. w)x + z + w = 0. Exercı́cio  3. 2)     a b  S=   ∈ M(2. w)y + z + t = 0} e W3 = {(x. (0.17 Considere o subespaço W de P3 que é gerado pelos polinômios p1 (x) = 1 + 2x + x2 . 1. 0). y. 2) que contenha a base de S obtida no ı́tem a). c) Determine uma base para U +W . W1 = {(x.16 Considere os seguintes subespaços de P3 : { ′′ } U = p ∈ P3 : p (1) = 0 { ′ } e W = p ∈ P3 : p (1) = 0 Determine dim(U +W ) e dim(U ∩W ).19 Considere o seguinte subespaço de M(2.18 Sejam U = [(1. d) W1 +W2 = R5 ? Exercı́cio 3. p2 (x) = −1 + 2x2 + 3x3 e p3 (x) = −1 + 4x + 8x2 + 9x3 e o subespaço de P3. z. b) U +W = R3 ? Exercı́cio 3.76 3. 1)] e V = [(0. y. U = {p ∈ P3 : p(0) = 0} a) Determine uma base e a dimensão de W . 0). (1.11. b) Determine uma base e a dimensão de W1 +W3 . z. b) Construa uma base de M(2.t. Terceira lista de exercı́cios Exercı́cio 3. 1)] subespaços gerados do R3 . a) Determine uma base para o subespaço W1 ∩W2 ∩W3 . 0. W2 = {(x. 1. z. x + w = 0} .20 Determine a dimensão e encontre uma base do espaço-solução do sistema   x − 3y + z = 0   2x − 6y + 2z = 0     3x − 9y + 3z = 0 .

a3 .      x + y + az = 0 Exercı́cio 3.26 Considere o seguinte subespaço de M2 : W =   d = 0 . [I]β1 ii. ( 3. 2). 16x4 .     a b  Exercı́cio 3. β3 { } Exercı́cio 3.3. β ii.     4   5 c) Determine o polinômio p cujas coordenadas são dadas no item b) acima. um plano que passa pela origem.22 O conjunto A = {(1. β1 iii. a)} é uma base para um subespaço do R3 de dimensão 2. a1 . a) Determine [I]βα . Mostre que a dimensão de U ∩ W é pelo menos 1. x4 e β = 2. 1). respectivamente. Sejam  c d  . Quais as 0 coordenadas do vetor u em relação à base: i. β3   4 c) As coordenadas de um vetor u em relação à base β1 são dadas por [u]β1 =  . (1. β2 iii. 1).24 Sejam β = {(1. se e somente se. a2 . x. α = { } { } 1. 2x.25 Sejam P4 = p = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 a0 . determinar [p]β . 0). a. 0). a4 ∈ R . 0). −2) em relação à base i. O que ocorre se a dimensão de U ∩ W for 2 ? Pode ser 3? Justifique sua resposta. [I]β iv.23 Seja S = {X ∈ M3×1 : AX = 0} o espaço solução do sistema x + ay + z = 0 . e. 2)} bases ordenadas de R2 . uma reta que passa pela origem. 0. √ √ Exercı́cio 3. [I]β iii. Terceira lista de exercı́cios 77 Exercı́cio 3. x2 . Exercı́cio 3. [I]β 1 2 3 b) Quais são as coordenadas do vetor v = (3. −1)} e β3 = {(2.11. (a2 . 0. a) Encontre a matriz mudança de base: β β β β i. β2 iv. β1 = {(−1. 1)}. 8x3 .   1     2     b) Se [p]α = 3 . De-     ax + y + z = 0 termine os valores de a para os quais S seja: a própria origem. x3 . a = 2. β2 = { 3. 4x2 . (0.21 Sejam U e W subespaços de R4 de dimensão 2 e 3. (1. 1)}. β ii. (0.

   1 0 1 0 −11 0         1 0 1 1 1 0  β =  . u2 . b) Determine [I]αα . u2 . u3 }. u3 }. b) Calcule as coordenadas do vetor w = v1 + v2 − v3 na base {u1 . Terceira lista de exercı́cios        1 1 1 −1 1 1  α =  . −1. 0. u3 } uma base de E. determine [v]α . v2 .28 Seja α =  .29 Seja E um espaço vetorial qualquer e α = {u1 . (0. 0). Exercı́cio 3. a) Determine a matriz S de mudança da base β = {v1 .78 3.   0 Exercı́cio 3. Considere ainda os vetores v1 = u1 + u2 . .  uma base para um subespaço de M2×2  0 0 1 0 −2 0    1 0 −1     e [I]αβ = 1 1 −1 onde β é também uma base para um subespaço de M2×2   2 −1 2  β. . Determine a base β sabendo que α = {(1. a) Determinea base 1     b) Se [v]β = −2 . 1.27 Sejam α e β bases de R3 . v2 = 2u1 + u2 − u3 e v3 = −u2 . u2 .   π     b) Se [v]β =  e  . . v3 } para a base α = {u1 . determine [v]α . (0. −1)} e a matriz mudança de base de α para β é   1 0 0     [I]βα =  0 2 1   −1 1 1        1 1 0 1 2 1  Exercı́cio 3.30 Sejam α e β bases de um espaço vetorial V . ( ) a) Mostre que det [I]βα [I]αβ = 1. 0).11.   1 0 0 0 0 0  a) Detemine [I]βα .   1 Exercı́cio 3. .

a) Sim b) Uma base é β = {(1. Terceira lista de exercı́cios 79 Exercı́cio 3. 0. v − w e u − w são LI ′ s. Uma base é α = {1 − 2x}. 1. 1). Uma base é α = {(1. (2. (0.Não é espaço vetorial 3. 0)} e dimW = 3. 0.a) Sim b) W = [x3 − 3x2 . 0 3 1 0 1 1 0 −1 → − → − → − → − → − → − → − → − → − b) Se os vetores u .8 . 1. 3)}. 0). g) Sim. 1. 3)}. 1. − → v 1 +−→v 2 +−→v 3 } é lineramente independente. e) O subespaço W = {p ∈ P3 : p′ (1) = 0 e p′′ (−1) = 0} é gerado pelos polinômios p1 = 1 e p2 = −9x + 3x2 + x3 . 0). (1. 0. 1. Uma base é α = {1.t 2 .D. − → v 1 +− → v 2. . 1).3.Um dos subconjuntos é W1 = {(1. 3. Uma base é α = {t. (0. −1. Se forem ver- dadeiras.t n }. v e w são LI então os vetores u − v . (1. − → v 2. (0. c) W = [(1. 1)}. 2). b) Não c) Sim. − → v 3 } é uma base de um espaço vetorial V . a) A interseção de dois subespaços vetoriais nunca é vazia.3 . dê um contra-exemplo. 1.11.a) Sim. c) Não 3.9 .31 Verifique se as afirmações abaixo são VERDADEIRAS ou FALSAS. . 1] . 0). d) Se β = {− → v 1.t.1 . Se forem falsas. h) Sim. d) Não e) Sim f) Sim.         −1 2 1 1 0 0 0 2 b) A matriz   pertence ao subespaço W =  . (0.L. 0. 0. 2. 3).11. x. i) Não 3.a) Sim b) Sim 3. · · · . 3.4 . 0)] é um plano no R3 que passa pela origem.1 Algumas respostas e sugestões 3.t 2 .5 .t 3 }. Uma base é α = {(1. 2. demonstre. 3.7 . 4. então o conjunto A = {− → v1+ → − v 3.

1)]. x3 }. 0). Terceira lista de exercı́cios   0      1  3. Porque?      1 −1 0 0  3.17 .   e dim(S) = 2. −1)} b) β = {(1.    0 0 1 −1 1 0 0 0        −1    3          3. uma reta passando pela origem.   .   . 1.a) Uma base é α = {p1 . −1). (0. S = (0.Uma base é α =  1  .P1 3. 0. 0. (0. e para a = 1. a ̸= −2. 0.  0  e dim(W ) = 2. 1)].dim(U +W ) = 4 e dim(U ∩W ) = 2 3. 0. 1. (0.14 . 0. p2 } e dim(W ) = 2.15 .W =   ∈ M2 : a + b − 2c + 2d = 0  c d  3.12 .80 3. x2 . b) Uma base é β = {2x + 3x2 + 3x3 }. 0.24 . b) Sim.Para a ̸= 1. 0).  (−1. c) Uma base é γ = {1. 0. 3.a) Sim b) Sim    1 −1  i) uma base é β =    −1 −1  ii) Não iii) Sim 3.          0   1 3.23 .16 .18 . 1.11.a) β = {(1. um  plano passando  pela origem.19 . S =[(−1.I. 0. 0. 1)} e dim(U ∩W ) = 1. 0. 0. S = [(1. 0). −2.   β −1 1 − 12 1 1 1 3.10 . Para a = −2.11 . 1)} c) Não d) Não 3. 0. (0. 1.a) Uma base é β = {(0. 0.a) Uma base é β =   . 0. 0. 1. 0).a) [p]α =      0    1 b) L.a) i) [I]β1 =   ii) [I]β =  2  iii) [I]β =  6 2  iv) [I]β = β β β − 21 1 1 1 2 1 3 1 1   2 2 6 1 0  2  1 0 2 . 0.     a b  3.20 . x. 1. 0).  0 0 1 −1           1 −1 0 0 0 0 0 1  b) Um exemplo é α =   .

 1). (0. −1.25 .β = {(1.a) [I]β =  0 0 4 0 0  1      0 0 0 18 0    1 0 0 0 0 16   1  2     1      b) [v]β =  34     1   2    5 16 c) p(x) = 1 + 2x+ 3x2 + 4x3 + 5x4  1 1 −11   α   3.29 .a) V b) V c) F d) F e) V f) V . 1.a) β =  4 2   4 2   4 .3.a) [I]αβ =  1 1 −1    0 −1 0   3     b) [w]α =  3    −1 3.26 . −2. Terceira lista de exercı́cios 81         3 − 5 − 1 3 b) i) [v]β =   ii) [v]β =  2  iii) [v]β =  2  iv) [v]β =  2  1 2 3 −2 1 3 −1     2   2 −4 4 −2 c) i)   ii)  3  iii) [v]β =  2  4 −3 8 2   1 0 0 0 0  2     0 12 0 0 0    α   3.11.28 . . 2   1 0 1 − 12 0    2 2 0 0     b) [v]α =  −3    −1   1 2 0     3.a) [I]β =  1 −1 1    −1 1 11   π 11 + e  2 12   π  b) [v]α =    2  e 12 3.  −2).27 . (0.31 .−2)}    − − 5 3 3 3 3 1  3.

Terceira lista de exercı́cios .11.82 3.

Sejam x1 . 5x1 + 2. Cenoura. T (kv) = kT (v) Exemplo 117 Um agricultor planta e comercializa três tipos de verduras: Tomate.1 Sejam V e W dois espaços vetoriais. x3 ) = 3. 9x3 . T (u + v) = T (u) + T (v) • Qualquer que sejam k ∈ R e v em V . T : V → W. 20 e da cenoura a R$2. 5x1 + 2. x3 ) ∈ R3 associa o total de vendas TV (x1 .da batata a R$2. 90 então o total de vendas (TV ) é dado por 3. 50. A aplicação que a cada tripla (x1 .Capı́tulo 4 TRANSFORMAÇÕES LINEARES Definição 4. 2x2 + 2. x2 . x2 . . Batata. Batata. 2x2 + 2. Uma Transformação Linear (aplicação linear) é uma função de V em W. que satisfaz as seguintes condições: • Qualquer que sejam u e v em V . x2 . x3 ) é uma aplicação linear. x3 as quantidades em quilos de Tomate. Matematicamente temos uma transformação linear do EV R3 no EV R : TV : R3 → R TV (x1 . Cenoura respectivamente. Se o agricul- tor vende o quilo do tomate a R$3. 9x3 Vamos agora mostrar que de fato esta aplicação é uma transformação linear. x2 .

Exemplo 118 Sejam V = R. (x1 + x2 ) + (y1 + y2 )) i) = (2x1 + 2x2 . 9y3 TV (u) + TV (v) = (2x1 + 1. x2 . x3 + y3 ) = 2(x1 + y1 ) + 1. y3 ) ∈ R3 e k ∈ R temos: TV (u + v) = TV ((x1 . y2 . 9x3 ) + (2y1 + 1. W = R e F : R → R dado F(u) = u2 . 9(x3 + y3 ) = 2x1 + 1. 0. 0 + 0. y3 )) = TV (x1 + y1 . x3 ) = 2x1 + 1. 0. x2 + y2 ) = T (u) + T (v) . x3 ) ∈ R3 . x + y). x1 + y1 ) + (2x2 . x2 . T é uma transformação linear pois. 5x2 + 1. 5x2 + 1. 5x2 + 1. 5kx2 + 1.84 Capı́tulo 4. y2 . 9x3 + 2y1 + 1. 5x2 + 1. 5x2 + 1. 5y2 + 1. 0. x2 . y1 ) + (x2 . v = (y1 . 9x3 TV (v) = T (y1 . T (x. 5y2 + 1. 0. kx3 ) ii) = 2kx1 + 1. 5(x2 + y2 ) + 1. x3 )) = TV (kx1 . y2 . 5y2 + 1. 9y3 ) TV (u) = T (x1 . T (u + v) = T ((x1 . y) = (2x. 5y2 + 1. kx2 . x2 + y2 . 9x3 ) + (2y1 + 1. TV (ku) = TV (k(x1 . x2 . A aplicação F não é uma transformação linear pois: F(u + v) = (u + v)2 = u2 + 2uv + v2 F(u) + F(v) = u2 + v2 F(u + v) ̸= F(u) + F(v) Exemplo 119 T : R2 → R3 . 9kx3 = k (2x1 + 1. y1 + y2 ) = (2(x1 + x2 ). 9y3 i) = (2x1 + 1. 9y3 ) Logo TV (u + v) = TV (u) + TV (v). De i) e ii) vemos que TV é uma transformação linear. 9x3 ) = kT (u) Logo TV (ku) = kTV (u). y2 )) = T (x1 + x2 . y3 ) = 2y1 + 1. (x1 + y1 ) + (x2 + y2 )) = (2x1 . TRANSFORMAÇÕES LINEARES Chamando u = (x1 . x3 ) + (y1 .

. p(x) = a0 + a1 x + a2 x2 + . ky1 ) ii) = (2kx1 . Exemplo 120 V = W = Pn e D : Pn → Pn−1 D( f ) = f ′ a aplicação derivada que a cada polinômio associa sua derivada.Capı́tulo 4. D( f + g) = ( f + g)′ i) = f ′ + g′ = D( f ) + D(g) D(k f ) = (k f )′ ii) = kf′ = kD( f ) Exemplo 121 V = Pn . + an xn T : Pn → Pn+1 T (p(x)) = xp(x) = a0 x + a1 x2 + a2 x3 + . .W = Pn+1 . y1 )) = T (kx1 . para quaisquer f . a qual também é um polinômio é uma aplicação linear. kx1 + ky1 ) = k (2x1 . TRANSFORMAÇÕES LINEARES 85 (ii)T (ku) = T (k(x1 . . . g ∈ Pn e k ∈ R. 0. De fato. + an xn+1 A aplicação T é uma transformação linear pois T (p + q) = x(p + q)(x) = x(p(x) + q(x)) = xp(x) + xq(x) = T (p) + T (q) T (kp) = x(kp)(x) = xkp(x) = kxp(x) = kT (p) . x1 + y1 ) kT (u) Portanto T é uma transformação linear. 0.

g ∈ C(R) e k ∈ R então J( f + g) = ( f + g)(0) = f (0) + g(0) = J( f ) + J(g) J(k f ) = (k f ) (0) = k f (0) = kJ( f ) Exemplo 125 Seja. v0 ⟩ T é uma aplicação linear (mostre isso. + an (ax + b)n Esta aplicação também é linear pois. TRANSFORMAÇÕES LINEARES Exemplo 122 V = W = Pn . se f . Seja Rn com o produto escalar usual ⟨. . . Considere J : C(R) → R J( f ) = f (0) Por exemplo se f (t) = t 2 então J( f ) = f (0) = 02 = 0. . J é uma aplicação linear pois.86 Capı́tulo 4. pois . b ∈ R e T : Pn → Pn T (p(x)) = p(ax + b) = a0 + a1 (ax + b) + a2 (ax + b)2 + . . + an xn . . a.. use as propriedades do produto escalar) Exemplo 124 Sejam C(R) = { f : R → R / f é contı́nua} . p(x) = a0 + a1 x + a2 x2 + .⟩ e v0 ∈ Rn um vetor qualquer fixado. T : Rn → R T (v) = ⟨v. M2 → M2 T :    a b a+b b+c T   =   c d c+d d +a Esta aplicação é uma transformação linear. Seja. T (p + q) = (p + q)(ax + b) = p(ax + b) + q(ax + b) = T (p) + T (q) T (kp) = (kp)(ax + b) = kp(ax + b) = kT (p) Exemplo 123 Uma transformação linear inportante é aquela que se obtém usando-se o produto es- calar.

. T : Mn → R T (A) = det(A) Esta aplicação não é uma transformação linear. TRANSFORMAÇÕES LINEARES 87       a1 b1 a2 b2 a1 + a2 b1 + b2 T  +  = T   c1 d1 c2 d2 c1 + c2 d1 + d2   a1 + a2 + b1 + b2 b1 + b2 + c1 + c2 =   c1 + c2 + d1 + d2 d1 + d2 + a1 + a2     a1 + b1 b1 + c1 a2 + b2 b2 + c2 =  +  c1 + d1 d1 + a1 c2 + d2 d2 + a2     a1 b1 a2 b2 = T   + T   c1 d1 c2 d2      a b ka kb T k   = T   c d kc kd   ka + kb kb + kc =   kc + kd kd + ka   a+b b+c = k  c+d d +a   a b = kT   c d Exemplo 126 Seja. y.Capı́tulo 4. Exemplo 128 Verificar se a aplicação F : R2 → R2 definida por F(x. x) é linear. z) = (z. em geral det(A1 + A2 ) ̸= det(A1 ) + det(A2 ) Exemplo 127 Verificar se a aplicação F : R3 → R2 definida por F(x. pois. y) = (x2 + y2 . x + y) é linear.

Dado v = (x.1. Esta aplicação é dada por: Se v = a1 v1 + · · · + an vn . 1) base de R2 e w1 = (2. T (vn ) = wn . 1)? Temos neste caso v1 = (1. 0) + y(1. 0) e v2 = (1. y) = (x − y)(1. · · · . como T é linear T (v) = a1 T (v1 ) + · · · an T (vn ) T (v) = a1 w1 + · · · an wn a1 . a2. então T (v) = T (a1 v1 + · · · + an vn ). · · · . 1) T (x. y) = (x − y)(2.. 0. y) = T ((x − y)(1. 1) T (x. Exemplo 129 Qual a transformação linear T : R2 → R3 tal que T (1. 1) = (0. 1) (x.1 Propriedades das Transformações Lineares Teorema 4. y) arbitrário. 0) + b(1. 0) e w2 = (0. vn } de V. 0) + y(1. Sejam w1 . −1. wn elementos arbitrários de W . 1)) T (x. Então existe uma única aplicação linear T : V → W tal que T (v1 ) = w1 . y) = (2x − 2y. 0) + yT (1. 0) e T (1. −1. 0. −1.. 0) + y(0. y) = (x − y)T (1. 0) = (2. y) = a(1.88 4.1 Dados dois espaços vetoriais reais V e W e uma base de β = {v1 .. 0. an devem ser determinados. Propriedades das Transformações Lineares 4. y) Exemplo 130 Qual a transformação linear T : M2 → P4 tal que   1 0 T   = x4 + x 0 0   0 1 T   = x3 + x2 0 0 . (x. · · · . −x + y. 1) T (x.. 1).

ou seja. Podemos escrever: c d           a b 1 0 0 1 0 0 0 0   = a +b +c +d . y) = (2x − y. Exemplo 131 Seja T : R2 → R2 a transformação linear dada por T (x. portanto c d 0 0 0 0 1 0 0 1            a b 1 0 0 1 0 0 0 0 T   = T a  +b +c +d  c d 0 0 0 0 1 0 0 1         1 0 0 1 0 0 0 0 = aT   + bT   + cT   + dT   0 0 0 0 1 0 0 1   a b ( ) ( ) ( ) ( ) T   = a x4 + x + b x3 + x2 + c x2 + x3 + d x + x4 c d   a b T   = (a + d)x + (b + c)x2 + (b + c)x3 + (a + d)x4 c d Definição 4. −10x + y). Ou seja Im(T ) = {w ∈ W / T (v) = w para algum v ∈ V } Observação 8 Note que Im(T ) é um subconjunto de W e. Propriedades das Transformações Lineares 89   0 0 T   = x2 + x3 1 0   0 0 T   = x + x4 0 1   a b Uma matriz A ∈ M2 é da forma A =   . y) tal que T (v) = u. além disso. 2) a) Para que u ∈ Im(T ) deve existir algum v = (x.2 Seja T : V → W uma transformação linear. . é um subespaço vetorial de W. y) = (1.4. T (x. 2). A imagem de T é o conjunto de vetores w ∈ W tais que existe um vetor v ∈ V .1. Qual dos vetores abaixo pertence a imagem de T a) u = (1. que satisfaz T (v) = w. 2) b) w = (−1.

x − y − z. sendo denotado por Ker(T ). Isto é. w2 = (−1.1. −1. O conjunto de todos os vetores v ∈ V tais → − que T (v) = 0 é chamado núcleo de T . z) = (2x − y − z. y) tal que T (v) = w. 2)   2x − y = 1  −10x + y = 2 Resolvendo o sistema temos x = − 38 e y = − 74 . mas β é base para R3 . é um subespaço . 1). −1) Logo todo vetor que pertence a imagem de T é gerado pelos vetores w1 = (2. (−1. 2) (2x − y. −1)] . 1) e w3 = (−1. 2) (2x − y. ou seja T (x. Podemos então escrever que Im(T ) = [(2. −1. T (x. uma transformação linear. −1. −1.3 Seja T : V → W. 1). −1. x + y − z). y) = (−1. 1. 1. Propriedades das Transformações Lineares temos então: T (x. x + y − z) = x(2. logo concluimos que Im(T ) = R3 . 1. Se w ∈ Im(T ) então w = T (x. 1). 1) + z(−1. 1. Como o conjunto β = {(2. y) = (1. 2)   2x − y = −1  −10x + y = 2 Resolvendo o sistema temos x = − 18 e y = 3 4 logo w pertence a imagem de T pois T (− 18 . − 74 ) = u. 1). y. −10x + y) = (1. (−1. z).90 4. y. Definição 4. 34 ) = w Exemplo 132 Determine a imagem da transformação linear T : R3 → R3 . x − y − z. −1. { →} − Ker(T ) = v ∈ V  T (v) = 0 Observação 9 Observe que Ker(T ) ⊂ V é um subconjunto de V e. 1). ou seja. −1)} é LI (verifique isto) temos que β é uma base para a Im(T ). logo u pertence a imagem de T pois T (− 83 . 1) + y(−1. −1). (−1. −1. −10x + y) = (−1. (−1. w = (2x − y − z. ainda mais. b) Analogamente deve existir algum v = (x. −1.

2)] . z. Neste caso todo vetor de V é levado no vetor nulo pela transformação T.. .(134) Exemplo 135 Encontre o núcleo da transformação linear: T : R4 → R3 T (x.4. 0      . Neste caso temos T (x. 0) ⇒ x = 0 e y = 0. z = 0 e t = 2y.. z) ∈ R3  z ∈ R .1: Projeção Ortogonal . 0). z) = (x. z) = (0. 2x + z − t. 0) ⇒ (x. 0. z) = (0. 2y − t) Devemos encontrar os vetores v = (x.t) = (x + y + z − t. y. y. temos que z é qualquer. 0 pa = pc = 3 e p = 3 < n = 4 logo o sistema é compatı́vel e indeterminado com grau de liberdade 1. z. y. 0 1 1 1 −1 .. Alguns autores denotam o núcleo de T por N(T ).t) ∈ R4 tais que T (v) = T (x. Logo.    x+y+z−t = 0   −2y − z + t = 0     −z = 0 o que nos fornece. 2y) ∈ R4  y ∈ R = [(1. logo Ker(T ) = (0.   2 0 1 −1 . y. Figura 4. 0 2 0 −1 . 0.. 1. Propriedades das Transformações Lineares 91 vetorial de V. Se T (x. 0. Neste caso temos que resolver o sistema homogêneo:    x+y+z−t = 0   2x + z − t = 0     2y − t = 0 A  matriz ampliada do sistema   é:  . x = y. 0 0 0 −1 0 . dada por T (v) = 0 . assim temos que Ker(T ) = V Exemplo 134 Seja T : R3 → R3 a projeção ortogonal sobre o plano xy. 0      . 1 1 1 −1 . y. y. { } Portanto Ker(T ) = (y. ou seja o núcleo de T são todos os vetores que estão sobre o eixo z.t) = (0. Como nada é dito sobre a { } variável z. 0. 0  ⇒  0 −2 −1 1 . 0).   . 0. y. y.. . 0.. → − Exemplo 133 Seja T : V → W .1. z.

−2. No nosso caso. Encontre o Núcleo de T. Propriedades das Transformações Lineares Exemplo 136 Seja T : R3 → R3 a transformação linear que é a projeção ortogonal sobre a reta cujas     x = 2t equações paramétricas são: y = −2t .1. y. 1) T (x. 1). y. logo ( v. z) = . .u ) T (v) = pro ju v = u ( u.(2. −2. y. assim     2 −2 1 0 0 0 4x − 4y + 2z = 0 0 = 0 0 = 0 . z) = (2. 0) 9 9 9 4x − 4y + 2z = 0 −4x + 4y − 2z = 0 2x − 2y + z = 0     4 −4 2 4 −4 2          −4 4 −2 . y. z) = (2. 1) (2. ( ) 4x − 4y + 2z −4x + 4y − 2z 2x − 2y + z T (x. −2. 1). 1) 9 ( ) 4x − 4y + 2z −4x + 4y − 2z 2x − 2y + z T (x. fazendo o escalonamento temos  0 0 0  . 0. 1) ( ) 2x − 2y + z T (x. = (0. −2.     z=t Projetar um vetor sobre uma reta é o mesmo que encontrar a projeção ortogonal sobre o vetor diretor dessa mesma reta. −2. y. o vetor diretor é u = (2. z) = .(2. 9 9 9 Para encontrar o núcleo devemos ter.92 4. −2. z). .u ) (x.

então a transformação linear T : V → W é injetora se e somente se T é sobrejetora. Observação 10 Da definição acima vemos que uma função será sobrejetora se dado w ∈ W . Definição 4. Propriedades das Transformações Lineares 93 2z = −4x + 4y z = −2x + 2y { } Portanto Ker(T ) = (x. 0. (0. Ou equivalentemente. Como por hipótese T é injetora então v = 0.4.1. . ker(T ) = {0}. Então T (v1 ) − T (v2 ) = 0 ou T (v1 − v2 ) = 0 e. ou seja. diremos que T é injetora se dados u. z) = (x + y. y. então T é injetora. o único elemento do núcleo é o vetor nulo. 1. uma aplicação linear. então T (u) ̸= T (v). isto é. Então dim Ker(T ) + dim Im(T ) = dimV Corolário 4. v ∈ V com u ̸= v. o vetor nulo é o único elemento do núcleo. y ∈ R = [(1. v ∈ V com T (u) = T (v) tivermos u = v. T é injetora se dados u. existir v ∈ V tal que T (v) = w. T (v) = T (0). a) Vamos mostrar que se T é injetora.  Teorema 4. −2). Por outro lado. v1 − v2 ∈ ker(T ). logo v1 − v2 = 0 e portanto v1 = v2 . v2 ∈ V tais que T (v1 ) = T (v2 ). Portanto.1 Se dimV = dimW .4 Dada uma aplicação T : V → W . portanto. Sejam v1 . Como T (v1 ) = T (v2 ) ⇒ v1 = v2 . uma aplicação linear. y. −2x + 2y) ∈ R3  x. Teorema 4.2 Seja T : V → W . se e somente se T é injetora. Mas por hipótese. T (V ) = W. b) Vamos mostrar que se ker(T ) = {0}. 2x − y + z).3 Seja T : V → W . então ker(T ) = {0} Seja v ∈ Ker(T ) ⇒ T (v) = 0. então ker(T ) = {0} . Logo. Definição 4. T é injetora.5 Uma aplicação T : V → W será sobrejetora se a imagem de T coincidir com W. Proof. 2)] Exemplo 137 Seja F : R3 → R2 a transformação linear dada por F(x. como T é linear tem-se que T (0) = 0. Dar uma base e a dimensão de ker(F).

2) deve- mos apenas calcular o núcleo de T : T (p(x)) = xp(x) T (a0 + a1 x + . . Portanto T não é sobrejetora e assim T não é bijetora. Devemos verificar se T é injetora e sobrejetora ao mesmo tempo. .2. + an xn+1 = 0 = 0 + 0x + 0x2 + . dim Pn+1 = n + 2 e dim Ker(T ) = 0. + an xn ) T (a0 + a1 x + . Se dimV = dimW . . .94 4. então T leva base em base. . dada por T (p(x)) = xp(x). Portanto T é injetora. temos que dim Ker(T ) + dim Im(T ) = n + 1 0 + dim Im(T ) = n + 1 dim Im(T ) = n + 1 Note que dim Im(T ) = n + 1 ̸= n + 2 = dim Pn+1 ⇒ Im(T ) ̸= Pn+1 . . . . + 0xn+1 {− →} logo a0 = a1 = . + an xn ) = x(a0 + a1 x + . Transformações Lineares e Matrizes Corolário 4. Associada a matriz A definimos a transformação linear: . + an xn+1 ) Se T (p(x)) = 0 a0 x + a1 x2 + . uma aplicação linear injetora. 4. .Verifique se T é bijetora. = an = 0 ⇒ p(x) = 0 (p(x) é o polinômio nulo) ⇒ Ker(T ) = 0 (observe que neste caso o vetor nulo de Pn é o polinômio nulo de grau n). Usando o teorema (4. . + an xn ) = (a0 x + a1 x2 + . . .1 Transformação linear associada a uma matriz Seja A uma matriz m × n.2.2 Seja T : V → W . Exemplo 138 Seja T : Pn → Pn+1 .2 Transformações Lineares e Matrizes 4. . Como dim Pn = n + 1. .

   xn LA (v) = A. .  LA  . Transformações Lineares e Matrizes 95 LA : Rn → Rm v → A.   x  1   .   .v onde v é tomado como vetor coluna..u + A.  .v = LA (u) + LA (v) LA (ku) = A.(ku) = kA.4.v    a11 · · · a1n x   1   ...2. . .  LA (v) =  ..      xn am1 x1 + · · · + amn xn Das propriedades de operações de matrizes: LA (u + v) = A. .(u + v) = A.   1 1 1 −1     Exemplo 139 Seja A =  2 0 1 −1    0 2 0 −1 Observe que a matriz A tem ordem 3 × 4 e portanto ela induzirá uma transformação linear de R4 .  v= .     am1 · · · amn xn     x1 a11 x1 + · · · a1n xn      .   . .  =  ...u = kLA (u) e portanto LA é uma transformação linear.

encontre a matriz A cuja transformação associada a ela é exatamente a transformação T ) Passando da forma vetorial para a forma matricial temos:   x     10x − 20y − 30z   T  y  =     x − 2y − 3z z     x 10 −20 −30     =    y  1 −2 −3   z . y. z) = (10x − 20y − 30z. Transformações Lineares e Matrizes para R3 .96 4. definida por: LA : R4 → R3     x   x   1 1 1 −1       y    y     LA     =  2 0 1 −1    z    z     0 2 0 −1   t t   x+y+z−t     =  2x + z − t    2y − t Note que a transformação acima está escrita em forma matricial. 2y − t) Surpresa!! Esta é a mesma transformação do exemplo (135) Exemplo 140 Dada a transformação linear: T : R3 → R2 T (x.t) = (x + y + z − t. mas podemos escreve-la também na forma vetorial que estamos acostumados: LA (x. 2x + z − t. z.2. y. x − 2y − 3z) Encontre a matriz da transformação T (Isto é.

· · · .    xn      a11 · · · a1n x y1   1     .  A. .  X = [v]β =  ..  . · · · . .4. .2.   . vn } e β ′ = {w1 . à matriz   a · · · a1n  11   .. .. Isto ficará claro na exposição a seguir.   . . wm } . w2 . De fato. fixadas as bases β = {v1 . caso contrário. ela é encarada como uma aplicação linear TA : Rn → Rm em relação às bases canônica de Rn e Rm .  =  ..    am1 · · · amn podemos associar TA : Rn → Rm v → TA (v) da seguinte maneira: Seja   x  1   .       am1 · · · amn xn ym então TA (v) = y1 w1 + · · · + ym wm onde yi = Ai . ao obtermos a matriz de uma transformação estamos levando em conta as bases associadas aos espaços Rn e Rm mas neste caso em particular estamos considerando as bases canônicas.  Am×n =  . que denotaremos por [T ] é   10 −20 −30 [T ] =   1 −2 −3 Observação 11 Ao obtermos a transformação associada a uma matriz A (ou. .. a matriz de uma transformação T ). De um modo geral. dada uma matriz Am×n .X =  . .X e Ai é a i-ésima linha de A.. v2 . Em geral. Transformações Lineares e Matrizes 97 Portanto a matriz de T. não mencionamos as bases dos espaços envolvidos. . .. . .

1). 0). 3x − 2y + 4z). .. 3) = e(1. 0. e = 5 . z) = (2x + y − z.. T (vn ) são vetores de W e portanto T (v1 ) = a11 w1 + · · · + am1 wm . 4) Portanto temos os sistemas:      a+b = 2  c+d = 3  e+ f = 2  .  [T ]β ′ = . 1. y.= .. . 0)} e β ′ = {(1. 1.. 1. 3) + b(1. . 4) T (1. . 3) + f (1. Transformações Lineares e Matrizes 4.   3a + 4b = 5  3c + 4d = 1  3e + 4 f = 3 Resolvendo os sistemas temos: [ ] a = 3 . 1) = (2. (1.  a transformação linear T passa a ser   am1 · · · amn a transformação linear associada à matriz A e bases β e β ′ . (1. z) = (2x + y − z.    am1 · · · amn   a11 · · · a1n   β . . 1. d = −8 . Exemplo 141 Seja T : R3 → R2 tal que T (x. . · · · .. isto é. . 5) = a(1. β = {v1 .  Observação 12 Note que se A = [T ]β ′ . T = TA . 3) + d(1. . 3x − 2y + 4z) T (1.2. Seja T : V → W linear. y. . . b = −1 . . T (vn ) a1n w1 + · · · + amn wm β A transposta da matriz dos coeficientes deste sistema. c = 11 .98 4.. · · · .2 Matriz de uma transformação linear Agora iremos encontrar a matriz associada a uma transformação linear. . β Procuremos [T ]β ′ T (x. 0) = (2.  . vn } base de V e β ′ = {w1 . 4) T (1.2. 3).. wm } base de W. denotada por [T ]β ′ é chamada matriz de T em relação às bases β e β ′ :   a11 · · · a1n   β  . Sejam β = {(1. 0. 1) = c(1. 4)} . (1. f = −3 . 0) = (3. Então T (v1 ).

−1). (1. [T ]αα . será denotada simplesmente por [T ] . −1.2.6 Dada uma base β e tranformação linear T : V → V denotaremos a matriz [T ]β apenas por [T ]β e ela será chamada de matriz de T em relação a base β . (0. Definição 4. 1. β base de W e T : V → W uma aplicação linear. 1)} e β = {(−1. (1.7 Seja T : Rn → Rn uma transformação linear e α a base canônica de Rn . para todo v ∈ V vale: [T (v)]β = [T ]βα  [v]α β Definição 4. −1. então a matriz de T em relação a base canônica α .4 Sejam V e W espaços vetoriais. Determine a matriz de T em relação { } a base β = 1. y. −1)} bases do R3 . 0). 0. 1. 0). x. x − y − z. α base de V . Exemplo 142 Seja T : P2 → P2 definido por T (p(x)) = p(3x−5). 0). 0.4. Transformações Lineares e Matrizes 99   β 3 11 5 [T ]β ′ =   −1 −8 −3 Teorema 4. z) = (2x − 3y − 2z. Então. 2x − y + z) e sejam α = {(1. x2 β Devemos calcular [T ]β = [T ]β T (p) = p(3x − 5) T (a0 + a1 x + a2 x2 ) = a0 + a1 (3x − 5) + a2 (3x − 5)2 T (a0 + a1 x + a2 x2 ) = a0 + 3a1 x − 5a1 + a2 (9x2 − 30x + 25) T (a0 + a1 x + a2 x2 ) = (a0 − 5a1 + 25a2 ) + (3a1 − 30a2 )x + 9a2 x2 T (1) = T (1 + 0x + 0x2 ) = 1 = 1 + 0x + 0x2 T (x) = T (0 + 1x + 0x2 ) = −5 + 3x = −5 + 3x + 0x2 T (x2 ) = T (0 + 0x + 1x2 ) = 25 − 30x + 9x2   1 −5 25     [T ]β =  0 3 −30    0 0 9 Exemplo 143 Seja T : R3 → R3 dada por T (x. (−1.

0) = = a1 (−1. −1. −1) + c3 (0.2. 0. 0) = −1. y. −1. Faça esse cálculo como exercı́cio . [T ]αβ   1     b) Se [v]α =  1  determine [T (v)]β . 0. 1 = a2 (−1. 1. z) = (2x − 3y − 2z. x − y − z. −1) 2. −1.   1 c) Calcule a multiplicação das matrizes: [T ]βα  [T ]αβ . −1. 0. 2 = a3 (−1. 0) + b3 (−1. 2x − y + z) ( ) T (1.100 4. Que conclusão você pode tirar em relação as duas matrizes. 0) + b1 (−1. −1. −1) ( ) T (1. Transformações Lineares e Matrizes a) Determine [T ]βα . 0) + b2 (−1. −1. −1) + c2 (0. ou que relação há entre as duas matrizes? a) Cálculo de [T ]βα T (x. 1. 2 ( ) T (1. −1) + c1 (0. 1) = −3. −1. 0. 0. 1.temos:     −1 −1 0 − 12 − 12 12         A =  −1 0 −1  ⇒ A−1 =  − 12 12 − 12      0 −1 −1 1 2 −2 −2 1 1 Vamos  resolveros sistemas   por matriz inversa:     a 2 − −2 2 1 1 1 2 − 1  1     2    2             b1  = A−1  1  =  − 12 12 − 12   1  =  − 32           c1 2 1 2 −2 −2 1 1 2 −21          a2 −1 − 12 − 12 1 −1 1      2       −1         b2  = A  0  =  − 12 1 − 12  0 = 0       2     2 −2 − 12 −1 1 1 c2 1 1          a −3 − 12 − 12 1 −3 3  3     2       −1         b3  = A  −1  =  − 12 1 − 12   −1  =  0       2     c3 2 1 2 − 12 − 12 2 −2 Logo   − 12 1 3     [T ]βα =  − 32 0 0    − 12 −1 −2 Agora voce já está em condições de calcular [T ]αβ . −1) Devemos resolver os tres sistemas resultantes: Denotando por A a matriz dos coeficientes do sistema.

Então dim Im(T ) = posto de [T ]βα dim Ker(T ) = nulidade de [T ]βα = número de colunas de [T ]βα − posto [T ]βα   ′ p (0) 2p(1) Exemplo 144 Seja T : P2 → M(2.α =   . β a) Determine [T ]α . . x. Teorema 4.4. b) Determine uma base para N(T ).2. 2) definida por T (p(x)) =   onde p′ é a derivada de ′′ 0 p (3)          1 1 0 1 0 0 1 0  { } p.   . c) Determine uma base para Im(T ). x2 base  0 0 0 0 1 1 0 1  para P2 . respectivamente. Transformações Lineares e Matrizes 101 b) Vamos usar a relação [T (v)]β = [T ]βα  [v]α [T (v)]β = [T ]βα  [v]α    −1 1 3 1  2      [T (v)]β =  − 32 0 0  1     − 12 −1 −2 1   7  2    [T (v)]β =  − 32    − 72 c) Faça você este item. 2) e β = 1. d) T é injetora? E sobrejetora? Justifique.   uma base para M(2.5 Seja T : V → W uma transformação linear e α e β bases de V e W.   . Sejam .

 . Transformações Lineares e Matrizes a) Note que   b 2a + 2b + 2c T (a + bx + cx2 ) =   0 2c β Determinando [T ]α :           0 2 1 1 0 1 0 0 1 0 T (1) =   = a +b +c +d  0 0 0 0 0 0 1 1 0 1           1 2 1 1 0 1 0 0 1 0 T (x) =   = e + f  +g +h  0 0 0 0 0 0 1 1 0 1           0 2 1 1 0 1 0 0 1 0 T (x2 ) =   = i + j +l +m  0 2 0 0 0 0 1 1 0 1   0 1 −2     β 2 1 4 Logo.102 4.       0 2 1 2 0 2 Im(T ) =  .  é uma base para Im(T ). 2) .2.I.  0 0 0 0 0 2  d) T é injetora pois N(T ) = {0}. [T ]α =     0 0 0   0 0 2 b) Seja   0 0 p(x) ∈ N(T ) ⇒ T (p(x)) =   0 0     b 2a + 2b + 2c 0 0   =  ⇒a=b=c=0 0 2c 0 0 Logo. . (Verifique!) tem-se que        0 2 1 2 0 2   . mas não é sobrejetora pois dim Im(T ) = 3 ̸= dim M(2. p(x) = 0 + 0x + 0x2 ∈ N(T ) ⇒ N(T ) = {0}         b 2a + 2b + 2c 0 2 1 2 0 2 c) Seja A ∈ Im(T ) ⇒ A =   = a +b +c  0 2c 0 0 0 0 0 2 Portanto.  0 0 0 0 0 2 Como os geradores da Im(T ) formam um conjunto L.

a + b + c. ( ) Exemplo 146 Sejam T : P 2 → R 3 definida por T a + bx + cx2 = (a + b. y) = (x − y.1 Seja T : V → W uma transformação linear . y − x. 2 − x + x2 β b + c a + 2b − c .U respectivamente.3) Proposição 4.(4. γ bases de V. y − x. y − x) = (x − y) − (y − x) − (y − x) = x−y−y+x−y+x = 3x − 3y Teorema 4. b. Sejam α e α ′ bases de V e β e β ′ bases de W. 1 − x. Então vale a relação: ′ ′ β ′ [T ]αβ ′ = [IW ◦ T ◦ IV ]αβ ′ = [IW ]β ′ [T ]βα [IV ]αα onde IW e IV são as aplicações identidades de W e V respectivamente.2: Composição de transformações lineares . T2 ◦ T1 : V → U é linear e [T2 ◦ T1 ]γα = [T2 ]γβ  [T1 ]βα Figura 4.6 Sejam T1 : V → W e T2 : W → U transformações lineares e α . c) =   . y − x) e T2 : R3 → R. c − a) e S : R3 →  a−c a+b { } M2 dada por S(a. β . Determine [S ◦ T ]α onde α = 1. y. z) = x − y − z então T2 ◦ T1 : R2 → R e (T2 ◦ T1 ) (x. T1 (x.8 Se T1 : V → W e T2 : W → U são duas transformações lineares a composta das duas transformações lineares é definida do mesmo modo que a composição de funcões ( lembre-se que um transformação linear é uma função com a propriedade adicional de ser linear) da seguinte forma T2 ◦ T1 : V →U (T2 ◦ T1 )(v) = T2 (T1 (v)) Exemplo 145 Se T1 : R2 → R3 .3 Composição de transformações lineares Definição 4. y) = T2 (T1 (x. T2 (x.3. y)) = T2 (x − y. Composição de transformações lineares 103 4.4. Então a composta de T2 com T1 .W.

obtemos o sistema:      e+ f = 2    f +g = 2   −g + h = 0      h=4 cuja solução é: e = 4. obtemos o sistema:      i+ j = 1    j+k = 0   −k + l = −1      l=1 cuja solução é: i = 3. .3.  . obtemos o sistema:      m+n = 2    n+o = 3  −o + p = 1       p=6 cuja solução é: m = 4.104 4. o = 5 e p = 6.  0 0 0 0 −1 0 1 1  Temos:   2a + b − c 2a + 2b + c [S ◦ T ] = S(T (a + bx + cx2 )) =   b + 2c 4a + 3b + c           2 2 1 0 1 1 0 1 0 0 T (1) =   = e + f  +g +h  0 4 0 0 0 0 −1 0 1 1 assim.           0 3 1 0 1 1 0 1 0 0 T (2 − x + x2 ) =   = m +n +o + p  1 6 0 0 0 0 −1 0 1 1 assim. Composição de transformações lineares          1 0 1 1 0 1 0 0  eβ =  . k = 2 e l = 1.           1 0 1 0 1 1 0 1 0 0 T (1 − x) =   = i + j +k +l  −1 1 0 0 0 0 −1 0 1 1 assim. j = −2. n = −2. f = −2. g = 4 e h = 4.  .  .

T −1 . Definição 4. onde IV : V → V é a identidade em V . onde IW : W → W é a identidade em W.11 Seja T : V → W uma transformação linear. dizemos que R é a inversa a esquerda de T. encontramos para [S ◦ T ]αβ    e i m 4 3 4        f j n   −2 −2 −2  α  [S ◦ T ]β =        g k o  4 2 5     h l p 4 1 6 4. tal que T ◦ T −1 = IW e T −1 ◦ T = IV então dizemos que T é inversı́vel e que T −1 é a inversa de T Proposição 4. Definição 4.4.4 Se T : V → W uma transformação linear invertı́vel (T é um isomorfismo) e α e β são bases de V e W. Proposição 4.9 Dá-se o nome de isomorfismo a uma transformação linear T : V → W que é injetora e sobrejetora ao mesmo tempo. Se existe a inversa de T. Se existe uma transformação linear S : W → V tal que T ◦ S = IW . Se existe uma aplicação T −1 : W → V. Neste caso a proposição acima é escrita na forma mais conveniente: ”Se [ ] T : Rn → Rn é inversı́vel então T −1 = [T ]−1 ” . então: [ −1 ]β ( α )−1 T α = [T ]β Observação 13 Quando estamos trabalhando com o espaço Rn e a base canônica de Rn por sim- plicidade omitimos as bases e a matriz de T : Rn → Rn . então T é inversı́vel e além disso T −1 também é um isomorfismo. dizemos que S é a inversa a direita de T.4 A Inversa de uma transformação linear Definição 4. Se existe uma transformação R : W → V . então T −1 é uma transformação linear Proposição 4.3 Se T : V → W é um isomorfismo. tal que R ◦ T = IV . em relação a base canônica.10 Seja T : V → W uma transformação linear. é denotada simplesmente por [T ] . A Inversa de uma transformação linear 105 Assim. Quando há um isomorfismo entre dois espaços vetoriais dizemos que estes são Isomorfos.2 Seja T : V → W uma transformação linear.4.

Suponhamos que T −1 (x. z) = (x + 2y + 2z. y. x + y + 3z. n. determine a transforma ção inversa T −1 .5 Seja T : V → W uma transformação linear. Facilmente podemos ver que     1 2 2 −5 2 4   [ ]       [T ] =  1 1 3  ⇒ T −1 = [T ]−1 =  2 −1 −1      1 2 1 1 0 −1 logo T −1 (x. n. s) = (x. y. y. z) = I(x. dada por T (x. A Inversa de uma transformação linear Proposição 4. devemos encontrar m. e somente se det [T ]βα ̸= 0. y. e α e β bases de V e W respectivamente. z) T (m. x − z). z) T (T −1 (x. z) m + 2n + 2s = x m + n + 3s = y m + 2n + s = z     1 2 2 x   1 2 2 x   escalonando        1 1 3 y 0 1 −1 x − y   =⇒   1 2 1 z 0 0 1 x−z . y. Como exercı́cio verifique que vale ( ) T ◦ T −1 (x. Então T é inversı́vel se. n e s tais que T ◦ T −1 = I (devemos usar esta igualdade pois com a outra não funciona. m + n + 3s. m + 2n + s) = (x. z) = (x. z) = (−5x + 2y + 4z. Observação 14 Se na proposição acima tivermos V = W = Rn podemos escrever: Seja T : Rn → Rn uma transformação linear. z) = (m. então T é invertı́vel se det [T ] ̸= 0 Exemplo 147 Seja T : R3 → R3 . y. y. z) = (x. com dimV = dimW.106 4. 2x − y − z. z) (m + 2n + 2s. y. Portanto ( ) T ◦ T −1 (x. y. y. z)) = (x. y. y. tente e veja o que acontece). s). x + 2y + z). z) Podemos também neste caso calcular a inversa usando diretamente a difinição de transformação inversa da seguinte forma Sabemos que T −1 : R3 → R3 é uma transformação linear tal que T −1 ◦ T = I ou T ◦ T −1 = I.4.

−1). 0). 0) =   0 0   1 1 T (0. 1. −1. seja         x y 1 1 1 1 0 −1   = a +b +c  0 z 0 0 0 2 0 1 obtemos o sistema:      1 1 0 | x   a+b = x     a + b − c = y → 1 1 −1 | y       2b + c = z 0 2 1 | z . 1. y. A Inversa de uma transformação linear 107 s = x−z n = x − y + x − z = 2x − y − z m = x − 2(2x − y − z) − 2(x − z) = −5x + 2y + 4z Logo T −1 (x. −1) =   0 2   0 −1 T (1. 1. Sabemos que:       1 1 1 1 0 −1 T −1   = (1. T −1   = (1.4. z) = (−5x + 2y + 4z. −1. T −1   = (0. 1) =   0 1 Encontre a inversa da transformação T . 1. 2x − y − z. 1) 0 0 0 2 0 1 e. x − z) Exemplo 148 Considere a transformação linear T : R3 → M2T (M2T é o espaço das matrizes trian- gulares superiores) definida por   1 1 T (1.4.

d2 . 0) c d d) G : M(5. . y. d3 .2 Seja T : P2 → P2 um operador linear tal que T (p0 )(t) = 1 + t. t ∈ ℜ. ′ ′′ k) T : Pn → Pn tal que T (p(x)) = p (x) + x2 p (x) Exercı́cio 4.1 Verifique se as funções dadas abaixo são transformações lineares. y. d4 . −1. encontramos:   3x−y−z 1 0 0 |  2   −x+y+z  0 1 0 |   2  0 0 1 | x−y Agora. e) F : P2 → P2 tal que F(p) = p + q. procedendo as substituições.  a b i) T : M2 → P1 . z. y)  = (x +y. onde B = diag(d1 . −1) + (x − y)(1.5. S   = (a + b. x − y)   a b a b g) T : M(2. z) = (3x.   2 2 3 2 − 32 − 12 4. 2) → R dada por   −→ det   c d c d h) T : R → R.t) = (x + y. Quarta lista de exercı́cios realizando o escalonamento da matriz. 1) 0 z 2 2 portanto   5 − 32 − 12 ( ) 2  5x − 3y − z 3x − 3y − z −1   [T ] = 0 1 0 = . 0) + (0. 0. z + t) b) L : ℜ2 → ℜ dada por L(x. d5 ) é uma matriz diagonal e I5 é a matriz identidade de ordem 5.108 4. y. T   = a + dt c d j) S : R3 → R3 tal que S(x. G(A) = AB + I5 . 1. obtemos:   ( ) ( ) −1  x y = 3x − y − z −x + y + z T (1. T (p1 )(t) = t + t 2 . 5z). onde a ∈ R é uma constante. justifique sua afirmação: a) T : ℜ4 → ℜ3 dada por T (x. 5) → M(5. p ∈ P2 e q(t) = t 2 + 1. 1.5 Quarta lista de exercı́cios Exercı́cio 4. f) S : R2 → R2 dada por S(x. Em cada caso. 2) → ℜ2 . y)=xy a b c) S : M(2. a. 5). T (x) = |x|.

2)} e β = {(1. 2). 2. T é isomorfismo? Em caso afirmativo. −1). Exercı́cio 4. 0.5 Sejam α ={(1. 1. T é inversı́vel? Se for. Determinar uma base de cada um dos seguintes subespaços: a) N(T ) b) N(T ) ∩ Im(T ) c) N(T ) + Im(T ) Exercı́cio 4. 1.   1 −1 Exercı́cio 4. 2) e T (0. Quarta lista de exercı́cios 109 T (p2 )(t) = 1 + t − 2t 2 onde pi (t) = t i . 0. 1) = (1.  (0.7 Considere o operador linear em ℜ3 tal que T (1. calcule T (1000. 2) tal que T (−1. 0). 0. 0.5. 0) =  .  y=t Exercı́cio 4. determine o isomorfismo inverso. (1. 1). Determine dim Im(t) e dim Ker(T ). determine T −1 . −1). 1). 1. d) T é bijetora? Justifique sua resposta. 0)} bases de ℜ e ℜ . para Im(T 1 0   α   c) Encontre uma base γ de ℜ tal que [T ]γ = 0 0 3   0 1 Exercı́cio  4. T (0. 1. 2) = (0.4. 1) = (0. 0. 0. 1. 1. . c) T é sobrejetora? Justifique sua resposta. 4). 2). 0. T (0. 0) = (1. 0) = (1. −1 1   −1 1 T (0. a) Encontre T (p) b) T é injetora? Justifique sua resposta. 2 3 1 0     respectivamente e [T ]αβ = 1 1    0 −1 a) Encontre a transformação linear T . 0.4 Seja T : ℜ3 → ℜ3 uma transformação linear definida por T (1. b) Enconte uma base para Ker(T ) e uma base   ). 0) = (1. i = 0. T (0.3 a) Encontre a transformação T : ℜ2 → M(2.6 Encontre a transformação linear T : ℜ2 → ℜ2 que é a projeção sobre a reta dada por  x = 2t . 1. (0. 2. 999) c) A transformação é bijetora? Justifique sua resposta. −1) =   1 −1 b) Usando a transformação T encontrada no item a) .

9 Seja T : P2 → P3 a transformação definida por T (p(x)) = xp(x − 3). 2. Exercı́cio 4. 2 2. 1) e a imagem gerada pelo vetor (1. b) Mostre que a imagem de T é um subespaço de W . −1. −2) e T (1 − x) = (0. 2 3 c) o elemento A =   pertence à Im(T ). 1. Encontre T −1 . .12 Mostre que se a matriz transformação [T ] é inversı́vel então N(T ) = { 0 }. 1.10 Encontre uma transformação linear T : ℜ3 → ℜ3 cujo núcleo é gerado por (1. x. Quarta lista de exercı́cios Exercı́cio 4. 0) e (0. 1 − x b) Quais dos polinômios do item a) pertencem a Im(T )? c) Descreva N(T ) e Im(T ). ′ Exercı́cio 4. γ Exercı́cio 4. 0. x2 }. b) o elemento q(x) = 1 − x  + x2 não pertence ao N(T ). a) Mostre que o núcleo de T é um subespaço de V . Encontre [T ]β em relação às bases β = {1.13 Se T : V → W é uma transformação linear tal que T (w) = T (u) + T (v) então w = u + v? Exercı́cio 4. x3 } e γ = {1. 1.15 Seja T : V → W uma transformação linear.16 Seja T : P2 → P2 a transformação linear definida por T (p(x)) = xp (x) a) Quais dos seguintes polinômios pertencem ao N(T )? 1.5. x2 . Exercı́cio 4. T (x + x2 ) = (1. x. −1. 0. 1). → − Exercı́cio 4.11 Encontre uma transformação linear T : ℜ4 → ℜ4 cujo núcleo é gerado por (1. 1). 0).14 Determine explicitamente a expressão de uma transformação linear T : P2 → M2 satisfazendo simultaneamente as seguintes condições: a) o elemento p(x) = 1 + x2 pertence ao N(T ). x2 3. 0.8 Considere a transformação linear T : P2 → R3 tal que T (1) = (1. 1).110 4. 0) e (0. 0. Exercı́cio 4. −1 1 Exercı́cio 4.

{ } a) Encontre [T ]αβ onde α = 2. 2 + x.t 2 . dimW = 3.4.20 Seja β a base canônica de M2 . Determine a matriz T em relação às bases { } { } α = 1. 0).19 Mostre que se uma transfomação linear é injetora então N(T ) = { 0 }. 0. 1 + t. 0)} c) T : R3 → R3 tal que Im(T ) = {(0. 1. 0)} d) T : R3 → R3 tal que N(T ) = {(x. Exercı́cio 4. 0. [T ]αβ .22 Determine dim N(T ) sabendo que: a) T R6 → R8 com dim(Im(T )) = 3. y. z) ∈ ℜ3 : z = −x} { } e) T : R3 → R3 tal que Im(T ) = (x. ′ Exercı́cio 4.17 Quando possı́vel. 1. e) T : R4 → R3 com N(T ) = [(1.5. b) T : R5 → R6 que seja sobrejetiva. z) ∈ R3  y = 2x − z . 2). c) T : R3 → R2 que seja injetiva. . isto é.21 Se A ∈ Rn×n é inversı́vel então: a) dim N(A) = b) dim Im(T ) = Exercı́cio 4. dê exemplos de transformações lineares satisfazendo: a) T : R3 → R3 tal que dim N(T ) = 1 b) T : R3 → R3 tal que N(T ) = {(0. 2. 4)]. Exercı́cio 4. d) Determine dim Im(T ). Se T : M2 → P3 é dada por T   = c d a + (b + c)x + (c − d)x2 + dx3 . 0)] e Im(T ) = [(1. (2. y. b) T : V → W com T sobrejetiva. d) T : R4 → R4 sabendo que existe a inversa de T . 0. −1 + t 2 . Quarta lista de exercı́cios 111 Exercı́cio 4. 2 + x2 . dimV = 5.t 3 e β = 1. 0. c) T : V → W com T injetiva. 2 + x3 é base de P3 .t.23 Explique em cada caso abaixo porque não existe uma transformação linear: a) T : R4 → R2 cujo núcleo seja a origem.18 Seja T : P3 → P2 definida por T (p) = p . (0. 0. → − Exercı́cio 4. c) Detemine dim Ker(T ).   a b Exercı́cio 4. d) T : R7 → R6 tal que dim N(T ) = dim Im(T ). b) Faça o escalonamento da matriz [T ]αβ .

2) e T (2.5. z) = (x + 2y. 1)? Justifique sua resposta. a) Determine F ◦ G. c) A transformação T : P1 → P2 definida por T (p(t)) = t p(t) + p(0)p′ (1) é linear? d) Se T : R3 → R3 é um operador linear e se a imagem de T é um plano que passa pela origem. z) = (x + y. y − z. 2x + y + z). que tipo de objeto geométrico é o núcleo de T ?   2 1 Exercı́cio 4.25 Seja T : R2 → R2 tal que [T ] =  . y. g) F ◦ G é isomorfismo? Justifique sua resposta.  S.26 Sejam F. c) Determine uma base para Im(F ◦ G). b) Existe alguma transformação linear T : R2 → R2 tal que T (1. b) É possı́vel calcular (T ◦ S)(a + bx)? Em caso afirmativo calcule (T ◦ S)(π + π x). x + 2z). T três transformações  lineares  de R3 em R3 . podemos ter dim Im(T ) > 6? Justifique sua resposta. x − y. y. Mostre que (T 2 − I)◦ (T 2 − 9I) = 0. Exercı́cio 4.24 Responda as seguintes questões: a) Se T : R5 → R6 é uma transformação linear. Exercı́cio4. Exercı́cio 4. G : R3 → R3 transformações lineares dadas por F(x.28 Sejam R. Encontre os vetores u e v tais que: 0 −1 a) T (u) = 2u b) T (v) = −v Exercı́cio 4. z) e G(x.27 Seja T : ℜ3 → ℜ3 o operador linear definido por T (x. Quarta lista de exercı́cios Exercı́cio 4. z) = (3x.     0 −1 1 1 −2 0 encontre T tal que R = S ◦ T . Se 1 0 1 −2 1 −1         [R] =  2 1 1  e [S] =  3 1 2 . . y.112 4. 2) = (3. b) Determine uma base para N(F ◦ G). 1) = (2.29 Sejam as transformações lineares S : P1 → P2 e T : P2 → P1 definidas por S(a + bx) = a + (a + b)x + 2bx2 T (a + bx + cx2 ) = b + 2cx a) Determine (S ◦ T )(3 + 2x − x2 ). z + y.

− 2 .5. 1).8 . c) = (2a − 2b − c) + (−a + 2b + c)x + (a − b − c)x2 .T −1 (a. 0. 0).7 . z) = y. −1)} base do R3 .3 . 0.1 Algumas respostas e sugestões 4. y) =   x−y y−x   −1 1 b) T (1000. 4 . 2 .1 . Exercı́cio  4. a − b). 1. (0. y. dim Im(T ) = 1 e dim N(T ) = 1. determine S−1 . c. pois T não é injetora (dim N(T ) = 1 ̸= 0) nem sobrejetora (dim Im(T ) = 1 ̸= 4) 4. 1)} b) Não existe base c) β = {(1. 1. x − x2 . 1 é uma base para Im(T ) c) γ = {(1. Se for. (−1. 0). T não é inversı́vel pois T não é injetora e nem sobrejetora. −1. 999) =   1 −1 c) Não.4. (0. 1)} ( ) 4. 2)} ( ) 4. Em caso afirmativo. 4. 1} uma base de P2 e α = {(1. b.a) β = {(1. 2x+y 5 . 2). y) = 4x+2y5 .5. 0.30 Considere o operador T : P2 → P2 definida por T (p(x)) = p′ (x) + p(x) e a transformação linear S : P2 → R3 definida por S(a + bx + cx2 ) = (a + b. 1.a) Sim b) Não c) Sim d) Não e) Não f) Sim g) Não h) Não i) Sim j) É transformação linear se a = 0. 1. b. b) Sim c) Sim d)  Sim  y−x x−y 4. c.5 .a) T (x. ( ) −1 z−x x−2y+z 4. d)  definida = a a+b a b a−c c−b   e a transformação linear S : M2 → M2 definida por S   =  . 0). Quarta lista de exercı́cios 113 Exercı́cio 4. 1). −1.2 .T (x. b+c d c d b a+d Verifique se S ◦ T é um isomorfismo. (1. 2 2 1 .a) T (x. −1. − 2 .6 . y) = x−y x−y 2 .T (x.31 Considere a transformação linear T : R4 → M2 porT (a.4 . 2x + y {( 1 ) ( 1 1 )} b) Não existe base para o N(T ) e β = . 2 . (0. b) Determine uma base para N(S ◦ T ) e uma base para Im(S ◦ T ). c) Seja β = {1 + x. k) Sim 4.a) T (p) = (a + c) + (a + b + c)t + (b − 2c)t 2 . determine o isomorfismo inverso (S ◦ T )−1 . β Determine [S ◦ T ]α . (0. a) Verifique se S é isomorfismo. 2 4.

a) [T ]α =      0 0 1 −1    0 0 0 1 c) dim N(T ) = 0 d) dim Im(T ) = 4 4. z) = (x − y.a) (F ◦ G)(x. y. −x + y. 1)} é base para o núcleo. 1). a ∈ R} eIm(T ) = {p(x) = bx + cx .Note que [(T 2 − I) ◦ (T 2 − 9I)] = [(T 2 − I)] × [(T 2 − 9I)] 4.29 .23 . 4.25 . 2 0 1 −2 3     4. y.114 4. y. (2.18 . Quarta lista de exercı́cios   0 0 0     γ  1 −3 9  4.11 . c) Uma das bases é α = {(1.a) u = (x. (3. x − y) é uma possibilidade.9 .16 . pois F ◦ G não é injetora (dim N(F ◦ G) = 1 ̸= 0) e não é sobrejetora (dim Im(F ◦ G) = 2 ̸= 3) 4. 1. z.27 . y. 0)} d) Não.22 . b) ker(S ◦ T ) = {0}. 2)} não forma uma base para o R2 . w) = (x − y. 4. 1).Use o teorema da dimensão para provar cada um dos ı́tens.21 .10 .30 . w) é uma possibilidade. 0) b) v = (x.a) Não. 0. 1. z) = (x + 3y − z.T (x.a) S−1 (x. b.a) (S ◦ T )(3 + 2x − x2 ) = 2 − 4x2 b) (T ◦ S)(a + bx) = 2π + 4π x 4. x + 2z) b) N(F ◦ G) = {(x.a) Apenas p(x) = 2 ∈ N(T ) b) Apenas p(x) = x2 ∈ Im(T ) c) N(T ) = {p(x)  = a.24 .26 .a) dim N(T ) = 3 b) dim N(T ) = 2 c) dim N(T ) = 0 d) dim N(T ) = 0 4.T (x. z) ∈ R3 : y = z e x = −2z} e β = {(−2. 1. (S ◦ T )(P2 ) = R3 . x + y + z. 4. 4.20 .5.[T ]β =     0 1 −6    0 0 1 4.a) dim N(A) = 0 b) dim Im(T ) = n 4. y.[T ]αβ =  0 0 2 0    0 0 0 3   1 −1 −2 0  2    β  0 1 1 0  4. −3x). pois o conjunto {(1. 4. z) = x+z 2 + x−z 2 2 t + yt . pois dim Im(T ) ≤ 5 b) Não. c ∈ R}. 0.

.T (x. a − c + 2b 3b 4. 4x + 4z.T (a + bt + ct 2 ) =   é uma possibilidade.4. −a − b − c + d) c d 4... z) = (8x − y+ 9z. y.(S ◦ T )−1   = (a + b + c. −13x + 2y− 15z). . −b a−c+b .31 . . −a − b.. Quarta lista de exercı́cios 115   3 0 1   β   c) [S ◦ T ]α =  0 −1 0    −1 −3 −1   a b 4.5. a + 2b + c.

116 4. Quarta lista de exercı́cios .5.

Matricialmente      x α 0 x   −→    y 0 α y . y) = α (x.Capı́tulo 5 OPERADORES LINEARES Definição 5. Se α < 0. T dilata o vetor. Observação 15 Todas as propriedades já vistas para transformações lineares em geral vale para um operador linear 5. T é a identidade. y) Se |α | < 1.1 Transformações especiais no plano e no espaço Os operadores lineares que veremos a seguir são chamados de transformações especiais do plano e do espaço por serem bastantes usados em aplicações práticas e também em aplicações numéricas.1) T (x. Se α = 1.1. T contrai o vetor. Se α > 0. T inverte o sentido do vetor.1 Transformações no Plano (a) Dilatação ou contração T : R2 → R2 (5. Se |α | > 1. T mantém o mesmo sentido do vetor.1 Uma transformação linear T : V → V é chamada de operador linear. 5.

y) = (x. y + α x).1: Dilatação ou contração . y).2) T (x.3) .2) (c) Cisalhamento na direção do eixo dos y É uma transformação que move cada ponto (x.(5. para α > 0 temos: Figura 5.118 5.2: Cisalhamento na direção do eixo dos x . Transformações especiais no plano e no espaço Geometricamente.(5. y) = (x + α y. y) Matricialmente      x 1 α x   −→    y 0 1 y Geometricamente: Figura 5.(5. y) paralelamente ao eixo y por uma quantia α x para a nova posição (x. T : R2 → R2 (5.1) (b) Cisalhamento na direção do eixo dos x É uma transformação que move cada ponto (x.3) T (x. T : R2 → R2 (5. y) paralelamente ao eixo x por uma quantia α y para a nova posição (x + α y. α x + y) Matricialmente      x 1 0 x   −→    y α 1 y Geometricamente: Figura 5.3: Cisalhamento na direção do eixo dos y .1.

5. y) = (−x. que passa pela origem.(5.4) Observação 16 Observe que este é um caso particular da contração quando α = −1 (e) Projeção sobre uma reta no plano Definição 5. no plano o operador linear T : R2 → R2 definido por T (v) = pro ju v (5.1.(5.5) Exemplo 149 Determinar o operador linear que é a projeção sobre a reta y = −6x A reta y = −6x pode ser parametrizada por x = t y = −6t .2 Definimos como sendo projeção sobre uma reta r.5) onde u é o vetor diretor da reta r. Transformações especiais no plano e no espaço 119 (d) Reflexão na origem T : R2 → R2 (5. Figura 5.4) T (x.5: Projeção sobre uma reta no plano .4: Reflexão na origem . −y) Matricialmente      x −1 0 x   −→    y 0 −1 y Geometricamente: Figura 5.

v ) T (v) = u (u. u ) (1. −6). Figura 5. que passa pela origem. y) T (x.6) onde u é o vetor diretor da reta r.(5. considere a figura abaixo que representa a reflexão em torno de uma reta no plano onde estão mostrados o vetor diretor diretor.6) Da definição de reflexão podemos observar que T (v) + v = 2p T (v) = 2p − v T (v) = 2pro ju v − v Portanto a reflexão em torno de uma reta no plano é dada por T (v) = 2pro ju v − v onde pro ju v é a projeção do vetor v na direção do vetor u . y) = . 37 37 (f) Reflexão através de uma reta no plano Definição 5.120 5. −6).7: Reflexão em torno de uma reta no plano . −6) ( ) x − 6y −6x + 36y T (x.e o vetor T (v).6: Reflexão através da reta r. (1.(5. a projeção de v na direção do vetor u. −6). u . da reta. T (v) = pro ju v ( u. o vetor p. y) = (1. Transformações especiais no plano e no espaço logo um vetor diretor da reta é u = (1.6) Para obter a expressão data a transformação T . Figura 5.3 Definimos como sendo reflexão através da reta r. (x. a transformação linear T : R2 → R2 tal que |T (v)| = |v| e pro ju v = pro ju T (v) (5. −6) (1.1.

4 . y) = (−x.Reflexão em torno do eixo dos y T : R2 → R2 (5. y) = (x.3 .10: Reflexão em torno da reta y = x . −y) Matricialmente      x 1 0 x   −→    y 0 −1 y Geometricamente: Figura 5.Reflexão em torno da reta y = −x . y) = (y. x) Matricialmente      x 0 1 x   −→    y 1 0 y Geometricamente: Figura 5.8: Reflexão em torno do eixo dos x .8) f.(5.(5.2 . y) Matricialmente      x −1 0 x   −→    y 0 1 y Geometricamente: Figura 5.7) f.Reflexão em torno da reta y = x T : R2 → R2 (5.9) f.7) T (x.1.1 .8) T (x.Reflexão em torno do eixo dos x T : R2 → R2 (5. Transformações especiais no plano e no espaço 121 Casos Particulares f.(5.9) T (x.9: Reflexão em torno do eixo dos y .5.

1. Seja r = |v| .(5. Transformações especiais no plano e no espaço T : R2 → R2 (5. y). y′ ) Quando rotacionamos um vetor. Seja Rθ : R2 → R2 Rθ (x.(5. −x) Matricialmente      x 0 −1 x   −→    y −1 0 y Geometricamente: Figura 5.122 5.10) T (x. o comprimento (módulo) do vetor não se altera.11) Vamos agora determinar a matriz da transformação linear rotação de um ângulo θ e a expressão de Rθ em função de x e y. y) = (−y. y) = (x′ . x′ = r cos(α + θ ) = r cos α cos θ − r sin α sin θ .12: Rotação de um ângulo θ . pela própria definição de rotação. Da figura acima e usando relações trigonométricas temos.11: Reflexão em torno da reta y = −x .10) (g) Rotação de um ângulo θ Definimos Rotação no plano de um ângulo θ a transformação T : R2 → R2 tal que |T (v)| = |v| (5.11) e o ângulo entre os vetores T (v) e v é θ . onde v = (x. Geometricamente Figura 5.

y) = (x cos θ − y sin θ .5. no espaço a transformação linear T : R3 → R3 tal que |T (v)| = |v| (5.1.13: Reflexão através da reta r no espaço .1.12) . x sin θ + y cos θ )    Matricialmente   x cos θ − sin θ x   −→    y sin θ cos θ y Podemos ver neste caso que matriz de uma rotação é:   cos θ − sin θ [Rθ ] =   sin θ cos θ 5.12) pro ju v = pro ju T (v) onde u é o vetor diretor da reta r. Transformações especiais no plano e no espaço 123 Mas r cos α = x r sin α = y então x′ = x cos θ − y sin θ Analogamente y′ = r sin(α + θ ) = r sin α cos θ + r cos α sin θ y′ = y cos θ + x sin θ = x sin θ + y cos θ Assim Rθ (x. que passa pela origem. Geometricamente Figura 5.2 Transformações no Espaço (a) Reflexão através de uma reta no espaço Definição 5.(5.4 Definimos como sendo Reflexão através da reta r.

considere a figura abaixo que representa a reflexão em torno de uma reta no plano onde estão mostrados o vetor diretor diretor. a projeção de v na direção do vetor u. y.(5. da reta. z) = (−x.14: Reflexão através da reta r no espaço . y. −z) .Reflexão através do eixo y T : R3 → R3 T (x.1 . Figura 5. −z) Matricialmente      x 1 0 0 x            y  −→  0 −1 0  y       z 0 0 −1 z a. u .12) Da definição de reflexão podemos observar que T (v) + v = 2p T (v) = 2p − v T (v) = 2pro ju v − v Portanto a reflexão em torno de uma reta no espaço é dada por T (v) = 2p − v ond p = pro ju v é a projeção do vetor v na direção do vetor u Casos Particulares: Reflexão em relação aos eixos coordenados a.124 5. Transformações especiais no plano e no espaço Para obter a expressão para a transformação T . y. −y.2 .1. z) = (x. o vetor p.e o vetor T (v).Reflexão através do eixo x T : R3 → R3 T (x.

−y.Reflexão através do eixo z T : R3 → R3 T (x.(5. que passa pela origem. y. z) = (−x. Transformações especiais no plano e no espaço 125 Matricialmente      x −1 0 0 x            y  −→  0 1 0  y       z 0 0 −1 z a.16: Reflexão através de um plano .13) pro jn v = −pro jn T (v) onde n o vetor normal do plano. considere a figura abaixo que representa a reflexão em torno de um plano no espaço onde estão mostrados o vetor normal do plano.3 .13) Da definição de Reflexão através de uma plano podemos deduzir que   p+m = v  m − p = T (v) . o vetor projeção sobre o plano.13) Para obter a expressão para a transformação T .1.15: Reflexão através de um plano . o vetor projeção de v na direção do vetor n.5.Reflexão através de um plano Definição 5.5 Definimos Reflexão através de um plano. e o vetor T (v). vetor n.(5. no espaço ao oper- ador linear T : R3 → R3 tal que |T (v)| = |v| (5. vetor p. vetor m. Figura 5. z) Matricialmente      x −1 0 0 x            y  −→  0 −1 0  y       z 0 0 1 z (b) . Figura 5.

z) Matricialmente      x −1 0 0 x            y  −→  0 1 0  y       z 0 0 1 z . Casos particulares: Reflexão através dos planos coordenados b. y.1. y. y. y. z) = (x.126 5. Transformações especiais no plano e no espaço Portanto T (v) = v − 2p onde p = pro jn v é a projeção de v na direção do vetor normal n do plano.Reflexão através do plano xy T : R3 → R3 T (x. z) = (x. z) = (−x. z)      x 1 0 0 x           Matricialmente y  −→  0 −1 0   y       z 0 0 1 z b. −z) Matricialmente      x 1 0 0 x            y  −→  0 1 0  y       z 0 0 −1 z Geometricamente Figura 5.13) b.2 .Reflexão através do plano xz T : R3 → R3 T (x.Reflexão através do plano yz T : R3 → R3 T (x.1 .17: Reflexão através do plano xy . y.(5. −y.3 .

15) Tθ (x. y.18: Reflexão na origem .6 Definimos Rotação de um ângulo θ em torno de um eixo coordenado c ao operador linear Tθ : R3 → R3 tal que |Tθ (v)| = |v| (5. z′ ) .14) (d) Rotação no Espaço Definição 5.14) T (x.20: Rotação em torno do eixo z . y′ .15) d.(5.(5. y.1 .19: Rotação no espaço .Rotação em torno do eixo z Para obter a expressão da transformação que é uma rotação em torno do eixo z vamos considerar: p = projeção de v no plano xy q = projeção de T (v) no plano xy Figura 5. Figura 5.(5. z) = (x′ .1.15) e o ângulo entre a projeção de v no plano ortogonal a c e a projeção de Tθ (v) no plano ortogonal a c é o ângulo θ medido no sentido anti-horário a partir da projeção de v no plano ortogonal a c. z) = (−x. Transformações especiais no plano e no espaço 127 (c) Reflexão na origem T : R3 → R3 (5. −y.5. −z) Matricialmente      x −1 0 0 x            y  −→  0 −1 0  y       z 0 0 −1 z Geometricamente Figura 5.

y′ . y.128 5. Além disso o vetor q é obtido pela rotação do vetor p no plano xy por um ângulo θ .1. q = Rθ (p).Rotação em torno do eixo y Figura 5. z) = (x cos θ − y sin θ .15) Portanto podemos considerar o vetor p obtido a partir do vetor q por uma rotação no sentido . z) Matricialmente      x cos θ − sin θ 0 x            y  =  sin θ cos θ 0  y       z 0 0 1 z   cos θ − sin θ 0     [Tθ ]Z =  sin θ cos θ 0    0 0 1 d.21: Rotação em torno do eixo y .22: Rotação em torno do eixo y .15) Tθ (x.(5.2 . z) = (x′ . z′ ) Como a rotação é em torno do eixo y temos y′ = y. Figura 5. No plano xz vemos que o vetor q é obtido a partir do vetor p pela rotação do ângulo θ no sentido horário. Como já visto em rotação no plano ( item g) de Transformações no plano) temos que x′ = x cos θ − y sin θ y′ = x sin θ + y cos θ Portanto Tθ : R3 → R3 Tθ (x. ou seja. x sin θ + y cos θ .(5. Transformações especiais no plano e no espaço Observe que z′ = z Como |T (v)| = |v| então |p| = |q| . y.

z) = (x cos θ + z sin θ . Logo.1. y. Transformações especiais no plano e no espaço 129 anti-horário.5. y.3 . Rθ (p) = q.      x cos θ − sin θ x′  =   z sin θ cos θ z′    −1   x′ cos θ − sin θ x  =    z′ sin θ cos θ z      x′ cos θ sin θ x  =   z′ − sin θ cos θ z x′ = x cos θ + z sin θ z′ = z cos θ − x sin θ Tθ (x. ou seja. 2 2 ) gira .Rotação em torno do eixo x A matriz da Rotação em torno do eixo x é dada por   1 0 0     [Tθ ]X = 0 cos θ − sin θ    0 sin θ cos θ √ √ √ Exemplo 150 Determinar o ângulo formado entre v e T (v) quando o vetor v = ( 2√32 . z) = (x′ . y′ . z′ ) Tθ (x. 4 2 . y. −x sin θ + z cos θ ) Matricialmente:   cos θ 0 sin θ     [Tθ ]Y =  0 1 0    − sin θ 0 cos θ d.

130 5.0 2  √ ′ − 2  √4    [T (v)] =  √3   2√ 2  2 2 Como desejamos o ângulo entre v e T (v). então T ◦ T −1 = T −1 ◦ T = I {− →} II) O operador T é inversı́vel se.0 0.0 0. e somente se.0  2    4 √  2 0.2. Observação 17 Um operador é inversı́vel se.0 √3   2√ 2     [T (v)] =  1.0 0. Se existir um operador T −1 : V → V tal que T ◦ T −1 = T −1 ◦ T = I ( neste caso I : V → V é a identidade em V ) então dizemos que o operador T é inversı́vel e T −1 é o operador inverso de T.vamos usar a fórmula do cosseno do ângulo entre dois vetores: v · T (v) 1 cos α = = |v| |T (v)| 2 π Portanto o ângulo entre v e T (v) é α = arccos 12 = 3 Exemplo 151 Encontre a matriz canônica do operador linear T : R3 → R3 que primeiro roda um vetor no sentido anti-horário em torno do eixo z por um ângulo θ e depois reflete o vetor resultante em torno do plano yz e finalmente projeta este vetor ortogonalmente sobre o plano xy. Propriedades dos operadores inversı́veis em torno do eixo z de um ângulo π2 rad.0 1. Ker(T ) = 0 .2 Propriedades dos operadores inversı́veis Definição 5.7 Seja T : V → V um operador linear. ele é um isomorfismo Seja T : V → V um operador linear: I) Se T é inversı́vel e T −1 sua inversa.0 0.0 −1. . e somente se.   √ ′ cos π2 − sin π2 0 √3   2√ 2     [T (v)] =  sin π2 cos π2 0  2    4 √  2 0 0 1 2   √ ′ 0. 5.

Propriedades dos operadores inversı́veis 131 III) O operador T é inversı́vel se. [ ]β ( β )−1 Se T é inversı́vel e β uma base de V então T −1 : V → V é linear T −1 β = [T ]β . [Rθ ] é uma matriz ortogonal. logo Rθ−1 : R2 → R2        x cos θ sin θ x x cos θ + y sin θ  →  =  y − sin θ cos θ y y cos θ − x sin θ R−1 θ (x. e somente se. . T (vn )} é base de V.5. [ ] Como R−1 θ = [Rθ ]−1 . temos que Rθ é inversı́vel. . isto é. . T transforma base em base. se α = {v1 . z) na direção da reta dada pela interseção dos planos y = x e z = y.2. . . y) = (x cos θ − y sin θ . Exemplo 152 Considere o operador Rθ : R2 → R2 . dado por Rθ (x. Com isso vemos que T é inversı́vel se e somente se det [T ] ̸= 0. vn } é base de V então β = {T (v1 ). .Verifique se T é inversı́vel e em caso afirmativo determine T −1 . ou seja. y. . Quando β é [ −1 ] [ ] [ ] a base canônica temos a forma mais simples T = [T ]−1 e portanto T −1 ·[T ]−1 = T −1 ◦ T = [I] . y cos θ − x sin θ ) Exemplo 153 Seja T o operador T : R3 → R3 que é a projeção ortogonal do vetor v = (x. x sin θ + y cos θ ) verifique se T é inversı́vel e em caso afirmativo encontre T −1 . . y) = (x cos θ + y sin θ . . det [T ] ̸= 0 IV) Se T é inversı́vel. Como det [Rθ ] = cos2 θ + sin2 θ = 1 ̸= 0. basta calcular a inversa da matriz deRθ   cos θ − sin θ [Rθ ] =   sin θ cos θ   cos θ sin θ  cos2 θ +sin2 θ cos2 θ +sin2 θ  −1   [Rθ ] =    θ cos θ − cos2 sin θ +sin2 θ cos2 θ +sin2 θ   cos θ sin θ [Rθ ]−1 =   − sin θ cos θ Note que [Rθ ]−1 = [Rθ ]T .

y. . R = S◦T [R] = [S] [T ] . Determine a transformação R = S ◦ T. y. 1) (1. 1) · (1. 1). z) = (1. 1. 3 3 3   1 1 1  3 3 3    [T ] =  1 1 1   3 3 3  1 1 1 3 3 3 det [T ] = 0 Como det [T ] = 0 temos que T não é inversı́vel. (v·u) T (v) = pro ju v = u ( u·u ) (x. 2 1 Encontre sua equação. z) = (1. π Exemplo 155 Seja T : R2 → R2 a transformação que é uma rotação de 4 rad e S : R2 → R2 a transformação que é uma reflexão em torno da reta y = −2x. 1) ( ) x+y+z T (x. 1) T (x.2. 1. Devemos inicialmente determinar o vetor diretor da reta:   y=x  z=y Para obter a equações paramétricas fazemos x = t. 1. 1. z) = .132 5. y.   3 1 Exemplo 154 Seja a matriz invertı́vel A =   que leva a reta y = 2x + 1 numa outra reta. Propriedades dos operadores inversı́veis Para determinar a projeção na direção da reta basta determinar a projeção ortogonal sobre o vetor diretor da reta. 1. z) · (1. 1. y. logo      x=t y=t     z=t portando o vetor diretor da reta é u = (1. 1) 3 ( ) x+y+z x+y+z x+y+z T (x.

Observação 18 Consideraremos aqui apenas os operadores T : Rn → Rn .8 Seja V um espaço vetorial com produto interno. α uma base ortonormal e T : V → V um operador linear. . −2) − (x. y) = . 5 5   − −5 3 4 [S] =  5  − 45 35 [R] = [S] [T ]   √ √  − −5 3 4 1 2 −2 21 [R] =  5 2√ √  −5 5 4 3 1 2 2 1 2 2  √ √  − 107 2 − 10 1 2 [R] =  √ √  − 10 2 10 2 1 7 ( √ √ √ √ ) 7 2 2 2 7 2 R(x. − x+ y 10 10 10 10 5. y) · (1. −2) S(x. b) T é chamado um operador ortogonal se [T ]αα é uma matriz ortogonal. Operadores autoadjuntos e ortogonais 133   π π cos 4 − sin 4 [T ] =   π π sin 4 cos 4  √ √  1 2 −2 2 1 [T ] =  2 √ √  1 1 2 2 2 2 S(v) = 2p − v ( ) (x. y) (1. y) = 2 (1.3. y) = − x− y. Então: a) T é chamado um operador auto-adjunto se [T ]αα é uma matriz simétrica.3 Operadores autoadjuntos e ortogonais Definição 5. com o produto escalar usual (que é um produto interno no espaço Rn ). −2) · (1.5. −2) ( ) −3x − 4y −4x + 3y S(x.

T (v) · T (w) = v · w.  0. · · · . Operadores autoadjuntos e ortogonais   1. . T (v2 ). i = j Observação 19 Uma base β = {v1 . c) T preserva o módulo. { } d) T transforma bases ortonornais em bases ortonormais. Exemplo 157 Seja T : R2 → R2 onde T (x. b) T preserva o produto escalar. y. . |T (v)| = |v|. vn é uma base ortonornal então {T (v1 ).y) = (2x − 2y. z) = (x cos θ − y sin θ . T (x. w ∈ Rn Teorema 5. . w ∈ R. z) A matriz da transformação T é   cos θ − sin θ 0     [T ] =  sin θ cos θ 0   0 0 1 Como esta é uma matriz ortogonal. a rotação de um ângulo θ em torno do eixo z. Teorema 5. vn } é ortonormal se vi · v j = . v2 . se v1. A matriz de T é   2 −2 [T ] =   −2 5 Como a matriz de T é simétrica. . . .134 5.1 Seja T : Rn → Rn linear. −2x + 5y). .3. Se T é um operador auto-adjunto então T (v) · w = v · T (w). isto é. Isto é. ∀v. . . . Então são equivalentes as seguintes afirmações: a) T é ortogonal. isto é.2 Seja T : Rn → Rn linear. i ̸= j Portanto podemos dizer que um operador T : Rn → Rn é um operador auto-adjunto se [T ] (a matriz de T em relação a base canônica) é uma matriz simétrica. ∀v. x sin θ + y cos θ . T : Rn → Rn é um operador ortogonal se [T ] (a matriz de T em relação a base canônica) é uma matriz ortogonal. então T é um operador auto-adjunto. Exemplo 156 Consideremos a transformação: R3 → R3 . v2 . T é um operador ortogonal. T (vn )} é uma base ortonornal.

4 Quinta lista de exercı́cios Exercı́cio 5. Exercı́cio 5. O operador A é ortogonal? E auto-adjunto? Exercı́cio 5. 0) = (1.5.seguida de uma dilatação de fator 2 na direção ox e.7 Usando inversão matricial mostre o seguinte: a) A transformação inversa de uma reflexão em torno da reta y = x é a reflexão em torno da reta y = x. 0) e v = (0. z) = (−x.6 Determine a transformação linear de R2 em R2 que representa uma reflexão da reta y = −x. π Exercı́cio 5. Exercı́cio 5. 0. b) Escreva-a em forma matricial. um cisalhamento de fator 3 na direção vertical. Exercı́cio 5.4. b) A transformação inversa de uma reflexão em torno de um eixo coordenado é a reflexão em torno daquele eixo. onde B2×2 é uma matriz fixa. Quinta lista de exercı́cios 135 5.1 Encontre a transformação linear T : R3 → R3 tal que os vetores u = (1. Dê um exemplo para cada um dos casos.2 Seja T : M2 → M2 definida por T (A) = AB − BA. −1) pertençam ao núcleo de T e que T (1. dada por A = G ◦ L onde G é a rotação de 3 do em torno do eixo y π e L é a rotação de 2 em torno do eixo z.4 Defina operador simétrico e operador ortogonal.8 a) Encontre a transformação T do plano no plano que é uma reflexão em torno da reta y = 6x. a) Mostre que T é umoperador  linear. 1. 0 3 Exercı́cio 5. Determine a matriz de A em relação a base canônica. 2. −y. 1). −z) Determine a inversa T −1 da transformação T. isto é. encontre uma base para N(T ) e uma base para Im(T ).3 Seja T a reflexão no origem dada por T : R3 → R3 T (x.5 Seja A : R3 → R3 . y. 1 1 b) Sabendo que B =  . determine [A]. justificando sua escolha. Exercı́cio 5. 1. .

18 O operador linear T (x. y. 2 2 x + 3 2 y) é uma transformação auto-adjunta ou ortogonal. y.15 Seja A é uma matriz de ordem n fixada.13 Seja L : R3 → R3 onde L é a reflexão através do plano x+y+z = 0. y.10 Analise se a seguinte afirmação é verdadeira ou falsa: ”Se T : R2 → R2 é uma rotação de um ângulo θ (em sentido anti-horário) em torno da origem.136 5. . z). Seja T : Mn → Mn definida por T (N) = AN − NA.17 Determine se a transformação T (x. faça um esboço da Im(T ) se a transformação T for aplicada ao retângulo de vértices (0. 1). Determine a ima-gem ◦ de T aplicada sobre este triângulo segundo uma rotação anti-horária de 60 . Exercı́cio 5. z) ∈ R3 y = 2x − z √ √ Exercı́cio 5. 2). Verifique se o operador T é inversı́vel. (−3. −1). 2) um operador linear tal que T (A) = A + AT .16 Encontre a transformação linear T : R3 → R3 tal que Ker(T ) = { } (x. π Exercı́cio 5. y. −3) e (2. y. Justifique sua resposta.20 Seja o operador T : P3 → P3 definido por T (p) = x3 p( 1x ): a) Mostre T é inversı́vel. 2) e (0. y) = ( 2 3 x − 1 1 y. Encontre A(x. Faça um desenho da Imagem. Quinta lista de exercı́cios √ Exercı́cio 5. A seguir.19 Considere o triângulo de vértices (1. Determine o valor do ângulo θ . Ache a aplicação A que representa esta transformação do plano. (1. Exercı́cio 5. Exercı́cio 5. 12 2x − 21 2z) é a rotação de um ângulo θ em torno do eixo y. z).14 Seja A : R3 → R3 onde L é a rotação de 2 em torno do eixo z seguida de uma rotação π de 3 do em torno do eixo y. b) Calcule a inversa T −1 do operador T Exercı́cio 5.12 Seja T : R3 → R3 é a projeção de vetor v no plano x + y + z = 0.4. Exercı́cio 5. (1. uma rotação anti-horária de 450 é seguida por uma dilatação de 3. seguida de uma dilatação de fator 3 então T −1 é uma contração de fator 1 3 seguida de uma rotação de um ângulo −θ em torno da origem”. Exercı́cio 5. z). z) = (− 12 2x − 12 2z. Exercı́cio 5. Exercı́cio 5. 0).11 Encontre a transformação linear T : R2 → R2 definida pela rotação de 6 (sentido anti-horário) seguida de uma reflexão através da reta y = 2x. EncontreL(x. 0). Mostre que T não é inversı́vel. π Exercı́cio 5. 2) → M(2. Encontre T (x.21 Seja T : M(2. y.9 No plano. √ √ √ √ Exercı́cio 5.

y) = −35x+12y 37 .16 . 3 ( ) x−2y−2z −2x+y−2z −2x−2y+z 5.17 . y.1 . z) = (0.18 .  . z) = 3 .T (x. x.O que acontece se a matriz A for antisimétrica? Neste caso.Se N = In . 12x+95y    37 1  −35 12 x b) T (x. y) = 2 .20 . enquanto que para ℑ(T ).  .10 .T (x.15 .11 . 10 ( −y−z −x−z −y−z ) 5. 6x+2 6y 5. 5. y) = 10 . uma base é:  0 1 0 2       −1 0 0 1   . −x − 6y) ( ) 5.    √    0 3 1   2 2 5. como fica o núcleo de T ? . 5π 5.Existem várias transformações lineares que cumprem esta condição. 4 5.T (x.T (x. y.4. z) = 2 .1 Algumas respostas e sugestões ( y+z ) 5. 0.12 .T (x.13 .T (x.14 . Claramente não é auto-adjunto.T (x. 3 . y. y) = (−2y.21 .8 .T −1 =T √    0 − 2 23  1       5.9 . ( 3√ √ 3 ) 3 −y+ 3z 3y+z 5. z) = .  −2 1 0 0  5. . mas é ortogonal (verifique!).6 .4. então T (N) =? Olhe então para o núcleo de T .5. x −  2      1 0 0 1  5.2 .b) Uma base para ker(T ) é:  . Quinta lista de exercı́cios 137 5.a) T (x. y) = 37   12 95 y (√ √ √ √ ) 6x− 6y 5. z) = x − y+z 2 . Uma delas é T (x. y. 5.5 .[A] = 1 0 0  . T −1 =T 5.3 . x − 2y − 2z .Verdadeira ( √ √ √ √ ) (4−3 3)x+(3+4 3)y (3+4 3)x+(−4+3 3)y 5. y. x − y+z 2 .É ortogonal mas não é auto-adjunta (faça as contas). 2 5.

Quinta lista de exercı́cios .4.138 5.

. procuramos um vetor v ∈ V e um escalar λ ∈ R tais que T (v) = λ v. y). 0) ⇒ T (v) = T (x. v ̸= 0 . Como v = 0 satisfaz a equação para todo λ . → − Definição 6. −y) Neste caso observamos que os vetores que serão levados em múltiplos dele mesmo serão os vetores que estão no eixo x. 0) = v. y) ⇒ T (w) = T (0. um operador linear. Os vetores que estão no eixo y também são levados em múltiplos de si mesmo pois estes vetores tem a forma w = (0. Neste caso T (v) será um vetor de mesma direção que v. 0) são autovetores associados ao autovalor λ1 = 1 e os vetores da forma w = (0. estamos interessados em saber quais vetores são levados em um múltiplo de si mesmo. Se existirem v ∈ V. Observe que λ pode ser o número 0. y) = (x. isto é.1 Seja T : V → V . Exemplo 158 T : V → V dado por T (v) = kv. Podemos concluir então que os vetores do tipo v = (x. e λ ∈ R tais que T (v) = λ v. estaremos → − interessados em determinar vetores v ̸= 0 satisfazendo a condição acima. 0) = (x. λ é um autovalor de T e v é um autovetor de T associado a λ . y) são autovetores associados a λ2 = −1. da tranformação linear reflexão no eixo x. y) = (0. pois v = (x. onde k é uma constante Neste caso todo vetor de V é um autovetor associado ao autovalor λ = k Exemplo 159 T : R2 → R2 (Reflexão no eixo x) T (x. −y) = −1(0. embora v não possa ser o vetor nulo.Capı́tulo 6 AUTOVALORES E AUTOVETORES Dado um operador linear T : V → V. Por vetor de mesma direção estaremos en- → − tendendo vetores sobre a mesma reta suporte.

→ − são soluções da equação A · v = λ v. O {−→} conjunto Vλ pode ser escrito como Vλ = {Todos os autovetores de T associados a λ } ∪ 0 . Observação 20 Note que se um vetor v é autovetor de uma transformação T associado ao autovalor λ então todos os múltiplos de v também serão autovetores associados a λ . Teorema 6.1 Autovalores e autovetores de uma matriz Agora vamos obter uma forma de calcular os autovalores e autovetores de uma transformação usando sua matriz em relação as bases canônicas. isto é TA (v) = A · v (na forma coluna). y) = (−y. Inicialmente definiremos autovalores e autovetores de uma matriz A. A. Assim. Definição 6. Autovalores e autovetores de uma matriz Exemplo 160 R π2 : R2 → R2 (Rotação de um ângulo π2 ) R π2 (x. Dada uma matriz quadrada. .1 Dada uma transformação linear T : V → V e um autovetor v associado a um auto- valor λ . estaremos entendendo por autovalor e autovetor de A o autovalor e autovetor da transformação TA : Rn → Rn . um autovalor λ ∈ R de A. de ordem n.1. contém também o vetor nulo 0 de V já que o vetor 0 satifaz a relação T ( 0 ) = λ 0 . associada a matriz A em relação a base canônica de Rn . Como vimos na nota acima o conjunto Vλ contém todos os autovetores de T associados ao au- → − → − → − → − tovalor λ . λ2 autovalores distintos de T e v1 e v2 os autovetores associados a λ1 e λ2 .2 O subespaço Vλ = {v ∈ V T (v) = λ v} é chamado o subespaço associado ao auto- valor λ . a direção π de todos vetores de R2 são alterados pela rotação. v ̸= 0 . e um autovetor v ∈ Rn . respectivamente. Teorema 6. x) π Observe que na rotação de 2 nenhum vetor é levado em um múltiplo de si mesmo. Então v1 é perpendicular a v2 . 6. O Conjunto formado por todos os autovetores associados a um mesmo autovalor é um conjunto infinito. Portanto a rotação de um ângulo 2 não possui autovetores e autovalores.140 6. qualquer vetor w = α v (α ̸= 0) também é um autovetor de T associado a λ .2 Seja T : Rn → Rn um operador auto-adjunto e λ1 .

.... devemos resolver a equação: Av = λ v Av = λ Iv → − Av − λ Iv = 0 → − (A − λ I)v = 0 Escrevendo esta equação explicitamente.   . → − Sendo assim queremos que o sistema B · v = 0 seja compatı́vel e indeterminado ( tenha além da solução trivial.   . ...    .... Pela regra de Cramer se det B = 0 então o sistema homogêneo terá infinitas soluções.. Autovalores e autovetores de uma matriz 141 6.... queremos encontrar vetores v ̸= 0 que satisfaçam a equação B · v = 0 ..... amn − λ temos o sistema → − B·v = 0 → − Este sistema é um sistema homogêneo e possui ao menos a solução v = 0 ..........1 Polinômio Caracterı́stico Seja a matriz     a a12 .. a1n      a21 a22 − λ ..temos      a11 − λ a12 ..   ....   e v=  ..       am1 am2 . .1. a1n x1  11         a21 a22 . amn xn Para encontrar os autovalores e autovetores de A. .    .. a2n  x2   0    =   . a1n x1 0            a21 a22 − λ .. .      am1 am2 . a2n   x2  A=  .... Mas como estamos → − → − procurando autovetores.. a única maneira de encontrarmos autovetores v (soluções .  .. Assim. ......  .....    am1 am2 .   ...... outras soluções não triviais).1.... amn − λ xn 0 Fazendo   a11 − λ a12 . ......... a2n  B=  .......6..

ou seja. Observamos que . det(A − λ I) = 0 Impondo esta condição determinamos primeiramente os autovalores λ que satisfazem a equação e depois os autovetores a eles associados.1. Autovalores e autovetores de uma matriz − → não nulas da equação B · v = 0 ) é termos det B = 0.142 6.

.

.

.

.

...... a11 − λ a12 . a1n ..

.

.

.

.

.

.... a21 a22 − λ ... a2n ..

p(λ ) = det(A − λ I) = .

.

.. .. .

.

.

. . .

.

.

.

.

.

..... amn − λ ... am1 am2 .

y . Note também que o autovalor pode ser o número zero (quando o polinômio caracterı́stico tem raı́zes zero). é um polinômio em λ de grau n. embora o autovetor v associado a λ não possa ser o vetor nulo. Necessitamos calcular os autovetores de A e para isso basta resolvermos o sistema: Av = λ v   x onde v =   e λ é cada um dos autovalores já encontrados.3 O polinômio p(λ ) = det(A − λ I) é chamado polinômio caracterı́stico da matriz A Observe que as raı́zes do polinômio caracterı́stico são os autovalores da matriz A.   −3 4 Exemplo 161 Vamos agora calcular os autovetores e autovalores da matriz A =  . Definição 6. −1 2   −3 − λ 4 Temos que: p(λ ) = det(A − λ I) = det   = (2 − λ )(−3 − λ ) + 4 = λ 2 + λ − 2 −1 2−λ p(λ ) = 0 ⇒ λ 2 + λ − 2 = 0 ⇒ λ1 = 1 e λ2 = −2.

Autovalores e autovetores de uma matriz 143 Para λ1 = 1 temos      −3 4 x x    = 1  −1 2 y y      −3 − 1 4 x 0    =  −1 2−1 y 0      −4 4 x 0    =   −1 1 y 0 Temos um sistema homogêneo cuja matriz ampliada é     −4 4 | 0 escalonando −4 4 | 0     −1 1 | 0 ⇒ 0 0 | 0 −4x + 4y = 0 ⇒ y = x Portando os autovalores associados ao autovalor λ1 = 1 são da forma v = (x.1. 1) e assim podemos concluir que o subespaço associado ao autovalor λ1 = 1 é V1 = [(1. 1)] .6. x) = x(1. 4x ) = x(1. Para λ1 = −2 temos      −3 4 x x    = −2   −1 2 y y      −3 − (−2) 4 x 0    =   −1 2 − (−2) y 0      −1 4 x 0    =   −1 4 y 0 Temos um sistema homogêneo cuja matriz ampliada é     −1 4 | 0 escalonando −1 4 | 0     −1 4 | 0 ⇒ 0 0 | 0 x −x + 4y = 0 ⇒ y = 4 Portando os autovalores associados ao autovalor λ1 = −2 são da forma v = (x. 14 ) e assim .

Exemplo 162 Encontre os autovalores e autovetores da transformação linear que a cada vetor v ∈ R3 associa a sua projeção ortogonal no plano x + y − z = 0. 1. como v = (x. T (v) + p = v T (v) = v − p T (v) = v − pro jn v Um vetor normal do plano x + y − z = 0 é n = (1. Autovalores e autovetores de uma matriz [ ] podemos concluir que o subespaço associado ao autovalor λ2 = −2 é V2 = (1. logo. z) = (x. 3 3 3 Para calcular os autovalores de T devemos encontrar a matriz de T. z) temos p = pro jn v (v·n) p = n (n · n ) (x. z) = . −1) · (1. y. . 1. −1) ( ) x+y−z p = (1. Neste caso. 1. 1. y. Devemos encontrar a transformação linear T : R3 → R3 tal que T (v) = projeção de v no plano x + y − z = 0. z) · (1. z) − .   2 −1 1  3 3 3   −1  [T ] =  2 1   3 3 3  1 1 2 3 3 3 . Com isso temos. Figura 6. 1. y. . y. y.(Exemplo 162) Da figura acima vemos que para obtermos a projeção sobre o plano devemos inicialmente fazer a projeção do vetor v na direção do vetor normal n para obter o vetor p = pro jn v. −1) p = (1.1.144 6.− 3 3 3 T (v) = v − p ( ) x+y−z x+y−z x+y−z T (x.1: Transformação Linear T .− 3 3 3 ( ) 2x − y + z −x + 2y + z x + y + 2z T (x. −1) (1. . 1. −1). −1) 3 ( ) x+y−z x+y−z x+y−z p = . 14 ) .

−1. 1).     −1 2 1 | 0 2 − 13 1 | 0  3 3 3  escalonando  3 3   −1     2 1 | 0   0 1 1 | 0   3 3 3  =⇒  2 2  1 3 1 3 2 3 | 0 0 0 0 | 0   2x − 1y + 1z = 0 3 3 3  1 1 2y + 2z = 0   2x − y + z = 0  y+z = 0 e então: y = −z x = −z Portanto os autovalores associados ao autovalor λ1 = 0 são da forma v = (−z. −1. −z. z). 1)] é formado . −1. Note que geometricamente o subespaço V0 = [(−1. −1. o subespaço associado ao autovalor λ1 = 0 é gerado pelo vetor v = (−1.6. Para λ1 = 0 vamos calcular os autovalores associados resolvendo o sistema. Observação 21 Note que acima damos a forma geral dos autovetores. 1) temos que V1 = [(−1. −1.1. isto é.      2 −1 1 x 0  3 3 3      −1      2 1  y  =  0   3 3 3     1 1 2 3 3 3 z 0 cuja matriz ampliada é. 1)]. −1. 1) assim um autovetor é v = (−1. no caso acima temos v = z(−1. Autovalores e autovetores de uma matriz 145 p(λ ) = det([T ] − λ I) = 0   −1 2 − λ 1 3 3 3   −1 1  det  3 2 −λ =0  3 3  3 −λ 1 1 2 3 3 p(λ ) = −λ 3 + 2λ 2 − λ = 0 As raizes de p(λ ) são λ1 = 0 e λ2 = λ3 = 1. 1) como todo autovetor é um múltiplo de v = (−1.

146 6. y. 0. por todos os vetores ortogonais ao plano. 1. 1). Para λ2. z) = y(−1. ou seja. 0)] e V3 = [(1. Exemplo 163 Encontre todos os autovalores e autovetores do operador linear T : P2 → P2 definido por T (a + bx + cx2 ) = −2c + (a + 2b + c)x + (a + 3c)x2 .1. A matriz que representa o operador T é dada por:   0 0 −2     [T ] = 1 2 1    1 0 3 . 1. 0) + z(1. 1)]. Logo V2 = [(−1. 0. Autovalores e autovetores de uma matriz pelos vetores que são múltiplos do vetor normal ao plano.      2 −1 − 13 1 x 0  3   3         − 13 2 −1 1 y  =  0   3   3   3 −1 1 1 2 3 3 z 0      − 13 − 13 1 3  x  0     1       − 13 − 13   =  0  3  y     1 3 1 3 − 1 3 z 0   − 13 − 13 1  3   1   − 3 − 13 1   3  1 3 1 3 − 13     − 13 − 13 1 − 13 − 13 1  3  escalonando  3   1     − 3 − 13 1   0 0 0   3  =⇒   1 3 1 3 − 13 0 0 0 1 1 1 − x − y + z = 0 → x = −y + z 3 3 3 Portanto os autovalores associados aos autovalores λ2 = λ3 = 1 são da forma v = (−y + z.3 = 1 vamos calular os autovalores associados resolvendo o sistema.

isto é. b. − → p = −2c + cx + cx2 é autovetor associado a λ1 = 1 Para λ2 = λ3 = 2:           −2 0 −2 a 0 −2 0 −2 a 0       Escalonando                −  1 0 1  b = 0  0 0 0  b = 0 ⇒ → p = (−c. c.1. c)      ⇒      1 0 1 c 0 0 0 0 c 0 Portanto − → p = −c + bx + cx2 é autovetor associado a λ2 = λ3 = 2.6. c)      ⇒       1 0 2 c 0 0 0 0 c 0 Portanto.      0−λ 0 −2 a 0            1 2−λ 1  b = 0      1 0 3−λ c 0 Para obtermos uma solução não nula para este sistema devemos impor: det([T ] − λ I) = −λ (2 − λ )(3 − λ ) + 2(2 − λ ) = 0 Obtemos então os autovalores λ1 = 1 e λ2 = λ3 = 2. Exemplo  164 Encontre  os autovalores e autovetores: 1 4 a)   2 3   2 1 0     b)  0 1 −1    0 2 4   1 1 2     c)  0 5 −1    0 0 7 . Para λ1 = 1:           −1 0 −2 a 0 −1 0 −2 a 0       Escalonando                 1 1 1  b = 0  0 1 −1 b = 0 ⇒ → −p = (−2c. Vamos agora encontrar os autovetores associados aos autovalores λ1 = 1 e λ2 = λ3 = 2. Autovalores e autovetores de uma matriz 147 Para encontrar os autovetores resolver ([T ] − λ I)v = 0.

6.2. x + 4y). y) = (4x + 4y. Determine os autovetores e autovalores. [T ]β matrizes de T em relação as bases α e β respectivamente. tem-se: β β [v]α = [I]α [v]β e [T (v)]α = [I]α [T (v)]β . então: β [T ]β = [I]βα [T ]αα [I]αβ ( )−1 Lembrando que [I]αβ = [I]βα temos que ( )−1 β [T ]β = [I]βα [T ]αα [I]βα Chamando [I]βα = A : β [T ]β = A [T ]αα A−1 Pelo conceito de matriz de uma transformação linear podemos escrever: [T (v)]α = [T ]αα [v]α (I) e β [T (v)]β = [T ]β [v]β (II) Sendo [I]αβ a matriz mudança de base de α para β .148 6.2 Matrizes Semelhantes β Seja T : V → V um operador linear. Sejam α e β bases de V e [T ]αα . Matrizes Semelhantes   4 0 1     d)  −2 1 0    −2 0 1   5 6 2     e)  0 −1 −8    1 0 −2 Exemplo 165 Seja T : R2 → R2 o operador dado por T (x.

nesse caso. ( ) β −1 β [T (v)]β = [I]α [T ]αα [I]α [v]β Comparando essa igualdade com (II) .3 Diagonalização de Operadores Nosso objetivo aqui será encontrar uma base do espaço vetorial V na qual a matriz de um determinado operador linear T : V → V seja a mais simples possı́vel. tem-se ( ) β β −1 β [T ]β = [I]α [T ]αα [I]α ( ) β −1 ou. . é uma base cujos vetores são autovetores de T . Observemos inicialmente o exemplo que segue.6. na qual β a matriz do operador nesta base ([T ]β ) seja uma matriz diagonal. podemos escvrever ( )−1 β [T ]β = [I]βα [T ]αα [I]βα β As matrizes [T ]αα e [T ]β são chamadas semelhantes. mas não vale a recı́proca. Veremos que a melhor situação possı́vel é aquela em que conseguimos uma matriz diagonal associada a um operador. Definição 6. como [I]αβ = [I]α . Dado um operador linear T : V → V . Esta é a forma mais simples de se representar um operador e a base β . se existe uma matriz P inversı́vel tal que A = PBP−1 então dizemos que as matrizes A e B são semelhantes. nosso objetivo é conseguir uma base β .4 Dadas as matrizes A e B. para V .3. 6. Diagonalização de Operadores 149 Substituindo [v]α e [T (v)]α em (I). resulta: β β [I]α [T (v)]β = [T ]αα [I]α [v]β ou. Observação 22 Se A e B são semelhantes então detA = detB.

1). Definição 6. Se T : V → V é um operador linear tal que dimV = n e T possui n autovalores distintos. v2 . ou seja. para elucidar o problema citado. 0 −2 β Notemos que [T ]β é uma matriz diagonal e representa o operador T na base β de autovetores. formado pelos correspondentes autovetores. Na verdade. Seja. Consideremos. res- pectivamente. 1) T (4. 1) e v2 = (4. Proof. Neste caso. . −2) = c(1. Em outras palavras. (4.1 1. 1) = (1. então. como já citado. 1) = a(1. −1 2 Seus autovalores são λ1 = 1 e λ2 = −2 com autovetores associados v1 = (1. 1) = (−8. então. 1) + b(4. podemos garantir a existência de uma base de autovetores. β = {(1. [T ]β =  . O problema. em relação à base canônica é [T ] =  .3. vn }. cuja −3 4 matriz. 1) + d(4. as propriedades que seguem: Propriedades 6. 1). a matriz que representa um operador linear nesta base será sempre uma matriz diagonal que. Autovetores associados a autovalores distintos são linearmente independentes. pois veremos adiante que em muitos casos tal base não existe. . y) = (−3x + 4y. a matriz que representa T na base β é uma matriz diagonal cujos elementos são autovalores de T . 1) + 0(4. . 1) = 1(1. Dizemos que T é um operador diagonalizável se existe uma base β de V cujos elementos são autovetores de T .5 Seja T : V → V um operador linear.150 6. é a forma mais simples de se representar o operador. é uma base de V . Diagonalização de Operadores Exemplo 166 Seja T : R2 → R2 o operadorlinear definido  por T (x. aplicamos T em cada vetor da base β e escrevemos a imagem obtida como combinação linear dos vetores da base β : T (1. quando a base de autovetores existe. 1)   β 1 0 Assim. Para tal. 1) − 2(4. Notemos que os autovetores formam uma base de R2 . . é saber em que condições a base de autovetores existe. se conseguirmos encontrar tantos autovalores distintos quanto for a dimensão do espaço. . −x + 2y). 1)} β a base de R2 formada pelos autovetores de T e encontremos [T ]β . então o conjunto β = {v1 . Ex- ercı́cio!  2. 1) = 0(1.

1. −2. −2) T (v3 ) = Av3 = (3. 1) λ2 = −2 ⇒ v2 = (−y.. 2. 1) + e(−1. 4z.   2 1 −1 Os Autovalores e autovetores de A são: λ1 = 1 ⇒ v1 = (−z. 1) Logo o conjunto β = {(−1. x) = x(1. 0  1    β  0 λ2 . 1) . 6. 4. . portanto o operador T representado pela matriz A.. 1) = a(−1. 6. o operador T é representado por uma matriz diagonal D que é a matriz β [T ]β . 1) + f (1. . 1.. 4. 1) (2. 0  [T ]β =   . . 1) + i(1. y. 2. 4. 1. 2.. . . . representados pela matriz A = 3 2 −1. 1) T (v2 ) = Av2 = (2. 2. 1. Exemplo 167 Observemos os autovalores  e respectivos  autovetores associados a um operador linear 1 −1 4     T. como a base β é formada pelos autovetores de A ou de T. Então. 1.6. 1). 1) + b(−1... é diagonalizável. −2. . 1) (3. Diagonalização de Operadores 151   λ 0 . pela propriedade 2 e.   0 0 ..  . 4. z) = z(−1. λn Aqui supomos que dimV = n.3. 4. y) = y(−1. 1) + c(1. −2) = d(−1. 3) Então: (−1. 4. 2. 4. 1) + h(−1. 1) λ3 = 3 ⇒ v3 = (x.  .. (−1. 2x. 1). 1)} é uma base do R3 . A construção da matriz D pode ser acompanhada conforme segue: T (v1 ) = Av1 = (−1. (1. 3) = g(−1.

Sejam A a matriz canônica do operador T.3. quando ela existe. 6. Logo. [T ] = A e D a matriz de T na base β de autovetores. As matrizes A e D são semelhantes. 1) Observe que A não pode ser diagonalizada. isto é.   1 3 3     Exemplo 169 Sendo possı́vel. Observamos que a matriz D é obtida pela ”atuação”da matriz P.   3 3 1 Temos que determinar uma matriz inversı́vel P e uma matriz diagonal D tal que D = P−1 AP.   0 1 2 Autovalores e autovetores de A : λ1 = λ2 = 2 ⇒ v1 = (0. encontre a matriz que diagonaliza A = −3 −5 −3.I. isto é. 0. pois representam o mesmo operador T em bases diferentes. z) = z(0. P = [I]α . Diagonalização de Operadores Dessa forma. 1) λ3 = 3 ⇒ v3 = (−2. pois não é possı́vel encontrar uma base de autovetores para o R3 .4 permite escrever: D = P−1 AP β onde P é a matriz mudança da base β para a base canônica α . Vamos seguir os seguintes passos: . 1. a relação de matrizes semelhantes 6. pela definição da matriz P. Dizemos então que a matriz P diagonaliza A ou que P é a matriz diago- nalizadora.152 6. 0. Note que.3. podemos concluir que ela é uma matriz cujas colunas são os autovetores do operador T.1 Matriz Diagonalizadora Seja T : V → V um operador linear. só é possı́vel obter dois autovetores L. representado pela matriz A = −1 1 0. sobre a matriz A. temos   1 0 0     β D = 0 −2 0 = [T ]β   0 0 3   4 2 0     Exemplo 168 Considere agora o operador T : R3 → R3 .

Calculando os autovetores por meio do sistema homogêneo:      1−λ 3 3 x 0            −3 −5 − λ −3  y = 0      3 3 1−λ z 0 obteremos: . v3 } é linearmente independente. −1. 0.Monte P a partir dos vetores do passo 2   −1 −1 1 [ ]     P = v1 v2 v3 =  1 0 −1   0 1 1 Passo 4 .   −2 0 0     D =  0 −2 0   0 0 1 .Determinar os autovetores Serão necessários três autovetores porque a matriz é 3 × 3. caso contrário a matriz não poderá ser diagonalizada.Para λ = 1 uma base para o subespaço associado é v3 = (1. 1).6. 1.3. Diagonalização de Operadores 153 Passo1. 0) e v2 = (−1. (Verifique) Passo 3 . v2 . 1).Para λ = −2 uma base para o subespaço associado é v1 = (−1.Determinar aos autovalores de A   1−λ 3 3     det(A − λ I) = 0 ⇒ det  −3 −5 − λ −3  = −λ 3 − 3λ 2 + 4 = 0   3 3 1−λ Os autovalores são λ1 = λ2 = −2 e λ3 = 1 Passo 2 . . Note que {v1 .Monte D a partir dos autovalores associados É essencial que a ordem dos autovalores seja igual à ordem escolhida para as colunas de P.

ii) A é diagonalizável se. Definição 6.3.3 Se A é uma matriz n × n com n autovalores distintos entre si. A é diagonalizável. então A é diagonalizável. Exercı́cio. então a dimensão do subespaço associado a λ é chamada multiplicidade geométrica de λ . Teorema 6. ii) O número de vezes que λ aparece como autovalor de A é chamado de multiplicidade algébrica de λ . a multiplicidade geométrica é igual a multiplicidade algébrica. Proof. a multiplicidade geométrica é menor do que ou igual à multiplicidade algébrica. Diagonalização de Operadores Passo 5 .154 6. e somente se.4 Se A é uma matriz quadrada.6 i) Se λ é autovalor de uma matriz A de tamanho n × n. então: i) Para cada autovalor de A. se possı́vel. para cada autovalor.    2 −3 7     Exemplo 170 A matriz A = 0 5 1  tem autovalores λ1 = 2. . Exemplo 171 Diagonalize a seguinte matriz.Verifique que D = P−1 AP ou que AP = PD      1 3 −1 −1 1 3 2 2 1           AP = −3 −5 −3  1 0 −1 = −2 0 −1      3 3 1 0 1 1 0 −2 1      −1 −1 1 −2 0 0 2 2 1           PD =  1 0 −1  0 −2 0 = −2 0 −1      0 1 1 0 0 1 0 −2 1 Teorema 6. Como esses   0 0 −1 são três autovalores distintos de uma matriz 3 × 3. λ2 = 5 e λ3 = −1.   5 0 0 0     0 5 0 0 A=    1 4 −3 0    −1 −2 0 −3 Vamos calcular det(A − λ I) = 0 para encontrar os autovalores de A.

1). 0) e v2 = (−16. se v é autovetor de A associado ao autovalor λ então Av = λ v. 4. Se v é autovetor de A associado ao autovalor λ então v também é autovetor de Ak associado ao autovalor λ k . Calculando os autovetores por meio do sistema homogêneo:      5−λ 0 0 0 x 0            0 5−λ 0 0  y 0    =         1 4 −3 − λ 0  z 0      −1 −2 0 −3 − λ t 0 obtemos: . 1. onde P =   eD=   . geométrica. logo pelo teorema anterior.5 Seja A é uma matriz quadrada n × n e k um número inteiro.6. . 0.  1 0 1 0 0 0 −3 0      0 1 0 1 0 0 0 −3 6. tem-se A2 v = Aλ v = λ (Av) = λ 2 v . ambos tem multiplicidade 2. 1. concluı́mos    −8 −16 0 0 5 0 0 0         4 4 0 0 0 5 0 0 Então existe P tal que A = P−1 DP.4. Por definição.Para λ = 5 uma base para o subespaço associado é v1 = (−8. 0. veremos como a diagonalização de matrizes pode ajudar no cálculo de potências de matrizes. 4. Proof. Calculando potências de uma matriz 155   5−λ 0 0 0       λ =λ =5  0 5−λ 0 0  det  =0⇒ 1 2    λ = λ = −3  1 4 −3 − λ 0    3 4 −1 −2 0 −3 − λ λ = 5 e λ = −3. Multiplicando por A ambos os lados da igualdade. 1). 0. 0.4 Calculando potências de uma matriz Nesta seção. Note que para ambos os autovalores a multiplicidade algébrica é igual a multiplicidade  que A é diagonalizável. Teorema 6. 0) e v4 = (0.Para λ = −3 uma base para o subespaço associado é v3 = (0.

....A · · · A = (PDP−1 ).. Teorema 6.    0 0 .. obtendo P e D. λn k . então existe uma matriz invertı́vel P e uma matriz diagonal D tais que A = PDP−1 . · A})λ v ⇒ Ak v = λ k v | · A ·{z k−1 vezes k−1 vezes concluindo assim nossa demonstração.  Assim.. · A})Av = (A .156 6. . O próximo teorema nos diz como obter a matriz Ak para todo k inteiro.. . Assim.6 Seja A é uma matriz quadrada n × n diagonalizável então existe uma matriz invertı́vel P e uma matriz diagonal D tais que Ak = PDk P−1 .4. . e o resultado será igual a PDk P−1 . Como D é diagonal e sua diagonal é formada pelos autovalores de A. Proof.   1 −2 8     Exemplo 172 Calcule A20 onde A =  0 −2 0    0 0 −2 . .. depois calcular Dk ... multiplicando por A ambos os lados A3 v = Aλ 2 v = λ 2 (Av) = λ 3 v Generalizando esta idéia para k vezes. Calculando potências de uma matriz Novamente.. . . todo autovetor de A é também autovetor de Ak e portanto. para todo k inteiro. . Se A é diagonalizável. Ak = A.    ..(PDP−1 ) · · · (PDP−1 ) = PD(P−1 P)D(P−1 P)DP−1 = PDk P−1  Isso sugere que para calcularmos Ak podemos diagonalizar A. obtemos | · A ·{z (A ... pelo teorema anterior tem-se   λk 0 . 0 D = k  . A e Ak possuem a mesma matriz diagonalizadora P.(PDP−1 ). se a matriz A é diagonalizável. .A. 0  1     0 λ2k ..

se T não é injetora.5 Sexta lista de exercı́cios Exercı́cio 6. 2) → M(2. seguida de uma contração de 21 .9 Determine os autovalores e autovetores. λ = 0 é autovalor de T ? c) Quais são os autovalores e autovetores do operador derivação D : P2 → P2 . λ um autovalor da matriz A e v um autovetor de A associado ao autovetor λ . y) e em seguida girados de 45o (no sentido anti-horário) ficam ampliados / reduzidos (na mesma direção)? Em quantas vezes? Exercı́cio 6. x − y + 2z.2 Se k é um número inteiro. z) = (x + y. Exercı́cio 6. 2x + y − z) d) T : P2 → P2 tal que T (ax2 + bx + c) = ax2 + cx + b e) T : M(2.7 Que vetores não nulos do plano. y) = (y − 3x. x) b) T : R2 → R2 tal que T (x.6. Sexta lista de exercı́cios 157 6. D(p) = p′ .5 Encontre a transformação linear T : R2 → R2 . tal que T tenha autovalores −2 e 3 associados aos autovetores (3y. . Exercı́cio 6. y) = (2y. y) respectivamente. y) e (−2y.6 Encontre os autovalores e autovetores correspondentes  das  matrizes     2 0 1 0    1 2 3   1 0 2         0 2 0 1  a) A =  0 1 2  b) A =  −1 0 1  c) A =   .8 Seja T : V → V linear a) Se λ = 0 é autovalor de T .1 Construa uma matriz 2x2 não diagonal com autovalores 1 e −1. 2x + y) c) T : R3 → R3 tal que T (x. y) = (x + y. Exercı́cio 6. Mostre que λ k é um autovalor da matriz Ak associado ao autovetor v.3 Encontre os autovalores de A se A =  9     0 0 0 4    0 0 0 2 Exercı́cio 6.5. 2) tal que A → AT Exercı́cio 6.4 Encontre os autovalores e autovetores das transformações lineares dadas: a) T : R2 → R2 tal que T (x. se existirem.       12 0 3 0  0 0 1 1 1 2   0 −1 0 0 Exercı́cio 6. do operador linear T : R3 → R3 obtido quando se faz uma rotação de π rad em torno do eixo x.   1 3 7 11      0 2 3 8  1 Exercı́cio 6. y. quando cisalhados por C(x. b) A recı́proca é verdadeira? Ou seja. mostre que T não é injetora.

Exercı́cio 6. Exercı́cio 6. 2) → M(2.    n Exercı́cio 6. 2)}.p′ + p′ . Encontre os autovalores e autovetores da transformação T .5.13 Sejam A e B matrizes n × n. Exercı́cio 6. v2 . Existe alguma relação entre seus autovalores? Qual? . · · · . 2) c) Qual a matriz do operador T na base {(2. vn respectivamente.. vn } e que aos 1      2  [v]β =   . os mesmos autovalores. (1. Exercı́cio 6.     1 0 0 1 Exercı́cio 6. As matrizes A e AT possuem os mesmos autovalores e autovetores? Justifique sua resposta. c d Exercı́cio 6. λ2 = −1. Exercı́cio 6. λn = n associados   autovetores v1 .16 Dada a transformação linear T : ℜ2 → ℜ2 que é a projeção sobre a reta y = 2x . Seja o operador linear D : P1 → P1 dado por D(p) = x.158 6. portanto. 2) com autovetores v1 =   .10 Seja T : V → V o operador linear que tem autovalores λ1 = 1.14 Seja T : ℜ2 → ℜ2 um operador linear que dobra o comprimento do vetor (1. Sabendo que β = {v1 .11 Seja A uma matriz quadrada e AT sua transposta.15 Seja T : M(2. Sexta lista de exercı́cios Exercı́cio 6. determinar [T (v)] . respectiva- 1 0 1 1   a b mente. Determine T  . λ4 = 0. λ2 = 2. · · · . Se B é semelhante a A.  β  .Determine os autovalores e autovetores de D. então as duas matrizes tem o mesmo polinômio caracterı́stico e.17 Considere P1 = conjunto dos polinômios de grau ≤ 1. B ∈ M(n. a) Determine T (x.12 Encontre os autovalores e autovetores da transformação linear que a cada vetor v ∈ R3 associa a sua projeção ortogonal no plano x + y = 0. v2 =   . 1). · · · .18 Sejam A. v2 . n) matrizes triangulares com a mesma diagonal principal. y) b) Calcule T (0.  . −1). −3) e triplica e muda o sentido do vetor (3. v3 = 0 0 0 0     1 0 0 0   e v4 =   associados aos autovalores λ1 = 1. λ3 = 2.

Exercı́cio 6. 0).     1 2 4 0 Exercı́cio 6. 3x) e con- sidere a base usual α do R3 e a base β = {(1. z) = (2y + z. y) = (7x − 4y.5.19 Mostre que o conjunto de todos os autovetores de um operador linear T : V → V associados a um autovalor λ é um subespaço vetorial de V . a) Mostre que as matrizes [T ]α e [T ]β são semelhantes. .  6. b) T : P2 → P2 definida por T (p(x)) = p(x + 1). a) T : P2 → P2 definida por T (a + bx) = (4a + 2b) + (a + 3b)x. y.27 Seja T : R2 → R2 o operador linear definido por T (x. b) T é inversı́vel? Se for determine a lei que define T −1 .22Verifique Exercı́cio  se as matrizes dadas são semelhantes 1 1 2 1 a)  e  −1 4 1 3     3 1 −1 2 b)  e  −6 −2 1 0 Exercı́cio 6.25 Seja T o operador linear em R3 definido por T (x. Exercı́cio 6. x − 4y. 0. b) Ak e Bk são semelhantes. (1. Determine uma ma- 3 2 0 −1 triz P que realiza esta semelhança.24 Sejam A e B matrizes semelhantes. Exercı́cio 6.26 Sejam T : V → V é um operador linear e α e β bases distintas de V . Se possı́vel. Prove que: a) A − I e B − I são semelhantes.28 Considere uma transformação linear T : V → V abaixo. encontre uma β base β para V tal que a matriz [T ]β de T. Exercı́cio 6. em relação à base β . seja diagonal. então A−1 e B−1 são semelhantes. b) Dar a matriz de T nessa base. Sexta lista de exercı́cios 159 Exercı́cio 6. 1. Exercı́cio 6. então o sistema linear (A − λ I)v = 0 só tem a solução trivial. (1. para cada inteiro positivo k. c) Se A e B são inversı́veis.6.23 Se B = R−1 AR e → − v é um autovetor de B associado a um autovalor λ então R→ − v é autovetor de A associado a λ . 1).20 Discuta a veracidade da afirmação: Se λ não é um autovalor de A. 1. 0)}. −4x + y) a) Determinar uma base do R2 em relação à qual a matriz do operador T é diagonal. Mostre que se β β [T ]αα e [T ]β são matrizes semelhantes então det [T ]αα = det [T ]β .21 A matriz A =   é semelhante à matriz B =   . Exercı́cio 6.

A−1 também é. 2. Prove que. 0) e inverte o sentido do vetor v3 = (0.30 Determine o valor de k para que a matriz A = 0 2 1 seja diagona-lizável.32 Calcule A10 para A =  . Determine o operador linear T 20 . se A é diagonalizável.5. Exercı́cio 6. 0.160 6. du- plica o comprimento do vetor v2 = (0.   0 1 Exercı́cio 6. determinar uma matriz P que diagonalizaA e calcular  P−1 AP. a) Se A é diagonalizável. 2 1 Exercı́cio 6. Justifique cada resposta.33 Seja T um operador linear que preserva o comprimento do vetor v1 = (1. Para o  0 0 3 4    0 0 0 2 valor de a encontrado. determine uma matriz inversı́vel P e uma matriz diagonal D tais que P−1 AP = D. . Se A − λ I tem posto 1. 2. Exercı́cio 6. 5 −1 a) A =   1 3   1 2 1     b) A = −1 3 1   0 2 2   2 −1 0 1     0 2 1 −1 c) A =    0 0 3 2    0 0 0 3   2 k 0     Exercı́cio 6. Sexta lista de exercı́cios Exercı́cio 6.31 Determine a de modo que a matriz A =    seja diagonalizável.36 Classifique cada afirmação como verdadeira ou falsa.35 Seja A uma matriz 4 × 4 e seja λ um autovalor de multiplicidade 3.34 Seja A uma matriz inversı́vel.   0 0 3   3 −2 4 −1     0 1 a 0  Exercı́cio 6. Caso seja. Exercı́cio 6. A é diagonalizável? Explique. 1). então A tem n autovalores distintos. 0).29 Verificar se a matriz A é diagonalizável.

0) c) λ2 = −1 =⇒ v2 = (x. y) √ √ λ1 = 1 + 2 =⇒ v1 = (x. 4z.1 Algumas respostas e sugestões √ √ λ1 = 2 =⇒ v1 = ( 2y. 0) b) λ2 = 3 =⇒ v2 = (x. d) Se A é diagonalizável. 2x) b) √ √ λ2 = 1 − 2 =⇒ v2 = (x. 0) λ1 = 1 =⇒ v1 = (x. z) λ1 = 6 =⇒ v1 = (x. x) λ3 = −1 =⇒ v3 = (−z. f) Se u e v são autovetores de A associados. y − x) .6. aos autovaloes distintos λ1 e λ2 . 0) λ3 = 1 =⇒ v3 = (0. −3x.5 . y) = (−6y. y) c) λ2 = −1 =⇒ v2 = (−2z. e) Se nenhum dos autovalores de A é nulo. −3x.a) √ √ λ2 = − 2 =⇒ v2 = (− 2y.Por exemplo a matriz [T ] =   0 −1 6. − 2x) λ1 = 2 =⇒ v1 = (y.2 . y. 0. z) λ3 = −2 =⇒ v3 = (x. y) 6. g) Se v é autovetor dos operadores T : V → V e S : V → V então v é autovetor do operador T + S. então cada um de seus autovalores tem multiplicidade 1. então u + v é um autovetor de A associado ao autovalor λ1 + λ2 . 0. Sexta lista de exercı́cios 161 b) Se A é inversı́vel então A é diagonalizável.4 . 4x. 0.t))   1 −11 6. 0.1 . 0.T (x. −t. −2z.a) λ1 = λ2 = λ3 = 1 =⇒ v = (x.5. então det A ̸= 0.5. −x. x) λ1 = λ2 = 1 =⇒ p1 (x) = ax2 + bx + b d) λ3 = −1 p2 (x) = bx − b =⇒   a b λ1 = λ2 = 1 =⇒ A1 =   b c e)   0 −c λ3 = λ4 = −1 =⇒ A3 =   c 0 6. respectivamente. c) Uma matriz quadrada com vetores-coluna linearmente independentes é diagonalizável. 6.

z)   a a 6.9 .k = 0 . 0.26 . 15x+21y 8 ( 15 21 ) b)T (0.T   =   c d 2c − 2d 0 λ1 = 1 =⇒ v = (2y. y) λ1 = 1 2 =⇒ v = (x. 4   1  35 85 c) [T ]{(2. y) = −29x−15y 8 . 1)}   −1 0 b) [T ]β =   0 9 6. y) 6.b) T −1 (x. 35 x) 6. z) ( ) 6.28 . z) = 3z . −3 2 ( ) 6. então uma matriz P que realiza a semelhança pode ser − 32 d d   1 1 P= .a) β = {−1 + x. −2x) λ1 = 0 =⇒ p1 (x) = a 6.(1.18 .a) β = {(1.1).a) Não   0 2 1     b) P =  1 1 0   −2 2 1 c) Não 6. y.P é da forma P =  .162 6.a) √ λ2 = 2 =⇒ v = (0.5.2)} = 30  −115 −125     a b a + c − d −b 6. 0) 6.8 .23 . (−2.6 .13 - λ2 = λ3 = 1 =⇒ v2 = (−y.11 - λ2 = 1 =⇒ p2 (x) = b + bx λ1 = 0 =⇒ v1 = (x. 6. 2) = − 4 .25 . x + 2y − 6z 6. 0) 6. 2).27 . x.a) T (x. − 4y + 12 z .7 - λ2 = λ3 = − 21 =⇒ v = (0.10 - λ2 = 0 =⇒ v = (x. Sexta lista de exercı́cios √ λ1 = − 32 2 =⇒ v = (x. 2 + x} b) Não é possı́vel encontrar uma base tal que [T ]β seja diagonal. y. y.

29 . z) = (x.574z.T 20 (x.A10 =   682 683 6. 0. V. D =   .Os autovalores  são1.36 .P=     0 0 1 0 0 1 0 1     0 0 0 2 0 0 0 12 1 6.31 . 512 .5. F. 1.32 .048.576y − 1. Sexta lista de exercı́cios 163     9 3 0 0 0 1 0 1    2     0 3 0 0 0 2 1 4 6.F.048. F.6. F .a = 4. z) 6.30 . 512 342 341 6. F. y.

Sexta lista de exercı́cios .164 6.5.

Esses conceitos permitirão uma melhor compreensão do que seja uma base ortog- onal e uma base ortonormal em um espaço vetorial e. principalmente.(6) √ Observando a figura e utilizando o teorema de pitágoras. y)∥ = x 2 + y2 . Consideremos inicialmente o plano R2 . Se. se tivermos dois vetores u = (x1 . podemos definir um ”pro- duto”de u por v assim: ⟨u. estivéssemos trabalhando no R3 (munidos de um referencial . y).x + y. v⟩ = x1 x2 + y1 y2 . Figura 7.1: Distância do ponto P à origem . produto este chamado de produto escalar ou produto interno usual e que tem uma relação importante com a norma de um vetor v = (x. v⟩. y) é √ ∥(x. etc. nos darão a noção de ”me- dida”que nos leva a precisar conceitos como o de área. distância. temos que d = x2 + y2 .. Por outro lado. Vamos calcular a distância do ponto P à origem O(0. 0). ao invés de trabalharmos no R2 .y = ⟨v. y2 ). munido de um referencial cartesiano ortogonal (eixos perpendiculares) e um ponto P(x. interpretar este resultado dizendo que o comprimento (que passaremos a chamar de norma) do vetor (x. y1 ) e v = (x2 .Capı́tulo 7 PRODUTO INTERNO Estamos interessados nesta seção em formalizar os conceitos de comprimento de um vetor e de ângulo entre dois vetores. Podemos também.. volume. y) : √ √ √ ∥v∥ = x 2 + y2 = x.

(x2 . w⟩ + ⟨v. v⟩ = 0 ⇔ v = 0 b. √ √ d = ∥(x. v⟩ > 0 e ⟨v. Um produto interno sobre V é uma função f : V ×V → R que a cada par de vetores u e v.2: . pois ⟨v. ⟨u. v⟩.mas ela passaria a valer se usássemos a seguinte regra para o produto: ⟨(x1 . y1 ). v⟩. ⟨u + v. y. w⟩ . associa um número real. neste caso não √ haveria a relação ∥v∥ = ⟨v. Concluı́mos destes exemplos.(6) Observe. y). v⟩ Voltando ao caso do plano. v⟩ = ⟨(x. u⟩ c. y2 . que se usássemos o produto escalar ⟨(x1 . y2 )⟩ = x1 x2 + (cos α )x1 y2 + (cos α )x2 y1 + y1 y2 . y)⟩ = x2 + (cos α )xy + (cos α )yx + y2 = ∥v∥2 Portanto. precisamos ser bem claros sobre qual produto interno estamos trabal- hando. novamente a noção de distância poderia ser dada a partir de um produto interno de vetores. Definição 7. z) √ √ ∥v∥ = x2 + y2 + z2 = ⟨v. ⟨v. w⟩ = ⟨u. z1 ). terı́amos encontrado uma expressão similar para o produto escalar: ⟨(x1 . PRODUTO INTERNO cartesiano ortogonal). em cada caso. usando o teorema de Pitágoras. (x2 . y1 . (x. z2 )⟩ = x1 x2 + y1 y2 + z1 z2 e a mesma relação com a norma de um vetor v = (x. y1 ). y)∥ = (x + y cos α ) + (y sin α ) = x2 + (2 cos α )xy + y2 2 2 Figura 7. denotado por ⟨u. (x2 .166 Capı́tulo 7. y2 )⟩ = x1 x2 + y1 y2 . terı́amos. y) ). v⟩ = ⟨v. se tivéssemos trabalhando com um referencial não ortogonal (eixos não perpendiculares). que o processo usado para se determinar ”medidas”num espaço pode variar e. e quiséssemos calcular a distância da origem até um ponto P (cujas coordenadas em relação ao referencial fossem (x. e que satisfaz as seguintes propriedades: a.1 Seja V um espaço vetorial real.

Para mostrar a veracidade da afirmação devemos provar as propriedades da definição de produto Interno. b. w⟩ + ⟨v. u⟩ = 0 se e somente se x1 = 0. v⟩ Exemplo 174 Verifique que ⟨u. v⟩ = ⟨(kx1 . y3 ) e k ∈ R: a. x2 = 0. u⟩ = ⟨(x1 . Então ⟨u. isto é. v⟩ . u⟩ = 0 ⇒ 2x12 + 5y21 = 0 ⇔ x1 = 0 ou y1 = 0 ⇔ u = (0. w⟩ = ⟨(x1 + y1 . f ((x1 . w⟩ d. (x2 . v = (y1 . Para mostrar a veracidade da afirmação devemos provar as propriedades da definição de produto Interno. (x1 . y1 ). x2 ). ⟨u. y2 ) e w = (z1 . (y1 .Capı́tulo 7. y1 ). y2 ) e w = (x3 . z2 ) e k ∈ R : ( ) ( ) ( ) a. ky1 ). x2 )⟩ = 3x12 −2x1 x2 +x22 = 2x12 + x12 − 2x1 x2 + x22 = 2x12 +(x1 − x2 )2 > 0 . Sejam. u⟩ = ⟨(x1 . ⟨u + v. ⟨u. y2 ). u⟩ c. w⟩ = ⟨(x1 + x2 . u = (x1 . v⟩ = x1 x2 +y21 y22 onde u = (x1 . (x3 . v⟩ = ⟨(x1 . u = (x1 . y2 )⟩ = 2x1 x2 + 5y1 y2 = 2x2 x1 + 5y2 y1 = ⟨v. (x1 . y1 ). y1 + y2 ). Observe que a terceira propriedade da definição de Produto Interno falha. ⟨u. ⟨ku. u = (0. v = (x2 . Sejam. (x2 . (y1 . 0). y3 )⟩ = 2(x1 + x2 )x3 + 5(y1 + y2 )y3 = (2x1 x3 + 5y1 y3 ) + (2x2 x3 + 5y2 y3 ) = ⟨u. 0). y1 )⟩ = 2x12 + 5y21 > 0 e ⟨u. y2 )⟩ = 3kx1 y1 − kx1 y2 − kx2 y1 + kx2 y2 = k(3x1 y1 − x1 y2 − x2 y1 + x2 y2 ) = k ⟨u. y2 )) = 2x1 x2 + 5y1 y2 é um produto interno sobre o R2 . então. kx2 ). y2 )⟩ = 2kx1 x2 + 5ky1 y2 = k(2x1 x2 + 5y1 y2 ) = k ⟨u. b. w⟩ + ⟨v. então. ⟨u. (x2 . v = (y1 . PRODUTO INTERNO 167 d. y2 ) é um produto interno em R2 . ∀ k ∈ R Exemplo 173 V = R2 . x2 + y2 ). v⟩ = k ⟨u. z2 )⟩ = 3(x1 + y1 )z1 − (x1 + y1 )z2 − (x2 + y2 )z1 + (x2 + y2 )z2 = (3x1 z1 − x1 z2 − x2 z1 + x2 z2 ) + (3y1 z1 − y1 z2 − y2 z1 + y2 z2 ) = ⟨u. x2 ). v⟩ = 3x1 y1 − x1 y2 − x2 y1 + x2 y2 onde u = (x1 . u⟩ c. ⟨ku. vejamos: . v⟩ Exemplo 175 Verifique que ⟨u. v⟩ = ⟨(kx1 . x2 ). x2 ). y2 )⟩ = 3x1 y1 − x1 y2 − x2 y1 + x2 y2 = 3y1 x1 − y2 x1 − y1 x2 + y2 x2 = ⟨v. (z1 . y1 ) e v = (x2 . v⟩ = ⟨(x1 . ⟨ku. w⟩ d. não define um produto interno no R2 . ⟨u + v. y1 ).

definamos ⟨u. Exemplo 178 Seja V o espaço da funções contı́nuas no intervalo [a. q⟩ = a0 b0 + a1 b1 + a2 b2 define um produto interno em P2 . Exemplo 177 Seja V = P2 . Note que ⟨p. Observação 23 Quando não há referência sobre o produto interno definido num espaço vetorial V . Provar que ⟨u. w⟩ = (x1 + x2 )x3 + (y1 + y2 )2 y23 = x1 x3 + y21 y23 + x2 x3 + y22 y23 + 2y1 y2 y23 = ⟨u. A fórmula ⟨p. q⟩ = a1 b1 + a2 b2 não define.2 Em Rn . então ∫ b ⟨ f . v = (x2 . ⟨u + v. . x2 ) e v = (y1 . p = a0 + a1 x + a2 x2 e q = b0 + b1 x + b2 x2 vetores quaisquer de P2 . u = (x1 . y2 ) e w = (x3 . o produto interno usual (ou escalar) é definido por: ⟨(x1 . entendemos que sobre ele fica definido o produto interno usual.. w⟩ ̸= ⟨u.3 Se A e B são duas matrizes quaisquer de V = M2 então. w⟩ . w⟩ + ⟨v. xn ).. Exemplo 176 Sendo u = (x1 . y2 .. .. Se f e g pertencem a V . Veja que existem polinômios p ∈ V tais que ⟨p. Definição 7..168 Capı́tulo 7. yn )⟩ = x1 y1 + x2 y2 + . definimos ( ) ⟨A. mostre que as quatro propriedades do produto interno são válidas para este caso. b]. y1 ).1) . v⟩ = xa1 y21 + xb2 y22 com a. w⟩ + 2y1 y2 y23 Portanto. y3 ). + xn yn . Por exemplo. x2 . Definição 7. (y1 . um produto interno. então.. g⟩ = f (x)g(x)dx a define sobre V um produto interno. v⟩ define um produto interno sobre R2 . p = 2 + 0x + 0x2 . w⟩ + ⟨v.. PRODUTO INTERNO Sejam. ( ) ( ) ⟨u + v. b ∈ R fixos e não nulos. p⟩ = 0.. pois falha a propriedade a) da definição de produto intermo. sobre V. Como exercı́cio. B⟩ = tr AT B (7. y2 ) vetores genéricos do R2 . sem que p = 0.

∥v∥ Exemplo 180 Considerando v = (1. ⟨v. isto é. −2.1 Normas. −2.5 Se ∥v∥ = 1. então a norma (ou comprimento) de um vetor v ∈ V é dada por √ ∥v∥ = ⟨v. v⟩ = 1. temos: √ √ √ ∥v∥ = ∥(1. −1) em relação ao produto interno definido no exemplo 173. o que significa que seu comprimento é igual a 1 unidade. 3). em relação ao produto interno usual. B⟩ = tr AT B = 3 4 3 2  T      1 2 −1 0  8 6 tr  ×  = tr   = 16. Definição 7. dizemos que o vetor v está normalizado. 3)⟩ = 1+4+9 = 14. ⟨A. 3 4 3 2 10 8 7. (1. 3) e não havendo referência a algum produto interno em R3 . Distâncias e Ângulos em Espaços com Produto In- terno Definição 7. o comprimento de v. 3)∥ = ⟨(1. Distâncias e Ângulos em Espaços com Produto Interno 169 onde tr é o traço de uma matriz quadrada definido por n tr(A) = Σaii i=1     1 2 −1 0 ( ) Exemplo 179 Considere as matrizes A =   e B=  . Exemplo 181 A norma do vetor v = (3. −2.1.6 Todo vetor não-nulo v ∈ V pode ser normalizado. Normas. √ ou seja. é 14 unidades. −2. v⟩ A distância entre dois pontos (vetores) u e v é dada por d(u.7. é: . v) = ∥u − v∥ Definição 7.4 Se V é um espaço com produto interno. Então. fazendo: v u= .

e. Normas. fazemos v ( √ √ ) u= = (3. b) Se v ∈ R3 . v⟩ −1 ≤ ≤ 1. v⟩| ≤ ∥u∥ ∥v∥ Definição 7. (3. v⟩ cos θ = e0≤θ ≤π ∥u∥ ∥v∥ . − 23 ∥v∥ 23 23 23 Verifique que o comprimento de u é 1. v⟩|2 ≤ ∥u∥2 ∥v∥2 Agora. v⟩. daı́. obtém-se ( )2 ⟨u. então |⟨u.7 . equivalentemente.3 + 5. −1). Distâncias e Ângulos em Espaços com Produto Interno √ √ √ ∥(3.−1) √ = 3 23 . ∥u∥ ∥v∥ Como 0 ≤ θ ≤ π . Elevando ao quadrado ambos os lados |⟨u. dividindo ambos os lados por ∥u∥2 ∥v∥2 .3. Teorema 7.170 7. −1)⟩ = 2. Determinar ⟨u. −1)∥ = 32 + (−1)2 = 10 Para normalizar o vetor (3. então o conjunto dos pontos que satisfazem ∥v∥ = 1 pertencem a um cı́rculo de raio 1 centrado na origem. então o conjunto dos pontos que satisfazem ∥v∥ = 1 pertencem a uma esfera de raio 1 centrada na origem.1 (Desigualdade de Cauchy-Schwarz) Se u e v são vetores de um espaço com produto interno real. Exemplo 182 Sejam u e v vetores de um espaço euclidiano tais que ∥v∥ = 1. −1)∥ = ⟨(3.(−1).Ângulo entre dois vetores: Da desigualdade de Cauchy-Schwarz. −1). Observação 24 a) Se v ∈ R2 .1. em relação ao produto interno usual é: √ √ ∥(3. então −1 ≤ cos θ ≤ 1. v⟩| ≤ ∥u∥ ∥v∥ . ⟨u.(−1) = 23. v⟩ ≤1 ∥u∥ ∥v∥ ou. em relação ao primeiro produto (exemplo 173). ∥u∥ = 1 e ∥u − v∥ = 2. ⟨u. tem-se |⟨u.

Se p = x2 e q = x3 então ⟨ 2 3⟩ ∫ 1 5 x .2. 1) e v = (1/2. Observação 25 A ortogonalidade depende do produto interno. e isto é verdade se e somente se u e v são ”perpendiculares”. 1) e v = (1/2.7. pois 1 1 0 0   0 3 ⟨A. . dois vetores podem ser ortog- onais em relação a um produto interno mas não em relação a outro. . . são ortogonais. 1/2) com o produto interno definido abaixo. . se ⟨u. Os vetores u. −1. Note que u e v são ortogonais. v ∈ V dizem-se mutuamente ortogonais. . os vetores p = x2 e q = x3 são ortogonais em P2 . v j = 0 para i ̸= j. x = −1 x dx = 0. . . 1. v2 . y2 . Exemplo 186 Seja os vetores vetores u = (1.1 Conjunto Ortogonal de Vetores Seja V um espaço vetorial com produto interno definido. vn } ⊂ V é ortogonal se dois vetores quaisquer. se e somente se. z1 ). Teorema 7. Portanto. −1. isto é.2 Ortogonalidade Definição 7. e u é ortogonal a v. vn } é um conjunto ortogonal de vetores não-nulos de um espaço com produto interno. q⟩ = −1 p(x)q(x)dx um produto interno em P2 . z2 )) = 2x1 x2 + 5y1 y2 + 4z1 z2 b) Com relação ao produto interno usual. v2 . isto é. 1/2) b) u = (1. 0) e v = (2. então A é linearmente independente. Diz-se que um conjunto de vetores {v1 . 2) 7. −1. −1. determine se são ou não ortogonais. .2 Se A = {v1 . (x2 . v⟩ = 0. 1. θ = 90◦ . y1 . onde θ é o ângulo entre u e v. 7. isto é.8 Seja V um espaço com produto interno. a) f ((x1 . . cos θ = 0.     0 1 3 0 Exemplo 184 As matrizes A =  eB=  são ortogonais.2. vi . B⟩ = tr(AT B) = tr   = 0 0 0 1 ∫ Exemplo 185 Seja ⟨p. ⟨ ⟩ distintos. Ortogonalidade 171 Exemplo 183 Achar o ângulo entre os seguintes pares de vetores do R3 : a) u = (1.

.  7. . . (2. v2 . (1. Exercı́cio 7. v j = 0 para i ̸= j e ⟨vi . −3). Para isso. v2 . Temos que mostrar que a equação a1 v1 + a2 v2 + . vi ⟩ a1 ⟨v1 . Ortogonalidade Proof. . vi ⟩ = 0 ⟨ ⟩ Como A é ortogonal. pois vi ̸= 0. + an vn . resulta a equação ai ⟨vi . . vi ⟩ + a2 ⟨v2 . 2. 2).  ⟨ ⟩  0. . 7. . . . vn } de V é ortogonal se os seus vetores são dois a dois ortogonais. Logo. . vi ⟩ = ⟨0. qualquer conjunto de n vetores não-nulos e dois a dois ortogonais. (3. . vi ⟩ ̸= 0.2. −1. 1). i = j Exercı́cio 7. . vi ⟩ = 0 ⇒ ai = 0 para i = 1. A = {v1 . .2. vi ⟩ + . vn } é LI. . 0. 0. Daı́. + an ⟨vn . vi . + an vn = 0 tem apenas a solução nula. constitui uma base ortogonal para V. . −5. . 3)} é uma base ortogonal para o R3 . isto é. . . v j =  1. . .172 7. n.3 Base ortonormal Uma base β = {v1 . Observação 26 Se dimV = n. 3). −3)} obtenha uma base ortonormal para o R3 . façamos o produto interno de ambos os membros da igualdade por vi : ⟨a1 v1 + a2 v2 + .2.2 Base ortogonal Diz-se que uma base {v1 . vn } de um espaço vetorial V é ortonormal se β é ortogonal e todos os seus vetores tem norma 1. . . . (−3. i ̸= j vi .2 A partir do conjunto {(1. v2 . 13.1 Mostre que o conjunto {(2. 2.

então v = ⟨v. . . vn } é uma base ortonormal de um espaço com produto interno V e v ∈ V. 35 .   . vi ⟩ = 1. 1). 1. 5 5 5 5 ( ) ( ) 1 4 3 7 3 4 (1. vi ⟩ = ai e ⟨v . . vn ⟩ vn Proof. vi ⟩ ⟨ ⟩ Como {v1 . . . aplicando o produto interno em ambos os lados com vi : ⟨v. então ∀ v ∈ V podemos escrever v = a1 v1 + a2 v2 + .2.. 1).7. 0) . 0. 0. 1). Note que β é uma base ortonormal (mostre!). Na equação acima . . vi ⟩ = ai para i = 1. + . 1.3 para encontrar [v]β . Ortogonalidade 173 7. 0.  é o vetor de coordenadas de v em relação a base β . 0)⟩ (0. 1. 1) = ⟨(1. + an vn Temos que mostrar que ⟨v. 0) − − . 0) + (1. v1 ⟩ v1 + ⟨v. v2 . − . 1) = (0. vi ⟩ + a2 ⟨v2 . . v j = 0 para i ̸= j e ⟨vi . 2. 0. (0. 1. . . v2 ⟩ v2 + . . 1.3 Se β = {v1 . . ⟨ ( )⟩ ( ) 4 3 4 3 (1. 1. Como β = {v1 .2. 0. portanto podemos usar o teorema 7. vi ⟩ + .    ⟨vn . . 0. v⟩ portanto. 1. 0. Logo ⟨v. vi ⟩ = a1 ⟨v1 . . − . . . v⟩  1    ⟨v2 .4 Coordenadas em relação a Bases Ortonormais Teorema 7. vn }é base ortonormal. 35 . v2 . 5 5 5 5 5 5   1    1 [v]β = − 5    7 5 . . . . + an ⟨vn . 1. + 5 5 5 5 ⟨ ( )⟩ ( ) 3 4 3 4 + (1. 1. . v2. − 54 . . vi . [v]β =    . n. 54 . vn } é uma base. . . 1) em relação à base β = { ( ) ( )} (0. + ⟨v. 1. . . v⟩ Exemplo 187 Encontre as coordenadas do vetor v = (1. 0.

. −2. + v. 0.. z. 1. v2 . Exemplo 188 Seja V = R4 e W um subespaço do R4 . −1.3 Expresse o vetor 13. 1). z. . y. . 0) + t(−2. Notação: O complemento ortogonal de W é denotado por W ⊥ . 4.+ 2 2 vn ∥v1 ∥ ∥v2 ∥ ∥vn ∥2 ( ) Exercı́cio 7. 1. v = (−z − 2t. v2 ⟩ ⟨v. 1)⟩ = 0  ⟨(x. (−2. .t) = z(−1. 7.t). 1. se v ∈ V . (1. 1. Se um vetor v ∈ V é ortogonal a todos os vetores de W então dizemos que v é ortogonal a W. Encontre uma base para W ⊥ .t). 1. −2) e v4 = (4. segue do teorema 7. 1)] e como este conjunto é LI (pois os vetores não são múltiplos). 32 como combinação linear dos vetores v1 = (1. 0).174 7.3 Complementos Ortogonais Seja W um subespaço de um espaço vetorial V com produto interno. v1 ⟩ ⟨v. 4. y. vn ⟩ u= v + 2 1 v +. 12 .5 Coordenadas em relação a Bases Ortogonais Se β = {v1 .2. −4) . 1. segue que W ⊥ = [(−1. + v. 1). 1.. 0. 0. então   ⟨(x. (0. v3 = (−3.t) ∈ W ⊥ . −1.. 1. z. . . ∥v1 ∥ ∥v1 ∥ ∥v2 ∥ ∥v2 ∥ ∥vn ∥ ∥vn ∥ ou. z + t. (0. 0. 0.. v2 = (2. 1. 1. (−2.. 1).. 0). . 1)} uma base para W. 1. 1. 1. vn } é base ortogonal de um espaço com { produto interno V. y.então} a normalização de ′ v1 v2 vn cada um desses vetores produz a base ortonormal β = . z.3 que ⟨ ⟩ ⟨ ⟩ ⟨ ⟩ v1 v1 v2 v2 vn vn v = v. 2. 1. −3) . Complementos Ortogonais 7.    x+y+t = 0  x = −z − 2t ⇒  −y + z + t = 0  y = z+t Logo. ⟨v. Seja β = {(1. 1)} é uma base para W ⊥ . ∥v1 ∥ ∥v2 ∥ ∥vn ∥ Assim. 3. 3. 1. . O conjunto de todos os vetores de V que são ortogonais a W é chamado de complemento ortog- onal de W. . 1)⟩ = 0 Daı́. −4. tem-se que β = {(−1. + . Como v ∈ W ⊥ . Seja v = (x.3.

1 Se W é um subespaço de um espaço com produto interno V.4 (Teorema da Decomposição Ortogonal) Se W é um subespaço de um espaço com pro- duto interno V .(7. então cada vetor u do espaço pode ser escrito como uma soma u = w1 + w2 onde w1 está em W e w2 é perpendicular a W. 1.4 Projeções Ortogonais Vamos agora desenvolver alguns resultados que serão úteis para construir bases ortogonais e ortonor- mais de espaços com produto interno. Seja β = {(1. −1. Encontre uma base para W ⊥. ( )⊥ c. −3. W ∩W ⊥ = 0 . 2. W ⊥ é um subespaço de V. então: a. 3). −2. 5. Daı́.4) Teorema 7. (0. (−1. 7. 0. É geometricamente evidente em R2 e R3 que se W é uma reta ou um plano pela origem. Projeções Ortogonais 175 Exemplo 189 Seja V = R5 e W um subespaço do R5 . O vetor w é chamado componente de u ortogonal a W e é denotada por pro j u . 4.4 Faça como exercı́cio a demonstração das três propriedades do complemento ortogo- nal. pro jW 2 W⊥ podemos escrever u u u = pro jW + pro jW ⊥. Exercı́cio 7.4. O vetor w1 do teorema precedente é chamado projeção ortogonal de u em W e é denotado por u .7. W ⊥ = W.3: . 5). 5)} uma base para W . {− →} b. Figura 7. −1. Propriedades 7. . então todo u ∈ V pode ser expresso por u = w1 + w2 tal que w1 ∈ W e w2 ∈ W ⊥ .

5. 1.+ 2 2 vn ∥v1 ∥ ∥v2 ∥ ∥vn ∥2 [ ( )] Exemplo 190 Seja V = R3 e W = (0. 0. . Através ′ do processo que descreveremos abaixo.Então: u pro jW = ⟨u.5 Encontrando Bases Ortogonais e Ortonormais 7. − 54 . 0). 0. a. 0. . Obtenha pro jW u e pro j u W⊥ para u = (1.176 7. . . 1. v2 ⟩ v2 ( ) 1 4 3 = 1(0. Se β = {v1 . v1 ⟩ v1 + ⟨u.. então u pro jW = ⟨u. vn } é uma base ortogonal de W e v ∈ V. . 1. . Encontre a   2 projeção ortogonal de v sobre w e a componente ortognonal de v em relação a w. vn ⟩ pro jW = v + 2 1 v +.5 Seja V um espaço vetorial com produto interno definido e seja W um subespaço de V. 0) − − . vn ⟩ vn b. . . . . . 35 um subespaço de V. 25 25 25 25   3     Exemplo 191 Seja w um plano em R3 de equação x − y + 2z = 0 e seja v = −1. 1. . 5 5 5 ( ) 4 3 = . . un } uma base de V . . − 25 25 O componente de u que é ortogonal a W é ( ) ( ) 4 3 21 28 u pro jW ⊥ = u − pro jW u = (1..5. 0). . v2 ⟩ ⟨u. 35 é base ortonormal para W. − 45 . obteremos uma base ortogonal β = {v1 . 1. 1). Encontrando Bases Ortogonais e Ortonormais Teorema 7. v2 . − = . Se β = {v1 . v1 ⟩ v1 + ⟨u. u2 . v2 . 1. Passo 1. v2 ⟩ v2 + . . . . v1 ⟩ ⟨u. vn } para V. vn } é uma base ortonormal de W e u ∈ V. + ⟨u. 7. 1) − .1 Processo de Ortogonalização de Gram-Schmidt Seja V um espaço vetorial com produto interno definido e β = {u1 . 1. v2 . { ( )} Note que β = (0. Fixe v1 = u1 . 0. . então u ⟨u.

0. Note que: ⟨u1 . Obter v3 de forma que seja ortogonal a ambos v1 e v2 . 0) = 1 − . v2 . . −1. iremos obter. u3 ⟩ = −2 Logo os vetores acima não formam uma base ortogonal. vn }.(??) Passo 3. 0. −1.7. vn . portanto temos que usar o processo de Gram-Schmidt para transformar em uma base ortogonal e em seguida. v2 ] u3 ⟨u3 . Passo 1. 2. u2 ⟩ = 1 ⟨u1 .5: . α = {q1 . qn }. depois de n passos. v1 ⟩ v2 = u2 − pro jW = u2 − v1 1 ∥v1 ∥2 Figura 7. . 0. . 0) ( ) u2 ⟨u2 . 1) em uma base ortonormal para um subespaço W do R4 .4: . . −1. v2 = u2 − pro jW = u2 − v1 = (0. 0. obtendo assim a base ortonormal procurada. Exemplo 192 Aplique o processo de Gram-Schmidt para transformar os vetores de base u1 = (1. Encontrando Bases Ortogonais e Ortonormais 177 Passo 2. normalizar estes vetores. basta normalizar os vetores v1 . tomando a componente de u3 que é ortogonal a W2 = [v1 . u3 ⟩ = −2 ⟨u2 . −1. Fixe v1 = u1 = (1. . . v2 . 1. v1 ⟩ ⟨u3 . Obter v2 de forma que v2 seja ortogonal a v1 tomando a componente de u2 que é ortogonal a W1 = [v1 ] u2 ⟨u2 . . 1. u2 = (0. . . −1. q2 . 1.5. v1 ⟩ 1 1 Passo 2. 0 1 ∥v1 ∥2 2 2 . . Feito isso. 0) e u3 = (0. − . 0). para obter uma base ortonormal de vetores para V. 0) − 2 (1. . v2 ⟩ v3 = u3 − pro jW = u3 − 2 v1 − v2 2 ∥v1 ∥ ∥v2 ∥2 Figura 7. . a base ortogonal β = {v1 .(??) ′ Procedendo desta forma.

. . 1. 0) 1 1 q1 = = √ = √ . 1. −1.1 é base ortogonal para R4 . . 0) + 2 3 − .178 7.0 ∥v2 ∥ 3 2 2 6 3 6 ( ) ( ) v3 3 2 2 2 2 2 2 3 q3 = =√ . − . 1. Fatoração QR u3 ⟨u3 . u2 = (2. √ ∥v3 ∥ 21 3 3 3 21 21 21 21 Exemplo 193 Aplique o processo de Gram-Schmidt para transformar os vetores de base u1 = (1. 0 = . q3 } : ( ) v1 (1. | un ] e Q = [q1 | q2 | . A = [u1 | u2 | .− . . 0. q2 . −1. u2 . v1 ⟩ ⟨u3 .6 Fatoração QR Se A é uma matriz m × n (m > n) com colunas linearmente independentes. − . 1) + (1. 7. 0. . . 0. 1. | qn ] . v3 = u3 − pro jW = u3 − v1 − v2 = 2 ∥v1 ∥2 ∥v2 ∥2 ( ) ( ) 1 1 2 2 2 = (0.1 2 2 3 3 3 { ( ) ( )} ′ 1 1 2 2 2 Logo. incluindo algoritmos larga- mente usados para computar autovalores de matrizes grandes. 0). qn como os vetores ortonormais obtidos pela aplicação do Processo de Gram-Schmidt à matriz A com normalizações. . β = (1. 1) e u3 = (2. . 1). 1. considere u1 . q2 . Normalize- 2 2 3 3 3 mos estes vetores para obter a base ortonormal α = {q1 . 2. √ . .6. −1. . 0. √ . v2 ⟩ Passo 3. 0 = − . . − . 2) em uma base ortonormal para um subespaço W do R4 . . . un como os vetores-coluna de A e q1 . Nos últimos anos a fatoração QR tem assumido importância crescente como fundamento matemático de uma grande variedade de algoritmos numéricos práticos. 0. . . . − √ . . . 0. −1. Para ver como surge a fatoração QR. 2.1 = √ . aplicar o Processo de Gram-Schmidt a essas colunas implica uma fatoração muito útil da matriz A em um produto de uma matriz Q (com vetores coluna ortonormais) por uma matriz triangular superior R. Essa é a fatoração QR. assim. . −1. 0 ∥v1 ∥ 2 2 2 √ ( ) ( √ √ √ ) v2 2 1 1 6 6 6 q2 = = √ − . − . . 0 .

para j > 2.6. q2 ⟩ ⟨u2 .    ⟨u1 . q2 ⟩ .. u2 . q1 ⟩ . tem-se:   ⟨u . . . . . + ⟨un . . ⟨un .. qn ⟩ qn Na forma matricial. .  −1 0 1   1 1 2 . ⟨un . então A pode ser fatorada como A = QR onde Q é uma matriz m × n com colunas ortonormais e R é uma matriz n × n triangular superior invertı́vel. . q1 ⟩  1 1    ⟨u1 . . . q2 ⟩  R=  . . u2 . Fatoração QR 179 Os vetores u1 . + ⟨u1 . q2 ⟩ q2 + .   ⟨u1 . un = ⟨un . . .    . . . . q1 ⟩ q1 + ⟨un . .   1 2 2     −1 1 2 Exemplo 194 Encontre a decomposição QR de A =   . . . .. . .. .. . . . por A = QR No entanto. . qn ⟩ ⟨u2 . . . qn como u1 = ⟨u1 . . . q2 ⟩ . . qn ⟩ ou. . q1 ⟩ q1 + ⟨u2 . qn ⟩ Resumindo. + ⟨u2 . . ⟨un . assim. qn ⟩ qn u2 = ⟨u2 . q ⟩ ⟨u2 .. . . u j−1 . . .7. q2 ⟩ [u1 | u2 | . . ⟨un .    0 0 ..6 Se A é uma matriz m × n (m > n) com colunas linearmente independentes. q1 ⟩ . . . un podem ser escitos em termos dos vetores q1 . . q1 ⟩ q1 + ⟨u1 . q1 ⟩ ⟨u2 . qn ⟩ . . o vetor q j é ortog- onal a u1 . .. todas as entradas abaixo da diagonal principal de R são nulas. | un ] = [q1 | q2 | . é uma propriedade de processo de Gram-Schmidt que. ⟨un . . q2 ⟩ q2 + . | qn ]   . temos o seguinte teorema: Teorema 7. q2 . .. mais concisamente. . ⟨un . . q2 ⟩ q2 + . qn ⟩ qn .   . q1 ⟩      0 ⟨u2 .

6. Fatoração QR       1 2 2             −1 1 2 Os vetores coluna de A são u1 =     .180 7. 3  1 √5 6  − 2 10 √   √ √  0 6 0 6 1 5 6 2 2 10 3 R Q 7.1 Aplicação da fatoração QR Se A é uma matriz m × n de posto n. obtemos QT QRX = QT B Como Q é ortogonal. q2 =  √  . tem-se X = R−1 QT B . QT Q = I. então RX = QT B Como R é inversı́vel.     −1 0 1       1 1 2 O processo de Gram-Schmidt com  normalização   √  subsequente  √aplicado  a estes vetores-coluna  1 3 5 − 6 1 2 2  2   10√   6     1 3 5     − 2   10   0  −1 1 2       produz os vetores ortonormais q1 =   . q3 =  √  de modo que   =  − 2  1  10  5  6 6 −1 0 1   √   √    1 5 6 2 10 3 1 1 2  √ √  A 6   1 3 5 − 6  2 10 √  2 1 1  1 3 5  2  − 2 10 0  √ √    √ 0 5 2 5 . então a solução para o sistema linear AX = B é obtida da seguinte forma: A equação AX = B pode ser escrita na forma QRX = B Multiplicando ambos os lados (à esquerda) da equação por QT .6. u2 =   e u3 =  .

a) Os vetores-coluna de A são linearmente independentes.7 Para qualquer sistema linear Ax = b. quanto maior o valor de ∥Ax − b∥. Se o sistema é consistente e x é uma solução exata. Em geral. se W é o espaço-coluna de A e x é qualquer solução de mı́nimos quadrados de Ax = b. Um tal vetor é chamado uma solução de mı́nimos quadrados de Ax = b.8 Se A é uma matriz n × n. .7 Solução de Mı́nimos Quadrados de Sistemas Lineares A resolução de sistemas inconsistentes de equações lineares são importantes em aplicações fı́sicas e outras. W é pro jwb = Ax Teorema 7. no sentido que minimiza o valor de ∥Ax − b∥ em relação ao produto interno euclidiano. então a projeção ortogonal de b e. mais pobre é a aproximação de x de uma solução do sistema.7. O problema dos Mı́nimos Quadrados consiste em: Dado um sistema Ax = b de m equações em n variáveis encontre. A quantidade ∥Ax − b∥ pode ser vista como uma medida do ”erro”que resulta por considerar x uma solução aproximada do sistema Ax = b. pois ∥Ax − b∥ = 0. Além disso. se possı́vel. Em tais situações procuramos um valor de x que chegue ”tão perto quanto possı́vel”de ser uma solução. então as seguintes afirmações são equivalentes. um vetor x que minimiza ∥Ax − b∥ em relação ao produto interno euclidiano de Rm . o sistema normal associado AT Ax = AT b é consistente e todas soluções do sistema normal são soluções de mı́nimos quadrados de Ax = b. mas que não é porque ”erros de medida”nas entradas de A e de b pertubam o sistema suficientemente a ponto de criar inconsistência. então o erro é zero. diretamente   temos que:  √ √  1  −1   1 − 10 5 6 6 1 1 −2 −2 2   1 1 1   − 23 2 √ √  √ 2 √ √ √     15      1  = 9  X = R−1 QT B =  0 1 5 − 12 6  3105 3105 105 105      10   5 √  √ √ √  1   6   0 0 1 3 6 − 6 6 0 6 6 3 − 2 3 −2 7. Teorema 7. Solução de Mı́nimos Quadrados de Sistemas Lineares 181     1 2 2   −1   x        −1 1 2    1  Exemplo 195 Resolva o sistema    y  =      −1 0 1    1    z   1 1 2 −2 Como a matriz dos coeficientes é a mesma do exemplo anterior. É uma situação comum que algum problema fı́sico leve a um sistema Ax = b que deveria ser consistente em teoria.7.

9 Se A é uma matriz m × n com vetores-coluna linearmente independentes. Solução de Mı́nimos Quadrados de Sistemas Lineares b) AT A é invertı́vel. o sistema linear Ax = b tem uma única solução de mı́nimos quadra- dos. Como visto no exemplo acima. 2). 1 2 = a + b. 1). 1. u2 = (1. Considere também que temos razões para acreditar que os valores de x e y estão relacionados por uma função linear . 3 Esse é um sistema de três equações lineares com duas variáveis:     a+b = 2 1 1   2   a        a + 2b = 2 ou 1 2 = 2   b   a + 3b = 4 1 3 4 Esse sistema é impossı́vel (já que os três pontos não estão sobre uma reta). 2) e (3. 1. então a projeção ortogonal de b em W é pro jwb = Ax = A(AT A)−1 AT b Exemplo  196 Encontre a solução de mı́nimos quadrados do sistema linar Ax = b dado por   x1 − x2 = 4   3x1 + 2x2 = 1 e encontre a projeção ortogonal de b no espaço-coluna de A     −2x + 4x = 3 1 2 Exemplo 197 Encontre a projeção ortogonal do vetor u = (−3. Se os . u3 = (−1. 0. Se nossas medidas forem precisas. 2 4 = a + b. 2. 1). podemos expressar esse problema em forma de matriz. então para cada matriz b de tamanho n × 1.7. −1). se W é o espaço-coluna de A. 0. 9) no subespaço de R4 gerado pelos vetores u1 = (3. 8. 2. todos os três pontos vão satisfazer essa equação. Considere (1. Esta solução é dada por x = (AT A)−1 AT b Além disto. e teremos 2 = a + b. −3. (2. 4) como pontos que surgiram de medidas feitas durante al- gum experimento. Vamos nos ater ao problema de achar uma curva que ”melhor ajuste”a um conjunto de pontos de dados.isto é. Teorema 7.182 7. esperamos que os pontos estejam sobre alguma linha com equação y = a + bx. Então. vamos buscar uma reta que esteja o ”mais próximo possı́vel”de passar pelos nossos pontos.

a) x é uma solução por mı́nimos quadrados de Ax = b se. .10 Seja A uma matriz m × n e seja b em Rm .  b .  . . x é uma solção da equação normal AT Ax = AT b.  . uma solução por mı́nimos quadrados de Ax = b é um vetor x em Rn tal que ∥b − Ax∥ ≤ ∥b − Ax∥ para todo x em Rn . e somente se. Solução de Mı́nimos Quadrados de Sistemas Lineares 183 pontos dados estivessem de fato na reta y = a + bx. .7. Nesse caso.9 Se A é uma matriz m × n e b está em Rm . . AT A é invertı́vel. Teorema 7. reescrever nosso problema em forma de matrizes do seguinte modo: Definição 7. Nosso interesse está no casao em que os pontos não são colineares. no qual o sistema é indeterminado. . b) A possui colunas linearmente independentes se. a + bxn = yn seriam todas verdadeiras (isto é. .. o sistema seria compatı́vel).     1 xn yn Podemos. x =   .     1 xn yn que está na forma Ax = b..  . Além disso..7. b . as n equações lineares a + bx1 = y1 . Então Ax = b sempre tem pelo menos uma solução por mı́nimos quadrados x. Em forma matricial.. . a solução por mı́nimos quadrados de Ax = b é única e é dada por x = (AT A)−1 AT b ..b=   . temos     1 x1 y      1     1 x2  a y      =  2  . assim. onde     1 x1 y      1     1 x2  a y2    A = .   . e somente se.

v) com v = (3. 5) Exercı́cio  Considere  7. determine se ⟨p.− → v ⟩ = x y − 2x y − 2x y + 5x y 1 1 2 1 1 2 2 2 Exercı́cio 7. y2 . z1 ) e − → v = (x2 .7 Sejam − → u = (x1 .− → v ⟩ = x1 x2 − y1 y2 + z1 z2 c) ⟨− → u . Identifique os casos em que temos um produto interno no R3 . Interprete este resultado geometri- camente quando u. e sejam u. e.− → v ⟩ = x1 y1 − x1 y2 − x2 y1 + 2x2 y2 define um produto interno em R2 ? Exercı́cio 7. 7. z2 ). Nos casos que falham. v) = 5. com o produto interno usual.10  V= M(2. indique quais dos axiomas da definição de produto interno são violados. y2 ).12 Seja V um espaço vetorial com produto interno definido. 2) e (3.− → v ⟩ = 4x1 y1 + x2 y1 + x1 y2 + 4x2 y2 c) ⟨− →u .8. Qual é o menor ângulo entre p(t) = √ √ 1 − t + 2t 2 e q(t) = 1 + 2t 2 ? Exercı́cio 7. (2.11 Considere V = P2 . tais que ∥u∥ = 1 e ∥v∥ = 2. y2 ). q⟩ = p(1)q(1) é um produto interno.184 7. em caso negativo. v vetores ortogo- √ nais de V. v ∈ R2 .5 Sejam − → u = (x1 .6 Sejam − → u = (x1 . Mostre que d(u. A expressão ⟨− → u . 2). 3) b) d(u. 0 0 1 1 Exercı́cio 7. Verifique se temos um produto interno em R2 nos seguintes casos: a) ⟨− →u . a) ⟨− → u . identifique as propriedades que não verificam.− → v ⟩ = 3x1 y1 + x2 y2 b) ⟨− →u . com o produto interno usual.9 Utilize os produtos internos do exercı́cio 1 para calcular: a) ∥u∥ com u = (−1. Exercı́cio 7. y1 . x2 ) e − → v = (y1 .8 Sétima lista de exercı́cios Exercı́cio 7. Determine a projeção ortogo- 1 0 1 1 nal de   sobre  . 2). Sétima lista de exercı́cios Exemplo 198 Encontre a reta de mı́nimos quadrados para os pontos (1. 4).8 No espaço de todos os polinômios de grau menor ou igual a 2. .− → v ⟩ = x y z +y x z 1 2 1 1 2 2 Exercı́cio 7.− → v ⟩ = x x +z z 1 2 1 2 b) ⟨− → u . x2 ) e − → v = (y1 .

Exercı́cio 7. 0. Defina em V o seguinte ∫1 produto interno: ⟨ f . 3). (0. b) Ache as coordenadas do vetor v = (1. 1. em que w1 ∈ W ew2 ∈ W ⊥ .16 Seja V = R3 e W = (0. (−5. 1. determine uma base para o complemento ortogonal do: a) subespaço das matrizes diagonais b) subespaço das matrizes simétricas. 2). 1]. 0. Exercı́cio 7. {( ) ( ) } 1 2 2 1 Exercı́cio 7.15 Seja T : R4 → R3 tal que [T ] = 3 5 0 4. 1. (0.7. 1.   1 1 2 0 a) Determine uma base para o complemento ortogonal do N(T ).21 Suponha que S consiste dos seguintes vetores em R4 : u1 = (1. 0. a) Mostre que S é ortogonal e é uma base de R4 . 2) e u4 = (16. 1. 2. 0) na forma w = w1 + w2 . Deter- mine W ⊥ e a distância entre v = (1.(Não resolva nenhum sistema linear. 1. 6. − √ . 6. u2 = (1. em que w1 ∈ W e w2 ∈ W ⊥ .− → v ⟩ é linear? Se for.13 Seja V o espaço das funções contı́nuas no intervalo [0. 1. Seja W o subespaço do R3 dado pela equação x − 2y − 3z = 0.18 Seja V = M(2. Exercı́cio 7. 2. −4)}? . deter- mine seu nú cleo e sua imagem. 2. b) Determine uma base para o complemento ortogonal da Im(T ). −13. Expresse w = (−1. −9.8. 1).   1 2 −1 2     Exercı́cio 7. −1.14 Seja V = R3 . Exprima w = (1. Sétima lista de exercı́cios 185 Exercı́cio 7. (Não resolva nenhum sistema linear. 2. g) se f (x) = 1 e g(x) = x. . √ .22 Qual é a base ortonormal do R3 obtida pelo processo de Gram-Schmidt a partir da base {(2. 1. −1). 3). Encontre [− → v ]β para − → v = (2. 0. −1) aos subespaços W e W ⊥ . 0). g⟩ = 0 f (x)g(x)dx. 0. [ ( )] 4 3 Exercı́cio 7. 0. 0. Exercı́cio 7. −3. u3 = (1. − . 0) para 5 5 5 5 R3 . 0.19 A transformação T : R2 → R definida por T (− → v ) = ⟨− → u .20 Considere a base ortonormal α = √ . (9. 3). 1)]. 2).17 Seja V = R4 e W = [(−1.) Exercı́cio 7.) Exercı́cio 7. Calcule a d( f . 3) em relação à base S. 3) na forma w = 5 5 w1 + w2 . 6. √ . 24).

f2 }. 0). −2. 0. b) V = R3 tal que W = {(x. 2. Aplique o algoritmo de Gram-Schmidt ao conjunto {1. q⟩ = a0 a1 + b0 b1 + c0 c1 + d0 d1 um produto interno em P3 . (3.8. (2.30 Encontre a decomposição ortogonal de v = (4. (1 2 2 ) Exercı́cio 7. 0)}. com produto interno usual. f1 . 2. −2).t 2 } para obter um conjunto ortonormal { f0 . 3. 1)].    x+y−z = 0   c) V = M(3.     x + 2y − 6z = 0 Exercı́cio 7.t. 1]. 0. Encontre as co- ( ) ordenadas do vetor v = 23 . . Obs.     a −a  Exercı́cio 7. Exercı́cio 7.186 7. 23 em relação à base ortonormal obtida a partir da base β = {(1. −2. B⟩ = tr(AT B).: a matriz P não é única. (1. p = a0 + b0 x + c0 x2 + d0 x3 e q = a1 + b1 x + c1 x2 + d1 x3 e ⟨p. (1. 1) e u2 = (−1. 3 . usando o produto interno ⟨A. 3) em relação a W = [(1. Defina em V o seguinte ∫1 produto interno: ⟨ f .27 Seja U =   . 1.24 Seja V o espaço das funções contı́nuas no intervalo [0. Ache uma base ortonormal para o subespaço W de P3 gerado pelos vetores − → v 1 = 1+x +x2 +x3 .26 Seja ⟨u. 1. 1. g⟩ = 0 f (x)g(x)dx. 0. − →v 2 = 1+x +2x2 +4x3 e −→ v 3 = 1+2x −4x2 −3x3 . 0). −3)]. Exercı́cio 7. x + y. −1. x.29 Encontre a projeção ortogonal de v = (1.25 Seja V = P3 . a) Determine uma base ortonormal para o subespaço W de P2 gerado por 4t + 3t 2 e por 12 + t + 7t 2 . b) Determine a projeção ortogonal de p(t) = t 2 sobre W . (1. para cada um dos seguintes casos: a) V = R4 tal que W = [(1. Exercı́cio 7. −3. y ∈ R}. −2. 1). Exercı́cio 7. v⟩ = x1 y1 + 2x2 y2 + 3x3 y3 um produto interno em R3 . 3) sobre o subespaço W gerados pelos vetores u1 = (2. y). 1. 1) tal que W é o conjunto solução do sistema homogêneo 2x + y + 3z = 0 .23 Use o processo de Gram-Schmidt para construir uma base ortonormal para um subespaço W de um espaço vetorial V. 0. 1). 1). 4).31 Ache uma matriz ortogonal P cuja primeira linha é u1 = 3. (1.28 Seja V = P2 . Sétima lista de exercı́cios Exercı́cio 7. 1. Determine uma  −a a  base ortonormal de U ⊥ . 0. Exercı́cio 7. a ∈ R um subespaço vetorial de M2×2 . −1.

Encontre uma matriz P que diagonalize ortogonalmente a matriz canônica de T . No caso de A ser uma matriz simétrica.8. f) Todo conjunto ortogonal é ortonormal. então x é ortogonal a − → u −− → v. será uma base ortonormal. temos D = P−1 AP onde P é a matriz cujas colunas são os autovetores de T .nulo tem uma decomposição QR. c) Se W é um subespaço de um espaço com produto interno V então o vetor nulo pertence a W ⊥ .35 No assunto Diagonalização de Operadores.33 Utilize a fatoração QR para resolver o sistema AX = B onde A = 1 1 e B =  6 . nesse caso. b) Se A é uma matriz quadrada.32 Encontre a fatoração QR da matriz A =   .  −1 0 1   1 0 −1     2 1 12         Exercı́cio 7. vimos que: ”Se A é a matriz canônica de um operador linear T e D a matriz de T na base β de autovetores. acima citada. ou seja. podemos obter uma base ortogonal de autovetores que. e) Se − → x é ortogonal a ambos − → u e− → v . é tal que P−1 = PT . por ter suas colunas formadas por vetores ortonormais. d) Qualque matriz com determinante não. x − y + 2z). dizemos que P diagonaliza A ortogonalmente. A matriz D. Dizemos que a matriz P diagonaliza A ou que P é a matriz diagonalizadora”. cujas colunas são ortonormais então A é inversı́vel e A−1 = AT . x + 2y − z. y. A matriz. Sétima lista de exercı́cios 187   1 2 1     0 1 1 Exercı́cio 7. z) = (2x + y + z. é obtida pela relação D = PT AP e. Exercı́cio 7. após a normalização.34 Classifique cada afirmação como verdadeira ou falsa: a) Todo conjunto linearmente independente em Rn é um conjunto ortogonal. . g) Todo vetor pode ser normalizado.7. Seja T : R3 → R3 a transformação linear definida por: T (x. e portanto sempre diagonalizável. é uma matriz ortogonal.     2 1 18 Exercı́cio 7.

b =      2 −1 0  0     0 1 −1 6 . b = −1     3 1 1     1 0 −1 6         2 1 −2 0  c) A =     . b =  0      −1 2 −7     2 −2 2         b) A = 1 1 . b =   1 1 0  9     1 1 −1 3     2 0 −1 0         1 −2 2  6  d) A =   .36 Encontre a solução de mı́nimos quadrados do sistema linear Ax = b e obtenha a projeção ortogonal  de b noespaço-coluna  de A. Sétima lista de exercı́cios Exercı́cio 7.188 7. 1 1 7         a) A = −1 1.8.

no caso. Trata-se do estudo da aplicação de uma disciplina do curso básico. de forma que possam ser rela- cionados com valores pré-estabelecidos. a Álgebra Linear. As coordenadas também podem ser obtidas a partir da observação da diferença de fase da porta- dora L1 e/ou L2. obtidos seha por satélites (GPS). Na Geodésia. seja por fotografias ou por qualquer outro meio. por exemplo. na Engenharia Cartográfica. obtidas através de um sis- . para obter informações relativas a parâmetros de correção e ajuste de dados obtidos em observações e pesquisas. entre outros. se fazem constantes no trabalho de um engenheiro cartógrafo. freqüências de operações do satélite de GPS. as coordenadas de um ponto podem ser obtidas na resolução de um sistema obtido pela sujeição de dados obtidos de observações angulares ( tais como azimutes. Sendo a resolução de sistemas de equações lineares um dos campos de estudo da Álgebra Linear. dar uma noção da utilidade prática dos assuntos vistos no ciclo básico. ângulos e/ou direções ) a um determinado modelo geométrico. um sistema de n equações lineares. altitude.Capı́tulo 8 APLICAÇÕES 8. que seriam as coordenadas de terreno. para a transformação de coordenadas ( espaço imagem para espaço objeto. o método dos mı́nimos quadrados. tais como temperatura. desta forma. no ciclo profissional.1 Aplicações da Álgebra Linear na Engenharia Cartográfica Esse trabalho tem como um de seus objetivos. O engenheiro cartógrafo dispõe de um método. A Álgebra Linear também tem aplicações na Fotogrametria. latitude. onde esse n pode assumir valores realmente grandes. longitude. resultando um sistema com milhares de equações. visando assim a multidisciplinalidade no curso de Engenharia. Obtem-se. onde ajustes e organização de dados. além de permiti-los conhecer um pouco o trabalho em uma das engenharias estu- dadas no Instituto. Para este método os dados obtidos são organizados matricialmente.

zi ) no espaço determina-se um ponto Pi (xi . utilzam-se tópicos abordados pela Álgebra Linear. Também na área de Sensoreamento Remoto. desenho industrial. arquitetura. determinando-se dai as coordenadas x. e as arestas ak j ligarão dois vértices genéricos Pk e Pj . yi e zi e de um conjunto de parâmetros. Caracterizando o Objeto: Inicialmente deve-se informar ao computador as caracterı́sticas geométricas do objeto. apre- sentaremos. terão coordenadas xi . que chamaremos de de parâmetros de localização do observador e do plano projetante e . Dessa forma todos os vértices Pi .2.190 8. 8. yi ) no plano tal que suas coordenadas xi e yi são funções de xi . Deve-se estabelecer também as ligações entre esses pontos com o uso de segmentos de retas. isto é possı́vel referenciado-se o elemento a um sistema cartesiano de coor- denadas. um mapa em papel. como sistemas de equações lineares e operações com matrizes. desenhar uma perspectiva consiste em ligar. O efeito de curvatura pode ser obtido aumentando-se o número de vértices e arestas (refinamento). de elementos tridimensionais. Dentre todos os tipos de perspectivas a que apresenta resultados gráfico mais interessantess é a perspectiva cônica. etc é a representação gráfica. y e z dos pontos que o formam. a seguir. no plano. através de segmentos de retas pontos do plano cujas coordenadas x e y são ”transformações”das coordenadas x. mecânica. yi . Na digitalização de documentos. após ser processado. yi e zi .2 Aplicações de espaços vetoriais na computação gráfica Autor: Luiz Antônio Pereira Trabalho publicado na revista MICRO SISTEMAS de Novembro de 1982 Introdução: Uma das aplicações interessantes em computadores e com vasta possibilidade de emprego nas áreas de engenharia civil. Com isso. obtém-se um poliedro cujos vértices são os pontos e cujas arestas são os segmentos de retas. posto que que é a que simula com maior perfeição a visão real do objeto. ou na modificação ou no controle de imagens ( brilho constante e georeferenciamento ) ou ainda no armazenamento da imagem na forma matricial. De um modo geral. seja para o processamento digital de imagens. y e z dos pontos do espaço. por exemplo. o desenvolvimento da teoria matemática e veremos que a ferramenta pricipal é a teoria das tranformações lineares. dá origem a um mapa digital armazenado na forma vetorial ( lista de coordenadas ). Aplicações de espaços vetoriais na computação gráfica tema deduzido através de observações nas fotografias e no terreno). Mais explicitamente falando para cada ponto Pi (xi .

A projeção de uma reta é obtida unindo-se as projeções de dois de seus pontos (Fig 1) e. Para chegarmos às expressões que fornecem x e y de cada ponto vamos estabelecer as seguintes convenções: 1. 4. respectiva- mente. O sistema xyz de coordenadas.um ponto origem ou observador. zi . P0 ) = √ a2 + b2 c2 onde P(x0 . . 6. yi . A projeção P do ponto P no plano α é a interseção da reta definida pelo observador V e pelo ponto P (visada) com o plano projetante α . yi ) = f (xi . e se A ̸= 0 podemos obter a equação do plano projetante (segundo as convenções adotadas) da seguinte forma: Da fórmula da distância de ponto a plano temos |ax0 + by0 + cz0 + d| d(π . c) é o vetor normal ao plano. z0 ) é o ponto e − → n = (a. Os n vértices do objeto e suas projeções são representadas por P1 a Pn e P1 a Pn . Aplicações de espaços vetoriais na computação gráfica 191 que indicaremos por U. a perspectiva cônica utiliza . e negativa se a origem estiver entre o plano e o o observador. plano projetante e linha de visada . bem comom os outros parâmetros se apresentam como mostra a Fig 2. zv ) 2. de uma maneira geral. b. A tela representa a área formada por um retângulo de lados L1 e L2 unidades de comprimento. No noso caso. Matematicamente (xi .2. z de coordenadas. O plano desse retângulo é perpendicular à linha que une o observador à origem do sistema x. A distância R do plano projetante à origem do sistema de eixos è considerada positiva se o plano se encontra do mesmo lado do observador em relaçã à origem. a projeção de um objeto é determinada pelas projeções de todos os seus pontos. 5. O lado L1 ( maior lado) do retângulo é paralelo ao plano z = 0. y0 .U) Como se sabe. 3. y. de ondem partem as linhas de visada e que se localiza à uma distância finita do objeto e do plano projetante.além das noções de objeto. o plano projetante é a tela do computador. O observador V tem coordenadas (xv .8. yv . √ Fazendo A = xv2 + y2v + z2v .

Nessa fase estamos exatamente como a Fig 3. xi . yv e zv conhecidos.1) Para cada ponto Pi (xi . yi .2) na equação (8. xv 0 + yv 0 + zv 0 + d −R = √ xv2 + y2v + z2v √ d = −R xv2 + y2v + z2v = −RA Portanto a equação do plano projetante α é: xv x + yv y + zv z − RA = 0 (8. Chamando R = d(P0 .4) xv (xi − xv ) + yv (yi − yv ) + zv (zi − zv ) Com t. zv ). y e z da projeção do ponto P no plano projetante. e usando novamente as equações (8. ou seja: xv [t(xi − xv ) + xv ] + yv [t(yi − yv ) + yv ] + zv [t(zi − zv ) + zv ] − RA = 0 (8. Aplicações de espaços vetoriais na computação gráfica No nosso caso temos que P0 (0. zi ) a equação paramétrica da reta que o liga ao ponto V (xv . zi .1) do plano.2) z = t(zi − zv ) + zv Para determinarmos a interseção entre a reta e o plano projetante colocamos os valores de (8.3) txv (xi − xv ) + xv xv + tyv (yi − yv ) + yv yv + tzv (zi − zv ) + zv zv − RA = 0 t [xv (xi − xv ) + yv (yi − yv ) + zv (zi − zv )] + A2 − RA = 0 t [xv (xi − xv ) + yv (yi − yv ) + zv (zi − zv )] = RA − A2 e dai tiramos o valor do parâmetro t : RA − A2 t= (8. yi . logo. xv . 0) e − →n = (xv .2) determinamos as coordenadas x. α ) (α é o plano projetante) temos que R pode ser positivo ou negativo e por isso dispensamos o módulo na fómula da distância. 0. yv . zv ) é x = t(xi − xv ) + xv y = t(yi − yv ) + yv (8.192 8. yv . . tomando −R escrevemos.2.

ou seja. .8) xv + y2v 2 → − − → O vetor unitário k tem sua determinação imediata pois é o versor do vetor 00 (ver Fig 2 e equação . 0) 1 + y12 xv yv .8.4) e (8. determinar as coordenandas dos pontos projeções em relação ao novo sistema xyz. devemos determinar →− − → − → as componentes dos vetores unitários i . x2 v v − → 1 i = √ (−yv . 0) (8. O vetor diretor dessa reta tem componentes dadas por: − → w = (0. . A interseção do plano projetante com o plano xy é uma reta cuja equação é encontrada fazendo-se z = 0 em (8.2. → − o vetor i é um vetor unitário e portanto − → 1 →− i = −→ w |w| − → 1 RA RA i = √( )2 ( )2 (− . Esse sistema nos é particularmente inter- essante pois o plano xy é o próprio plano projetante. Isso nos leva a: RA − xv x y= (8.6) yv cujo gráfico está na Fig 4. 0) RA RA x v y v . − → 1 1 1 i = √ (− .2). j e k no sistema xyz. Para isso. 0) = (− . 0) − ( . RA RA RA RA . xv . uma transformação de coordenandas. 0) (8. Aplicações de espaços vetoriais na computação gráfica 193 De (8.5) A zv R z0 = A que são as coordenadas da origem do sistema xyz (fig 8.1). O que nos resta a fazer é. portanto. xv xv yv .7) yv . vem xv R x0 = A yv R y0 = (8.2) com xi = yi = zi = 0. xv + yv . . 0.

194 8.2. Aplicações de espaços vetoriais na computação gráfica 8.5) − → ( ) − → 00 1 xv R yv R zv R k = .

− .

= .

( ).

.

→.

.

xv R . yv R . zv R .

. . A A A .

00.

.

A A A .

yv . k . xv2 + y2v . j. 0). xv . → − 1 k = √ (xv .9) A → − → − Observe que o vetor k é exatamente o versor do vetor V = (xv . ou seja   xv yv zv → −  A A A  −y  j = det  √ 2 v 2 √ 2v 2 x 0 (8. xv2 + y2v (8. −zv yv . 0) . 0. o vetor unitário j é dado por j = k × i .k { } 1 1( ) 1 β= √ (−yv . 1. −zv yv . zv ) xv2 + y2v + z2v → − 1 k = (xv . √ −zv xv . [I]βα Esta matriz nos permitira {− →− →− →} α= i .11) A xv2 + y2v O sistema definido por es vetores unitários não é propriamente o nosso sitema xyz e sim ele a menos de uma translação (Fig 5). Essa translação deverá apenas anular o vlaor da componente em o que não importa para nós já que estamos interessados nas componentes x e y apenas. j .10)  xv +yv xv +yv → − − → − → i j k − → 1 ( ) j = √ −zv xv . zv ) (8. (0. yv . k { } →− − →− → para a base β = i . (xv . ou seja. 0. (0. yv . j . 0). 1)} { } →− − − → → β= i. j . zv ) . → − → − − → − → Como nosso sistema é ortogonal. yv . k = {(1. {− →− →− →} O que temos que fazer agora é determinar a matriz mudança de base da base α = i . zv ) xv2 + y2v A xv2 + y2v A Portanto   √−y v √ x2v 0  xv +y2v 2 xv +y2v    [I]βα = −z v  2 2 −zv xv  √x2 +y2 √ 2v yv 2 √xv +y xv2 +y2v   v v xv +yv  xv xv zv A A A e as coordenadas do novo sistema são .

Na prática corrente de projeto.jgss@uerj.br Pedro Colmar G.br Universidade do Estado do Rio de Janeiro.lopes021@ig.3. Maracanã CEP: 20550-900.br Rita de Kassia D.1 O Problema de autovalor na avaliação de modelos estruturais de edificações Trabalho apresenta no COBENGE 2003 por José Guilherme Santos da Silva . Vellasco . essas ligações assumem um comportamento intermediário.com. Aplicações de autovalores e autovetores na engenharia civil 195 [v]β = [I]βα [v]α    −y   √ 2v 2 √ x2v 0 x     xv +yv xv +y2v  x    −zv xv   −z v   2 2 y  =  √ 2 2 √ 2v yv 2 √xv +y xv2 +y2v  y    xv +yv xv +yv   z xv xv zv z A A A Observação 27 Algumas mudanças de notações foram efetuadas em relação ao trabalho original. Rio de Janeiro. Também foram inseridos alguns conceitos matemáticos que o artigo original não fornece mas que para nossa disciplina mostra bem a utilização dos conceitos vistos e sua aplicação prática. mas não é dificil fazer um código de modo a gerar figuras em 3d utilizando a teoria vista acima 8. N0 524.rita. Assim sendo. grande parte dessas ligações é represen- tada por modelos flexı́veis ou rı́gidos. de forma a se analisar modelos estruturais de pórticos de aço correspondentes a uma edificação . O segundo ponto relevante a ser discutido. UERJ.3. da S.3 Aplicações de autovalores e autovetores na engenharia civil 8. a partir do problema clássico de autovalores e autove- tores. na maioria dos casos reais. FEN Rua São Francisco Xavier. RJ Resumo: O presente trabalho apresenta uma contribuição inicial acerca de dois aspectos: o primeiro diz respeito ao ensino de engenharia. com a aplicação de conceitos referentes ao pro- blema clássico de autovalores e autovetores na avaliação de sistemas estruturais. ou seja: semi-rı́gido.8. Faculdade de Engenharia. este trabalho tem por objetivo empregar conceitos básicos de álgebra linear. referentes a estruturas de aço.vellasco@uerj. Todavia. Lopes . diz respeito ao estudo da influência das ligações entre as vigas e colunas. No trabalho original também é fornecido um programa para a HP-45 onde é aplicada toda a teoria vista acima.

Estruturas de aço. de forma a contribuir no que tange ao ensino de engenharia. Na prática corrente de projeto. Tem-se como objetivo proceder a uma análise extensa das freqüências naturais (autovalores) e modos de vibração (autovetores) dos modelos referentes aos pórticos de aço da referida edificação. com clareza. essas ligações as- sumem um comportamento intermediário. Um outro . Assim sendo. Resultados já obtidos indicam que a variação na rigidez inicial das ligações provoca mudanças sensı́veis no comportamento dinâmico da estrutura.196 8. assunto que será abordado com mais detalhe no presente trabalho. é selecionado o projeto de uma edificação residencial de quatro pavimentos. tais como: resistência à flexão e capacidade de rotação. a grande maioria dessas ligações é representada por modelos flexı́veis ou rı́gidos. de forma a que os alunos de graduação pudessem ter uma idéia básica da aplicação prática desses conceitos. em todos os nı́veis da edificação. infelizmente. como também desmisti- ficar o emprego corrente dos conceitos teóricos. Método dos Elementos Finitos. como material estrutural é adequado para a construção industrializada e pode proporcionar à construção civil. observase. Palavras-chave: Ensino de engenharia. existentes entre as freqüências naturais e os modos de vibração dentre os diversos modelos estruturais (flexı́vel. nas famı́lias de baixo poder aquisitivo. prin- cipalmente. uma absoluta falta de conhecimento por parte dos alunos de graduação acerca da importância do tema e.3. INTRODUÇÃO Sabe-se que o déficit habitacional brasileiro cresce a cada ano. Em seguida. o aço. Neste sentido. e de como o mesmo poderia ser mencionado. Todavia. com- posto por vigas e colunas de aço e lajes lisas de concreto armado. faz-se uma exposição resumida do referido problema. mais especificamente no que diz re- speito à aplicação do problema clássico de autovalores para determinação e avaliação das freqüências naturais (autovalores) e modos de vibração (autovetores) de edificações residenciais. No que tange ao estudo do comportamento dinâmico de estruturas. concentrando-se o problema. qualitativas e quantitativas. como tratado no ciclo básico da engenharia. de forma que existe uma demanda crescente por estudos sobre as habitações populares. semi- rı́gido e rı́gido). Aplicações de autovalores e autovetores na engenharia civil residencial existente. principalmente aqueles relacionados ao problema de autovalores. ou semi-rı́gido. Uma das etapas relevantes no projeto de estruturas de aço está relacionada a uma avaliação co- erente acerca dos modelos estruturais que representam o comportamento real das ligações existentes entre as vigas e as colunas de aço. na maior parte dos casos. uma completa indiferença em relação ao assunto. Autovalores. Autovetores. São investigadas as diferenças. o qual pode ser perfeitamente caracterizado com base em determinadas grandezas associadas ao projeto de uma ligação. 1. perspectivas mais otimistas para a habitação popular no paı́s.

existe um vetor não-nulo pertencente a V (ν ∈ V ) para o qual: T (v) = λ ν (8. existe um autovalor λ se. FEN/UERJ. Para a obtenção dos autovalores. Neste sentido. reescreve-se a “equação 8. Tal metodologia é apresentada a seguir.12) Todo vetor não-nulo ν que satisfaça a “equação 8. Senão vejamos: Seja T uma transformação linear em um espaço vetorial real V aplicada a um corpo k. e somente se. Aplicações de autovalores e autovetores na engenharia civil 197 ponto relevante do trabalho diz respeito ao estudo da influência das ligações entre as vigas e colunas dos pórticos de aço. como visto tradicionalmente na disciplina de Álgebra Linear. Portanto. Aν = λ ν é verdadeiro. denominada autovetor. o presente trabalho tem por objetivo apresentar uma aplicação prática do problema clássico de autovalores e autovetores. LIPSCHUTZ (1977). principalmente no que tange a utilização de operações matriciais. está diretamente relacionado com o ensino da disciplina Álgebra Linear. que admitirá v ̸= 0 como solução se.8. sendo A uma matriz quadrada de ordem nxnsobre um corpo k. . onde I é a matriz identidade. NETTO e ADÃO (1995). sem sombra de dúvida.12” de modo que (λ I − A)ν = 0. para esta transformação linear T . ofer- ecida correntemente aos alunos de graduação no ciclo básico da Faculdade de Engenharia da UERJ. Denomina-se autovalor o escalar real pertencente a k (λ ∈ k) se. propagando deficiências técnicas que serão sentidas. respaldada por uma breve revisão sobre as definições de auto- valor e autovetor. A expressão det(A − λ I) = 0 é denominada equação caracterı́stica. no nosso caso k = R. O ensino da disciplina Álgebra Linear não oferece nenhuma interação com o ciclo profissional da engenharia e nenhum tipo de recomendação no que diz respeito a sua extrema relevância na aplicação prática desses conceitos sobre os problemas reais de engenharia. no caso em questão com respeito ao projeto de edificações residenciais. como também ocasiona um aprendizado de baixa qualidade. a didática de ensino adotada nas disciplinas do ciclo básico sobre o problema clássico de autovalores e autovetores é baseada em métodos estritamente conceituais e matemáticos. ou seja. além de reforçar a importância dos conceitos básicos da disciplina de Álgebra Linear para a solução deste tipo de problema.3. O CICLO BÁSICO NA ENGENHARIA E O PROBLEMA DE AUTOVALOR O problema clássico de autovalores e autovetores. Ainda hoje. det(A − λ I) = 0. no decorrer do curso. Observação 28 Nos cursos de engenharia geralmente utilizamos como corpo k o corpo dos números reais. para uma matriz coluna vn×1 .12” é chamado autovetor de T correspondente ao autovalor λ . Tal fato não só desestimula o aluno de graduação em engenharia. 2.

·· MV + KV = 0 (8.14” é verdadeira. se ( ) det M −1 K − ϖ0i2 I = 0 (8. Uma sugestão para uma abordagem mais apropriada ao ensino do problema de autovalor para os alunos de graduação em engenharia seria. Aplicações de autovalores e autovetores na engenharia civil A contribuição mais relevante deste trabalho de pesquisa é caracterizar que o ensino do problema de autovalor como feito no ciclo básico da engenharia. para qualquer ϕi . com vários graus de liberdade. ou autovetor.13) ·· onde. Além disso. novamente. V é o vetor das acelerações e V é o vetor dos deslocamentos. corpo. utilizados no ensino da disciplina de Álgebra Linear e as grandezas empregadas correntemente na engenharia. associar o termo autovalor às freqüências naturais e o termo autovetor aos modos de vibração de um elemento ou sistema estrutural qualquer. A “equação 8. Senão vejamos: para um sistema estrutural qualquer sob vibração livre não amortecida. são as seguintes: ( ) M −1 K − ϖ0i2 I ϕi = 0 (8. deve utilizar esses conceitos. Deve-se ressaltar. Não há relação alguma entre os termos especı́ficos (tais como. ϖ0i2 . M é a matriz de massa. Ressalta-se que esses ele- mentos têm o mesmo significado das grandezas conhecidas usualmente pelo engenheiro. A “equação 8.3. ϕi . espaço vetorial. etc. cujo sistema vibra livre- mente e sem amortecimento. com i variando de 1 a n. ROEHL (1981). é absoluta- mente contrário ao que se deveria informar a um futuro engenheiro.). pode ser escrita uma equação matricial de movimento tal que. e correspondem ao quadrado das freqüências naturais de um sistema estrutural.198 8. ou autovalores. SILVA (2001). A cada uma dessas raı́zes corresponde um vetor caracterı́stico. que o problema clássico de autovalores é absolutamente essencial . As equações que tornam possı́vel a resolução do problema de autovalor. em nenhum momento existe um indicativo de onde e como o aluno de graduação. que representa o modo de vibração do referido sistema. extremamente relevantes para a vida prática de um profissional da área.15) onde I representa a matriz identidade. K é a matriz de rigidez. inicialmente.15” é comumente designada como equação caracterı́stica e suas raı́zes são os valores caracterı́sticos. de acordo com o exposto acima. dando ênfase ao significado fı́sico dessas grandezas.14) onde ϕi é o i-ésimo modo de vibração.

etc.8. vigas. Créditos são dados ao autor e o trabalho original pode ser obtido através dos anais do COBENGE 2003 ou me enviando um email solicitando o artigo original que terei a maior satisfação de enviá-lo. dentre os quais podem ser citados os seguintes: edificações residenciais. plataformas off- shore. edifı́cios altos. Observação 29 Algumas correções e adaptações a nossa apostila foram necessárias porém não foi alterado o conteúdo. . pórticos. Transcrevemos aqui apenas parte do trabalho para ressaltar a aplicação de autovalore e autovetores. passarelas de pedestres. etc. placas. estádios de futebol.3. como também de sistemas estruturais mais complexos. torres de aço de telecomunicações e de transmissão de energia. pontes rodoviárias e ferroviárias. tais como treliças. Aplicações de autovalores e autovetores na engenharia civil 199 para a compreensão e análise de estruturas simples.