Beruflich Dokumente
Kultur Dokumente
Notas de Aula - Algebra Linear
H. Anton, C. Rorres. Algebra oes. 8a ed.
Linear com Aplicac
Porto Alegre: Bookman, 2001
Fabiana T. Santana
1 Sistemas de Equac
oes Lineares e Matrizes 1
1.1 Aula 1 - Introducao aos Sistemas de Equacoes Lineares . . . . . . . . . 1
1.2 Aula 2 - Eliminacao Gaussiana . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Aula 3 - Matrizes e Operacoes Matriciais . . . . . . . . . . . . . . . . . 11
1.4 Aula 4 - Inversas e Propriedades . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 . . . 25
2 Determinantes 31
2.1 Aula 6 - Determinantes por expansao em cofatores . . . . . . . . . . . . 31
2.2 Aula 7 - Propriedades dos Determinantes . . . . . . . . . . . . . . . . . 38
3 Espacos Vetoriais 43
3.1 Aula 8: Espacos Vetoriais Euclidianos . . . . . . . . . . . . . . . . . . . 43
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais . . . . . . . . . . . . 50
3.3 Aula 10 - Subespaco Gerado e Independencia Linear . . . . . . . . . . . 58
3.4 Aula 11 - Base e Dimensao . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo . . . . . . . . . 71
3.6 Aula 13 - Posto e Nulidade . . . . . . . . . . . . . . . . . . . . . . . . . 82
i
5 Autovalores e Autovetores 121
5.1 Aula 19 - Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . 121
5.2 Aula 20 - Diagonalizacao . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.3 Aula 21 - Diagonalizacao Ortogonal . . . . . . . . . . . . . . . . . . . . 134
6 Transformac
oes Lineares 138
6.1 Aula 22 - Transformacoes Lineares . . . . . . . . . . . . . . . . . . . . 138
6.2 Aula 23 - N
ucleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . 146
6.3 Aula 24 - Transformacoes Lineares Inversas . . . . . . . . . . . . . . . . 149
6.4 Aula 25 - Matrizes de Transformacoes Lineares . . . . . . . . . . . . . . 155
6.5 Aula 26 - Semelhanca . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Refer
encias Bibliogr
aficas 170
ii
Captulo 1
Sistemas de Equa
coes Lineares e
Matrizes
Essas matrizes aparecem como tabelas de dados numericos que surgem em ob-
servacoes fsicas, mas tambem ocorrem em varios contextos matematicos.
a1 x 1 + a2 x 2 + . . . + an x n = b (1.1)
Exemplo 1.1. (a) A reta no sistema bidimensional ax+by = c e uma equacao linear.
1
1.1 Aula 1 - Introducao aos Sistemas de Equacoes Lineares 2
Definic
ao 1.2. No caso especial em que b = 0, a Equacao 6.7 tem a forma
a1 x 1 + a2 x 2 + . . . + an x n = 0 (1.2)
e e denominada equa
cao linear homog
enea.
Observac
ao 1.1. (a) Uma equacao linear nao envolve produtos ou raizes de variaveis.
(a) x + 3y = 7
1
(b) 2
x y + 3z = 1
(a) x + 3y 2 = 7
(b) senx + y = 0
(c) x1 + 2x2 + x3 = 1
Definic
ao 1.3. Um sistema linear de m equacoes nas n incognitas x1 , x2 , . . . , xn
pode ser escrito como:
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .
.
a x + a x + ... + a x = b
m1 1 m2 2 mn n m
x1 = s1 , x2 = s2 , . . . . . . , xn = sn
(
5x + y = 3
Exemplo 1.4. x = 1 e y = 2 e solucao do sistema .
2x y = 4
(s1 , s2 , . . . , sn )
Definic
ao 1.6. Um sistema linear e consistente se possuir pelo menos uma soluc
ao
e inconsistente se nao tiver solucao.
em que os graficos sao retas no plano xy. Cada solucao (x, y) desse sistema corres-
ponde a um ponto de intersecao das retas. Desse modo, ha tres possibilidades:
(a) Se as retas sao paralelas, entao o sistema nao tem solucao e e inconsistente;
Soluca
o:
(
x+y =4
Exemplo 1.6 (Sistema linear sem solucao).
3x + 3y = 6
Soluca
o:
(
4x 2y = 1
Exemplo 1.7 (Sistema linear com infinitas solucoes).
16x 8y = 4
Soluca
o:
x y + 2z = 5
Exemplo 1.8 (Sistema linear com infinitas solucoes). 2x 2y + 4z = 10
3x 3y + 6z = 15
Soluca
o:
1.1 Aula 1 - Introducao aos Sistemas de Equacoes Lineares 5
a11 a12 . . . a1n b1
a21 a22 . . . a2n b2
a matriz
.. .. .. .. , denominada matriz aumentada do sistema.
. . ... . .
am1 am2 . . . amn bm
As operacoes usadas na resolucao de um sistema linear sao:
Essas operacoes correspondem a`s seguintes operacoes (operacoes elementares com li-
nhas) na matriz aumentada associada ao sistema:
Exemplo 1.9 (Usando operacoes elementares com linhas). Resolva o sistema abaixo
operando
nas equacoes do sistema e nas linhas da matriz aumentada associada a ele:
x + y + 2z = 9
2x + 4y 3z = 1
3x + 6y 5z = 0
Soluca
o:
1.2 Aula 2 - Eliminacao Gaussiana 6
Uma matriz esta em forma escalonada reduzida por linhas se, alem das pro-
priedades 1, 2 e 3 listadas anteriormente, tiver a seguinte propriedade:
4. Cada coluna que contem um pivo tem zeros nas demais entradas.
0 1 2 6 0
(c) 0 0 1 1 0
0 0 0 0 1
Exemplo 1.12.
Exemplo 1.13.
Encontre a solucao dos sistemas lineares que foram reduzidas por operacoes elemen-
tares `as seguintes matrizes:
1 0 0 0 1 0 3 1
(a) 0 (b) 0 1 4 2
1 2 0
0 0 0 1 0 0 0 0
1 5 1 4
(c) 0
0 0 0
0 0 0 0
Operacoes Elementares
Eliminacao Gaussiana: Procedimento usado para reduzir uma matriz, por operacoes
elementares, a` forma escalonada por linhas.
Exemplo 1.14. Use a eliminacao gaussiana para reduzir a matriz abaixo `a forma es-
calonada por linhas:
0 0 2 0 7 12
2 4 10 6 12 28
2 4 5 6 5 1
A terceira coluna abaixo da linha 1 contem elementos nao nulos e o primeiro deles e
diferente de zero.
1
Menos 2 foi multiplicado a linha 2. Notacao: L2 12 L2
1 2 5 3 6 14 1 2 5 3 6 14
0 0 1 0 7/2 6 0 0 1 0 7/2 6
0 0 5 0 17 29 0 0 0 0 1/2 1
| {z }
L3 L3 5L2
Passo 5.3 Desconsiderar a primeira e segunda linha e procurar uma coluna com
elementos nao nulos no restante da matriz.
1 2 5 3 6 14
0 0 1 0 7/2 6
0 0 0 0 1/2 1
A quinta coluna abaixo da primeira e segunda linhas tem um elemento nao nulo.
Exemplo 1.15. Encontre a forma escalonada reduzida por linhas da matriz do exemplo
anterior.
Passo 6.1 Cada coluna que contem pivo deve ter zero nas demais entradas.
1 2 0 3 0 7
0 0 1 0 0 1
0 0 0 0 1 2
L1 L1 + 5L2
23
L1 L1 2 L3
L2 L2 + 72 L3
Teorema 1.2. Um sistema linear homogeneo com mais incognitas que equacoes tem
uma infinidade de solucoes.
Exemplo 1.18. Suponha que as matrizes abaixo, que estao na forma escalonada por
linha, sao matrizes aumentadas de sistemas lineares nas variaveis x1 , x2 , x3 e x4 . Dis-
cuta a existencia e unicidade de solucoes dos sistemas correspondentes.
1 3 7 2 5 1 3 7 2 5
0 1 2 4 1 0 1 2 4 1
(a) (b)
0 0 1 6 9 0 0 1 6 9
0 0 0 0 1 0 0 0 0 0
1 3 7 2 5
0 1 2 4 1
(c)
0 0 1 6 9
0 0 0 1 0
Observac
ao 1.3. Dizemos que uma matriz com m linhas e n colunas tem tama-
nho m n.
Uma matriz com somente uma linha e denominada matriz linha ou vetor
linha.
1.3 Aula 3 - Matrizes e Operacoes Matriciais 12
Uma matriz com somente uma coluna e denominada matriz coluna ou vetor
coluna.
1 2
Exemplo 1.19. (a) 3 0 Matriz de tamanho 3 2.
1 4
h i
(b) 2 1 0 3 Matriz linha ou vetor linha de tamanho 1 4.
" #
1
(c) Matriz coluna ou vetor coluna de tamanho 2 1.
3
a11 a12 . . . a1n
a21 a22 . . . an2
Matriz de tamanho m n: A = .
.. ..
.. . .
am1 am2 . . . amn
a11 a12 . . . a1n
a21 a22 . . . an2
A matriz A = .
.. .. pode ser denotada por:
.. . .
am1 am2 . . . amn
Observac ao 1.4. A entrada na linha i e coluna j da matriz A pode ser denotada por
(A)ij . No caso acima, temos (A)ij = aij .
h i
a= a1 a2 . . . an
1.3 Aula 3 - Matrizes e Operacoes Matriciais 13
Definic
ao 1.8. Duas matrizes sao iguais se tiverem o mesmo tamanho e se suas en-
tradas correspondentes forem iguais.
Para expressar que duas matrizes A = [aij ] e B = [bij ] de mesmo tamanho sao
iguais utilizamos a notacao
(A)ij = (B)ij
ou entao
aij = bij
# "" #
2 3 4 0 2 7
Exemplo 1.20. Sejam A = ,B= e c = 2. Determine:
1 3 1 1 3 5
(a) A + B
(b) A B
(c) cA
Soluca
o:
"
# 4 1 4 3
1 2 4
Exemplo 1.21. Sejam A = e B = 0 1 3 1. Determine:
2 6 0
2 7 5 2
(a) AB.
Soluca
o:
Matrizes em blocos
AB = A[ b 1 b 2 . . . b n] = [A b 1 A b 2 . . . A b n ]
1.3 Aula 3 - Matrizes e Operacoes Matriciais 16
"# 4 1 4 3
1 2 4
Exemplo 1.22. Sejam A = e B = 0 1 3 1. Determine:
2 6 0
2 7 5 2
Soluca
o:
Observac
ao 1.6. O j-esimo vetor coluna de AB e dado por
Soluca
o:
Denotaremos esta equacao por A x= b , onde a matriz A e formada pelos coeficientes
do sistema linear, x e o vetor formado pelas variaveis e b o vetor formado pelos termos
independentes.
x1 + 3x2 2x3 + 2x5 = 0
2x + 6x 5x 2x + 4x 3x = 1
1 2 3 4 5 6
Exemplo 1.24. O sistema linear pode
5x3 + 10x4 + 15x6 = 5
2x1 + 6x2 + 8x4 + 4x5 + 18x6 = 6
ser representado pela seginte equacao matricial:
x1
1 3 2 0 2 0 x2 0
2 6 5 2 4 3
x3 1
=
0 0 5 10 0 15 x4 5
2 6 0 8 4 18 x5 6
x6
5
Definicao 1.10. Se A e uma matriz quadrada, entao o tra co de A, denotado por
tr(A), e definido pela soma das entradas na diagonal principal de A.
a11 a12 a13
Exemplo 1.26. (a) A = a21 a22 a23 tr(A) = a11 + a22 + a33 .
1 2 7 6
3 5 8 4
(b) B = tr(B) = 1 + 5 + 7 + 0 = 11.
1 2 7 3
4 2 1 0
(f ) A(B C) = AB AC
(g) (B C)A = BA CA
(h) a(B + C) = aB + aC
(i) a(B C) = aB aC
(j) (a + b)C = aC + bC
(k) (a b)C = aC bC
Demonstrac
ao:
Matriz
nula
ou matriz zero: Todas as entradas sao nulas. Exemplo: O =
0 0 0
0 0 0
Propriedade 1.2. Seja c um escalar real, O uma matriz nula e A uma matriz tal que
as multiplicacoes estejam definidas. Sao validas as seguintes propriedades:
(a) A + O = O + A = A
(b) A O = A
(c) A A = A + (A) = O
(d) OA = O
1.4 Aula 4 - Inversas e Propriedades 21
(e) Se cA = 0, entao c = 0 ou A = O
" #
0 1
Observac
ao 1.8. AB = AC n
ao implica em B = C. Exemplo: A = , B =
0 2
" # " #
1 1 2 5
eC=
3 4 3 4
Definic
ao 1.11. Seja A e uma matriz quadrada. Se existir uma matriz B de mesmo
tamanho tal que AB = BA = I entao A e invertvel e B e a inversa de A, isto e
A1 = B. Se nao existir B com essas propriedades, dizemos que A e n ao invertvel
ou singular.
" # " #
2 5 3 5
Exemplo 1.29. Sejam A = eB= , verifique que AB = I e BA = I.
1 3 1 2
Soluca
o:
Demonstrac
ao:
AA1 = I e A1 A = I
1.4 Aula 4 - Inversas e Propriedades 22
Demonstrac
ao:
Demonstrac
ao:
1.4 Aula 4 - Inversas e Propriedades 23
Observac
ao 1.10. Se A, B, C e D sao matrizes invertveis, entao (ABCD)1 =
D1 C 1 B 1 A1 . Esta propriedade e valida para um n
umero qualquer de matrizes
invertveis.
A0 = I
An = AA . . . A (n fatores)
An = (A1 )n = A1 A1 . . . A1 (n fatores)
Ar As = Ar+s
(Ar )s = Ars
(A + B)2 = A2 + AB + BA + B 2
Exerccio: Demonstrac
ao dos itens (a) e (b).
Demonstrac
ao do item (c):
Polinomios Matriciais
p(x) = a0 + a1 x + a2 x2 + . . . am xm
1.4 Aula 4 - Inversas e Propriedades 24
p(A) = a0 I + a1 A + a2 A2 + . . . + am Am
Teorema 1.8. Se os tamanhos das matrizes A e B sao tais que as operacoes abaixo
podem ser efetuadas, entao:
(a) (AT )T = A
(b) (A + B)T = AT + B T
(c) (A B)T = AT B T
(e) (AB)T = B T AT
(f ) (AT )1 = (A1 )T
# " " #
a b a c
Exemplo 1.32. Sejam A = e AT = . Encontre (AT )1 .
c d b d
Soluca
o:
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 25
4 0 1
0 1 0
(b) 1 0 0 obtida da identidade atraves da operac
ao L1 L2
0 0 1
Observac
ao 1.11. Se uma operacao elementar de linhas for realizada numa matriz A
de tamanho m n, a matriz resultante pode ser escrita como EA, onde E e a matriz
m m obtida realizando a mesma operacao elementar na matriz identidade Im .
a b c 0 1 0
Exemplo 1.34. Dada a matriz A = d e f e E1 = 1 0 0 uma matriz ele-
g h i 0 0 1
mentar. Obtenha:
Solucao:
4 0 1
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 26
Soluca
o:
A E1 A E2 E1 A . . . Ek . . . E2 E1 A = In
Como as matrizes elementares sao invertveis, suponha que E11 , E21 , . . . , Ek1 sao
as matrizes elementares inversas de E1 , E2 , . . . , Ek , respectivamente.
ltima igualdade Ek . . . E2 E1 A = In , sucessivamente por Ek1 , . . . , E21
Multiplicando a u
e E11 , temos:
Ek . . . E2 E1 In = A1
1 0 8
Soluca
o:
1 6 4
Exemplo 1.37. Verifique que a matriz A = 2 4 1 nao e invertvel.
1 2 5
Soluca
o:
Exemplo
1.38. Resolva o sistema abaixo usando a inversa da matriz dos coeficientes:
x1 + 2x2 + 3x3 = 5
x1 + 8x3 = 17
Soluca
o:
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 28
Exemplo
1.39. Resolva simultaneamente os sistemas abaixo usando a matriz aumen-
x1 + 2x2 + 3x3 = 4
tada: 2x1 + 5x2 + 3x3 = 5
x1 + 8x3 = 9
x1 + 2x2 + 3x3 = 1
2x1 + 5x2 + 3x3 = 6
x1 + 8x3 = 6
Soluca
o:
(a) A e invertvel.
(b) A x = 0 tem somente a soluc
ao trivial.
Exemplo 1.40. Quais condicoes devem satisfazer b1 , b2 , b3 para que o sistema abaixo
seja
consistente?
x1 + x2 + 2x3 = b1
x 1 + x 3 = b2
2x1 + x2 + 3x3 = b3
Soluca
o:
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 29
Exemplo 1.41. Quais condicoes devem satisfazer b1 , b2 , b3 para que o sistema abaixo
seja
consistente?
x1 + 2x2 + 3x3 = b1
x1 + 8x3 = b3
Exerccio:
Definic
ao 1.13. Uma matriz quadrada em que todas as entradas fora da diagonal
principal sao zero e denominada matriz diagonal.
6 0 0 0
" # " # 1 0 0
0 0 2 0 0 4 0 0
Exemplo 1.42. , , 0 1 0,
0 0 0 5 0 0 0 0
0 0 1
0 0 0 8
d 0 ... 0
1
0 d2 . . . 0
Para a matriz diagonal .. .. . , temos:
. . . . . ..
0 0 . . . dn
k
1/d1 0 ... 0 d1 0 ... 0
0 1/d2 ... 0 0 dk2 ... 0
1
k
(a) D =
.. .. .. (b) D = ..
.. .
. . ... . . . . . . ..
0 0 . . . 1/dn 0 0 . . . dkn
a11 a12 a13 a14
0 a22 a23 a24
Matriz triangular superior 4 4:
0 0 a33 a34
0 0 0 a44
a11 0 0 0
a21 a22 0 0
Matriz triangular inferior 4 4: a
31 a32 a33 0
a41 a42 a43 a44
1.5 Aula 5 - Matrizes Elementares e um Metodo para Encontrar A1 30
Uma matriz triangular e invertvel, se e somente se, as entradas da diagonal sao todas
nao nulas.
AT e simetrica.
A + B e A B sao simetricas.
kA e simetrica.
Determinantes
Definic
ao 2.3. Seja A e uma matriz quadrada.
(a) O menor da entrada aij , denotado por Mij , e o determinante da submatriz que
sobra quando suprimimos a i-esima linha e a j-esima coluna de A.
1 4 8
31
2.1 Aula 6 - Determinantes por expansao em cofatores 32
Solu
c
ao:
1 4 8
pansao em cofatores ao longo da primeira linha.
Solu
c
ao:
2.1 Aula 6 - Determinantes por expansao em cofatores 33
1 0 0 1
3 1 2 2
Exemplo 2.3. Encontre o determinante da matriz atraves da expan-
1 0 2 1
2 0 0 1
sao em cofatores.
Solu
c
ao:
Exemplo 2.4. Verifique o resultado acima para uma matriz triangular inferior 4 4.
Solu
c
ao:
Alguns resultados:
2.1 Aula 6 - Determinantes por expansao em cofatores 34
Teorema 2.3. Se A e uma matriz quadrada com uma linha ou coluna de zeros, ent
ao
det(A) = 0.
O calculo de determinantes por meio de reducao por linhas e eficiente para calcular
determinantes de matriz quadrada de qualquer tamanho.
(b) Se B e a matriz que resulta quando duas linhas ou duas colunas de A sao permu-
tadas, entao det(A) = det(B).
ka11 ka12 ka13 a11 a12 a13
= k a21 a22 a23
a21 a22 a23
a31 a32 a33 a31 a32 a33
det(B) = kdet(A)
2.1 Aula 6 - Determinantes por expansao em cofatores 35
Demonstra
c
ao:
a21 a22 a23 a11 a12 a13
= a21 a22 a23
a11 a12 a13
a31 a32 a33 a31 a32 a33
det(B) = det(A)
(c) Operacao: Um m
ultiplo da segunda linha de A e somado `a primeira linha.
a11 + ka21 a12 + ka22 a13 + ka23 a11 a12 a13
= a21 a22 a23
a21 a22 a23
a31 a32 a33 a31 a32 a33
det(B) = det(A)
Teorema 2.7. Se A for uma matriz quadrada com duas linhas proporcionais ou duas
colunas proporcionais, entao det(A) = 0.
2.1 Aula 6 - Determinantes por expansao em cofatores 36
Justificativa: Atraves das operacoes elementares, se uma matriz tem duas linhas
proporcionais, entao e possvel obter uma linha de zeros.
1 3 2 4
2 6 4 8
Exemplo 2.5. Calcule .
3 9 1 5
1 1 4 8
Solu
c
ao:
Usando reduc
ao por linhas para calcular um determinante
Exemplo 2.6. Aplique a tecnica descrita acima para calcular o determinante da matriz
0 1 5
A = 3 6 9 .
2 6 1
2.1 Aula 6 - Determinantes por expansao em cofatores 37
0 1 5 3 6 9
det(A) = 3 6 9 = 0
|{z} 1 5
L1 L2
2 6 1 2 6 1
1 2 3
= 3 0
|{z} 1 5
L1 =3L1
2 6 1
1 2 3
= 3 0
|{z} 1 5
L3 L3 2L1
10 5
0
1 2 3
= 3 0
|{z} 1 5
L3 L3 10L2
0 55
0
1 2 3
= (3)(55) 0 1 5
|{z}
L3 =55L3
0 0 1
=
|{z} (3)(55)(1)(1)(1) = 165.
matriz triangular
Observac
ao 2.1. Operacoes elementares sobre colunas podem ser usadas para reduzir
uma matriz `a forma triangular inferior ou superior.
Exemplo 2.7. Use operacoes com colunas para calcular o determinante da matriz
1 0 0 3
2 7 0 6
A=
0 6 3 0
7 3 1 5
Solu
c
ao:
2.2 Aula 7 - Propriedades dos Determinantes 38
Observac
ao 2.2. Operacoes elementares sobre linhas e colunas podem ser usadas si-
multaneamente com a expansao em cofatores.
Justificativa: Um fator comum de qualquer linha de uma matriz pode ser trazido
para fora do determinante e como cada uma das n linhas de kA tem o fator k em
comum, tem-se que det(kA) = k n det(A).
"#
2 4
Exemplo 2.9. Calcule o determinate da matriz .
6 2
Soluc
ao:
" # " #
1 2 3 1
Exemplo 2.10. Sejam A = e B = . Verifique que det(A + B) 6=
2 5 1 3
det(A) + det(B).
Exerccios:
Demonstrac
ao: A demonstracao do teorema e feita com os seguintes passos:
Suponha que uma matriz quadrada A tenha sido reduzida a` matriz B atraves de
operacoes elementares atraves se substituicoes e trocas de linhas.
Para reduzir A a` B, se foram feitas r trocas de linhas, entao det(A) = (1)r det(B).
(1)r .(Produto dos pivos de B), quando A e invertvel
det(A) =
0, quando A nao e invertvel
2.2 Aula 7 - Propriedades dos Determinantes 40
2 4 6
determinante.
Soluc
ao:
Soluc
ao:
1
Teorema 2.10. Se A for invertvel, entao det(A1 ) = .
det(A)
Demonstrac
ao:
3 2 1
Exemplo 2.13. Determine a adjunta da matriz A = 1 6 3 .
2 4 0
Soluc
ao:
1
Teorema 2.11. Se A for uma matriz invertvel, entao A1 = adj(A).
det(A)
3 2 1
Exemplo 2.14. Use a matriz adjunta para encontrar a inversa da matriz A = 1 6 3 .
2 4 0
Soluc
ao:
Teorema 2.12. Se A for uma matriz n n, entao as seguintes afirmacoes sao equi-
valentes:
(a) A e invertvel.
(b) A x= 0 tem somente a solucao trivial.
Soluc
ao:
Espa
cos Vetoriais
Definic
ao 3.1. Se n e um inteiro positivo, dizemos que uma sequencia (a1 , a2 , . . . , an )
de n
umeros reais e uma n-upla ordenada. O conjunto de todas as n-uplas ordenadas
e chamado o espa co n-dimensional.
ao 3.2 (Operacoes padrao em Rn ). Sejam u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn )
Definic
vetores em Rn . Temos:
(a) u= v se u1 = v1 , u2 = v2 , . . . , un = vn .
(b) u + v = (u1 + v1 , u2 + v2 , . . . , un + vn ).
(c) k v = (kv1 , kv2 , . . . , kvn ).
43
3.1 Aula 8: Espacos Vetoriais Euclidianos 44
Figura 3.1: O terno ordenado (a1 , a2 , a3 ) pode ser interpretado geometricamente como um
ponto ou um vetor.
(b) Negativo ou inverso aditivo de u= (u1 , u2 , . . . , un ):
u= (u1 , u2 , . . . , un )
Soluc
ao:
u v = u1 v1 + u2 v2 + . . . un vn .
Exemplo 3.2. Calcule o produto interno euclidiano dos vetores u= (1, 3, 5, 7), v =
(5, 4, 7, 0) R4 .
Soluc
ao:
Teorema 3.2 (Propriedades aritmeticas do produto interno euclidiano). Se u, v e w
sao vetores em Rn e l e um escalar, entao:
(a) u v = v u.
(b) ( u + v ) w= u w + v w.
(c) (l u) v = l( u v ).
(d) v v 0. Alem disso, v v = 0, se e somente se, v = 0.
Demonstrac
ao (b) e (d):
3.1 Aula 8: Espacos Vetoriais Euclidianos 46
Norma e dist
ancia no espaco euclidiano n-dimensional
Definic
ao 3.4. (a) A norma euclidiana (ou comprimento euclidiano) de um vetor
u= (u1 , u2 , . . . , un ) Rn e definida por
q
1/2
u
= ( u u) = u21 + u22 + . . . u2n
2
ao:
u
= u u ).
(Observac
ancia euclidiana entre os pontos u= (u1 , u2 , . . . , un ), v = (v1 , v2 , . . . , vn )
(b) A dist
n
R e definida por
p
d( u , v ) =
u v
= (u1 v1 )2 + (u2 v2 )2 + . . . + (un vn )2
Exemplo 3.3. Dados os vetores u= (1, 3, 2, 7), v = (0, 7, 2, 2) R4 , determine:
(a)
u
(b) d( u, v )
Soluc
ao:
Teorema 3.3 (Desigualdade de Cauchy-Schwarz). Se u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn )
sao vetores em Rn , entao
u v
u
v
Observac
ao 3.3. A desigualdade de Cauchy-Schwarz e usada para demonstrar a desigual-
dade triangular e e uma das desigualdades mais importantes da Algebra Linear.
Teorema 3.4 (Propriedades de comprimento). Se u, v e w sao vetores em Rn e k um
escalar, entao:
(a)
u
0
(b)
u
= 0 se, e somente se, u= 0
(c)
k v
= |k|
v
3.1 Aula 8: Espacos Vetoriais Euclidianos 47
(d)
u + v
kuk + kvk (Desigualdade Triangular)
Demonstrac
ao (c) e (d):
Teorema 3.5 (Propriedades de distancia). Se u, v e w sao vetores em Rn , entao:
(a) d(u, v) 0
(b) d( u, v ) = 0 se, e somente se, u= v
(c) d( u, v ) = d( v , u)
(d) d( u, v ) d( u, w) + d(w, v ) (Desigualdade Triangular)
Demonstrac
ao (d):
Teorema 3.6. Se u e v sao vetores em Rn com o produto interno euclidiano, entao
1
2 1
2
u v =
u + v
u v
4 4
ao 3.5. Dois vetores u, v Rn sao ortogonais se u v = 0. (Ver Figura
Definic
3.2.)
Exemplo 3.4. Verifique se os vetores u= (2, 3, 1, 4), v = (1, 2, 0, 1) R4 sao orto-
gonais.
Soluc
ao:
3.1 Aula 8: Espacos Vetoriais Euclidianos 48
Figura 3.2: Os vetores u e v sao ortogonais.
Teorema 3.7 (Teorema de Pitagoras). Se u e v sao vetores ortogonais em Rn com o
produto interno euclidiano, entao
2
2
2
u + v
=
u
+
v
Demonstrac
ao:
til escrever o vetor u= (u1 , u2 , . . . , un ) de Rn em notacao matricial
Muitas vezes e u
como uma matriz-linha ou uma matriz-coluna:
u
1
u2
ou
h i
u=
.. u= u1 u2 . . . un
.
un
Justificativa: As operacoes matriciais
u v v kv
1 1 1 1
u1 + v1
u2 v2 v2 kv2
u + v= + = u +v
.. .. 2 2 , k v = k .. ..
. . .
. .
..un + vn
un vn vn kvn
3.1 Aula 8: Espacos Vetoriais Euclidianos 49
ou
h i h i h i
u + v = u1 u2 . . . un + v1 v2 . . . vn = u1 + v1 u2 + v2 . . . un + vn
h ih i
k v = k v1 v2 . . . vn kv1 kv2 . . . kvn
u + v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . vn ) = (u1 + v1 , u2 + v2 , . . . , un + vn )
k v = k(v1 , v2 , . . . , vn ) = (kv1 , kv2 , . . . , kvn )
au
nica diferenca e o formato em que escrevemos os vetores.
Soluc
ao:
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais 50
(" # )
a b
(a) Espaco vetorial de Matrizes 2 2, denotado por M22 = : a, b, c, d R .
c d
Exemplo 3.8 (Um conjunto que nao e Espaco Vetorial). Considere V = R2 com as
operacoes de adicao e multiplicacao por escalar definidas como segue:
Se u= (u1 , u2 ) e v = (v1 , v2 ), entao u + v = (u1 + v1 , u2 + v2 ).
Se k e um n
umero real qualquer e v = (v1 , v2 ), entao k v = (kv1 , 0).
Soluc
ao:
Soluc
ao: Verificar os axiomas 1, 4, 5 e 6.
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais 52
Exemplo 3.10. Seja V o conjunto constitudo apenas pelo vetor nulo 0 no qual est ao
definidas as operacoes 0 + 0 = 0 e k 0 = 0 . Verifique que valem todos os axiomas de
espaco vetorial. Este espaco V e chamado o espaco vetorial nulo.
Exerccio:
Exemplo 3.11. Seja V = { u R| u> 0} no qual estao definidas as operacoes seguintes
para u= u, v = v e k R:
u + v = uv, u, v V
k u= uk , u V e k R.
O conjunto V , com as operacoes definidas, e um espaco vetorial cujo vetor nulo e 0 = 1
e o inverso aditivo de u e u= u1 .
(b) F [a, b]: conjunto das funcoes reais definidas no intervalo fechado [a, b].
(c) F (a, b): conjunto das funcoes reais definidas no intervalo aberto (a, b).
Teorema 3.8. Sejam V um espaco vetorial, u um vetor em V e l um escalar, entao:
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais 53
(a) 0 u= 0
(b) l 0 = 0
(c) (1) u= u
(d) Se l u= 0 entao l = 0 ou u = 0 .
Demonstrac
ao (a) e (c):
Definic
ao 3.7. Um subconjunto W de um espaco vetorial V e chamado um subes-
pa
co vetorial de V se W e um espaco vetorial em relacao `as operacoes de adicao e
multiplicacao por escalar definidas em V .
Observac
ao 3.4. (a) Se W e um subespaco do espaco vetorial V , segue da definic
ao
anterior que se u, v W e k, l R, entao k u +l v W .
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais 54
(c) Todo espaco vetorial admite pelo menos dois subespacos (chamados triviais), o
conjunto formado somente pelo vetor nulo e o proprio espaco vetorial.
Exemplo 3.13. Mostre que uma reta pela origem do R3 e um subespaco vetorial de
R3 .
Soluc
ao:
R2
R3
Exemplo 3.15. Seja Mnn o espaco vetorial das matrizes n n. Mostre que W , sub-
conjunto das matrizes triangulares superiores, e subespaco de Mnn .
Exerccio:
(a) O conjunto das matrizes simetricas nn, triangulares inferiores nn, triangulares
superiores n n e matrizes diagonais n n sao subespacos vetoriais do espaco
vetorial Mnn
(b) O conjunto dos polinomios de grau menor ou igual a n, denotado por Pn , que con-
siste de todas as funcoes da forma p(x) = a0 +a1 x+. . .+an xn onde a0 , a1 , . . . , an
R e um subespaco do espaco vetorial das funcoes reais F (, ).
Demonstrac
ao:
Exemplo 3.17. Os sistemas lineares abaixo possuem tres incognitas, portanto as so-
lucoes formam subespacos de R3 . Geometricamente, isto significa que cada espaco-
solucao deve ser uma reta pela origem, ou um plano pela origem, ou somente a origem,
ou todo o R3 .
1 2 3 x 0
(a) 2 4 6 y = 0
3 6 9 z 0
Solucao: x = 2s 3t, y = s e z = t ou x = 2y 3z x 2y + 3z = 0 e a
equacao de um plano pela origem.
3.2 Aula 9 - Espacos Vetoriais e Subespacos Vetoriais 57
1 2 3 x 0
(b) 3 7 8 y = 0
2 4 6 z 0
Solucao: x = 5t, y = t, z = t sao equacoes parametricas da reta pela origem
paralela ao vetor v = (5, 1, 1).
1 2 3 x 0
(c) 3 7 8 y = 0
4 1 2 z 0
Solucao: x = 0, y = 0, z = 0 que e a origem de R3 .
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 58
0 0 0 x 0
(d) 0 0 0 y = 0
0 0 0 z 0
Solucao: x = r, y = s, z = t onde r, s e t tomam quaisquer valores, portanto o
espaco-solucao e R3 .
Soluc
ao:
Exemplo 3.19. O vetor w= (9, 2, 7) e combinacao linear dos vetores u= (1, 2, 1) e
v = (6, 4, 2) em R3 . Por outro lado, o vetor t = (4, 1, 8) nao e combinacao linear de
u e v.
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 59
Soluc
ao:
Se v1 , v2 , . . . , vr sao vetores em um espaco vetorial V , entao geralmente alguns
vetores de V podem ser combinacoes lineares de v1 , v2 , . . . , vr enquanto outros vetores
nao.
Teorema 3.11. Se v1 , v2 , . . . , vr sao vetores em um espaco vetorial V , entao:
(a) O conjunto W de todas as combinacoes lineares de v1 , v2 , . . . , vr e um subespaco
de V .
(b) W e o menor subespaco de V que contem v1 , v2 , . . . , vr no seguinte sentido: qual-
quer subespaco de V que contem v1 , v2 , . . . , vr tambem contem W .
Demonstrac
ao (a):
Vamos mostrar que W = { v = k1 v1 +k2 v2 + . . . + kr vr |k1 , k2 , . . . , kr R} e um
subespaco vetorial de V .
0 W , basta considerar k1 = k2 = . . . = kr = 0.
Sejam u, v W , entao u= c1 v1 +c2 v2 + . . .+cr vr , u= k1 v1 +k2 v2 + . . .+kr vr .
Vamos mostrar que u + v W . Temos:
u + v = (c1 v1 +c2 v2 + . . . + cr vr ) + (k1 v1 +k2 v2 + . . . + kr vr )
= (k1 + c1 ) v1 +(k2 + c2 ) v2 + . . . + (kr + cr ) vr
= t1 v1 +t2 v2 + . . . tr vr
onde t1 = k1 + c1 , t2 = k2 + c2 , . . . , tr = kr + cr R. Logo, u + v W .
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 60
Sejam u= c1 v1 +c2 v2 + . . . + cr vr W e k R. Vamos mostrar que k u W .
Temos:
k u = k(c1 v1 +c2 v2 + . . . + cr vr )
= (kc1 ) v1 +(kc2 ) v2 + . . . + (kcr ) vr
= l1 v1 +l2 v2 + . . . + lr vr
onde l1 = kc1 , l2 = kc2 , . . . , lr = kcr R. Logo, k u W .
W = ger(S) ou W = ger{v1 , v2 , . . . , vr }
Exemplo 3.20. (a) Um vetor v R3 nao nulo gera uma reta.
(b) Dois vetores v1 , v2 R3 nao colineares com pontos iniciais na origem geram um
plano.
Soluc
ao:
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 61
Seja V o espaco vetorial gerado por S = {v1 , v2 , . . . , vr }. Pode haver mais de uma
maneira de escrever v V como combinacao linear dos vetores em S. O conjunto de
vetores geradores que so admite uma combinacao linear para um vetor v V e muito
importante no estudo de espacos vetoriais.
Definicao 3.10. Se S = {v1 , v2 , . . . , vr } e um conjunto nao-vazio de vetores, entao a
equacao vetorial
k1 v1 +k2 v2 + . . . + kr vr = 0
(b) Mostre que o conjunto S = {v1 , v2 , v3 } formado pelos vetores v1 = (1, 2, 3), v2 =
(5, 6, 1) e v3 = (3, 2, 1) e LD.
Solu c
ao:
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 62
Exemplo 3.23. (a) Mostre que o conjunto S = {p1 , p2 , p3 } formado pelos vetores
p1 = 1 x, p2 = 5 + 3x 2x2 e p3 = 1 + 3x x2 e LD.
Solucao:
(b) Linearmente independente se, e somente se, nenhum vetor em S pode ser escrito
como combinacao linear dos outros vetores de S.
Demonstrac
ao (a):
Seja S = {v1 , v2 , . . . , vr }. Supondo que S e linearmente dependente, deve existir
escalares k1 , k2 , . . . , kr nao todos nulos, tais que:
k1 v1 +k2 v2 + . . . kr vr = 0
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 63
k2 kr
v1 = ( ) v2 + . . . + ( ) vr
k1 k1
isto e, v1 e combinacao linear de v2 , v3 , . . . , vr .
Reciprocamente, suponha que pelo menos um dos vetores de S pode ser escrito como
combinacao linear dos outros. Queremos mostrar que S e linearmente dependente.
Suponha que:
v1 = k2 v2 +k3 v3 + . . . + kr vr
Logo,
1 v1 k2 v2 k3 v3 . . . kr vr = 0
Como existe pelo menos um escalar nao nulo na combinacao linear acima (k1 = 1)
conclumos que S = {v1 , v2 , . . . , vr } e linearmente dependente.
ao 3.9. (1) No Exemplo 0.4 (b) os vetores v1 = (1, 2, 3), v2 = (5, 6, 1)
Observac
e v3 = (3, 2, 1) formam um conjunto LD e podemos verificar que v1 v2
+2 v3 = 0 .
(2) No Exemplo 1 os vetores i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1) formam um con-
junto LI e um nao e combinacao linear dos outros. Por exemplo, a equac ao
k = r1 i +r2 j nao tem solucao. O mesmo acontece para outras combinacoes.
Teorema 3.13. (a) Um conjunto finito de vetores que contem o vetor nulo e linear-
mente dependente.
Demonstrac
ao (a):
Seja S = {v1 , v2 , . . . , vr , 0 } um conjunto finito de vetores. Os os vetores de S podemos
escrever a seguinte combinacao linear:
0 v1 +0 v2 + . . . 0 vr +1 0 = 0
Isto e, temos uma combinacao linear igual ao vetor nulo com escalares nao todos nulos.
Logo, S = {v1 , v2 , . . . , vr , 0 } e linearmente dependente.
3.3 Aula 10 - Subespaco Gerado e Independencia Linear 64
Teorema 3.14. Seja S = {v1 , v2 , . . . , vr } um conjunto de vetores em Rn . Se r > n,
entao S e linearmente dependente.
Demonstrac
ao:
Suponha que
v1 = (v11 , v12 , . . . , v1n )
v2 = (v21 , v22 , . . . , v2n )
.. ..
. .
vr = (vr1 , vr2 , . . . , vrn )
Para mostrarmos que S = {v1 , v2 , . . . , vr } e linearmente dependente, deve existir
escalares k1 , k2 , . . . , kr nao todos nulos, tais que:
k1 v1 +k2 v2 + . . . + kr vr = 0
O conjunto S = {v1 , v2 , . . . , vr } e linearmente independente (LI) se k1 v1
+k2 v2 + . . . + kr vr = 0 se, e somente se k1 = 0, k2 = 0, . . . , kr = 0.
3.4 Aula 11 - Base e Dimensao 66
Os vetores v1 , v2 , . . . , vr geram V se todos os vetores v de V sao escritos como
combinacao linear de v1 , v2 , . . . , vr . Isto e, existem escalares k1 , k2 , . . . , kr nao
todos nulos, tais que v = k1 v1 +k2 v2 + . . . + kr vr .
(b) S gera V .
Teorema 3.15. Se S = {v1 , v2 , . . . , vn } e uma base de um espaco vetorial V , ent ao
cada vetor em V pode ser escrito de maneira u nica como combinacao linear dos vetores
de S, isto e, v = c1 v1 +c2 v2 + . . . + cn vn .
Demonstrac
ao:
Como S e uma base de V , cada vetor de V pode ser escrito como combinacao linear
dos vetores de S. Suponha que existe um vetor v V , tal que
v = c1 v1 +c2 v2 + . . . + cn vn (3.1)
v = k1 v1 +k2 v2 + . . . + kn vn (3.2)
0 = (c1 k1 ) v1 +(c2 k2 ) v2 + . . . + (cn kn ) vn (3.3)
Como S = {v1 , v2 , . . . , vn } e linearmente independente, da equacao (5.12), conclumos
que
c1 k1 = 0 c1 = k1
c2 k2 = 0 c2 = k2
..
.
cn kn = 0 cn = kn
3.4 Aula 11 - Base e Dimensao 67
Das igualdades acima, segue que as equacoes (6.7) e (6.6) sao guais.
Se S = {v1 , v2 , . . . , vn } e uma base de um espaco vetorial V e se
v = c1 v1 +c2 v2 + . . . cn vn
e a expressao de um vetor v V em termos da base S, entao os escalares c1 , c2 , . . . , cn
sao chamados as coordenadas de v em relacao a` base S.
O vetor (c1 , c2 , . . . , cn ) em Rn , cujas componentes sao as coordenadas de v , e cha-
mado vetor de coordenadas de v em relac
ao a S e e denotado por
( v )S = (c1 , c2 , . . . , cn ).
Exemplo 3.24. Mostre que S = { i , j , k }, onde i = (1, 0, 0), j = (0, 1, 0), k = (0, 0, 1),
e uma base de R3 . Esta base e denominada base can onica de R3 .
Soluc
ao:
Exemplo 3.25. O conjunto S = { e 1 , e 2 , . . . , e n }, onde e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , en =
(0, 0, . . . , 1), e uma base de Rn , denominada base can onica de Rn .
Exemplo 3.26. Sejam v1 = (1, 2, 1), v2 = (2, 9, 0) e v3 = (3, 3, 4). Mostre que o conjunto
S = {v1 , v2 , v3 } e uma base de R3 .
Soluc
ao:
3.4 Aula 11 - Base e Dimensao 68
Exemplo 3.27. Seja S = {v1 , v2 , v3 } uma base de R3 , onde v1 = (1, 2, 1), v2 = (2, 9, 0)
e v3 = (3, 3, 4).
(a) Encontre o vetor de coordenadas de v = (5, 1, 9) em relacao a S.
(b) Encontre o vetor de coordenadas de v = (5, 1, 9) em relacao a base canonica.
(c) Encontre o vetor u em R3 cujo vetor de coordenadas em relacao `a base S e ( u
)S = (1, 3, 2).
Solu
c
ao:
Observac ao 3.10. Um vetor nao e igual ao seu vetor de coordenadas. Esta igualdade
so acontece quando a base e canonica.
Exemplo 3.28. (a) Mostre que S = {1, x, x2 } e uma base do conjunto dos polinomios
de grau menor ou igual a 2, denotado por P2 .
Soluc
ao:
3.4 Aula 11 - Base e Dimensao 69
Soluc
ao:
!
a b
Observac
ao 3.12. Se v = M22 , entao
c d
! ! ! ! !
a b 1 0 0 1 0 0 0 0
=a +b +c +d
c d 0 0 0 0 1 0 0 1
Observac
ao 3.13. Se V tem uma base com um n umero finito de vetores, diga-
mos n, entao V tem dimensao n. Notacao: dim(V ) = n.
Se V tem uma base com infinitos vetores, entao V tem dimensao infinita.
O espaco vetorial nulo sera definido como sendo de dimensao finita. Mais espe-
cificamente, este espaco vetorial sera definido como tendo dimensao zero e sua
base e o conjunto vazio.
3.4 Aula 11 - Base e Dimensao 70
Teorema 3.16. Sejam V um espaco vetorial de dimensao finita e {v1 , v2 , . . . , vn } uma
base qualquer de V .
Se S e um conjunto LI nao-vazio de vetores de um espaco vetorial V e se v e um
vetor em V tal que v nao esta em ger(S) entao S { v } e LI.
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 71
Seja S um conjunto nao-vazio de vetores de um espaco vetorial V . Se v S pode
ser escrito como combinacao linear dos outros vetores de S entao S e S { v }
geram o mesmo espaco.
(a) Se S gera V , mas nao e uma base de V , entao S pode ser reduzido a uma
base de V removendo os vetores apropriados.
(b) Se S e LI, mas nao e uma base de V , entao S pode ser ampliado para uma
base de V acrescentando vetores apropriados.
os vetores em Rn
h i
r1 = a11 a12 . . . a1n
h i
r2 = a21 a22 . . . a2n
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 72
...
h i
rn = am1 am2 . . . amn ,
O espaco-solucao do sistema homogeneo de equacoes A x= 0 (subespaco de Rn )
e chamado espa co-nulo de A;
Teorema 3.18. Um sistema A x= b de equacoes lineares e consistente se, e somente
se b esta no espaco-coluna de A.
Demonstra
c ao:
a a12 . . . a1n x
11 1
a22 a22 . . . a2n x2
Sejam A = .. .. .. e x= .. . Se c1 , c2 , . . . , cn denotam os vetores-
. . . .
am1 am2 . . . amn xn
a x + a12 x2 + . . . + a1n xn
11 1
a x + a x + . . . + a x
21 1 22 2
= x1 c1 +x2 c2 + . . . +
2n n
coluna de A, entao A x=
...
am1 x1 + am2 x2 + . . . + amn xn
xn cn . Assim, um sistema linear A x= b pode ser escrito como x1 c1 +x2 c2 + . . . +
xn cn = b . Se o sistema e consistente, entao existem x1 , x2 , . . . , xn , isto e, o vetor b e
uma combinacao linear de c1 , c2 , . . . , cn .
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 73
2 1 2 x3 3
3 2 1 2
isto e, o vetor b e combinacao linear dos vetores coluna de A (A x= b ).
Em um sistema linear A x= b cuja solucao e expressa por
x=x0 +c1 v1 +c2 v2 + . . . ck vk (3.4)
O vetor x0 e chamado soluc
ao particular de A x= b ;
A expressao x0 +c1 v1 +c2 v2 + . . . ck vk e chamada soluc
ao geral de A x= b ;
A expressao c1 v1 +c2 v2 + . . . ck vk e chamada soluc
ao geral de A x= 0 ;
Soluc
ao:
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 74
O vetor x0 e uma solucao particular do sistema e o vetor x e uma solucao geral do
sistema homogeneo associado ao sistema dado.
Justificativa: Como as operacoes elementares sobre uma matriz aumentada nao altera
o espaco-solucao do sistema linear correspondente, podemos concluir, aplicando ope-
racoes elementares sobre linhas de A o conjunto solucao do sistema linear homogeneo
A x= 0 nao muda.
Soluc
ao:
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 75
Podemos ver que os vetores v1 e v2 geram o espaco-solucao de A x= 0 . Como esses
vetores sao linearmente independentes (verificar), uma base para o espaco-nulo de A e
{v1 , v2 }.
Teorema 3.21. Seja R uma matriz em forma escalonada por linhas, entao os vetores-
linha com os pivos (ou seja, os vetores-linha nao-nulos) formam uma base do espaco-
linha de R.
Com os dois teoremas anteriores podemos concluir que para encotrar uma base para
o espaco-linha de uma matriz A, basta aplicar operacoes elementares nas linhas de A
reduzindo esta matriz a uma matriz escalonada por linhas R. As linhas nao nulas da
matriz R, que correspondem `as linhas que possuem pivo, constituem uma base para o
espaco-linha de A.
Soluc
ao:
h i
r1 = 1 3 4 2 5 4
h i
r2 = 0 0 1 3 2 6
h i
r3 = 0 0 0 0 1 5
Teorema 3.23. Seja R uma matriz em forma escalonada por linhas, entao os vetores-
coluna que contem os pivos dos vetores linha formam uma base do espaco-coluna de
R.
Note que, pelos Teoremas 05 e 06, a matriz escalonada por linhas R, originada de
A a partir de operacoes elementares nao fornece os vetores-coluna que constituem
a base do espaco-coluna de A.
Soluc
ao:
Aplicando operacoes elementares nas linhas de A, obtemos a matriz escalona por
linhas:
1 3 4 2 5 4
2 6
0 0 1 3
R=
0 0 0 0 1 5
0 0 0 0 0 0
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 78
Como os pivos aparecem nas primeira, terceira e quinta colunas de R temos que
1 4 5
0 0 1 0 2
0
c1 =
, c2 = , c3 =
0 0 1
0 0 0
Exemplo 3.37. Encontre uma base para o espaco gerado pelos vetores v1 = (1, 2, 0, 0, 3), v2 =
(2, 5, 3, 2, 6), v3 = (0, 5, 15, 10, 0) e v4 = (2, 6, 18, 8, 6).
Soluc
ao:
O espaco gerado por um conjunto de vetores corresponde ao espaco-linha da matriz A
cujas linhas sao constitudas pelos vetores dados. Logo, uma base para o espaco gerado
pelos vetores e dada pela base do espaco-linha da matriz A.
Com os vetores dados temos a matriz
1 2 0 0 3
2 5 3 2 6
A=
0 5 15 10 0
2 6 18 8 6
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 79
Aplicando operacoes elementares e reduzindo esta matriz a forma escalonada por linhas,
temos:
1 2 0 0 3
0 1 3 2 0
R=
0 0 1 1 0
0 0 0 0 0
Os vetores-linha nao nulos, constituem uma base para o espaco gerado pelos vetores
v1 , v2 , v3 e v4 . Esses vetores sao:
w1 = (1, 2, 0, 0, 3), w2 = (0, 1, 3, 2, 0) e w3 = (0, 0, 1, 10)
1 2 0 0 3
2 5 3 2 6
Exemplo 3.38. Encontre uma base para o espaco-linha de A =
0 5 15 10 0
2 6 18 8 6
consistindo totalmente de vetores-linha de A.
Soluc
ao:
Basta transpor A e, com isso, o problema de encontrar uma base para o espaco-linha
de A e convertido em encontrar uma base para o espaco-coluna de AT , e por fim os
vetores obtidos sao transpostos para constituir uma base para o espaco-linha de A.
Transpondo A, obtemos:
1 2 0 2
2 5 5 6
AT = 0 3 15 18
0 2 10 8
3 6 0 6
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 80
h i h i h i
r1 = 1 2 0 0 3 , r2 = 2 5 3 2 6 , r4 = 2 6 18 8 6
Exemplo 3.39. (a) Encontre um subconjunto dos vetores v1 = (1, 2, 0, 3), v2 = (2, 5, 3, 6), v3 =
(0, 1, 3, 0), v4 = (2, 1, 4, 7), v5 = (5, 8, 1, 2) que forma uma base para o espaco
gerado por estes vetores.
(b) Expresse cada vetor que nao esta na base como uma combinacao linear dos vetores
da base.
Soluc
ao:
(a) Seja A a matriz que tem v1 , v2 , v3 , v4 , v5 como vetores coluna:
1 2 0 2 5
2 5 1 1 8
A=
0 3 3 4
1
3 6 0 7 2
A base para o subespaco gerado por v1 , v2 , v3 , v4 , v5 , constituda por um subconjunto
desses vetores, coincide com a base do espaco-coluna da matriz A.
3.5 Aula 12 - Espaco Linha, Espaco Coluna e Espaco Nulo 81
Como os pivos aparecem nas primeira, segunda e quarta colunas, uma base para o
espaco coluna de R e
1 0 0
0 1 0
w1 = , w2 = e w4 =
0 0 1
0 0 0
Consequentemente, os vetores-coluna correspondentes na matriz A constitui a base
do espaco-coluna de A:
1 2 2
2 5 1
v1 = , v2 = e v4 =
3
0 4
3 6 7
.
(b) Primeiro, devemos expressar w3 e w5 como combinacao linear de w1 , w2 e w4 .
Para isso, expressaremos os vetores w3 e w5 em termos dos vetores de subscritos me-
nores, isto e:
w3 = k1 w1 +k2 w2 (3.5)
w5 = c1 w1 +c2 w2 +c3 w4 (3.6)
w3 = 2 w1 w2 (3.7)
w5 =w1 + w2 + w4 (3.8)
v3 = 2 v1 v2 (3.9)
v5 =v1 + v2 + v4 (3.10)
Espaco-linha de A
Espaco-coluna de A
Espaco-nulo de A
Espaco-nulo de AT
Demonstrac
ao:
Seja R a forma escalonada reduzida por linhas de A.
dim(espaco-linha de A)=dim(espaco-linha de R)
3.6 Aula 13 - Posto e Nulidade 83
dim(espaco-coluna de A)=dim(espaco-coluna de R)
dim(espaco-linha de R) = dim(espaco-coluna de R)
Definic
ao 3.14. Considere a matriz A. Temos as seguintes definicoes:
Soluc
ao:
Como existem duas linhas nao nulas (ou dois pivos ou dois lderes), o espaco-linha e o
espaco-coluna sao ambos bidimensionais, isto e, pos(A) = 2.
A nulidade e a dimensao do espaco-solucao de A x= 0 . Para resolver este sistema
basta reduzir a matriz aumentada `a forma escalonada por linhas. A matriz resultante
sera identica a (6.6) com uma coluna adicional com todas as entradas nulas. O sistema
de equacoes correspondente sera:
3.6 Aula 13 - Posto e Nulidade 84
x1 4x3 28x4 37x5 + 13x6 = 0
x2 2x3 12x4 16x5 + 5x6 = 0
x =r
3
(3.12)
x4 = s
x5 = t
x =u
6
Os vetores v1 , v2 , v3 , v4 e v5 formam uma base do espaco-solucao. Logo, nul(A) = 4.
Demonstrac
ao:
pos(A) = dim(espaco-linha de A) = dim(espaco-coluna de AT ) = pos(AT ).
Justificativa:
(N umero de variaveis livres)=n pos(A)+nul(A) = n.
umero de linhas nao nulas)+(N
umero de parametros na solucao geral de A x= 0 .
(b) nul(A) = n
Espaco-linha de A: dimensao r
Espaco-coluna de A: dimensao r
Espaco-nulo de A: dimensao n r
Espaco-nulo de AT : dimensao m r
Teorema 3.28. Se A x= b e um sistema linear de m equacoes em n incognitas, ent
ao
as seguintes afirmacoes sao equivalentes:
(a) A x= b e consistente
(b) b esta no espaco-coluna de A
(c) A matriz de coeficientes A e a matriz aumentada [A| b ] tem o mesmo posto.
Exemplo 3.41. Use o teorema anterior para mostrar que o sistema abaixo nao tem
solucao
x1 2x2 3x3 + 2x4 = 4
3x + 7x x + x = 3
1 2 3 4
2x1 5x2 + 4x3 3x4 = 7
3x1 + 6x2 + 9x3 6x4 = 1
Soluc
ao:
A forma escalonada por linhas da matriz aumentada e:
1 2 3 2 4 1 2 3 2 4
3 7 1 1 3 0 1 10 7 15
A= ... =R
2 5 4 3 7
0 0 0 0 1
3 6 9 6 1 0 0 0 0 0
(c) pos(A) = m.
Soluc
ao:
Como o sistema e sobredeterminado, ele nao pode ser consistente para todos os valores
de b1 , b2 , b3 , b4 e b5 . As condicoes para que o sistema seja consistente sao obtidas
aplicando a eliminacao Gaussiana.
Aplicando a eliminacao gaussiana na matriz aumentada temos:
1 2 b1 1 2 b1
1 1 b2 0 1 b2 b1
. . . 0 0 2b1 3b2 + b3
1 1 b3
0 0 3b1 4b2 + b4
1 2 b4
1 3 b5 0 0 4b1 5b2 + b5
Assim, o sistema e consistente se, e somente se, b1 , b2 , b3 , b4 e b5 satisfazerm as
condicoes:
2b 3b2 + b3 = 0
1
3b1 4b2 + b4 = 0
4b 5b + b = 0
1 2 5
3.6 Aula 13 - Posto e Nulidade 87
Definic
ao 3.16. Um sistema linear subdeterminado e aquele com mais incognitas
do que equacoes. Esse sistema possui infinitas solucoes.
Exemplo 3.44. Se A e uma matriz 5 7, entao o sistema linear A x= b e subdeter-
minado para cada matriz b de tamanho 7 1. Assim, A x= b deve ser consistente
para algum b e, para cada um destes b , a solucao geral deve ter 7 r parametros,
onde r e o posto de A.
3.6 Aula 13 - Posto e Nulidade 88
Espa
cos com Produto Interno
Definic
ao 4.1. Seja V um espaco vetorial
Dreal.
E Um produto interno e uma funcao
que associa a cada u, v V o n
umero real u, v e satisfaz os seguintes axiomas para
u, v , w V e k R:
D E D E
(a) u, v = v , u
D E D E D E
(b) u + v , w = u, w + v , w
D E D E
(c) k u, v = k u, v
D E D E
(d) v , v 0 e v , v = 0 se, e somente se, v = 0
D E
define u, v como o produto interno euclidiano do Rn .
89
4.1 Aula 14 - Produtos Internos 90
Se u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn ) sao vetores no Rn e w1 , w2 , . . . , wn s
ao
n
umeros reais positivos, chamados pesos, entao a formula
D E
u, v = u v = w1 u1 v1 + w2 u2 v2 + . . . + wn un vn
Soluc
ao:
Comprimento e Dist
ancia em Espacos com Produto Interno
Definic
ao 4.2. Seja V um espaco com produto interno.
(a) A norma ou comprimento de um vetor v V , denotado por
v
e definido por
D E 1
2
v
= v , v
(b) A distancia entre dois pontos, ou dois vetores, u e v , denotado por d( u, v ), e
definida por
d( u, v ) =
u v
Exemplo 4.4. Se u= (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn ) sao vetores de Rn com
produto interno euclidiano, entao:
p
(a)
u
= ( u u)1/2 = u21 + u22 + . . . u2n
p
(b) d( u, v ) =
u v
= (u1 v1 )2 + (u2 v2 )2 + . . . + (un vn )2
4.1 Aula 14 - Produtos Internos 91
Crculos Unit
arios e Esferas em Espaco com Produto Interno
Definic
ao 4.3. Se V e um espaco vetorial com produto interno, entao o conjunto dos
pontos de V que satisfazem
v
= 1
arios Incomuns em R2
Crculos Unit
2
Exemplo 4.5. Esboce
D oEcrculo unitario do espaco vetorial V = R com o produto
interno euclidiano u, v = u1 v1 + u2 v2 .
Soluc
ao:
2
Exemplo 4.6. Esboce
D oEcrculo unitario do espaco vetorial V = R com o produto
interno euclidiano u, v = 91 u1 v1 + 41 u2 v2 .
4.1 Aula 14 - Produtos Internos 92
Soluc
ao:
Soluc
ao:
4.1 Aula 14 - Produtos Internos 93
hp, qi = a0 b0 + a1 b1 + a2 b2
Teorema 4.1 (Propriedades de Produto Interno). Se u, v e w sao vetores em um
espaco vetorial V com produto interno e k e um escalar real, entao:
D E D E
(a) 0 , v = v , 0 = 0
D E D E D E
(b) u, v + w = u, v + v , w
D E D E
(c) k u, v = k u, v
D E D E D E
(d) u v , w = u, w v , w
D E D E D E
(e) u, v w = u, v u, w
Soluc
ao:
4.2
Aula 15 - Angulo e Ortogonalidade
Varias propriedades validas nos espacos vetoriais euclidianos sao validas tambem
para um espaco vetorial arbitrario V no qual esta definido um produto interno. Em
seguida serao listadas propriedades de norma, de distancia e de angulo entre dois vetores
que sao validas no espaco vetorial arbitrario V .
Teorema 4.2 (Propriedades de Norma). Se u e v sao vetores em um espaco com
produto interno V e k um escalar real, entao
(a)
u
0
(b)
u
= 0, se e somente se u= 0
(c)
k v
= k v
(d)
u + v
u
+
v
(Desigualdade Triangular)
Teorema 4.3 (Propriedades de Distancia). Se u, v e w sao vetores em um espaco
com produto interno V , entao
(a) d( u, v ) 0
(b) d( u, v ) = 0, se e somente se u= v
(c) d( u, v ) = d( v , u)
(d) d( u, v ) d( u, w) + d(w, v ) (Desigualdade Triangular)
ao 4.5. Sejam u e v vetores nao nulos em um espaco com produto interno V .
Definic
O angulo entre u e v e obtido atraves da seguinte relacao:
D E
u, v
e 0
cos =
u
v
DefiniaEo 4.6. Dois vetores u e v de um espaco com produto interno sao ortogonais
D c
se u, v = 0.
"# " #
1 0 0 2
Exemplo 4.9. Verifique se as matrizes U = eV = do espaco vetorial
1 1 0 0
M22 com o produto interno euclidiano hU, V i = u1 v1 +u2v2 +u3 v3 +u4 v4 sao ortogonais.
4.2 Aula 15 - Angulo e Ortogonalidade 95
Soluc
ao:
Complementos Ortogonais
(a) W e um subespaco de V .
nico vetor comum a W e a W e 0 .
(b) O u
Relac
ao Geom
etrica entre Espaco Nulo e Espaco Linha
Soluc
ao:
O espaco W gerado pelos vetores w1 , w2 , w3 e w4 e o mesmo que o espaco-linha da
matriz
2 2 1 0 1
1 1 2 3 1
A=
1 2 0 1
1
0 0 1 1 1
Como o espaco-linha de A e o espaco-nulo de A sao complementos ortogonais, uma
base para o complemento ortogonal de W sao os vetores da base do espaco-nulo de A.
Pelo Exemplo 3 da Aula 12, vimos que
1 1
1 0
v1 = 0 e v2 = 1
0 0
0 1
formam uma base para o espaco-nulo de A. Escrevendo esses vetores na notacao dos
vetores w1 , w2 , w3 e w4 , conclumos que v1 = (1, 1, 0, 0, 0) e v2 = (1, 0, 1, 0, 1) forma
uma base de W .
Como W e W sao complemento ortogonais, temos que:
4.3 Aula 16 - Bases Ortonormais e Processo de Gram-Schmidt 97
D E
w1 , v1 = 0
D E
w1 , v2 = 0
D E
w2 , v1 = 0
D E
w2 , v2 = 0
D E
w3 , v1 = 0
D E
w3 , v2 = 0
D E
w4 , v1 = 0
D E
w4 , v2 = 0
(b) Um conjunto ortogonal em que cada vetor tem norma igual a um e chamado con-
junto ortonormal.
Observacao 4.1. Se v e um vetor nao nulo de um espaco vetorial com produto interno
euclidiano, entao o vetor
1
v
v
tem norma igual a um, isto e, e um vetor unitario. Este processo e conhecido como
normalizacao de vetores.
Teorema 4.6 (Coordenadas em Relacao a Bases Ortonormais). Se S = {v1 , v2 , . . . , vn }
e uma base ortonormal de um espaco com produto interno V e u e um vetor qualquer
de V , entao
D E D E D E
u= u, v1 v1 + u, v2 v2 + . . . + u, vn vn
4.3 Aula 16 - Bases Ortonormais e Processo de Gram-Schmidt 98
D E D E D E
ao 4.2. ( u)S =
Observac u, v1 , u, v2 , . . . , u, vn e o vetor de coordenadas
de u em relacao a base S.
Exemplo 4.11. Sejam v1 = (0, 1, 0), v2 = (4/5, 0, 3/5), v3 = (3/5, 0, 4/5) R3 e S =
{v1 , v2 , v3 } uma base ortonormal de R3 . Escreva o vetor u= (1, 1, 1) como uma com-
binacao linear dos vetores de S e obtenha o vetor de coordenadas (u)S .
Soluc
ao:
Se S = {v1 , v2 , . . . , vn } e uma base ortogonal de um espaco com produto interno
V , normalizando esses vetores obtemos a base ortonormal.
v v
v
0 1
S =
,
2
, . . . ,
n
v
v
v
1 2 n
Assim, se u V , pelo Teorema 5.6, temos
* + * + * +
v v v v v v
u= u,
1
1
+ u,
2
2
+ . . . + u,
n
n
v1
v1
v2
v2
vn
vn
A formula acima expressa u como combinacao linear de vetores unitarios mutu-
amente perpendiculares.
Teorema 4.7. Se S = {v1 , v2 , . . . , vn } e um conjunto ortogonal de vetores nao-nulos
de um espaco com produto interno, entao S e linearmente independente.
ao 4.3. Se V e um espaco vetorial de dimensao n e S = {v1 , v2 , . . . , vn } e
Observac
um conjunto ortogonal, entao S e uma base ortogonal de V . Para obtermos uma base
ortonormal, basta normalizar os vetores de S.
Projec
oes Ortogonais
ao ortogonal de u em W e e
No Teorema 4.8 o vetor w1 e chamado projec
denotado por projW u. O vetor w2 e chamado componente de u ortogonal a W e
e denotada por projW u.
(a) Se {v1 , v2 , . . . , vr } e uma base ortonormal de W e u e um vetor qualquer de V ,
entao
D E D E D E
projW u= u, v1 v1 + u, v2 v2 + . . . + u, vr vr (4.1)
(b) Se {v1 , v2 , . . . , vr } e uma base ortogonal de W e u e um vetor qualquer de V , ent
ao
D E D E D E
u, v1 u, v2 u, vr
projW u=
2 v1 +
2 v2 + . . . +
2 vr (4.2)
v1
v2
vr
Exemplo 4.12. Seja R3 um espaco vetorial com produto interno euclidiano e W su-
bespaco de R3 gerado pelos vetores ortonormais v1 = (0, 1, 0) e v2 = (4/5, 0, 3/5). En-
contre a projecao ortogonal de u= (1, 1, 1) em W e o componente de u ortogonal a
W.
Soluc
ao:
Teorema 4.10. Cada espaco vetorial nao-nulo de dimensao finita possui uma base
ortonormal.
Demonstracao:
4.3 Aula 16 - Bases Ortonormais e Processo de Gram-Schmidt 101
Seja V um espaco vetorial nao-nulo de dimensao finita com produto interno eucli-
diano. Suponha que {u1 , u2 , . . . , un } e uma base de V . Vamos mostrar que V possui
um base ortogonal, pois os vetores da base ortogonal podem ser normalizados dando
origem a uma base ortonormal.
Passo 1 Seja v1 =u1 .
Passo 2 De acordo com a figura abaixo, podemos obter v2 ortogonal a v1 tomando o
componente de u2 que e ortogonal ao espaco W1 gerado por v1 .
Figura 4.2: Projecao de u2 em W1
Temos que v2 6= 0 (L.I), pois, caso contrario, u2 seria m
ultiplo de u1 .
Passo 3 Para encontrar um vetor v3 que e ortogonal a ambos v1 e v2 , calculamos
o componente de u3 que e ortogonal ao espaco W2 gerado por v1 e v2 , como
mostrado na figuara abaixo.
Figura 4.3: Projecao de u3 em W2
4.3 Aula 16 - Bases Ortonormais e Processo de Gram-Schmidt 102
D E D E
u ,
3 1v
u3 , v2
v3 =u3 projW2 u3 =u3
2 v1 2 v2 (4.4)
v1
kv 2 k
Temos que v3 6= 0, pois {u1 , u2 , . . . , un } e L.I.
Passo 4 Para encontrar um vetor v4 que e ortogonal a ambos v1 , v2 e v3 , calculamos
o componente de u4 que e ortogonal ao espaco W3 gerado por v1 , v2 e v3 . Pela a
equacao (6.7) do Teorema 04, temos:
D E D E D E
u4 , v1
u ,
4 2v
u4 , v3
v4 =u4 projW3 u4 =u4 v1
2 v2
2 v3 (4.5)
kv1 k2
v2
v3
Exemplo 4.13. Considere o espaco vetorial R3 com produto interno euclidiano. Apli-
que o processo de Gram-Schmidt para transformar os vetores de base u1 = (1, 1, 1), u2 =
(0, 1, 1), u3 = (0, 0, 1) em uma base ortogonal {v1 , v2 , v3 }; depois normalize os vetores
da base ortogonal para obter uma base ortonormal {q1 , q2 , q3 }.
Soluc
ao:
Passo 1
v1 =u1 = (1, 1, 1)
4.3 Aula 16 - Bases Ortonormais e Processo de Gram-Schmidt 103
Passo 2
D E
u2 , v1
v2 = u2 projW1 u2 =u2
2 v1
v1
2 2 1 1
= (0, 1, 1) (1, 1, 1) = ( , , )
3 3 3 3
Passo 3
v3 = u3 projW1 u3
D E D E
u3 , v1 u3 , v2
= u3
2 v1
2 v2
v1
v2
1 1/3 2 1 1
= (0, 0, 1) (1, 1, 1) ( , , )
3 2/3 3 3 3
1 1
= (0, , )
2 2
Assim,
2 1 1 1 1
v1 = (1, 1, 1), v2 = ( , , ), v3 = (0, , )
3 3 3 2 2
formam uma base ortogonal de R3 . As normas destes vetores sao:
6
1
v1
= 3,
v2
= ,
v3
=
3 2
Logo, a base ortonormal de R3 e formada pelos vetores:
v 1 1 1 v 2 1 1
q1 =
1
= ( , , ), q2 =
2
= ( , , )
3 3 3
6 6 6
v1
v2
v 1 1
q3 =
3
= (0, , )
2 2
v3
(a) A e ortogonal.
1 1
e det(A) = 2
+ 2
= 1.
Soluc
ao:
Matrizes de Coordenadas
4.4 Aula 17 - Matrizes Ortogonais e Mudanca de Base 106
Se S = {v1 , v2 , . . . , vn } e a base de um espaco vetorial V e v V , entao:
(a) v = k1 v1 + k2 v2 + . . . + kn vn .
(b) ( v )S = (k1 , k2 , . . . , kn ) e o vetor de coordenadas de de v em relacao a` base S.
k
1
k2
.. e a matriz de coordenadas de de v em relacao a` base S.
(c) [ v ]S =
.
kn
Seja V um espaco vetorial e B base de V . Se v V , entao [ v ]B e a matriz de
coordenadas de v em relacao a base B.
Se for feita uma mudanca da base B para a uma outra base B 0 , qual e a relacao
existente entre [ v ]B e [ v ]B 0 ?
Esta pergunta sera respondida para matrizes bidimensionais. A solucao para espa-
cos n-dimensionais e similar.
Sejam
B = {u1 , u2 } e B 0 = {u01 , u02 }
a c
[u01 ]B = e [u02 ]B = (4.6)
b d
isto e
u01 = a u1 +b u2 (4.7)
4.4 Aula 17 - Matrizes Ortogonais e Mudanca de Base 107
u02 = c u1 +d u2 (4.8)
Suponha que v e um vetor qualquer em V cuja matriz de coordenadas em relacao
a base B 0 e:
k1
[ v ]B 0 = (4.9)
k2
Isto e, podemos escrever v como combinacao linear dos vetores da base B 0 da
seguinte maneira:
v = k1 u01 +k2 u02 (4.10)
v = k1 u01 +k2 u02
= k1 (a u1 +b u2 ) + k2 (c u1 +d u2 )
= (k1 a + k2 c) u1 +(k1 b + k2 d) u2 (4.11)
A equacao acima expressa v como combinacao linear dos vetores da base B.
A matriz de coordenadas de v em relacao a` base B e:
k1 a + k2 c
[ v ]B = (4.12)
k1 b + k2 d
a c k a c
[ v ]B = 1 ou [
v ]B = [
v ]B 0 (4.13)
b d k2 b d
4.4 Aula 17 - Matrizes Ortogonais e Mudanca de Base 108
Logo, a matriz de coordenadas [ v ]B e obtida multiplicando a matriz de coorde-
nadas [ v ]B 0 a` esquerda pela matriz
a c
P =
b d
Exemplo 4.17. Sejam B = {u1 , u2 } e B 0 = {u01 , u02 } bases de R2 , onde
u1 = (1, 0), u2 = (0, 1), u01 = (1, 1), u02 = (2, 1)
Soluc
ao:
4.4 Aula 17 - Matrizes Ortogonais e Mudanca de Base 109
Exemplo 4.18. Sejam B = {u1 , u2 } e B 0 = {u01 , u02 } bases de R2 , onde
u1 = (1, 0), u2 = (0, 1), u01 = (1, 1), u02 = (2, 1)
Soluc
ao:
(a) P e invertvel.
Aplicac
ao `
a Rotac
ao de Eixos no Espaco Bidimensional
4.4 Aula 17 - Matrizes Ortogonais e Mudanca de Base 110
0 0
Sejam u1 e u2 vetores unitarios ao longo dos eixos positivos x e y e u1 e u2 ao longo
dos eixos positivos x0 e y 0 .
Podemos considerar esta rotacao como uma mudanca da base B = {u1 , u2 } para a
0 0
base B = {u1 , u2 }. Assim, as coordenadas (x, y) e (x0 , y 0 ) se relacionam da seguinte
0
maneira:
x x0
=P (4.14)
y y0
e
x0 x
= P 1 (4.15)
y0 y
h i
A matriz P e dada por P = [u01 ]B [u02 ]B . Pelo grafico acima, temos que:
cos sen
P =
sen cos
que e equivalente a
x0 = xcos + ysen
y 0 = xsen + ycos
y0 12 1
2
y
Se Q tem coordenadas (x, y) = (2, 1), apos a rotacao as novas coordenadas de Q sao
1 3
(x0 , y 0 ) = ( , )
2 2
Seja W e o espaco coluna de A gerado pelos vetores-coluna c1 , c2 , . . . , cn .
Se o sistema A x= b e consistente, entao existem x1 , x2 , . . . , xn , tais que c1 x1 + c2
x 2 + . . . + cn x n = b e b W .
Se A x= b e inconsistente, entao c1 x1 + c2 x2 + . . . + cn xn 6= b , isto e, b
/ W.
Queremos encontrar um vetor x tal que A x e o vetor em W mais proximo de
b , isto e
A x= projW b
Dentre todos os vetores w de W , temos que
u projW u
<
u w
.
4.5 Aula 18 - Mnimos Quadrados 113
projW u e a melhor aproximacao de u por vetores de W .
Note que b A x= b projW b e ortogonal a W .
Como W e o espaco-coluna de A, segue que b A x esta no espaco-nulo de AT
(O espaco-coluna e o espaco nulo de AT sao complementos ortogonais).
Desse modo, uma solucao de mnimos quadrados de A x= b deve satisfazer
AT ( b A x) = 0
ou equivalentemente
AT A x= AT b (4.16)
A equacao (6.6) fornece a solucao por mnimos quadrados para o sistema A x= b e
e chamada sistema normal associado a A x= b .
Observac ao 4.5. Se A e uma matriz n n, entao o sistema A x= b tem soluc ao
u
nica se os vetores-coluna de A sao linearmente independentes. Neste caso, a matriz
AT A e invertvel e x= (AT A)1 AT b .
Exemplo 4.19. Encontre a solucao de mnimos quadrados do sistema linear A x= b
dado por
x 1 x2 = 4
3x1 + 2x2 = 1
2x1 + 4x2 = 3
Solucao:
Do sistema dado, temos
1 1 4
A= 3 2 e b = 1
2 4 3
A solucao de mnimos quadrados satisfaz o sistema normal AT A x= AT b .
1 1
1 3 2 14 3
AT A = 2 =
3
1 2 4 3 21
2 4
4.5 Aula 18 - Mnimos Quadrados 114
4
1 3 2
1
AT b = 1 =
1 2 4 10
3
Substituindo AT A e AT b em AT A x= AT b , temos:
14 3 x1 1
=
3 21 x2 10
17 143
x1 = e x2 =
95 285
A projecao ortogonal de b no espaco coluna de A e:
1 1 92/285
17/95
A x= 3 =
2 439/285
143/285
2 4 94/57
Exemplo 4.20. Encontre a projecao ortogonal do vetor u= (3, 3, 8, 9) no subespaco
de R4 gerado pelos vetores
u1 = (3, 1, 0, 1), u2 = (1, 2, 1, 1), u3 = (1, 0, 2, 1).
Solucao:
1a maneira: Se os vetores u1 , u2 , u3 sao ortonormais (se nao for, aplicar Gram-Schmidt),
entao D E D E D E
u, u1
u, u2
u, u3
projW u= 2 u1 + 2 u2 + 2 u3
ku1 k ku2 k ku3 k
onde
ui
= 1
solucao de mnimos quadrados e a solucao do sistema AT A x= AT b . Apos
encontrar a solucao x, a projecao ortogonal sera projW u= A u.
3 1 1 3
3 1 0 1
3
1 2 0 T
A= ,A =
1 2 1 1 e b=
0 1 2 8
1 0 2 1
1 1 1 9
3 1 1
3 1 0 1 11 6 4
1 2 0
T
A A = 1 2 1 1 = 6 7 0
0
1 2
1 0 2 1 4 0 6
1 1 1
3
3 1 0 1 3
3
AT b = 1 2 1 1 = 8
8
1 0 2 1 10
9
11 6 4 x1 3
T T
A A x= A b 6 7 0 x2 = 8
4 0 6 x3 10
11 6 4 3 1 0 0 1
6 7 0 8 . . . 0 1 0 2
4 0 6 10 0 0 1 1
x 1
1
x= x2 = 2
x3 1
4.5 Aula 18 - Mnimos Quadrados 116
Logo,
3 1 1 2
1
1 2 0 3
projW u= A x=
2 = .
0 1 2 4
1
1 1 1 0
Levando para a notacao dos vetores dados,
projW u= (2, 3, 4, 0).
Aplicac
ao: Ajuste de Retas pelos Mnimos Quadrados
Suponha que sejam dados n pontos (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ), onde pelo menos
dois dos xi sao distintos. Estamos interessados em encontrar a reta de mnimos qua-
drados
y = b1 x + b0 (4.17)
y i = b 1 x i + b0 (4.18)
Se
x 1 y
1 1
b1 x2 1 y
x= , A = e b = 2 ,
.. ..
b0 . .
xn 1 yn
A x= b (4.20)
O sistema linear acima e inconsistente, pois nem todos os pontos pertencem a` equacao
da reta de equacao y = b1 x + b0 .
Utilizando
o metodo de mnimos quadrados, podemos encontrar uma solucao
b1
x= para o sistema A x= b que ira definir a reta que melhor se ajusta aos
b0
pontos dados.
A solucao por mnimos quadrados e x= (AT A)1 AT b .
A solucao e obtida resolvendo o sistema AT A x= AT b .
(Etapa 1) Faca
x1 1 y
1
b1 x2 1 y2
x= ,A = .
e b = ..
b0 . .
.
xn 1 yn
(Etapa 2) Resolva o sistema normal At A x= AT b
(a) Encontre uma equacao para a reta que melhor se ajusta aos dados.
Solucao:
(a) Temos
4, 5 3 1
5, 5 4 1
5, 7 5 1
6, 6 6 1
7, 0 7 1 b
b= ,A = e
x= 1
7, 7 8 1 b0
8, 5 9 1
8, 7 10 1
9, 5 11 1
9, 7 12 1
4.5 Aula 18 - Mnimos Quadrados 119
Entao,
645 75 598, 6
AT A = e AT b =
75 10 73, 4
Resolvendo o sistema normal At A x= AT b , isto e
645 75 b 598, 6
1 =
75 10 b0 73, 4
temos
b1 0, 583
x= =
b0 2, 967
Portanto, a equacao para a reta de mnimos quadrados e
y = 0, 583x + 2, 967
y = 0, 583x + 2, 967
obtemos y = 20, 457. Isto e, havia 20, 457 gramas de beta presentes em um litro de
XXX.
Exerccios:
4.5 Aula 18 - Mnimos Quadrados 120
(1) Encontre a solucao de mnimos quadrados do sistema linear A x= b e obtenha a
projecao ortogonal de b no espaco-coluna de A.
1 1 7
(a) A = 1 1 e b = 0
1 2 7
2 2 2
(b) A = 1 1 e b = 1
3 1 1
11/2 46/21
o: (a) x1 = 5, x2 = 21 ; 9/2. (b) x1 = 3/7, x2 = 2/3; 5/21
Soluca
4 13/21
Captulo 5
Autovalores e Autovetores
Em geral, nao ha relacao entre x e A x, porem, existem casos especiais em que
A x e m
ultiplo de x.
121
5.1 Aula 19 - Autovalores e Autovetores 122
A x= x
A x= I x
A x A x= I x A x
0 = (I A) x
(I A) x= 0 (5.2)
Para ser um autovalor da equacao (6.6) e necessario que exista uma solucao
nao nula para essa equacao, isto e, que exista um vetor x nao nulo satisfazendo
a equacao.
Portanto, para que seja autovalor da matriz A a matriz (I A) nao pode ser
invertvel. Isto e equivalente a termos:
det(I A) = 0 (5.3)
4 17 8
Soluca
o: Resultado auxiliar: Todas as solucoes inteiras (se houver) de uma equacao
polinomial
n + c1n1 + . . . + cn = 0
a11 a12 a13 a14
0 a
22 a23 a24
Exemplo 5.3. Encontre os autovalores da matriz triangular superior A = .
0 0 a33 a34
0 0 0 a44
Soluca
o:
5.1 Aula 19 - Autovalores e Autovetores 124
5 8 41
Soluca
o:
Os autovalores sao = 12 , = 2
3
e = 14 .
Autovalores Complexos
Para uma matriz A com entradas reais e possvel que a equacao caracterstica
det(I A) = 0 tenha solucoes complexas. Por exemplo, se
2 1
A=
5 2
entao:
det(I A) = 0
+2 1
det =0
5 2
2 + 1 = 0
= i, = i
Os autovetores de A associados a um autovalor sao os vetores nao-nulos x que
satisfazem A x= x.
0 0 2
Exemplo 5.5. Encontre bases para os auto-espacos de A = 1 2 1 .
1 0 3
Observacao: As bases para os auto-espacos sao formadas pelos autovetores associados
aos autovalores.
Soluca
o:
Pot
encias de uma Matriz
A2 x= A(A x) = A( x) = (A x) = (x) = 2 x
Assim, 2 e um autovalor de A2 associado ao autovetor x.
1 0 3
1 = 2 e 2 = 1.
5.1 Aula 19 - Autovalores e Autovetores 126
1
Teorema 5.3. Uma matriz quadrada A e invertvel se, e somente se, = 0 nao e um
autovalor de A.
Demonstrac
ao:
n + c1 n1 + . . . + cn = 0
Temos que
det(I A) = n + c1 n1 + . . . + cn
(1)n det(A) = cn
Segue da u
ltima equacao que det(A) = 0 se, e somente se cn = 0. Logo, A e
invertvel, se e somente se, cn 6= 0.
0 0 2
Exemplo 5.7. Do Exemplo 05, podemos concluir que a matriz A = 1 2 1 e
1 0 3
invertvel, pois os autovalores 1 = 2 e 2 = 1 sao todos diferentes de zero.
5.2 Aula 20 - Diagonalizacao 127
O Problema da Diagonalizac
ao: Dada uma matriz A de tamanho n n,
existe uma matriz invertvel P tal que P 1 AP e uma matriz diagonal?
Definicao 5.2. Uma matriz quadrada A e dita diagonalizavel se existir uma matriz
1
invertvel P tal que P AP e uma matriz diagonal. Neste caso, dizemos que a matriz
P diagonaliza A.
Teorema 5.4. Se A e uma matriz nn, entao sao equivalentes as seguintes afirmacoes:
(a) A e diagonalizavel.
Demonstracao:
(a) (b)
Suponha que A e diagonalizavel. Entao, por definicao, existe uma matriz invertvel
p p . . . p1n
11 12
p21 p22 . . . p2n
P =
.. .. ..
. . .
pn1 pn2 . . . pnn
5.2 Aula 20 - Diagonalizacao 128
A p1 = 1 p1 , A p2 = 2 p2 , . . . , A pn = n pn (5.6)
Como P e invertvel, seus vetores-coluna sao todos nao nulos, isto e p1 6= 0 , p2 6= 0
, . . . , pn 6= 0 . Logo, das igualdades da equacao (5.6) conclumos que 1 , 2 , . . . , n sao
autovalores de A e que p1 , p2 , . . . , pn sao os autovetores associados. Como P e invertvel,
segue que p1 , p2 , . . . , pn sao linearmente independentes. Assim, A tem n autovetores
5.2 Aula 20 - Diagonalizacao 129
linearmente independentes.
(b) (a)
Suponha que A tem n autovetores linearmente independentes p1 , p2 , . . . , pn com auto-
valores associados 1 , 2 , . . . , n , isto e
A p1 = 1 p1 , A p2 = 2 p2 , . . . , A pn = n pn (5.7)
e seja
p p . . . p1n
11 12
p21 p22 . . . p2n
P =
.. .. ..
. . .
pn1 pn2 . . . pnn
a matriz cujos vetores-coluna sao p1 , p2 , . . . , pn .
Os vetores-coluna do produto AP sao A p1 , A p2 , . . . , A pn , de modo que
h i
AP = A p1 A p2 . . . A pn (5.8)
h i
AP = 1 p1 A p2 = 2 p2 ... A pn
h i
= 1 p1 A p2 = 2 p2 . . . A pn
p 2 p12 . . . n p1n
1 11
1 p21 2 p22 . . . n p2n
=
.. .. ..
. . .
1 pn1 2 pn2 . . . n pnn
p11 p12 . . . p1n 1 0 . . . 0
p21 p22 . . . p2n 0 2 . . . 0
= .
.. .. ..
.. ..
.. . . . . .
pn1 pn2 . . . pnn 0 0 . . . n
= PD (5.9)
5.2 Aula 20 - Diagonalizacao 130
Passo 1: Encontre n autovetores linearmente independentes de A, digamos p1
, p2 , . . . , pn .
Passo 2: Forme a matriz P com os vetores-coluna p1 , p2 , . . . , pn .
1 0 3
Soluc
ao:
5.2 Aula 20 - Diagonalizacao 131
1 1 0
2 0 0
0 1 0.
0 0 2
3 5 2
Soluc
ao:
Teorema 5.5. Se v1 , v2 , . . . , vk sao autovetores de A associados a autovalores distintos
1 , 2 , . . . , k , entao {v1 , v2 , . . . , vk } e um conjunto linearmente independente.
5.2 Aula 20 - Diagonalizacao 132
4 17 8
Soluc
ao:
Como A e uma matriz triangular, os autovalores de A sao as entradas da diagonal
principal. Como todas as entradas sao distintas, A possui quatro autovalores distintos.
Logo, pelo Teorema 5.6, conclumos que A e diagonalizavel.
Observac
ao 5.3. Se 0 e um autovalor de uma matriz A de tamanho n n,
entao a dimensao do auto-espaco associado a 0 e chamada multiplicidade
geom etrica de 0 .
(b) A e diagonalizavel se, e somente se, para cada autovalor, a multiplicidade geome-
trica e igual `a multiplicidade algebrica.
Calculando as Pot
encias de uma Matriz
(P 1 AP )2 = P 1 AP P 1 AP = P 1 AIAP = P 1 A2 P
(P 1 AP )k = P 1 Ak P
Ak = P Dk P 1
d1 0 . . . 0 dk1 0 . . . 0
k
D = . . . e D =
. . .
k
0 0 . . . dn 0 0 . . . dn
0 0 2
Exemplo 5.12. Calcule A13 onde A = 1 2 1 .
1 0 3
5.3 Aula 21 - Diagonalizacao Ortogonal 134
(b) Uma matriz A e diagonalizavel se existir uma matriz invertvel P tal que P 1 AP =
D, onde D e uma matriz diagonal.
Diagonalizac
ao Ortogonal
Dada uma matriz A de tamanho n n se existir uma matriz ortogonal P tal que
P 1 AP = D, isto e, P T AP = D, onde D e uma matriz diagonal, entao dizemos que A
e ortogonalmente diagonaliz
avel e que P diagonaliza A ortogonalmente.
Problem
atica:
Respostas `
as perguntas anteriores:
P T AP = D (5.10)
A = P DP T (5.12)
AT = (P DP T )T = (P T )T DT P T = P DP T = A (5.13)
Conclus
ao: Para A ser ortogonalmente diagonalizavel a matriz A tem que ser
simetrica, isto e
A = AT
Teorema 5.8. Se A e uma matriz nn, entao as seguintes afirmacoes sao equivalentes:
(c) A e simetrica.
2 2 4
Soluc
ao:
A equacao caracterstica de A e:
4 2 2
det(I A) = 0 det 2 4 2 = 0
2 2 4
( 2)2 ( 8) = 0 (5.14)
forma uma base para o auto-espaco. Aplicando o processo de Gram-Schimidt a {u3 }
obtemos os seguintes vetores ortonormais:
1/ 3
v3 = 1/ 3
1/ 3
Usando os vetores v1 , v2 e v3 como vetores-coluna, obtemos:
1/ 2 1/ 6 1/ 3
P = 1/ 2 1/ 6 1/ 3
0 2/ 6 1/ 3
Transforma
coes Lineares
Observac
ao 6.1. No caso especial em que V = W , a transformacao linear e chamada
um operador linear de V .
T (x1 , x2 ) = (2x1 , 0, x1 + x2 ).
Soluc
ao:
Dados u, v R2 , onde u= (u1 , u2 ) e v = (v1 , v2 ), para que T seja transformacao linear,
devemos mostrar que:
138
6.1 Aula 22 - Transformacoes Lineares 139
(a) T ( u + v ) = T ( u) + T ( v )
T ( u + v ) = T (u1 + v1 , u2 + v2 )
(b) T (k u) = kT ( u)
T (k u) = T (2ku1 , 0, ku1 + ku2 )
= k(2u1 , 0, u1 + u2 )
= kT ( u)
T (x + y) = (x + y)2
= x2 + 2xy + y 2
= (x2 ) + (y 2 ) + 2xy
T (x) + T (y) = x2 + y 2
Das equacoes (6.7) e (6.6), temos que T ( u + v ) 6= T ( u) + T ( v ). Como a
alternativa (a) da definicao nao e satisfeita, a funcao T nao e transformacao
6.1 Aula 22 - Transformacoes Lineares 140
linear.
Exemplo 6.3. A aplicacao F : V W definida por F ( u) = 0 , para todo vetor u V
e chamada transforma cao nula. Mostre que F e uma transformacao linear.
ao: Exerccio
Soluc
Exemplo 6.4. A aplicacao I : V V definida por I( u) = u e chamada operador
identidade de V . Mostre que I e uma transformacao linear.
ao: Exerccio
Soluc
Exemplo 6.5. A funcao T : V V definida por T ( v ) = k v e um operador linear de
V chamado homotetia de raz ao k.
(b) T ( v ) = T ( v ), para qualquer v V
(c) T ( u v ) = T ( u) T ( v ), para quaisquer u, v V
(b) Se T ( 0 ) 6= 0 , entao T nao e linear. Por exemplo, T : R3 R2 , definida por
T (x, y, z) = (x + 1, y, z) nao e linear, pois T ( 0 ) 6= 0 .
(c) Mas T ( 0 ) = 0 nao e suficiente para garantir que T seja transformacao linear. Por
exemplo, T : R R definida por T (x) = x2 nao e linear e T ( 0 ) = 0 .
ao 6.2. Se T : Rn Rm e uma transformacao linear e e1 , e2 , . . . , en sao os
Definic
vetores da base canonica de Rn , entao a matriz
h i
A = T (e1 ) T (e2 ) . . . T (en ) ,
cujas colunas sao as imagens dos vetores da base canonica e chamada matriz can
o-
nica de T .
Soluc
ao:
T (1, 0, 0, 0) = (2, 4, 5)
T (0, 1, 0, 0) = (3, 1, 1)
T (0, 0, 1, 0) = (1, 2, 4)
6.1 Aula 22 - Transformacoes Lineares 142
T (0, 0, 0, 1) = (5, 1, 0)
Os vetores encontrados acima sao as colunas da matriz A de tamanho 3 4 associada
a` transformacao linear T , isto e:
2 3 1 5
A = 4 1 2 1 .
5 1 4 0
oes Lineares de Rn Rm
Transformac
Teorema 6.2. Se T : Rn Rm e uma transformacao linear e B = {e1 , e2 , . . . , en } e
a base canonica de Rn , entao para todo x Rn , temos que
T ( x) = A x,
onde A e uma matriz m n cuja j-esima coluna e o vetor T (ej ).
Demonstrac
ao:
x
1
x2
Seja B = {e1 , e2 , . . . , en } a base canonica de Rn . Para x Rn , se x=
.. , entao:
.
xn
x= x1 e1 +x2 e2 + . . . xn en . (6.2)
T ( x) = T (x1 e1 +x2 e2 + . . . xn en )
T ( x) = x1 T (e1 ) + x2 T (e2 ) + . . . + xn T (en )
x
1
h i x2
T ( x) = T (e1 ) T (e2 ) . . . T (en ) ..
.
xn
T ( x) = A x
h i
onde A = T (e1 ) T (e2 ) . . . T (en ) .
6.1 Aula 22 - Transformacoes Lineares 143
onde A e uma matriz m n cuja j-esima coluna e o vetor T (ej ). A matriz A e
chamada matriz can onica da transformacao linear T (definida na Definicao 6.2) e
a transformacao T e chamada multiplicacao por A e denotada por TA .
5 1 4 0
(Esta transformacao tambem pode ser chamada de multiplicacao por A). Encontre a
transformacao linear TA .
Soluc
ao:
Como T ( x) = A x, temos que:
x x1
1 2 3 1 5
x2 x2
=
T 4 1 2 1
x3 x3
5 1 4 0
x4 x4
2x1 3x2 + x3 5x4
= 4x1 + x2 2x3 + x4 .
5x1 x2 + 4x3 + 0x4
Soluc
ao:
Como {(1, 0), (0, 1)} e uma base de R2 , dado um vetor arbitrario v = (x, y) em R2 ,
temos que
v = x(1, 0) + y(0, 1) (6.3)
T ( v ) = T (x(1, 0) + y(0, 1)) (6.4)
Como T e uma transformacao linear, pela definicao temos que T ( u + v ) = T ( u
) + T ( v ) e T (k v ) = kT ( v ). Logo, da equacao (6.6), temos:
T ( v ) = T (x(1, 0) + y(0, 1))
= xT (1, 0) + yT (0, 1)
= x(2, 1, 0) + y(0, 0, 1)
= (2x, x, y)
Soluc
ao:
Como {(1, 1), (0, 2)} e uma base de R2 , dado um vetor arbitrario v = (x, y) em R2 ,
escrevendo este vetor como combinacao linear dos vetores da base, temos:
xy xy
v = x(1, 1) + (0, 2) (x, y) = x(1, 1) + (0, 2) (6.5)
2 2
6.1 Aula 22 - Transformacoes Lineares 145
xy
T (x, y) = T (x(1, 1) + (0, 2))
2
xy
= xT (1, 1) + T (0, 2)
2
xy
= x(3, 2, 1) + (0, 1, 0)
2
5x y
= (3x, , x)
2
Definicao 6.3. Se T1 : U V e T2 : V W sao transformacoes lineares, ent
ao
a composi ao ou a composta de T2 com T1 , denotada por T2 T1 e a func
c ao
(T2 T1 ) : U V , definida por
(T2 T1 )( u) = T2 (T1 ( u))
onde u e um vetor em U .
(a) T1 T2 .
(a) T2 T1 .
Soluc
ao:
T T
(a) R2 2 R3 1 R3
(b) Nao e possvel definir T2 T1 pois a imagem de T1 nao esta contida no domnio de
T2 .
6.2 Aula 23 - N
ucleo e Imagem 146
Soluc
ao:
6.2 Aula 23 - N
ucleo e Imagem
ao 6.4. Seja T : V W uma transformacao linear. A imagem de T e o
Definic
conjunto dos vetores w W tais que existe um vetor v V que satisfaz T ( v ) =w. Ou
seja Im(T ) = {w W |T ( v ) =w para algum v V }
Observac
ao :
Im(T ) e um subconjunto de W .
Observac
ao :
N uc(T ) e um subconjunto de V .
(b) O espaco-coluna de A consiste de todos os vetores w W para os quais existe pelo
menos um vetor x V tal que A x=w. Assim, a imagem de T e o espaco-coluna
de A.
Soluc
ao:
T : R3 R3 e definida por T (x, y, z) = (x, 2y, 0). Considerando os vetores da base
canonica i = (1, 0, 0), j = (0, 1, 0) e k = (0, 0, 1), temos:
T (1, 0, 0) = (1, 0, 0)
T (0, 1, 0) = (0, 2, 0)
T (0, 0, 1) = (0, 0, 0)
(a) Como o n
ucleo de T coincide com o espaco-nulo de A, isto e, com o espaco-solucao
de A x= 0 , escalonando
a matriz
aumentada equivalente a esse sistema homoge-
1 0 0 0 1 0 0 0
neo, temos: 0 2 0 0 0 1 0 0. Resolvendo o sistema equivalente `a
0 0 0 0 0 0 0 0
matriz escalonada, teremos como solucao (x, y, z) = t(0, 0, 1). Logo, a base do
ucleo de T e {(0, 0, 1)}.
n
(a) O n
ucleo de T e um subespaco de V .
ou
dim(Im(T )) + dim(N uc(T )) = dim(V )
Soluc
ao:
Reduzindo a matriz A atraves da eliminacao gaussiana, obtemos:
1 2 0 4 5 3
0 1 2 12 16 5
.
0 0 0 0 0 0
0 0 0 0 0 0
Como a forma escalonada tem duas linhas nao nulas temos que pos(T )=2 e nul(T ) =
6 2 = 4.
Exerccios: Lista 6.1
(a) A e invertvel.
(b) A imagem de T e Rn .
(c) T e injetora.
Justificativa:
Levando as equivalencias das afirmacoes abaixo para o contexto da transformacao linear
T : Rn Rn , temos que:
(a) A e invertvel.
(b) A x=w e consistente para cada vetor w de tamanho n 1.
6.3 Aula 24 - Transformacoes Lineares Inversas 150
(c) A x=w tem exatamente uma solucao para cada vetor w de tamanho n 1 .
implicam em:
(a) A e invertvel.
(b) Para cada vetor w Rn existe um vetor x Rn tal que T ( x) =w, isto e, a imagem
de T e todo Rn .
(c) Para cada vetor w da imagem de T , existe exatamente um vetor x Rn tal que
T ( x) =w, isto e, T e injetora.
1 0 8
Determine se T e injetora.
Soluc
ao:
Calculando o determinante de A obtemos:
det(A) = 1.
Demonstrac
ao:
() Mostraremos que se N uc(T ) = { 0 }, entao T e injetora. Sejam u, v V , tais que
T ( u) = T ( v ). Somando T ( v ) em ambos os membros da igualdade anterior, e
usando as propriedades de transformacao linear, temos que:
T ( u) = T ( v ) T ( u) T ( v ) = 0
T (u v ) = 0 .
ucleo, u v N uc(T ). Como no n
Logo, pela definicao de n ucleo so tem o vetor
nulo, conclumos que u v = 0 , isto e, u= v .
() Mostraremos que se T e injetora, entao N uc(T ) = { 0 }. Suponha, por contradicao
que existe v N uc(T ), isto e, T ( v ) = 0 . Como T ( 0 ) = 0 , segue que T ( v ) = T ( 0
). Como T e injetora, segue da definicao que v = 0 . Isto e, N uc(T ) = { 0 }.
Verifique se T e injetora.
Soluc
ao:
Reduzindo a matriz A atraves da eliminacao gaussiana, obtemos:
1 2 0 4 5 3
0 1 2 12 16 5
.
0 0 0 0 0 0
0 0 0 0 0 0
Como a forma escalonada tem duas linhas nao nulas, temos que:
6.3 Aula 24 - Transformacoes Lineares Inversas 152
pos(T ) = pos(A) = 2.
Demonstrac
ao:
() Por outro lado, se T e sobrejetora, entao dim(Im(T )) = dim(W ). Como dim(Im(T ))+
dim(N uc(T )) = dim(V ) e dim(V ) = dim(W ), segue que dim(N uc(T )) = dim(V )
dim(W ) = 0. Logo, T e injetora.
Soluc
ao:
(a) Para mostrar que T e injetor vamos mostrar que a matriz canonica de T e invertvel.
Considere a base canonica de R3 : {e1 = (1, 0, 0), e2 = (0, 1, 0), e2 = (0, 0, 1)}.
T (e1 ) = T (1, 0, 0) = (3, 2, 5)
T (e2 ) = T (0, 1, 0) = (1, 4, 4)
T (e3 ) = T (0, 0, 1) = (0, 3, 2)
6.3 Aula 24 - Transformacoes Lineares Inversas 153
3 1 0
h i
Matriz canonica de T : A = T (e1 ) T (e2 ) T (e3 ) = 2 4 3 .
5 4 2
(b)
x1 x
1
A transformacao inversa e dada por T 1 x2 = A1 x2 .
x3 x3
4 2 3
1
Temos que A = 11 6 9 .
12 7 10
Logo,
x1 42 3 x1 4x1 2x2 3x3
T 1 x2 = 11 6 = 11x1 + 6x2 + 9x3 .
9 x
2
x3 12 7 10 x3 12x1 + 7x2 + 10x3
Podemos expressar o resultado acima da seguinte maneira:
T 1 (x1 , x2 , x3 ) = (4x1 2x2 3x3 , 11x1 + 6x2 + 9x3 , 12x1 + 7x2 + 10x3 ).
(a) T2 T1 e injetora.
ao:
Demonstrac
Considere T ( v ) na imagem de T . Como {v1 , v2 , . . . , vn } e uma base de V , para v V
existem escalares k1 , k2 , . . . , kn , tais que
v = k1 v1 +k2 v2 + . . . + kn vn .
T ( v ) = k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn )
isto e, o vetor T ( v ) Im(T ) e escrito como combinacao linear de {T (v1 ), T (v2
), . . . , T (vn )}. Logo, {T (v1 ), T (v2 ), . . . , T (vn )} gera a imagem de T .
Teorema 6.12. Se T : V W e uma transformacao linear injetora e {v1 , v2 , . . . , vn }
e uma base de V , entao {T (v1 ), T (v2 ), . . . , T (vn )} e linearmente independente.
Suponha que k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn ) = 0 , assim T (k1 v1 +k2 v2 + . . . +
kn vn ) = 0 . Como T e injetora, N uc(T ) = { 0 }, isto e, o u
nico vetor que tem imagem
nula e o vetor 0 . Logo, T (k1 v1 +k2 v2 + . . . + kn vn ) = 0 k1 v1 +k2 v2 + . . . +
kn vn = 0 k1 = k2 = . . . = kn = 0, pois {v1 , v2 , . . . , vn } e liarmente independente.
T 1 (w) = c1 T 1 (T (v1 )) + c2 T 1 (T (v2 )) + . . . + cn T 1 (T (vn ))
w= (w1 , w2 , . . . , wn ) = c1 T (v1 ) + c2 T (v2 ) + . . . + cn T (vn )
Soluc
ao:
6.4 Aula 25 - Matrizes de Transformacoes Lineares 155
temos que
{T (1, 0, 0), T (0, 1, 0), T (0, 0, 1)} = {(1, 0, 1), (2, 0, 1), (0, 1, 0)}
Queremos calcular T 1 (x, y, z). Para isso, escrevendo (x, y, z) em relacao a` base
{(1, 0, 1), (2, 0, 1), (0, 1, 0)}, obtemos:
x + 2z zx
(x, y, z) = (1, 0, 1) + (2, 0, 1) + y(0, 1, 0).
3 3
x + 2z 1 z x 1
T 1 (x, y, z) = T (1, 0, 1) + T (2, 0, 1) + yT 1 (0, 1, 0)
3 3
x + 2z zx
= (1, 0, 0) + (0, 1, 0) + y(0, 0, 1)
3 3
x + 2z z x
= , ,y .
3 3
Demonstrac
ao:
Sejam T : V W uma transformacao linear e B = {v1 , v2 , . . . , vn } e B 0 = {w1 , w2
, . . . , wm } bases de V e W , respectivamente. Para x V , temos:
x= k1 v1 +k2 v2 + . . . + kn vn (6.6)
Como T (v1 ), T (v2 ), . . . , T (vn ) W , escrevendo esses vetores como combinacao li-
near da base B 0 , temos as seguintes equacoes:
T (v1 ) = a11 w1 +a21 w2 + . . . + am1 wm
T (v2 ) = a12 w1 +a22 w2 + . . . + am2 wm
..
.
T (vn ) = a1n w1 +a2n w2 + . . . + amn wm
T ( x) = T (k1 v1 +k2 v2 + . . . + kn vn )
= k1 T (v1 ) + k2 T (v2 ) + . . . + kn T (vn )
= k1 (a11 w1 +a21 w2 + . . . + am1 wm )
+ k2 (a12 w1 +a22 w2 + . . . + am2 wm ) + . . .
+ kn (a1n w1 +a2n w2 + . . . + amn wm )
= (k1 a11 + k2 a12 + . . . + kn a1n ) w1 + . . .
+ (k1 am1 + k2 am2 + . . . + kn amn ) wm
Da equacao anterior, o vetor de coordenadas de T ( x) em relacao a` base B 0 e:
k a + k2 a12 + . . . + kn a1n
1 11
k1 a21 + k2 a22 + . . . + kn a2n
[T ( x)]B 0 =
..
.
k1 am1 + k2 am2 + . . . + kn amn
a11 a12 . . . a1n k
1
a21 a22 . . . a2n k2
= .
..
.. .
am1 am2 . . . amn kn
= A[ x]B
Logo, [T ( x)]B 0 = A[ x]B , como queramos mostrar.
Utilizaremos a notacao [T ]B 0 ,B para representar a matriz A do teorema anterior,
isto e:
a11 a12 . . . a1n
a21 a22 . . . a2n
[T ]B 0 ,B = .
..
. (6.7)
.. .
am1 am2 . . . amn
6.4 Aula 25 - Matrizes de Transformacoes Lineares 158
ao 6.8. Se T : V W e uma transformacao linear e B = {v1 , v2 , . . . , vn } e
Definic
B 0 = {w1 , w2 , . . . , wm } bases de V e W , respectivamente, entao a matriz de T em
relac
ao `as bases B e B 0 e definida por
h i
[T ]B 0 ,B = [T (v1 )]B 0 [T (v2 )]B 0 . . . [T (vn )]B 0 ,
cujas colunas sao os vetores de coordenadas de T (v1 ), T (v2 ), . . . , T (vn ) em relacao `
a
0
base B .
Encontre a matriz da transformacao T em relacao `as bases B = {u1 , u2 } de R2 e
B 0 = {v1 , v2 , v3 } de R3 , onde
" # " # 1 1 0
3 5
u1 = , u2 = , v1 = 0 , v2 = 2 , v3 = 1 .
1 2
1 2 2
T (p(x)) = xp(x).
B = {u1 , u2 }, B 0 = {v1 , v2 , v3 }
onde
u1 = 1, u2 = x, v1 = 1, v2 = x, v3 = x2 .
e seja B = {u1 , u2 } a base de R2 , onde
" # " #
1 1
u1 = , u2 = .
1 2
(a) Encontre [T ]B .
(b) Mostre que para cada vetor x R2 a formula [T ( x)]B = [T ]B [ x]B e valida.
Exemplo 6.21. Sejam T : P2 P2 o operador definido por
Em seguida, listaremos dois resultados equivalentes aos que ja foram vistos para
T : Rn Rm .
Teorema 6.14. Se T1 : V W e T2 : W U sao transformacoes lineares e se B, B 0
00
e B sao bases de V , W e U , respectivamente, entao a composta de T1 com T2 tambem
e uma transformacao linear e
T T
V
|{z} 1 W
|{z} 2 U
|{z}
base B base B 0 base B 00
Teorema 6.15. Se T : V V e um operador linear e se B e uma base de V , ent
ao
as seguintes afirmacoes sao equivalentes:
(a) T e injetor.
(b) [T ]B e invertvel.
Problema: Escolher uma base para V que torne a matriz de T a mais simples
possvel, por exemplo, uma matriz diagonal.
Solucao:
Se B = {u1 , u2 , . . . , un } e B 0 = {u01 , u02 , . . . , u0n } sao bases de um espaco vetorial V ,
entao a matriz de transicao de B 0 para B e dada por
P = [u01 ]B [u02 ]B ... [u0n ]B
e para v V , temos
[ v ]B = P [ v ]B 0 .
A matriz de transicao de uma base B 0 para uma base B pode ser vista como a
matriz de um operador identidade I : V V definido por I( v ) = v .
Demonstracao:
Sejam B = {u1 , u2 , . . . , un } e B 0 = {u01 , u02 , . . . , u0n } duas bases de V . A matriz de
transicao de B 0 para B e dada por:
h i
P = [u01 ]B [u02 ]B . . . [u0n ]B (6.8)
Por outro lado, a matriz do operador I : V V , definido por I( v ) = v e dada por:
h i
[I]B,B 0 = 0 0 0
[I(u1 )]B [I(u2 )]B . . . [I(un )]B
h i
= [u01 ]B [u02 ]B . . . [u0n ]B (6.9)
Problema
Para responder a` pergunta acima, vamos rever como e definida a matriz de uma
transformacao composta.
6.5 Aula 26 - Semelhanca 162
00
Se T1 : V W e T2 : W U sao transformacoes lineares onde B, B 0 e B sao
bases de V, W e U , respectivamente, entao:
T T
V
|{z} 1 W
|{z} 2 U
|{z}
base B base B0 base B 00
I T I
V
|{z} V
|{z} V
|{z} V
|{z}
base B0 base B base B base B 0
ou
[T ]B 0 = [I T I]B 0 = [I]B 0 ,B [T ]B [I]B,B 0
[T ]B 0 = [I]B 0 ,B [T ]B [I]B,B 0
ou
[T ]B 0 = P 1 [T ]B P
Encontre a matriz de T em relacao `a base canonica B = {e1 , e2 } de R2 e a utilize para
encontrar a matriz de T em relacao `a base B 0 = {u01 , u02 }, onde
" # " #
1 0 1
u01 = , u2 = .
1 2
Solucao:
[T ]B 0 = [I]B 0 ,B [T ]B [I]B,B 0 .
1 1 0
= a1 + a2 a1 = 1, a2 = 1
1 0 1
1 1 0
= b1 + b2 b1 = 1, b2 = 2
2 0 1
1 1
Logo, [I]B,B 0 = .
1 2
Logo,
[T ]B 0 = [I]B 0 ,B [T ]B [I]B,B 0
2 1 1 1 1 1
=
1 1 2 4 1 2
4 2 1 1
=
3 3 1 2
2 0
= .
0 3
Observac
ao 6.8. Se A e B sao matrizes semelhantes, entao elas tem o mesmo deter-
minante. De fato, para B = P 1 AP , temos que:
det(B) = det(P 1 AP )
= det(P 1 )det(A)det(P )
1
= det(A)det(P )
det(P )
= det(A).
(a) Um escalar e um autovalor de T : V V se existir um vetor nao nulo x V
tal que T ( x) = x. O vetor x e chamado autovetor de T associado ao autovalor
.
(b) Os autovetores de T associados a sao os vetores nao-nulos x que satisfazem
(I T ) x= 0 . Isto e, sao os vetores no n
ucleo de I T . Este n
ucleo e chamado
auto-espaco de T associado a .
Observac
ao 6.9. Se V e um espaco vetorial de dimensao finita e B e uma base de V ,
entao:
(b) Um vetor x e um autovetor de T associado ao autovalor se, e somente se, a
matriz de coordenadas [ x]B e um autovetor da matriz [T ]B associado a .
Soluc
ao:
Seja B = {1, x, x2 } a base canonica de P2 . Vamos encontrar matriz de T em relacao a`
base B.
0
T (1) = T (1 + 0x + 0x2 ) = 1.x + 1.x2 [T (1)]B = 1 .
1
0
T (x) = T (0 + 1.x + 0x2 ) = 2.x [T (x)]B = 2 .
0
2
T (x2 ) = T (0 + 0x + 1.x2 ) = 2 + 1.x + 3x2 [T (x2 )]B = 1 .
3
6.5 Aula 26 - Semelhanca 166
As matrizes u1 , u2 , u3 sao as matrizes de coordenadas relativas a` base B dos seguin-
tes polinomios:
p1 = 1 + x2 , p2 = x, p3 = 2 + x + x2 .
Assim:
O auto-espaco de T associado a = 2 tem a base {p1 , p2 } = {1 + x2 , x}.
O auto-espaco de T associado a = 1 tem a base {p3 } = {2 + x + x2 }.
x3 x1 + 3x3
Soluc
ao:
Seja B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} base de R3 .
[T ]B ) = 0
det(I
0 2
det 1 2 1 =0
1 0 3
( 2)( 3) + 2( 2) = 0
6.5 Aula 26 - Semelhanca 168
( 2)(2 3 + 2) = 0 ( 2)2 ( 1) = 0.
Para = 2
2 0 2 x 0
1
(I [T ]B ) x= 0 1 0 1 x2 = 0.
1 0 1 x3 0
x 1 0
1
Resolvendo esse sistema, encontraremos x2 = r 0 + t 1.
x3 1 0
1 0
0 0
Logo, [u1 ]B = 0 , [u2 ]B = 1.
1 0
Para = 1:
1 0 2 x 0
1
(I [T ]) x= 0 1 1 1 x2 = 0.
1 0 2 x3 0
x 2
1
Resolvendo esse sistema, temos x2 = t 1 .
x3 1
6.5 Aula 26 - Semelhanca 169
2
0
Logo, [u3 ]B = 1 .
1
Como B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, temos:
0
u3 = 2(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1) = (2, 1, 1)
0 0 0 0
Portanto, a base de autovetores que diagonalizam a matriz de T e B = {u1 , u2 , u3 },
onde
1 0 2
0 0 0
u1 = 0 , u2 = 1 , u3 = 1
1 0 1
1 0 2
Fazendo P = 0 1 1 , temos:
1 0 1
1
1 0 2 0 0 2 1 0 2
P 1 [T ]B P = 0 1 1 1 2 1 0 1 1 .
1 0 1 1 0 3 1 0 1
0 0 0 0
Como [T ]B 0 = P 1 [T ]B P , a matriz de T em relacao a` base B = {u1 , u2 , u3 } e:
2 0 0
[T ]B 0 = 0 2 0 .
0 0 1
Exerccios: Lista 6.2
Refer
encias Bibliogr
aficas
[1] H. Anton, C. Rorres. Algebra Linear com Aplicacoes. 8a ed. Porto Alegre: Book-
man, 2001.
170