1

Licenciatura em Matemática Transmissão: 29/10/07 (segunda-feira)

Álgebra Linear II

Vh - Abertura Tempo: 18:10 / 18:15 (5’)

Aula 13.1 P1/ Dário Tempo: 18:15 / 19:20 (1h05’)

1.

Unidade 05: Produto interno, operadores lineares e auto-adjuntos.

Tema 12: Operadores lineares especiais.
Objetivo: Estudar os principais teoremas necessários, para introdução do tema sobre
operadores especiais: Ortogonais e auto-adjunto.

2. Arte
Operadores lineares especiais
Introdução
Veremos como o produto interno nos permite associar a cada transformação linear
A : E → F uma nova transformação A* : F → E , chamada a adjunta de A .

3. Arte
Teorema
Sejam V um espaço vetorial real com produto interno
, e α = {u1 ,..., un } uma base ortonormal de V . Então, se v e w são vetores de V
com coordenadas
⎡ x1 ⎤ ⎡ y1 ⎤
[v ]α = ⎢⎢M ⎥⎥ e [ w]α = ⎢⎢M ⎥⎥ , temos v, w = x1 y1 + x2 y2 + ... + xn yn
⎢⎣ xn ⎥⎦ ⎢⎣ yn ⎥⎦

4. Arte
Observação
Para efetuar o produto interno de dois vetores basta somar o produto das coordenadas
correspondentes.

5. Arte
Demonstração
v = x1u1 + x2u2 + ... + xn un
e w = y1u1 + y2u2 + ... + yn un
u , w = x1u1 + ... + xnun , y1u1 + ... + ynun
= x1u1 + ... + xnun , y1u1 + x1u1 + ... + xnun , y2u2 +
+... + x1u1 + ... + xn un , ynun
n
x1u1 + ... + xnun , y1u1 = x1 y1 u1 , u1 + L + xn y1 un , u1 = ∑ xi y1 ui , u1
i =1
n
x1u1 + ... + xn un , y2u2 = x1 y2 u1 , u2 + L + xn y2 un , u2 = ∑ xi y2 ui , u2
i =1

M
n
x1u1 + ... + xn un , ynun = x1 yn u1 , un + L + xn yn un , un = ∑ xi yn ui , un
i =1
n n n
u , w = ∑ xi y1 ui , u1 + ∑ xi y2 ui , u2 + ... + ∑ x1 yn ui , un
i =1 i =1 i =1

Álgebra Linear II Aula 13.1 Dário

 2

n n
= ∑∑ xi y j ui , u j
j =1 i =1

⎧0 se i = j
Mas como ui , u j = ⎨ , os únicos termos não nulos são aqueles onde i = j .
⎩1 se i ≠ j
u , w = x1 y1 + x2 y2 + ... + xn yn

6. Arte
Definição
Seja A uma matriz n × n real e A sua transposta.
t

Se A = A dizemos que
t
A é uma matriz simétrica.

7. Arte
Exemplos
⎛1 0⎞ ⎛2 5⎞
A=⎜ ⎟ B=⎜ ⎟
⎝0 1⎠ ⎝ 5 2⎠

⎛ −1 7 5 ⎞
⎜ ⎟
C =⎜ 7 3 −4 ⎟
⎜ 5 −4 2 ⎟⎠
⎝

8. Arte
Definição
Seja A uma matriz n × n real e A sua transposta.
t

Se A ⋅ A = A ⋅ A = I (ou seja, a inversa de A é A ), dizemos que A é uma matriz

t t t

ortogonal.

9. Arte
Observação
As matrizes ortogonais determinam um subconjunto das matrizes inversíveis.

M : matrizes
MI : matrizes inversíveis
MO : matrizes ortogonais
MS : matrizes simétricas

10. Arte
Aplicação
⎡ cos θ − sen θ ⎤
Verifique se a matriz ⎢
cos θ ⎥⎦
, é ortogonal.
⎣sen θ
11. Arte
Solução
⎡ cos θ − sen θ ⎤ ⎡ cos θ sen θ ⎤
⎢sen θ cos θ ⎥⎦ ⎢ − sen θ cos θ ⎥ =
⎣ ⎣ ⎦

Álgebra Linear II Aula 13.1 Dário

 3

⎡ cos 2 θ + sen 2 θ cos θ sen θ − sen θ cos θ⎤

=⎢ ⎥
⎣sen θ cos θ − cos θ sen θ sen 2 θ + cos 2 θ ⎦
⎡1 0 ⎤
=⎢ ⎥
⎣0 1 ⎦
12. Arte
Aplicação
⎡ cos θ − sen θ 0⎤
⎢
Mostre que a matriz sen θ cos θ 0 ⎥⎥ é ortogonal.
⎢
⎢⎣ 0 0 1 ⎥⎦

13. Arte
Solução
⎡ cos θ − sen θ 0 ⎤ ⎡ cos θ sen θ 0 ⎤
⎢sen θ cos θ 0 ⎥ ⎢ − sen θ cos θ 0 ⎥ =
⎢ ⎥⎢ ⎥
⎢⎣ 0 0 1 ⎥⎦ ⎢⎣ 0 0 1 ⎥⎦
⎡ cos 2 θ + sen 2 θ cos θ sen θ − sen θ cos θ 0⎤
⎢ ⎥
= ⎢sen θ cos θ − cos θ sen θ sen 2 θ + cos 2 θ 0⎥
⎢ 0 0 1 ⎥⎦
⎣
⎡1 0 0 ⎤
= ⎢⎢0 1 0 ⎥⎥
⎢⎣0 0 1 ⎥⎦

14. Arte
Teorema
Seja A uma matriz ortogonal. Então det A = ±1

15. Arte
Demonstração
A é ortogonal
A ⋅ At = I
det ( A ⋅ At ) = det I
det ( A ) ⋅ ( det At ) = 1
det ( A ) = det ( At ) .

(
Assim det ( A ) )
2
=1

( det ( A) )
2
=± 1
det ( A ) = ±1

16. Arte
Teorema
Uma matriz é ortogonal se, e somente se, as colunas (ou as linhas) são vetores
ortonormais.

Álgebra Linear II Aula 13.1 Dário

 4

17. Arte
Demonstração
→Se uma matriz é ortogonal então suas colunas (linhas) são vetores ortonormais.
⎡ a11 a1 2 K a1 n ⎤
⎢a a2 2 K a2 n ⎥⎥
A=⎢
21

⎢ M M M ⎥
⎢ ⎥
⎢⎣ an 1 an 2 K an n ⎥⎦

Na primeira parte da prova queremos mostrar que se A é ortogonal isto implica que
⎡ a11 ⎤ ⎡ a1 n ⎤
⎢ ⎥ ⎢ ⎥
⎢M ⎥ ,..., ⎢M ⎥ são ortonormais (o mesmo vale para as linhas).
⎢ an 1 ⎥ ⎢ an n ⎥
⎣ ⎦ ⎣ ⎦

Produto de A pela sua transposta.

⎡ a11 K an1 ⎤ ⎡ a11 K a1 n ⎤
⎢ ⎥⎢ ⎥
A ⋅A=⎢ M
t
M ⎥⎢ M M ⎥=
⎢ a1n K an n ⎥ ⎢ a n1 K an n ⎥
⎣ ⎦⎣ ⎦
⎡ a 11 + K + a n1
2 2
K a11a1n + K + an1ann ⎤
⎢ ⎥
=⎢ M M ⎥
⎢ a 1n a11 + K + ann an1 K a 2
+ K + a 2 ⎥
⎣ 1n nn ⎦

⎡1 0 L 0⎤
⎢0 1 L 0 ⎥⎥
=⎢
⎢M M L M⎥
⎢ ⎥
⎣0 0 L 1⎦
At A = I .

18. Arte
Demonstração
Observamos que a11 + ... + an 1 = 1 .
2 2

⎡ a11 ⎤
⎢ ⎥
Mais isto quer dizer que ⎢M ⎥ é unitário.
⎢ an 1 ⎥
⎣ ⎦
Da mesma forma, percorrendo a diagonal principal, vemos que cada vetor-coluna da matriz
A é unitário.

19. Arte
Demonstração
O que encontramos saindo desta diagonal?
O elemento na posição i, j ( i ≠ j ) é a1i a1 j + ... + ani anj e seu valor deve ser zero.

Álgebra Linear II Aula 13.1 Dário

 5

⎡ a1 j ⎤ ⎡ a1 j ⎤
⎢ ⎥ ⎢ ⎥
Produto interno ⎢M ⎥ por ⎢M ⎥ é nulo, ou seja, vetores-coluna são dois a dois ortogonais
⎢ ani ⎥ ⎢ anj ⎥
⎣ ⎦ ⎣ ⎦
quando i ≠ j .

20. Arte
Demonstração
← Se as colunas (linhas) de uma matriz são vetores ortonormais então a matriz é
ortogonal.
⎡ a11 ⎤ ⎡ a1 n ⎤
⎢ ⎥ ⎢ ⎥
v1 = ⎢M ⎥ ,..., vn = ⎢M ⎥ n vetores ortonormais.
⎢ an 1 ⎥ ⎢ an n ⎥
⎣ ⎦ ⎣ ⎦
A a matriz cujas colunas são os vetores v1 ,K , vn :
⎡ a11 a1 2 K a1 n ⎤
⎢a a2 2 K a2 n ⎥⎥
A = [ v1 ,K , vn ] = ⎢
21

⎢ M M M ⎥
⎢ ⎥
⎢⎣ an 1 an 2 K an n ⎥⎦

⎡ a11 K an1 ⎤ ⎡ a11 K a1 n ⎤

⎢ ⎥⎢ ⎥
A ⋅A=⎢ M
t
M ⎥⎢ M M ⎥=
⎢ a1n K an n ⎥ ⎢ a n1 K an n ⎥
⎣ ⎦⎣ ⎦
⎡ a 11 + K + a n1
2 2
K a11a1n + K + an1ann ⎤
⎢ ⎥
=⎢ M M ⎥
⎢ a1n a11 + K + ann an1 K a 2
+ K + a 2 ⎥
⎣ 1n nn ⎦

⎡ v1 , v1 K v1 , vn ⎤
⎢ ⎥
A ⋅A=⎢ M
t
M ⎥
⎢⎣ vn , v1 K vn , vn ⎥⎦
⎧0 se i = j
vi , v j = ⎨
⎩1 se i ≠ j
⎡1 0 L 0 ⎤
⎢0 1 L 0 ⎥
A ⋅A=⎢
t ⎥
⎢M M L M ⎥
⎢ ⎥
⎣0 0 L 1 ⎦
21. Arte
Aplicação
Seja V = R
2
e α = {(1, 0 ) , ( 0,1)} e β = {( cos θ , − sen θ ) , ( sen θ ⋅ cos θ )} bases
ortonormais. Mostre que a matriz mudança de base é uma matriz ortogonal.
22. Arte
Solução
α = {(1, 0 ) , ( 0,1)}

Álgebra Linear II Aula 13.1 Dário

 6

β = {( cos θ , − sen θ ) , ( sen θ , cos θ )}

[ I ]β .
α

Como β é uma base ortonormal, podemos encontrar as coordenadas dos elementos da

base α em relação a β por meio dos coeficientes de Fourier.

(1, 0 ) ; ( cos θ , − sen θ )

(1, 0 ) = ( cos θ , − sen θ ) +
( cos θ , − sen θ ) ; ( cos θ , − sen θ )
(1, 0 ) ; ( sen θ , cos θ )
+ ( sen θ , cos θ ) =
( sen θ , cos θ ) ; ( sen θ , cos θ )
(1, 0 ) = cosθ (cosθ , − sen θ ) + sen θ (sen θ ,cosθ )
( 0,1) = − sen θ ( cos θ , − sen θ ) + cos θ ( sen θ , cos θ )
⎡cos θ − sen θ ⎤
[ I ]β
α
=⎢
⎣sen θ cos θ ⎥⎦
Matriz é ortogonal.

23. Arte
Teorema
Se V é um espaço vetorial com produto interno e αe β são bases ortonormais de V ,

[ ]β
α
então a matriz de mudança de base I é uma matriz ortogonal.

24. Arte
Demonstração
α = {v1 ,..., vn } e β = {w1 ,..., wn }
⎡ a11 L a1 n ⎤
⎢ ⎥
[ I ]β
α
=⎢ M M ⎥
⎢ an 1 L an n ⎥
⎣ ⎦

Como β é base, existem números aij tais que

v1 = a11w1 + L + an1wn
M M
vn = a1n w1 + L + ann wn

vi é unitário, 1 = vi , vi .
β é ortonormal e assim podemos encontrar vi , vi multiplicando as coordenadas. (Veja
Teorema 1)

1 = ait2 + ... + ani2 .

[ ]β
α
Casa vetor-coluna de I é unitário.

[ I ]β
α
Mostraremos agora que estes vetores são ortogonais e portanto é ortogonal.

Álgebra Linear II Aula 13.1 Dário

 7

(Teorema 3)

25. Arte
Demonstração
⎡ a1i ⎤
vi e v j são ortogonais quando i ≠ j , 0 = vi , v j = a1i a1 j + ... + ani anj , ou seja, ⎢⎢M ⎥⎥ e
⎢⎣ ani ⎥⎦
⎡ a1 j ⎤
⎢ ⎥
⎢M ⎥ são ortogonais sempre que i ≠ j .
⎢ anj ⎥
⎣ ⎦

[ ]β
α
A afirmação de que I é ortogonal é verdadeira. Observamos, então, que nesta situação

[ I ]α ([ I ]α ) ([ I ]α ) ( ) ([ I ]α ) = [ I ]β
β −1
= [ I ]α
β β t β t β t α
= I , ou seja, , e ainda mais

Álgebra Linear II Aula 13.1 Dário