Beruflich Dokumente
Kultur Dokumente
Diamantina
2013
UNIVERSIDADE FEDERAL DOS VALES DO JEQUITINHONHA E MUCURI
INSTITUTO DE CIÊNCIA E TECNOLOGIA
Orientador:
Leonardo Gomes
Diamantina
2013
TEOREMA ESPECTRAL PARA OPERADORES AUTO-ADJUNTOS
Orientador:
Leonardo Gomes
APROVADO em 11 / 04 / 2013
_______________________________
Profª Mscª Mônica Valadão – UFVJM
_______________________________
Prof. Dr. Anderson Porto - UFVJM
_______________________________
Prof Dr. Leonardo Gomes – UFVJM
AGRADECIMENTOS
O objetivo deste trabalho é demonstrar, de maneira mais fácil do que os tradicionais li-
vros que tratam do assunto, um caminho detalhado para a construção do Teorema Es-
pectral para Operadores Auto-Adjuntos. A teoria dos operadores lineares constitui-se um
capítulo importante da Análise Funcional, e o Teorema Espectral é um dos resultados
fundamentais dessa teoria. Nesse trabalho tratamos de resultados realtivos ao corpo dos
números reais, fazendo algumas observações no caso do corpo dos números complexos.
The objective of this work is to demonstrate, more easily than traditional books dealing
with the subject, a detailed path to build the Spectral Theorem for Self-Adjoint Operators.
The theory of linear operators constitutes an important chapter in Functional Analysis
and the Spectral Theorem is one of the fundamental results of this theory. In this work we
deal with the results realtivos field of real numbers, field with some observations on the
complex field case.
1 INTRODUÇÃO 7
2 REVISÃO DE LITERATURA 8
2.1 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Propriedades do Produto Interno . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Norma de um Vetor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Espaços Complexos com Produto Interno . . . . . . . . . . . . . . . . . 17
2.5 Conjunto Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6 Processo de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7 Complemento Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.8 Adjunta de um Operador Linear . . . . . . . . . . . . . . . . . . . . . . 22
2.9 Matriz da Adjunta em Relação a uma Base Ortonormal . . . . . . . . . . 29
2.10 Operadores Auto-adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.11 Matrizes de Operadores Auto-adjuntos . . . . . . . . . . . . . . . . . . . 30
3 METODOLOGIA 33
4 RESULTADOS E DISCUSSÕES 34
4.1 Teorema Espectral para Operadores Auto-adjuntos . . . . . . . . . . . . 34
5 CONCLUSÃO 42
REFERÊNCIAS 43
1 INTRODUÇÃO
7
2 REVISÃO DE LITERATURA
Definição 2.1. Seja V um espaço vetorial sobre R. Dizemos que a aplicação h., .i : V ×
V → R que associa dois vetores u, v ∈ V a um único número hu, vi real, é um produto
interno sobre V , se satisfaz as seguintes condições:
i) Distributividade: hu + w, vi = hu, vi + hw, vi, para todos u, v, w ∈ V ;
ii) hΛu, vi = Λhu, vi, para todos u, v ∈ V e todo Λ ∈ R;
iii) Comutatividade: hu, vi = hv, ui, para todos u, v ∈ V ;
iv) Positividade: hv, vi ≥ 0 para todo v ∈ V ;
v) hv, vi = 0 se, e somente se, v = 0.
Quando munimos o espaço vetorial V de um produto interno h., .i, dizemos que
V é um espaço vetorial com produto interno h., .i.
Exemplo 2.1. Seja V = R2 o espaço vetorial com a adição de vetores e multiplicação por
escalar usuais, ou seja, (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ) e Λ(x1 , x2 ) = (Λx1 , Λx2 ),
para todo λ ∈ R. Defina h., .i : R2 × R2 → R por h(x1 , x2 ), (y1 , y2 )i = x1 y1 + x2 y2 .
Afirmamos que h., .i é um produto interno sobre R2 . Com efeito, sejam u = (x1 , x2 ),
v = (y1 , y2 ), w = (z1 , z2 ) ∈ R2 e Λ ∈ R. Então:
i)
8
ii)
iii)
iv)
v)
hv, vi = 0
⇔ y1 y1 + y2 y2 = 0
⇔ y1 , y2 = 0
⇔ v = (y1 , y2 ) = (0, 0) = 0.
9
Em particular,
e
h(1, 0), (0, 1)i = 1 · 0 + 0 · 1 = 0.
e
λ(x1 , x2 , ..., xn ) = (λx1 , λx2 , ..., λxn ),
10
Seguindo os passos do Exemplo 2.1 é possível provar que h., .i é um produto
interno sobre Rn (chamado produto interno canônico de Rn ). Em particular,
Exemplo 2.4. Seja V = C([a, b]) o espaço vetorial das funções reais contínuas em [a, b]
com as operações de adição de funções e multiplicação por escalar usuais, ou seja,
ii)
Z b
hλf, hi = (λf )(t)h(t)dt
a
Z b
= λf (t)h(t)dt
a
Z b
= λ f (t)h(t)dt
a
= λhf, hi;
iii)
Z b
hf, hi = f (t)h(t)dt
a
Z b
= h(t)f (t)dt
a
= hh, f i;
11
iv)
Z b
hf, f i = f (t)f (t)dt
a
Z b
= f (t)2 dt ≥ 0;
a
Rb
v) hf, f i = 0 se, somente se, a f (t)2 dt = 0. Mas isto implica que f (t) = 0, para todo
t ∈ [a, b]. Logo, f ≡ 0. Aqui utilizamos o seguinte resultado para integrais: se ϕ é
Rb
uma função contínua com ϕ(t) ≥ 0, para todo t ∈ [a, b] e a ϕ(t)dt = 0, então ϕ ≡ 0
(função identicamente nula). Embora esse resultado pareça razoável, sua prova envolve
ferramentas matemáticas mais complexas e, para tanto, recomendamos a um leitor mais
interessado a referência Lima (2009, cap. 9)
Exemplo 2.5. Seja V = R2 o espaço vetorial com adição de vetores e multiplicação por
escalar usuais. Defina h., .i : R2 × R2 → R por h(x1 , x2 ), (y1 , y2 )i = −2x1 y1 + x2 y2 .
Afirmamos que h., .i não é um produto interno sobre R2 . Com efeito, para v = (1, 0) ∈
R2 , temos que hv, vi = h(1, 0), (1, 0)i := (−2)1 · 1 + 0 · 0 = −2 < 0, e isto contradiz o
item iv) da Definição 2.1.
Exemplo 2.6 (Espaço das matrizes). Seja M = Mn×m o espaço vetorial de todas as
matrizes reais do tipo n x m. Um produto interno é definido em M por:
onde tr(A) é o traço da matriz A, isto é, a soma dos seus elementos diagonais. Se A =
[aij ] e B = [bij ], então
m X
X n m X
X n
t
hA, Bi = tr(B A) = aij bij e hA, Ai = a2ij .
i=1 j=1 i=1 j=1
Exemplo 2.7 (Espaço de Hilbert). Seja V o espaço vetorial de todas as sequências infinitas
de números reais (a1 , a2 , a3 , ...) satisfazendo
∞
X
a2i = a21 + a22 + ... < ∞,
i=1
isto é, a soma converge. A adição e a multiplicação por escalar são definidas em V componente
a componente, isto é, se
12
então
u + v = (a1 + b1 , a2 + b2 , ...) e ku = (ka1 + ka2 + ...).
hu, vi = a1 b1 + a2 b2 + ....
A soma acima converge absolutamente para qualquer par de pontos de V , como será
demonstrado no Exemplo 2.19. Desta forma, o produto interno está bem definido. Este
espaço, com produto interno é chamado de espaço-l2 ou espaço de Hilbert. O espaço de
Hilbert é uma espaço que tem propriedades características e pode ser utilizado para vários
objetivos como pode ser visto em Barata (2013, cap. 36).
Exemplo 2.8. Seja A um matriz real simétrica, isto é, At = A. Então, A é dita definida
positiva se, para todo vetor não nulo u ∈ Rn ,
onde h., .i é o produto interno canônico de Rn Existem algoritimos que nos per-
mitem decidir se uma matriz A é definida positiva ou não. Contudo, para matrizes 2x2,
temos um critério simples que está mostrado no teorema abaixo.
" #
a b
Teorema 2.1. A matriz 2x2 real e simétrica A = é definida positiva se e só se
b d
seus elementos diagonais a e d são positivos e seu determinante |A| = ad − bc = ad − b2
é positivo.
A demonstração pode ser vista em Lipschutz (2008, p. 254).
Exemplo 2.9. Considere as matrizes simétricas dadas abaixo:
" # " # " #
1 3 1 −2 1 −2
A= , B= , C= .
3 4 −2 −3 −2 5
Então A não é definida positiva uma vez que |A| = −5 é negativo. B não é definida
positiva uma vez que um de seus elementos na diagonal -3 é negativo. Contudo, C é
definida positiva, uma vez que seus elementos diagonais são 1 e 5 que são positivos e seu
determinante |C| = 1 também é positivo.
Teorema 2.2. Seja A uma matriz real definida positiva. Então a função hu, viA = ut Av é
um produto interno em Rn .
A demonstração pode ser vista em Lipschutz (2008, p. 254).
Exemplo 2.10 (Representação matricial de um produto interno). O teorema anterior nos
diz que toda matriz real definida positiva determina um produto interno em Rn . Esta
13
seção pode ser vista com sendo um demonstração da recíproca deste resultado. Seja V um
espaço com produto interno real com base S = {u1 , u2 , ..., un }. A matriz
Exemplo 2.11. Os vetores u1 = (1, 1, 0), u2 = (1, 2, 3), u3 = (1, 3, 5) formam uma base
S do espaço euclidiano R3 . Calcule a matriz A que representa o produto interno de R3 na
base S.
Em primeiro lugar, calcule hui , uj i obtendo
4 22 35
Teorema 2.3. Seja A a representação matricial de um produto interno em relação à base
S de V. Então, para quaisquer vetores u, v ∈ V , temos
onde [u] e [v] são o vetor coluna das coordenadas em relação à base S.
u = a1 w1 + a2 w2 + ... + an wn e v = b1 w1 + b2 w2 + ... + bn wn .
Então n X
n
X
hu, vi = ai bj hwi , wj i.
i=1 j=1
14
b1
n n n n X n
b2
X X X X
=[ ai ki1 , ai ki2 , ..., ai kin ] .. = ai bj kij .
.
i=1 i=1 i=1 j=1 i=1
bn
Teorema 2.4. Seja A a matriz que representa um produto interno de V. Então A é uma
matriz definida positiva.
Definição 2.2 (Norma). Seja V um espaço vetorial. Uma aplicação ||.|| : V → R que
satisfaz as três condições
i)||v|| ≥ 0, para todo v ∈ V e ||v|| = 0 se, e somente se, v = 0;
ii)||λv|| = |λ|||v||, para todo v ∈ V e todo λ ∈ R;
iii)(Desigualdade Triangular)||u + v|| ≤ ||u|| + ||v||, para todos u, v ∈ V ,
é chamada norma sobre V. Quando munimos um espaço vetorial V de uma norma, dizemos
que V é um espaço normado.
Proposição 2.2 (Norma sobre um Espaço Euclidiano). Seja V um espaço vetorial com
p
produto interno h., .i. Então a aplicação ||.|| : V → R, definida por ||v|| := hv, vi,
é uma norma sobre V. Neste caso, dizemos que a norma ||.|| provém do produto interno
h., .i.
15
iii)Vamos provar a desigualdade triangular. Note que
||u + v||2 = hu + v, u + vi
= hu, ui + 2hu, vi + hv, vi
≤ ||u||2 + 2|hu, vi| + ||v||2
≤ ||u||2 + 2||u||||v|| + ||v||2
≤ (||u|| + ||v||)2 ,
onde na última desigualdade usamos o Teorema 2.5. Logo, pelo item i),||u + v|| ≤
||u|| + ||v||, para todo u, v ∈ V .
Exemplo 2.12 (Norma sobre R2 ). Seja V = R2 conforme o Exemplo 2.1. Assim, ||.|| :
p p
R2 → R, dada por ||(x, y)|| = h(x, y), (x, y)i = x2 + y 2 é uma norma.
Exemplo 2.13 (Norma sobre Rn ). Seja V = Rn conforme o Exemplo 2.2. Assim ||.|| :
Rn → R, definida por
p q
||(x1 , x2 , ..., xn )|| = h(x1 , x2 , ..., xn ), (x1 , x2 , ..., xn )i = (x21 + x22 + ... + x2n ).
é uma norma
Exemplo 2.14 (Norma de funções contínuas). Seja V = C([a, b]) conforme o Exemplo
p Rb 1
2.3. Logo ||.|| : C([a, b]) → R, dada por ||f || = hf, f i = ( a f (t)2 dt) 2 , é uma norma.
Exemplo 2.15 (Não-Norma). Seja V = R2 . Defina ||.|| : R2 → R por ||(x, y)|| = x2 +y 4 .
Então ||.|| não é uma norma. Basta observar que ||2(1, 0)|| = ||(2, 0)|| = 22 + 02 = 4
e, por outro lado,|2|||(1, 0)|| = 2||(1, 0)|| = 2(12 + 02 ) = 2, de forma que ||2(1, 0)|| =
6
|2|||(1, 0)||. Isto contradiz o item ii) da Definição 2.2.
Definição 2.3 (Vetor Unitário). Seja V um espaço vetorial normado. Dizemos que um
vetor v ∈ V é unitário se ||v|| = 1.
Podemos transformar qualquer vetor não-nulo v ∈ V em um vetor unitário se
v
||v|| = 1. Basta escolher u = ||v|| . Para verificar a veracidade deste fato, basta utilizar
v 1 1
o item ii) da Definição 2.2 e obter ||u|| = ||v|| = ||v|| ||v|| = ||v|| ||v|| = 1. Em
particular, temos os seguintes exemplos:
√ √ √
Exemplo 2.16. Desde que ||(1, 0)|| = 12 + 02 = 1 e ||(1, 1)|| = 12 + 12 = 2,
temos que (1,0) é um vetor unitário e (1,1) não. Para transformar
(1,1) em vetor unitário,
(1,1) (1,1)
basta realizar o seguinte processo ||(1,1)|| = √2 = √12 , √12 .
Exemplo 2.17. Considere V = C([0, 1]), f (t) = 1 e g(t) = t, t ∈ [0, 1]. Assim
Z 1 21 Z 1 12
2
||f || = [f (t)] dt = 1dt = 1,
0 0
16
e
Z 1 12 Z 1 12
1
||g|| = [g(t)]2 dt = t2 dt =√ .
0 0 3
Segue que f é um vetor unitário e g não. Usando a observação acima, obtemos o vetor
g
√
unitário ||g|| = √1t = t 3.
3
Logo, ||u||2 − 2xhu, vi + x2 ||v||2 ≥ 0. Note que o gráfico de f é um parábola, a qual está
acima do eixo das abscissas (o vértice desta parábola pode tocar tal eixo). Portanto, impo-
mos que 4 = 4hu, vi2 − 4||u||2 ||v||2 ≤ 0 (discriminante). Ou seja, hu, vi2 ≤ ||u||2 ||v||2 .
√
Por fim, |hu, vi| ≤ ||u||||v|| (aqui usamos a2 = |a|). O teorema está provado.
Exemplo 2.18. Seja V = C([1, 0]) com produto interno canônico. Podemos mostrar
R1 R1 R1
que ( 0 f (t)g(t)dt)2 ≤ ( 0 [f (t)]2 dt)( 0 [g(t)]2 dt). Com efeito, pela desigualdade de
Cauchy-Schwarz, temos que |hf, gi| ≤ ||f || · ||g||, para todo f, g ∈ V . Com isso,
|hf, gi2 | ≤ ||f ||2 ||g||2 . Usando as definições de h., .i e ||.||, encontramos o resultado
desejado.
Exemplo 2.19. Se (a1 , a2 , ...) e (b1 , b2 , ...) são quaisquer par de vetores em um espaço
de Hilbert, a soma ∞
P
i=1 ai bi = a1 b1 + a2 b2 + ... converge absolutamente. Para ver isto,
segundo o Teorema 2.5 (desigualdade de Cauchy-Schwarz),
v v v v
u n u n u∞ u∞
uX uX 2
u X uX
|a1 b1 | + ... + |an bn | ≤ t ai 2 t bi ≤ t 2
ai t bi 2 ,
i=1 i=1 i=1 i=1
vale para todo n. Assim o somatório Sn = |a1 b1 | + |a2 b2 | + ... converge. Podemos ver
então que a soma infinita converge absolutamente, para maiores informações sobre séries
convergentes veja Elon (1999, cap. 4). Isto mostra o afirmado no Exemplo 2.7.
Esta parte do trabalho considera espaços vetoriais sobre o corpo de C dos com-
plexos. Em primeiro lugar, lembramos de alguma propriedades dos números complexos,
17
especialmente as relações entre um número complexo z = a + bi, onde a, b ∈ R, e seu
conjugado complexo z = a − bi;
√
zz = a2 + b2 , |z| = a2 + b 2 , z1 + z2 = z1 + z2 , z1 z2 = z2 z1 , z = z.
Definição 2.4. Seja V um espaço vetorial sobre C. Suponha que a cada par de vetores
u, v ∈ V associamos um número complexo, denotado por hu, vi. Esta função é chamada
produto interno (complexo) sobre V se satisfaz as propriedades abaixo:
i)(Propriedade linear) hau1 + bu2 , vi = ahu1 , vi + bhu2 , vi;
ii)(Propriedade conjugado simétrico)hu, vi = hv, ui;
iii)(Propriedade definida positiva) hu, ui ≥ 0; e hu, ui = 0 se e só se u = 0.
Xn n
X n
X
h ai u i , bj vj i = ai bj hui , vj i.
i=1 j=1 i=1,j=1
Observação 2.1. A propriedade i), por si só, implica que h0, 0i = h0v, 0i = 0hv, 0i = 0.
Assim i),ii)e iii) são equivalentes a i), ii) e à propriedade abaixo:
iii’) Se u 6= 0, então hu, ui > 0.
Isto é, uma função que satisfaz i),ii) e iii’) é um produto interno (complexo) em V.
18
Observação 2.2. Por ii),hu, ui = hu, ui. Assim, hu, ui é real. Por iii), hu, ui é não
negativo e , portanto, possui raiz quadrada. Assim, como nos espaços com produto interno
p
real, definimos ||u|| = hu, ui como sendo norma ou comprimento de u.
Definição 2.5. Seja V um espaço vetorial com produto interno h., .i. Dizemos que um
subconjunto X ⊆ V é ortonormal se
i) u ⊥ v, ou seja, hu, vi = 0 para todo u, v ∈ X distintos;
ii) todo vetor de X é unitário, isto é, ||v|| = 1, para todo v ∈ X.
Observação 2.3 (Conjunto Ortogonal). Quando um subconjunto X satisfaz o item i) di-
zemos que X é um conjunto ortogonal.
Observação 2.4. Note que X na definição acima não precisa de ser subespaço de V.
Exemplo 2.20. A base canônica de R2 , X = {(1, 0), (0, 1)}, é um conjunto ortonormal,
pois h(1, 0), (0, 1)i = 0, ||(1, 0)|| = ||(0, 1)|| = 1. O subconjunto Y = {(1, 1), (1, −1)}
é ortogonal, mas não é ortonormal. De fato, h(1, 1), (1, −1)i = 1 − 1 = 0 e ||(1, 1)|| =
√
2 6= 1.
R1
Exemplo 2.21. Se X = {1, 3t2 − 1}, então h1, 3t2 − 1i = 0 [3t2 − 1]dt = 0, porém
Z 1 21 Z 1 12
9
||3t2 − 1|| = (3t2 − 1)2 dt = (9t4 − 6t2 + 1)dt = − 1 6= 1.
0 0 5
Sempre existe uma base ortonormal para qualquer espaço vetorial com produto
interno de dimensão finita. Qualquer base de um espaço vetorial pode ser convertida numa
19
base ortogonal. Normalizando os vetores dessa nova base, obtemos uma base ortonormal.
Teorema 2.6 (Teorema de Gram-Schmidt). Seja V um espaço vetorial com produto in-
terno h., .i e dimensão finita n > 0. Seja β = {v1 , v2 , ..., vn } uma base de V. Então existe
uma base ortogonal γ = {u1 , u2 , ..., un } de V , onde u1 = v1 e
j−1
X hvj , ui i
uj = vj − ui ,
1=i
||ui ||2
Definição 2.7. Seja V um espaço vetorial com produto interno h., .i. Seja U ⊆ V um
subconjunto qualquer. Definimos o complemento ortogonal de U em V como sendo o
conjunto U ⊥ = {v ∈ V : hu, vi = 0, para todo u ∈ U }.
20
Exemplo 2.23. Vamos encontrar o complemento ortogonal do conjunto U = {(1, −1)}
em R2 . Seja v = (x, y) ∈ U ⊥ qualquer. Se hv, (1, −1)i = 0 então h(x, y), (1, −1)i = 0,
e daí x − y = 0. Dessa forma v = (x, y) = (y, y) = y(1, 1) e y ∈ R. Portanto,
U ⊥ = [(1, 1)], onde [(1, 1)] significa o espaço gerado pelo vetor (1,1).
Proposição 2.3. Seja V um espaço vetorial com produto interno h., .i sobre R. Então U ⊥
é um subespaço de V.
Demonstração: Com efeito, primeiramente, note que 0 ∈ U ⊥ , pois h0, ui = 0, para todo
u ∈ U . Em seguida, sejam v, w ∈ U ⊥ e λ ∈ R. Logo, hv, ui = 0 e hw, ui = 0, para todo
u ∈ U . Consequentemente,
Observação 2.5. Se o espaço vetorial tem um produto interno complexo, tal proposição
também é válida.
Teorema 2.7. Seja V um espaço vetorial com produto interno h., .i e seja U um subespaço
de dimensão finita de V. Então
V = U ⊕ U ⊥, (1)
isto é, V = U + U ⊥ e U ∩ U ⊥ = {0}.
21
1, 2, ..., m..
hv − u, uj i = hv, uj i − hu, uj i
Xm
= hv, uj i − h hv, ui iui , uj i
i=1
m
X
= hv, uj i − hv, ui ihui , uj i
i=1
= hv, uj i − hv, uj i = 0
Definição 2.8 (Funcional Linear). Seja V um espaço vetorial. Dizemos que uma aplica-
ção f : V → R é um funcional linear se f (λu + v) = λf (u) + f (v), para todos u, v ∈ V
e todo λ ∈ R. O conjunto V ∗ = {f : V → R : f é linear} é um espaço vetorial chamado
espaço dual de V.
Exemplo 2.25. A aplicação f : R2 → R, dada por f (x, y) = 2x + y é um funcional
linear. De fato, tome u = (x1 , y1 ) , v = (x2 , y2 ) ∈ R2 e λ ∈ R, então
22
Exemplo 2.26 (Funcional não linear). Considere a aplicação f : R2 → R, dada por
f (x, y) = 5. Para quaisquer u = (x1 , y1 ) e v = (x2 , y2 ) ∈ R2 e para λ = 5, temos
Como, f (5u + v) 6= 5f (u) + f (v) para todos u, v ∈ R2 , então a função dada não é um
funcional linear.
Teorema 2.8 (Teorema da Representação de Riesz). Seja V um espaço vetorial com pro-
duto interno h., .i de dimensão finita. Dado um funcional linear f : V → R, existe um
único v ∈ V tal que f (u) = hu, vi, para todo u ∈ V .
Demonstração: Pelo Teorema 2.6, sabemos que existe uma base ortogonal de V , que pode
ser normalizada. Digamos que {v1 , v2 , .., vn } é esta base. Dado u ∈ V , pela definição de
base, temos que existem λ1 , ..., λn ∈ R tais que
u = λ1 v1 + λ2 v2 + ... + λn vn .
Note que
hu, v1 i = λ1 hv1 , v1 i + λ2 hv2 , v1 i + ... + λn hvn , v1 i = λ1 .
23
Defina v = f (v1 )v1 + f (v2 )v2 + ... + f (vn )vn . Portanto, f (u) = hu, vi, para todo
u ∈ V . Agora, vamos provar a unicidade de v ∈ V . Suponha que existe w ∈ V tal que
f (u) = hu, wi, para todo u ∈ V Com isso, hu, wi = f (u) = hu, vi, para todo u ∈ V .
Daí, hu, w − vi = 0, para todo u ∈ V . Usando o item iv) da Proposição 2.1, chegamos a
w − v = 0. Logo, w = v. Isso prova a unicidade.
Exemplo 2.27. Seja f (x, y) = 2x+y o funcional visto no Exemplo 2.25. Então podemos
escrever f (x, y) = h(x, y), (2, 1)i, para todo (x, y) ∈ R2 . Logo, v = (2, 1) é o vetor
relatado no Teorema 2.8.
para todo u ∈ U , v ∈ V .
Exemplo 2.28. Seja V o espaço dos polinômios sobre R com produto interno canônico de
C([1, 0]). Fixe g ∈ V . Defina T : V → V pondo T (f ) = f · g, para todo f ∈ V . Vamos
procurar a adjunta de T (caso esta exista). Observe que
Z 1 Z 1
hf, T (h)i = hf, h·gi = f (t)h(t)g(t)dt = f (t)g(t)h(t)dt = hf ·g, hi = hT (f ), hi,
0 0
A adjunta nem sempre existe, mas quando ela existe é única e linear, como vere-
mos nas seguintes proposições.
24
para todo u ∈ U e v ∈ V . Ou seja,
25
para todo u, w ∈ U . Ou seja, fv (λu + w) = λfv (u) + fv (w), para todo u, w ∈ U . Isto
nos diz que fv é linear. Pelo Teorema da Representação de Riesz, existe um único w ∈ U
tal que fv (u) = hu, wiU = hw, uiU , para todo u ∈ U . Daí,
Observação 2.9. No caso de espaços vetoriais de dimensão infinita pode ocorrer a não
existência da adjunta de certos operadores. Por exemplo: Seja V = P (R) o espaço dos
R1
polnômios sobre R com um produto interno dado por hf, gi = 0 f (t)g(t). Considere D
como o operador diferencial agindo sobre V , onde D(f (t)) = f 0 (t), é possível mostrar
que não existe D∗ , isto é, que D não possui adjunta (LIPSCHUTZ, 1994, p.630).
Exemplo 2.29. Seja T : R2 → R3 dado por T (x, y) = (x, 2x + y, −y). Vamos achar a
adjunta da transformação linear T:
Exemplo 2.30. Defina T : R2 → R2 por T (x, y) = (−y, x). Daí, para todo (a, b) ∈ R2
e (x, y) ∈ R2
h(a, b), T (x, y)i = h(a, b), (−y, x)i = −ay + bx = bx + (−a)y = h(b, −a), (x, y)i.
Exemplo 2.31. Seja T : R2 → R2 dada por T (x, y) = (y, x). Note que
h(a, b), T (x, y)i = h(a, b), (y, x)i = ay + bx = bx + ay = h(b, a), (x, y)i,
para todo (x, y), (a, b) ∈ R2 . Então T ∗ (a, b) = (b, a). Logo, T ∗ = T , um operador
auto-adjunto.
26
A seguir será demonstrado algumas propriedades da adjunta.
para todo u, v.
ii) (T + S)∗ = T ∗ + S ∗ é uma consequência do fato que
para todo u ∈ U e v ∈ V .
iii) Também concluímos que
hv, (λT )(u)i = hv, λT (u)i = λhv, T (u)i = λhT ∗ (v), ui = hλT ∗ (v), ui,
27
v) Por fim, T ∗∗ = T segue do fato que
para todo u ∈ U e v ∈ V .
Exemplo 2.32. Seja S : R2 → R3 , definido por S(x, y) = (2x, 4x+2y, −2y). Desejamos
encontrar a adjunta de S. Observe que S = 2T , onde T (x, y) = (x, 2x + y, −y). Vimos
no Exemplo 2.30 que T ∗ (a, b, c) = (a + 2b, b − c). Logo, pelo item iii) da Proposição 2.6,
obtemos
S ∗ (a, b) = (I + T )∗ (a, b)
= (I ∗ + T ∗ )(a, b)
= I ∗ (a, b) + T ∗ (a, b)
= (a, b) + (b, −a)
= (a + b, b − a).
28
T (U ) ⊆ U . Por conseguinte,hu, wi = hv, T (w)i = 0, pois v ∈ U ⊥ e T (w) ∈ U . Assim
sendo, u ∈ U ⊥ . Portanto T ∗ (U ⊥ ) ⊆ U ⊥ .
hT (vj ), vi i = hA1j v1 + A2j v2 + ...Anj , vi i = A1j hv1 , vi i + A2j hv2 , vi i + ... + Anj hvn , vi i.
Como β é uma base ortonormal, então hT (vj ), vi i = Aij hvi , vi i = Aij . Portanto,
hT (vj ), vi i = Aij, para todo i, j = 1, 2, ..., n. Seja [T ∗ ]β = (Bij ). Analogamente ao
que foi feito nesta demonstração, temos que
Definição 2.10. Seja V um espaço vetorial com produto interno h., .i. Dizemos que um
operador linear T : V → V é auto-adjunto se T = T ∗ . Esse operador também pode ser
chamado de Hermitiano.
Exemplo 2.35. Seja T : R2 → R2 , dada por T (x, y) = (y, x). Vimos, no Exemplo 2.31,
que T ∗ = T , logo, T é um operador auto-adjunto.
29
Exemplo 2.37. Seja V um espaço vetorial com produto interno h., .i. Seja v ∈ V um vetor
fixo. Seja T : V → V definida por T (u) = hv, uiv, para todo u ∈ V . Vamos mostrar que
T é auto-adjunto. De fato,
hv, T (u)i = hv, hv, uivi = hv, uihv, vi = hhv, viv, ui = hT (v), ui,
30
[T ]β = [T ∗ ]β = [T ]tβ . Isto nos diz que [T ]β é simétrica.
Reciprocamente, suponha que [T ]β = [T ]tβ , onde β = {v1 , v2 , ..., vn } é uma base ortonor-
mal de V. Consequentemente, hT (vi ), vj i = hT (vj ), vi i, para todo i, j variando de 1 a n.
Essas são as entradas das matrizes [T ]β e [T ]tβ , respectivamente. Se u, v ∈ V , então, pela
definição de base, u = ni=1 xi vi e v = nj=1 yj vj . Portanto,
P P
Xn Xn
hu, t(v)i = h xi v i , T ( yj vj i
i=1 j=1
n
X n
X
= xi yj hvi , T (vj )i
i=1 j=1
n
X n
X
= xi yj hT (vj ), vi i
i=1 j=1
n
X n
X
= xi yj hT (vi ), vj i,
i=1 j=1
Xn n
X Xn n
X
hu, T (v)i = h xi T (vi ), yj vj i = hT ( xi vi ), yi vj i = hT (u), vi.
i=1 j=1 i=1 j=1
Logo, usando a Proposição 2.1, temos que T ∗ = T . Pela Definição 2.10, T é auto-adjunto.
A hipótese de ortonormalidade da base não pode ser desconsiderada.
Exemplo 2.39. Seja T (x, y, z) = (2x+2z, x+z, x+z) um operador linear sobre V = R3
e seja β = {(1, 1, 0), (1, 0, 0), (0, 0, 1)} uma base de V. Note que
1 1 1
[T ]β = 1 1 1 .
1 1 1
e
h(1, 0, 0), T (0, 1, 0)i = h(1, 0, 0), (0, 0, 0)i = 0.
31
Exemplo 2.40. Seja T : R2 → R2 dado por T (x, y) = (−y, x). Note que,
!
0 −1
[T ]c = ,
1 0
onde c é a base canônica de R2 . Veja que [T ]c não é simétrica. Então T não é auto-adjunto,
pelo Teorema 2.11.
Exemplo 2.41. Seja T : R2 → R2 dado por T (x, y) = (y, x). Veja que
!
0 1
[T ]c = ,
1 0
é uma matriz simétrica, onde c é a base canônica de R2 . Dessa forma, pelo Teorema 2.11,
T é auto-adjunto.
32
3 METODOLOGIA
33
4 RESULTADOS E DISCUSSÕES
34
é uma solução não-nula de AX = λX. Ou seja, AY = λY e Y 6= 0. Escrevendo esta
equação matricial como sistema linear, obtemos as equações
n
X
Aij yj = λyi , (i = 1, 2..., n).
j=1
n
X
Com isso, multiplicando por yi , encontramos Aij yj yi = λyi yi , (i = 1, 2, ..., n).
j=1
Somando estes resultados, obtemos
n
X n
X n
X
Aij yj yi = λ yi yi = λ |yi |2 .
i,j=1 i=1 i=1
(este síbolo || é o módulo de um número complexo). Observe que esta última soma resulta
Xn
em um número real. Vamos, agora, verificar Aij yj yi ∈ R. Ou em outras palavras,
i,j=1
vamos mostrar que:
n
X n
X
Aij yj yi = Aij yj yi .
i,j=1 i,j=1
De fato,
n
X n
X n
X
Aij yj yi = Aij yj yi = Aij yj yi ,
i,j=1 i,j=1 i,j=1
na última igualdade usamos o fato que A é uma matriz real. Como A é simétrica, então
n
X n
X n
X n
X
Aij yj yi = Aji yj yi = Aij yi yj = Aij yj yi ,
i,j=1 i,j=1 i,j=1 i,j=1
35
Demonstração: Admita que T seja auto-adjunto. Seja dim V = nn. Faremos o a prova por
v
indução sobre n. Se n = 1 e {v} é uma base de V , segue que ||v|| é uma base orto-
normal de V formada por um autovetor, pois nesse caso, todo elemento não-nulo de V é
um autovetor já que T (v) ∈ V implica, que pela definição de base, que T (v) = λv para
algum λ ∈ R.
Agora considere n > 1 e suponha que o Teorema seja válido para todo subespaço de
V com dimensão menor que n. Como n > 1, segue do Lema 4.3 que existe v1 ∈ V au-
tovetor unitário de T associado a um autovalor α. Seja U = [v1 ]. Assim, pela Obervação
2.7, temos que dim U ⊥ = dim V − dim U = n − 1 < n. Além disso, para qualquer
elemento w = µv1 em U temos que T (µv1 ) = µT (v1 ) = (µα)v1 ∈ U . Isto nos diz que
U é T-invariante e , em consequência, do Lema 4.2 , concluímos que U ⊥ é um subespaço
de dimensão menos que n e T-invariante. Por hipótese de indução, existe uma base or-
tonormal {v2 , v3 , ..., vn } de U ⊥ . Logo, pela Observação 2.6, {v1 , v2 , .., vn } é uma base
ortonormal de V formada por autovetores de T , digamos que T (vi ) = λi vi , para todo
i = 1, 2, ..., n. Vamos provar que T é auto-adjunta. Como na base β, T tem representação:
λ1 0 . . . 0
0 λ2 . . . 0
[T ]β =
..
,
0 0 . 0
0 0 . . . λn
segue que T é uma matriz simétrica, ou seja, [T ]β = [T ]tβ , segue o Teorema 2.11 que T é
auto-adjunto.
Abaixo uma aplicação do Teorema Espectral para matrizes.
uma matriz simétrica. Então existe P ∈ Mn (R) ortogonal tal que D = P t AP , onde
D é uma matriz diagonal, constituída dos autovalores de A na diagonal (lembre que P é
ortogonal se P −1 = P t , isto é, P P t = P t P = I).
36
i = 1, 2, ..., n. Logo,
λ1 0 ... 0
0 λ2 ... 0
D = [T ]β = ..
.
0 0
. 0
0 0 . . . λn
Mas, D = [T ]β = P −1 AP , onde P é a matriz mudança de base de β para c. Isto é, P possui
como colunas os vetores da base β. Seja vi = (xi1 , xi2 , ..., xin ), para todo i = 1, 2, ..., n.
Logo,
x11 x12 . . . x1n x11 x21 . . . xn1
2
x1 x22 . . . x2n x12 x22 . . . xn2
t
P P =
... ... ... ... ... ... ... ...
xn1 xn2 . . . xnn x1n x2n . . . xnn
hv1 , v1 i hv1 , v2 i . . . hv1 , vn i
hv2 , v1 i hv2 , v2 i . . . hv2 , vn i
=
. . . . . . . . . . . .
hvn , v1 i hvn , v2 i . . . hvn , vn i
1 0 ... 0
0 1 ... 0
= = I,
. . . . . . . . . . . .
0 0 ... 1
37
de A associado ao autovalor λ1 = −3. Então Av = −3v, ou seja,
! ! !
1 2 x x
= −3 .
2 −2 y y
38
Ora, esses autovetores são associados a autovalores distintos, donde pelo Lema 4.1 eles
são ortogonais.
n Resta
então o
normalizá-los para obtermos uma base ortonormal. Dessa
1 −2
√ , √ 2 1
forma, 5 5
, √5 , √5 é uma base ortonormal formada por autovetores de A.
Colocando estes vetores em coluna encontramos a matriz ortogonal
!
√1 √2
5 5
P = −2
.
√ √1
5 5
A matriz diagonal !
−3 0
D= ,
0 2
(autovalores de A na diagonal) satisfaz D = P −1 AP , onde P −1 = P t . Consequente-
mente, A = P DP −1 . Logo,
A2 = (P DP 1 )(P DP −1 ) = P D2 P −1 ,
A3 = A2 A = (P D2 P −1 )(P DP −1 ) = P D3 P −1
..
.
An = P Dn P −1 .
Ou seja,
! ! !
√1 √2 n √1 −2
√
(−3) 0
An = P Dn P −1 = P Dn P t = −2
5 5 5 5
.
√ √1 0 2n √2 √1
5 5 5 5
0 0 −1
Veja que A é uma matriz simétrica. Vamos encontrar os autovalores de A. Note que
x−1 2 0
pA (x) = det(xI − A) = det 2 x−1 0 = (x + 1)2 (x − 3).
0 0 x+1
39
Daí, Av = −v. Ou seja,
1 −2 0 x x
−2 1 0 y = − y .
0 0 −1 z z
z z 0 1
Logo o autoespaço associado ao autovalorλ1 = −1 é V−1 = [(1, 1, 0), (0, 0, 1)]. Agora,
x
considere o autovalor λ2 = 3. Seja v = y um autovetor qualquer de A associado
z
ao autovalor λ2 = 3. Logo, Av = 3v. Isto é,
1 −2 0 x x
−2 1 0 y = 3 y .
0 0 −1 z z
40
Portanto, a solução deste sistema é x = −y, ∀y ∈ R. Assim sendo,
−y −1
v = y = y 1 .
0 0
0 0 3
41
5 CONCLUSÃO
Em geral concluímos que num espaço vetorial com produto interno há modos efi-
cientes de manipular seus elementos possibilitando definir comprimentos e distâncias.
Dessa forma, sempre é possível decompor um espaço vetorial de dimensão finita com
um produto interno numa soma de dois subespaços, e assim definir uma projeção orto-
gonal sobre este espaço. Além disso, para operadores lineares sobre um espaço vetorial
de dimensão finita associamos um outro operador linear, chamado de operador adjunto,
o qual relaciona elementos do espaço dual com elementos do espaço vetorial. Sobre es-
ses operadores, podemos definir ainda os operadores auto-adjuntos: operadores lineares
diagonalizáveis onde o conjunto de autovalores do operador é não vazio e é constituído
por números reais. Como aplicação, esses operadores nos permitem calcular qualquer
potência de uma matriz simétrica real.
42
REFERÊNCIAS
LIMA, E.L. Curso de Análise.12. ed. Rio de Janeiro: IMPA, 2009. v.1.
LIPSCHUTZ, S.; LIPSON, M. Álgebra Linear. 3. ed. Porto Alegre: Bookman, 2008.
43
AUTORIZAÇÃO
_________________________________
pedrocostasje@hotmail.com