6 Transformaes lineares

6.1 Transformaes lineares: denio e propriedades.

Recorde que uma transformao ou funo f : X Y uma correspondncia
que associa a cada elemento x X (designado por objecto) um nico elemento y =
f(x) Y (designado por imagem de x). O conjunto X designado por domnio
de f, e Y diz-se o conjunto de chegada de f. Ao conjunto das imagens chamamos
contradomnio ou imagem de f, e denotamos por f(X) ou Im(f).
Exemplo 6.1. Seja f : R
2
R
3
denida por
f(x, y) = (x y, 0, x + 2y).
Ento, o domnio de f R
2
e o conjunto de chegada R
3
.
Dado (1, 3) R
2
, a sua imagem f(1, 3) = (1 3, 0, 1 + 2 3) = (2, 7).
Se quisermos descrever o conjunto das imagens, observamos em primeiro lugar que,
por denio,
Im(f) = {f(x, y) R
3
: (x, y) R
2
}
= {(x y, 0, x + 2y) R
3
: x, y R} R
3
.
Ento, os elementos de Im(f) so vectores de R
3
da forma
(x y, 0, x + 2y) = x(1, 0, 1) +y(1, 0, 2), x, y R,
ou seja, so as combinaes lineares dos vectores (1, 0, 1) e (1, 0, 2). Logo,
Im(f) = span{(1, 0, 1), (1, 0, 2)}.
Dado que os dois vectores so linearmente independentes, vemos que geometricamente
o contradomnio de f o plano de R
3
denido pelos vectores (1, 0, 1) e (1, 0, 2).
No captulo 1 de Vectores, na seco 1.6, estudmos as transformaes lineares
x Ax. No prximo exemplo revemos estas funes:
Exemplo 6.2. Seja A =
_
u
1
u
2
u
n

uma matriz cujas n colunas so vectores

de R
m
e f : R
n
R
m
a transformao denida por
f(u) = Au.
O domnio de f R
n
e o conjunto de chegada R
m
. O conjunto das imagens
Im(f) = {Au : u R
n
} R
m
.
Ao considerar todos os vectores u =
_
a
1
a
2
a
n

t
em R
n
, as imagens Au so
todas as combinaes lineares dos vectores u
1
, u
2
, . . . , u
n
:
a
1
u
1
+a
2
u
2
+ +a
n
u
n
.
65
Portanto, o contradomnio de f o espao gerado pelas colunas de A, ou seja,
Im(f) = span{u
1
, u
2
, . . . , u
k
}.
Vimos tambm no teorema 1.41 que, dados vectores u e v em R
m
e r R, f tem
as seguintes propriedades:
(1) A(u +v) = Au +Av, i.e. f(u +v) = f(u) +f(v);
(2) A(ru) = r(Au), i.e. f(ru) = rf(u).
O exemplo anterior o primeiro exemplo de uma transformao linear: uma trans-
formao entre espaos vectoriais que preservam a adio de vectores e a multiplicao
de vectores por escalares. A denio geral a seguinte:
Denio 6.3. Uma transformao linear T : U V entre dois espaos vectoriais
U e V uma funo de U em V tal que:
(1) T(u +v) = T(u) +T(v), u, v U;
(2) T(ru) = rT(u), r R, u U.
Dado u U, o elemento T(u) V designa-se por imagem (ou transformado) de u
por meio de T.
Observao 6.4. consequncia imediata da denio que a imagem de qualquer
combinao linear nita de elementos de U a combinao linear das imagens de cada
um destes elementos com os mesmos coecientes, i.e.:
T (a
1
u
1
+a
2
u
2
+ +a
n
u
n
) = a
1
T(u
1
) +a
2
T(u
2
) + +a
n
T(u
n
), u
i
U, a
i
R.
Exemplos 6.5.
(a) Seja A uma matriz mn e f : R
n
R
m
a transformao denida por
f(u) = Au.
Ento, como vimos no exemplo 6.2, f uma transformao linear.
Por exemplo, se
A =
_
_
0 1
1 1
2 1
_
_
,
ento f : R
2
R
3
est denida por
f
__
a
b
__
=
_
_
0 1
1 1
2 1
_
_
_
a
b
_
=
_
_
b
a b
2a +b
_
_
.
66
(b) Consideremos a transformao T : R
2
R
3
T(x, y) = (2x +y, y, x).
Vejamos que T uma transformao linear:
(1) Sejam u = (x
1
, y
1
) e v = (x
2
, y
2
) vectores de R
2
. Ento:
T(u +v) = T(x
1
+x
2
, y
1
+y
2
)
= (2(x
1
+x
2
) + (y
1
+y
2
), y
1
+y
2
, (x
1
+x
2
))
= (2x
1
+y
1
+ 2x
2
+y
2
, y
1
+y
2
, x
1
x
2
)
= (2x
1
+y
1
, y
1
, x
1
) + (2x
2
+y
2
, y
2
, x
2
)
= T(u) +T(v).
(2) Sejam u = (x, y) R
2
e r R. Ento:
T(ru) = T(rx, ry)
= (2rx +ry, ry, rx)
= r(2x +y, y, x) = rT(u).
Vericadas as duas propriedades, conclumos que T transformao linear.
(c) A funo projeco T : R
3
R
2
, denida por
T(x, y, z) = (x, y)
uma transformao linear.
(1) Se u = (x
1
, y
1
, z
1
), v = (x
2
, y
2
, z
2
) R
3
, ento
T(u +v) = T(x
1
+x
2
, y
1
+y
2
, z
1
+z
2
) = (x
1
+x
2
, y
1
+y
2
)
= (x
1
, y
1
) + (x
2
, y
2
) = T(u) +T(v),
(2) Sejam u = (x, y, z) R
3
e r R. Ento:
T(ru) = T(rx, ry, rz)
= (rx, ry) = r(x, y) = rT(u).
(d) A funo nula 0 : U V ,
0(u) = 0
V
,
que transforma cada elemento de U no vector zero de V , uma transformao
linear:
0(u +v) = 0
V
= 0
V
+ 0
V
= 0(u) +0(v), u, v U,
0(ru) = 0
V
= r0
V
= r0(u), u U, r R.
67
(e) A funo identidade id
U
: U U denida por id
U
(u) = u claramente uma
transformao linear:
id
U
(u +v) = u +v = id
U
(u) +id
U
(v), u, v U,
id
U
(ru) = ru = rid
U
(u), u U, r R.
(f ) A funo f : R R, f(x) = x
2
, no uma transformao linear. Por exemplo,
f(x +y) = (x +y)
2
= x
2
+y
2
= f(x) +f(y).
(g) A funo f : R
2
R
2
, denida por
f(x, y) = (x y, x + 2)
no uma transformao linear. Por exemplo, se u = (x, y) ento
f(3u) = f(3x, 3y) = (3x 3y, 3x + 2),
no entanto,
3f(u) = 3(x y, x + 2) = (3x 3y, 3x + 6) = f(3u).
Proposio 6.6. Seja T : U V uma transformao linear. Ento:
(1) T(0
U
) = 0
V
;
(2) T(u v) = T(u) T(v), u, v U.
Observao 6.7. No exemplo 6.5 (g), f(0, 0) = (0, 2) = (0, 0), pelo que reconrmamos
que f no transformao linear.
Mas ateno! A proposio anterior arma que se T uma transformao linear,
ento T(0
U
) = 0
V
. No entanto, o contrrio no verdadeiro: se T uma transformao
tal que T(0
U
) = 0
V
ento T no necessariamente uma transformao linear. Basta
recordar o exemplo 6.5 (f ): f(0) = 0 e f no transformao linear.
Denio 6.8. Seja T : U V uma transformao linear. A imagem ou contrado-
mnio de T o conjunto das imagens de T em V ,
Im(T) = {T(u) : u U} V.
Designa-se por ncleo de T o conjunto de todos os vectores de E cujo transformado
por meio de T o vector nulo de V ,
Ker (T) = {u U : T(u) = 0
V
} U.
Observao 6.9. Recordando a propriedade (1) da proposio 6.6, conclumos que se
T : U V uma transformao linear ento T(0
U
) = 0
V
e, portanto,
0
U
Ker (T).
68
Exemplos 6.10.
(a) Seja T : R
3
R
2
, a transformao denida por T(x, y, z) = (x, y) (recorde o
exemplo 6.5 (c)). Ento
Ker (T) =
_
(x, y, z) R
3
: T(x, y, z) = (0, 0)
_
=
_
(x, y, z) R
3
: (x, y) = (0, 0)
_
.
Logo,
(x, y, z) Ker (T) (x, y) = (0, 0) x = y = 0.
Vemos que os zeros de T so todos os vectores de R
3
da forma
(x, y, z) = (0, 0, z) = z(0, 0, 1), z R
ou seja,
Ker (T) = span {(0, 0, 1)} .
(Interprete geometricamente este resultado.)
Para determinar o contradomnio necessitamos descrever o conjunto das imagens
T(x, y, z):
T(x, y, z) = (x, y) = x(1, 0) +y(0, 1)
Portanto,
Im(T) = span{(1, 0), (0, 1)} = R
2
.
(b) Se 0 : U V a funo nula denida no exemplo 6.5 (d), ento claramente
Ker (0) = U, Im(0) = {0
V
} .
Por outro lado, a funo identidade id
U
: U U verica
Ker (id
U
) = {0
U
} , Im(id
U
) = U.
Nos exemplos anteriores observamos que Ker (T) e Im(T) so sempre subespaos
vectoriais do domnio e do conjunto de chegada, respectivamente. Trata-se de uma
propriedade bsica destes conjuntos:
Proposio 6.11. Seja T : U V uma transformao linear. Ento, Ker (T) subes-
pao de U e Im(T) subespao de V .
Na prxima seco veremos que qualquer transformao linear pode ser representada
por uma matriz e que, portanto, o estudo destas funes equivalente ao estudo das
respectivas matrizes.
69
6.2 Matriz de uma transformao linear
No captulo de vectores (seco 1.8) e, mais geralmente, no captulo de espaos e
subespaos vectoriais (seco 4.4), vimos que um vector u U num espao vectorial U
representa-se de forma nica com coordenadas com respeito a uma base B = {e
1
, . . . , e
n
}
xada em U. Ou seja, se
u = c
1
e
1
+ +c
n
e
n
,
c
1
, . . . , c
n
so as coordenadas de u com respeito a B e a notao usada
u
B
= (c
1
, . . . , c
n
)
B
.
A seguinte proposio diz que qualquer transformao linear pode ser representada
por uma matriz.
Teorema 6.12. Sejam U e V espaos vectoriais, B = {e
1
, . . . , e
n
} e B

= {e

1
, . . . , e

m
}
bases xadas em U e V , respectivamente. Seja T : U V uma transformao linear.
Ento, a matriz A do tipo mn cujas colunas consistem nas coordenadas dos vectores
T(e
1
), . . . , T(e
n
) em relao base B

, i.e.
A =
_
T(e
1
)
B
T(e
2
)
B
T(e
n
)
B

mn
.
a nica matriz que satisfaz
[T(u)]
B
= A(u
B
),
para todo u U.
Designa-se a matriz A por matriz da transformao T em relao s bases
B e B

e denota-se por A = M(T; B, B

).
Observao 6.13. O teorema 6.12 diz-nos que, conhecida a matriz A, podemos deter-
minar T(u) calculando [T(u)]
B
atravs do produto de matrizes Au
B
.
Para poder determinar a matriz de uma transformao linear T : U V ,
preciso conhecer T e as bases B e B

xadas em U e V , respectivamente.
Ou seja, a matriz de T depende de T, B e B

, e at da ordem dos vectores das bases B e

B

(se alterarmos a ordem dos vectores nalguma das bases, a matriz tambm se altera).
Exemplo 6.14. Consideremos a transformao T : R
2
R
3
T(x, y) = (2x +y, y, x)
do exemplo 6.5 (b).
Resolvamos o seguinte exerccio, de forma a melhor entender o teorema 6.12:
(i) Calcule A = M(T; B
1
, B
2
), onde B
1
= {(1, 0), (0, 1)} a base cannica de R
2
e
B
2
= {(1, 0, 0), (0, 1, 0), (0, 0, 1)} a base cannica de R
3
.
(ii) Calcule A

= M(T; B
3
, B
4
), onde B
3
= {(1, 1), (0, 2)} e B
4
= b.c. de R
3
.
(iii) Calcule T(1, 2), usando a expresso analtica de T.
70
(iv) Calcule T(1, 2), usando a matriz A.
(v) Calcule T(1, 2), usando a matriz A

.
Resoluo:
(i) Pelo teorema 6.12, a matriz da transformao T com relao s bases B
1
= b.c.
e B
2
= b.c. de R
2
e R
3
, respectivamente, tem nas colunas as coordenadas dos
vectores T(1, 0) e T(0, 1) com respeito base B
2
. Temos:
T(1, 0) = (2, 0, 1), T(0, 1) = (1, 1, 0)
Como B
2
a base cannica de R
3
, os vectores obtidos j esto com coordenadas
com respeito a B
2
, i.e.:
T(1, 0)
B
2
= (2, 0, 1)
B
2
, T(0, 1)
B
2
= (1, 1, 0)
B
2
.
Logo,
A = M(T; B
1
, B
2
) =
_
_
2 1
0 1
1 0
_
_
.
(ii) A matriz A

= M(T; B
3
, B
4
) a matriz cujas colunas so as coordenadas de
T(1, 1) e T(0, 2) com respeito base B
4
. Calculemos T(1, 1) e T(0, 2):
T(1, 1) = (3, 1, 1), T(0, 2) = (2, 2, 0)
Tal como na alnea anterior, como B
4
a base cannica de R
3
, os vectores obtidos
j esto com coordenadas com respeito a B
4
, i.e.:
T(1, 1)
B
4
= (3, 1, 1)
B
4
, T(0, 2)
B
4
= (2, 2, 0)
B
4
.
Ento,
A

= M(T; B
3
, B
4
) =
_
_
3 2
1 2
1 0
_
_
.
(iii) Recorrendo expresso analtica de T, obtemos:
T(1, 2) = (2 1 + 2, 2, 1) = (4, 2, 1).
(iv) Como B
1
e B
2
so as bases cannicas, e (1, 2) = (1, 2)
B
1
, pelo teorema 6.12,
a multiplicao de A por
_
1 2

t
igual a T(1, 1) com coordenadas na base
B
2
= b.c. de R
3
:
T(1, 2) = A
_
1
2
_
=
_
_
2 1
0 1
1 0
_
_
_
1
2
_
=
_
_
4
2
1
_
_
= (4, 2, 1).
71
(v) Neste caso, dado que a base do domnio de T B
3
, h que fazer a multiplicao
de A

pelo vector (1, 2) representado com coordenadas na base B

3
. Ora,
(1, 2) = 1 (1, 1) +
1
2
(0, 2) =
_
1,
1
2
_
B
3
.
Ento, pelo teorema 6.12, a multiplicao de A

por
_
1,
1
2
_
B
3
d-nos o valor de
T(1, 2) com coordenadas na base B
4
= b.c. de R
3
:
T(1, 2) = A

_
1
1
2
_
B
3
=
_
_
3 2
1 2
1 0
_
_
_
1
1
2
_
B
3
=
_
_
4
2
1
_
_
B
4
= (4, 2, 1).
Exemplo 6.15. Consideremos a transformao T : R
3
R
3
denida pela matriz
A = M(T; B, B) =
_
_
1 0 1
0 1 0
1 0 2
_
_
,
onde B a base cannica de R
3
. Resolvamos o seguinte exerccio:
(i) Determine a expresso analtica de T, T(x, y, z).
(ii) Calcule A

= M(T; B
1
, B
2
), onde B
1
= B e B
2
= {(1, 0, 1), (1, 0, 0), (0, 1, 1)}.
(iii) Calcule A

= M(T; B
3
, B
4
), onde B
3
= {(2, 0, 0), (1, 1, 1), (0, 0, 1)} e B
4
=
{(1, 0, 1), (1, 0, 0), (0, 1, 1)}.
(iv) Calcule T(1, 1, 1), usando a matriz A.
(v) Calcule T(1, 1, 1), usando a matriz A

.
Resoluo:
(i) Dado um vector arbitrrio u = (x, y, z) R
3
representado na base cannica de
R
3
, a expresso geral de T calcula-se efectuando o produto matricial:
Au =
_
_
1 0 1
0 1 0
1 0 2
_
_
_
_
x
y
z
_
_
=
_
_
x z
y
x 2z
_
_
.
Ou seja,
T(x, y, z) = (x z, y, x 2z).
(ii) A matriz A

= M(T; B
1
, B
2
) a matriz cujas colunas so as coordenadas de
T(1, 0, 0), T(0, 1, 0) e T(0, 0, 1) com respeito base B
2
. Primeiro calculamos es-
tas 3 imagens. Para tal, basta observar que a matriz A tem nas colunas estes 3
vectores, j que A a matriz de T em relao b.c. de R
3
. Logo,
T(1, 0, 0) = (1, 0, 1), T(0, 1, 0) = (0, 1, 0) T(0, 0, 1) = (1, 0, 2).
72
(Alternativamente, podamos ter utilizado a expresso analtica de T calculada em
(i) para obter estes 3 vectores.)
Os vectores obtidos esto com coordenadas com respeito b.c., pelo que h que
escrev-los com coordenadas na base B
2
. Efectuando os clculos necessrios, ob-
temos:
(1, 0, 1) =1 (1, 0, 1) + 0 (1, 0, 0) + 0 (0, 1, 1) = (1, 0, 0)
B
2
,
(0, 1, 0) =1 (1, 0, 1) 1 (1, 0, 0) + 1 (0, 1, 1) = (1, 1, 1)
B
2
,
(1, 0, 2) = 2 (1, 0, 1) + 1 (1, 0, 0) + 0 (0, 1, 1) = (2, 1, 0)
B
2
.
Ento,
A

= M(T; B
1
, B
2
) =
_
_
1 1 2
0 1 1
0 1 0
_
_
.
(iii) A matriz A

tem nas colunas as coordenadas dos vectores T(2, 0, 0), T(1, 1, 1) e

T(0, 0, 1) com respeito base B
4
. Temos
T(2, 0, 0) = (2, 0, 2), T(1, 1, 1) = (0, 1, 1) T(0, 0, 1) = (1, 0, 2).
Passando a coordenadas na base B
4
, obtemos
(2, 0, 2) = 2 (1, 0, 1) + 0 (1, 0, 0) + 0 (0, 1, 1) = (2, 0, 0)
B
4
,
(0, 1, 1) =0 (1, 0, 1) + 0 (1, 0, 0) + 1 (0, 1, 1) = (0, 0, 1)
B
4
,
(1, 0, 2) = 2 (1, 0, 1) + 1 (1, 0, 0) + 0 (0, 1, 1) = (2, 1, 0)
B
4
,
e logo,
A

= M(T; B
3
, B
4
) =
_
_
2 0 2
0 0 1
0 1 0
_
_
.
(iv) Para calcular T(1, 1, 1) usando a matriz A, basta efectuar a multiplicao:
A
_
_
1
1
1
_
_
=
_
_
1 0 1
0 1 0
1 0 2
_
_
_
_
1
1
1
_
_
=
_
_
0
1
1
_
_
.
Portanto, T(1, 1, 1) = (0, 1, 1).
(v) Para calcular T(1, 1, 1) usando a matriz A

, primeiro necessrio escrever o

vector (1, 1, 1) com coordenadas na base B
3
:
(1, 1, 1) = 1 (2, 0, 0) 1 (1, 1, 1) + 2 (0, 0, 1) = (1, 1, 2)
B
3
.
73
Agora, calculamos o produto A

(1, 1, 2)
B
3
, cujo resultado nos d a imagem de
(1, 1, 1) com coordenadas na base B
4
, i.e. [T(1, 1, 1)]
B
4
:
A

_
_
1
1
2
_
_
B
3
=
_
_
2 0 2
0 0 1
0 1 0
_
_
_
_
1
1
2
_
_
B
3
=
_
_
2
2
1
_
_
B
4
.
Podemos agora escrever T(1, 1, 1) na base cannica,
(2, 2, 1)
B
4
= 2 (1, 0, 1) + 2 (1, 0, 0) 1 (0, 1, 1) = (0, 1, 1),
o que conrma o resultado obtido na alnea anterior.
Finalmente, vemos os casos especiais das transformaes nula e identidade:
Exemplo 6.16. Consideremos as transformaes nula 0 : U V e identidade id
U
:
U U. Fixadas bases B = {e
1
, . . . , e
n
} e B

= {e

1
, . . . , e

m
} em U e V , respectivamente,
temos para todo i = 1, . . . , n,
0(e
i
) = 0
V
(0(e
i
))
B
= (0
V
)
B
= 0e

1
+ + 0e

m
= (0, . . . , 0)
B

e
id
U
(e
i
) = e
i
(id
U
(e
i
))
B
= (e
i
)
B
= 0e
1
+ + 1e
i
+ + 0e
n
= (0, . . . , 1, . . . , 0)
B
.
Logo, as matrizes de 0 e id
U
em relao s bases xadas so, respectivamente,
M(0; B, B

) =
_

_
0 0 0
.
.
.
.
.
.
.
.
.
0 0 0
_

_
mn
= 0
mn
e
M(id
U
; B, B) =
_

_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
0 0 1
_

_
nn
= I
nn
.
Os resultados obtidos no surpreendem, dadas as transformaes em causa.
O prximo resultado muito til, pois diz-nos como interpretar os subespaos n-
cleo e imagem de uma transformao linear em termos de uma qualquer matriz que a
represente. Recorde do captulo de espaos e subespaos as noes de espao das colunas
e espao nulo de uma matriz, C(A) e N(A) (seco 4.2).
Proposio 6.17. Seja T : U V uma transformao linear, e A = M(T; B, B

) a
matriz de T em relao a bases xadas B = {e
1
, . . . , e
n
} e B

= {e

1
, . . . , e

n
} de U e V ,
respectivamente. Ento:
74
(1) Im(T) = C(A).
(2) Ker (T) = N(A).
Em particular,
dimIm(T) = r(A) e dimKer (T) = n(A).
Como consequncia desta proposio, podemos reenunciar o teorema da dimenso
para transformaes lineares (recorde o teorema ??):
Teorema 6.18 (Teorema de dimenso). Sejam T : U V uma transformao
linear e A a matriz de T em relao s bases B e B

de U e V , respectivamente. Se
n = dimU e m = dimV , ento A uma matriz mn e verica-se:
n = dimIm(T) + dimKer (T) = r(A) +n(A).
Exemplo 6.19. Consideremos a transformao linear T : R
3
R
2
denida por
T(x, y, z) = (y, x)
Calculemos a matriz de T em relao s bases B = b.c. de R
3
e B

= b.c. de R
2
:
T(1, 0, 0) = (0, 1), T(0, 1, 0) = (1, 0), T(0, 0, 1) = (0, 0).
Ento
A = M(T; B, B

) =
_
0 1 0
1 0 0
_
.
Calculamos em primeiro lugar Ker (T) = N(A):
_
0 1 0
1 0 0

0
0
_

L
1
L
2
_
1 0 0
0 1 0

0
0
_

_
x = 0
y = 0
Ento, os vectores do ncleo so da forma (0, 0, z), com z R e, portanto,
Ker (T) = span{(0, 0, 1)} e dimKer (T) = 1.
Determinamos agora o contradomnio Im(T) = C(A). Ao colocar a matriz em escada
para calcular Ker (T), vemos que as 2 primeiras colunas de A so linearmente indepen-
dentes. Logo,
Im(T) = span{(0, 1), (1, 0)}
e dimIm(T) = 2. Em particular, conrma-se o teorema da dimenso:
n = 3 = dimIm(T) + dimKer (T) = 2 + 1.
75
Exemplo 6.20. Consideremos a transformao do exemplo 6.15, T : R
3
R
3
denida
pela matriz
A = M(T; B, B) =
_
_
1 0 1
0 1 0
1 0 2
_
_
,
onde B a base cannica de R
3
. Calculamos Ker (T) = N(A):
_
_
1 0 1
0 1 0
1 0 2

0
0
0
_
_

L
3
L
3
L
1
_
_
1 0 1
0 1 0
0 0 1

0
0
0
_
_

_
_
_
x = 0
y = 0
z = 0
Ento, Ker (T) = {(0, 0, 0)} e dimKer (T) = 0. Determinamos agora o contradomnio
Im(T) = C(A). Ao colocar a matriz em escada para calcular Ker (T), vemos que as 3
colunas de A so linearmente independentes. Logo,
Im(T) = span{(1, 0, 1), (0, 1, 0), (1, 0, 2)}
e dimIm(T) = 3. Em particular, conrma-se o teorema da dimenso:
n = 3 = dimIm(T) + dimKer (T) = 3 + 0.
Proposio 6.21 (lgebra das transformaes lineares). Sejam S : U V ,
T : U V e H : V W transformaes lineares, e B
1
, B
2
e B
3
bases xadas
em E, F e G, respectivamente. Sejam A = M(S; B
1
, B
2
), B = M(T; B
1
, B
2
) e C =
M(H; B
2
, B
3
) as matrizes das transformaes S, T e H, respectivamente.
1. A funo S +T : U V denida por
(S +T) (u) = S(u) +T(u), u U,
uma transformao linear representada pela matriz A+B = M(S +T; B
1
, B
2
).
2. Se R ento a funo S : U V denida por
(S)(u) = S(u), u U,
uma transformao linear representada pela matriz A = M(S; B
1
, B
2
).
3. A composio H S : U W denida por
(H S) (u) = H(S(u)), u U,
transformao linear e representada pela matriz CA = M(H S; B
1
, B
3
).
Denio 6.22. Uma transformao linear T : U V diz-se invertvel se existe
uma transformao linear T
1
: V U tal que T
1
T = id
U
e T T
1
= id
V
. A
transformao T
1
designa-se por inversa de T.
76
de esperar que a inverso de matrizes e a inverso de transformaes lineares
estejam relacionadas:
Proposio 6.23. Sejam T : U V uma transformao linear. Suponhamos que esto
xadas bases B e B

de U e V , respectivamente. Se A = M(T; B, B

) a matriz que
representa T com respeito s bases B e B

ento
T invertvel A uma matriz invertvel.
Neste caso, a transformao inversa T
1
: V U est representada pela matriz inversa
de A, ou seja,
A
1
= M(T
1
; B

, B).
Exemplo 6.24. Seja T : R
2
R
2
a transformao linear denida por
T(x, y) = (x y, x +y).
Fixemos em R
2
a base cannica. Ento
A = M(T; b.c., b.c.) =
_
1 1
1 1
_
.
Como |A| = 0, a matriz A invertvel e, portanto, T invertvel e
T
1
(x, y) = A
1
_
x
y
_
.
O clculo de A
1
d-nos
A
1
=
_
1
2
1
2

1
2
1
2
_
T
1
(x, y) = A
1
_
x
y
_
=
_
1
2
x +
1
2
y

1
2
x +
1
2
y
_
=
_
1
2
x +
1
2
y,
1
2
x +
1
2
y
_
.
6.3 Mudana de base
J vimos que uma mudana de base num espao vectorial U afecta as componentes
(ou coordenadas) de um vector u U. Pretende-se saber como uma mudana de base
altera a matriz de uma transformao linear e que relao existe entre as duas matrizes.
Denio 6.25. Seja U um espao vectorial e B, B

duas bases de U. A matriz

mudana de base, da base B para a base B

, a matriz P = M(id
U
; B, B

). Ou seja,
P a matriz cujas colunas so as coordenadas dos vectores da base B com respeito
B

e tal que
P(u
B
) = u

B
Observao 6.26. A matriz mudana de base, de uma base B para uma base B

,
a matriz que transforma as coordenadas de um vector na base B para coordenadas na
base B

.
Uma matriz P mudana de base uma matriz invertvel e P
1
= M(id
U
; B

, B)
a matriz mudana de base, da base B

para a base B.
77
Exemplo 6.27. Consideremos em R
2
as bases B
1
= b.c., B
2
= {(1, 1), (1, 0)} e B
3
=
{(1, 2), (1, 3)}.
(i) Queremos calcular a matriz mudana de base P = M(id
R
2; B
2
, B
1
). Para tal,
necessrio determinar as coordenadas dos vectores da base B
2
na base cannica
B
1
. Dado que os vectores da base B
2
j se encontram com coordenadas na base
cannica, temos
P = M(id
R
2; B
2
, B
1
) =
_
1 1
1 0
_
.
Dado u = (1, 2)
B
2
, as suas coordenadas na base cannica B
1
so:
Pu
B
2
=
_
1 1
1 0
_ _
1
2
_
B
2
=
_
3
1
_
B
1
.
Isto , u = (1, 2)
B
2
= (3, 1).
(ii) Se pretendermos calcular Q = M(id
R
2; B
1
, B
2
), temos que escrever os vectores da
base cannica B
1
com coordenadas na base B
2
:
(1, 0) = 0(1, 1) + 1(1, 0) = (0, 1)
B
2
, (0, 1) = 1(1, 1) 1(1, 0) = (1, 1)
B
2
.
Ento,
Q = M(id
R
2; B
1
, B
2
) =
_
0 1
1 1
_
.
Matricialmente, Q = P
1
(calcule PQ e conrme que igual a I
2
).
(iii) Se quisermos determinar a matriz R mudana de base, da base B
2
para a base
B
3
, dado que os vectores de B
2
tem coordenadas em relao base B
3
dadas por
(1, 1) =
2
5
(1, 2)+
3
5
(1, 3) =
_
2
5
,
3
5
_
B
3
, (1, 0) =
3
5
(1, 2)+
2
5
(1, 3) =
_
3
5
,
2
5
_
B
2
,
conclumos que
R = M(id
R
2; B
2
, B
3
) =
_
2
5
3
5
3
5
2
5
_
.
Agora, as coordenadas de u = (1, 2)
B
2
na base B
3
so:
Ru
B
2
=
_
2
5
3
5
3
5
2
5
_ _
1
2
_
B
2
=
_
8
5
7
5
_
B
3
.
Ento, u = (1, 2)
B
2
= (3, 1)
B
1
=
_
8
5
,
7
5
_
B
3
.
No prximo resultado vemos como uma mudana de base em espaos vectoriais
afecta a matriz de uma transformao linear entre esses espaos vectoriais.
78
Proposio 6.28. Seja T : U V uma transformao linear e sejam B
1
, B
2
bases de
U, e B
3
, B
4
bases de V . Se A = M(T; B
1
, B
3
) e B = M(T; B
2
, B
4
) ento
B = QAP,
onde P e Q so as matrizes mudanas de base
P = M(id
E
; B
2
, B
1
), Q = M(id
F
; B
3
, B
4
).
O seguinte diagrama ajuda a entender esta relao:
U
B
1
T
A
//
V
B
3
id
V
Q

U
B
2
P id
U
OO
B
T
//
V
B
4
Denio 6.29. Duas matrizes A, B M
mn
dizem-se semelhantes se existem
P M
nn
e Q M
mm
matrizes invertveis tais que
B = QAP.
Exemplo 6.30. Seja T : R
3
R
2
a transformao linear denida por
T(x, y, z) = (0, x + 2z).
A matriz de T em relao s bases B
1
= {(1, 2, 0), (0, 1, 3), (1, 1, 2)} de R
3
e B
2
=
b.c. de R
2
a matriz
A = M(T; B
1
, B
2
) =
_
0 0 0
1 6 5
_
pois
T(1, 2, 0) = (0, 1) = (0, 1)
B
2
, T(0, 1, 3) = (0, 6) = (0, 6)
B
2
T(1, 1, 2) = (0, 5) = (0, 5)
B
2
.
Se considerarmos novas bases em R
3
e R
2
dadas por B
3
= {(1, 1, 1), (1, 1, 0), (1, 0, 0)}
e B
4
= {(1, 0), (1, 1)}, ento pela proposio 6.28, a matriz de T em relao a estas
novas bases obtm-se por
B = M(T; B
3
, B
4
) = QAP,
onde P = M(id
R
3; B
3
, B
1
) e Q = M(id
R
2; B
2
, B
4
) so as matrizes mudana de base.
O diagrama neste caso :
R
3
B
1
T
A
//
R
2
B
2
id
R
2 Q

R
3
B
3
P
id
R
3
OO
B
T
//
R
2
B
4
79
Clculo de P: P tem nas colunas as coordenadas dos vectores de B
3
com respeito base
B
1
. Resolvem-se os sistemas
(1, 1, 1) =a(1, 2, 0) +b(0, 1, 3) +c(1, 1, 2) a = 7, b = 5, c = 8
(1, 1, 1) = (7, 5, 8)
B
1
(1, 1, 0) =d(1, 2, 0) +e (0, 1, 3) +f(1, 1, 2) d = 8, e = 6, f = 9
(1, 1, 0) = (8, 6, 9)
B
1
(1, 0, 0) =g(1, 2, 0) +h(0, 1, 3) +i(1, 1, 2) a = 5, b = 4, c = 6
(1, 0, 0) = (5, 4, 6)
B
1
e conclumos assim que
P =
_
_
7 8 5
5 6 4
8 9 6
_
_
.
Clculo de Q: Q tem nas colunas as coordenadas dos vectores de B
2
= b.c. com respeito
base B
4
. Resolvem-se os sistemas
(1, 0) =a(1, 0) +b(1, 1) a = 1, b = 0 (1, 0) = (1, 0)
B
4
(0, 1) =c(1, 0) +d(1, 1) c = 1, d = 1 (0, 1) = (1, 1)
B
4
e conclumos assim que
Q =
_
1 1
0 1
_
.
Finalmente, calculamos
B = M(T; B
3
, B
4
) = QAP =
_
1 1
0 1
_ _
0 0 0
1 6 5
_
_
_
7 8 5
5 6 4
8 9 6
_
_
=
_
3 1 1
3 1 1
_
.
Caso particular
Dado um espao vectorial U, a mudana de uma base B de U para uma base
B

de U est representada pela matriz P = M(id

U
; B, B

); P tem nas colunas as

coordenadas de B em relao base B

. O processo inverso, isto , a mudana de base

da base B

para B est denida pela transformao inversa e logo, pela matriz inversa
P
1
= M(id
U
; B

, B) cujas colunas so as coordenadas de B

em relao base B.
Quando T : U U um endomorsmo (uma transformao linear de U em U),
a proposio 6.28 pode reescrever-se na seguinte forma mais simples:
80
Proposio 6.31. Sejam T : U U uma transformao linear, B
1
uma base de U e
A = M(T; B
1
, B
1
) a matriz da transformao em relao base B
1
. Se B
2
outra base
de U ento a matriz B = M(T; B
2
, B
2
) de T em relao nova base obtm-se por
B = P
1
AP,
onde P = M(id
U
; B
2
, B
1
) a matriz mudana de base cujas colunas so as coordenadas
da nova base B
2
na base original B
1
.
O diagrama deste caso particular :
U
B
1
T
A
//
U
B
1
id
U P
1

U
B
2
P id
U
OO
B
T
//
U
B
2
Exemplo 6.32. Seja T : R
2
R
2
a transformao linear denida no exemplo 6.24
por
T(x, y) = (x y, x +y).
Vimos que, com respeito base cannica, T estava representada pela matriz A =
M(T; b.c., b.c.) =
_
1 1
1 1
_
. Se agora considerarmos a base B
1
= {(1, 1), (1, 0)} de
R
2
, a matriz mudana da base B
1
para a base cannica a matriz
P = M(id
R
2; B
1
, b.c.) =
_
1 1
1 0
_
.
Ento a matriz de T na nova base a matriz B = M(T; B
1
, B
1
) = P
1
AP. Dado que
P
1
=
_
0 1
1 1
_
,
temos que
B = P
1
AP =
_
0 1
1 1
_ _
1 1
1 1
_ _
1 1
1 0
_
=
_
2 1
2 0
_
.
81
7 Valores e vectores prprios
7.1 Valores e vectores prprios. Subespaos prprios.
O estudo dos valores prprios e dos vectores prprios de uma matriz tem especial
interesse para o clculo de potncias A
k
de matrizes A. O clculo de potncias de uma
matriz til em diferentes aplicaes, por exemplo no estudo de cadeias de Markov
(relacionadas com a distribuio de uma populao), ou de sequncias de Fibonacci
(sequncias que ocorrem na Natureza em inmeras situaes).
Denio 7.1. Seja A uma matriz quadrada de ordem de n. Um escalar valor
prprio de A se existe um vector diferente de zero u R
n
tal que
Au = u.
Se u um vector diferente de zero que satisfaz esta equao ento diz-se que um
vector prprio de A associado ao valor prprio .
Dado um valor prprio de A, o conjunto
V

= {u R
n
: Au = u}
subespao vectorial de R
n
e designa-se por subespao prprio de A associado a .
Observao 7.2. Se valor prprio de A e u um vector prprio associado a ento
a equao Au = u diz-nos que A transforma u num vector u colinear a u.
Exemplo 7.3. Seja
A =
_
3 2
3 2
_
.
Vejamos que u = (2, 2) e v = (2, 3) so vectores prprios de A:
Au =
_
3 2
3 2
_ _
2
2
_
=
_
10
10
_
= 5
_
2
2
_
= 5u,
Av =
_
3 2
3 2
_ _
2
3
_
=
_
0
0
_
= 0
_
2
3
_
= 0v.
Conclumos assim que u vector prprio associado ao valor prprio = 5, e que v
vector prprio associado ao valor prprio = 0.
O clculo dos valores prprios de A consiste na resoluo da equao Au = u.
Logo, valor prprio de A se existe um vector u = 0 tal que
Au = u Au u = 0 (AI)u = 0.
Ou seja, valor prprio de A se o sistema homogneo (AI)u = 0 tem uma soluo
no trivial (diferente da soluo nula). Este sistema homogneo (A I)u = 0 tem
uma soluo no trivial se e s se um sistema possvel e determinado, i.e. se e s
se det(A I) = 0. Se desenvolvermos a expresso deste determinante obtemos um
polinmio p() de grau n na indeterminada .
Assim, o clculo de valores e vectores prprios motiva a seguinte denio:
82
Denio 7.4. Seja A uma matriz quadrada de ordem de n. O polinmio caracte-
rstico de A o polinmio
p() = det(AI).
Os valores prprios de A so as solues da equao caracterstica
p() = 0.
Acabmos portanto de ver que se quisermos determinar os valores e vectores prprios
de uma matriz T, ento:
(1) os valores prprios de A so exactamente as solues do polinmio caracterstico
p() = det(AI) (se A M
nn
existem, no mximo, n solues reais);
(2) os vectores prprios u associados a so as solues no triviais da equao
(AI)u = 0;
(3) o subespao prprio de A associado a o espao nulo da matriz AI, ou seja,
V

= N(AI).
Exemplos 7.5.
(a) Consideremos a matriz
A =
_
_
3 1 0
0 3 1
0 0 3
_
_
.
(1) Clculo dos valores prprios:
Como
AI =
_
_
3 1 0
0 3 1
0 0 3
_
_

_
_
0 0
0 0
0 0
_
_
=
_
_
3 1 0
0 3 1
0 0 3
_
_
,
o polinmio caracterstico de A
p() = |AI| =

3 1 0
0 3 1
0 0 3

= (3 )
3
.
Os valores prprios so as solues da equao caracterstica p() = 0:
p() = 0 |AI| = 0 (3 )
3
= 0 = 3.
Ento, = 3 o nico valor prprio de A.
83
(2) Clculo do vectores prprios associados a = 3:
Os vectores prprios associados ao valor prprio = 3 so as solues u =
(x, y, z) R
3
no triviais do sistema homogneo (A 3I)u = 0. Usando os
clculos anteriores de AI, temos
(A3I)u = 0
_
_
0 1 0
0 0 1
0 0 0
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_

_
_
_
y = 0
z = 0
0 = 0
y = z = 0.
Vemos assim que os vectores prprios associados a = 3 so os vectores no
nulos da forma
u = (x, 0, 0) = x(1, 0, 0), x = 0.
Em particular, o subespao prprio associado a este valor prprio o subes-
pao
V
3
=
_
u R
3
: Au = 3u
_
= N(A3I) = span {(1, 0, 0)} .
(b) Seja
A =
_
_
2 0 0
5 2 5
5 0 3
_
_
.
(1) Clculo dos valores prprios:
p() = 0 |AI| = 0

2 0 0
5 2 5
5 0 3

= 0
Usando a Regra de Sarrus, obtemos:
|AI| = 0 (2 )(2 )(3 ) = 0 = 2 = 3.
(2) Clculo do vectores prprios associados a = 2:
(A+ 2I)u = 0
_
_
0 0 0
5 0 5
5 0 5
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_

_
_
_
0 = 0
5x 5z = 0
5x + 5z = 0
x = z.
Os vectores prprios associados a = 2 so os vectores da forma
(z, y, z) = y(0, 1, 0) +z(1, 0, 1), y = 0 z = 0.
84
O subespao prprio correspondente
V
2
= N(A+2I) =
_
(z, y, z) R
3
: y, z R
_
= span {(0, 1, 0), (1, 0, 1)} .
(3) Clculo dos vectores prprios associados a = 3:
(A3I)u = 0
_
_
5 0 0
5 5 5
5 0 0
_
_
_
_
x
y
z
_
_
=
_
_
0
0
0
_
_

_
_
_
5x = 0
5x 5y 5z = 0
5x = 0

_
x = 0
y = z
Os vectores prprios associados a = 3 so os vectores da forma
(0, y, y) = y(0, 1, 1), y = 0.
O subespao prprio correspondente
V
3
= N(A3I) =
_
(0, y, y) R
3
: y R
_
= span {(0, 1, 1)} .
O seguinte resultado enuncia uma propriedade importante dos valores e vectores
prprios: vectores prprios associados a valores prprios diferentes so linearmente in-
dependentes.
Proposio 7.6. Seja A uma matriz de ordem n com valores prprios distintos
1
,

2
, . . .,
k
, e sejam u
1
, u
2
, . . . , u
k
vectores prprios associados a cada um destes valores
prprios. Ento u
1
, u
2
, . . . , u
k
so linearmente independentes.
Como, dada uma matriz A M
n
, A invertvel se e s se
det(A) = 0 det(A0I) = 0,
imediato concluir que:
Proposio 7.7. Seja A uma matriz de ordem n. Ento A invertvel se e s se 0
no valor prprio de A.
Dado que toda a transformao linear T : U U est representada por uma matriz
com respeito a bases xadas em U, podemos tambm denir valores e vectores prprios
de uma transformao linear. Um vector no nulo u U diz-se um vector prprio de
T se
T(u) = u,
para algum R. Tal como anteriormente, dizemos que valor prprio de T e
que u vector prprio de T associado a .
O prximo resultado diz-nos que a denio de valores e vectores prprios de uma
transformao linear T equivalente denio de valores e vectores prprios de uma
matriz que represente T.
85
Teorema 7.8. Seja T : U U uma transformao linear e A = M(T; B, B) a matriz
de T em relao a uma base B de U. Ento:
T(u) = u A(u
B
) = u
B
.
Em particular, valor prprio de T se e s se valor prprio de A, e u vector
prprio de T se e s se u
B
vector prprio de A.
Exemplo 7.9. Seja T : R
2
R
2
a transformao linear denida por
T(x, y) = (7y, 5x + 2y).
Para determinar os valores e vectores prprios de T, basta determinar a matriz de T
em relao base cannica B de R
2
. Temos
T(1, 0) = (0, 5), T(0, 1) = (7, 2).
Portanto,
A = M(T; B, B) =
_
0 7
5 2
_
.
Entao, pelo teorema anterior, como T(u) = u Au = u, determinar os valores e
vectores prprios de T o mesmo que determinar os valores e vectores prprios de A:
|AI| = 0

7
5 2

= 0 ()(2 ) 35 = 0 = 7 = 5.
Calculemos os vectores prprios associados a = 7:
(A7I) = 0
_
7 7
5 5
_ _
x
y
_
= 0 x = y.
Logo, os vectores prprios associados a = 7 so os vectores x(1, 1), com x = 0.
Vectores prprios associados a = 5:
(A+ 5I) = 0
_
5 7
5 7
_ _
x
y
_
= 0 x =
7
5
y.
Logo, os vectores prprios associados a = 5 so os vectores y
_

7
5
, 1
_
, com y = 0.
7.2 Diagonalizao
Recorde que uma matriz D diz-se diagonal se todas as entradas fora da diagonal
principal de D so nulas. Ou seja, D uma matriz da forma
D =
_

1
0
.
.
.
.
.
.
.
.
.
0
n
_

_
.
86
O clculo de potncias D
k
extremamente simples neste caso, j que D
k
a matriz
diagonal obtida a partir de D elevando a k os elementos da diagonal principal, i.e.
D
k
=
_

k
1
0
.
.
.
.
.
.
.
.
.
0
k
n
_

_
.
Por outro lado, dado um vector u R
n
, fcil calcular A
k
u sempre que u um
vector prprio de A associado a um valor prprio : com efeito, se Au = u ento
A
k
u =
k
u.
Quando u R
n
um qualquer vector, no necessariamente um vector prprio, existem
casos em que igualmente fcil calcular A
k
u: os casos em que A diagonalizvel, i.e.
A pode ser transformada numa matriz diagonal:
Denio 7.10. Uma matriz A do tipo n n diz-se diagonalizvel se existe uma
matriz invertvel P tal que
D = P
1
AP
uma matriz diagonal. Diz-se que P diagonaliza A.
Interessa-nos saber quando uma matriz diagonalizvel para poder usufruir das
vantagens aritmticas desta propriedade. O teorema que se segue d resposta a esta
questo:
Teorema 7.11. Seja A uma matriz de ordem n. Ento:
(1) A diagonalizvel se e s se tem n vectores prprios linearmente independentes
(i.e., se e s se existe uma base de R
n
constituda por vectores prprios).
(2) Se D = P
1
AP ento as colunas de P tm os vectores prprios de A, e as entradas
da diagonal principal de D tem os valores prprios correspondentes.
Exemplos 7.12.
(a) Vimos no exemplo 7.5 (a), que a matriz
A =
_
_
3 1 0
0 3 1
0 0 3
_
_
tinha um nico valor prprio = 3, e que os vectores prprios associados eram os
vectores da forma x(1, 0, 0), x = 0. Claramente, estes vectores no podem formar
uma base de R
3
, j que dimspan {(1, 0, 0)} = 1. Portanto, pelo teorema 7.11 (1),
conclumos que A no diagonalizvel.
87
(b) Do exemplo 7.5 (b), sabemos que a matriz
A =
_
_
2 0 0
5 2 5
5 0 3
_
_
tem por vectores prprios:
- os vectores prprios associados a = 2, ou seja, todos os vectores no nulos
do subespao prprio
V
2
=
_
(z, y, z) R
3
: y, z R
_
= span {(0, 1, 0), (1, 0, 1)} ,
- e os vectores prprios associados a = 3, que so todos os vectores no nulos
no subespao prprio
V
3
=
_
(0, y, y) R
3
: y R
_
= span {(0, 1, 1)} .
Os vectores (0, 1, 0) e (1, 0, 1) so claramente linearmente independentes. Pela
proposio 7.6, conclumos que (0, 1, 0), (1, 0, 1) e (0, 1, 1) so 3 vectores line-
armente independentes em R
3
e, portanto, formam uma base
B = {(0, 1, 0), (1, 0, 1), (0, 1, 1)}
de R
3
constituda por vectores prprios.
Logo, pelo teorema 7.11 (1), A diagonalizvel. Usando a alnea (2) do mesmo
teorema, podemos agora determinar a matriz P que diagonaliza A, bem como a
matriz diagonal D. A matriz P tem nas colunas os vectores prprios da base B,
i.e.
P =
_
_
0 1 0
1 0 1
0 1 1
_
_
.
A matriz diagonal D (respeitando a ordem dos vectores da base B e, logo, a
ordem dos valores prprios na matriz)
D =
_
_
2 0 0
0 2 0
0 0 3
_
_
.
Finalmente, a relao entre a matriz A e a matriz D
D = P
1
AP.
(c) Seja
A =
_
_
1 0 0
8 4 6
8 1 9
_
_
.
88
(1) Valores prprios:
|AI| = 0

1 0 0
8 4 6
8 1 9

= 0 (1 )

4 6
1 9

= 0
(1 )(
2
13 + 42) = 0 (1 )( 6)( 7) = 0.
Logo, os valores prprios de A so = 1, = 6 e = 7.
(2) Vectores prprios associados a = 1:
[AI | 0] =
_
_
0 0 0
8 3 6
8 1 8

0
0
0
_
_

(...)
_
_
8 3 6
0 4 2
0 0 0

0
0
0
_
_

_
x =
15
16
z
y =
1
2
z
Ento, os vectores prprios associados a = 1 so os vectores z
_

15
16
,
1
2
, 1
_
,
com z = 0. O subespao prprio associado :
V
1
= span
__

15
16
,
1
2
, 1
__
.
(3) Vectores prprios associados a = 6:
[A6I | 0] =
_
_
5 0 0
8 2 6
8 1 3

0
0
0
_
_

(...)
_
_
5 0 0
0 1 3
0 0 0

0
0
0
_
_

_
x = 0
y = 3z
Ento, os vectores prprios associados a = 1 so os vectores da forma
z (0, 3, 1), com z = 0. O subespao prprio associado :
V
6
= span {(0, 3, 1)} .
(4) Vectores prprios associados a = 7:
[A7I | 0] =
_
_
6 0 0
8 3 6
8 1 2

0
0
0
_
_

(...)
_
_
6 0 0
0 3 6
0 0 0

0
0
0
_
_

_
x = 0
y = 2z
Ento, os vectores prprios associados a = 1 so os vectores da forma
z (0, 2, 1), com z = 0. O subespao prprio associado :
V
7
= span {(0, 2, 1)} .
Dos subespaos prprios encontrados, vemos que podemos escolher 3 vectores pr-
prios linearmente independentes
_

15
16
,
1
2
, 1
_
, (0, 3, 1) e (0, 2, 1) (so l.i. pela
proposio 7.6). Logo,
B =
__

15
16
,
1
2
, 1
_
, (0, 3, 1), (0, 2, 1)
_
89
uma base de R
3
constituda por vectores prprios e, pelo teorema 7.11 (1), A
diagonalizvel. Isto , existe uma matriz P invertvel tal que
D = P
1
AP.
A matriz P que diagonaliza A
P =
_
_

15
16
0 0

1
2
3 2
1 1 1
_
_
.
A matriz diagonal D (respeitando a ordem dos vectores da base B)
D =
_
_
1 0 0
0 6 0
0 0 7
_
_
.
Observe que
D = P
1
AP A = PDP
1
.
Ento, resulta do teorema 7.11 a seguinte frmula para o clculo de potncias de matrizes
diagonalizveis:
Proposio 7.13. Se A uma matriz diagonalizvel por P, i.e. se D = P
1
AP, ento
A
k
= PD
k
P
1
.
Exemplo 7.14. Vimos no exemplo 7.12 (b) que a matriz
A =
_
_
3 1 0
0 3 1
0 0 3
_
_
diagonalizvel na forma D = P
1
AP, onde
P =
_
_
0 1 0
1 0 1
0 1 1
_
_
, D =
_
_
2 0 0
0 2 0
0 0 3
_
_
.
Assim,
A
k
=
_
_
0 1 0
1 0 1
0 1 1
_
_
_
_
2 0 0
0 2 0
0 0 3
_
_
k
_
_
0 1 0
1 0 1
0 1 1
_
_
1
=
_
_
0 1 0
1 0 1
0 1 1
_
_
_
_
(2)
k
0 0
0 (2)
k
0
0 0 3
k
_
_
k
_
_
1 1 1
1 0 0
1 0 1
_
_
=
_
_
(2)
k
0 0
(2)
k
3
k
(2)
k
(2)
k
3
k
3
k
(2)
k
0 3
k
_
_
.
90
Vimos na seco anterior que podamos denir valores e vectores prprios de trans-
formaes lineares, dada a relao entre estas funes e matrizes. de esperar que a
diagonalizao tenha tambm uma interpretao no contexto das transformaes line-
ares.
Seja A uma matriz de ordem n diagonalizvel, diagonalizada por P. Suponhamos
que v
1
, v
2
, . . . , v
n
so os vectores das colunas de A e que
1
,
2
, . . . ,
n
so as entradas da
diagonal principal de D. Ento, pelo teorema 7.11, os vectores v
i
so vectores prprios
associados a
i
que formam uma base B = {v
1
, . . . , v
n
} de R
n
.
Considere a transformao linear T : R
n
R
n
denida por A, i.e.
T(u) = Au.
Observe que P a matriz mudana de base, da base B para a base cannica de
R
n
(j que P tem nas colunas os vectores da base B na base cannica). Pelo teorema
6.31, a matriz de T em relao nova base B de vectores prprios a matriz
D = P
1
AP.
Ou seja, D = M(T; B, B) a matriz de T em relao base B de vectores
prprios.
R
n
b.c
T
A
//
R
n
b.c
id
R
n
P
1

R
n
B
P id
R
n
OO
D
T
//
R
n
B
91