Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Apresentaca o
curso de Algebra
Linear. Contudo, a estrutura do curso a distancia
fez com que meu texto se tornasse mais abstrato do que intencio
nava: para tornar possvel o ensino de assuntos basicos da Algebra
Linear em apenas dois meses, a estrutura euclidiana quer dizer,
produtos internos e normas foram relegados a um segundo curso,
continuaca o deste. Assim, aspectos geometricos que julgo fundamentais foram postergados para esse futuro curso.
Para sanar essa deficiencia, tentei apresentar uma visao geometrica dos assuntos abordados. Uma vez concluda a redaca o deste
livro, julguei o resultado final como bastante aceitavel, ainda mais
levando em conta o exguo perodo em que ele foi redigido. Com a
oportunidade de ensina-lo e entao ouvir a opiniao dos alunos sobre
ele, melhorias podem ser implementadas e suas deficiencias minoradas.
livros de Algebra
Linear do Prof. Reginaldo Santos. Tomei a liberdade de utiliza-los, conhecedor do enorme desprendimento que o
caracteriza.
Agradeco a` Profa. Maria Cristina Costa Ferreira por sugestoes e
que muito aprimoraram este texto.
correcoes
Hamilton Prado Bueno
julho de 2009
iii
Ao Aluno
Os assuntos apresentados neste livro dao continuidade a` obra
Sumario
Apresentaca o
iii
Ao Aluno
1 Conceitos Fundamentais
1.1 Vetores na Fsica e na Matematica . . . . . . . .
1.2 Sistemas Lineares e o Metodo de Gauss-Jordan
1.3 Calculo de Determinantes . . . . . . . . . . . .
1.4 Exerccios . . . . . . . . . . . . . . . . . . . . . .
2 O Espaco Rn
2.1 Equaca o Parametrica do Plano .
2.2 Sistemas Lineares em 3 variaveis
2.3 O Espaco Rn . . . . . . . . . . . .
2.4 Espacos Vetoriais Abstratos . . .
2.5 Exerccios . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
3 Subespacos do Rn e Bases
Lineares
3.1 Subespacos e Combinacoes
3.2 Bases . . . . . . . . . . . . . . . . . .
3.3 Dimensao . . . . . . . . . . . . . . .
3.4 Exerccios . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
6
11
15
.
.
.
.
.
17
17
19
21
24
25
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
27
35
37
41
4 Aplicacoes
Lineares
Lineares e Matrizes Parte I
4.1 Aplicacoes
4.2 Espaco Linha e Espaco Coluna . . . . .
4.3 Multiplicaca o de Matrizes . . . . . . . .
4.4 Exerccios . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
43
48
54
55
5 O Teorema do Nucleo
e da Imagem
.
.
.
.
.
.
.
.
.
.
.
.
57
57
58
61
63
6 Mudancas de Base
6.1 Representaca o de um Vetor em uma Base
Lineares e Matrizes Parte II .
6.2 Aplicacoes
6.3 Aplicaca o: Diagonalizaca o de uma Matriz
6.4 Exerccios . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
65
65
67
72
76
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
SUMARIO
viii
7 O Teorema de Cayley-Hamilton
Lineares
7.1 Polinomios
de Aplicacoes
7.2 Subespacos Invariantes . . . . . . .
7.3 O teorema de Cayley-Hamilton . .
7.4 Aplicacoes
. . . . . . . . . . . . . .
7.5 Exerccios . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
79
79
80
81
83
83
Referencias Bibliograficas
85
Indice
Remissivo
86
Captulo 1
Conceitos Fundamentais
Objetivos: No final do Captulo o aluno deve saber:
1. distinguir o uso de vetores na Fsica e na Matematica;
2. resolver sistema lineares pelo metodo de Gauss-Jordan;
3. calcular determinantes por meio do escalonamento de uma
matriz.
seta e o modulo
como o tamanho daquela seta. Sendo mais preciso, cada reta do espaco define uma direca o, convencionando-se
que retas paralelas definem a mesma direca o. Escolhido um segmento em uma reta, ao orientarmos esse segmento escolhemos um
sentido para o vetor. Finalmente, o comprimento do segmento e o
modulo
desse vetor.
Assim, um vetor ~v fica definido ao escolhermos dois pontos no
espaco: o ponto inicial Pi e o ponto final Pf . Mas segmentos parale
los, com o mesmo sentido e o mesmo modulo,
representam o mesmo
vetor. No caso de termos Pi = Pf , temos o vetor ~0. Note que ao vetor
~0 nao define uma direca o!
`
Pf
`
Pi
`
Q f
`
Qi
CAPITULO
1. CONCEITOS FUNDAMENTAIS
Aprendemos ainda que vetores podem ser somados e multiplicados por escalares (o nome que passamos a utilizar para nos referir
Qf
1
~u + ~v
v
- ~
~u Pf = Qi
Pi
Figura 1.2: A adica o de vetores.
Exerccio 1.1 Na figura 1.2, os vetores v e w pertencem ao plano do papel deste livro.
Se os vetores pertencem ao espaco, ainda assim a figura esta correta?
A multiplicaca o do vetor ~v pelo escalar e definida como o vetor
~v com a mesma direca o do vetor ~v, com o mesmo sentido, se > 0,
v
3v
~ = Qi Q f
e final nao e tao simples: dados dois vetores ~v = Pi Pf e w
~ e obtido
(isto e , dois segmentos orientados de retas), o vetor ~v + w
~ , passando pelo
por meio de uma reta r, paralela a` reta definida por w
ponto Pf . Nessa reta, obtemos dois pontos cuja distancia ao ponto Pf
e a mesma que a distancia entre Qi e Q f . Ao escolhermos a soluca o
w
~
Qi
Qf
1
R f
~v
Pi
Pf
~ =
Exerccio 1.5 Repita o exerccio anterior no caso dos vetores espaciais ~v = Pi Pf e w
um unico
vetor 0P, cujo ponto inicial e a origem 0 e cujo ponto final
e o ponto P. Se os vetores Qi Q f e Ri R f sao iguais, a eles corresponde
*
~v
~v
~u
Figura 1.5: A adica o de vetores e comutativa, pois vetores sao somados de acordo com a regra do paralelogramo.
CAPITULO
1. CONCEITOS FUNDAMENTAIS
~ = ( Pi Pf + Qi Q f ) + Ri R f = Pi Q f + Ri R f
(~u + ~v) + w
= Pi R f
~ ).
= Pi Pf + Qi R f = Pi Pf + ( Qi Q f + Ri R f ) = ~u + (~v + w
Confira esses calculos na Figura 1.6.
>
6R f
*
Qf
-
= Ri
P f = Qi
Pi
*6
v
~v3
-
v1 = ~v1
v2
~v2
w
~
-1
~
v1
~1
-w
-
~v1 + w
~1 x
~v1 + w
~1
= ( v 1 + w1 ) + ( v 2 + w2 ) + ( v 3 + w3 )
= ( x0 + x1 , 0, 0) + (0, y0 + y1 , 0) + (0, 0, z0 + z1 )
= ( x0 + x1 , y0 + y1 , z0 + z1 ).
Em outras palavras, o tratamento anterior nos mostra que podemos encontrar facilmente a soma de dois vetores, se conhecemos as
coordenadas de ambos: basta somar as coordenadas correspondentes.
Exerccio 1.6 Justifique: se v = ( x0 , y0 , z0 ), entao v = (x0 , y0 , z0 ). Em particular,
v = (1)v = ( x0 , y0 , z0 ), de modo que esta definida a subtraca o de dois vetores:
v w = v + (w).
Uma vez resolvido o exerccio anterior, falta apenas um passo
para encontrarmos uma soluca o pratica para os Exerccios 1.4 e 1.5.
B
B
B
B
B
NB
:
Pf
CAPITULO
1. CONCEITOS FUNDAMENTAIS
~n
Exerccio 1.9 Porque a figura anterior nao corresponde ao sentido de vetor utilizado na
Matematica?
Quando conveniente, ilustramos figuras utilizando o conceito
fsico de vetor. Essa situaca o ocorre com frequencia no estudo da Ge
ometria Analtica, abordada no texto Geometria Analtica e Algebra
Linear: uma Visao Geometrica, de D. Avritzer. Voce esta convidado
a rever os Captulos 1 a 4 do tomo II daquele livro.
+ ... +
+ ... +
..
.
a1n xn
a2n xn
am1 x1 + . . . + amn xn
= b1
= b2
.. ..
. .
= bm .
..
..
.. .. = .. ,
..
.
.
.
.
.
.
am1 am2
amn
xn
bm
ou,
Ax = b
Se b = 0, o sistema e chamado homogeneo; se b 6= 0, o sistema
e nao homogeneo. Os sistemas Ax = b e Ax = 0 relacionam- se de
sobre as solucoes
de
um modo especial, de modo que informacoes
um fornecem dados importantes para a soluca o do outro. Por esse
motivo, no estudo do sistema Ax = b, o sistema Ax = 0 e chamado
sistema homogeneo associado.
Vamos estudar o sistema Ax = b. Para isso, mais sinteticamente
1.2. SISTEMAS LINEARES E O METODO
DE GAUSS-JORDAN 7
..
.
a1n
a2n
..
.
am1 am2
amn
a11
a21
..
.
A = ( A | b) =
a12
a22
..
.
b1
b2
..
.
bm
sobre as linhas da
E facil verificar que as seguintes operacoes
do sistema Ax = b:
matriz A nao alteram o conjunto de solucoes
( a) Transpor as linhas i e j;
(b) Multiplicar a linha i por um escalar nao nulo;
+
+
...
...
+
+
ain xn
a jn xn
=
=
bi
bj
+
+
...
...
+
+
ain xn
( a jn + ain ) xn
=
=
bi
b j + bi .
CAPITULO
1. CONCEITOS FUNDAMENTAIS
1 2 3
A = ( A | b) =
2 2 2
2 .
Subtraindo da segunda linha duas vezes a primeira e entao dividindo por (2) a (nova) segunda linha, obtemos
1 2 3 4
,
0 1 2 3
matriz que esta na forma escalonada.
Por outro lado, trocando as duas linhas da matriz original A, dividindo a (nova) primeira linha por 2 e entao subtraindo a segunda
linha, chegamos a
1 1 1 1
,
0 1 2 3
que tambem esta na forma escalonada.
Assim, a uma mesma matriz podem corresponder diferentes formas escalonadas! Note, entretanto, que os pivos sao os mesmos nas
duas formas obtidas.
1 0 0 0 0 0 b1
1 0 0 0 0 0 b2
0 1 0 0 0 0 b3
1 1 1 1 0 0 b4
0 0 0 0 1 3 b5
Queremos determinar para quais valores de b1 , . . . , b5 o sistema
tem soluca o. Se ele tiver soluca o, queremos determina-la.
Levando a matriz aumentada do sistema a` forma escalonada reduzida por linhas, obtemos
1 0 0 0 0 0
b1
0 1 0 0 0 0
b3
0 0 1 1 0 0 b4 b1 b3 .
0 0 0 0 1 3
b5
0 0 0 0 0 0
b1 + b2
1.2. SISTEMAS LINEARES E O METODO
DE GAUSS-JORDAN 9
A ultima
linhas nos mostra que esse sistema apenas possui soluca o se tivermos b1 + b2 = 0. Quer dizer, se tivermos b1 + b2 6= 0, o
sistema nao tem soluca o.
Se o sistema tiver soluca o, podemos determina-las.2 Suponhamos, portanto, que b1 + b2 = 0. Escrevemos as variaveis corres em termos das demais variaveis (chamadas
pondentes aos pivos
variaveis livres):
=
b1
=
b3
= (b4 b1 b3 ) x4
=
x4
=
b5 + 3x6
=
x6
x1
x2
x3
x4
x5
x6
bastante util:
x1
b1
0
0
x2
b3
0
0
x3 b4 b1 b3
1
0
+ x4
x4 =
1 + x6 0 . (1.1)
0
x5
0
3
b5
x6
Quer dizer, para quaisquer valores de b1 , b3 , b4 e b5 , e para quaisquer valores escolhidos para as variaveis livres x4 e x6 , a soluca o do
sistema Ax = b (com b1 + b2 = 0) e dada pela expressao anterior.
10
CAPITULO
1. CONCEITOS FUNDAMENTAIS
forma
escalonada reduzida por linhas.
nossa hipotese
de induca o aplica-se a` s colunas de R. Agora con para a coluna a: se ela possuir um pivo,
e de incognitas.
1.3. CALCULO
DE DETERMINANTES
11
sui um numero
r de pivos
de
equacoes.
Assim, ela possui n r de variaveis livres e, portanto,
infinitas solucoes.
2
do sistema.
Sabendo que (1, 1, 1) e uma de suas solucoes,
ache todas as solucoes
CAPITULO
1. CONCEITOS FUNDAMENTAIS
12
Exerccio 1.25 Justifique: se uma matriz quadrada estiver na forma escalonada, entao ela
e triangular superior.
O escalonamento de uma matriz (e o fato do determinante de
uma matriz triangular superior ser o produto das entradas diagonais dessa matriz) nos fornece um metodo eficiente para o calculo
do determinante de uma matriz.
De fato, sabemos que a aplicaca o da operaca o fundamental ( a)
a uma matriz faz com que seu determinante seja multiplicado por
1. A operaca o fundamental (b) faz com que o determinante seja
multiplicado pelo valor c, enquanto a operaca o fundamental (c) nao
fundamentais ( a), (b)
altera o valor do determinante. (As operacoes
e (c) foram descritas na Seca o 1.2.)
Vejamos um exemplo do calculo do determinante de uma matriz:
Exemplo 1.26 Consideremos a matriz
1
1
A=
1
4
1
2
1
3
1
2
3
2
1
2
.
3
1
1
1
det A = det
1
4
1
2
1
3
1
2
3
2
2
= det
3
1
1
1
1
1
0
1
1
1
. (1.2)
0
0
2
2
0 1 2 3
1
1
1
1
0
1
1
1
= (2) det
det A = det
0
0
2
2
0 1 2 3
1
0
0
0
1
1
1
1
1
1
.
0
1
1
0 1 2
Entao,
1
0
det A = (2) det
0
0
1
1
1
1
1
1
= (2) det
0
1
1
0 1 2
1
0
0
0
1
1
0
0
1
1
1
0
1
1
.
1
1
A ultima
matriz e triangular superior, de modo que seu determinante e o produto de suas entradas na diagonal principal. Assim,
det A = 2.
1.3. CALCULO
DE DETERMINANTES
13
1
1
1
1
1
1
= det
0
2
2
0 1 2
1
0
det A = det
0
0
1
0
0
0
1
1
0
0
1
1
1
1
,
2
2
0 1
2 1 3 1
1 0 1 1
0 2 1 0
0 1 2 3
Q=
0
1
1
0
0
0
0
0
0
0
1
1
2
1
0
0
0
0
0
0
2
2
2
0
0
0
0
0
0
0
1
2
1
0
0
0
0
0
0
0
2
2
3
1
1
1
2
3
3
6
3
2
1
1
2
1
2
4
1
3
3
3
3
0
3
1
2
3
4
4
3
3
1
0
1
2
7
4
1
1
1
1
1
1
2
1
1
1
5
2
0
1
1
1
1
1
1
4
6
1
1
1
2
3
3
6
2
1
2
4
1
3
3
1
2
3
4
4
Q=
A B
0 D
em que
0
1
A=
1
0
1
1
2
1
2
2
2
0
1
2
1
0
D=
1
2
7
4
1
1
2
1
1
1
5
2
1
1
1
4
6
1
14
CAPITULO
1. CONCEITOS FUNDAMENTAIS
A B
,
Q=
0 D
em que A e uma matriz m m e D uma matriz (n m) (n m). Entao,
det Q = det A det D.
A B0
j
k
(1) (1) det Q =
,
0 D0
em que A0 e D 0 sao matrizes triangulares superior. Como a matriz Q
e triangular superior, seu determinante e o produto de suas entradas
diagonais, de modo que
0
0
(1) j (1)k det Q = a11
a0mm d11
d0(nm)(nm)
= det A0 det D 0 ,
0 , . . . , a0
em que a11
ao as entradas diagonais da matriz A0 , enquanto
mm s
0 , . . . , d0
d11
ao as entradas diagonais de D 0 .
(nm)(nm) s
1
1
3
3
1
2
1
2
1
1
1
1
1
1
1
2
A B
,
0 D
em que os blocos A e D sao 2 2.
1.4. EXERCICIOS
1.4
15
Exerccios
1. Considere a matriz
1 2 1
A = 2 5 1 .
3 7 2
b1
1
2
(a) b2 ;
(b) 2 ;
(c) 1 ;
b3
1
2
1
(d) 1 .
1
0 0
3 9
5 15 10 40
1 3 1
5
.
45
7
Determine uma soluca o particular do sistema nao homogeneo, bem como todas as
do sistema homogeneo associado. Escreva sua resposta como no Exemplo
solucoes
1.11.
3. Utilizando o procedimento do Exemplo 1.26, calcule o determinante das matrizes
1 2 2
(a) 1 1 2 ;
0 1 2
1
1
(b)
1
5
1
1
3
1
2 1
9
1
1
2
;
1
6
1
1
1 1
1
2 1 2
.
(c)
1 1
2 1
1
3
3 2
16
CAPITULO
1. CONCEITOS FUNDAMENTAIS
Captulo 2
O Espaco Rn
Objetivos: No final do Captulo o aluno deve saber:
1. obter a representaca o parametrica do plano;
2. reconhecer a importancia de sistemas de coordenadas em
casos simples;
basicas no Rn .
3. efetuar operacoes
17
CAPITULO
2. O ESPAC
O RN
18
v
:
u
0
Figura 2.1: Os vetores u e v definem um sistema de coordenadas no
plano por eles determinado.
Acabamos de mostrar que todos os pontos daquele plano sao
descritos pelos parametros e . Um ponto Q( x, y, z) so pertencera
ao plano x + 2y + 3z = 0 se for possvel encontrar valores para e
de modo que u + v nos de as coordenadas de Q.
Quer dizer, o vetor q = ( x, y, z) e combinaca o linear dos vetores
u e v se, e somente se, o ponto Q = ( x, y, z) pertencer ao plano x +
2y + 3z = 0.
Note bem: apesar de todos os pontos do plano x + 2y + 3z = 0
serem pontos do espaco, conseguimos descreve-los utilizando duas
coordenadas: os valores de (que descreve a posica o de um ponto
do plano com respeito ao eixo gerado pelo vetor u) e (que descreve
a posica o de um ponto do plano com respeito ao eixo gerado pelo
vetor v). A origem corresponde aos valores (, ) = (0, 0). O valor
(, ) = (1, 0) corresponde ao ponto P1 = (2, 1, 0) do R3 . E assim
por diante.
Agora consideremos todos os termos da lado direito da igual
dade (2.1). Como vimos, os dois ultimos
criam um plano passando
pela origem; o primeiro translada esse plano, de modo que ele passe
pelo ponto P0 = (5, 0, 0). Veja a Figura 2.2.
A equaca o (2.1) e chamada equaca o parametrica do plano .
Voce deve se convencer que o exemplo anterior pode ser repetidos para qualquer plano ax + by + cz = d.
Exerccio 2.2 Considere o plano x y z = 1 e os vetores u = (1, 1, 0) e v = (1, 0, 1).
2.2. SISTEMAS LINEARES EM 3 VARIAVEIS
19
x 6
v
~
Q
:
~u
P 6
(2.2)
1 2 1 3
1 0
5 1
.
1 1 3 1
0 1 2
1
Portanto, a soluca o do sistema e
5
1
x
y = 1 +z 2 .
1
0
z
(2.3)
5
x
y = z 2 .
1
z
CAPITULO
2. O ESPAC
O RN
20
de um sistema
Em geral, ao procurarmos solucoes
a11 x + a12 y + a13 z = b1
a21 x + a22 y + a23 z = b2 ,
estamos verificando se esses dois planos1 sao paralelos ou, caso contrario, determinando a reta formada pela interseca o de ambos.
Expressando o sistema anterior em forma matricial, obtemos
x
b1
y =
.
b2
z
x0
b1
y0 =
.
b2
z0
(2.4)
( x0 , y0 , z0 )
x0
y0 .
z0
x1
x2
..
.
( x1 , . . . , x n ),
xn
1 Estamos
supondo que ( a11 , a12 , a13 ) 6= (0, 0, 0) e ( a21 , a22 , a23 ) 6= (0, 0, 0).
2.3. O ESPAC
O RN
21
em que ( x1 , . . . , xn ) designa um ponto generico de um espaco abstrato (que denotaremos por Rn ) nos permitira, como veremos no decorrer deste curso, interpretar geometricamente o sistema Ax = b, de
maneira semelhante a` que fizemos nos Exemplos 2.1 e 2.4.
Essa ultima
frase parece muito pretensiosa: se n > 3, como interpretar geometricamente a soluca o de um sistema m n, se nao
podemos vislumbrar o espaco Rn ? Bom, esse e um dos objetivos
deste curso, de modo que nao podemos justificar nossa pretensao
neste momento; mas tambem nao podemos deixar de destacar a
(1.1), (2.1) e (2.3)!
semelhanca entre as equacoes
2.3 O Espaco Rn
Definimos o conjunto Rn por
Rn = { x = ( x1 , x2 , . . . , xn ) : xi R} .
O numero
de coordenadas x1 , . . . , xn dependera do problema considerado. Os casos n = 2 e n = 3 correspondem a pontos do plano e
do espaco, respectivamente. Ao mostrarmos que algum resultado e
valido para o Rn , esse resultado sera verdadeiro para qualquer valor
de n = {1, 2, . . .}.
(2.5)
(2.6)
(i ) x + y Rn (fechamento);
(ii ) ( x + y) + z = x + (y + z) (associatividade);
(iii ) x + y = y + x (comutatividade);
(iv) existe 0 Rn tal que x + 0 = x (elemento neutro);
(v) existe ( x ) Rn tal que x + ( x ) = 0 (inverso aditivo);
(vi ) x Rn (fechamento);
(vii ) (x ) = () x (associatividade);
(viii ) ( x + y) = x + y (distributividade);
(ix ) ( + ) x = x + x (distributividade);
( x ) 1x = x (regra da unidade).
CAPITULO
2. O ESPAC
O RN
22
= (y1 + x1 , y2 + x2 , . . . , yn + yn ) = y + x.
Note que a adica o no Rn e feita adicionando cada coordenada; como
= ( x1 + y1 ), . . . , ( x n + y n )
= (x1 + y1 , . . . , xn + yn )
= (x1 , . . . + xn ) + (y1 , . . . , yn )
= x + y.
( x1 , . . . , x n ) Rn
x1
x2
..
.
xn
que permite compreender um ponto do Rn como uma matriz co entre matrizes colunas as
luna e que faz corresponder a` s operacoes
definidas no Rn . Podemos mesmo ate levar mais adiante
operacoes
essa interpretaca o, identificando pontos do Rn com colunas de uma
matriz!
2.3. O ESPAC
O RN
23
1 1
0 1
0
3 1 0
.
A=
0
1
1 0
0 1
0 0
( x1 , x2 , x3 , x4 )
x1
x2
x3
x4
1 0 0 1
0 1 0 0
0 0 1 0 ,
0 0 0 0
de modo que sua soluca o e
x1
1
x2
0
x3 = x4 0 .
x4
1
do sistema sao os multiplos
Exerccio 2.10 Como feito nos Exemplos 2.1 e 2.4, indique o sistema de coordenadas estabelecido ao se obter a soluca o do Exemplo 2.9.
do sistema
Exerccio 2.11 Encontre as solucoes
x1 + 2x2 + 3x3 + x4 = 8
x1 + 3x2 + 0x3 + x4 = 7
x1 + 0x2 + 2x3 + x4 = 3
desse sistema.
Interprete geometricamente as solucoes
CAPITULO
2. O ESPAC
O RN
24
(i ) x + y X (fechamento);
(ii ) ( x + y) + z = x + (y + z) (associatividade);
(iii ) x + y = y + x (comutatividade);
(iv) existe 0 X tal que x + 0 = x (elemento neutro);
(v) existe ( x ) X tal que x + ( x ) = 0 (inverso aditivo);
(vi ) x X (fechamento);
(vii ) (x ) = () x (associatividade);
(viii ) ( x + y) = x + y (distributividade);
(ix ) ( + ) x = x + x (distributividade);
( x ) 1x = x (regra da unidade).
Neste texto nao daremos muita e nfase a espacos vetoriais abstratos. Mas alguns exemplos sao importantes:
Exemplo 2.13 Seja P = { a0 + a1 t + . . . + an tn } o conjunto de po
linomios
em t com coeficientes reais e grau menor do que ou igual a
por um numero
real, P e um espaco vetorial.
2.5. EXERCICIOS
25
propriedades (i ) ( x ) da Definica o 2.12. Muitas vezes, para salien como e , respectitarmos esse fato, denotamos essas operacoes
vamente. Assim, a propriedade (iii ) pode ser descrita por x y =
y x, enquanto (vii ), ( x ) = () x. Note que indica a
x X e unico.
2.3 e 2.4 com a Seca o 1.1,
Observaca o 2.18 Comparando as Secoes
nao podemos ignorar uma diferenca: na Seca o 1.1 foi utilizado o
conceito de norma de um vetor, conceito esse que nao foi definido no
espaco Rn ou em espacos vetoriais abstratos. Tambem nao foi definido o produto escalar de dois vetores. Isso aconteceu por uma razao
muito simples: este curso trata apenas das propriedades algebricas
2.5 Exerccios
1. Em cada caso, encontre a equaca o parametrica do plano
(a) x + 2y + z = 3;
(b) x y + 2z = 5;
do sistema
2. Encontre as solucoes
x + y + z = 7
(a)
x y + 2z = 2;
(c) x + y + z = 1.
(b)
x 5y + 3z = 0
2x + y z = 1.
1 7 0 0 8 3
1 0 0 0 6
0 0 1 0
6
5
.
(b)
(a) 0 1 0 0 3 ;
0 0 0 1
3
9
0 0 1 1 2
0 0 0 0
0
0
26
CAPITULO
2. O ESPAC
O RN
Em cada caso, interprete geometricamente a soluca o obtida.
polinomio
por um escalar definidos da maneira usual.
Captulo 3
Subespacos do Rn e Bases
Objetivos: No final do Captulo o aluno deve saber:
1. verificar se um subconjunto e um subespaco;
2. verificar se um conjunto e linearmente independente;
3. verificar que um conjunto e uma base de um subespaco;
4. operar com o conceito de dimensao de um subespaco.
(i ) x + y S;
(ii ) x S.
Uma vez que 0x = 0 para qualquer x Rn , vemos que 0 Rn e
um elemento de qualquer subespaco do Rn .
Exemplo 3.2 Considere o subconjunto S = {0} Rn . Entao S e
um subespaco de Rn , pois 0 + 0 = 0 S e 0 = 0 S, para todo
R. Considere tambem o subconjunto S0 = Rn . Claramente S0 e
um subespaco do Rn . Os subespacos S e S0 sao chamados subespacos
triviais do Rn .
por um unico
parametro: o valor do numero
real t. Compare com o
Exemplo 2.4.
27
28
CAPITULO
3. SUBESPAC
OS DO R N E BASES
e multiplo
do outro. Justifique a denominaca o: Z e um plano passando pela origem no
n
R . Verifique que os vetores u, v geram um sistema de coordenadas em que os pontos do
plano Z sao descritos por dois parametros: e . (Compare com o Exemplo 2.1.)
Observaca o 3.5 No Exerccio 3.4, voce pode achar estranha a exigencia
dos vetores u, v nao serem colineares. Ora, caso contrario, teramos
u = v, por exemplo. Mas entao
Z = {v + v} = {( + )v}
No proximo
resultado identificamos qualquer soluca o x de Ax =
0 com um ponto do Rn :
Proposica o 3.9 Sejam A uma matriz m n. Entao o nucleo
de A,
ker A = { x Rn : Ax = 0}
e um subespaco do Rn .
Demonstraca o: Sejam x1 , x2 ker A. Entao Ax1 = 0 e Ax2 = 0, de
modo que A( x1 + x2 ) = Ax1 + Ax2 = 0 + 0 = 0. Similarmente, se
R, entao A(x1 ) = Ax1 = 0 = 0.
2
Examine novamente os Exemplos 1.11, 2.1 e 2.4, passando sempre ao sistema homogeneo associado. Em todos eles encontramos
subespacos do Rn (em que o valor de n depende do exemplo).
do sistema Ax = b nao formam um subespaco
Exerccio 3.10 Se b 6= 0, entao as solucoes
do Rn .
Seja S um subespaco do Rn . Nosso objetivo neste Captulo pode
ser descrito como a introduca o de um sistema (linear) de coordenadas em S, de maneira semelhante ao que foi feito no Exemplo 3.3 e
3.1. SUBESPAC
OS E COMBINAC
OES
LINEARES
29
no Exerccio 3.4. Mas nosso caminho ate alcancar esse objetivo ainda
e longo...
Em primeiro lugar, precisamos definir o que e um sistema de coordenadas (linear) ou, como os matematicos preferem denominar, uma
base. Esse conceito depende, em certa extensao, do problema considerado: no caso de um plano, um sistema de coordenadas utiliza dois eixos coordenados; no espaco, usa tres eixos. Dizer que
uma base e um sistema de eixos coordenados parece bom, mas preferimos usar, provisoriamente, uma linguagem mais pictorica, por
acreditarmos ser ela mais elucidativa. Assim, definimos provisoriamente uma base como um conjunto B de vetores satisfazendo:
numero
menor de coordenadas.
que precisam ser tratadas para chegarExistem varias questoes
mos ao conceito de base. E claro, precisamos dizer o que significa
relevantes (para o problema
um conjunto ter todas as informacoes
superfluas. Definidos esses conconsiderado) e nao ter informacoes
praticas passam a ser pertinentes: como obceitos, varias questoes
relevantes sobre
ter um conjunto que possui todas as informacoes
o problema considerado? Como verificar se esse conjunto possui
superfluas? Como retirar do conjunto as informacoes
informacoes
superfluas? Essas perguntas serao tratadas neste captulo.
Comecamos generalizando a construca o feita no Exemplo 3.3 e
< v1 , v2 , . . . , vk > = {1 v1 + . . . + k vk : 1 , . . . , k R}
e um subespaco do Rn , chamado subespaco gerado pelos vetores v1 , . . . , vk .
Demonstraca o: Sejam x, y < v1 , . . . , vk >. Entao existem escalares
1 , . . . , k e 1 , . . . , k tais que
x = 1 v1 + . . . + k v k
y = 1 v1 + . . . + k v k .
CAPITULO
3. SUBESPAC
OS DO R N E BASES
30
Consequentemente,
x + y = ( 1 + 1 ) v1 + . . . + ( k + k ) v k
e
x = (1 )v1 + . . . + (k )vk
sao elementos de < v1 , . . . , vk >, provando o afirmado.
o numero
de elementos k utilizados na definica o desse espaco. Por
exemplo, se k = 2, < v1 , v2 > pode nao ser um plano, como vimos
na Observaca o 3.5.
Exerccio 3.13 Sejam v1 = (1, 0, 0), v2 = (0, 1, 0) e v3 = (1, 1, 0). Descreva o subespaco
< v1 , v2 , v3 >.
linear dos vetores v1 , . . . , vk
Definica o 3.14 Um vetor v e combinacao
se existem escalares 1 , . . . , k tais que
1 v1 + . . . + k vk = v.
(3.1)
( + 2 + , 2 + + + , + + + e, + + + ) = (5, 2, 3, 1)
3.1. SUBESPAC
OS E COMBINAC
OES
LINEARES
31
< v1 , . . . , v k >
A ultima
igualdade da origem ao sistema nao homogeneo
1 2 1 0 0
5
2
2 1 1 1 0
1 1 1 0 1 = 3 .
1
1 1 1 1 0
e
Note que a matriz e formada tendo justamente os vetores v1 , . . . , v5
como colunas. Escalonando a matriz aumentada do sistema, obtemos
1 2 1 0 0 5
1 0 0 0
0
11
2 1 1 1 0 2
0 1 0 0 1
2
1 1 1 0 1 3 0 0 1 0
2 10
1 1 1 1 0 1
0 0 0 1 1 4
Assim, sua soluca o e dada por
11
2+e
= 10 2e =
4 + e
e
e
11
2
10
4
0
+e
0
1
2
1
1
32
CAPITULO
3. SUBESPAC
OS DO R N E BASES
1 0
0 1
0 0
(3.3)
1
1
2 = 3 1 .
3
1
3.1. SUBESPAC
OS E COMBINAC
OES
LINEARES
33
Como o sistema homogeneo possui soluca o nao trivial, conclumos que os vetores e1 , e2 e v sao linearmente dependentes.
Substituindo a soluca o (1 , 2 , 3 ) = (1, 1, 1) em (3.3), obtemos
e1 e2 + v = 0,
ou, o que e o mesmo,
v = e1 + e2 .
(3.4)
e1
CAPITULO
3. SUBESPAC
OS DO R N E BASES
34
ou seja,
v1 = 2 v2 + . . . + k v k ,
em que i = i /1 para i = 2, . . . , k. Assim, v1 e combinaca o linear
dos vetores {v2 , . . . , vk }.
Reciprocamente, se (por exemplo) v1 = 2 v2 + . . . + k vk , entao
1v1 2 v2 . . . k vk = 0
e ao menos um dos escalares (qual seja, o coeficiente de v1 ) e nao
nulo, mostrando que esse conjunto e linearmente dependente.
2
Note que, se tivermos 1 v1 + . . . + k vk = 0, podemos escrever
qualquer vetor relacionado a um coeficiente i 6= 0 como combinaca o linear dos vetores restantes: na demonstraca o anterior, esse fato
e usado ao dividirmos a equaca o (3.5) pelo escalar 1 6= 0.
Observaca o 3.23 Retirado um vetor superfluo de um conjunto linearmente dependente, nao podemos garantir que o conjunto restante seja formado apenas por vetores essenciais. Isto e , pode ser
que o conjunto restante ainda seja linearmente dependente. Veremos, posteriormente, um metodo para retirar de uma vez todos os
vetores superfluos de um conjunto linearmente dependente. Veja a
Observaca o 4.23.
Exerccio 3.24 Verifique se o conjunto {(1, 1, 2, 1), (1, 1, 1, 1), (2, 1, 1, 1), (2, 1, 2, 1)} e linearmente dependente ou linearmente independente. Se for linearmente dependente, escreva um dos vetores como combinaca o linear dos vetores restantes.
Exerccio 3.25 Suponha que o vetor v pertenca ao espaco < v1 , . . . , vk >. Mostre que o
conjunto {v, v1 , . . . , vk } e linearmente dependente.
Exemplo 3.26 Sejam v2 , . . . , vk vetores quaisquer do Rn . Entao o
conjunto {0, v2 , . . . , vk } e linearmente dependente. (Aqui, 0 denota
o vetor nulo.) Assim, qualquer conjunto que contenha o vetor nulo
e linearmente dependente.
De fato, temos que
1 0 + 2 v2 + . . . + k v k = 0
possui a soluca o nao trivial 1 = 1, 2 = . . . = n = 0. Voce e capaz
linguagem pictorica
introduzida anteriormente, isso quer dizer que
3.2. BASES
35
3.2 Bases
Definica o 3.30 Uma base B = {v1 , . . . , vk } de um subespaco S do Rn e
um conjunto ordenado de vetores de S que gera esse subespaco e e linearmente independente.
Por conjunto ordenado queremos dizer que a ordem dos elementos e importante. Em outras palavras, os conjuntos ordenados {u, v, w},
{u, w, v} e {w, u, v} sao distintos! Posteriormente explicaremos a
razao de definirmos uma base como um conjunto ordenado. (Veja
a Observaca o 6.3.)
Assim, para verificar que um conjunto B e uma base do subespaco
independentes:
S, precisamos verificar tres afirmacoes
(i ) os elementos de B pertencem a S;
(ii ) todo elemento de S e combinaca o linear dos elementos de B ;
(iii ) o conjunto B e linearmente independente.
Essas tres exigencias sao a expressao, em termos matematicos, das
(i ), (ii ) e (iii ) apresentadas na pagina 29.
condicoes
36
CAPITULO
3. SUBESPAC
OS DO R N E BASES
+ . . . + xn (0, . . . , 0, 1)
= x 1 e1 + x 2 e2 + . . . + x n e n ,
mostrando que {e1 , . . . , en } gera o Rn . Alem disso,
0 = 1 e1 + . . . + n e n
= (1 , 0, . . . , 0) + (0, 2 , 0, . . . , 0) + . . . + (0, . . . , 0, n )
= ( 1 , . . . , n ),
o que implica que 1 = . . . = n = 0.
A base B = {e1 , . . . , en } e chamada base canonica do Rn .
A base canonica
introduz no Rn um sistema de coordenadas se
melhante ao sistema com eixos x, y e z do R3 . Assim, a base canonica
produz um sistema de coordenadas completamente natural. Para
que estudar outras bases no Rn ? A resposta e simples: a base canonica produz um sistema de coordenadas que pode nao ser o mais adequado ao problema que estamos tratando. Com um sistema de eixos
mais adequado, a obtenca o da resposta para o nosso problema pode
ser bem mais simples.
Alem disso, muitas vezes estamos interessados em um subespaco
particular do Rn , subespaco esse que pode funcionar como um plano
ou uma reta, por exemplo. Pode acontecer que nenhum (!) dos ve
tores da base canonica
pertenca a esse subespaco. Alem disso, os
Y e multiplo
de v, o que mostra que {v} gera o subespaco Y.
3.3. DIMENSAO
37
Exemplo 3.34 Seja B = {v1 , . . . , v j } um conjunto linearmente independente de vetores do Rn . Entao o subespaco < v1 , . . . , v j >
Rn tem B como base. De fato, todo elemento de < v1 , . . . , v j > e
uma combinaca o linear de elementos de B ; como esse conjunto e
linearmente independente e esta contido em < v1 , . . . , v j >, nossa
afirmaca o esta provada.
Exerccio 3.35 Se u e v nao forem colineares, mostre que {u, v} e uma base do subespaco
Z do Exerccio 3.4.
Exerccio 3.36 Mostre que o conjunto {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)} e uma
base do espaco R4 .
Proposica o 3.37 Se B = {v1 , . . . , vk } for a base de um subespaco V
3.3 Dimensao
Agora passamos a considerar o conceito de dimensao de um
subespaco; esse conceito pode ser utilizado para caracterizar todos
os subespacos do Rn .
Exemplo 3.38 Consideremos novamente o Exerccio 3.4 no caso em
que u = (1, 0, 0) e v = (0, 1, 0) sao vetores do R3 . De acordo com o
Exerccio 3.35, {u, v} e uma base do subespaco
Z = {u + v : , R}.
Afirmamos que {u, u + v} e outra base de Z. Seja w = u + v =
(1, 1, 0). Queremos mostrar que {u, w} tambem e base de Z.
Temos que w Z, pois w = 1u + 1v. Assim, {u, w} Z. Se
x Z, entao
x = u + v = (1, 0, 0) + (0, 1, 0) = (, , 0).
Entao x e combinaca o linear de u e w. De fato,
(, , 0) = 1 u + 2 w
(, , 0) = (1 + 2 , 2 , 0).
CAPITULO
3. SUBESPAC
OS DO R N E BASES
38
(0, 0, 0) = 1 u + 2 w
(0, 0, 0) = (1 + 2 , 2 , 0).
Assim, 1 = 2 = 0 e a unica
soluca o de 0 = 1 u + 2 w.
(3.7)
(1 11 + 2 12 + 3 13 )v1 + (1 21 + 2 22 + 3 23 )v2 = 0.
Como B e um conjunto linearmente independente, devemos ter
1 11 + 2 12 + 3 13 = 0
1 21 + 2 22 + 3 23 = 0,
isto e ,
11 12 13
21 22 23
1
0
2 = 0 .
3
0
3.3. DIMENSAO
39
do que o numero
de incognitas,
o Teorema 1.19 garante que existe
soluca o nao trivial para o sistema, o que prova que C e linearmente
dependente.
2
Exerccio 3.40 Diga se os conjuntos sao linearmente dependentes ou linearmente independentes:
B = { v 1 , . . . , v k } e C = { u 1 , . . . , u k , u k +1 } ,
demonstre o Teorema 3.39. Deduza da entao o caso C = {u1 , . . . , uk , uk+1 , . . . , uk+r }, em
que r 1.
Corolario 3.42 Todas as bases de um subespaco S Rn possuem o mesmo
numero
de elementos.
Demonstraca o: Suponhamos que existam bases B e B 0 , com B tendo
menos elementos do que B 0 . De acordo com o Teorema 3.39, o conjunto B 0 seria linearmente dependente. Mas isso e impossvel, pois
B 0 e uma base de S e, consequentemente, um conjunto linearmente
independente. Chegamos a uma contradica o que mostra que todas
< u1 , . . . , u j > S.
Se < u1 , . . . , u j > = S, entao C e uma base de S, de acordo com o
Exemplo 3.34. Caso contrario, existiria um vetor u j+1 S tal que
u j+1 6 < u1 , . . . , u j >. De acordo com a Observaca o 3.28, o conjunto
{u1 , . . . , u j+1 } e linearmente independente.
Agora repetimos o raciocnio. Se < u1 , . . . , u j , u j+1 > = S, entao
o conjunto {u1 , . . . , u j+1 } e uma base de S. Caso contrario, existiria
40
CAPITULO
3. SUBESPAC
OS DO R N E BASES
e o proprio
Rn . Agora podemos caracterizar todos os subespacos do
Rn . Alem desses, existem todas as retas passando pela origem (que
sao os subespacos de dimensao 1), todos os planos passando pela
origem (que sao os subespacos de dimensao 2), todos os subespacos
de dimensao 3 e assim por diante, ate chegarmos a todos os subespa
3.4. EXERCICIOS
41
B = {v1 , . . . , vk } Y.
Entao, se uma das condico es seguintes for satisfeita, B e uma base de S:
(i ) o conjunto B gera Y;
(ii ) o conjunto B e linearmente independente.
Demonstraca o: Suponhamos inicialmente que B gere Y. Se esse conjunto fosse linearmente dependente, aplicando a Proposica o 3.47 obteramos entao um subconjunto de B , com menos que k elementos,
que seria uma base de Y. Mas isso contradiz Y ter dimensao k.
Por outro lado, se B fosse linearmente independente e nao gerasse Y, existiria vk+1 Y que nao e combinaca o linear dos vetores
de B . De acordo com a Proposica o 3.22 (ou a Observaca o 3.28), o
conjunto {v1 , . . . , vk , vk+1 } seria linearmente independente. Mas isso
contradiz o Teorema 3.39, pois existiria um conjunto linearmente independente com mais vetores do que a dimensao do espaco.
2
3.4 Exerccios
1. Determine os valores de a, b e c para que o vetor v = ( a, b, c) seja combinaca o linear
dos vetores u1 = (1, 1, 1), u2 = (1, 2, 3) e u3 = (2, 1, 1).
2. Sem utilizar determinantes, verifique se os vetores (1, 2, 3), (2, 3, 1) e (3, 2, 1)
sao linearmente dependentes ou linearmente independentes.
CAPITULO
3. SUBESPAC
OS DO R N E BASES
42
3. Seja
A=
1
3
4 3
1
1
(a)
2
0
0
2
4
1
1
1
2
1
1
2
;
4
2
1
1
(b)
1
0
2
2
1
0
2
1
2
0
0
0
.
0
1
de A, se
5. Encontre uma base para o nucleo
2
0
(a)
0
0
2
2
0
0
3
3
1
0
4
2
;
1
1
1 1 2
1 .
(b) 1 2
0 1 1
Captulo 4
Aplicacoes
Lineares
Objetivos: No final do Captulo o aluno deve saber:
1. reconhecer uma aplicaca o linear;
2. obter sua representaca o matricial;
4.1 Aplicacoes
Lineares e Matrizes Parte I
Ja vimos o tipo de conjunto que estudaremos neste curso: os
43
44
CAPITULO
4. APLICAC
OES
LINEARES
..
..
.. ..
..
.
.
.
.
.
am1 am2 . . . amn
xn
=
..
= Ax Rm .
A=
2 1 7 5
1 1 1 1
Quais sao o domnio e o contra domnio da aplicaca o linear definida por A? Calcule
Ax, se x = (1, 1, 1, 1).
Exemplo 4.6 Seja f : R R definida por f ( x ) = x2 . A funca o f e
uma aplicaca o linear? (Lembre-se: R = R1 e um espaco vetorial!)
Uma vez que f ( x + y) = ( x + y)2 = x2 + 2xy + y2 = f ( x ) +
f (y) + 2xy, vemos que f nao e linear.
4.1. APLICAC
OES
LINEARES E MATRIZES PARTE I
45
canonica
E = {e1 , . . . , en } do Rn . (Veja o Exemplo 3.31.)
Temos que x = ( x1 , . . . , xn ) = x1 e1 + . . . + xn en . Assim, como
cada xi e um escalar e ei um vetor, temos
Tx = T ( x1 e1 + . . . + xn en ) = x1 Te1 + . . . + xn Ten .
De acordo com a definica o de Tx, escrevendo a imagem de cada
vetor Tei como uma matriz coluna, obtemos
a1i
a2i
Tei = .
..
ami
e, portanto,
Tx = x1
a11
a21
..
.
am1
+ x2
a12
a22
..
.
+ . . . + xn
am2
= ..
..
..
..
.
.
.
.
am1 am2 . . . amn
x1
x2
..
.
a1n
a2n
..
.
amn
(4.2)
xn
bases canonicas
do Rn e Rm .
T com uma matriz. Para isso, notamos que, escolhida a base canonica
n
do R , temos, como antes,
Tx = x1 Te1 + . . . + xn Ten .
(4.3)
46
CAPITULO
4. APLICAC
OES
LINEARES
Cada Tei (i {1, . . . , n}) e um ponto do Rm . Denotando
a1i
a2i
Tei = . Rm
..
ami
x1
a11 a12 . . . a1n
a21 a22 . . . a2n x2
Tx = .
..
.. .. = Ax.
.
.
.
.
.
.
. .
xn
am1 am2 . . . amn
modo que Tx = Ax. (Posteriormente veremos porque a base canonica do Rm foi apenas implicitamente utilizada neste exemplo.)
1
3
1
10
= 3
+2
+1
=
.
1
1
2
7
4.1. APLICAC
OES
LINEARES E MATRIZES PARTE I
47
lineares T : Rn Rm
O Exemplo 4.12 nos mostra que aplicacoes
muito rgidas: basta conhecermos seu valor em todos
sao funcoes
= 1 w1 + . . . + n w n + ( 1 w1 + . . . + n w n )
= Tv + Tu.
Suponhamos agora que S : Rn Rm seja uma aplicaca o linear
com Svi = wi . Vamos mostrar que Sv = Tv para todo v Rn , o que
garante a unicidade de T. De fato, se v = 1 v1 + . . . + n vn , entao
temos
Sv = S(1 v1 + . . . + n vn )
Exerccio 4.14 Sejam B = {v1 = (1, 1, 0), v2 = (1, 2, 0), v3 = (1, 1, 1)}. Ache a aplicaca o
linear T : R3 R4 tal que Tv1 = (1, 0, 0, 0), Tv2 = (0, 0, 0, 1) e Tv3 = (1, 1, 1, 1).
A rigidez de uma aplicaca o linear produz resultados surpreendentes. Por exemplo,
Proposica o 4.15 Sejam T : Rn Rm uma aplicaca o linear e {v1 , . . . , vn }
um conjunto qualquer. Se { Tv1 , . . . , Tvn } for linearmente independente,
entao {v1 , . . . , vn } e linearmente independente e, portanto, uma base do
Rn .
Demonstraca o: Suponhamos que
1 v1 + . . . + n vn = 0.
(4.4)
48
CAPITULO
4. APLICAC
OES
LINEARES
Definimos o nucleo
de T, denotado por ker T, por
ker T = { x Rn : Tx = 0}.
O nucleo
e a imagem de T sao subespacos vetoriais do domnio
de T (isto e , o Rn ) e do contradomnio de T (isto e , o Rm ), respectivamente. De fato, se x1 , x2 ker T e R, entao T ( x1 + x2 ) =
T ( x1 ) + T ( x2 ) = 0 + 0 = 0, provando que x1 + x2 ker T. Se
y1 , y2 im T, entao existem x1 , x2 X tais que y1 = T ( x1 ) e y2 =
T ( x2 ). Logo, se R, y1 + y2 = T ( x1 ) + T ( x2 ) = T ( x1 + x2 ), o
que mostra que y1 + y2 im T.
O subespaco ker T ja havia sido definido para uma matriz A.
dadas? Como disExiste alguma diferenca entre as duas definicoes
semos, ao definirmos ker T, o espaco Rn esta sendo considerado sem
qualquer base (ou seja, sem qualquer sistema de eixos coordenados);
a11 . . . a1n
`1
.. = (c . . . c ) = .. .
..
A = ...
(4.5)
.
n
1
.
.
am1 . . . amn
`m
4.2. ESPAC
O LINHA E ESPAC
O COLUNA
49
( x1 , . . . , x n )
x1
x2
..
.
xn
A identificaca o de um vetor com uma matriz linha
( x1 , . . . , x n )
( x1 x2 . . . x n ),
A=
2 1 1
1 1 2
2
1
1
<C >=
+
+
: , , R .
1
1
2
Como as duas primeiras colunas de A sao dadas por vetores linearmente independentes, e claro que < C > = R2 .
Por outro lado, o espaco linha de A e o subespaco do R3
Mas, qual o significado dos subespacos < C > e < L >? Comecamos interpretando o espaco coluna de uma matriz.
Lema 4.19 Considere o sistema linear nao homogeneo Ax = b, em que
A = ( aij ) e uma matriz m n. Entao sao equivalentes:
CAPITULO
4. APLICAC
OES
LINEARES
50
a11
a12
a1n
b1
a22
a21
a2n b2
x1 . + x2 . + . . . + xn . = . , (4.6)
..
..
.. ..
am1
am2
amn
bm
a11 . . . am1
.. .
..
At = ...
.
.
a1n . . . amn
Assim, as colunas da matriz At sao justamente as linhas da matriz A. Como consequencia imediata do Lema 4.19, temos que
< L > = im At .
(4.7)
Estude o proximo
exemplo e entao releia a demonstraca o do Corolario 4.21.
4.2. ESPAC
O LINHA E ESPAC
O COLUNA
51
3 1 2 4 1
A = 1 1 1 1 2 .
2 2 2 1 1
3 1 2 4 1
1 0 1/2 0 5
1 1 1 1 2 0 1 1/2 0
4 .
2 2 2 1 1
0 0 0 1
3
em termos
Escrevendo as variaveis correspondentes aos pivos
da variaveis livres, obtemos a soluca o geral do sistema homogeneo
associado.
x1
1/2
5
x2
1/2
4
x3 = x3 1 + x5 0
(4.8)
x4
0
3
x5
0
1
u1 =
1/2
1/2
1
0
0
R5
u2 =
5
4
0
3
1
R5 .
3
v1 = 1 ,
2
1
v2 = 1
2
4
v3 = 1
1
formam uma base da imagem de A, pois estes vetores coluna cor dos pivos
na forma escalonada reduzida por
respondem a` s posicoes
linhas de A.
Vamos aproveitar este exemplo e ilustrar a demonstraca o do Co
rolario 4.21. Se quisermos escrever a ultima
coluna da matriz A
5
4
0
3
1
CAPITULO
4. APLICAC
OES
LINEARES
52
3
1
2
4
1
0
5 1 4 1 +0 1 3 1 +1 2 = 0 .
2
2
2
1
1
0
Ou seja,
1
3
1
4
2 = 5 1 + 4 1 + 3 1 .
1
2
2
1
5
1
0
0
4 = 5 0 + 4 1 + 3 0 .
3
0
0
1
4.2. ESPAC
O LINHA E ESPAC
O COLUNA
53
`1
`2
..
.
`m
= 11 b1 + . . . + 1r br
= 21 b1 + . . . + 2r br
..
=
.
= m1 b1 + . . . + mr br
a1j
a2j
..
.
amj
= b1j
11
21
..
.
+ b2j
m1
12
22
..
.
+ . . . + brj
m2
1r
2r
..
.
mr
11
1r
21
2r
.. , . . . , .. .
.
.
m1
mr
Isso quer dizer que o espaco coluna tem dimensao, no maximo, igual
a r, ou seja,
dim < C > dim < L > .
Procedendo da mesma maneira com relaca o a uma base do espaco
coluna, mostramos que
dim < L >
sao iguais.1
Assim, essas duas dimensoes
CAPITULO
4. APLICAC
OES
LINEARES
54
b
a
=
(
b
b
.
.
.
b
)
i1
i2
im
ik
kj
k =1
m
dij =
a1j
a2j
..
.
amj
correspondente a` multiplicaca o da linha `i da matriz B pela coluna
c j da matriz A.
Historicamente, a definica o da multiplicaca o de matrizes foi im
posica o de um fato muito mais elementar: a composica o de funcoes
lineares). Comecamos mostrando que a compo(no caso, aplicacoes
lineares tambem define uma aplicaca o linear:
sica o de aplicacoes
Lema 4.27 Sejam T : Rn Rm e S : Rm R p duas aplicaco es lineares.
Entao a composta S T : Rn R p e uma aplicaca o linear:
T
Rn Rm R p .
Demonstraca o: De fato, se x + y Rn , entao
(S T )( x + y) = S T ( x + y)
= S Tx + Ty = S( Tx ) + S( Ty)
= (S T ) x + (S T )y,
provando o afirmado.
Sy = By y Rm .
(4.9)
(S T ) x = S( Tx ) = B( Ax ) = ( BA) x,
vemos que a composta S T e representada pela matriz BA. Esse
fato justifica usa notaca o frequentemente usada: ao inves de denotarmos S T, escrevemos simplesmente ST.
Mas, como obter a definica o da multiplicaca o de matrizes BA a
lineares? E o que passaremos
partir da composica o ST de aplicacoes
a mostrar.
Partimos da linearidade da aplicaca o S:
Sx = S( x1 e1 + . . . + xm em ) = x1 Se1 + . . . + xm Sem .
(4.10)
4.4. EXERCICIOS
55
Denotando
Se j =
b1j
b2j
..
.
bmj
conclumos que
Sx =
b11 x1 + . . . + b1m xm
b21 x1 + . . . + b2m xm
..
.
(4.11)
b p1 x1 + . . . + a pm xm
expressao resultante de (4.10) e da definica o da adica o de vetores no
Rm .
Suponhamos que T : Rn Rm e S : Rm R p sejam representa
das (com relaca o a` s bases canonicas
dos espacos envolvidos) pelas
matrizes A e B, respectivamente. Quer dizer,
b11
b21
..
.
b12
b22
..
.
b p1 b p2
. . . b1m
. . . b2m
..
..
.
.
. . . b pm
bases canonicas
do Rn e R p , por uma matriz D (denotada por suas
colunas) definida por
b11
b21
..
.
b p1
b22 . . . b2m
a2j b21 a1j + b22 a2j + . . . + b2m amj
=
.
..
.. ..
..
..
.
.
. .
.
b p2 . . . b pm
b p1 a1j + b p2 a2j + . . . + b pm amj
amj
4.4 Exerccios
CAPITULO
4. APLICAC
OES
LINEARES
56
do R2
1. Considere as aplicacoes
(a)
1 : R2 R2
1 ( x1 , x2 ) = ( x1 , 0)
(b)
2 : R2 R2
1 ( x1 , x2 ) = (0, x2 )
(c)
R 1 : R2 R2
R1 ( x1 , x2 ) = ( x1 , x2 )
(d)
R2 : R2 R2
.
R2 ( x1 , x2 ) = ( x1 , x2 )
e linear e encontre sua representaca o matriMostre que cada uma dessas aplicacoes
1 1 1
1 1 1
0 1 1
(a) A = 1 2 3 ;
(b) A = 1 2 3 ;
(c) A = 1 1 2 .
2 3 4
1 2 1
0 0 1
3. Escreva a equaca o
1
1
2
3
2 = x1 2 + x2 5 + x3 2
3
3
8
3
na forma de um sistema nao homogeneo Ax = b. Resolva-o, se esse sistema possuir
soluca o.
4. Encontre bases para o espaco linha e para o espaco coluna da matriz A, dada por
1 2 1 1
(a) 2 1 2 1 ;
0 1 1 0
1
2
(b)
0
1
2
1
1
0
1
2
1
0
1
1
0
0
1 2
1
1 2 .
(c) 2
0 1
1
e imagem da matriz
5. Encontre bases para o nucleo
1 2 2 3 1 4
2 4 5 5 4 9 .
3 6 7 8 5 9
Determine o posto dessa matriz.
6. Seja T : Rn Rm uma aplicaca o linear e {v1 , . . . , vn } uma base do Rn . Mostre que
im T e gerada pelos vetores Tv1 , Tv2 , . . . , Tvn .
7. Seja A = (c1 c2 . . . cn ) uma matriz quadrada, dada por suas colunas. Mostre que
{c1 , . . . , cn } e linearmente dependente se, e somente se, det A = 0.
8. Sejam A, B matrizes n n. Mostre que AB = 0 se, e somente se, o espaco coluna de
Captulo 5
O Teorema do Nucleo
e da
Imagem
Objetivos: No final do Captulo o aluno deve saber:
e da Imagem
Nesta Seca o mostraremos um dos resultados mais importantes
e da Imagem)
Seja T : Rn Rm uma aplicaca o linear. Entao
n = dim ker T + dim im T.
Demonstraca o: Se ker T 6= {0}, seja { x1 , . . . , x j } uma base de ker T.
Esse e um conjunto linearmente independente no espaco Rn , de modo que podemos aplicar o Teorema 3.43 e obter uma base
B = { x 1 , . . . , x j , w j +1 , . . . , w n }
do Rn . (Se ker T = {0}, simplesmente tomamos uma base do Rn .)
Afirmamos que { Tw j+1 , . . . , Twn } e uma base de im T Y. De
fato, suponhamos que
j+1 Tw j+1 + . . . + n Twn = 0.
Da decorre que T ( j+1 w j+1 + . . . + n wn ) = 0; definindo
w = j +1 w j +1 + . . . + n w n ,
57
58
CAPITULO
5. O TEOREMA DO NUCLEO
E DA IMAGEM
1 Uma funca
o f : X Y e injetora, se f ( x1 ) = f ( x2 ) implicar x1 = x2 ; uma
funca o f : X Y e sobrejetora se, para todo y Y, existir x X tal que f ( x ) = y.
Uma funca o f : X Y e uma bijeca o, se f for injetora e sobrejetora.
59
A ultima
igualdade garante que x1 x2 ker T, isto e , x1 x2 = 0
e, portanto, x1 = x2 . Isso mostra que T e injetora.
2
Exerccio 5.6 Seja T : R2 R2 definida por T ( x, y) = (2x + y, 3x + 2y). Mostre que T e
injetora. Conclua que T e um isomorfismo. Obtenha a expressao de T 1 .
Corolario 5.7 Seja T : Rn Rm uma aplicaca o linear. Se m < n, entao
ker T 6= {0}.
solucoes.
Ou seja, dim ker A 1 ou, o que e o mesmo, dim ker T
1.
Resulta imediatamente dos Lemas 5.3 e 5.5 que
Teorema 5.8 Uma aplicaca o linear T : Rn Rm so pode ser um isomorfismo se tivermos n = m.
Exemplo 5.9 A aplicaca o linear S : R3 R3 dada por S( x1 , x2 , x3 ) =
( x1 , x2 , 0) nao e uma bijeca o, pois S(0, 0, 1) = (0, 0, 0).
60
CAPITULO
5. O TEOREMA DO NUCLEO
E DA IMAGEM
dim(ker At ) = n r.
Da decorre o afirmado.
61
62
CAPITULO
5. O TEOREMA DO NUCLEO
E DA IMAGEM
O proximo
resultado mostra que a aplicaca o de uma operaca o
elementar sobre as linhas da matriz A e equivalente a` multiplicaca o
dessa matriz por uma matriz elementar.
Proposica o 5.19 Seja e uma operaca o elementar sobre (as linhas de) a
matriz A, m n e E a matriz elementar e(I), sendo I a matriz identidade
m m. Entao e( A) = EA.
Demonstraca o: A demonstraca o deve ser feita para todos os tipos
de operaca o elementar. Consideraremos apenas a aplicaca o de uma
operaca o elementar (c): a linha j sera substituda pela soma da linha
j com vezes a linha i. A matriz E, nesse caso, e dada por
1 0
...
0
..
..
.
.
..
..
.
.
0 0
...
1
coluna j
Entao
1 0
..
.
EA =
0 ...
..
.
0 0
a11
..
= a j1 + ai1
..
.
am1
que e justamente e( A).
a11 a12
0
.. ..
.
.
... 1 ... 0
a j1 a j2
.. ..
. .
...
1
am1 am2
...
a12
...
a1n
..
.
a j2 + ai2
...
a jn + ain
..
.
am2
...
amn
...
...
...
a1n
..
.
a jn
..
.
amn
5.4. EXERCICIOS
63
1 1 1 0
2 1 4 0
A=
2 3 5 0 ,
0 0 0 1
consideramos ( A|I), em que I e a matriz identidade 4 4 e levamos
a matriz A a` sua forma escalonada reduzida por linhas:
1 1 1 0
2 1 4 0
2 3 5 0
0 0 0 1
0
3 0 1
1 2 0
2
0
5 0 4
0
0 1
0
1
0
0
0
1
0
0
0
0 0 0
1 1
0 1
1 0 0
0 1
0 1 0
0 0 1
0 0
1 0
1 0 0
0 1
1 0 0
0 0
1 1 0
0 0 1
0 0
7
5
2
5
35
2
5
35
2
5
54
1
5
1
2
3
0
0
0
0
1
3
2
1
0
0
0
0
1
0 0 0
1 0 0
0 1 0
0 0 1
1
1 0 0
2 1 0 0
1
1
4
5
5
5 0
0
0 0 1
1
2
2
0
0
5
0 1
5.4 Exerccios
lineares T : R3 R3 tais que
1. De exemplos de aplicacoes
64
CAPITULO
5. O TEOREMA DO NUCLEO
E DA IMAGEM
(a) ker T = { x R3 : x3 = x1 };
(b) im T = { x R3 : x1 = x2 }.
2. Seja ` : R3 R uma aplicaca o linear.
(a) Mostre que existem escalares a, b e c tais que `( x1 , x2 , x3 ) = ax1 + bx2 + cx3 ;
(b) Descreva geometricamente todas as possibilidade para ker `.
3. Verdadeiro ou falso? Se for verdadeiro, justifique. Se for falso, de um contraexemplo.
Seja T : Rn Rm uma aplicaca o linear.
(a) Uma base de im T e obtida ao se completar uma base de ker T, de modo a ter
uma base do Rn e entao calcular a imagem desses vetores adicionais por T;
(b) Uma base de im T e Te1 , . . . , Ten ;
(c) Toda funca o f : R R e bijetora.
4. Seja T : Rn Rm uma aplicaca o linear. Mostre que T e injetora se, e somente se, a
imagem de todo conjunto linearmente independente (no Rn ) for um conjunto linearmente independente (no Rm ).
5. Encontre, se possvel, as inversas das seguintes matrizes:
1 2 2
(a) 1 3 1 ;
1 3 2
1
1
1 1
1
2 1 2
;
(b)
1 1
2 1
1
3
3 2
1 1 0
A= 1 0 0
1 2 a
possui inversa.
1
1
(c)
1
5
1
1
3
1
2 1
9
1
1
2
.
1
6
Captulo 6
Mudancas de Base
Objetivos: No final do Captulo o aluno deve saber:
1. obter as coordenadas de um vetor em diferentes bases;
2. obter a representaca o matricial de uma aplicaca o linear em diferentes bases;
matriciais se relacionam.
3. saber como essas representacoes
@
I
@
x2 6
@
@
@
@
I
v@
2 @
@
@
x
v1
-
x1
65
CAPITULO
6. MUDANC
AS DE BASE
66
[ x ]B =
1
2
..
.
= 1 e1 + . . . + n e n Rn
n
de x na base B e 1 , . . . , n as coordenadas de
e chamado representacao
x na base B .
Se E for a base canonica do Rn , escrevemos simplesmente x ao inves de
[ x ]E .
Observaca o 6.3 A Definica o 6.2 merece alguns comentarios. Em
primeiro lugar, ao escrever o vetor x como combinaca o linear dos
vetores da base B , estamos justamente encontrando as coordenadas
do vetor x no sistema de coordenadas formado por B .
Um segundo fato precisa ser ressaltado: uma base do Rn e um
conjunto ordenado. Apenas essa ordenaca o permite dar sentido a`
representaca o de um vetor em uma base.
1 1
1 1 3
1
1
2
0
1
Assim,
[ x ]B =
1 Repetimos
1
0
0 1
2
5
2
12
5
2
1
2
!
.
6.2. APLICAC
OES
LINEARES E MATRIZES PARTE II
67
Bx = [ x ]B =
1
2
..
.
= 1 e1 + . . . + n e n Rn
n
e um isomorfismo. Para ressaltar que a imagem de B esta sendo considerada
com a base canonica, escreveremos B : Rn (Rn , E ).
Demonstraca o: Se x = 1 v1 + . . . + n vn e y = 1 v1 + . . . + n vn ,
entao
B( x + y) = B ((1 + 1 )v1 + . . . + (n + n )vn )
1
1 + 1
1
2
2 + 2 2
=
= .. + .. = Bx + By,
..
.
.
.
n + n
mostrando a linearidade de B.
Se Bx = 0, entao x = 0v1 + . . . + 0vn = 0, mostrando que ker B =
{0}. O resultado decorre entao do Teorema 5.10.
2
Observaca o 6.6 Uma vez que vi = 0v1 + . . . + 0vi1 + 1vi + 0vi+1 +
. . . + 0vn , vemos que
0
..
.
Bvi =
1 = ei ,
..
.
0
6.2 Aplicacoes
Lineares e Matrizes Parte II
Na primeira Seca o do Captulo 4 mostramos como associar a
cada aplicaca o linear T : Rn Rm uma matriz A = ( aij ), que repre
senta T com relaca o a` s bases canonicas
do Rn e Rm . Mostraremos
lineares e matrizes
agora que a mesma associaca o entre aplicacoes
e valida para quaisquer escolhas de bases B do espaco Rn e C do
espaco Rm .
Escolhendo uma base arbitraria B = {v1 , . . . , vn } do espaco Rn e
escrevendo x = 1 v1 + . . . + n vn , ja vimos que a aplicaca o
B : Rn (Rn , E )
68
definida por
CAPITULO
6. MUDANC
AS DE BASE
Bx =
1
2
..
.
n
e um isomorfismo.
Da mesma forma, ao se escolher uma base C = {w1 , . . . , wm } no
espaco Rm , obtem-se um isomorfismo C entre Rm e Rm . (Note que
B e C chegam, respectivamente, no Rn e
as imagens das aplicacoes
m
R , esses espacos considerados com suas bases canonicas.)
Seja T : Rn Rm uma aplicaca o linear. Vamos considerar uma
base B no espaco Rn e uma base C no espaco Rm . Nosso objetivo e
mostrar como associar uma matriz a` aplicaca o T, levando em conta
as bases escolhidas B e C .
Temos o seguinte diagrama (as setas verticais sempre indicarao
isomorfismos):
T
Rn
Rm
B
C
(6.1)
(Rn , E ) (Rm , E )
A
Rm
B
C .
n
m
(R , E ) (R , E )
TBC
Como vimos na primeira seca o do Captulo 4, a i-esima coluna
da matriz procurada e obtida ao se calcular TBC ei = (CTB1 )ei . Mas,
Bvi = ei , de modo que (CTB1 )ei = (CT ) B1 ei = (CT )vi . Como C
e a aplicaca o que associa a Tvi Rm as suas coordenadas na base C ,
temos que a i-esima coluna da matriz procurada e [ Tvi ]C .
6.2. APLICAC
OES
LINEARES E MATRIZES PARTE II
69
2
[ T (v2 )]B =
.
2
Assim,
TB = [ Tv1 ]B [ Tv2 ]B =
3 2
1
2
propria
base B utilizada, nesse caso, tambem no contradomnio.
Se quisermos calcular a imagem do vetor (1, 2) = 1e1 + 2e2 R2
utilizando a matriz TB , primeiro expressamos esse vetor na base B :
TB
2
1
3 2
1
2
2
1
4
4
canonica,
precisamos escrever o resultado obtido nessa base:
4v1 + 4v2 = 4(1, 1) + 4(1, 0) = (0, 4) = 0e1 + 4e2 ,
que e o mesmo resultado que obtemos ao calcular T (1, 2) utilizando
a expressao T ( x, y) = (4x 2y, 2x + y).
CAPITULO
6. MUDANC
AS DE BASE
70
Rn
Rn
B
B .
n
n
(R , E ) (R , E )
PBB
(Para sermos coerentes com a notaca o anterior, deveramos escrever
B
2
A matriz PB e chamada matriz mudanca da base B para a base B .
Dadas as coordenadas de x na base B , isto e , [ x ]B , as coordenadas de
x na base B sao dadas por
PBB [ x ]B = [ x ]B .
(6.2)
PEB
0 1
1 1
Exerccio 6.11 Continuando o Exemplo 6.8, calcule a matriz PBE . Verifique que ( PEB )1 = PBE .
2 Alguns autores preferem chamar essa matriz de matriz de passagem da base
B para a base B . Assim, a terminologia utilizada por eles fica invertida com relaca o
a` nossa.
6.2. APLICAC
OES
LINEARES E MATRIZES PARTE II
71
B
(Rn , B)
(Rm , C),
base canonica!
Passemos entao a` pergunta feita anteriormente, utilizando essa
PBB
QCC .
(Rm , C)
(Rn , B)
TBC
Esse diagrama, cujas componentes sao matrizes, nos mostra que
4
2
T (1, 0) =
e
T (0, 1) =
,
2
1
ou seja
TE =
4 2
2
1
3 2
TB =
.
1
2
CAPITULO
6. MUDANC
AS DE BASE
72
PEB .
(R2 , B) (R2 , B)
TB
(R2 , E )
PEB
0 1
1 1
4 2
2
1
0 1
1 1
3 2
1
2
0 1
1 1
PBE =
1 1
1
0
caracterstico
Definica o 6.14 Seja A uma matriz quadrada. O polinomio
da matriz A e o polinomio
p(z) = det(zI A).
DIAGONALIZAC
DE UMA MATRIZ
6.3. APLICAC
AO:
AO
73
1 1
A=
.
2
4
Para isso, devemos calcular o determinante da matriz
1 0
1 1
z1
1
zI A = z
=
.
0 1
2
4
2 z 4
Assim,
p(z) = det
z1
1
2 z 4
= (z 1)(z 4) + 2 = z2 5z + 6.
2
2
2
A= 1
2 2
p(z) da matriz
3
1 .
1
Vamos agora mostrar que podemos definir o polinomio caracterstico de uma aplicaca o linear T : Rn Rn . Para isso, escolhemos uma base B e calculamos a matriz A = TB . Sabemos calcular
o polinomio
caracterstico da matriz A. Mas esse polinomio
caracterstico nao depende da base B escolhida? Vamos mostrar que nao.
Para isso, seja C for uma outra base do Rn e se a matriz B = TC for
a representaca o de T na base C , ja vimos que A = P1 BP, sendo
P = PBC a matriz de mudanca da base B para a base C . Temos que
det(zI A) = det( P1 (zI B)P)
CAPITULO
6. MUDANC
AS DE BASE
74
1 0 . . . 0
0 2 . . . 0
= ..
.. . .
..
.
. .
.
0
. . . n
Encontramos o polinomio
caracterstico de T ao escolher uma de
matriciais. Escolhendo a base canonica
suas representacoes
E do R2 ,
encontramos
1 4
B = TE =
.
2 3
O polinomio
caracterstico de T e , portanto,
z 1 4
det(zI B) = det
= z2 4z 5.
2 z 3
Os autovalores de T sao as razes de p(z) = z2 4z 5, que
sao dadas por = 1 e = 5. Para encontrarmos os autovetores
associados a = 1, basta resolvermos o sistema (I B)v = 0,
obtido ao substituir z = = 1 em (zI B). Logo, temos
2 4
1 2
,
2 4
0 0
que nos fornece a soluca o
v=
Tomamos = 1 e o vetor
v1 =
2
1
2
1
DIAGONALIZAC
DE UMA MATRIZ
6.3. APLICAC
AO:
AO
75
4 4
1 1
,
2
2
0 0
cuja soluca o e
v=
1
1
Tomamos = 1 e o vetor
v2 =
1
1
1 0
TB =
0 5
(justifique!) e nos mostra como a escolha de uma base adequada
pode simplificar a representaca o matricial da aplicaca o linear T.
lineares) posExemplo 6.20 Nem todas as matrizes (ou aplicacoes
suem uma base formada por autovalores. De fato, consideremos a
matriz
0 1
A=
.
0 0
O polinomio
caracterstico de A e p(z) = z2 , de modo que o unico
autovalor de A e = 0. Associado a esse autovalor existe apenas
um autovetor linearmente independente: o sistema Av = 0 possui a
soluca o
1
v=
,
0
que nos fornece, ao escolhermos = 1, o autovalor
1
v1 =
.
0
CAPITULO
6. MUDANC
AS DE BASE
76
0
1 0
0 1 .
A= 0
4 17 18
Mostre que existe uma base B = {v1 , v2 , v3 } do R3 formada por autovetores da matriz A.
Encontre a representaca o de A na base B e a matriz PBE .
6.4 Exerccios
1. Considera a aplicaca o linear T : R3 R3 definida por meio da matriz
3 1 2
0 2 .
A= 0
0
0 1
Seja B = {v1 = (1, 0, 0), v2 = (1, 2, 0), v3 = (0, 2, 1)}.
(a)
(b)
(c)
(d)
1 2
0
0
2 .
A = 2
0
2 1
6.4. EXERCICIOS
5. Seja
77
0
1 0
0 1 .
B= 0
4 17 8
78
CAPITULO
6. MUDANC
AS DE BASE
Captulo 7
O Teorema de
Cayley-Hamilton
Objetivos: No final do Captulo o aluno deve saber:
lineares;
1. Calcular polinomios
de matrizes e de aplicacoes
7.1 Polinomios
de Aplicacoes
Lineares
Seja A uma matriz quadrada. Entao faz sentido calcular A2 e, em
1 2
A=
.
2 1
Entao
A =
5 4
4 5
de modo que
A =
3A + 1A + 5I =
13 14
14 13
49 46
46 49
no polinomio
3z3 + z2 + 5, com a convenca o de que a constante 5 e
substituda por 5I, em que I e a matriz identidade 2 2.
79
80
CAPITULO
7. O TEOREMA DE CAYLEY-HAMILTON
1 2 2
A = 2 1 2 .
1 1 1
Para verificar que um subespaco W Rn e invariante pela aplicaca o linear T : Rn Rn basta considerar uma base {w1 , . . . , wm } do
espaco W.
Proposica o 7.5 Seja B = {w1 , . . . , wm } uma base do subespaco W
Rn . Entao W e invariante pela aplicaca o linear T : Rn Rn se, e somente
se, Twi W para todo i {1, . . . , m}.
Demonstraca o: E claro que se W for invariante por T, entao Twi W
para todo i {1, . . . , m}. Reciprocamente, se w W, entao existem
(unicos)
escalares 1 , . . . , n tais que w = 1 w1 + . . . + n wn . Como
T e linear,
Tw = T (1 w1 + . . . + n wn ) = 1 ( Tw1 ) + . . . + n ( Twn ).
Como Twi W para i {1, . . . , m}, conclumos que Tw W, pois
W e um subespaco.
2
81
B = { w1 , . . . , w m , x m + 1 , . . . , x n }
seja uma base do Rn . Vamos representar T nessa base, que dizer,
vamos obter TB = TBB . Temos que
TB = ([ Tw1 ]B . . . [ Twm ]B [ Txm+1 ]B . . . [ Txn ]B ) .
Como Tw j W, temos que
a1j
..
.
amj
.
[ Tw j ]B =
..
.
0
Por outro lado, nada sabemos sobre Tx j para j {m + 1, . . . , n}.
Assim,
a1j
..
amj
.
[ Tx j ]B =
b
(
m
+
1
)
j
..
.
bnj
Em outras palavras, a matriz TB tem a forma
..
.
.
..
.
..
..
..
.
...
...
.
a
a
.
.
.
a
a
.
.
.
a
TB =
mm
mn
m ( m +1)
m1 m2
0
0
.
.
.
0
a
.
.
.
a
(
m
+
1
)(
m
+
1
)
(
m
+1) n
.
.
.
.
..
..
..
..
..
...
...
.
0
0
0
0
bn ( m + 1 )
...
bnn
TB =
A B
0 D
CAPITULO
7. O TEOREMA DE CAYLEY-HAMILTON
82
(7.1)
A B
0 D
0 0
1 0
..
.
A=
0 1
.. .. . .
. .
.
0 0
0
0
0
1
0
..
.
2
..
.
1 m 1
O polinomio
caracterstico de TB e
p(z) = det
zI A
B
0
zI D
como consequencia do Teorema 1.28. (Em cada expressao, os tamanhos das matrizes I sao diferentes.)
Vamos calcular q1 (z) = det(zI A). Temos:
z
0
0
0
1
z
0
1
.
.
.
0
2
det(zI A) = det
0 1
..
.. . .
..
..
.
.
.
.
.
0
0 1 z m 1
z
0
1
1
z
2
= z det ..
+
..
.
.
.
.
.
0 1 z m 1
1
z
0
0 1
0
(0 )(1)m+1 det ..
.. . .
..
.
.
.
.
0
7.4. APLICAC
OES
83
z
0
1
1
z
2
det(zI A) = z det
0 .
..
..
.
.
.
.
.
0 1 z m 1
Procedendo do mesmo modo, obtemos
q1 (z) = det(zI A) = zm m1 zm1 . . . 0 .
Substituindo z por T e entao calculando q1 ( T )v, a equaca o (7.1)
nos mostra que q1 ( T )v=0. Assim, p( T )v = q2 ( T )q1 ( T )v = 0. Como
v foi escolhido arbitrariamente, conclumos que p( T ) = 0.
2
7.4 Aplicacoes
2
0 0
A = 3 1 0 .
0
4 3
O polinomio
caracterstico de A e
p(z) = (z 2)(z + 1)(z 3) = z3 4z2 + z + 6.
Se quisermos calcular, por exemplo, q( A), sendo q(z) = z8
4z7 + z6 + 13z5 28z4 + 7z3 + 42z2 + z + 1, podemos efetuar a divisao euclidiana de q(z) por p(z) e obter
q(z) = (z5 + 7z2 ) p(z) + z + 1.
O Teorema de Cayley-Hamilton garante que p( A) = 0; assim,
q( A) = ( A5 + 7A2 ) p( A) + A + I = A + I. Logo,
3 0 0
q( A) = A + I = 3 0 0 .
0 4 4
7.5 Exerccios
1. Considere a matriz
2 1 1
A = 1 2 1 .
1 1 2
84
CAPITULO
7. O TEOREMA DE CAYLEY-HAMILTON
polinomio
caracterstico de A.)
(b) Procedendo como no Exemplo 7.7, calcule A1000 . Para isso, efetue a divisao
c
euclidiana de z1000 por m(z) e obtenha o resto r (z) = c3 1 z + 4
3 , em que c =
1000
4
. Conclua que
c +2 c 1 c 1
A1000 =
2. Se k {1, 2, . . .}, calcule Ak , se
2 1 2
(a) A = 0 0 0 ;
0 2 3
3
c 1
3
c 1
3
3
c +2
3
c 1
3
3
c 1
3
c +2
3
0 0
0
(b) A = 0 0 1 .
1 1
0
Referencias Bibliograficas
Linear e Aplicacoes,
Imprensa Univer[5] R. J. Santos: Algebra
sitaria da UFMG, Belo Horizonte, 2006.
85
Indice
Remissivo
aplicaca o linear, 43
autovalor, 73
autovetor, 73
identidade, 43
imagem de uma, 48
inversa, 60
nucleo
de uma, 48
nula, 43
representaca o em bases, 68
autovalor
de uma aplicaca o linear, 73
autovetor
de uma aplicaca o linear, 73
base
canonica
do Rn , 36
de um subespaco, 35
metodo de Gauss-Jordan, 6
matriz
aumentada de um sistema, 6
calculo da inversa de uma, 63
elementar, 62
escalonamento de uma, 7
espaco coluna de uma, 49
espaco linha de uma, 49
forma escalonada, 7
reduzida por linhas, 8
inversa, 61
mudanca de base, 70
posto de uma, 53
transposta, 50
multiplicaca o de matrizes
definica o, 55
nucleo
calculo da matriz inversa, 63
de uma aplicaca o linear, 48
calculo de determinantes
de uma matriz, 11
de matrizes em bloco, 14
por meio do escalonamento, operacoes
elementares
12
sobre as linhas de uma macombinaca o linear, 30
triz, 7
conjunto
gerador, 31
7
pivo,
ordenado, 35
polinomio
coordenadas de um vetor, 66
caracterstico, 72
de uma aplicaca o linear, 80
dimensao
de uma matriz, 79
de um subespaco, 40
posto
de uma matriz, 53
espaco
coluna, 49
linha, 49
vetorial
Rn , 21
complexo, 24
real, 24
Gauss-Jordan, 6
isomorfismo, 58
regra
da unidade, 21, 24
sistema linear, 6
escalonamento, 7
forma escalonada, 7
reduzida por linhas, 8
homogeneo, 6
matriz aumentada de um, 6
86
INDICE
REMISSIVO
nao homogeneo, 6
homogeneo associado, 6
elementares, 7
operacoes
7
pivo,
variavel livre, 9
subespaco, 27
gerado por um conjunto de
vetores, 29
invariante, 80
teorema
da base do espaco coluna, 50
da dimensao dos espacos linha e coluna, 52
de Cayley-Hamilton, 81
de unicidade da forma escalonada reduzida por linhas,
10
do nucleo
e da imagem, 57
transformaca o linear, 43
transposta
de uma matriz, 50
variavel livre, 9
vetor, 24
multiplicaca o por escalar, 22
representaca o em uma base,
66
vetores
linearmente dependentes, 32
linearmente independentes, 32
soma de, 22
87