Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SUMRIO
Sumrio
1 Introduo
1.1 Exerccios de Reviso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Espaos Vetoriais
2.1 Subespaos Vetoriais . . . . . . . . . . . . . . . .
2.1.1 Soma de Subespaos . . . . . . . . . . . .
2.2 Combinaes Lineares . . . . . . . . . . . . . . .
2.3 Espaos Vetoriais Finitamente Gerados . . . . . .
2.4 Lista de Exerccios . . . . . . . . . . . . . . . . .
2.5 Dependncia Linear . . . . . . . . . . . . . . . . .
2.5.1 Propriedades da Dependncia Linear . . .
2.6 Base de um Espao Vetorial Finitamente Gerado .
2.7 Dimenso de um Espao Vetorial . . . . . . . . .
2.7.1 Dimenso da soma de subespaos . . . . .
2.8 Coordenadas . . . . . . . . . . . . . . . . . . . . .
2.9 Mudana de Base . . . . . . . . . . . . . . . . . .
2.10 Lista de Exerccios . . . . . . . . . . . . . . . . .
3 Produto Interno
3.1 Definio e primeiras propriedades . . .
3.2 Norma e Distncia . . . . . . . . . . .
3.3 Lista de Exerccios . . . . . . . . . . .
3.4 Ortogonalidade . . . . . . . . . . . . .
3.4.1 Complemento Ortogonal . . . .
3.4.2 Teorema da Projeo . . . . . .
3.5 Produto Interno para Espaos Vetoriais
3.6 Lista de Exerccios . . . . . . . . . . .
4 Transformaes Lineares
4.1 A Imagem e o Ncleo . . . . . . . . .
4.2 Isomorfismos e Automorfismos . . . .
4.3 Espao das Transformaes Lineares
4.4 Lista de Exerccios . . . . . . . . . .
4.5 Matriz de uma Transformao Linear
4.6 Espao Dual . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
Complexos
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
.
.
.
.
.
.
.
.
.
.
.
.
.
11
14
15
17
18
19
21
23
23
24
26
27
28
29
.
.
.
.
.
.
.
.
33
33
34
36
38
41
41
44
45
.
.
.
.
.
.
49
50
53
54
56
59
63
SUMRIO
4.7
4.8
4.9
4.10
4.11
Lista de Exerccios . . . . . . . . . . . . .
Isometria . . . . . . . . . . . . . . . . . .
Operadores adjuntos e auto-adjuntos . . .
Mudana de base e semelhana de matrizes
Lista de Exerccios . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
65
67
69
71
72
5 Autovalores e Autovetores
5.1 Definio e primeiras propriedades . . . . . . . . . . .
5.2 Polinmio Caracterstico . . . . . . . . . . . . . . . .
5.3 Diagonalizao de Operadores . . . . . . . . . . . . .
5.3.1 Diagonalizao de Operadores Auto-adjuntos .
5.3.2 Diagonalizao de Operadores Ortogonais . .
5.4 Lista de Exerccios . . . . . . . . . . . . . . . . . . .
5.5 Aplicaes da Diagonalizao . . . . . . . . . . . . .
5.5.1 Potncias de uma Matriz . . . . . . . . . . . .
5.5.2 Diagonalizao e Cnicas . . . . . . . . . . . .
5.5.3 Exponencial de Matrizes . . . . . . . . . . . .
5.6 Forma Cannica de Jordan . . . . . . . . . . . . . . .
5.6.1 Obteno da Forma Cannica de Jordan . . .
5.6.2 Polinmio Mnimo . . . . . . . . . . . . . . .
5.6.3 Aplicaes da Forma Cannica de Jordan . . .
5.7 Lista de Exerccios . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
77
77
79
81
84
85
87
88
88
88
90
92
94
96
97
98
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
105
105
107
107
108
109
109
111
111
113
114
114
115
119
121
123
125
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
SUMRIO
7.4
7.5
7.6
Captulo 1
Introduo
1.1
Exerccios de Reviso
0
0
1
1
1
0 1
1 0 0 1
1 2
1 0 , C =
A=
, B= 1
1 1 1 1 .
2 2
0 1 1
0 2 0 3
Exerccio 1.2 Existe alguma matriz inversvel A tal que A2 = O (matriz nula)? Justifique.
Exerccio 1.3 Determinar x, y e z de modo que a matriz
1 0 0
0 1 1
2
2
x y
z
seja ortogonal.
Exerccio 1.4 Considere a matriz:
A=
1 2
2 1
.
Sendo X uma matriz real 2 1, quais os valores de tal que existe X no nulo que
satisfaz a
AX = X?
Exerccio 1.5 Seja A a seguinte matriz (complexa)
0 0 i
A = 0 1 0 ,
i 0 0
Victor Gonalves Elias
CAPTULO 1. INTRODUO
onde i2 = 1.
1. A uma matriz hermitiana?1
2. Obtenha A1 .
3. Calcule A2 .
4. Deduza uma expresso para A2n e A2n+1 , sendo n um natural.
5. Sabendo que, para um certo x R, exA a matriz dada pela srie (que pode se
mostrar ser convergente):
X
(xA)n
n=0
n!
= I + xA +
x2 A2 x3 A3
+
+ ...
2
3!
Av2
...
X
(I A)n ,
n=0
seja convergente, mostre que ela converge para A1 . Numericamente, pode-se obter uma
aproximao para a inversa da matriz truncando a srie acima.
1
A.
Exerccio 1.10 O trao de uma matriz quadrada P definido como a soma dos elementos
da diagonal principal de P e denotado por tr(P ).
1. Sendo A e B matrizes de ordem m n e n m, respectivamente, mostre que
tr(AB) = tr(BA) (mesmo quando as matrizes AB e BA so diferentes).
2. Sendo A e B matrizes ambas de ordem m n, mostre que tr(AB T ) = tr(AT B) =
tr(B T A) = tr(BAT ).
3. Se A, B e C so matrizes quadradas de mesma ordem, ento mostre a propriedade
cclica do trao: tr(ABC) = tr(BCA) = tr(CAB).
Exerccio 1.11 Sejam A, U , B e V matrizes reais de ordem p p, p q, q q e q p,
respectivamente. Se A e B + BV A1 U B so no singulares, mostre o teorema binomial
da inversa:
(A + U BV )1 = A1 A1 U B(B + BV A1 U B)1 BV A1 .
Exerccio 1.12 Seja A uma matriz nn que tem todos os elementos da diagonal principal
iguais a zero e os demais elementos iguais a 1. Obtenha o determinante de A.
Exerccio 1.13 Considere uma matriz A quadrada de ordem n com todos os elementos
inteiros, de tal modo que os elementos da diagonal principal de A so mpares e os demais
elementos so pares. Mostre que A inversvel.
Exerccio 1.14 Seja M uma matriz 5 5 com todos os elementos inteiros e pares.
1. possvel que o determinante de M seja igual a 120?
2. Nas condies do problema, seja M tal que det(M ) = 160. Certamente, M 1 ser
composta exclusivamente por nmeros racionais. Suponha que os nmeros racionais
estejam simplificados ao mximo. Para cada matriz M , denote por d(M ) o maior
valor do denominador que aparece na sua inversa (supondo que esta j esteja ao
mximo simplificada). De todas as matrizes M que satisfazem estas condies, qual
o maior valor de d(M )?
Exerccio 1.15 Considere M uma matriz quadrada com todos os elementos inteiros. Se
alm disso, a soma de cada linha de M igual a k, mostre que o determinante de M
um mltiplo de k.
11
Captulo 2
Espaos Vetoriais
Definio 2.1 Seja um conjunto V diferente do vazio e um corpo K (em geral R ou C),
para os quais podemos definir as operaes de adio e multiplicao por escalar.
+:V V V
(u, v) 7 u + v V
:K V V
(, u) 7 u V
Dizemos que V um espao vetorial sobre K quando, e apenas quando, as seguintes
propriedades forem satisfeitas:
1. Comutativa: u + v = v + u, u, v V
2. Associativa: u + (v + w) = (u + v) + w, u, v, w V
3. Elemento Neutro: V V tal que u + V = u, u V
4. Elemento Oposto: para cada u V , existe um elemento oposto (indicado por u)
tal que u + (u) = V
5. (u) = ()u, , K, u V
6. (u + v) = u + v, K, u, v V
7. ( + )u = u + u, , K, u V
8. O elemento unitrio do corpo 1 tal que 1 u = u, u V
Nota 2.2 Se K = R, dizemos que V um espao vetorial real, se K = C, dizemos que
V e um espao vetorial complexo.
Nota 2.3 Os elementos de um espao vetorial so chamados de vetores, e os elementos
do corpo so chamados de escalares.
Exemplo 2.4 O conjunto R, com as operaes usuais de soma e multiplicao um
espao vetorial sobre R.
Victor Gonalves Elias
12
13
Exemplo 2.7 O espao Cn , com operaes anlogas s do Rn no Exemplo 2.6, um
espao vetorial tanto sobre C, como sobre R.
Exemplo 2.8 O conjunto de todas as matrizes reais de ordem m n um espao vetorial
sobre R (considerando as operaes usuais). Este espao denotado por Mmn (R).
Exemplo 2.9 O conjunto de polinmios de grau menor ou igual a n, um espao vetorial
sobre R. representado por Pn (R).
Exemplo 2.10 Seja V = C[a, b] o conjunto de todas as funes contnuas f : [a, b] R,
definindo as operaes de soma e multiplicao por escalar como:
(f + g)(x) = f (x) + g(x), x [a, b]
(f )(x) = f (x), x [a, b]
V um espao vetorial sobre R.
Exemplo 2.11 O conjunto R+ no espao vetorial sobre R (com as operaes usuais).
Exemplo 2.12 O conjunto R+ , munido das operaes:
u v = uv
u = u
um espao vetorial sobre R.
Veremos agora algumas propriedades dos espaos vetoriais derivadas diretamente da
definio, mas que no podem ser enxergadas to facilmente.
Proposio 2.13 Seja um espao vetorial V sobre K, satisfazendo todos os axiomas de
espao vetorial. Ento:
1. K, V = V
2. u V, 0u = V
3. u = V = 0 u = V
4. K, u V, ()u = (u) = (u)
5. , K, u V : ( )u = u u
6. K, u, v V : (u v) = u v
7. , 1 , 2 , . . . , n K, u1 , u2 , . . . , un V : (
n
P
j=1
j uj ) =
n
P
(j )uj
j=1
8. O vetor V de V nico.
Victor Gonalves Elias
14
2.1
Subespaos Vetoriais
0
pois vW
Exemplo 2.19 W = {A Mn (R) : At = A} subespao de Mn (R).
15
a x + a x + . . . + a x = 0
m1 1
m2 2
mn n
Proposio 2.21 A interseco de dois subespaos U, W V tambm um subespao
vetorial de V.
Prova. Mais uma vez, basta demonstrar as 3 condies de subespao vetorial.
V W
(a) V U
V U W
por hip.
u, v U u + v U
(b) Sejam u, v U W
u+v U W
u, v W u + v W
u U u U
(c) Seja u U V e seja K
u U W
u W u W
Nota 2.22 Apesar da proposio anterior, a unio de subespaos nem sempre um subespao.
Z = {(x, 0) R2 : x R} subespao do R2 .
W = {(0, y) R2 : y R} subespao do R2 .
Z W no subespao.
Proposio 2.23 Se W subespao de V (espao vetorial sobre K), ento W tambm
espao vetorial sobre K.
2.1.1
Soma de Subespaos
16
pois U
e sub.
pois W
e sub.
Nota 2.26 Quando subespaos U e W so tais que U W = {V } ento dizemos que a
soma U + W direta e denotamos por U W .
Nota 2.27 Se U W = V dizemos que U e W so suplementares, ou que U suplementar
de W , ou que W suplementar de U .
Teorema 2.28 Sejam U, W subespaos de um espao vetorial V . Ento U W = V se,
e somente se, cada vetor v V admite uma nica decomposio v = u + w, u U e
w W.
Prova. () Tomemos u1 , u2 U e w1 , w2 W tal que u1 + w1 = u2 + w2 = v, v V .
Temos ento que u1 u2 = w2 w1 . Como a interseco entre U e V {V }, pois a
| {z }
| {z }
U
Da unicidade da decomposio:
u+z =u
wz =w
ou seja, U W = {V }.
z = V
2.2
17
Combinaes Lineares
Nota 2.30 O subespao [S] recebe o nome de subespao gerado por S, e tambm pode ser
denotado por [u1 , u2 , . . . , un ]. Diz-se tambm que u1 , u2 , . . . , un geram [S], ou ento que
so um sistema de geradores de [S].
Nota 2.31 Cada vetor u [S] dito ser uma combinao linear de u1 , u2 , . . . , un .
Nota 2.32 Por conveno, se S = , [S] = {V }.
Nota 2.33 Se S for infinito, ento definimos [S] mediante a sentena: u [S]
v1 , v2 , . . . , vn S, 1 , 2 , . . . , n K tal que u = 1 v1 + . . . + n vn .
Proposio 2.34 Seja S um subconjunto de V . Temos que S possui as seguintes propriedades:
1. S [S]
2. S1 S2 [S1 ] [S2 ]
3. [S] = [[S]]
4. [S1 S2 ] = [S1 ] + [S2 ]
Exemplo 2.35 Se V = R3 , u = (1, 1) e v = (1, 1), determinemos ento [u, v]. Note
que [u, v] = {( + , + ); , R} = R2 pois cada par (x, y) R2 se escreve como
(1, 1) + (y+x)
(1, 1).
(x, y) = (yx)
2
2
18
2.3
Exemplo 2.37 O espao E 3 dos vetores da geometria gerado pelo conjunto {, , k},
1 0
0 0
0 1
,
,
0 0
caso contrrio
1 0 0 0
0 1 0
0 0 0 0
0 0 0
A11 = 0 0 0 0 A12 = 0 0 0
.. .. .. . .
.. .. .. . . ..
. . .
. . .
. .
.
0 0 0 0
0 0 0
as matrizes
0
0
0
..
.
Ento S = {A11 , A12 , . . . , A1n , A21 , A22 , . . . , A2n , . . . , Am1 , Am2 , . . . , Amn } um gerador
de Mmn (R).
Exemplo 2.42 Pn (R) finitamente gerado. De fato, considerando:
f0 (x) = 1
f1 (x) = x
..
..
.
.
fn (x) = xn
Temos que um polinmio qualquer de Pn (R) se escreve como:
p(x) = a0 + a1 x + a2 x2 + . . . + an xn : p = a0 fo + a1 f1 + . . . + an fn
2.4
19
Lista de Exerccios
Exerccio 2.43 Para cada um dos conjuntos de operaes a seguir, diga se o conjunto
V = {(x, y) : x, y R} um espao vetorial sobre R. Caso no o seja, diga quais dos 8
axiomas no se verificam.
1. (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0) e a(x, y) = (ax, ay).
2. (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) e a(x, y) = (ax, 0).
3. (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) e a(x, y) = (x, ay).
4. (x1 , y1 ) + (x2 , y2 ) = (x1 , y1 ) e a(x, y) = (ax, ay).
5. (x1 , y1 ) + (x2 , y2 ) = (2x1 2y1 , x1 + y1 ) e a(x, y) = (3ay, ax).
Exerccio 2.44 Mostrar que todo espao vetorial sobre C tambm espao vetorial sobre
R.
Exerccio 2.45 Seja u = (1 + i, i), v = (1 i, 2i) e w = (2, 3 + i) vetores do espao
vetorial C2
(a) Calcular (3 + i)u iv (2 i)w;
(b) Existe z C tal que v = zu?
Exerccio 2.46 No espao vetorial P3 (R) sejam dados os vetores f (t) = t3 1, g(t) =
t2 + t 1 e h(t) = t + 2.
(a) Calcular 2f (t) + 3g(t) 4h(t);
(b) Existe k R de maneira que f (t) + kg(t) = h(t)?
(c) Existem k1 , k2 R tais que f (t) = k1 g(t) + k2 h(t)?
Exerccio 2.47 No R2 consideremos os vetores u = (1, 1), v = (3, 2) e w = (3, 2).
(a) Resolver a equao:
x+u v+x
+
= w,
2
3
na incgnita x R2 ;
(b) Resolver o seguinte sistema de equaes:
x+y+z =u
2x y + z = v
x + y 2z = w
nas incgnitas x, y, z R2 .
20
R1
f (t)dt = 0}
21
1. U V U + V = V ;
2. U V U V = U ;
3. U + V = U U V ;
4. U V = U U V .
Exerccio 2.54 Sejam u e v dois vetores no nulos do R2 . Se no existe nenhum t R
tal que u = tv, mostrar que R2 soma direta dos subespaos [u] e [v].
Exerccio 2.55 Se U , V e W so subespaos vetoriais do mesmo espao, mostrar que
(U V ) + (U W ) U (V + W ). Descubra um exemplo para o qual o primeiro membro
dessa relao diferente do segundo e um exemplo onde ocorre igualdade.
Exerccio 2.56 Mostrar que os nmeros complexos 2 + 3i e 1 2i geram o espao vetorial
C sobre R.
Exerccio 2.57 Mostrar que geram o mesmo subespao vetorial os dois subconjuntos do
R3 : {(1, 1, 2); (2, 0, 1)} e {(1, 2, 3); (3, 3, 4)}.
Exerccio 2.58 Considere os seguintes vetores do R3 : (1, 0, 1) e (3, 4, 2). Determinar um sistema de equaes homogneas para o qual o espao soluo seja exatamente o
subespao gerado por esses vetores.
Exerccio 2.59 Mostrar que os dois conjuntos abaixo formados de funes contnuas reais
definidas em R geram o mesmo subespao vetorial de C(R):
2
sin t, cos2 t, sin t cos t e {1, sin 2t cos 2t}
2.5
Dependncia Linear
Definio 2.60 Um conjunto S = {u1 , u2 , . . . , un } contido num espao vetorial dito ser
linearmente independente se, e somente se, uma igualdade do tipo 1 u1 + 2 u2 + . . . +
n un = V com i K, admitir como nica soluo 1 = 2 = . . . = n = 0, do
contrrio, o conjunto S dito ser linearmente dependente (LD).
Nota 2.61 Por conveno, S = linearmente independente (LI).
Exemplo 2.62 O conjunto S = {(1, 1, 1); (1, 1, 1); (1, 1, 1)}
+ +
+
(1, 1, 1) + (1, 1, 1) + (1, 1, 1) = (0, 0, 0)
=0
=0
=0
=0
=0
=0
22
ex + e2x + e3x = 0
ex ( + ex + e2x ) = 0
x
2x
+ e + e = 0, x [0, 1]
( + ex + e2x )0 = (0)0
x
2x
e + 2e = 0
===0
ex ( + 2ex ) = 0
+ 2ex = 0, x [0, 1]
x 0
0
( + 2e ) = (0)
2e = 0
= 0, x [0, 1]
Exemplo 2.65 Seja L = {(1, 2, 3); (1, 4, 9); (1, 8, 27)}. Teremos , , R tais que:
(1, 2, 3) + (1, 4, 9) + (1, 8, 27) = (0, 0, 0)
++ =0
2 + 4 + 8 = 0
3 + 9 + 27 = 0
1 1 1
Como 2 4 8 6= 0 o sistema possvel e determinado, e a nica soluo =
3 9 27
= = 0. Logo L LI.
Exemplo 2.66 Seja L = {1, sin t, cos t} C[0, 2]. Tomemos , , R tais que +
sin t + cos t = 0, t [0, 2]. Tomando alguns valores de t:
t=0
+ =0
t = /2 + = 0
===0
t=
=0
Logo, L LI.
Exemplo 2.67 Seja L = {(x + 1)ex , (x2 + 1)ex } C[0, 1]. Tomando , R tais que:
2
(x + 1) + (x + 1) = 0, x [0, 1]
+ =0
o conjunto LI.
23
2.5.1
2.6
24
1 0 2 1
1 0 2 1
1 0 2 1
1 2 5 1 0 2 3 2 0 2 3 2
4 6 17 2
0 6 9 6
0 0 0 0
uma base de U : {(1, 0, 2, 1); (0, 2, 3, 2)}
2.7
Proposio 2.79 Todo sistema linear e homogneo cujo nmero de incgnitas maior
que o nmero de equaes admite uma soluo no trivial.
Proposio 2.80 Se um conjunto {v1 , v2 , . . . , vm } gera o espao vetorial V , ento qualquer conjunto com mais de m vetores LD.
Victor Gonalves Elias
25
u1 = 11 v1 + 12 v2 + . . . + 1m vm
u2 = 21 v1 + 22 v2 + . . . + 2m vm
..
un = n1 v1 + n2 v2 + . . . + nm vm
Consideremos o problema x1 u1 + . . . + xn un = V :
!
!
m
m
P
P
x1
1j vj + . . . + xn
nj vj = V
j=1
j=1
n
m
P
P
11 x1 + 21 x2 + . . . + n1 xn = 0
xi
ij vj = V
..
i=1
j=1
n
P P
ij xi vj = V
1m x1 + 2m x2 + . . . + nm xn = 0
j=1
i=1
Sistema homogneo com m equaes e n incgnitas. Sabendo que n > m, pela Proposio 2.79, existe soluo no trivial {u1 , u2 , . . . , un } LD.
Proposio 2.81 Se um conjunto de n vetores gera um espao vetorial V , ento qualquer
conjunto LI possui, no mximo, n vetores.
Prova. Suponha um conjunto LI de m vetores. Duas coisas podem acontecer: ou
n > m ou n m. No primeiro caso, pela Proposio 2.80, o conjunto seria LD, ento
n m.
Teorema 2.82 (Teorema da Invarincia): Se um espao vetorial V admite uma base
com n vetores, ento qualquer outra base de V tambm possui n vetores.
Prova. Sejam B = {b1 , b2 , . . . , bn } e C = {c1 , c2 , . . . , cm } duas bases de V . Como
V = [B] e C LI, ento m n. Analogamente, como V = [C] e B LI, ento n m.
Portanto, temos que n = m.
Definio 2.83 Diz-se que o espao vetorial V tem dimenso finita quando admite uma
base B com um nmero finito de vetores. Este nmero o mesmo para todas as bases de
V e chama-se dimenso do espao vetorial V : n = dim V .
Nota 2.84 Por extenso, diz-se que o espao vetorial {V } tem dimenso 0.
Teorema 2.85 Se a dimenso de V n, ento um conjunto de n vetores gera V se, e
somente se, LI.
Victor Gonalves Elias
26
Prova. Se um conjunto gera V e possui n elementos, ele no pode ser LD, pois se
fosse, haveria um vetor v que combinao linear dos demais e V = [B\{v}]. Mas B\{v}
tem n 1 elementos. Isso incompatvel com o fato de uma base ter n elementos.
Teorema 2.86 Seja V um espao vetorial de dimenso finita n. Ento:
1. Todo conjunto X de geradores de V contm uma base.
2. Todo conjunto LI {v1 , v2 , . . . , vm } V est contido numa base.
3. Todo subespao de V tem dimenso finita e menor ou igual a n.
4. Se a dimenso do subespao U V n, ento U = V .
Prova. Demonstremos cada uma das propriedades separadamente.
1. Seja Y = {v1 , . . . , vm } um conjunto que gera V . Se Y LI, ento Y uma base, e
a propriedade trivial. Se Y LD ento existe um vetor v que combinao linear
dos outros. Logo, [Y ] = [Y \{v}] = V . Se Y \{v} for LD, repetimos o processo
at acharmos Y \{v1 , . . . , vm } LI. Portanto Y Y \{v1 , . . . , vm }, que uma base,
portanto Y V : [Y ] = V Y contm uma base de V .
2. Seja Y = {v1 , . . . , vm , vm+1 , . . . , vk } um conjunto LI com o mximo nmero de elementos e contendo o conjunto de m vetores dado (k n). Todo elemento de V
uma combinao linear dos vetores de Y (pois se existir um u V que viola isto,
Y {u} LI, um absurdo). Logo V = [Y ] e Y LI Y base de V .
3. Seja U V um subespao. Seja B uma base de U .
U = [B]
B LI B tem no mximo n vetores, ou seja, dim U n.
4. Seja B uma base de U . Ento como B tem n elementos e LI V = [B]. Como
U = [B], segue que V = U .
2.7.1
2.8. COORDENADAS
27
B = BU BV
[B] = [BU ] + [BV ]
[B] = U + V
Alm disso, se:
1 w1 + . . . + r wr + 1 u1 + . . . + n un + 1 v1 + . . . + m vm = V
1 w1 + . . . + r wr + 1 u1 + . . . + n un = (1 v1 + . . . + m vm )
{z
} |
|
{z
}
u
u=v
Como:
u U, v V
u=v U V
u = 1 w1 + . . . + r wr = 1 w1 + . . . + r wr + 1 u1 + . . . + n un
1 = 1 , . . . , r = r
1 = 0, . . . , n = 0
= . . . = m = 0
Analogamente, chega-se a: 1
1 = . . . = r = 0
Ou seja, B LI. Assim:
dim U = n + r
dim V = m + r
dim(U V ) = r
dim(U + V ) = m + n + r
E finalmente: dim(U + V ) = dim U + dim V dim(U V )
2.8
Coordenadas
Definio 2.88 Dada uma base de um espao vetorial B = {u1 , . . . , un }, um vetor v pode
ser escrito como:
v = 1 u1 + 2 u2 + . . . + n un
Os coeficientes 1 , . . . , n so univocamente determinados, pois se v = 1 u1 + 2 u2 +
. . .+n un , ento (1 1 )u1 +(2 2 )u2 +. . .+(n n )un = V , e 1 = 1 , . . . , n f =
n .
Se impusermos uma ordem aos vetores de B (i.e., se B estiver ordenado), ento os
escalares 1 , . . . , n sero chamados de coordenadas do vetor v em relao base B.
Costuma-se representar
as coordenadas na forma matricial:
1
2
28
+ + = 1
+ =1
===1
+ =1
2.9
1
[v]B = 1
1
Mudana de Base
1n
.. .
.
nn
11 . . . 1n
21 . . . 2n
MBC = .. . .
.
.
. ..
n1 . . . nn
[c1 ]B
[cn ]B
Teorema 2.91 Sendo [u]C a matriz de coordenadas de um vetor u na base C, e [u]B as
coordenadas desse mesmo vetor na base B, temos que [u]B = MBC [u]C .
Prova. Consideremos a matriz de coordenadas de um vetor u do espao vetorial em
relao base C:
1
1
2
2
Logo u =
n P
n
P
i=1
n P
n
P
j ij bi =
( ij j )bi . Ou seja, [u]B = MBC [u]C .
j=1 i=1
i=1 j=1
Teorema 2.92 Dadas as matrizes de mudana de base MBC e MCD , temos que a
matriz de mudana de base MBD dada por MBC MCD .
Prova. Consideremos agora, uma terceira base ordenada: D = {d1 , d2 , . . . , dn }. DeVictor Gonalves Elias
29
sejamos provar que: MBD = MBC MCD . Para tanto, note que:
[d1 ]B = MBC [d1 ]C
..
.
MBD
Nota 2.93 A partir do Teorema 2.92 podemos notar que uma matriz de mudana de base
sempre inversvel, pois MBB = MBC MCB .
| {z }
inversa
1i
2
13i
2
1+i
2
2.10
Lista de Exerccios
30
31
n
P
aij = 0.
i=1
32
33
Captulo 3
Produto Interno
3.1
Rb
a
f (x)g(x)dx.
E se hf, f i = 0, ento f (x) 0. De fato, suponha que x0 [a, b] em que f 2 (x0 ) > 0.
Pelo Teorema da Conservao do Sinal, f 2 (x) > 0 numa vizinhana V de x0 .
Victor Gonalves Elias
34
f (x)dx =
a
f (x)dx +
V
f 2 (x)dx > 0
[a,b]\V
{z
>0
{z
j=1
*
4.
n
P
i=1
i ui ,
n
P
+
j vj
j=1
n P
n
P
i j hui , vj i , ui , vj V, i , j R
i=1 j=1
hu, vi
hv, vi
3.2
Norma e Distncia
Definio 3.7 Uma funo mede a distncia entre dois elementos de um conjunto E
quando:
1. d(x, x) = 0 e d(x, y) > 0 se x 6= y
2. d(x, y) = d(y, x)
3. d(x, y) d(x, z) + d(z, y)
Esta funo conhecida como mtrica.
Victor Gonalves Elias
35
Nota 3.8 Um espao vetorial munido de uma mtrica chamado de espao mtrico.
Definio 3.9 H outra funo, a norma, que mede o comprimento de um vetor. A
norma uma funo que obedece :
1. kV k = 0 e kuk > 0 se u 6= V
2. kuk = || kuk
3. ku + vk kuk + kvk
Nota 3.10 possvel provar que uma norma sempre induz uma mtrica
d(u, v) = ku vk
.
p
Nota 3.11 No caso do produto interno, temos a seguinte norma: kuk = hu, ui. Nesse
caso
p tambm possvel definir a distncia entre dois vetores de V : d(u, v) = ku vk =
hu v, u vi.
Definio 3.12 Podemos definir um ngulo entre dois vetores usando o produto interno.
Da desigualdade de Cauchy-Schwarz: kuk kvk hu, vi kuk kvk . Assim, para quaisquer vetores no nulos:
hu, vi
1
1
kuk kvk
hu, vi
Sendo possvel associar um ngulo [0, ] tal que cos = kukkvk
. chamado de ngulo
entre os vetores u e v.
2 0
1 2
Exemplo 3.13 O ngulo entre as matrizes A =
e B =
conside3 0
0 3
rando o produto interno usual hA, Bi = tr(At B) = tr(AB t ) = tr(B t A) = tr(BAt ) =
n P
m
P
aij bij : arccos(1/91).
i=1 j=1
hu, vi
kukkvk
hu, ui
hu, ui
=
2 =
kukk uk
| |kuk
| |
cos = 1
= 0 ou
36
hu, vi
kuk =
6 0
kuk
=
kvk
kvk =
6 0
kuk kvk
| {z }
cos =1
kvk
kuk
3.3
Lista de Exerccios
37
2 1
1 1
1 0
1 1
,
,
.
1 0
1 1
38
Exerccio 3.27 Sejam u e v vetores de um espao vetorial euclideano. Prove que hu, vi =
0, se, e somente se, ||u + v|| ||u||, R.
Exerccio 3.28 Seja f : R R+ uma funo contnua e peridica. Mostre que, para
todo real, vale a desigualdade:
Z T
f (x)
dx T,
0 f (x + )
onde T o perodo da funo.
3.4
Ortogonalidade
Uma vez definido o ngulo entre vetores, imediato extender o conceito de ortogonalidade j aprendido em geometria. Dizemos, assim, que dois vetores so ortogonais quando
o ngulo entre eles /2, ou, de forma equivalente, quando hu, vi = 0.
Definio 3.29 Um conjunto de vetores S = {u1 , u2 , . . . , un } dito ser ortonormal
quando:
Todos os vetores de S tiverem norma unitria kui k = 1, i = 1, . . . , n.
Quaisquer dois vetores distintos de S forem ortogonais.
De modo compacto, isso pode
ser escrito como hui , uj i = ij , onde ij o delta de
1, i = j
Kronecker, definido como ij =
.
0, i 6= j
0
0
1
0 , 1 , 0 ortonormal, considerando-se
Exemplo 3.30 O conjunto S =
0
0
1
o produto interno usual.
Exemplo 3.31 A base cannica do Rn uma base ortonormal, considerando-se o produto
interno usual.
Trabalhar com bases ortonormais (isto , bases que so conjuntos ortonormais) facilita
muito o trabalho de decompor um vetor do espao em termos dos vetores da base.
Teorema 3.32 Todo conjunto ortonormal S = {u1 , u2 , . . . , um } LI.
Prova. 1 u1 + 2 u2 + . . . + m um = V
1 hu1 , u1 i + 2 hu2 , u1 i + . . . + m hum , u1 i = hV , u1 i
| {z } | {z }
| {z }
0
1 = 0
De forma anloga, j = 0, j = 2, . . . , m. Logo, S LI.
Victor Gonalves Elias
3.4. ORTOGONALIDADE
39
m
P
hv, ui i hui , uj i
{z
}
i=1 |
0,i6=j
j=1
Exemplo 3.35 Obtendo uma base ortonormal a partir de B = {(1, 1, 0); (0, 1, 0); (0, 0, 1)}.
(1,1,0)
k(1,1,0)k
1 , 1 , 0
E2 2
D
1
1
1 1
1 1
,
,
0
,
,
0
,
(0,
1,
0)
,
,
0
=
w2 = (0, 1, 0)
2 2
2
2
2
2
w2
1
1
u2 = kw2 k = 2 , 2 , 0
D
E
1 , 1 , 0 , (0, 0, 1)
1 , 1 , 0
w3 = (0, 0, 1)
2
2
2
2
D
=0
E
1 1
1 1
2 , 2 , 0 , (0, 0, 1) 2 , 2 , 0
=0
w3
w3 = (0, 0, 1) u3 = kw
= (0, 0, 1)
3k
u1 =
n
o
; 12 , 12 , 0 ; (0, 0, 1) .
1 , 1 , 0
2
2
Exemplo 3.36 Seja B uma base ortonormal. Ento qualquer vetor do espao se escreve
como v = hv, b1 i b1 + . . . + hv, bn i bn onde B = {b1 , . . . , bn }.
Prova. Como B base, qualquer vetor do espao se escreve como v = 1 b1 +. . .+n bn .
n
P
Assim, hv, bj i =
i hbi , bj i = j .
i=1
40
Teorema 3.37 A matriz de mudana de base entre duas bases ortonormais uma matriz
ortogonal.
Prova. Sejam B = {b1 , b2 , . . . , bn } e C = {c1 , c2 , . . . , cn }
Fazendo:
11 12
n
21 22
X
cj =
kj bk MBC = ..
..
...
.
.
k=1
n1 n2
E tambm:
bj =
n
X
ij ci MCB
k=1
1n
2n
(3.1)
..
.
nn
11 12 1n
21 22 2n
..
..
..
..
.
.
.
.
n1 n2 nn
(3.2)
J vimos que MBC MCB = I. Por (3.1), como B ortonormal: kj = hbk , cj i. Por
(3.2), como C ortonormal: ij = hbj , ci i. Ou seja, ji = ij , portanto: MCB =
MBC t MBC 1 = MBC t , ou seja, MBC ortogonal.
Teorema 3.38 (Fatorao QR): Dada uma matriz Amn , com colunas LI, possvel
encontrar uma matriz Qmn com colunas ortonormais e uma matriz Rnn triangular
superior, inversvel, de modo que A = QR.
2 3
3 2 . Obteremos a fatorao QR. Para isso
0 1
pelas colunas de A, e aplicar o processo de or-
v3 = (3, 2, 1) u3 =
, 13 , 0 v3 = u1 + 1213 u2 +
13
2 0
1
0 213 313
13 1213
A = 0 313 213 0
5
0 0
1 0
0
13
1
0
Exemplo 3.40 A fatorao QR da matriz A =
2
2
1
0
0
3
1
4
0
3
3
18 0
A=
2 2 1
3
3
18
0
2
2
1
3
3
18
Victor Gonalves Elias
1
1
4
0
1
1
:
1
3
3 3
3 1
0 6
5 u3
13
3.4. ORTOGONALIDADE
41
3.4.1
Complemento Ortogonal
v2 U
=0,v2 U
3.4.2
Teorema da Projeo
Consideremos o seguinte problema: dado um vetor v pertencente a V , devemos aproximlo a um vetor u do subespao U , de forma a minimizar o erro cometido pela aproximao.
Para isso usamos o teorema da projeo, visto a seguir.
Teorema 3.44 (Teorema da Projeo): Seja v V e seja U um subespao de V . De
todos os elementos de U , aquele que minimiza kv uk2 , u U a projeo de v em U
(denotada por projU v = vU ).
Prova. Consideremos v V . Como V = U U , v pode ser escrito de forma nica
Victor Gonalves Elias
42
kv uk2 = hv u, v ui
= hvU u + w, vU u + wi
= hvU u, vU ui + 2 hvU u, wi + hw, wi = kvU uk2 + kwk2
|
{z
}
0, pois wU
2
melhor aproximao em termos das funes de U = [B].
Seja B = {0 , 1 , . . . , 2m }. A projeo de f em U : projU f = fU = hf, 0 i 0 +
hf, 1 i 1 + . . . + hf, 2m i 2m . Definamos agora:
R 2
a0 = 1 0 f (x)dx
R 2
ak = 1 0 f (x) cos(kx)dx
R 2
bk = 1 0 f (x) sin(kx)dx
R 2
Temos ento que: hf, 0 i = 12 0 f (x)dx = a02
R 2
a0
2
a0
2
12
10
10
12
3.4. ORTOGONALIDADE
43
Desejamos ajustar os pontos para uma reta, isto , desejamos obter a e b de modo que
y(x) = ax + b seja uma boa aproximao para o conjunto de pontos experimentais. Para
tanto, para cada ponto (Xi , Yi ) definimos um desvio i = Yi (aXi + b) e definimos o erro
n
n
P
P
de ajuste como E =
i 2 =
[Yi (aXi + b)]2 .
i=1 i=1
Y1
X1
1
Y2
X2
1
Definimos Y = .. , X = .. , W = .. E = kY aX bW k2 .
.
.
.
Yn
Xn
1
Caso todos os pontos estivessem alinhados, seria possvel conseguirmos E = 0, e
para
X1 1
X2 1
a
hX, Xi hX, W i
hX, W i hW, W i
a
b
=
hX, Y i
hW, Y i
(3.3)
A partir do sistema inicial M
mesmo caso tivssemos feito: M t M
a
b
= Y , temos que o que foi obtido em (3.3) seria o
a
= M t Y , pois temos que:
b
n
n
P
X1 1
Xi 2
1Xi
hX, Xi hX, W i
X1 Xn .. .. i=1
t
i=1
M M=
. . = P
=
n
n
P
hX, W i hW, W i
1 1
2
1Xi
1
Xn 1
i=1
i=1
n
Y1
XY
X1 Xn .. i=1 i i
hX, Y i
t
M Y =
. = P
=
n
1 1
hW, Y i
1Y
i
Yn
i=1
44
QR.
t
a
b
= R t Qt Y
(R Q Q R)
|{z}
I
a
t
(R R)
= (Rt Qt )Y
b
a
R
= Qt Y
b
t
3.5
e o ket, que o vetor representado na forma de uma matriz coluna |vi = .. . Foi
.
vn
introduzida por Paul Dirac, e tambm conhecida como notao de Dirac.
Nota 3.49 Um espao vetorial complexo com produto interno tambm chamado de
espao hermitiano.
Nota 3.50 hu | vi = hu | vi , u, v V, C
45
hf | gi =
f (x)g(x)dx
3.6
Lista de Exerccios
f (t)g(t)dt
0
46
Exerccio 3.59 Determinar um vetor unitrio do R3 que seja ortogonal a todos os vetores
do sub-espao W = [(1, 2, 1), (1, 0, 2)].
Exerccio 3.60 Determinar a projeo ortogonal do vetor (1, 1, 0, 1) R4 sobre o subespao W = {(x, y, z, t) R4 | x y z = 0 e z 2t = 0}.
Exerccio 3.61 Sejam u e v vetores linearmente independentes do R3 . Mostrar que existem dois, e apenas dois, vetores de norma igual a 1 que so ortogonais simultaneamente
a u e v.
Exerccio 3.62 Resolva Ax = b utilizando o mtodo dos mnimos quadrados:
1 0
1
A= 0 1
b = 1 .
1 1
0
Exerccio 3.63 Encontre o quarto polinmio de Legendre. Ele uma expresso cbica
5 3
x + ax2 + bx + c ortogonal a 1, x, 12 (3x2 1) no intervalo 1 x 1.
2
Exerccio 3.64 Encontre as funes f (x) mais prximas da funo g(x) = sin(2x) no
intervalo [, ], considerando:
1. f (x) = a cos x + b sin x.
2. f (x) = c + dx.
Exerccio 3.65 Expresse a matriz A como o produto de duas matrizes QR, de modo que
QT Q = I e R seja uma matriz triangular superior.
1 1 0
1. A = 1 0 1 .
0 1 1
3 1
2. A = 4 1 .
0 1
Exerccio 3.66 Prove as seguintes desigualdades:
1. Se A uma
matriz real n n formada pelas matrizes coluna u1 , u2 , . . . , un , de modo
que A = u1 u2 . . . un , ento:
| det(A)| ||u1 ||||u2 || . . . ||un ||,
sendo ||uj || =
q
uTj uj .
47
1. Mostre que, com relao a este produto interno, o conjunto S = {sin(t), sin(2t),
. . . , sin(kt)}, k N, ortogonal.
2. Se W = [S] e f (t) = cos(mt), m N, obtenha a projeo ortogonal de f sobre W.
Exerccio 3.71 Seja V = C[0, 2] com o produto interno hf, gi =
R2
1. Mostre que, com relao a este produto interno, o conjunto S = {u0 (x), u1 (x),
u2 (x), ...}, onde u0 (x) = 1, u2k1 (x) = sin(kx), u2k (x) = cos(kx), k N,
ortogonal.
2. Ortonormalize S2n = {u0 (x), ..., u2n (x)}.
3. Mostre que a melhor aproximao de f C[0, 2] em [S2n ] dada por:
n
X
1
a0 +
(ak cos(kx) + bk sin(kx)) ,
2
k=1
onde ak =
R2
0
f (x) cos(kx)dx e bk =
R2
f (x) sin(kx)dx .
48
= 1 i2 + 5i3 ,
49
Captulo 4
Transformaes Lineares
O conceito de transformao linear, juntamente com o conceito de matrizes, so os mais
bsicos da lgebra Linear. As transformaes lineares, pela simplicidade e ao mesmo
tempo rijeza de suas exigncias, possuem propriedades bastante interessantes do ponto
de vista prtico.
Definio 4.1 Sejam U e V dois espaos vetoriais sobre um corpo K. Uma aplicao
T : U V dita ser uma transformao linear, quando respeitar duas condies:
1. T (u1 + u2 ) = T (u1 ) + T (u2 ), u1 , u2 U
2. T (u) = T (u), u U, K
Nota 4.2 No caso em que U = V , uma transformao linear de T : U U tambm
chamada de operador linear.
Exemplo 4.3 A transformao nula O : U V , O(u) = , u U linear.
Exemplo 4.4 O operador identidade I : U U , I(u) = u linear.
Exemplo 4.5 A transformao T : C[a, b] R, T (f ) =
Rb
a
f (x)dx linear.
R
0
50
i=1
4.1
A Imagem e o Ncleo
Definio 4.10 Sejam U e V dois espaos vetoriais, e seja T : U V uma transformao linear. A imagem de T definida como o conjunto Im(T ) = T (U ) = {T (u), u U }.
Definio 4.11 O ncleo da transformao linear definido como o conjunto Ker(T ) =
{u U, tal que T (u) = V }.
Nota 4.12 A palavra kernel derivada do termo cyrnel com a forma da palavra corn,
significando semente ou gro. Tal como um gro de milho, o kernel de uma transformao
linear o seu ncleo ou semente, no sentido de que ele que carrega as informaes sobre
muitas propriedades importantes da transformao linear. Isso explica porque usamos a
notao Ker(T ) para denotar o ncleo de T .
Teorema 4.13 Seja T : U V uma transformao linear. Ento:
1. O ncleo de T um subespao de U .
2. A imagem de T um subespao de V .
51
p(t)dt
0
(at + b)dt = 0
+ b = 0 a = 2b
52
53
Exemplo 4.19 Seja D : Pn (R) Pn (R) o operador de derivao Dp(t) = p0 (t). Temos
que p0 (t) = 1 Ker(D). Assim Ker(D) 6= {} D no injetiva.
Exemplo 4.20 Seja T : R2 P1 (R) dada por: T (a, b) = a + (a + b)t. T bijetiva.
Prova. De fato, analisando o Ker(T ), temos: (a, b) Ker(T ) a + (a + b)t
a = b = 0. Ker(T ) = {(0, 0)} T injetiva. Pelo teorema do ncleo e da imagem:
dim Im(T ) = 2. Como dim P1 (R) = 2 ento Im(T ) = P1 (R) T sobrejetiva. Por fim,
como T injetiva e sobrejetiva T bijetiva.
Teorema 4.21 Sejam U e V espaos vetoriais finitamente gerados de mesma dimenso, e seja T : U V uma transformao linear. Ento as seguintes afirmaes so
equivalentes:
1. T sobrejetiva.
2. T bijetiva.
3. T injetiva.
4. T transforma base de U em uma base de V .
Prova. Basta provar que 1 2 3 4 1. Na ordem:
(1 2) Hiptese: Im(T ) = V .
A partir do teorema do ncleo e da imagem: dim U = dim Ker(T ) + dim Im(T )
=dim V =dim U
4.2
Isomorfismos e Automorfismos
54
Nota 4.23 Quando existe um isomorfismo entre U e V , dizemos que esses espaos so
isomorfos (notao U V ). Neste caso, podemos, atravs do isomorfismo, identificar
cada elemento de U com um nico elemento de V .
Exemplo 4.24 O operador identidade um automorfismo de U .
Exemplo 4.25 Dada uma transformao linear T : Pn (R) Rn+1 definida como:
p(t) = a0 + a1 t + . . . + an tn
T (p) = (a0 , a1 , . . . , an )
T um isomorfismo.
Prova. Ker(T ) = {}. De fato: se T (p) = (0, 0, . . . , 0) p(t) . Portanto, T
injetiva. Como dim Pn (R) = dim Rn+1 = n + 1, pelo Teorema 4.21, T tambm bijetiva
T um isomorfismo.
Teorema 4.26 Dois espaos vetoriais sobre K de dimenso finita so isomorfos se, e
somente se, tm a mesma dimenso.
Prova. () Considere dois espaos vetoriais U e V . Se so isomorfos, ento T : U
V tal que T bijetiva, ou seja, tal que injetiva (e pelo Teorema 4.17, dim Ker(T ) = 0),
e sobrejetiva (ImT = V ).
Pelo teorema do ncleo e da imagem:
dim U = dim Ker(T ) + dim Im(T ) dim U = dim V
|
{z
} | {z }
=0
=dim V
n
X
i=1
i ui T (u) =
n
X
i v i
i=1
T linear.
T (B) = C, ento pelo Teorema 4.21, segue que T bijetiva.
Logo, U e V so isomorfos.
4.3
55
xy
x+y
2
2
xy
+ x+y
2
2
) = ( xy
, x+y
).
2
2
56
4.4
Lista de Exerccios
57
58
!
2
2
F (z) =
+i
z e G(z) = iz, z C
2
2
Calcular:
1. F 2 ;
2. F 4 ;
3. G2 ;
4. F 2 ;
5. F G;
6. (F G) (F G);
4.5
59
..
..
..
..
...
.
.
.
.
11
12
1n
21
22
2n
[T ]CB = ..
..
..
..
.
.
.
.
m1
m2 mn
n1
Prova. De fato, se u = 1 u1 +. . .+n un , ento T (u) = 1 T (u1 )+. . .+n T (un ). Como:
!
!
m
n
m
m
n
X
X
X
X
X
T (uj ) =
ij vi T (u) =
j
ij vi =
ij j vi
i=1
j=1
i=1
i=1
j=1
12
12
..
.
..
.
1n
1n
..
.
m1 m2
mn
Ento:
[T (u)]C =
11 1 + 12 2 + . . . + 1n n
21 1 + 22 2 + . . . + 2n n
..
.
m1 1 + m2 2 + . . . + mn n
11
11
..
.
1
2
..
.
60
Nota 4.57 Essa propriedade revela algo bastante surpreendente, pois nos permite trabalhar com matrizes em vez de trabalhar com vetores. De fato, o esquema seguinte explicita
essa ideia:
u T (u)
U V W
B
ST
Sejam [T ]CB = (ij )mn e [S]DC = (ij )pm . Definamos as bases B = {u1 , u2 , . . . , un },
m
P
C = {v1 , v2 , . . . , vm } e D = {w1 , w2 , . . . , wp }. Assim, T (uj ) =
kj vk e S(vk ) =
p
P
k=1
ik wi . E ento:
i=1
S T (uj ) = S(T (uj )) = S
n
P
k=1
p
P
kj
ik wi
k=1 i=1
p
n
P
P
ik kj wi
S T (uj ) =
n
P
i=1
kj vk
n
P
kj S(vk )
k=1
k=1
Portanto, [S T ]DB = [S]DC [T ]CB , pois [S]DC [T ]CB = (aij )pn onde aij =
n
P
ik kj .
k=1
Definio 4.59 Uma transformao linear T : U V inversvel se existe uma transformao linear T 0 : V U tal que T 0 T = IU e T T 0 = IV . Nesse caso, T 0 uma
inversa de T .
Nota 4.60 A necessidade de T 0 ser linear poderia ser omitida desta definio. De fato,
pode-se provar que se T 0 uma aplicao qualquer de V em U tal que T 0 T = IU e
T T 0 = IV , ento T 0 forosamente linear.
Nota 4.61 Se T 0 uma inversa de T , ento T tambm uma inversa de T 0 . Portanto
T 0 tambm inversvel.
Victor Gonalves Elias
61
Teorema 4.62 Se T uma transformao linear inversvel, ento sua inversa nica.
Prova. Basta pensar na transformao linear T como uma matriz. Assim, cada matriz
admite apenas uma inversa, logo T tambm s admite uma inversa.
Teorema 4.63 Uma transformao linear inversvel se e somente se for injetiva e
sobrejetiva.
Prova. Exerccio.
Teorema 4.64 Seja T : U V uma transformao linear entre espaos vetoriais n
dimensionais. E sejam B e C bases de U e V respectivamente. Ento T inversvel se,
e somente se, a matriz [T ]CB for inversvel. Nesse caso, ([T ]CB )1 = [T 1 ]BC .
Prova. () Se T inversvel, ento h T 1 : V U tal que T 1 T = IU . Logo
[IU ]BB = [T 1 ]BC [T ]CB I = [T 1 ]BC [T ]CB . Isso mostra que [T ]CB inversvel
e [T 1 ]BC = ([T ]BC )1 .
() Como [T ]CB inversvel, temos que ([T ]CB )1 tal que ([T ]CB )1 [T ]CB =
I. Tomando um vetor u do espao vetorial U e representando-o na base B temos [u]B ,
fazemos ento:
I = ([T ]CB )1 [T ]CB
[u]B = ([T ]CB )1 [T ]CB [u]B
[u]B = ([T ]CB )1 [T (u)]C
Temos que a matriz ([T ]CB )1 transforma um vetor da base C no espao vetorial V
para um vetor na base B do espao vetorial U . Tomando ento a transformao linear T 0
tal que [T 0 ]BC = ([T ]CB )1 , temos que u = T 0 T (u) T 0 T = IU . Portanto, temos
que T 0 inversa de T , assim, T inversvel.
Teorema 4.65 Sejam U e V espaos vetoriais sobre R de dimenso n e m respectivamente, e seja T uma transformao linear L(U, V ). O posto de T igual ao posto da sua
matriz.
Prova. Sejam B = {u1 , u2 , . . . , un } e C = {v1 , v2 , . . . , vm } bases de U e V respectivamente.
Sabemos que a imagem de T = [T (u1 ), . . . , T (un )]. Desde que Im(T ) Mm1 (R), ento podemos analisar dim Im(T ) analisando a dimenso do seguinte conjunto de matrizes
m 1:
D = [[T (u1 )]C , [T (u2 )]C , . . . , [T (un )]C ]
Ora, mas [T (uj )]C a j-sima coluna da matriz [T ]CB . Assim, para obter dim Im(T )
basta verificar o maior nmero de vetores LI de D, o que exatamente o nmero mximo
de colunas LI de [T ]CB (isto , o posto desta matriz).
Nota 4.66 Note que, como Im(T ) V ento dim Im(T ) m. Alm disso, pelo teorema
do ncleo e da imagem, conclumos que dim Im(T ) n. Isso significa que o posto de T
nunca excede n ou m.
Victor Gonalves Elias
62
Nota 4.67 Pode-se mostrar que o maior nmero de colunas LI de uma matriz igual
ao maior nmero de linhas LI da mesma matriz. Assim, o posto de uma matriz pode
ser calculado pelo escalonamento de linhas ou de colunas. E uma vez conhecido o posto
da matriz de uma transformao linear, a nulidade dessa transformao linear pode ser
prontamente obtida pelo teorema do ncleo e da imagem.
Exemplo 4.68 Seja T : R3 P2 (R) uma transformao linear cuja matriz em relao
s bases cannicas (de cada um dos espaos vetoriais) :
1 2 3
4 5 6
5 4 3
Temos que:
1
4
5
Portanto, o posto de T
2 3
1 2
3
1 2
3
5 6 0 3 6 0 3 6
4 3
0 6 12
0 0
0
2, e sua nulidade 1.
Agora que j estudamos muitas vantagens da representao matricial para transformaes lineares, vamos encerrar essa seo analisando o isomorfismo existente entre L(U, V )
e Mmn (R).
Teorema 4.69 Sejam U e V espaos vetoriais reais de dimenses n e m respectivamente.
Ento, fixadas as bases B = {u1 , u2 , . . . , un } e C = {v1 , v2 , . . . , vm } de U e V respectivamente, a aplicao de L(U, V ) em Mmn (R) que a cada transformao linear T associa
a matriz [T ]CB linear e bijetora.
Prova. Exerccio.
Nota 4.70 O Teorema 4.69 garante que L(U, V ) e Mmn (R) so isomorfos, isso significa
que dim L(U, V ) = dim Mmn (R) = mn.
Exemplo 4.71 Obtenhamos uma base para L(R2 , R2 ) = L(R2 ). Desde que L(R2 )
M2 (R) dim L(R2 ) = 4. Considerando a base cannica de M2 (R):
1 0
0 1
0 0
0 0
B=
,
,
,
0 0
0 0
1 0
0 1
e a transformao linear bijetora que a cada transformao linear associa a sua matriz.
Iremos determinar uma base de L(R2 ): C = {T1 , T2 , T3 , T4 }. Para tanto, seja F =
{(1, 0); (0, 1)} a base (cannica) do R2 , de modo que (T1 ) = [T1 ]F . Assim:
[T1 (0,1)]F
[T1 ]F F =
1
0
[T1 (1,0)]F
0
0
63
T1 (x, y) = T1 (x(1, 0) + y(0, 1)) = x(1, 0) + y(0, 0)
T1 (x, y) = (x, 0)
[T2 (0,1)]F
[T2 ]F F =
0
0
1
0
[T2 (1,0)]F
T2 (1, 0) = (0, 0)
T2 (0, 1) = (1, 0)
T2 (x, y) = (y, 0)
4.6
Espao Dual
64
K1
K2
0 1
T2 (1, 0) = 0
T2 (x, y) = y
T2 (1, 1) = 1
Logo, a base dual de B {T1 , T2 }, onde T1 (x, y) = x y e T2 (x, y) = y.
Nota 4.78 De uma forma geral, consideremos um espao vetorial Rn sobre R, e uma
base desse espao B = {b1 , b2 , . . . , bn }. Temos que a base dual de B a base de (Rn )
formada pelas transformaes lineares tais que:
F1 (u) = u1
F2 (u) = u2
..
.
Fn (u) = un
Victor Gonalves Elias
65
4.7
Lista de Exerccios
66
R1
1
1. B = {1, t, t2 } e C = {1};
2. B = {1, 1 + t, 1 + t2 } e C = {2};
Exerccio 4.87 Determinar todos os operadores lineares F do R2 tais que F 2 = F e
F (x, y) = (ax, bx + cy).
Exerccio 4.88 Seja T um operador linear de um espao vetorial V de dimenso 2. Se
a matriz deT em relao a uma certa base B de V
a b
c d
Mostrar que T 2 (a + d)T + (ad bc)I = 0(operador nulo).
Exerccio 4.89 Sejam F1 e F2 (R3 ) definidas por F1 (x, y, z) = x3y +2z e F2 (x, y, z)
= 2x y + z. Determinar F1 + F2 , 2F1 + 3F2 e os respectivos ncleos.
Exerccio 4.90 Determine as bases duais de cada uma das seguintes bases:
1. {(1, 1, 2), (1, 2, 0), (3, 4, 0)} do R3 ;
2. {(1, 2), (0, 1)} do R2 ;
3. {(0, 1, 0, 0), (2, 1, 0, 0), (0, 0, 1, 1), (0, 0, 0, 3)} do R4 ;
Victor Gonalves Elias
4.8. ISOMETRIA
67
4.8
Isometria
68
Prova. (3 1) Exerccio.
(1 2) Exerccio.
(2 3) Seja B = {u1 , . . . , un } uma base ortonormal de U . Dados u, v U , h
1 , . . . , m , 1 , . . . , n , tal que:
u = 1 u1 + . . . + n un
v = 1 u1 + . . . + n un
hu, vi = 1 1 + . . . + n n
Mas T (u) = 1 T (u1 ) + . . . + n T (un ) e T (v) = 1 T (u1 ) + . . . + n T (un ). Como
{T (u1 ), . . . , T (un )} tambm base ortonormal de U (por hiptese):
hT (u), T (v)i = 1 1 + . . . + n n
= hu, vi , u, v U
Teorema 4.99 Seja U um espao vetorial euclideano de dimenso finita e no nulo. E
seja T : U U um operador linear. T uma isometria se, e somente se, sua matriz em
relao base ortonormal de U uma matriz ortogonal.
Prova. () Exerccio.
() Seja B = {u1 , . . . , un } uma base ortonormal de U . Sendo:
T (u1 ) = 11 u1 + . . . + n1 un
T (u2 ) = 12 u1 + . . . + n2 un
..
.
T (un ) = 1n u1 + . . . + nn un
[T ]B = (ij )nn uma matriz ortogonal. Seja u = 1 u1 + . . . + n un U .
kuk2 = 1 2 + . . . + n 2
= [u]B t [u]B
Assim:
= [u]B t [u]B
kT (u)k2 = kuk2 , u U
Logo, T isometria.
69
, xmy
seja uma isometria.
Exemplo 4.100 Determinemos m para que T (x, y) = mx+y
2
2
2
Sendo B a base cannica do R , a matriz da transformao linear T :
m/2 1/2
[T ]B =
1/2 m/2
4.9
70
Nota 4.104 No caso de espaos vetoriais hermitianos de dimenso finita, a adjunta hermitiana de uma transformao linear A : U V uma transformao linear A : V U
que satisfaz a:
hv, A(u)i = u, A (v) , u U, v V
Neste caso, tomando-se bases ortonormais B e C (de U e V respectivamente), temse [A ]BC = [A]CB , onde [A]CB representa a matriz adjunta hermitiana, que a
matriz dos conjugados da transposta de [A]CB .
De outra forma:
hv|A|ui = |ui
A hv|
hv|A|ui = v|A |u
Definio 4.105 Seja V um espao euclideano. Um operador linear A L(V ) autoadjunto se ele for igual ao seu adjunto, ou seja, se:
hA(u), vi = hu, A(v)i , u, v V
Teorema 4.106 Seja V um espao euclideano de dimenso finita, ento um operador
linear auto-adjunto se, e somente se, sua matriz em relao a uma base ortonormal de
V simtrica.
Prova. [A ]B = [A]B t e A auto-adjunta, como a relao entre um operador e sua
matriz biunvoca, [A]B = [A]B t .
Exemplo 4.107 T :R2 R2 , T (x, y) = (y, x) auto-adjunto, pois tomando-se a base
0 1
cannica B : [T ]B =
, que simtrica.
1 0
Exemplo 4.108 A hiptese de que a base seja ortonormal imprescindvel, pois tomemos
1 2
T L(R2 ) tal que [T ]B =
e B = {(1, 1); (0, 1)}. Assim, T (1, 1) = 1(1, 1) +
2 3
2(0, 1) = (1, 3) e T (0, 1) = 2(1, 1) + 3(0, 1) = (2, 5).
hT (1, 1), (0, 1)i = 3
diferentes.
h(1, 1), T (0, 1)i = 7
Nota 4.109 O conjunto = {T L(V ) : T auto-adjunto} um subespao vetorial de
L(V ).
71
4.10
Analisaremos agora o que acontece com a matriz de um operador quando efetuamos uma
mudana de base.
Teorema 4.112 Sejam B e C duas bases de um espao vetorial V de dimenso finita.
Ento [I]BC = MBC .
Prova. Exerccio.
Teorema 4.113 Sejam B e C duas bases de um espao vetorial V de dimenso finita, e
seja T um operador linear de L(V ). Ento:
[T ]CC = MCB [T ]BB MBC
[T ]C
[T ]B
Prova. Temos que:
[T (u)]C = [T ]C [u]C
MBC [T (u)]C = MBC [T ]C [u]C
[T (u)]B = MBC [T ]C (MCB [u]B )
[T (u)]B = (MBC [T ]C MCB )[u]B
{z
}
|
[T ]B
72
3 2
2 3
diagonalizvel, pois tomando-se
4.11
Lista de Exerccios
73
74
Exerccio 4.126 Para cada transformao linear a seguir, obtenha a transformao linear
adjunta:
1. T : R3 R2 , T (x, y, z) = (x + y, z).
2. T : P3 (R) R2 , T (at3 + bt2 + ct + d) = (a, b).
3. T : M2 (R) M2 (R), T (A) = AX XA, onde X =
0 1
.
1 0
75
Exerccio 4.133 Seja V um espao euclidiano de dimenso finita. Mostar que duas
quaisquer das propriedades a segiur de um operador A L(V ) implica a restante:
1. A auto-adjunto.
2. A uma isometria.
3. A2 = I.
Exerccio 4.134 Seja T L(V ) um automorfismo. Se T auto-adjunto, mostrar que
T 1 tambm o .
Exerccio 4.135 Seja A um operador auto-adjunto de um espao euclidiano V . Se H
um subespao vetorial de V com a proprieadade u H A(u) H, mostre que H tem
tabm essa propriedade.
Exerccio 4.136 Seja um operador auto-adjunto de um espao euclidiano V .
hT (u), ui = 0, para todo u V , mostrar que T = 0.
Se
77
Captulo 5
Autovalores e Autovetores
O assunto deste captulo um dos mais importantes da lgebra Linear. No s porque faz
uso de todos os conceitos vistos anteriormente, mas tambm pela sua grande aplicabilidade
numa vasta classe de problemas da Matemtica, Fsica e Engenharia.
Por curiosidade, autovalor (ou valor prprio, valor caracterstico) a traduo de eigenvalue, ao paso que autovetor (ou vetor prprio, vetor caracterstico) vem de eigenvector.
O adjetivo germnico eigen significa prprio ou caracterstico de.
Autovalores e autovetores so caractersticos de uma matriz no sentido de conter informaes importantes sobre a natureza da mesma. A letra , letra grega equivalente ao
l do portugus, utilizada para designar autovalores porque anteriormente esses nmeros
tambm era chamados de valores latentes.
5.1
Definio 5.1 Seja V um espao vetorial sobre R (ou sobre C), e seja T : V V um
operador linear. Um vetor u V , u 6= V chamado de autovetor de T se existe um
real ou complexo, de modo que T (u) = u. O vetor u nesse caso chamado de autovetor
associado ao autovalor .
Exemplo 5.2 Seja T L(R2 ), T (x, y) = (x, x + y). Vamos obter os autovalores de T .
(T I)(x, y) = (0, 0)
(x x, x + y y) = (0, 0)
(1 )x
=0
x +(1 )y = 0
Desejamos que este sistema admita soluo no trivial.
1
0
= 0 (1 )2 = 0 = 1 (raiz dupla)
1
1
Substituindo no sistema para encontrar os autovetores: 0x = 0, x + 0y = 0 x = 0
e y qualquer 6= 0.
Logo, os autovetores associados a = 1 so da forma u = (0, y) = y(0, 1), y R .
Victor Gonalves Elias
78
79
Nota 5.9 O Teorema 5.7 pode ser generalizado usando o processo de induo para o caso
de n autovalores distintos 2 a 2 e os n autovetores associados.
5.2
Polinmio Caracterstico
Definio 5.10 Dada uma matriz A Mn (R) (ou A Mn (C)) definimos o polinmio
caracterstico de A como:
PA () = det(A I)
Definio 5.11 Dado um operador T L(V ) com dimenso de V igual a n, e B uma
base qualquer de V , definimos o polinmio caracterstico de T como:
PT () = det([T ]B I)
Teorema 5.12 O polinmio caracterstico de um operador T L(V ), com dimenso de
V igual a n independe da base escolhida.
Prova. [T ]C = MCB [T ]B MBC
det([T ]C I) = det(MCB [T ]B MBC MCB MBC )
= det(MCB ([T ]B I)MBC )
= det([T ]B I)
Nota 5.13 O Teorema 5.12 poderia ser enunciado na forma: "matrizes semelhantes
possuem o mesmo polinmio caracterstico".
Teorema 5.14 Seja A Mn (K), K = R ou K = C, K autovalor de A se, e
somente se, raiz do polinmio caracterstico PA (), isto , PA () = 0.
Prova. Exerccio.
Nota 5.15 A equao PA () = 0 recebe o nome de equao caracterstica da matriz A ou
equao secular.
Definio 5.16 Seja A uma matriz n n (T L(U ), com dim U = n) e seja um
autovalor de A (T ). Define-se a multiplicidade algbrica de como sendo sua multiplicidade enquanto raiz do polinmio caracterstico PA () (PT ()). Define-se a multiplicidade
geomtrica de como a dimenso do subespao prprio de , isto , V .
Exemplo 5.17 Sendo A a matriz
2 1 1
A = 0 3 1
2 1
3
Victor Gonalves Elias
80
0 1 1
x
0
y + z = 0
0 1 1 y = 0
yz =0
2 1
1
z
0
2x + y + z = 0
x = y = z
1
Portanto, V1 gerado por 1 , ou ainda (por abuso de notao), V1 =
1
[(1, 1, 1)].
Autovetores associados a 2 = 4:
0
2 1 1
x
2x y + z = 0
0 1 1 y = 0
y z = 0
0
2
1 1
z
2x + y z = 0
x = y = z
Portanto, V2
Nota 5.18 No exemplo anterior, 1 tem multiplicidade algbrica 2 e multiplicidade geomtrica 1. J 2 tem multiplicidade algbrica e geomtrica iguais a 1.
Exemplo 5.19 Determinemos os autovalores e
2 1
A= 2 3
3 3
autovetores da matriz
1
2
4
1
2
3
Portanto, V1
a 1 = 1:
1 1
x
0
2 2
y = 0 x+y+z =0
3 3
z
0
1
1
gerado por 1 e 0 , ou ainda, V1 = [(1, 1, 0); (1, 0, 1)].
0
1
81
Autovetores associados a 2 = 7:
5 1
1
x
0
5x + y + z = 0
2 4 2 y = 0
2x 4y + 2z = 0
3
3 3
z
0
3x + 3y 3z = 0
y = 2x
z = 3x
Portanto, V2
1
gerado por 2 , ou ainda, V2 = [(1, 2, 3)].
3
5.3
Diagonalizao de Operadores
1 0
0 2
[T ]B = ..
..
.
.
0 0
0
0
= diag(1 , 2 , . . . , n )
. . . ..
.
n
82
Proposio 5.25 A Definio 5.23 tambm pode, de modo anlogo, ser aplicada para
matrizes. Uma matriz A Mn (K) diagonalizvel se existe uma base de Mn1 (K)
formada por autovetores de A. Esta definio equivalente quela que demos no Captulo
4.
Prova. Seja B = {u1 , u2 , . . . , un } uma base de Mn1 (K) formada por autovetores de
A. Isso equivalente a:
Au1 = 1 u1
Au2 = 2 u2
..
.
Aun = n un
Veja que:
1 u1 2 u2 n un
1 0 0
0 2 0
un = u1 u2 un ..
.. . .
.
.
. ..
.
0 0 n
AM = M D
Au1 Au2
u1 u2
Aun
Ou seja, M 1 AM = D.
Exemplo 5.26 Seja o operador T : R2 R2 , T (x, y) = (y, x). Determinemos uma base
de C do R2 de modo que [T ]C seja uma matriz diagonal.
Seja B = {(1, 0); (0, 1)} a base cannica do R2 :
T (1, 0) = (0, 1) = 0(1, 0) + 1(0, 1)
T (0, 1) = (1, 0) = 1(1, 0) + 0(0, 1)
[T ]B =
0 1
1 0
1 1
1 1
x
y
=
0
0
x=y
Assim, V1 = [(1, 1)].
Victor Gonalves Elias
x + y = 0
xy =0
83
Autovetores associados a 2 = 1:
1 1
x
0
=
x = y
1 1
y
0
Assim, V2 = [(1, 1)].
Portanto, na base C = {(1, 1); (1, 1)}, temos [T ]C =
1 0
.
0 1
Devemos agora buscar condies que nos garantam quando um operador (ou uma
matriz) possa ser diagonalizado.
Teorema 5.27 Seja V um espao vetorial sobre K de dimenso n e seja T um operador
linear em V . Se o polinmio caracterstico de T possui n razes distintas em K, ento T
diagonalizvel.
Teorema 5.28 Seja V um espao vetorial sobre K de dimenso n. Um operador T
L(V ) diagonalizvel se, e somente se:
1. Todas as razes de PT () K (fato que sempre ocorre se K = C)
2. As multiplicidades algbrica e geomtrica de cada so iguais.
Nota 5.29 O Teorema 5.28 tambm vlido (com as devidas adaptaes) para matrizes
de Mn (K).
Nota 5.30 Usando a diagonalizao de matrizes, podemos notar que:
Q
det(A) P
= i = 1 2 . . . n
tr(A) = i = 1 + 2 + . . . + n
Exemplo 5.31 Mostremos que a matriz Q =
1 1
0 1
no diagonalizvel. Para isso,
identificaremos os autovalores de Q.
PQ () = 2 2 1
= ( 1)2
Assim, 1 = 1 com multiplicidade 2. Procurando os autovetores associados:
(Q
I)u =
0 1
x
0
=
0 0
y
0
y=0
1
Portanto, V1 gerado por
e dim V1 = 1.
0
Como a multiplicidade algbrica de 1 diferente da multiplicidade geomtrica, Q no
diagonalizvel.
84
5.3.1
Logo, hui , uj i = 0.
Nota 5.35 O Teorema 5.34 permanece vlido para operadores hermitianos.
Teorema 5.36 Seja T : U U um operador auto-adjunto. Se o subespao W U
invariante sob T , ento W tambm o .
Prova. z W hz, wi = 0, w W . Mostremos que T (z) W :
hT (z), wi = hz, T (w)i = 0, w W
Victor Gonalves Elias
85
5.3.2
1 0
0 1
1 0
0 1
86
(5.1)
c2 + d2 = 1
(5.2)
ac + bd = 0
(5.3)
...
..
cos
sin
1
1
sin 1 cos 1
.
..
cos k sin k
sin k cos k
Victor Gonalves Elias
87
5.4
Lista de Exerccios
3 1 0
0 3 0
0 0 4
0 0 0
0
0
0
3
1 1
Exerccio 5.48 Seja
a matriz de um operador do R2 . Ache os valores prprios
0 1
desse operador. Existem, nesse caso, dois vetores prprios linearmente independentes?
Exerccio 5.49 Provar que se valor prprio de T , ento n valor prprio de T n .
Generalizando, se P (t) um polinmio, ento P () valor prprio de P (T ), em que
P (T ) = a0 I + a1 T + . . . + an T n , se P (t) = a0 + a1 t + . . . + an tn .
88
5.5
5.5.1
Aplicaes da Diagonalizao
Potncias de uma Matriz
5.5.2
Diagonalizao e Cnicas
89
que, na nova base, tenha-se B = 0. Vamos atacar este problema de outro modo. Para
tanto, veja que:
x
A B/2
2
2
Ax + Bxy + Cy = x y
B/2 C
y
x
e sendo B a base cannica, [(x, y)]B =
.
y
A B/2
Entretanto, como a matriz
simtrica, ela sempre pode ser diagonaB/2 C
lizada (numa base ortonormal formada por seus autovetores). Se esta matriz estiver
numa forma diagonal, a identificao da cnica passa a ser uma tarefa bem mais simples.
Exemplo 5.52 Identifique a cnica descrita pela equao:
x x
3/ 10 1/10
MBC =
[(x, y)]C = MCB
=
y
y
1/ 10 3/ 10
7 3
3 1
= MBC
8 0
0 2
MCB = MCB
8 0
0 2
MCB
8 0
x
MCB
MCB
y
0 2
8 0
x
MCB
0 2
y
2
2
= 8
x + 2
y
90
10 10
x
y
x
=
10 10 MBC
y
3/ 10 1/ 10
x
=
10 10
y
1/ 10 3/ 10
x
= 4 2
y
= 4
x 2
y
5.5.3
Exponencial de Matrizes
Consideremos uma sequncia A1 , A2 , . . . , Ak , . . . de matrizes reais de ordem m n. Suponhamos Ak = (aij (k) ), k = 1, 2, . . .. Dizemos que a sequncia dada converge para B = (bij )
do mesmo tipo se as sequncias de nmeros reais
aij (1) , aij (2) , . . . , aij (k) , . . .
convergem para bij , para todo i = 1, . . . , m e todo j = 1, 2, . . . , n. Por exemplo:
1 0
1/4 0
1/9 0
1/n2 0
,
,
,...,
,...
0 0
0 0
0 0
0
0
converge para a matriz nula.
Se a sequncia A1 , A1 + A2 , A1 + A2 + A3 , . . . convergir para a matriz B ento dizemos
P
que a srie infinita
An convergente para a matriz B, que nesse caso, recebe o nome
n=1
de soma da srie.
Pode-se provar que, se A Mn (C), ento a srie exponencial:
I +A+
X Ap
Ap
A2 A3
+
+ ... +
+ ... =
2!
3!
p!
p!
p=0
p
p
X
X
D
D
eA =
M 1 =
M 1 = M eD M 1
M
p!
p!
p=0
p=0
sendo D = diag(1 , 2 , . . . , n ) ento eD = diag(e1 , e2 , . . . , en ).
Assim sendo, a diagonalizao fornece um meio bastante eficaz de obter a exponencial
de uma matriz. Veremos a seguir um outro mtodo.
Victor Gonalves Elias
91
1 1
Exemplo 5.55 Seja A =
. Calcule eA . Podemos resolver tanto pela diagonali1 1
zao, quanto pela frmula de Sylvester. Faremos pelos dois:
1. Pela diagonalizao. Fazendo os clculos, obtemos:
1 1
0 0
1/2 1/2
A=
1 1
0 2
1/2 1/2
A
Assim e =
1 1
1 1
1 0
0 e2
1/2 1/2
1/2 1/2
1
=
2
e2 + 1 e2 1
.
e2 1 e2 + 1
f (2 ) = g(2 )
e2 = 2 +
=1
(e2 1)
e =
2
A
1 1
1 1
+
1 0
0 1
1
=
2
e2 + 1 e2 1
e2 1 e2 + 1
92
1 1
Exemplo 5.56 Obtenha a exponencial de
.
0 1
Nesse caso, como A no diagonalizvel, devemos usar a frmula de Sylvester.
f (A) = eA , g(A) = A + I,
5.6
f (1 ) = g(1 )
f (2 ) = g(2 )
e=+
e=
1 = 1, m1 = 2
=e
eA =
=0
e e
0 e
Temos que nem toda matriz de Mn (C) (e nem todo operador) diagonalizvel. Mas e se
quisssemos encontrar uma matriz M de modo que, dada uma matriz A, M 1 AM fosse
o mais prximo possvel de uma diagonal?
Caso A seja diagonalizvel, basta pegar a matriz M formada pelos autovetores de
A, que M 1 AM ser perfeitamente diagonal. Num caso geral, porm, podem faltar
autovetores e uma forma diagonal se torna impossvel. Nesta seo nos ocuparemos desse
caso mais geral.
Inicialmente, faremos algumas convenes. Estaremos trabalhando sobre o corpo C.
Vale notar que alguns dos resultados obtidos aqui tambm sero vlidos para R, mas nem
todos. De certo modo, porm, os nmeros reais podem ser considerados como um caso
particular de um nmero complexo. Outra vantagem de usar o corpo dos complexos
que todo polinmio real admite raiz complexa, mas nem sempre admite raiz real.
Definamos agora o que a forma cannica de Jordan.
Definio 5.57 Se uma matriz A tem s autovetores LI, ento ela semelhante a uma
matriz J que est na forma cannica de Jordan, com s blocos na diagonal.
J = M 1 AM =
J1 0 0
0 J2 0
0 0 J3
.. .. ..
. . .
0 0 0
..
.
0
0
0
..
.
Js
onde cada bloco de Jordan Ji possui um autovetor, um autovalor e nmeros 1 bem acima
da diagonal:
i 1 0
0 0
0 i 1
0 0
0 0 i 0 0
Ji = .. ..
..
. . . .. ..
. .
.
. .
0 0 0 i 1
0 0 0
0 i
93
J =
8
0
0
0
0
1
8
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
8 1
0 8
0
1
A x1 x2 x3 x4 x5 = x1 x2 x3 x4 x5
0 0
0
Fazendo cada uma das multiplicaes, uma coluna por vez, temos que:
Ax1 = 8x1
Ax3 = 0x3
Ax2 = 8x2 + x1
Ax4 = 0x4 + x3
Ax5 = 0x5
94
5.6.1
(1)
I)x,j = x,j . Se no for possvel, parar e tentar novamente para outro autovetor. Se for
possvel, porm, foi encontrado um autovetor generalizado de ordem 2. Em seguida, tentar
(2)
(3)
(2)
resolver novamente para este x,j o sistema (A I)x,j = x,j e prosseguir enquanto for
possvel. Deve-se achar uma cadeia de k autovetores generalizados. Associada a esta
cadeia, teremos um bloco de Jordan de tamanho k.
Devemos agora construir a matriz M tal que M 1 AM = J. em analogia com o caso em
que A diagonalizvel, inferimos que M deve ser constituda pelos autovetores genunos e
generalizados de A. Relembrando: 1 , 2 , . . . , p so os autovalores de A. Cada autovalor
tem multiplicidade algbrica mi e multiplicidade geomtrica qi , mas agora isto no
Victor Gonalves Elias
95
C1 ,1 C1 ,r1 Cp ,rp
Assim: M 1 AM = J, onde J :
J =
J1 ,1
..
J1 ,r1
..
.
Jp ,rp
A= 0
0
1 2
1 3
0 2
Primeiro achamos os autovalores de A. Temos que eles so: 1 = 1, com multiplicidade algbrica m1 = 2 e geomtrica q1 = 1, e 2 = 2 com m2 = 1 e q2 = 1.
Os autovetores genunos de A so:
1
5
u1 = 0
u2 = 3
0
1
Precisamos encontrar um autovetor generalizado associado a 1 = 1 (pois este possui
(1)
multiplicidade algbrica maior que a geomtrica). Sendo u1 = u1 e resolvendo (A
(2)
(1)
I)u1 = u1 , temos:
0
(2)
u1 = 1
0
1 0 5
1 1 0
Finalmente, tomando M = 0 1 3 temos M 1 AM = 0 1 0 (confira!).
0 0 1
0 0 2
Nota 5.64 Apesar de infalvel, o algoritmo para se achar a forma cannica de Jordan
longo, e exaustivo para ordens maiores. Portanto, nem sempre necessrio seguir o
algoritmo completamente, sendo possvel obter, em alguns casos, a forma de Jordan de
uma matriz apenas por inspeo.
96
5.6.2
Polinmio Mnimo
onde n
i o tamanho do maior bloco de Jordan associado a i .
Usando a forma cannica de Jordan de A, segue que: mA (A) = .
Nota 5.66 Note que as potncias neste polinmio anulam todos os blocos de Jordam de
A e, por isso, mA (A) = .
Exemplo 5.67 As matrizes:
3 0 0
A= 0 3 0
0 0 3
3 1 0
B= 0 3 0
0 0 3
3 1 0
C= 0 3 1
0 0 3
A=
3
0
0
0
0
1
3
0
0
0
0
1
3
0
0
0
0
0
3
0
0
0
0
0
3
B=
3
0
0
0
0
1
3
0
0
0
0
1
3
0
0
0
0
0
3
0
0
0
0
1
3
5.6.3
97
n n
0
0 0
J1 0 0 0
J1
0 J2 n 0 0
0 J2 0 0
0 J3 n 0
J n = 0 0 J3 0 = 0
.. .. .. . .
..
..
..
..
..
.
.
.
. . .
. .
.
.
.
.
0 0 0 Js
0
0
0 Js n
A questo agora como elevar um certo bloco de Jordam n-sima
potncia.
1
Comecemos com o exemplo mais simples possvel: J =
. Para este caso,
0
2
3
2
32
4 43
3
4
temos: J 2 =
,
J
=
,
J
=
. Por induo chega-se a:
0 2
0 3
0 4
n
nn1
n
J =
0
n
1 0
2 1
Complicando um pouco mais: J = 0 1 . Temos que: J 2 = 0 2 2 ,
0 0
0 0 2
3
32 3
4 43 62
3
2
3
4
J = 0 3 , J = 0 4 43 . Novamente, por induo, chega-se a:
0
0
4
0
0
3
n
n1 n(n 1) n2
2 n1
Jn = 0
n
n
0
f 0 ()
f (p2) () f (p1) ()
f ()
1!
(p 2)!
(p 1)!
(p3)
f
() f (p2) ()
0
f ()
(p
3)!
(p
2)!
Jn =
..
..
..
..
..
.
.
.
.
.
f 0 ()
f ()
1!
0
0
0
f ()
Agora, ser que isso que foi visto para potenciao tambm pode ser generalizado
para funes mais gerais? Ou seja, ser que, supondo que se conhea a forma cannica
de Jordan de A. Ser que f (A) = M f (J)M 1 ?
Victor Gonalves Elias
98
A resposta : depende. Se f for uma funo polinomial f (A) = a0 I +a1 A+. . .+an An ,
ento podemos dizer que f (A) = M f (J)M 1 . E este resultado continua vlido no caso
em que f (A) escrita como uma srie de potncias convergente, como por exemplo: eA ,
sinh(A) e log(A). Porm, h funes que no satisfazem essa condio, como por exemplo
f (A) = At .
No caso em que f (A) = M f (J)M 1 , ento:
0
0
0
f (J1 )
0
0
0
f (J2 )
0
f
(J
)
0
3
f (J) =
..
..
..
..
.
.
.
.
.
.
.
0
0
0
f (Js )
Mas como calcular f de um certo bloco de Jordan? O melhor de tudo que podemos
fazer exatamente como antes! Portanto:
Teorema 5.70 Sendo f uma funo continuamente diferencivel, e J um bloco de Jordan
p p, temos que f (J) dado por:
f (p2) () f (p1) ()
f 0 ()
f ()
1!
(p 2)!
(p 1)!
(p3)
(p2)
f
()
f
()
0
f
()
(p
3)!
(p
2)!
f (J) = .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
f ()
0
0
f ()
1!
0
0
0
f ()
5.7
Lista de Exerccios
3 1 1
6
1
2
2
1
0
Exerccio 5.73 Estudar quanto possibilidade de diagonalizao as matrizes:
Victor Gonalves Elias
99
1 2 2
1. 2 1 2
2 2 3
1 0 0
2. m 2 0
n 0 2
1 4 2 2
4 1 2 2
3.
2
2
1
4
2
2
4
1
1
1
1
1
1
1 1 1
4.
1 1
1 1
1 1 1
1
Exerccio 5.74 Seja A L(R3 ) o operador linear
2
2
2
1
(aij ) =
0
0
0
0
2
0 7 6
0
2. 1 4
0 2 2
Victor Gonalves Elias
100
0 1 5
9
2 1 6
8
3.
0 0 0
3
0 0 1 2
1 4 2 2
4 1 2 2
4.
2
2
1
4
2
2
4
1
2
1
0
1. 1 1 1
0
1
2
2
1
0
1
1
3 1
3
2.
0
1
2
1
1 1 1 1
1
0 1 1 0
4
1 3 2 1
2
1
0
1
1
3.
3 1 3 4 1
8 2 7 5 4
Exerccio 5.80 Seja A uma forma cannica de Jordan com r blocos de Jordan. Mostre
que A admite exatamente r vetores prprios linearmente independentes.
Exerccio 5.81 Ache a forma cannica de Jordan para o operador diferencial derivada
D : P3 (C) P3 (C).
Exerccio 5.82 Identifique as seguintes curvas de segundo grau:
1. 2xy + 3x y + 1 = 0
2. 4x2 24xy + 11y 2 + 56x 58y + 95 = 0
3. 6x2 4xy + 9y 2 4x 32y 6 = 0
4. 16x2 24xy + 9y 2 19x 17y + 11 = 0
Victor Gonalves Elias
101
an2
4
para n 2;
102
i = 0, 1, . . . , n
103
Exerccio 5.90 Dada uma matriz A Mn (R) simtrica e uma matriz C Mn (R) no
singular, mostre que C T AC possui o mesmo nmero de autovalores positivos, nulos e
negativos que A.
Exerccio 5.91 Para quais valores de s e t as matrizes seguintes possuem todos os autovalores positivos?
s 4 4
t 3 0
s 4
A = 4
B= 3 t 4
4 4
s
0 4 t
Exerccio 5.92 D uma razo imediata para o motivo de cada uma dessas afirmaes
serem verdadeiras:
1. Toda matriz positiva definida invertvel.
2. A nica matriz de projeo positiva definida I. OBS.: Uma matriz P chamada
de projeo quando for simtrica e P 2 = P .
3. Uma matriz diagonal com elementos diagonais positivos positiva definida.
4. Uma matriz simtrica com um determinante positivo pode no ser positiva definida.
Exerccio 5.93 H alguma soluo (x, y, z) R3 para 2x2 +2y 2 +2z 2 2xy 2yz +2xz =
15?
105
Captulo 6
Equaes Diferenciais Ordinrias
6.1
Definio 6.1 Uma equao diferencial (ou, simplesmente, ED) uma equao que envolve uma varivel incgnita (y, por exemplo) e necessariamente suas derivadas (y 0 , y 00 ,
. . ., y (n) ). A varivel independente (em geral t ou x) pode aparecer explicitamente ou
implicitamente. Quando h apenas uma varivel independente a equao chamada de
Equao Diferencial Ordinria (EDO), e quando h duas ou mais, chamada de Equao
Diferencial Parcial (EDP).
Exemplo 6.2 So exemplos de EDOs:
1. Num circuito RLC: LC v + RC v + v = E(t)
2. No decaimento radioativo:
3. Num pndulo simples:
dN
= N
dt
d2
g
+ sin = 0
2
dt
L
2. Na difuso de um material:
du
2f
2f
2f
= D2 u, onde 2 = (f ) =
+
+
dt
x2
y 2
z 2
3. A equao de Laplace: 2 u = 0
Nota 6.4 Se existirem duas ou mais funes incgnitas, precisamos de um Sistema de
Equaes Diferenciais Ordinrias (SEDO).
Exemplo 6.5 Na Ecologia, temos as equaes de Lotka-Volterra, usadas para representar
a variao das populaes de espcies relacionadas por uma interao predador-presa em
Victor Gonalves Elias
106
funo do tempo. Tomando, por exemplo, coelhos representados pela letra c (presa) e
raposas representadas pela letra r (predador), temos:
dc = ac rc
dt
dr
= r + rc
dt
Definio 6.6 Existe tambm o conceito de ordem para equaes diferenciais. A ordem
de uma ED a ordem da maior derivada que aparece. De modo geral:
F (t, u(t), u0 (t), . . . , u(n) ) = 0
uma EDO de ordem n, desde que F no seja constante na ltima varivel de entrada
F
( (n) 6= 0).
u
Exemplo 6.7 A equao y 000 + 2et y 00 + y(y 0 )5 = t10 uma EDO de ordem 3.
Definio 6.8 As equaes diferenciais ordinrias tambm podem ser classificadas em
lineares e no-lineares. Seja F uma EDO dada por F (t, y, y 0 , . . . , y (n) ) = 0. F dita
linear se, e somente se, for linear nas variveis y, y 0 , . . . , y (n) . Caso contrrio, F dita
no-linear. As equaes diferenciais ordinrias sero abreviadas para EDOL.
Nota 6.9 Uma EDO linear sempre assume a forma
an (t)y (n) + an1 (t)y (n1) + . . . + a1 (t)y 0 + a0 (t)y = g(t)
e tambm sempre:
1. As funes y (n) , y (n1) , . . . , y 0 , y aparecem elevadas potncia 1.
2. No h produtos do tipo y (k) y (`) .
Exemplo 6.10 Analisemos as equaes a seguir:
1. ex y 00 + x2 y 0 + x3 y = x4 linear.
2. ex y 00 + x2 y 0 + xy 3 = y no-linear, pois contm o termo y 3 .
3. y 0 + ex y = 0 linear.
4. y 0 + ey y = 0 no-linear, pois contm o termo ey .
Definio 6.11 As EDOLs tambm podem ser classificadas em outras categorias:
1. Homognea ou no-homognea. Sendo homognea quando g(t) = 0 (abreviada para
EDOLH).
2. De coeficientes constantes (CC)
a0 (t) = a0 , a1 (t) = a1 , . . . , an (t) = an
ou, caso contrrio, de coeficientes variveis (CV).
6.1.1
107
Definio 6.12 Definimos como soluo de uma EDO F (t, (t), 0 (t), . . . , (n) (t)) = 0
qualquer funo y = (t) definida no intervalo < t < de modo que 0 , 00 , . . . , (n)
existem e satisfazem a equao
F (t, (t), 0 (t), . . . , (n) (t)) = 0, t ], [
Nota 6.13 A funo y = (t, c1 , c2 , . . . , cn ) que contm n constantes de integrao arbitrrias e independentes chamada de soluo geral da EDO. Toda soluo obtida pela
atribuio de valores a c1 , c2 , . . . , cn chamada de soluo particular.
Se para a EDO y (n) = f (t, y, y 0 , . . . , y (n1) ), t (, ) so dadas as condies iniciais
(n1)
(problema de valor inicial) y(t0 ) = y0 , y 0 (t0 ) = y00 , . . . , y (n1) (t) = y0
e se conhece
a soluo geral y = (t, c1 , c2 , . . . , cn ) ento c1 , c2 , . . . , cn so determinadas, caso seja
possvel, pelo sistema de equaes:
y0
y00
..
.
(n1)
y0
= (t0 , c1 , c2 , . . . , cn )
= 0 (t0 , c1 , c2 , . . . , cn )
= (n1) (t0 , c1 , c2 , . . . , cn )
6.2
Seja L = an (t)Dn + an1 (t)Dn1 + . . . + a1 (t)D + a0 (t)I, tal que uma EDOL possa ser
representada por L(y) = g(t). Assumiremos:
1. an , . . . , a1 , a0 so funes de classe C 0 (a, b).
2. an (t) 6= 0, t (a, b) (EDO no possui singularidade).
3. g contnua em (a, b).
Desse modo, temos que L uma transformao linear do espao C n (a, b) para C 0 (a, b),
ou seja, L : C n (a, b) C 0 (a, b). Se g(t) = 0, t (a, b), temos uma EDOL e homognea.
Neste caso resolver L(y) = 0 equivale a encontrar Ker(L). Se y1 e y2 so solues de uma
EDOLH, qualquer combinao linear de y1 e y2 tambm soluo. A equao L(y) = 0
recebe o nome de equao diferencial homognea associada EDOL dada.
Teorema 6.15 Seja L(y) = g(t) uma EDOL e L(y) = 0 a homognea associada. Se
uma soluo (conhecida) de L(y) = g(t), ento o conjunto soluo de L(y) = g(t) :
{ + h : h Ker(L)} = { + h : h soluo da homognea associada}
108
Prova.
1. Dado um h Ker(L), + h soluo de L(y) = g(t).
L() + L(h) = g(t).
| {z } |{z}
g(t)
De fato:
2. Seja (t) uma outra soluo de L(y) = g(t). L() = g(t) e L() = g(t) L( ) =
0, ou seja, h um h Ker(L) tal que (t) (t) = h(t).
Nota 6.16 O Teorema 6.15 nos ensina um fato muito importante. Se quisermos achar
todas as solues de L(y) = g(t), podemos seguir 3 etapas:
1. Procuramos uma soluo particular de L(y) = g(t).
2. Determinamos o ncleo de L, isto , obtemos as solues da homognea associada.
3. Somamos cada funo do ncleo de L com a soluo particular (t) encontrada na
primeira etapa.
6.3
Considere o problema: a1 (t)y 0 + a2 (t)y = g(t), t (a, b). Desde que a1 (t) 6= 0, t (a, b),
(t)
y = ag(t)
. O nosso problema ento ser resolver y 0 + p(t)y = h(t).
podemos fazer y 0 + aa21 (t)
1 (t)
Para tal, multiplicamos a equao por u(t). Ficaremos com u(t)y 0 (t) + u(t)p(t)y(t) =
0
u(t)h(t). Basta escolhermos
u(t)
hR
i tal que u (t) = p(t)u(t). A funo que satisfaz essa
t
equao u(t) = exp t0 p(x)dx (Verifique!).
d
[u(t)y(t)]
dt
= u(t)h(t) e ento:
Z t
1
y(t) =
u(x)h(x)dx
u(t) t0
109
Nota 6.20 Observe que o termo que aparece devido constante x0 ao se calcular u (que no
2
exemplo anterior foi ex0 ) sempreRse anular ao
R xser colocado na equao principal, portanto
x
p(t)dt = P (x), sendo P a primitiva de p
podemos ignor-lo e considerar x0 p(t)dt =
sem a constante de integrao.
6.4
6.4.1
Wronskiano e Propriedades
Ser que qualquer soluo de uma EDOLH pode ser escrita como combinao linear de
duas solues determinadas?
Seja y uma soluo de L(y) = 0 e suponhamos que se possa escrever y = c1 y1 + c2 y2 .
Tomando t0 I, c1 e c2 devem satisfazer o sistema:
c1 y1 (t0 ) + c2 y2 (t0 ) = y0
c1 y10 (t0 ) + c2 y20 (t0 ) = y00
Para tanto, necessrio e suficiente que:
y1 (t0 ) y2 (t0 )
0
y1 (t0 ) y20 (t0 )
6= 0
110
I um intervalo aberto de R.
W (t)
111
dW
:
dt
y (t) y2 (t)
W (t) = 10
y1 (t) y20 (t)
0
y (t) y20 (t)
dW
= 10
y1 (t) y20 (t)
dt
y1 (t) y2 (t)
+ 00
y1 (t) y200 (t)
dW
y1 (t)
y2 (t)
=
0
0
p(t)y1 (t) q(t)y1 (t) p(t)y2 (t) q(t)y2 (t)
dt
dW
y
(t)
y
(t)
1
2
=
0
0
p(t)y1 (t) p(t)y2 (t)
dt
dW
= p(t)W (t)
dt
Teorema 6.31 Sejam y1 e y2 solues da EDOLH de segunda ordem L(y) = y 00 + p(t)y 0 +
q(t)y = 0 onde p e q so contnuas num intervalo I. Ento y1 e y2 so LD em I se, e
somente se, W [y1 , y2 ](t) zero t I. De outro modo, y1 e y2 so LI em I se, e somente
se, W [y1 , y2 ](t) nunca se anula em I.
6.4.2
Seja o problema y 00 + p(t)y 0 + q(t)y = 0. Suponha que seja conhecida uma soluo u(t).
Desejamos obter uma segunda soluo v(t) de modo que {u, v} seja um conjunto fundamental de solues.
Propomos v(t) = u(t)f (t) com f (t) a ser determinado.
v 0 = u0 f + uf 0
v 00 = u00 f + 2u0 f 0 + uf 00
00
f (u + pu0 + qu) +f 00 (2u0 + pu) + f 0 (u) = 0
=0
Seja agora h = f 0 , ficamos com: h0 (u) + h(2u + pu) = 0, ou seja, uma EDO de primeira
ordem.
6.4.3
Coeficientes Constantes
112
6=0
113
Caso (c): Nesse caso e1 t uma soluo. Considere 2 uma segunda raiz de P ().
e1 t e2 t
soluo. Analisando o limite 2 1 :
1 2
lim
2 1
e1 t e2 t
d 1 t
=
e = te1 t
1 2
d1
6.5
EDOLH de Ordem n
114
y1 (t)
y2 (t)
y10 (t)
y20 (t)
W [y1 , y2 , . . . , yn ](t) =
..
..
.
.
(n1)
(n1)
y1
(t) y2
(t)
...
(n1)
yn
(t)
yn (t)
yn0 (t)
..
.
Nota 6.34 As propriedades que vimos para o Wronskiano de 2 funes podem ser generalizadas para n funes.
Teorema 6.35 Se y1 , y2 , . . . , yn so solues da EDOLH de ordem n L(y) = 0, t I,
com I um intervalo aberto de R e existe um ponto t I tal que W [y1 , y2 , . . . , yn ](t ) 6= 0
ento estas funes formam um conjunto fundamental de solues e toda soluo da EDO
pode ser escrita como uma combinao linear de y1 , y2 , . . . , yn .
Teorema 6.36 (Generalizao do Teorema de Abel): Se y1 , y2 , . . . , yn so solues
da EDOLH de ordem n:
L(y) = y (n) + pn1 (t)y n1 + pn2 (t)y n2 + . . . + p1 (t)y 0 + p0 (t)y = 0, t I
ento o Wronskiano e dado por:
Z t
W [y1 , y2 , . . . , yn ](t) = C exp
pn1 (z)dz
t0
Prova. Pode ser obtida da mesma maneira da prova para ordem 2. Basta mostrarmos
dW
= pn1 (t)W .
que
dt
Nota 6.37 Analogamente ao caso de ordem 2, as solues de uma EDOLH so LI se, e
somente se, o Wronskiano no nulo para um t I.
6.5.1
6.5.2
Coeficientes Constantes
115
et , tet , t2 et , . . . , ts1 et
Se aparecerem as razes complexas i ( 6= 0), ento temos as solues associadas:
et cos t, et sin t
Se as razes complexas i ( 6= 0) aparecem com multiplicidade s (s n), ento
as solues associadas so:
et cos t, et sin t, tet cos t, tet sin t, . . . , ts1 et cos t, ts1 et sin t
6.6
Lista de Exerccios
+ 2y = sin t
1. t2 ddt2y + t dy
dt
2
+ y = et
2. (1 + y 2 ) ddt2y + t dy
dt
3.
d4 y
dt4
4.
dy
dt
5.
d2 y
dt2
+ sin(t + y) = sin t
6.
d3 y
dt3
+ t dy
+ (cos2 t)y = t3
dt
d3 y
dt3
d2 y
dt2
dy
dt
+y =1
+ ty 2 = 0
Exerccio 6.39 Verifique que a funo (ou funes) dada(s) (ou so) soluo (solues)
da equao diferencial:
1. y 00 y = 0, y1 (t) = et e y2 (t) = cosh t.
2. y 00 + 2y 0 3y = 0, y1 (t) = e3t e y2 (t) = et .
2 Rt
2
2
3. y 00 2ty = 1, y1 (t) = et 0 es ds + et .
Exerccio 6.40 Determine a ordem da EDP e diga se ela linear ou no linear:
1. uxx + uyy + uzz = 0.
2. uxx + uyy + uux + uuy + u = 0.
Victor Gonalves Elias
116
117
118
119
d
((0 )2
dx
+ 2 ) = 0, ou seja, (0 )2 + 2 = cte.
Exerccio 6.65 Sabendo que y(x) = 3ex + ex , z(x) = 7ex + ex e w(x) = 5ex + ex + ex
so solues de uma EDOL no homognea de segunda ordem L(y) = q, x R, determine
a soluo do PVI L(y) = q; y(0) = 1, y 0 (0) = 2.
6.7
X1 (t)
X2 (t)
X(t) = ..
.
Xn (t)
120
algo do tipo:
X 1 (t) = a11 (t)X1 (t) + a12 X2 (t) + . . . + a1n Xn (t) + g1 (t)
X 2 (t) = a21 (t)X1 (t) + a22 X2 (t) + . . . + a2n Xn (t) + g2 (t)
..
.
X = A(t)X + g(t),
A(t) =
,
..
..
..
..
.
.
.
.
an1 (t) an2 (t) ann (t)
g(t) =
g1 (t)
g2 (t)
..
.
gn (t)
Nota 6.67 Toda EDOL de ordem n pode ser transformada num SEDOL de n equaes
de primeira ordem. Vejamos:
Dado a EDOL a seguir:
y (n) + pn1 (t)y (n1) + . . . + p1 (t)y 0 + p0 (t)y = q(t)
Podemos definir:
X1 (t) = y
X2 (t) = y 0
..
.
Xn1 (t) = y (n2)
Xn (t) = y (n1)
de modo que a EDOL acima pode ser representada por:
X 1 = y 0 = X2
X 2 = y 00 = X3
..
.
Xn1 = y (n1) = Xn
X n = y (n) = pn1 (t)Xn pn2 (t)X(n1)
. . . p1 (t)X2 p0 (t)X1 + q(t)
Ou ainda, na outra representao:
0
0
1
0
0
0
0
1
g(t) = ... ,
A = ..
..
..
.
.
.
0
p0 p1 p2
q(t)
..
.
0
0
..
.
pn1
Teorema 6.68 Se cada uma das funes aij (t) da matriz A(t) e cada funo gj (t) de g(t)
so contnuas num intervalo aberto I, ento o SEDOL de primeira ordem:
X = A(t)X + g(t)
tal que X(t0 ) = X0 , t0 I admite uma soluo X(t) para todo t I.
Victor Gonalves Elias
121
X1 (t0 ) X2 (t0 )
Xn (t0 )
c1
c2
..
.
= [X0 ]
cn
Para seja um sistema possvel e determinado, necessrio que:
det X1 (t0 ) X2 (t0 ) Xn (t0 ) 6= 0
Definimos, ento, esse como o determinante Wronskiano:
W [X1 , X2 , . . . , Xn ](t) = det X1 (t0 ) X2 (t0 )
Xn (t0 )
6.7.1
Matriz Fundamental
122
X1 (t0 ) X2 (t0 )
|
{z
Xn (t0 )
(t0 )
c1
c2
..
.
c1
c2
..
.
= X0
cn
= 1 (t0 )X0
cn
e ainda, como
X(t) =
X1 (t) X2 (t)
Xn (t)
c1
c2
..
.
cn
temos tambm que:
X(t) = (t) 1 (t0 )X0
Se X1 , X2 , . . . , Xn so tais que
X1 (t0 ) =
1
0
..
.
X2 (t0 ) =
0
1
..
.
Xn (t0 ) =
0
0
..
.
ento (t0 ) a matriz identidade. Nesse caso, (t) recebe o nome de matriz de transio
de estados (t):
X(t) = (t)X0
Nota 6.73 Temos que satisfaz uma EDO muito semelhante ao SEDO dado, j que:
(t) =
=
(t)
X1 (t) X2 (t)
X 1 (t) X 2 (t)
X n (t)
= AX1 (t) AX2 (t)
= A(t)(t)
Xn (t)
AXn (t)
6.7.2
123
Coeficientes Constantes
X0
e
X(t)
=
dt
At A2 t2 A3 t3
+
+
+ ...
1! 2
2! 3 2 3! 4 3
At At
At
=A+
+
+
+ ...
1!
2!2 2
3!3 3
At A t
At
= A(I +
+
+
+ . . .)
1!
2!
3!
At
= Ae
= eAt A
eAt = I +
deAt
dt
deAt
dt
X(t)
z }| {
X(t)
= uet
X(t)
= AX(t) = A(ueAt )
AueAt = ueAt
Au = u
Victor Gonalves Elias
124
X1 (t) = u1 e1 t
X2 (t) = u2 e2 t
..
X (t) = u en t
n
un
6= 0
6.8
125
Lista de Exerccios
Exerccio 6.74 Determine os intervalos nos quais existem, com certeza, as solues de:
1. y iv + 4y 000 + 3y = t
2. ty 000 + (sin t)y 00 + 3y = cos t
3. t(t 1)y iv + et y 00 + 4t2 y = 0
Exerccio 6.75 Encontre o Wronskiano de um conjunto fundamental de solues para:
1. y 000 + 2y 00 y 0 3y = 0
2. y iv + y = 0
Exerccio 6.76 Se x1 = y e x2 = y 0 , ento a equao de segunda ordem
y 00 + p(t)y 0 + q(t)y = 0
corresponde ao sistema
x01 = x2
x02 = q(t)x1 p(t)x2
3
0 2
1. X 0 = 1 1 0 X.
2 1 0
1 1 2
2. X 0 = 1 2 1 X.
2 1 1
1 0
0
3. X 0 = 2 1 2 X.
3 2
1
0 1 1
4. X 0 = 1 0 1 X.
1 1 0
126
t
1
e x[2] =
t2
.
2t
1 1 2
2
0
0 2 2 X, X(0) = 0 .
4. X =
1 1 3
1
Exerccio 6.80 Encontre uma matriz fundamental para os sistemas:
3
2
1. X 0 =
X
2 2
2 1
0
2. X =
X
3 2
Exerccio 6.81 Considere o operador L = Dn + an1 Dn1 + . . . + a0 I, em que os coeficientes aj so constantes reais e a EDOLHCC L(y) = 0, definida sobre toda a reta, cuja
equao caracterstica p() = n + an1 n1 + . . . + a0 .
1. Verifique que
(a) L(xex ) = ex xp() +
(b) L(xm ex ) =
m
m
p()
L(ex ).
2. Mostre que se p() = ()k r(), isto , p tem raiz de multiplicidade k, 1 < k < n,
m
x
ento
) = 0, ou seja, L(xm ex ) = 0, ou seja, existem exatamente k solues
m L(e
de L(y) = 0 associadas a esta raiz = dadas por ym (x) = xm ex , 0 m k 1.
127
Exerccio 6.82
1. Seja (t), t R, uma soluo da EDOLHCC de segunda ordem
00
0
y +y +y = 0, t R. Mostre que o vetor X(t) = [(t) 0 (t)]T a soluo
do sistema
0
1
0
de EDOLHCC (SEDOLHCC) de primeira ordem X = AX, com A =
.
1 1
2. Seja X(t) = [(t), 0 (t)]T , t R, uma soluo do SEDOLHCC X 0 = AX, com A
dada no item anterior. Mostre que X soluo da EDOLHCC y 00 + y 0 + y = 0.
Exerccio 6.83 Converta o par de EDOLHCC y 00 +3z+2y = 0, t R; z 00 +3y 0 +2z = 0, t
R, num SEDOLHCC de primeira ordem nas variveis x1 = y; x2 = y 0 ; x3 = z 0 ; x4 = z 0 .
Exerccio 6.84 Justifique ou refute a seguinte afirmao: O conjunto de todas as solues
u = [x y]T do SEDOL x0 = y + 1; y 0 = x + 1 no um espao vetorial.
Exerccio 6.85 Seja x uma matriz coluna de n funes reais de classe C 1 (R) e u
Mn1 (R) um vetor no-nulo, e L = D A um operador diferencial (vetorial) tal que
L(x)(t) = x0 (t) Ax(t) = o represente um SEDOLHCC de ordem n.
1. Calcule
(a) L(tu).
(b) L(et u).
(c) L((et + et )u).
(d) L((et et )u).
(e) L((e1 t + e2 t )u).
2. Para quais funes (t) a funo vetorial x = (t)u ser soluo de L(x)(t) = o?
3. Mostre que x(t) = e(tt0 ) u, com t0 uma constante, uma soluco de L(x) = o
quando Au = u.
Exerccio 6.86 Seja S o conjunto de todas as solues de L(x) = 0, com
0
1 0
0 1
A= 0
6 11 6
1
1
1
t
t
t
1 , v2 (t) = e
2 e v3 (t) = e
3 formam uma base de
Mostre que v1 (t) = e
1
4
9
S.
Exerccio 6.87 Sabendo que [(et +e2t ) e2t 0]T , [(et +e3t ) e3t e3t ]T e [(et e3t ) e3t e3t ]T
so solues de um SEDOLHCC L(x) = x0 Ax = o, determine os autovalores e os
autovetores de A.
Victor Gonalves Elias
128
X
(At)n
n=0
1. Mostre que
d At
e
dt
n!
= AeAt .
1
0
.. , mostre que:
2. Se A = diag(1 , 2 , . . . n ) = ... . . .
.
0 n
eA = diag(e1 , e2 , . . . , en )
3. Mostre que eT
1 AT
= T 1 eA T .
1 0 0
0 1 0
.. .. ..
.
. . . .. = I + P .
...
0 0 0
1
0 0 0
Pn1
j=0
(P t)j
.
j!
1 0
Exerccio 6.90 Dado A = 0 1 calcule eAt .
0 0
Exerccio 6.91 Seja (t) Matriz fundamental de solues (MFS) de um SEDOLHCC
L(x) = o.
1. Mostre que 0 (t) = A(t).
2. Mostre que eA(tt0 ) = (t)1 (t0 ), de modo que a soluo de um PVI L(x) =
o, x(t0 ) = x0 pode ser escrita da forma x(t) = eA(tt0 ) x0 .
Exerccio 6.92 Calcule eAt para os seguintes casos:
0
1
1.
.
4 5
0
1
2.
.
1 2
0 1
3.
.
4 0
Victor Gonalves Elias
129
1 1 0
4. 0 1 0 .
0 0 0
Exerccio 6.93 Resolva os PVIs L(x) = o, x(t0 ) = x0 em que as matrizes A que definem
L so as dos exerccio anterior.
130
131
Captulo 7
Respostas aos exerccios
Respostas aos exerccios das listas distribudas pela apostila.
7.1
Introduo
2 7
2 1
3 3 3
1 1
3
A1 =
, C 1 =
1
7 2 2 1
1 2
2
2 2 1
Resposta 1.2 No.
Resposta 1.3 x = 0, y = z = 1/ 2 ou x = 0, y = z = 1/ 2
Resposta 1.4 1 e 3.
Resposta 1.5
1. Sim.
0 0 i
2. 0 1 0
i 0 0
1 0 0
3. 0 1 0
0 0 1
4. A2n = I e A2n+1 = A.
cosh x
0
i sinh x
0
cosh x sinh x
0
5. exA =
i sinh x
0
cosh x
Victor Gonalves Elias
132
Resposta 1.12 1 n.
Resposta 1.14
1. No.
2. Sim.
7.2
Espaos Vetoriais
Resposta 2.43
1. No.
2. No.
3.
4.
5. No.
3
7
Resposta 2.45 X = 3A 2B + 6C = 2 2
2 8
Resposta 2.46 No.
Resposta 2.47 2)x = (
Resposta 2.48
1. Sim.
2. No.
3. No.
4. Sim.
5. Sim.
Resposta 2.49
1. No.
Victor Gonalves Elias
1
2
16
, 1); y = ( , 1) e z = ( , 1)
9
9
3
133
2. Sim.
3. No.
4. Sim.
Resposta 2.50 Todos so.
Resposta 2.52
1. {(2, 1, 0); (0, 0, 1)}
2. {(2, 1, 2)}
3. {(3, 0, 1); (2, 1, 0)}
4. {(2, 1, 2)}
5. {(2, 1, 2); (3, 0, 1); (2, 1, 0)}
Resposta 2.55 No R2 considere U = {(x, x) : x R}, V = {(0, y) : y R} e
W = {(x, 0) : x R}
Resposta 2.96
1. No.
2. Sim.
3. No.
4. Sim.
Resposta 2.97
1. No.
2. No.
3. No.
4. Sim.
Resposta 2.100
1. m 6= 0.
2. m 6= 5
3. n 6= 0 ou m 6= 1.
Victor Gonalves Elias
134
Base
Dimenso
U:
{(0, 1, 0); (1, 0, 1)} 2
V :
{(1, 0, 0); (0, 2, 1)} 2
W :
{(1, 1, 0); (0, 0, 2)} 2
U V :
{(0, 2, 1)}
2
3
V +W =
R
3
3
V +W +W =R
3
0 1 0
0 0 1
0 0 0
1 0 0 ; 0 0 0 ; 0 0 1
Resposta 2.107
0 0 0
1 0 0
0 1 0
Resposta 2.108 a 6= 0, a 6= 1 e a 6= 1
Resposta 2.109 {(1, 0, i); (1, 1 + i, 1 i)}
Resposta 2.111
1. 4, 5 e 3.
2. 4, 5 e 2.
Resposta 2.112
1
3
e
2
2
Resposta 2.113 3, 1, 0 e 1
Resposta 2.115
1
1. De B para C
1
2
1
De C para B
1
2. 2, 0 e 1.
0 3
2 0
3 1
9 6
4 3
3 2
7.3
135
Produto Interno
331
;
210
kf (t) + g(t)k =
23
210
1 0
0 1
2 1
1 1
3.
4.
Resposta 3.26
1. d(u, v) =
2; cos(u, v) =
2
2
2.
3. d(u, v) =
2; cos(u, v) =
1
2
4.
Resposta 3.53
1. m = 1 ou m = 6.
2. (0, x), x R.
3. (1, 0)
Resposta 3.55
n
o
1 , 1 , 0, 0 ; 1 , 1 , 4 , 0 ; 2 , 2 , 1 , 12
1.
2
2
18
18
18
153
153
153
153
2.
Victor Gonalves Elias
136
n
1 , 1 , 0
2
2
o
; (0, 0, 1)
Resposta 3.58
1. 1, 2 3t 3, 5(6t2 6t + 1)
2. 6b t2 + bt b; b R
Resposta 3.60
6
, 79 , 27 , 17
7
Resposta 3.62 x =
Resposta 3.63
1
(5x3
2
1/3
1/3
3x)
Resposta 3.64 a = b = c = d = 0
Resposta 3.75
1. v1 = 31 (2, 2, 4) e v2 = 31 (7, 7, 7).
2. v1 = 17 (18, 15, 16) + 17 (3, 6, 9).
3.
7.4
Transformaes Lineares
Resposta 4.33
1. Sim.
2. Sim.
3. Sim.
4. No.
Resposta 4.34 F (x, y, z) = (2x + 5y 2z, 3x + 2y, x + 7y + 7z)
Resposta 4.35 Sobre C no linear.
Resposta 4.36
1. Sim.
2. Sim.
Victor Gonalves Elias
137
7.5
1 .
3
Autovalores e Autovetores
Resposta 5.43
138
5).
2. t2 4; 2.
3. t2 3t + 2; 1 e 2.
4. t2 4; 2;
Resposta 5.48 1 duplo; no h.
Resposta 5.71
1 4
1.
.
3
1
2. No existe.
Resposta 5.73
1. diagonalizvel pois o valor prprio 1(duplo) tem multiplicidade geomtrica
2.
2. diagonalizvel para todos os valores de m e n.
3. diagonalizvel pois h 2 valores prprios duplos 3 e 3 com multiplicidade
geomtrica 2.
4. diagonalizvel pois o valor prprio 2(triplo) tem multiplicidade geomtrica
3.
Resposta 5.76
p
1. A =
1
13
12 + 14p 4 14p 4
3 14p 3 12 14p + 1
2.
3.
Victor Gonalves Elias
139
4.
Resposta 5.77
14
14
e
+
12e
4e
4e
1
1. eA = 13
3e14 3e 12e14 + e
2.
3.
4.
Resposta 5.78
1
0
0 1
0
0
0
0
0
0
1
1
0 1
0
0
0
0
0
0
0
0
2
0
0
0
0
1
2
0
0
0
0
1
2
0
0
2
0
0
0
0
0
2
0
0
0
0
1
2
1
0 0 0 0
0 1 0 0 0
0
0 2 0 0
0
0 0 2 1
0
0 0 0 2
1
0 0 0 0
0 1 0 0 0
0
0 2 0 0
0
0 0 2 0
0
0 0 0 2
0
1
0
0
0
0
1
0
1
1 0 0 0
0 1 0 0 0
0
0 2 1 0
0
0 0 2 1
0
0 0 0 2
1
1 0 0 0
0 1 0 0 0
0
0 2 0 0
0
0 0 2 0
0
0 0 0 2
Resposta 5.79
1.
2
0
2.
0
0
1
2
0
0
0
1
2
0
0
0
0
0
3.
0
0
Resposta 5.81
0
0
1
0
0
0
Resposta 5.82
1. Hiprbole
2. Hiprbole
Victor Gonalves Elias
140
< 23 : elipse
7.6