Álgebra

linear
Transformação Linear;
Auto Valores e Auto
Vetores

Maria Rosangela
1. TRANSFORMAÇÕES LINEARES

O objeto principal da álgebra linear são os espaços vetoriais de dimensão finita e as transformações lineares
entre tais espaços.
Nesta unidade estudaremos um tipo especial de função, onde o domínio e o contradomínio são espaços
vetoriais reais. Assim, tanto a variável independente como a variável dependente são vetores. Essas funções são
chamadas funções vetoriais ou transformações vetoriais.
Sejam V e W conjuntos arbitrários não vazios. Suponha que cada elemento de A esteja associado a um único

transformação f de V em W.
:  → .
elemento de W. O conjunto V é o domínio da transformação. O conjunto W é o contradomínio. Denota-se uma

• sendo f uma função, cada v ∈ V tem só um vetor imagem w ∈ W que será indicado f(v) = w
• f é uma transformação do espaço vetorial V no espaço vetorial W.

1. Uma transformação f : R² →R³ associa vetores v = (x, y) ∈R² com vetores

Exemplo:

w = (a, b, c) ∈ R³.
se a lei que define f é tal que a = 3x; b=-2y e c = x – y, a imagem de cada vetor
(x,y) será representada por: f(x, y) = (3x, -2y, x-y)

2. A transformação f : R² →R² dada por S = (x, y) = ( x, -y). S pode ser visualizada

por exemplo, se v = (2,1) então w = (6, -2, 1)

na figura ao lado e leva cada ponto do R² no seu simétrico em relação ao eixo

x.
o Em particular a imagem da reta y = x é a reta x + y = 0 (e vice versa). A
imagem do eixo x é o próprio eixo x e a imagem do eixo y é o próprio eixo

1 3 5
y.
3. Considere a matriz 2 X3   . Se os vetores são escritos em R³ e R² como vetores colunas,
2 4 1
então A determina a aplicação f: ³ → ² definida por  →    ³.
3
10
Assim, se    1  ã
    .
12
2

aplicação ":  →  onde, para qualquer polinômio
∈ , fazendo D(f) = df/dt, por exemplo D(3²  5 #
4. Seja V o espaço vetorial de polinômios na variável t sobre o corpo real R. Então a derivada define uma

2  6  5.

: % →  & '() *+,-./01 &,  &3 &, 4565 ' 78  79 ∈ % 78 : 79 →

**relembrando:

78  :
79 .
i. Uma aplicação

Uma aplicação
: % →  & '() ;/<0-,-./01 &,  &3 &, =>?  @, 7 &A5, 4565 '  ∈
, B(& 7 ∈ % 5CD7
7  .
ii.

iii. Uma aplicação
: % →  & '() <,-./01 &,  &3 &,
é (A65  &F6A65.
Obs.:
• A transformação linear possui uma propriedade importante: preserva a soma e a multiplicação por escalar.
Definição:

1
Exemplo:

2.
: ³ → ² '
(('5 46
B, G, )  B, 2B  ), 4565 ' B, G, ) ∈  H .

Essa função é linear pois:

3.
:  →  7
B  3B é C(56. & 7  B8    B9 &ã 6& D75(&D76 ' , 3  &:

4. A transformação identidade I:  →  7 I   é C(56.

5. A transformação nula
:  → ,
  0 é C(56

6. Verificar se a aplicação F: R² →R² definida por F(x, y) = (x² + y², x) é uma TL.

J : ² → ³ 7
J   . K&&5 356() é C(56, 4(&:

7. Seja a matriz de ordem 3 x 2. Essa matriz determina a transformação

Por exemplo, se:

2

J B, G  2B  G, 3B # 4G, 5B  D7 &(L(
(M5 D7 5 356() H,9 '63(7 5 65&
635çã ' 6
E portanto:

  B, G ∈  9  6 O  2B  G, 3B # 4G, 5B ∈  H , 65&
635çã &&5 D7 é C(56.

: ² → ² ,
B², 3G ã é C(56. P
5, & 7  B8 , G8     B9 , G9  &ã 6& D75(&D76 ' ²,
8. A transformação

3  &:

Enquanto

FAZER EXERCÍCIOS DE 1 – 7 e 22 - 23.

1.1 MATRIZ NATURAL OU MATRIZ CANÔNICA

1. Seja A uma matriz de ordem 3 x 2. Essa matriz determina a transformação fA: R²→AR³
v→ A v ou fA (v) = A v que é linear. De fato:
I) fA ( u + v) = A (u + v) = Au + Av = fA(u) + fA(v)

2 1 B
II) fA (αu) = A (αu) = α(Au) = αfA(u )

Por exemplo, se tiver A(2,3) =3 0  e v = (x, y) for considerado um vetor coluna 9,8  QGR o produto Av é:
5 4
2 1 B 2B  G
3 0  QGR   3B # 4G  e portanto, fA(x,y)=(2x-y, 3x+4y, 5x), o que significa que a matriz A(3,2) determinou a
5 4 5B
transformação do vetor v = (x, y) ∈ R² no vetor w = (2x - y, 3x + 4y, 5x) ∈ R³, transformação essa que é linear.

Importante:

J :  →  ' 5 (35L3
J  é  46'7 '5 356() T,S 4C 6  M537C5 S,8 :
S T
** De forma genérica, toda matriz A(m,n) determina a transformação linear

Em TL desse tipo chama-se multiplicação por A.

FAZER EXERCÍCIOS DE 8 – 13.

Considere o operador linear
:  9 →  9 ,
B, G  3B # G, 2B # 3G.

1.2 INTERPRETAÇÃO GEOMÉTRICA

U 7  1, 1    0, 1, 3  &
7  4,1 
  1,3.

Aplicando as propriedades para confirmar que f é uma TL.

3
I - A figura ao lado mostra que, sendo u + v a diagonal
do paralelogramo determinado por u e v, sua imagem

7 
, (& é,
7 #  

f(u+ v) representa a diagonal do paralelogramo por

7 #
. ? V0-;-0W1 1 1X*çã/ X/; W-./0-;.

II – A próxima figura mostra que, ao se

multiplicar o vetor u por 2, por exemplo,
sua imagem f(u) também fica multiplicada

α ∈ , 7 &A5,
Z7  Z
7. Assim, f

por 2. Esse fato vale para qualquer

preserva a multiplicação de um vetor por

um escalar.
FAZER EXERCÍCIO DE 14.

1.3 PROPRIEDADE DE TRANSFORMAÇÕES LINEARES

Teorema: Dados dois espaços vetoriais reais V e W e uma base V, {v1, ...,vn}, sejam w1, ..., wn elementos arbitrários de
W. Então existe uma única aplicação linear f:V→W / f(v1) = w1, ..., f(vn) = wn. Então existe uma aplicação linear f:V→W
tal que f(v1) = w1, ..., f(vn)=wn. Esta aplicação é dada por:
v = a1v1 + ... + anvn
Então, f (v) = a1 f (v1) + ... + an f (vn) = a1 w1 + ... + anwn
Verifique que T assim definida é linear e que é a única que satisfaz as condições exigidas. Em outras palavras, sempre
que forem dados f(v1), ..., f(vn), onde {v1, ...,vn} é base do domínio V, a transformação linear f está perfeitamente
definida.
Exemplos

4
5
 5) Qual a transformaçãolinear f: R²→R³ tal que f(1, 0) = (2, -1, 0) e f(0, 1) = (0, 0, 1)?
2
Temos que e1 = (1,0) e e2 = (0,1) base de R² e w1=(2, -1, 0) e w = (0, 0, 1). Dado v = (x1, x2) arbitrário,
v = x1e1 + x2e2
e f(v) = x1f(e1) + x2f(e2)
=x1(2, -1, 0) + x2(0,0,1)
= (2x1, -x1, x2)

1.4 IMAGEM E NÚCLEO DA TL

1. Definição: Seja f: V → W uma transformação linear. O conjunto [6
 \ ∈ ; ^  0_ é chamado de

A cada transformação linear f: V → W podemos associar dois conjuntos: o núcleo e a imagem.

os vetores v ∈ V que são transformados em 0 ∈ W. Indica-se esse conjunto por N(f) ou ker(f):
núcleo (kernel em inglês). Chama-se núcleo de uma transformação linear f: V→ W ao conjunto de todos

`6
 \ ∈ ;
  0_
Tanto o núcleo de f quanto a sua imagem, são subespaços vetoriais de V. A

A Figura ao lado mostra que ker (f) ⊂ V e todos seus vetores têm uma única
dimensão do núcleo de L é denominada de nulidade de f.

imagem que é o vetor zero de W. Observe que o N(f): ∅, pois 0 ∈ N(f) uma
vez que f (0) = 0.

1) O núcleo da transformação linear f:R2→R2, f (x,y) = (x - 2y, x + 3y) é o

Exemplo:

c
  \B, G ∈  9 /
B, G  0,0, (& é B  2G, B # 3G  0,0 7

conjunto

B  2G  0
e ,sistema cuja solução é x = y = 0. Logo, N(f) = (0,0)
B # 3G  0

imagens de vetores v ∈ V. Indica-se esse conjunto por Im(f) ou f(V):

2. Definição: Chama-se imagem de uma transformação linear f: V→ W ao conjunto dos vetores w ∈ W que são

Im(f) = {w ∈ W / f (v) = w para algum v ∈ V}.

6
 A Figura ao lado a apresenta o conjunto Im (f) ⊂ W e também o

Observe-se que Im (f) : 0, pois 0 = f(0) ∈ Im (f).

núcleo de f.

Se Im(f) = W, f diz-se sobrejetora, isto é, para todo w ∈ W, existe pelo

menos um v ∈ V tal que f(v) = w.

Exemplos:

2) A imagem da transformação identidade I: V→V, definida por I(v) = v, v ∈ V, é todo espaço V. O núcleo, nesse caso,

3) A imagem da transformação nula f: V → W, com f(v) = 0, v ∈ V, é o conjunto Im (f) = {0}. O núcleo, nesse caso,
é N(f) = {0}.

é todo o espaço V.

1.5 PROPRIEDADES DA IMAGEM E NÚCLEO DA TL

7
Exemplos

c) verificar a propriedade da dimensão

sistema que só admite solução se a + b - c = 0

8
3) Seja f:³ → ² 5 f^ '5'5 46
B, G, )  B # G, 2B  G # ).
a) dar uma base e a dimensão de ker(f);
b) dar uma base e a dimensão de Im (f).

4) Determinar uma aplicação linear f:R³→R4 tal que Im(f) = [(1, 1, 2, 1), (2, 1, 0, 1)].

5) Seja
:  g →  Ha aplicação linear definida por

B, G, ), &,   h # 2G # )  3& # 4, 2B # 5G # 4)  5& # 5, B # 4G # 5)  &  2

9
Ache uma base e a dimensão da imagem de f.
5
Achar os vetores da base usual de R :
f( 1, 0, 0, 0, 0) = (1, 2, 1) f(0, 1, 0, 0, 0) = (2, 5, 4) f( 0, 0, 1, 0, 0) = (1, 4, 5)
f(0, 0, 0, 1, 0) = (-3, -5, -1) v( 0, 0, 0, 0, 1) = (4, 5, -2)

1 2 1 1 2 1 1 2 1
pela definição Im f forma a matriz cujas linhas são esses vetores imagem. Reduzindo as linhas na forma escada, temos:

k 2 5 4 n k 0 1 2 n k0 1 2n
j1 4 5 m ~ j0 2 4 m ~ j0 0 0m
3 5 1 0 1 4 0 0 0
i 4 5 2 l i 0 3 6 l i0 0 0l

6) Seja G:
:  →  a aplicação linear definida por G(x, y, z) = (x+2y-z, y + z, x + y – 2z). Ache uma base
3 3

e a dimensão do núcleo de G

pB, G, )  B # 2G  ), G # ), B # G  2)  0, 0, 0

Façamos G(v) = 0, onde v = (x, y, z):

B # 2G  )  0 B # 2G  )  0 B # 2G  )  0
Iguale as componentes correspondentes, formando o sistema homogêneo cujo espaço solução é o núcleo de W de G.

G # )  0 G # )  0 G # )  0
B # G  2)  0 G  )  0
ou ou

A única variável independente é z, logo, dimW = 1. Seja z = 1 então y = -1 e x = 3. Assim, (3, -1, 1) forma uma base para ker G.

1.6 MATRIZ DE TRANSFORMAÇÃO LINEAR EM BASES QUAISQUER

10
 Assim, uma TL
:  →  pode ser representada por infinitas matrizes, no entanto, fixadas uma base de
V e uma base de W , a matriz que representa f é única.

11
Dado um operador linear T em V e uma base U  \78 , 79 , … , 7S _ ' , & 5CL6(3 463( 5Mℎ56 5 356() fs
Algoritmo

D7 646&5 5 >1.0*t u -> 0-v1çã/ 1 <1;- w.

Passo 1. Repita para cada vetor uk em S:

(b) Escreva T(uk) como combinação linear dos vetores da base 78 , 79 , … , 7S para obter as coordenadas de
(a) Ache T(uk)

T(uk) na base S.
Passo 2. Forme a matriz [T]S cujas colunas são os vetores das coordenadas [T(uk)]S obtidos no passo 1(b).
Passo 3. Fim
Obs. Note que o passo 1b é repetido para cada vetor de base uk. Consequentemente, pode ser conveniente aplicar
primeiro:
Passo 0. Ache a fórmula para as coordenadas de um vetor arbitrário v em relação à base S.

Exemplos:

12
13
1.7 TRANSFORMAÇÕES LINEARES E MATRIZES
Do mesmo modo, dada uma matriz qualquer e fixadas duas bases – uma no domínio e outra no
contradomínio –, ela representa uma transformação linear. Na prática, cada matriz pode ser interpretada como
matriz canônica de uma transformação linear f. Assim, por

14
Outros problemas resolvidos
1. Seja v o espaço vetorial de polinômios em t sobre R, de grau < 3, e seja
P:  →   465'6 '(
6M(5C '
((' 46 Px4y  . }5CM7C5' 5 356() ' P 5 F5&
zx{|y
z|
\1, ,  , 
9 H _ 3&:

P1  0  0 # 0 # 0 9 # 0 H
P  1  1 # 0 # 0 9 # 0 H
P 9   2  0 # 0 # 2 9 # 0 H
P³  3²  0 # 0 # 3 9 # 0 H
0 1 0 0
0 0 2 0
 ~P  €  note que os vetores das coordenadas [D(1), D(t), D(t²), D(t³)] são as colunas e não as
0 0 0 3
0 0 0 0
linhas em [D].

2. Considere o operador linear ‚:  9 →  9 '
((' 46 ‚B, G  4B  2G, 2B # G 5 &L7( F5& '
²: U  78  1,1, 79  1,0  K  \8  1,0, 9  0,1_ temos
‚78   ‚1,0  2,3  31,1 # 1,0  378 # 79
‚79   ‚1,0  4, 2  21,1 # 21,0  278 # 279
3 2
465 ~‚s  Q R é 5 646&5çã 356(M(5C ' ‚ 5 F5& U. f3& 53Fé3
1 2
‚8   ‚1,0  4, 2  48 # 29
‚8   ‚1,0  2,1  28 # 9

Teorema 2.1: Seja U  \78 , 79 , … , 7S _ 735 F5& 4565   f 73 465'6 C(56 56F(6á6( 3 . Kã, 4565
D75CD76 6  ∈ , ~fs ~s  ~fs .

3. Consideremos o operador diferencial P:  →  ' -„->Vv/ …. UA5 4  5 # F # M 9 # ' H  5&&(3

Px4y  F # 2M # 3'². Logo, em relação a base {1, t, t², t³},
[p(t)] = [a, b, c, d]T e [D(p(t)) = [b, 2c, 3d, 0]T

0 1 0 0 5 F
O teorema 2. 1 é válido aqui:

0 0 2 0 F 2M
~P  € † ‡  ˆ ‰
0 0 0 3 M 3'
0 0 0 0 ' 0

1 2 3
4. P5'5 5 356()  , 5Mℎ
∈ ^ H ,  9 ' 35(65 D7, &'
0 1 0
Š  \1, 0, 0, 0, 1, 0, 0, 1, 2_  }  \0, 1, 1, 1_, & ℎ5 ‹ 
Œ, .
Seja (a, b, c) ∈ R³. Supondo
15
5, F, M  B1,0,0 # G 0, 1, 0 # ) 0, 1, 2
F3  & D7 B  5; G  F  ; )  . &&(3,
Ž Ž
9 9

5. Seja
∈ ^ H ,  9  '
(('5 46
B, G, )  ), B # G. P63(56 5 356()
3 6C5çã
à& F5&& Š  \1, 1, 1, 1, 1, 0, 1, 0, 0_'  H  }  F5& M5ô(M5 ' ²

∈
^ H ,  9  '
(('5 46
B, G, )  ), B # G. P63(56 5 356()
3 6C5çã
6. Seja

à& F5&& Š  \1, 1, 1, 1, 1, 0, 1, 0, 0_'  H  }  \1,3, 2, 5_ ' ²

1 4 2
Portanto,
Œ,  
1 2 1

7. Determinar a representação matricial de cada um dos seguintes operadores do R² em relação as bases

indicadas:

1 0
8. Determinar o operador F do R² cuja matriz em relação a base B = {(1, 1), (1, 2)} é:  – pela definição:
1 2
16

1,1  11, 1 # 11,2  2, 3

1, 2  01, 1 # 21, 2  2, 4
&&(3, &M6' B, GM3 M3F(5çã C(56 '5 F5& Š: B, G  51,1 # F1,2, CL
5 # F  B  5 # 2F  G, 5&&(3, 5  2B  G  F  G  B.
465
B, G  2B  G2,3 # G  B2, 4  2B, 2B # G.

9. UA5 ‚ ∈ ^ x‘9 y'
(' 46
xLy  1  L’ .

P63(56 5 356() ‚ 3 6C5çã à F5& M5ô(M5 ' ‘9 

‚1  1  0  0 . 1  0
A base canônica de P2 (R) é B = {1, t}. Usemos a definição de matriz de uma transformação linear:
0 1
‚  1  1  1.1  1 ‚Œ  
0 1

FAZER EXERCÍCIO DE 15 - 20.

1.8 OPERAÇÕES COM TRANSFORMAÇÕES LINEARES

Adição

Multiplicação por escalar

Composição

17
Problemas resolvidos

18
1.9 TRANSFORMAÇÕES DO PLANO NO PLANO
- é toda função linear cujo domínio é contradomínio constituem R²

A. Expansão (ou contração ) uniforme: Considere o espaço vetorial real R2, e um escalar α ∈ R. A transformação

B. Reflexão em torno do eixo-x: Considere o espaço vetorial real R². A transformação

C. Reflexão em torno da origem: Considere o espaço vetorial real R². A transformação

19
 D. Rotação do plano

Mas,

Logo:

20
 f:  9 →  9
E. Cisalhamento horizontal Considere o espaço vetorial real R². A transformação

B, G → fB, G  B # ZG, G

É o cisalhamento na direção do eixo x.

B B # 2G 1 2 B
Exemplo
G → “ ”  
G 0 1 G

1 0 B B
*da mesma forma, se mudarmos a matriz canônica de cisalhamento, poderemos obter o cisalhamento vertical do
 G → ZB # G
Z 1
espaço.

Exemplos

21
22
 2. OPERADORES LINEARES

2.1 OPERADORES INVERSÍVEIS

23
 Quando o operador linear f admite o inverso f-1, diz-se que f é
inversível, ou regular ou não-singular.

2.2 Propriedades dos operadores Inversíveis

24
3.3 Matrizes semelhantes

2.3.1 Propriedade de Matrizes Semelhantes

25
Exemplos:

26
 3. AUTOVALORES E AUTO VETORES (VETOR PRÓPRIO E VALOR PRÓPRIO) DE UM OPERADOR LINEAR

Como se vê pela definição, um vetor v : 0 é vetor próprio se a imagem f(v) for um múltiplo escalar de v. No
R2 e no R3, diz-se que v e f (v) têm a mesma direção. Na figura abaixo, o vetor v ∈ R2 é um vetor próprio de
um operador f: dependendo de valor de ʎ, o operador f dilata v, contrai v, inverte o sentido de v ou o anula
no caso de ʎ = 0.

A Figura ao lado mostra um vetor v ∈ R2 não é vetor próprio de um operador f .

27
3.1 DETERMINAÇÃO DOS VALORES PRÓPRIOS E DOS VETORES PRÓPRIOS
3.1.1 Determinação dos valores próprios

28
3.1.2 Determinação dos Vetores Próprios

Exemplos:

29
30
Isto é:

Se na definição de valor próprio de um operador linear f se admitisse ʎ qualquer, real ou complexo, se

poderia dizer que a matriz A possui valores próprios complexos e, em consequência, vetores próprios de componentes
complexas.

3.2 PROPRIEDADES DOS VALORES PRÓPRIOS E DOS VETORES PRÓPRIOS

31
que representa uma reta que passa pela origem do sistema x ou

3.3 DIAGONALIZAÇÃO DE OPERADORES

mas
32
Exemplo

Tendo em vista que:

3.4 MATRIZ DIAGONALIZÁVEL

Sendo A a matriz canônica do operador f, as matrizes A e D são semelhantes por representarem o mesmo
operador em bases diferentes. Logo, a relação entre matrizes semelhantes permite escrever

33
 Exemplos:

Os valores próprios e os correspondentes vetores próprios de A são ʎ1 = 2 e v1 = (1, 0,-1), ʎ2 = 3e v2 = (1,1,1),

ʎ3 = 6 e v3 = (1, -2,1).

34
35