Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Pedro Resende
2010/2011
Capı́tulo 1
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
AVALIAÇ ÃO
AVALIAÇ ÃO
AVALIAÇ ÃO
I Método da substituição
I Método da redução
M ÉTODO DA ELIMINAÇ ÃO DE G AUSS
2y + 2z = 6
x + 2y − z = 1
x + y + z = 4
x + 2y − z = 1
(Permutámos a primeira e a
2y + 2z = 6
segunda equações.)
x + y + z = 4
x + 2y − z = 1
(Subtraı́mos a primeira
2y + 2z = 6
equação da terceira.)
−y + 2z = 3
M ÉTODO DA ELIMINAÇ ÃO DE G AUSS
x + 2y − z = 1
(Dividimos por 2 ambos os la-
y + z = 3
dos da segunda equação.)
−y + 2z = 3
x + 2y − z = 1
(Adicionámos a segunda
y + z = 3
equação à terceira.)
3z = 6
x = 1
(Aplicámos o método da
y = 1
substituição.)
z = 2
2y + 2z = 6
x + 2y − z = 1
x + y + z = 4
0x + 2y + 2z = 6
1x + 2y + (−1)z = 1
1x + 1y + 1z = 4
0 2 2 6
1 2 −1 1
1 1 1 4
I Este quadro designa-se por matriz.
M ÉTODO DA ELIMINAÇ ÃO DE G AUSS COM MATRIZES
2y + 2z = 6
x + 2y − z = 1
x + y + z = 4
0 2 2 6
Matriz aumentada do sistema: 1 2 −1 1
1 1 1 4
0 2 2
Matriz dos coeficientes do sistema: 1 2 −1
1 1 1
6
Matriz dos termos independentes do sistema: 1
4
0 2 2 6 1 2 −1 1 1 2 −1 1
1 2 −1 1 → 0 2 2 6 → 0 2 2 6
1 1 1 4 1 1 1 4 0 −1 2 3
1 2 −1 1 1 2 −1 1
→ 0 1 1 3 → 0 1 1 3
0 −1 2 3 0 0 3 6
x + 2y − z = 1
→ y + z = 3
3z = 6
M ÉTODO DA ELIMINAÇ ÃO DE G AUSS COM MATRIZES
N ÚMEROS COMPLEXOS
N ÚMEROS COMPLEXOS
a + ib (a + ib)(c − id) ac + bd bc − ad
= = 2 + i .
c + id (c + id)(c − id) c + d2 c2 + d2
I w = c − id é o conjugado de w = c + id.
2
I
√ ão usámos a igualdade ww = |w| , onde
Na divis
|w| = c2 + d2 é o módulo de w.
N ÚMEROS COMPLEXOS
A representação do número complexo z = a + ib pode também
ser em coordenadas polares, com a = r cos θ e b = r sen θ
(r = |z|):
N ÚMEROS COMPLEXOS
C OROL ÁRIO
Para qualquer polinómio p(z) = a0 + a1 z + · · · an zn de coeficientes
complexos com n ≥ 1 existem z1 , . . . , zn ∈ C tais que
p(z) = an (z − z1 ) · · · (z − zn ) .
N OTA
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
2y + 2z = 6
x + 2y − z = 1
x + y + z = 4
0 2 2 6
Matriz aumentada do sistema: 1 2 −1 1
1 1 1 4
0 2 2
Matriz dos coeficientes do sistema: 1 2 −1
1 1 1
6
Matriz dos termos independentes do sistema: 1
4
M ÉTODO DA ELIMINAÇ ÃO DE G AUSS COM MATRIZES
0 2 2 6 1 2 −1 1 1 2 −1 1
1 2 −1 1 → 0 2 2 6 → 0 2 2 6
1 1 1 4 1 1 1 4 0 −1 2 3
1 2 −1 1 1 2 −1 1
→ 0 1 1 3 → 0 1 1 3
0 −1 2 3 0 0 3 6
x + 2y − z = 1
→ y + z = 3
3z = 6
2 1 4 2
I A= 6 1 0 −10
−1 2 −10 −4
a11 a12 a13 a14
I A = a21 a22 a23 a24
a31 a32 a33 a34
I aij é a entrada da linha i e da coluna j.
I a23 = 0, a34 = −4, etc.
I Exemplo: linha 2 = [6 1 0 − 10]
1
I Exemplo: coluna 2 = 1
2
M ÉTODO DA ELIMINAÇ ÃO DE G AUSS COM MATRIZES
2x + y + 4z = 2
6x + y = −10
−x + 2y − 10z = −4
2 1 4 2
I Matriz aumentada do sistema: 6 1 0 −10
−1 2 −10 −4
I Pivot = 2
I Adicionar à segunda linha
6
− × (primeira linha) = [−6 − 3 − 12 − 6] :
2
2 1 4 2
I 0 −2 −12 −16
−1 2 −10 −4
R EGRA DA ELIMINAÇ ÃO
2 1 4 2
0 −2 −12 −16
−1 2 −10 −4
I Pivot = 2
I Adicionar à terceira linha
(−1) 1
− × (primeira linha) = 1 2 1 :
2 2
2 1 4 2
I 0 −2 −12 −16
5
0 2 −8 −3
E XEMPLO
A matriz
0 2 1 4 2
0 0 0 −1 −10
0 0 0 0 −14
0 0 0 0 0
0 0 0 0 0
está na forma de escada de linhas:
z1 = 1
z2 = 3
z3 = 4
z4 = 5 (= número de colunas)
z5 = 5
A LGORITMO
0 2 2 6 1 2 −1 1 1 2 −1 1
1 2 −1 1
→ 0 2
2 6
→ 0
2 2 6
A=
1 1 1 4 1 1 1 4 0 −1 2 3
1 1 1 1 1 1 1 1 0 −1 2 0
1 2 −1 1 1 2 −1 1
0 2 2 6
→ 0 2 2 6
→
0
=B
0 3 6 0 0 3 6
0 0 3 3 0 0 0 −3
Há quatro pivots: diz-se então que a matriz B (e, conforme
veremos adiante, também a matriz A) tem caracterı́stica igual a
4 (numa matriz em escada de linhas a caracterı́stica é igual ao
número de linhas não nulas, ou seja, que têm pelo menos uma
entrada não nula).
R EVIS ÃO
D EFINIÇ ÃO
Uma solução de um sistema de equações lineares em n
incógnitas x1 , . . . , xn é um vector
(a1 , . . . , an ) ∈ Rn
Um sistema diz-se:
I possı́vel se tiver pelo menos uma solução.
I determinado se tiver exactamente uma solução.
I indeterminado se tiver mais do que uma solução.
I impossı́vel se não tiver nenhuma solução.
E XEMPLOS
1 2 −1 1
x + 2y − z = 1
0 2 2 6 2y + 2z = 6
→
0 0 0 0 0 = 0
0 0 0 0 0 = 0
O conjunto-solução do sistema é
{(x, y, z) ∈ R3 | x = 3z − 5, y = −z + 3} .
D ESCRIÇ ÃO PARAM ÉTRICA DO CONJUNTO - SOLUÇ ÃO
O conjunto
{(x, y, z) ∈ R3 | x = 3z − 5, y = −z + 3}
1 2 −1 2 3 1
0 2 2 0 2 6
0 0 0 2 2 0
0 0 0 0 0 0
x1 + 2x2 − x3 + 2x4 + 3x5 = 1
2x2 + 2x3 + 2x5 = 6
→
+ 2x4 + 2x5 = 0
0 = 0
x1 = 3x3 + x5 − 11
x2 = −x3 − x5 + 6
x4 = −x5
x1 x2 x 4
z }| { z }| { z}|{
(3x3 + x5 − 11, −x3 − x5 + 6, x3 , −x5 , x5 ) = x3 (3, −1, 1, 0, 0)
+ x5 (1, −1, 0, −1, 1)
+ (−11, 6, 0, 0, 0)
P ROPOSIÇ ÃO
Qualquer sistema indeterminado tem infinitas soluções.
Capı́tulo 3
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
D EFINIÇ ÃO
Um sistema diz-se homogéneo se os termos independentes
forem todos nulos, ou seja, se a matriz aumentada for da forma
seguinte:
a11 · · · a1n 0
.. .. ..
. . . 0
am1 · · · amn 0
P ROPOSIÇ ÃO
Qualquer sistema homogéneo é completamente definido pela
matriz dos coeficientes e é um sistema possı́vel cujo
conjunto-solução contém o vector nulo. Se o sistema for
determinado então a (única) solução é o vector nulo.
C OMPLEMENTO DA AULA PASSADA
T EOREMA
Seja A uma matriz e B uma matriz em escada de linhas obtida
de A aplicando as três regras do método de eliminação de
Gauss por uma ordem arbitrária. Qualquer que seja a matriz B
assim obtida o número de pivots é sempre o mesmo.
D EFINIÇ ÃO
A caracterı́stica de uma matriz A é o número de pivots de
qualquer matriz em escada de linhas B obtida de A pelo
método de eliminação de Gauss.
x = (x1 , . . . , xn )
S LOGAN
Nesta disciplina vamos usar a convenção
Rn = Matn×1 .
D EFINIÇ ÃO
Sejam A e B duas matrizes m × n e seja r ∈ R. Definem-se as
matrizes A + B e rA da forma seguinte:
a11 + b11 · · · a1n + b1n
A+B =
.. .. ..
. . .
am1 + bm1 · · · amn + bmn
ra11 · · · ra1n
rA = ... .. ..
. .
ram1 · · · ramn
(A)ij = aij
(A + B)ij = aij + bij
(rA)ij = raij .
D EFINIÇ ÃO
Para qualquer dimensão m × n denota-se por 0 a matriz nula
definida por (0)ij = 0, e por −A = (−1)A o simétrico de A.
P ROPOSIÇ ÃO
As operações com matrizes satisfazem as seguintes
propriedades:
A SSOCIATIVIDADE DA SOMA : A + (B + C) = (A + B) + C
C OMUTATIVIDADE DA SOMA : A + B = B + A
E LEMENTO NEUTRO DA SOMA : A + 0 = A
A SSOCIATIVIDADE DO PRODUTO POR ESCALAR : (rs)A = r(sA)
S IM ÉTRICO DE UMA MATRIZ : A + (−A) = 0
E LEMENTO ABSORVENTE À ESQUERDA : 0A = 0
E LEMENTO ABSORVENTE À DIREITA : r0 = 0
P ROPOSIÇ ÃO
Algumas propriedades:
(AT )T = A
(A + B)T = AT + BT
(rA)T = rAT
D EFINIÇ ÃO
Sejam A e B duas matrizes, respectivamente de dimensões
m × p e p × n. O produto de A por B é a matriz AB de dimensão
m × n definida da seguinte forma:
p
(AB)ij = ∑ aik bkj .
k=1
p
(AB)ij = ∑ aik bkj
k=1
E XEMPLO
Sejam x, y ∈ Rn . O produto interno (ou produto escalar) de x e y
(que generaliza o produto escalar de R2 ou R3 visto no ensino
secundário) é o número real
n
x · y = x1 y1 + . . . + xn yn = ∑ xi yi .
i=1
yn
E XEMPLO
Seja A uma matriz m × n e seja x ∈ Rn . Então tem-se
a11 x1 + . . . + a1n xn
Ax = ..
.
.
am1 x1 + . . . + amn xn
Ax = b .
D EFINIÇ ÃO
Para qualquer dimensão n × n denota-se por I a matriz
identidade (quadrada) definida por
0 se i 6= j
(I)ij =
1 se i = j
P ROPOSIÇ ÃO
As operações com matrizes satisfazem as seguintes
propriedades:
A SSOCIATIVIDADE DO PRODUTO : A(BC) = (AB)C
D ISTRIBUTIVIDADE À ESQUERDA : A(B + C) = AB + AC
D ISTRIBUTIVIDADE À DIREITA : (B + C)A = BA + CA
E LEMENTO NEUTRO DO PRODUTO : AI = IA = A
E LEMENTO ABSORVENTE : A0 = 0A = 0
T RANSPOSTA DUM PRODUTO : (AB)T = BT AT
O BSERVAÇ ÃO IMPORTANTE
Capı́tulo 4
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
D EFINIÇ ÃO
Sejam A e B duas matrizes, respectivamente de dimensões
m × p e p × n. O produto de A por B é a matriz AB de dimensão
m × n definida da seguinte forma:
p
(AB)ij = ∑ aik bkj .
k=1
R EVIS ÃO
E XEMPLO
Seja A uma matriz m × n e seja x ∈ Rn . O sistema de equações
a11 x1 + . . . + a1n xn = b1
..
.
am1 x1 + . . . + amn xn = bm
Ax = b .
D EFINIÇ ÃO
Para qualquer dimensão n × n denota-se por I a matriz
identidade (quadrada) definida por
0 se i 6= j
(I)ij =
1 se i = j
P ROPOSIÇ ÃO
As operações com matrizes satisfazem as seguintes
propriedades:
A SSOCIATIVIDADE DO PRODUTO : A(BC) = (AB)C
D ISTRIBUTIVIDADE À ESQUERDA : A(B + C) = AB + AC
D ISTRIBUTIVIDADE À DIREITA : (B + C)A = BA + CA
E LEMENTO NEUTRO DO PRODUTO : AI = IA = A
E LEMENTO ABSORVENTE : A0 = 0A = 0
T RANSPOSTA DUM PRODUTO : (AB)T = BT AT
D EFINIÇ ÃO
Seja A uma matriz quadrada. Designa-se por inversa de A
uma matriz B (necessariamente da mesma dimensão) tal que
AB = BA = I. Uma matriz A para a qual existe inversa diz-se
invertı́vel.
P ROPOSIÇ ÃO
Ax = b
é determinado e a solução é
x = A−1 b .
Ax = b
Ax = b(1)
..
.
Ax = b(k)
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
D EFINIÇ ÃO
Seja A uma matriz quadrada. Designa-se por inversa de A
uma matriz B (necessariamente da mesma dimensão) tal que
AB = BA = I. Uma matriz A para a qual existe inversa diz-se
invertı́vel.
P ROPOSIÇ ÃO
Se A for invertı́vel qualquer sistema Ax = b é determinado e a
solução é dada por x = A−1 b.
R EVIS ÃO — E LIMINAÇ ÃO DE G AUSS –J ORDAN
Seja A uma matriz quadrada n × n. Se o sistema
Ax = b
Ax = b(1)
..
.
Ax = b(k)
Ax(1) = b(1)
..
.
Ax(k) = b(k)
AX = B .
X = A−1 B
[A | B] → [I | A−1 B] .
Em particular, tem-se
[A | I] → [I | A−1 ] .
E XEMPLO
2 1
Vamos verificar que a matriz A = tem inversa e vamos
2 2
calcular A−1 . O primeiro passo é obter uma matriz em escada
de linhas:
2 1 1 0 2 1 1 0
→
2 2 0 1 0 1 −1 1
Portanto tem-se
1 −1/2
A−1 = .
−1 1
D EFINIÇ ÃO
Seja A uma matriz quadrada n × n. Se por eliminação de Gauss
encontrarmos n pivots para A então A diz-se não-singular.
caso contrário diz-se singular. (Por outras palavras, A é
não-singular se e só se a sua caracterı́stica for n.)
T EOREMA
Seja A uma matriz quadrada n × n. As seguintes afirmações
são equivalentes:
1. A é invertı́vel.
2. A é não-singular.
O BSERVAÇ ÕES
Ax = b
Ax = b0
for determinado.
I Esta afirmação é falsa para matrizes rectangulares:
o
1 2 3
sistema que tem a matriz aumentada 0 2 2 é
0 0 0
1 2 3
determinado mas 0 2 2 é impossı́vel.
0 0 1
M ATRIZES ESPECIAIS
D EFINIÇ ÃO
Seja A uma matriz quadrada. Diz-se que a matriz A é
triangular superior se i > j ⇒ aij = 0.
E XEMPLO
1 1 1
I 0 0 1 é triangular superior.
0 0 1
I Qualquer matriz quadrada em escada de linhas é
triangular superior (o exemplo anterior mostra que a
afirmação recı́proca é falsa).
P ROPOSIÇ ÃO
Uma matriz triangular superior é invertı́vel se e só se tiver
todos os elementos da diagonal principal diferentes de zero.
Nesse caso a inversa também é uma matriz triangular superior.
D EFINIÇ ÃO
Seja A uma matriz quadrada. Diz-se que a matriz A é
I triangular inferior se i < j ⇒ aij = 0 (ou seja, AT é
triangular superior);
I elementar se for triangular inferior com todas as entradas
da diagonal principal iguais a 1 e apenas uma entrada
abaixo da diagonal principal diferente de zero.
P ROPOSIÇ ÃO
Uma matriz triangular superior é invertı́vel se e só se tiver
todos os elementos da diagonal principal diferentes de zero.
Nesse caso a inversa também é uma matriz triangular superior.
P ROPOSIÇ ÃO
A inversa de uma matriz elementar obtém-se trocando o sinal
da única entrada não-nula fora da diagonal principal.
E XEMPLO
−1
1 0 0 1 0 0
0 1 0 = 0 1 0
2 0 1 −2 0 1
D EFINIÇ ÃO
Uma matriz de permutação é uma matriz quadrada cujas
entradas são todas 0 ou 1, tal que em cada linha e em cada
coluna existe exactamente uma entrada com o valor 1.
(Equivalentemente, uma matriz que resulta da matriz
identidade por uma permutação das linhas, ou por uma
permutação das colunas.)
E XEMPLO
0 1 0
1 0 0
0 0 1
P ROPOSIÇ ÃO
Se P for uma matriz de permutação então é invertı́vel e tem-se
P−1 = PT .
Capı́tulo 6
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
y
x
L INEARIDADE À ESQUERDA :
A (αx, y) = α A (x, y)
A (x + x0 , y) = A (x, y) + A (x0 , y)
d(x1 , . . . , xn )
d : Rn × . . . × Rn → R
d : Matn×n → R .
d(A)
é o mesmo que
d(x1 , . . . , xn ) ,
onde, para cada j, o vector xj é a coluna j de A.
σ :C→C.
P ROPOSIÇ ÃO
Seja σ uma permutação de {1, . . . , n} e sejam k e k0 dois
números de trocas de elementos aos pares que transformam a
lista (1, . . . , n) em (σ1 , . . . , σn ). Então ambos os números k e k0
são pares ou ambos são ı́mpares.
D EFINIÇ ÃO
O número (−1)k ∈ {−1, 1} da proposição anterior designa-se
por paridade ou sinal da permutação σ e denota-se por
sgn(σ ). Se a paridade é 1 a permutação diz-se par, caso
contrário diz-se ı́mpar.
E XEMPLO
A permutação que transforma (1, 2, 3, 4) em (1, 3, 4, 2) é par:
E XEMPLO
Seja
0 1 0 0
0 0 1 0
P=
1
0 0 0
0 0 0 1
As entradas iguais a 1 são p31 , p12 , p23 , p44 e portanto a
permutação σ corresponde à lista (3, 1, 2, 4) e é par.
E XEMPLO
Seja
0 a12 0 0
0 0 a23 0
A=
a31 0 0 0
0 0 0 a44
e seja σ a mesma permutação do exemplo anterior. Se d for
uma função determinante de ordem 4 então pela
multinearidade temos
d(A) = a31 a12 a23 a44 d(P) = sgn(σ )a31 a12 a23 a44 = a31 a12 a23 a44 .
E XEMPLO
Seja d uma função determinante de ordem 2. Pela
multilinearidade, uma vez que (a11 , a21 ) = a11 (1, 0) + a21 (0, 1) e
(a12 , a22 ) = a12 (1, 0) + a22 (0, 1), temos
a11 a12 1 1
d = a11 a12 d
a21 a22 0 0
1 0
+ a11 a22 d
0 1
0 1
+ a21 a12 d
1 0
0 0
+ a21 a22 d
1 1
= a11 a22 − a21 a12 .
O BSERVAÇ ÕES
P ROPOSIÇ ÃO
A área do paralelogramo determinado por dois vectores
x, y ∈ R2 é igual a
|x1 y2 − x2 y1 | .
M ATRIZES 3 × 3
d(A) = a11 a22 a33 − a11 a32 a23 + a31 a12 a23
− a31 a22 a13 + a21 a32 a13 − a21 a12 a33 .
P ROPOSIÇ ÃO
O volume do paralelepı́pedo determinado por três vectores
x, y, z ∈ R3 é igual a
|x1 y2 z3 − x1 y3 z2 + x3 y1 z2 − x3 y2 z1 + x2 y3 z1 − x2 y1 z3 | .
T EOREMA
Para cada n ∈ N existe uma e uma só função determinante d,
que é definida, para cada matriz A de dimensão n × n, pela
fórmula seguinte, onde Sn é o conjunto das permutações de
{1, . . . , n}:
d(A) = ∑ sgn(σ )aσ1 1 . . . aσn n .
σ ∈Sn
D EFINIÇ ÃO
O determinante de uma matriz A de dimensão n × n é o valor
atribuı́do à matriz A pela única função determinante de ordem
n. Denota-se este valor por det A ou det(A).
a11 · · · an1
.. . . .
.. .
Outra notação: det(A) = . .
an1 · · · ann
E XERC ÍCIO
Capı́tulo 7
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
d(x1 , . . . , xn )
D EFINIÇ ÃO
O determinante de uma matriz A de dimensão n × n é o valor
atribuı́do à matriz A pela única função determinante de ordem
n. Denota-se este valor por det A ou det(A).
a11 · · · an1
.. . . .
.. .
Outra notação: det(A) = . .
an1 · · · ann
E XERC ÍCIO
T EOREMA
Para cada n ∈ N existe uma e uma só função determinante det,
que é definida, para cada matriz A de dimensão n × n, pela
fórmula seguinte, onde Sn é o conjunto das permutações de
{1, . . . , n}:
det(A) = ∑ sgn(σ )aσ1 1 . . . aσn n .
σ ∈Sn
Demonstração.
A unicidade demonstra-se como nos exemplos. Para a
existência demonstramos que det satisfaz os axiomas:
Multilinearidade: Suponha-se que a coluna j de A é a
combinação αx + β y. Todas as parcelas do somatório det(A)
contêm exactamente um factor aσj j da coluna j, que é da forma
αxσj + β yσj , pelo que se obtém det(A) = α det(A1 ) + β det(A2 )
onde A1 e A2 são as matrizes que se obtém de A substituindo a
coluna j por x e por y, respectivamente.
Demonstração.
(Continuação)
Anulação: Se a coluna j e a coluna k de A forem o mesmo
vector (mas j 6= k) então cada parcela aσ1 1 . . . aσj j . . . aσk k . . . aσn n
aparece duas vezes no somatório, com sinal trocado: mais
precisamente, tem-se
L EMA
Qualquer matriz triangular tem determinante igual ao produto
das entradas da diagonal principal.
det(AT ) = det(A) .
Demonstração.
Cada parcela aσ1 1 . . . aσn n pode ser escrita com os factores
permutados na forma
T EOREMA
det(A) = 0 ⇐⇒ A é singular.
Demonstração.
Demonstração.
E XERC ÍCIO
Demonstração.
Se A tiver inversa tem-se
1 = det(I) = det(AA−1 ) = det(A) det(A−1 ).
Capı́tulo 8
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
T EOREMA
R EGRA DE S ARRUS
det A = a11 a22 a33 − a11 a32 a23 + a31 a12 a23
− a31 a22 a13 + a21 a32 a13 − a21 a12 a33 .
Permutações pares:
• • •
• • •
• • •
Permutações ı́mpares:
• • •
• • •
• • •
det A = a11 a22 a33 − a11 a32 a23 + a31 a12 a23
− a31 a22 a13 + a21 a32 a13 − a21 a12 a33 .
Etc.
D EFINIÇ ÃO
N OTA
Como det(A) = det(AT ) também temos a Fórmula de Laplace
“ao longo das colunas”: para qualquer j ∈ {1, . . . , n} temos
n
det(A) = ∑ (−1)i+j aij det(Aij ) .
i=1
E XERC ÍCIO
N OTA
1 2 3 4
1 2 4
0 0 2 0
= −2 × 4 4 4
(F. Laplace, linha 2)
4 4 4 4
9 7 2
9 7 1 2
1 2 4
= −2 × 0 −4 −12
(Elim. Gauss, pivot 1)
0 −11 −34
−4 −12
= −2 × 1 × (F. Laplace, coluna 1)
−11 −34
= −2 × 1 × ((−4) × (−34)
−(−11) × (−12))
= −8
D EFINIÇ ÃO
Seja A uma matriz n × n e sejam i, j ∈ {1, . . . , n}. O cofactor-ij
de A é o número
A0ij = (−1)i+j det(Aij ) .
A matriz dos cofactores de A é a matriz cof(A) = [A0ij ] cuja
entrada (cof(A))ij é o cofactor-ij de A.
1
A−1 = (cof A)T .
det A
Demonstração.
Continuando a denotar (cof A)T por B, já vimos que para
quaisquer i e j temos (AB)ii = (BA)jj = det A. Falta apenas
mostrar que se i 6= j então (AB)ij = (BA)ji = 0 para concluir que
AB = BA = (det A)I, ou seja, que A−1 = det1 A B como pretendido.
Demonstração.
(Continuação)
E XERC ÍCIO
Considere a matriz
1 1 1
A= 1 0 1 .
2 3 4
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
D EFINIÇ ÃO
Seja A uma matriz n × n. O cofactor-ij de A é o número
cof(A) = [A0ij ] .
R EVIS ÃO
T EOREMA
A fórmula de Laplace ao longo da linha i é:
R EVIS ÃO
T EOREMA
Seja A uma matriz n × n. Então tem-se
C OROL ÁRIO
Seja A uma matriz n × n não-singular. Então
1
A−1 = (cof A)T .
det A
R EGRA DE C RAMER
1 n
xj = ∑ (cof A)ij bi .
det A i=1
det A(j)
xj = .
det A
E XERC ÍCIO
Considere as matrizes
1 1 1 0 x
A= 1 0 1 , b= 1 , x= y .
2 3 4 0 z
R ESOLUÇ ÃO
D EFINIÇ ÃO
Sejam x, y ∈ R3 dois vectores. O produto externo de x e y é o
vector de R3 definido da seguinte forma:
x × y = (x2 y3 − y2 x3 , y1 x3 − x1 y3 , x1 y2 − y1 x2 ) .
N OTA
x2 x3 x1 x3 x1 x2
x × y = e − e + e
y2 y3 1 y1 y3 2 y1 y2 3
N OTA
Simbolicamente podemos escrever, pensando na fórmula de
Laplace aplicada à primeira linha, a seguinte fórmula para o
produto externo:
e1 e2 e3
x × y = x1 x2 x3
y1 y2 y3
(αx) × y = α(x × y)
x × (αy) = α(x × y)
(x + x0 ) × y = x × y + x0 × y
x × (y + y0 ) = x × y + x × y0
E XERC ÍCIO
x ⊥ y ⇐⇒ x · y = 0 .
E XERC ÍCIOS
E XERC ÍCIO
Seja P uma matriz de permutação n × n (com n ≥ 2) e sejam
i, j ∈ {1, . . . , n} tais que pij = 1.
1. Mostre que Pij também é uma matriz de permutação.
2. Esta conclusão manter-se-ia se pij = 0? Explique.
3. Verifique, escolhendo uma matriz de permutação 4 × 4
arbitrária, que sgn(P) = (−1)i+j sgn(Pij ). (Ou seja, P é par
se e só se os sinais da entrada ij e do menor Pij forem
iguais.)
(Na verdade tem-se sgn(P) = (−1)i+j sgn(Pij ) para uma
matriz de permutação P qualquer.)
Capı́tulo 10
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
D EFINIÇ ÃO
Um espaço vectorial real, ou espaço linear real, é um
conjunto V, cujos elementos são denominados vectores,
sobre o qual estão definidas as operações seguintes
(satisfazendo os axiomas que descreveremos de seguida):
A DIÇ ÃO : Dados x, y ∈ V existe um vector x + y ∈ V,
designado por soma de x e y. (Esta operação
diz-se binária.)
Z ERO : Existe um vector 0 ∈ V designado por zero. (Esta
operação diz-se constante ou 0-ária.)
S IM ÉTRICO : Dado x ∈ V existe um vector −x ∈ V designado por
simétrico de x. (Esta operação diz-se unária.)
Escrevemos x − y em vez de x + (−y).
M ULTIPLICAÇ ÃO : Dado r ∈ R e x ∈ V existe um vector rx ∈ V,
designado por produto de r por x. (Operação
binária heterogénea.)
D EFINIÇ ÃO
(Continuação) Os axiomas são os seguintes:
A SSOCIATIVIDADE DA SOMA : (x + y) + z = x + (y + z).
C OMUTATIVIDADE DA SOMA : x + y = y + x.
E LEMENTO NEUTRO : 0 + x = x.
E LEMENTO SIM ÉTRICO : x − x = 0.
A SSOCIATIVIDADE DA MULT.: r(sx) = (rs)x.
U NITARIDADE : 1x = x.
D ISTRIBUTIVIDADE DIREITA : r(x + y) = rx + ry.
D ISTRIBUTIVIDADE ESQUERDA : (r + s)x = rx + sx.
E XEMPLO
1. Rn .
2. Matm×n .
3. RA = {funções f : A → R} .
A × B = {(a, b) | a ∈ A, b ∈ B} .
R{1,...,m}×{1,...,n} = Matm×n ,
E XEMPLO
7. Se V e W forem dois espaços vectoriais reais então
V ×W
D EFINIÇ ÃO
Definimos também as seguintes noções:
I Um espaço vectorial racional, ou espaço linear
racional tem uma definição em tudo análoga à de espaco
vectorial real, mas com R substituı́do pelo conjunto dos
números racionais Q.
I Um espaço vectorial complexo, ou espaço linear
complexo tem uma definição em tudo análoga à de
espaco vectorial real, mas com R substituı́do pelo conjunto
dos números complexos C.
N OTA
Uma vez que se tem as inclusões Q ⊂ R ⊂ C, qualquer espaço
vectorial complexo é também um espaço vectorial real e
qualquer espaço vectorial real é também um espaço vectorial
racional.
E XEMPLO
Os exemplos são em tudo semelhantes aos de espaço
vectorial real:
I Qn e Cn são respectivamente um espaço vectorial racional
e um espaço vectorial complexo.
I Dado um conjunto A definem-se os espaços de funções
QA e CA , que são respectivamente um espaço vectorial
racional e um espaço vectorial complexo.
I CN é o espaço vectorial complexo das sucessões de
números complexos.
I Se V e W são espaços racionais (resp. complexos) então
define-se o produto cartesiano V × W, que é um espaço
racional (resp. complexo).
I Os comentários relativos às identificações, por exemplo
C{1,...,n} = Cn , ou Q × (Q × (Q × Q)) = Q4 , são análogos.
M UDANÇA DE ESCALARES
P ROPOSIÇ ÃO
Tudo o que foi visto a propósito de sistemas de equações
lineares, matrizes e determinantes, é válido quando R é
substituı́do por Q ou C.
D EFINIÇ ÃO
Um corpo algébrico, ou simplesmente um corpo, é um
conjunto K equipado com:
I uma estrutura de grupo abeliano (ou seja, operações “+”,
“0” e “−” com propriedades análogas às das
correspondentes operações dos espaços vectoriais);
I uma operação binária associativa e comutativa de
multiplicação que a cada par de elementos x, y ∈ K faz
corresponder o produto xy;
I um elemento neutro denotado por 1 e designado por
unidade do corpo (ou seja, um elemento necessariamente
único e tal que 1x = x);
I para cada x 6= 0 em K, um inverso x−1 (ou seja, um
elemento, necessariamente único, tal que xx−1 = 1).
E XEMPLO
I Para cada número primo p o conjunto Zp = {0, 1, . . . , p − 1}
dos números inteiros módulo p é um corpo. Estes corpos
são finitos, ao contrário de Q, R e C.
I O corpo Z2 tem apenas dois elementos e pode
relacionar-se com a álgebra de Boole dos valores lógicos 0
e 1: a multiplicação corresponde à conjunção e a soma
corresponde ao “ou exclusivo”.
D EFINIÇ ÃO
Um espaço vectorial sobre um corpo K é definido da mesma
forma que um espaço vectorial real mas com R substituı́do por
K.
E XEMPLO
Os exemplos básicos de espaço vectorial sobre um corpo K
são novamente semelhantes aos de espaço vectorial real:
I K n = {(k1 , . . . , kn ) | k1 , . . . , kn ∈ K}.
I Dado um conjunto A temos o espaço de funções
K A = {funções f : A → K}.
I Se V e W são espaços vectoriais sobre K então define-se
o produto cartesiano V × W, que é um espaço vectorial
sobre K.
I Os comentários relativos às identificações, por exemplo
K {1,...,n} = K n , ou (K × K) × (K × K) = K 4 , são análogos.
M ATRIZES E DETERMINANTES SOBRE UM CORPO
ARBITR ÁRIO
D EFINIÇ ÃO
Diz-se que um corpo tem caracterı́stica n se n for o menor
número natural tal que a soma 1 + . . . + 1 com n parcelas é igual
a 0; e diz-se que tem caracterı́stica 0 se não existir nenhum
número natural n com essa propriedade.
E XEMPLO
Q, R e C têm caracterı́stica 0. O corpo finito Zp tem
caracterı́stica p.
P ROPOSIÇ ÃO
Tudo o que foi dito a propósito de sistemas de equações
lineares, matrizes e determinantes é válido para qualquer
corpo de caracterı́stica diferente de 2.
Capı́tulo 11
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
((x1 , . . . , xm ), (y1 , . . . , yn )) ∈ K m × K n
D EFINIÇ ÃO
Seja V um espaço vectorial sobre um corpo K. Um
subconjunto S ⊂ V diz-se um subespaço vectorial de V se
satisfizer as seguintes condições relativamente às operações
de espaço vectorial definidas em V:
1. 0 ∈ S.
2. Se x, y ∈ S então x + y ∈ S.
3. Se r ∈ K e x ∈ S então rx ∈ S.
P ROPOSIÇ ÃO
Se S for um subespaço vectorial de V então S, com as mesmas
operações de V, também é um espaço vectorial sobre K.
E XEMPLO
I O conjunto de todas as funções f : R → R tais que f (2) = 0
é um subespaço de RR .
I O subconjunto de Mat2×3 (C) formado pelas matrizes A tais
que a12 = 1 NÃO é um subespaço porque a matriz nula
não lhe pertence.
I Qualquer recta em R2 que passe pela origem define um
subespaço de R2 .
I Qualquer plano em R3 que passe pela origem define um
subespaço de R3 .
I Nenhuma recta em R2 que não passe pela origem pode
ser um subespaço.
I A parábola de equação y = x2 contém a origem mas não é
um subespaço de R2 .
E XEMPLO
São espaços vectoriais:
I O conjunto P(K) de todos os polinómios
a0 + a1 x + a2 x2 + . . . + an xn
D EFINIÇ ÃO
O conjunto-solução do sistema homogéneo cuja matriz dos
coeficientes é A designa-se por núcleo, ou espaço nulo, de A,
e denota-se por nuc(A).
E XEMPLO
x+y−z = 0
V 0 + V 00 = {x + y | x ∈ V 0 , y ∈ V 00 }
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
N OTA
Se B resulta de A por eliminação de Gauss então
nuc(B) = nuc(A) .
D EFINIÇ ÃO
Equações que relacionam as coordenadas dos vectores de K n
de modo a definir um subconjunto S ⊂ K n dizem-se equações
cartesianas para S.
E XEMPLO
I No exemplo anterior a recta pode ser definida pelas
equações cartesianas correspondentes ao produto Ax = 0:
x+y−z = 0
x−y+z = 0 .
x+y−z = 0
x = 0.
D EFINIÇ ÃO
Uma descrição paramétrica de um subconjunto de S ⊂ K n é
uma função
f : P → Kn
cujo contradomı́nio é S, onde P é um conjunto designado por
espaço dos parâmetros.
E XEMPLO
A circunferência de raio igual a 1 e centro na origem de R2 é
descrita parametricamente pela função
f : [0, 2π[ → R2
definida por f (θ , ϕ) = (sen ϕ cos θ , sen ϕ sen θ , cos ϕ). Neste caso
há dois parâmetros θ e ϕ (por outras palavras, f é função de
duas variáveis).
E XEMPLO
I Seja agora A = 1 1 −1 .
I Agora há duas incógnitas livres, y e z, pelo que os vectores
(x, y, z) ∈ nuc(A) são descritos parametricamente, em
função de dois parâmetros, pela função f : R2 → R3 que a
cada (y, z) ∈ R2 faz corresponder o vector
(−y + z, y, z) = y(−1, 1, 0) + z(1, 0, 1).
I O núcleo de A, que já sabı́amos ser o plano perpendicular
ao vector (1, 1, −1) passando pela origem, é portanto o
subespaço de R3 que resulta de somar todos os múltiplos
de (−1, 1, 0) e (1, 0, 1).
I Por outras palavras, é o plano definido pelas duas rectas
que passam pela origem e cujos pontos são os múltiplos
de (−1, 1, 0) e (1, 0, 1), respectivamente.
I Cada ponto do plano corresponde à soma de dois
vectores, um de cada uma das rectas.
Mais um exemplo de construção de subespaços:
E XEMPLO
I Se V 0 e V 00 forem subespaços de um espaço vectorial V
sobre um corpo K então o conjunto
V 0 + V 00 = {x + y | x ∈ V 0 , y ∈ V 00 }
P ROPOSIÇ ÃO
Os subespaços de R2 são:
I Os subespaços triviais {0} e R2 ;
I As rectas que passam pela origem.
Demonstração.
P ROPOSIÇ ÃO
Os subespaços de R3 são:
I Os subespaços triviais {0} e R3 ;
I As rectas que passam pela origem;
I Os planos que passam pela origem.
Demonstração.
Exercı́cio...
Voltemos à ideia de definir espaços por meio da soma de
múltiplos de vectores fixados à partida:
E XEMPLO
I O conjunto dos múltiplos de (1, 2) é um subespaço de R2
(o primeiro exemplo que vimos na aula passada).
I É um subespaço de R3 o conjunto V dos vectores que são
somas de múltiplos dos vectores (1, 2, 3) e (1, 1, 1), ou seja,
dos vectores que são da forma
com a, b ∈ R.
I Denotando o subespaço dos múltiplos de (1, 2, 3) por V 0 e
o subespaço dos múltiplos de (1, 1, 1) por V 00 , o subespaço
V é igual à soma V 0 + V 00 .
D EFINIÇ ÃO
x = a1 x1 + . . . + an xn .
D EFINIÇ ÃO
Seja V um espaço vectorial sobre um corpo K, seja V 0 ⊂ V um
subespaço e S ⊂ V 0 um subconjunto qualquer. Diz-se que V 0 é
gerado por S, ou que S gera V 0 , ou ainda que S é um
conjunto de geradores de V 0 , se V 0 = L(S).
E XEMPLO
A expansão linear de (um conjunto de) dois vectores x e y de
R3 é:
I O espaço trivial {0} se x = y = 0;
I A recta dos múltiplos de x se x 6= 0 e y for um múltiplo de x;
I O plano definido por x e y se nenhum dos vectores for
múltiplo do outro.
P ROPOSIÇ ÃO
Sejam V 0 e V 00 subespaços de um espaço V. Então V 0 + V 00 é o
menor subespaço de V que contém V 0 e V 00 :
V 0 + V 00 = L(V 0 ∪ V 00 )
Demonstração.
Exercı́cio...
E XERC ÍCIO
I A matriz aumentada é
1 1 0 1
0 2 2 1 .
1 3 2 1
(j)
Ou seja, definido a matriz A tal que aij = ai conclui-se que a
expansão linear de S é o conjunto dos vectores b que podem
ser escritos na forma
b = Ax
para algum vector x ∈ K n .
E XEMPLO
Por outras palavras, L(S) é o espaço dos vectores b para os
quais o sistema
Ax = b
é possı́vel.
D EFINIÇ ÃO
Ax = b .
E XERC ÍCIO ( APLICAÇ ÃO A ESPAÇOS DIFERENTES DE K n )
I Verificar que em P2 (R) o polinómio p(x) = 1 + x + x2 é
combinação linear dos polinómios q(x) = 1 + 2x + 3x2 e
r(x) = x + 2x2 .
I Resolução: a combinação linear
rescreve-se na forma
I Portanto o sistema
a = 1
2a + b = 1 ,
3a + 2b = 1
S LOGAN
Obter uma descrição paramétrica dum subespaço vectorial
V ⊂ K n é o mesmo que encontrar uma matriz B com n linhas tal
que V = col(B).
1 1 1
Capı́tulo 13
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
D EFINIÇ ÃO
Seja A ∈ Matm×n (K). O espaço das linhas de A é col(AT ) e
denota-se por lin(A).
D EFINIÇ ÃO
Seja S ⊂ K n um conjunto qualquer. O complemento ortogonal
S⊥ é o conjunto de todos os vectores x ∈ K n tais que x · a = 0
para qualquer a ∈ S.
P ROPOSIÇ ÃO
Sejam S um subconjunto de K n e A ∈ Matm×n (K).
1. S⊥ é um subespaço de K n .
2. S⊥ = L(S)⊥ .
3. nuc(A) = (lin(A))⊥ .
E XEMPLO
I Em qualquer espaço K n temos (K n )⊥ = {0} e {0}⊥ = K n .
I Em R3 o complemento ortogonal de uma recta que passa
pela origem é o plano que passa pela origem e é
perpendicular à recta dada.
E XEMPLO
1 1 −1
Seja A = .
1 −1 1
O espaço das linhas de A é o plano gerado em R3 pelos
vectores (1, 1, −1) e (1, −1, 1).
lin(A) é ortogonal ao núcleo de A, que é a recta que passa pela
origem e é perpendicular a este plano (como vimos na aula
anterior, é a recta dos múltiplos de (0, 1, 1)).
I SOMORFISMOS
N OTA
Existem outras identificações menos óbvias, como veremos.
D EFINIÇ ÃO
f :V →W
E XEMPLO
I A função que a cada polinómio
p(x) = a0 + . . . + an xn ∈ Pn (K)
E XEMPLO
Pela proposição anterior, para ver se o polinómio
p(x) = 1 + x + x2
q(x) = 1 + 2x + 3x2
r(x) = x + 2x2
P ROPOSIÇ ÃO
P ROPOSIÇ ÃO
A relação de isomorfismo é de equivalência:
1. Reflexiva: V ∼ =V
2. Simétrica: V ∼
=W ⇒W ∼ =V
3. Transitiva: V ∼
= V0 ∼
= V 00 ⇒ V ∼
= V 00
E XEMPLO
I Pn (K) ∼
= K n+1
I Matm×n (K) ∼
= K mn
E XEMPLO
I A função que a cada ponto (0, z, z) da recta dos múltiplos
de (0, 1, 1) ∈ R3 faz corresponder z ∈ R é um isomorfismo
dessa recta para R.
I A função que a cada ponto y(1, 1, −1) + z(1, −1, 1) do plano
P = L((1, 1, −1), (1, −1, 1)) ⊂ R3 faz corresponder o ponto
(y, z) ∈ R2 é um isomorfismo de P para R2 .
E XEMPLO
I A função que a cada vector (x, y, z) ∈ R3 atribui o vector
x(1, 1, 1) + y(1, 1, 0) + z(1, 0, 0) é um isomorfismo de R3 em
R3 .
I Mas a função que a cada vector (x, y, z) ∈ R3 atribui o
vector x(1, 1, 1) + y(1, 0, 1) + z(2, 1, 2) não é um isomorfismo
de R3 em R3 porque os três vectores são complanares.
Capı́tulo 14
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
x1 , . . . , xn
a1 x1 + · · · + an xn = 0 =⇒ a1 = · · · = an = 0 .
No caso contrário diz-se que os vectores x1 , . . . , xn são
linearmente dependentes.
P ROPOSIÇ ÃO
Se uma lista de vectores contiver repetições então é
linearmente dependente.
Demonstração.
Seja x1 , . . . , xi , . . . , xj , . . . , xn uma lista com xi = xj . Então tem-se
a1 x1 + · · · + ai xi + · · · + aj xj + · · · + an xn = 0
com ai = 1, aj = −1 e ak = 0 para k 6= i e k 6= j.
D EFINIÇ ÃO
P ROPOSIÇ ÃO
Se 0 ∈ S então S é linearmente dependente.
Demonstração.
0 é combinação linear de 0 com coeficiente não nulo, pois
k0 = 0 para qualquer escalar k.
T EOREMA
am1 amn
k1 a1 + · · · + kn an = 0 ⇒ k1 = . . . = kn = 0
é equivalente a
Ak = 0 ⇒ k=0,
ou seja, é equivalente a ter-se nuc(A) = {0}.
E XERC ÍCIO
Verifique se o conjunto {x, y, z} formado pelos três vectores de
R3
x = (1, 1, 1)
y = (1, 1, −1)
z = (1, 2, −1)
é linearmente independente.
R ESOLUÇ ÃO
A matriz cujas colunas são os três vectores x, y e z, por esta
ordem, é
1 1 1
A= 1 1 2
1 −1 −1
e por eliminação de Gauss (eliminando as entradas 21 e 31
pela regra da eliminação e depois permutando as linhas 2 e 3)
transforma-se na matriz
1 1 1
A0 = 0 −2 −2 .
0 0 1
P ROPOSIÇ ÃO
p(x) = 1 + x + x2
q(x) = 1 + x − x2
r(x) = 1 + 2x − x2
é linearmente independente.
R ESOLUÇ ÃO
Demonstração.
Vamos primeiro demonstrar a seguinte implicação: se S for
linearmente dependente então existe x ∈ S tal que
x ∈ L(S \ {x}). Para tal usamos como hipótese o antecedente
da implicação (ou seja, assumimos que S é linearmente
dependente) e vamos, usando essa hipótese, concluir o
consequente da implicação (ou seja, que existe x ∈ S tal que
x ∈ L(S \ {x})). A hipótese de S ser linearmente dependente
permite-nos escolher n vectores distintos x1 , . . . , xn de S e
escalares a1 , . . . ,an tais quea1 x1+ · · · + an xn = 0 com a1 6= 0.
Logo, x1 = − aa12 x2 + . . . + − aan1 xn e, como todos os vectores
xi são distintos, concluimos x1 ∈ L(S \ {x1 }), ou seja, obtivemos
o consequente da implicação.
Demonstração.
(Continuação.) Vamos agora demonstrar a implicação no
sentido contrário: se existe x ∈ S tal que x ∈ L(S \ {x}) então S é
linearmente dependente. Usamos como hipótese o
antecedente da implicação (ou seja, assumimos que existe
x ∈ S tal que x ∈ L(S \ {x})) e vamos, usando essa hipótese,
concluir que S é linearmente dependente. A hipótese
permite-nos afirmar que existem um vector x ∈ S, n vectores
distintos y1 , . . . , yn de S \ {x} e escalares a1 , . . . , an tais que
x = a1 y1 + . . . + an yn . (Pudemos assumir que todos os vectores
yi são distintos porque se não fossem bastaria pôr em
evidência cada vector em todas as parcelas em que ocorre e
obter assim uma combinação linear de vectores distintos.)
Então tem-se x + (−a1 )y1 + . . . + (−an )yn = 0, ou seja, obtivemos
uma combinação linear nula de vectores distintos de S na qual
pelo menos um coeficiente (o de x) é não nulo, pelo que S é
linearmente dependente.
E XEMPLO
I Em R3 quaisquer três vectores x, y e z são linearmente
dependentes se e só forem complanares.
I Em R2 quaisquer dois vectores x e y são linearmente
dependentes se e só forem colineares.
Capı́tulo 15
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
T EOREMA
Em K m qualquer lista de n vectores com m < n é linearmente
dependente.
Demonstração.
Dada uma tal lista a(1) , . . . , a(n) , a correspondente matriz A de
(j)
dimensão m × n cujas colunas são estes vectores (aij = ai )
tem núcleo necessariamente diferente de {0}.
C OROL ÁRIO
Se m 6= n então K m ∼
6 Kn.
=
T EOREMA
Em K m nenhum conjunto de vectores {a(1) , . . . , a(n) } com m > n
pode gerar o espaço todo.
Demonstração.
(j)
Uma vez que m > n, a matriz A definida por aij = ai tem
sempre caracterı́stica limitada pelo número de colunas e
existirão vectores b para os quais o sistema Ax = b tem matriz
aumentada com caracterı́stica maior do que n. Um tal sistema
é impossı́vel e portanto um tal vector b não é gerado pelos
vectores a(j) .
C OROL ÁRIO
Em K n os conjuntos de geradores linearmente independentes
têm exactamente n vectores.
D EFINIÇ ÃO
N OTA
Veremos daqui a pouco que se existir uma base infinita então
não pode existir uma base finita e portanto qualquer espaço
que tenha uma base infinita é de dimensão infinita de acordo
com a definição dada acima.
E XEMPLO
K n tem dimensão finita, pois o conjunto finito formado pelos n
vectores
e1 = (1, 0, 0, . . . , 0, 0)
e2 = (0, 1, 0, . . . , 0, 0)
e3 = (0, 0, 1, . . . , 0, 0)
..
.
en−1 = (0, 0, 0, . . . , 1, 0)
en = (0, 0, 0, . . . , 0, 1)
E XEMPLO
1. Pn (K) tem dimensão finita, pois o conjunto finito formado
pelos n + 1 polinómios
1, x, x2 , . . . , xn
1, x, x2 , . . .
(1, 0, 0)
(1, 1, 0)
(1, 1, 1)
é uma base de K 3 .
P ROPOSIÇ ÃO
Um conjunto de n vectores distintos a(1) , . . h. , a(n)i de K n é uma
(j)
base se e só se for invertı́vel a matriz A = ai .
Demonstração.
A matriz A é quadrada e por isso tem-se col(A) = K n se e só se
a caracterı́stica de A for n se e só se nuc(A) = {0}.
C OROL ÁRIO
Um subconjunto S ⊂ K n é uma base de K n se e só se se
verificarem quaisquer duas das condições seguintes:
1. S tem n elementos;
2. S é linearmente independente;
3. S gera K n .
O teorema seguinte diz respeito a espaços de qualquer
dimensão:
T EOREMA
Seja f : V → W um isomorfismo e seja B ⊂ V um subconjunto
qualquer. Então B é uma base de V se e só se a sua imagem
f (B) for uma base de W.
Demonstração.
T EOREMA
Seja V um espaço vectorial sobre um corpo K, seja B ⊂ V uma
base formada por n vectores
e1 , . . . , en
k1 e1 + · · · + kn en = x .
Demonstração.
Uma vez que B é uma base sabemos que x é combinação
linear dos vectores de B. Suponha-se então que temos
x = k1 e1 + · · · + kn en
x = k10 e1 + · · · + kn0 en .
Então
0 = x−x
= (k1 e1 + · · · + kn en ) − (k10 e1 + · · · + kn0 en )
= (k1 − k10 )e1 + · · · + (kn − kn0 )en ,
N OTA
Por vezes iremos precisar de especificar uma ordem para os
vectores de uma base
{e1 , . . . , en } .
(e1 , . . . , en ) .
D EFINIÇ ÃO
Seja V um espaço vectorial sobre um corpo K e seja
(e1 , . . . , en )
x = k1 e1 + · · · + kn en .
T EOREMA
(k1 , . . . , kn ) ∈ K n
k1 e1 + . . . + kn en
kn
E XERC ÍCIO
Seja V um espaço vectorial V sobre um corpo K. Verifique que
existe uma álgebra de matrizes vectoriais (matrizes cujas
entradas são vectores de V) que as relaciona com as matrizes
escalares (as matrizes habituais, cujas entradas são escalares
de K):
1. Se S for uma matriz vectorial de dimensão m × n defina o
que se deve entender por multiplicação de AS ou SA
quando A for uma matriz escalar de dimensão p × m ou
n × p, respectivamente.
2. Verifique que se S for uma matriz vectorial e A e B forem
matrizes escalares com as dimensões apropriadas para
que os produtos indicados estejam definidos então temos
(SA)B = S(AB), (AS)B = A(SB) e (AB)S = A(BS).
3. Defina adição de matrizes vectoriais e mostre que o
produto de matrizes é distributivo sobre a soma para
qualquer das combinações possı́veis de matrizes
vectoriais e escalares.
E XERC ÍCIO
(Continuação.)
4. Denotando por Matm×n (V) o conjunto das matrizes m × n
com entradas em V, mostre que este conjunto é um
espaço vectorial sobre K.
Demonstração.
C OROL ÁRIO
E XEMPLO
O espaço P(K) tem uma base infinita e portanto tem
dimensão infinita.
D EFINIÇ ÃO
Um espaço vectorial com uma base de n vectores diz-se que
tem dimensão igual a n.
Podemos assim concluir resultados análogos aos do inı́cio
desta aula, para espaços de dimensão m quaisquer em vez
apenas de K m :
C OROL ÁRIO
Seja V um espaço de dimensão m.
1. Qualquer conjunto de n vectores de V com m < n é
linearmente dependente.
2. Nenhum conjunto de n vectores de V com m > n pode
gerar o espaço V.
C OROL ÁRIO
Dois espaços de dimensão finita V e W são isomorfos se e só
se tiverem a mesma dimensão.
C OROL ÁRIO
Se V for um espaço de dimensão n então um subconjunto
S ⊂ V é uma base se e só se se verificarem quaisquer duas
das condições seguintes:
1. S tem n elementos;
2. S é linearmente independente;
3. S gera V.
E XERC ÍCIO
1. Mostre que ((1, 2, 1), (2, 3, −1), (3, 4, 0)) é uma base
(ordenada) de R3 .
2. Calcule as coordenadas do vector (1, 1, 1) nessa base.
3. Mostre que (1 + 2x + x2 , 2 + 3x − x2 , 3 + 4x) é uma base de
P2 (R).
4. Calcule as coordenadas do polinómio 1 + x + x2 nessa
base.
Capı́tulo 16
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
V∼
= W ⇐⇒ dim(V) = dim(W) .
E XEMPLO
1. O espaço das sucessões de escalares x : N → K tem
dimensão infinita porque o conjunto das sucessões
seguintes é linearmente independente:
100000000 . . .
010000000 . . .
001000000 . . .
..
.
E XEMPLO
5. Podemos usar o método anterior para demonstrar a
independência linear de qualquer conjunto finito de
funções {f1 , . . . , fn } ⊂ K A , onde A é um conjunto infinito.
O conjunto é linearmente independente se e só se
existirem n elementos a1 , . . . , an ∈ A tais que é não-singular
a matriz
f1 (a1 ) . . . fn (a1 )
.. .. ..
. . .
f1 (an ) . . . fn (an )
Cuidado! Se o conjunto for linearmente dependente será
impossı́vel encontrar tais elementos de A e temos de
demonstrar a dependência linear de outra forma.
6. Exemplo: o conjunto de funções reais de variável real
formado pela função constante igual a 1 e pelas funções
sen2 x e cos2 x é linearmente dependente devido à
igualdade fundamental da trigonometria sen2 x + cos2 x = 1.
BASES DE ESPAÇOS ASSOCIADOS A MATRIZES
T EOREMA
Seja B uma matriz m × n com entradas num corpo K. Uma
base de col(B) é constituı́da pelo subconjunto do conjunto das
colunas de B que no processo de eliminação de Gauss se
transformam em colunas com pivot.
Demonstração.
Feita no quadro. (Exercı́cio: recorde a demonstração.)
E XEMPLO
Seja
1 1 2
B= 1 0 1 .
−1 1 0
Usando três vezes a regra da eliminação obtemos a matriz
1 1 2
B0 = 0 −1 −1 ,
0 0 0
T EOREMA
Seja B uma matriz m × n com entradas num corpo K. Uma
base de lin(B) é constituı́da pelo subconjunto do conjunto das
linhas não nulas de B0 , onde B0 é uma qualquer matriz em
escada de linhas obtida de B por eliminação de Gauss.
Demonstração.
Feita no quadro. (Exercı́cio: recorde a demonstração.)
E XEMPLO
Seja
1 1 2
B= 1 0 1 .
−1 1 0
Usando três vezes a regra da eliminação obtemos a matriz em
escada de linhas
1 1 2
B0 = 0 −1 −1 .
0 0 0
N OTA
A base obtida não está contida no conjunto de linhas de B, ao
contrário do que se passará se calcularmos uma base do
espaço das colunas de BT pelo método anterior.
E XERC ÍCIO
T EOREMA
Seja A uma matriz m × n com entradas num corpo K. O
conjunto de geradores de nuc(A) associados às incógnitas
livres do sistema homogéneo Ax = b é uma base de nuc(A).
Demonstração.
Feita no quadro. (Exercı́cio: recorde a demonstração.)
E XERC ÍCIO
Seja
1 1 1 1
A= 1 2 1 2 .
−1 −3 −1 −3
Calcule uma base e a dimensão de nuc(A).
T EOREMA
Seja A uma matriz m × n com entradas num corpo K. Então
dim(nuc(A)) + dim(col(A)) = n .
N OTA
Se obtivermos uma matriz em escada de linhas B a partir de A,
a caracterı́stica de B é igual ao número de incógnitas livres,
que é igual a dim(nuc(B)). Uma vez que nuc(B) = nuc(A),
qualquer matriz em escada de linhas B obtida de A tem a
mesma caracterı́stica e portanto faz sentido definir a
caracterı́stica de uma matriz A qualquer (recordar a discussão
acerca da caracterı́stica nas primeiras aulas).
D EFINIÇ ÃO
Seja A uma matriz m × n com entradas num corpo K.
Chama-se a dim(nuc(A)) a nulidade de A.
C OROL ÁRIO
Seja A uma matriz m × n com entradas num corpo K.
1. Caracterı́stica de A = dim(col(A)) = dim(lin(A)).
2. Caracterı́stica de A + nulidade de A = número de colunas
de A = n.
Capı́tulo 17
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
P ROPOSIÇ ÃO
Seja V um espaço vectorial de dimensão finita (sobre um corpo
K) e seja S ⊂ V um conjunto finito de geradores. Então existe
uma base de V contida em S.
Demonstração.
Sendo dim(V) = n, escolha-se um isomorfismo f : V → K n . Seja
A uma matriz cujas colunas são os vectores de f (S). Vimos na
aula passada como obter uma base B de col(A) contida em f (S)
e portanto o conjunto f −1 (B) é uma base de V contida em S.
P ROPOSIÇ ÃO
Seja V um espaço vectorial de dimensão finita (sobre um corpo
K) e seja S ⊂ V um conjunto linearmente independente. Então
existe uma base de V que contém S.
Demonstração.
Sendo dim(V) = n, escolha-se um isomorfismo f : V → K n . Seja
A uma matriz cujas colunas são os vectores de f (S) e seja A0
uma matriz em escada de linhas obtida de A por eliminação de
Gauss. A matriz A0 tem de ser da forma seguinte, onde se
convenciona que as entradas assinaladas com “•” contêm
valores quaisquer não nulos:
•
0 •
0 0 •
.. . ..
.
0 0 ... 0 •
0 0 ... 0 0
. .. .
.. ..
.
0 0 ... 0 0
Demonstração.
(Continuação.) Acrescentando colunas (a azul) a A0 obtemos
uma matriz triangular inferior não singular A00 :
• 0 ··· 0
0 •
.. . . ..
0 0 • . . .
..
. . ..
00
A =
0 0 ··· 0 • 0 ··· 0
0 0 ··· 0 0 1 ··· 0
.. .. . . .. .. .. . . ..
. . . . . . . .
0 0 ··· 0 0 0 ··· 1
Demonstração.
(Conclusão.)
E XERC ÍCIO
Calcule as coordenadas do polinómio 1 + 2x + 3x2 na base
ordenada (p, q, r) formada pelos polinómios
p(x) = 1
q(x) = 1 + x
r(x) = 1 + x + x2 .
Resolução.
Traduzindo os polinómios para vectores de R3 através do
isomorfismo a + bx + cx2 7→ (a, b, c) temos de resolver o sistema
Sx = b cuja matriz aumentada é
1 1 1 1
0 1 1 2
0 0 1 3
N OTA
A matriz S tem como colunas os vectores de coordenadas dos
polinómios p, q e r na base canónica e chama-se matriz de
mudança de base (da base canónica para a base (p, q, r)).
D EFINIÇ ÃO
Seja V um espaço vectorial sobre um corpo K, de dimensão
finita e sejam (v1 , . . . , vn ) e (w1 , . . . , wn ) duas bases ordenadas
de V. A matriz de mudança de base (da primeira base para a
segunda) é a matriz S cuja coluna j é, para cada j ∈ {1, . . . , n}, o
vector de coordenadas de wj na base (v1 , . . . , vn ).
N OTA
Como mnemónica podemos pensar que S resulta da “matriz
vectorial” [w1 . . . wn ] quando substituı́mos cada wj pelo seu
vector de coordenadas relativamente à base “antiga”.
P ROPOSIÇ ÃO
Dado um vector de V cujo vector de coordenadas na base
“antiga” é b, o vector de coordenadas na base “nova” é a
solução do sistema Sx = b. (Equivalentemente, x = S−1 b.)
S ISTEMAS LINEARES , RECTAS E PLANOS
Au = b .
Au = 0 .
Então
A(x + x0 ) = Ax + Ax0 = b + 0 = b ,
ou seja, o vector u = x + x0 é também uma solução do sistema
não homogéneo
Au = b .
P ROPOSIÇ ÃO
Somando a uma qualquer solução x do sistema
Au = b
Au = 0
Au = b .
Então
A(y − x) = Ay − Ax = b − b = 0 ,
ou seja, o vector y − x é uma solução do sistema homogéneo
Au = 0 .
Resumindo:
T EOREMA
Considere o sistema linear
Au = b .
Escrevendo ω 2 = α
m (isto é possı́vel porque α
m > 0) temos a
equação
y00 + ω 2 y = 0 .
O subconjunto de RR formado pelas funções com segunda
derivada contı́nua que são soluções desta equação é um
subespaço linear de RR . (Exercı́cio: verifique.)
Podemos verificar directamente que as duas funções seguintes
são soluções:
y1 (t) = cos(ωt)
y2 (t) = sen(ωt)
Capı́tulo 18
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
P ROPOSIÇ ÃO
Seja V um espaço vectorial de dimensão finita (sobre um corpo
K) e seja S ⊂ V um conjunto finito de geradores. Então existe
uma base de V contida em S.
Demonstração.
Sendo dim(V) = n, escolha-se um isomorfismo f : V → K n . Seja
A uma matriz cujas colunas são os vectores de f (S). Vimos na
aula passada como obter uma base B de col(A) contida em f (S)
e portanto o conjunto f −1 (B) é uma base de V contida em S.
P ROPOSIÇ ÃO
Seja V um espaço vectorial de dimensão finita (sobre um corpo
K) e seja S ⊂ V um conjunto linearmente independente. Então
existe uma base de V que contém S.
Demonstração.
Sendo dim(V) = n, escolha-se um isomorfismo f : V → K n . Seja
A uma matriz cujas colunas são os vectores de f (S) e seja A0
uma matriz em escada de linhas obtida de A por eliminação de
Gauss. A matriz A0 tem de ser da forma seguinte, onde se
convenciona que as entradas assinaladas com “•” contêm
valores quaisquer não nulos:
•
0 •
0 0 •
.. . ..
.
0 0 ... 0 •
0 0 ... 0 0
. .. .
.. ..
.
0 0 ... 0 0
Demonstração.
(Continuação.) Acrescentando colunas (a azul) a A0 obtemos
uma matriz triangular inferior não singular A00 :
• 0 ··· 0
0 •
.. . . ..
0 0 • . . .
..
. . ..
00
A =
0 0 ··· 0 • 0 ··· 0
0 0 ··· 0 0 1 ··· 0
.. .. . . .. .. .. . . ..
. . . . . . . .
0 0 ··· 0 0 0 ··· 1
Demonstração.
(Conclusão.)
E XERC ÍCIO
Considere os seguintes vectores de R3 :
x1 = (1, 2, 3)
x2 = (1, 1, 1)
x3 = (1, 0, 1)
x4 = (2, 1, 1) .
E XEMPLO
Usando este teorema, no exercı́cio anterior poderı́amos
facilmente concluir dim(V1 ∩ V2 ) = 1 sem calcular uma base,
pois
dim(V1 ) = 2
dim(V2 ) = 2
dim(V1 + V2 ) = 3 .
Demonstração.
B1 = {x1 , . . . , xn , y1 , . . . , ym }
B2 = {x1 , . . . , xn , z1 , . . . , zp } .
n + m + p = (n + m) + (n + p) − n
= dim(V1 ) + dim(V2 ) − dim(V1 ∩ V2 ) .
D EFINIÇ ÃO
Seja V um espaço vectorial e sejam V1 e V2 dois subespaços
tais que V1 + V2 = V e V1 ∩ V2 = {0}. Diz-se então que V é a
soma directa de V1 e V2 e escreve-se V = V1 ⊕ V2 .
P ROPOSIÇ ÃO
Se V = V1 ⊕ V2 então qualquer vector x ∈ V se decompõe de
forma única numa soma x = x1 + x2 com x1 ∈ V1 e x2 ∈ V2 .
Demonstração.
C OROL ÁRIO
Seja V = V1 ⊕ V2 . Então V ∼
= V1 × V2 .
Demonstração.
C OROL ÁRIO
é uma base de V1 × V2 .
E XEMPLO
Aplicando a construção acima à base canónica de R2 obtém-se
a seguinte base de R2 × R2 que coincide, a menos de
parênteses, com a base canónica de R4 :
{((1, 0), (0, 0)), ((0, 1), (0, 0)), ((0, 0), (1, 0)), ((0, 0), (0, 1))} .
N OTA
Quando um espaço vectorial pode ser visto como espaço
sobre mais do que um corpo escreveremos dimK (V) em vez de
apenas dim(V) para nos referirmos à dimensão de V enquanto
espaço sobre o corpo K.
E XEMPLO
I C é um espaço vectorial real com dimensão 2, portanto
isomorfo a R2 : um isomorfismo óbvio é o que atribui a
cada número complexo a + ib ∈ C o vector (a, b) de R2 .
I C3 é um espaço vectorial real com dimensão 6, portanto
isomorfo a R6 : um isomorfismo óbvio atribui a cada vector
(a1 + ib1 , a2 + ib2 , a3 + ib3 ) ∈ C3 o vector (a1 , b1 , a2 , b2 , a3 , b3 ).
P ROPOSIÇ ÃO
Se V for um espaço vectorial sobre C com base B então
também é um espaço vectorial sobre R com base
B ∪ iB .
P ROPOSIÇ ÃO
Qualquer espaço vectorial real não trivial é um espaço vectorial
sobre Q de dimensão infinita.
Demonstração.
Basta provar que dimQ (R) = ∞. Se assim não fosse existiria
n ∈ N tal que R ∼= Qn . Mas o conjunto Qn é numerável e R não
é, pelo que não pode existir uma bijecção entre R e Qn .
C OMPLEMENTOS SOBRE RECTAS E PLANOS
E XERC ÍCIO
Descreva parametricamente o plano-k em R4 descrito pelas
seguintes equações cartesianas e diga qual é o valor de k:
2w + x + y − z = 1
w − x + 2y + 3z = 0
w + 2x − y − 2z = 1
E XERC ÍCIO
Obtenha um conjunto de equações cartesianas para o
seguinte plano-k em R4 e diga qual é o valor de k:
Capı́tulo 19
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
E XEMPLO
1. Seja det : R3 × R3 × R3 → R a função determinante de
ordem 3 (sobre o corpo R). Sendo a, b ∈ R3 , é linear a
função T1 : R3 → R definida por
T1 (x) = det(x, a, b) .
T2 (x) = det(a, x, b)
T3 (x) = det(a, b, x) .
T : Kn → Km
T(x) = Ax .
E XEMPLO
(Continuação.)
I Operador derivação: É linear a função
D : C1 (a, b) → C(a, b)
D(f ) = f 0 .
D : P3 (R) → P2 (R)
D(p) = p0 .
T EOREMA
Seja T : K n → K m uma transformação linear. Então existe uma
e uma só matriz A ∈ Matm×n (K) tal que para qualquer x ∈ K n se
tem T(x) = Ax.
D EFINIÇ ÃO
A matriz A do exemplo anterior é a matriz que representa T,
ou a representação matricial de T.
Demonstração.
Seja x ∈ K n . Então
C OROL ÁRIO
T(x, y, z) = (2x + 3y − z, x − z) .
2 3 −1
A representação matricial é .
1 0 −1
I Uma forma de descobrir a representação matricial, linha a
linha: cada componente do vector T(x, y, z) é o produto
interno duma linha da matriz pelo vector (x, y, z) (estamos
habituados a raciocinar assim ao determinar a matriz dos
coeficientes de um sistema linear);
I Outra forma de a descobrir, coluna a coluna:
a primeira coluna da matriz é o vector
T(e1 ) = T(1, 0, 0) = (2, 1);
a segunda coluna é T(e2 ) = T(0, 1, 0) = (3, 0);
a terceira coluna é T(e3 ) = T(0, 0, 1) = (−1, −1);
E XEMPLO
I Não é linear a função T : R3 → R2 definida por
T(x, y, z) = (x2 + y, z) .
T(x, y, z) = (2 + x, x + y + z) .
E XEMPLO
I A transformação nula 0 : K n → K m é representada pela
matriz nula de dimensão m × n.
I A transformação identidade id : K n → K n é representada
pela matriz identidade de dimensão n × n.
I A multiplicação por escalar fixo a ∈ K é representada pela
matriz
a ··· 0
aI = ... . . . ... .
0 ··· a
D EFINIÇ ÃO
E XEMPLO
A função de derivação
D : P3 (R) → P2 (R) ,
D(p) = p0 ,
E XEMPLO
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
Vimos:
I Noção de transformação linear T : V → W:
P ROPOSIÇ ÃO
Sejam T : V → V 0 e T 0 : V 0 → V 00 transformações lineares. Então
T 0 ◦ T : V → V 00 é uma transformação linear.
P ROPOSIÇ ÃO
Sejam T : K p → K n e T 0 : K n → K m transformações lineares
representadas pelas matrizes A e B, respectivamente. Então
T 0 ◦ T é representada pela matriz BA.
Demonstração.
(T 0 ◦ T)(x) = T 0 (T(x)) = T 0 (Ax) = B(Ax) = (BA)x.
E XERC ÍCIO
Diga qual é a matriz que representa em R2 a operação que
resulta de executar uma rotação em torno da origem de um
ângulo igual a π/2 no sentido dos ponteiros do relógio seguida
de uma reflexão através do eixo y = x.
Resolução.
A matriz é o produto seguinte, com θ = −π/2:
0 1 cos θ − sen θ 0 1 0 1 −1 0
= = .
1 0 sen θ cos θ 1 0 −1 0 0 1
E XEMPLO
Do que vimos a respeito de rotações em R2 conclui-se o
seguinte, pois fazer duas rotações sucessivas de ângulos α e
β é o mesmo que fazer uma rotação de α + β :
cos α − sen α cos β − sen β
sen α cos α sen β cos β
cos(α + β ) − sen(α + β )
= .
sen(α + β ) cos(α + β )
C OROL ÁRIO
T : K n → K m é um isomorfismo se e só se m = n e a matriz A que
representa T for não-singular. Nesse caso A−1 representa T −1 .
Demonstração.
N OTA
Para o que se segue usaremos o facto de que se A for um
conjunto qualquer e W for um espaço vectorial sobre um corpo
K então W A é um espaço vectorial sobre K cujas operações
são as “habituais”: a soma de vectores é a soma de funções,
P ROPOSIÇ ÃO
Sejam V e W espaços vectoriais sobre um corpo K. O conjunto
L(V, W) das transformações lineares T : V → W é um
subespaço vectorial de W V .
Demonstração.
É simples verificar as seguintes asserções (exercı́cio):
I A função nula é uma transformação linear (já foi
mencionado).
I Se T, T 0 : V → W forem transformações lineares então
T + T 0 é linear.
I Se T : V → W for uma transformação linear e k ∈ K então
kT é linear.
1. Se A representa T : K n → K m e B representa T 0 : K n → K m
então A + B representa T + T 0 .
2. Se A representa T então kA representa kT (k ∈ K).
C OROL ÁRIO
L(K n , K m ) ∼
= Matm×n (K) .
R EVIS ÃO
D EFINIÇ ÃO
N OTA
A matriz A é a da transformação linear obtida por composição
com os isomorfismos determinados pelas bases de cada um
dos espaços:
∼
= T ∼
=
K n −→ V −→ W −→ K m .
N OTA
E XEMPLO
A função de derivação
D : P3 (R) → P2 (R) ,
D(p) = p0 ,
E XEMPLO
(Continuação.) Escolhendo como bases ordenadas em P3 (R)
e P2 (R) as bases canónicas respectivas, temos:
I D(1) = 0 é o polinómio
cujo vector de
coordenadas é (0, 0, 0);
I D(x) = 1 é o polinómio
cujo vector de Representação matricial:
coordenadas é (1, 0, 0);
0 1 0 0
I D(x2 ) = 2x é o polinómio 0 0 2 0
cujo vector de 0 0 0 3
coordenadas é (0, 2, 0);
I D(x3 ) = 3x2 é o polinónio
cujo vector de
coordenadas é (0, 0, 3).
E XEMPLO
T(x) = b
E XEMPLO
A equação diferencial do oscilador harmónico
y00 + ω 2 y = 0
T(y) = y00 + ω 2 y .
T = D2 ◦ D1 + Mω 2 ,
nuc(T) = nuc(A) ,
T(V) = col(A) .
E XEMPLO
A equação diferencial do oscilador harmónico forçado
y00 + ω 2 y = sen(ω 0 t)
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
Vimos:
nuc(T) = nuc(A) ,
T(V) = col(A) .
T(u) = 0 .
Então
T(x + x0 ) = T(x) + T(x0 ) = b + 0 = b ,
ou seja, o vector u = x + x0 é também uma solução da equação
não homogénea
T(u) = b .
P ROPOSIÇ ÃO
Somando a uma qualquer solução x da equação
T(u) = b
T(u) = 0
T(u) = b .
Então
T(y − x) = T(y) − T(x) = b − b = 0 ,
ou seja, o vector y − x é uma solução da equação homogénea
T(u) = 0 .
Resumindo:
T EOREMA
Seja T : V → W uma transformação linear e considere a
equação linear
T(u) = b .
O conjunto-solução S desta equação pode ser:
I S = 0/ (a equação é impossı́vel);
I ou S = x + nuc(T), onde x é uma qualquer das soluções da
equação.
C OROL ÁRIO
Seja T uma transformação linear. Então tem-se nuc(T) = {0}
se e só se T for uma função injectiva.
C OROL ÁRIO
Seja T uma transformação linear. Então T é um isomorfismo se
e só se T for sobrejectiva e nuc(T) = {0}.
N OTA
Seja T uma transformação linear:
I A equação linear T(u) = b é possı́vel para qualquer b ∈ W
se e só se T for uma função sobrejectiva.
I A equação linear T(u) = b é determinada para qualquer b
que a torna possı́vel se e só se T for injectiva, ou seja, se
e só se nuc(T) = 0.
I A equação linear T(u) = b é possı́vel e determinada para
qualquer valor de b se e só se T for um isomorfismo.
y00 + ω 2 y = f
T(y) = f
oscilação será
1
c= 2 2
.
ω − ωext
(Quanto mais próximas forem as frequências ω e ωext tanto
maior é a amplitude.)
E se ω 2 = ωext
2 ?
t cos ωt
y(t) = − .
2ω
A amplitude da oscilação tende para infinito quanto t → +∞.
A este fenómeno chama-se ressonância: a frequência ω é a
frequência de ressonância ou frequência natural do oscilador.
Note-se que com ω 2 = ωext2 todas as soluções da equação têm
c1 cos ωt + c2 sen ωt
|c1 | + |c2 | .
http://en.wikipedia.org/wiki/Galloping Gertie
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
Vimos, no capı́tulo sobre espaços lineares:
I Se V for um espaço vectorial sobre um corpo K com bases
ordenadas B = (v1 , . . . , vn ) e B0 = (v01 , . . . , v0n ) a matriz de
mudança de base da base B para a base B0 é a matriz
n × n cujas colunas são os vectores de coordenadas de
v01 , . . . , v0n (por esta ordem) calculadas na base B.
I Por outras palavras, se c : V → K n for o isomorfismo que a
cada vector x = c1 v1 + · · · + cn vn faz corresponder o seu
vector de coordenadas cx = (c1 , . . . , cn ) na base ordenada B
a matriz de mudança de base é
.. ..
. ··· .
S = cv0
..
.
. c 0
vn
1
.. ..
. ··· .
I Sendo c0 : V → K n o isomorfismo que a cada vector
x = c01 v01 + · · · + c0n v0n faz corresponder o vector de
coordenadas c0x = (c01 , . . . , c0n ) de x na base ordenada B0 , a
relação entre cx e c0x é dada por
Sc0x = cx .
Rc0y = cy .
cT(x) = Acx .
c0T(x) = A0 c0x .
pelo que
AS = RA0 .
Portanto demonstrámos o seguinte teorema:
T EOREMA
As representações matriciais de T (A e A0 ) estão relacionadas
pelas fórmulas de mudança de base seguintes (que são
todas equivalentes):
RA0 = AS
A0 = R−1 AS
A = RA0 S−1
C OROL ÁRIO
Se A for a representação matricial de uma transformação linear
T em relação a uma base (v1 , . . . , vn ) (considerada como base
tanto do domı́nio como do espaço de chegada), e se (v01 , . . . , v0n )
for outra base cuja matriz de mudança de base em relação à
primeira base é S, então a representação matricial de T em
relação à nova base é a matriz
A0 = S−1 AS .
I Na prática a fórmula A0 = R−1 AS não é aplicada
directamente, ou seja, para calcular A0 a partir de A, R e S
não invertemos primeiro a matriz R:
Uma vez que A0 é a matriz-solução do sistema RA0 = AS,
cuja matriz dos coeficientes é R, o mais natural e eficiente
é aplicar eliminação de Gauss–Jordan à matriz aumentada
[R | AS]:
[R | AS] → [I | R−1 AS] = [I | A0 ] .
I Para calcular A a partir de A0 , R e S também não é
necessário inverter a matriz S para aplicar directamente a
fórmula A = RA0 S−1 :
Notando que se tem ST AT = (RA0 )T aplicamos novamente
eliminação de Gauss–Jordan:
E XERC ÍCIO
Seja D : P3 (R) → P2 (R) a derivação de polinómios. Calcule a
matriz que representa D em relação à base ordenada
B = (1 + x2 , 1 − 2x, 1 + x + x2 )
Resolução.
(Continuação.) A representação matricial pedida será, neste
caso, a matriz
A0 = R−1 AS = R−1 A .
Por eliminação de Gauss–Jordan:
1 1 1 0 1 0 0
[R | A] = 0 −2 1 0 0 2 0
1 0 1 0 0 0 3
1 1 1 0 1 0 0
→ 0 −2 1 0 0 2 0
0 −1 0 0 −1 0 3
1 1 1 0 1 0 0
→ 0 −1 0 0 −1 0 3
0 −2 1 0 0 2 0
Resolução.
(Continuação.)
1 1 1 0 1 0 0
→ 0 1 0 0 1 0 −3
0 −2 1 0 0 2 0
1 1 1 0 1 0 0
→ 0 1 0 0 1 0 −3
0 0 1 0 2 2 −6
1 1 0 0 −1 −2 6
→ 0 1 0 0 1 0 −3
0 0 1 0 2 2 −6
1 0 0 0 −2 −2 9
→ 0 1 0 0 1 0 −3
0 0 1 0 2 2 −6
= [I | A0 ] .
Resolução.
(Continuação.) Logo,
0 −2 −2 9
A0 = 0 1 0 −3
0 2 2 −6
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
T :S→V
K=R S=V 2
=R
x 4/5 3/5
T(x, y) = A A=
y 3/5 −4/5
Significado geométrico de T?
Sejam v1 = (3, 1) e v2 = (−1, 3).
A reflexão através da recta de
equação y = x/3 tem
1 0
representação matricial A0 = em relação à base
0 −1
(v1 , v2 ).
A matriz
de mudança
de base (em relação à base canónica) é
3 −1
S= .
1 3
Um cálculo simples revela que se tem SA0 = AS, pelo que T é
precisamente a reflexão através da recta de equação y = x/3.
Sejam:
I V um espaço vectorial sobre o corpo K,
I S ⊂ V um subespaço,
I T : S → V uma transformação linear.
Sejam ainda x ∈ S e λ ∈ K tais que
x 6= 0 ,
T(x) = λ x .
E XEMPLO
Sejam:
I V um espaço vectorial sobre o corpo K,
I S ⊂ V um subespaço,
I T : S → V uma transformação linear,
I λ ∈ K um valor próprio de T.
Designa-se o conjunto
Eλ = {x ∈ S | T(x) = λ x}
E XEMPLO
Sejam:
I V um espaço vectorial sobre o corpo K,
I S ⊂ V um subespaço,
I T : S → V uma transformação linear,
I λ ∈ K um valor próprio de T.
O espaço próprio Eλ é um subespaço de S.
Demonstração.
Eλ = nuc(T − λ id)
D EFINIÇ ÃO
Sejam:
I V um espaço vectorial sobre o corpo K,
I S ⊂ V um subespaço,
I T : S → V uma transformação linear,
I λ ∈ K um valor próprio de T.
Designa-se o valor dim Eλ por multiplicidade geométrica de λ
(é portanto a nulidade de T − λ id) e denota-se por
mg(λ ) ou mgλ .
E XEMPLO
Vamos ver exemplos com K = R e S = V = R2 :
0 1
I reflexão através do eixo y = x.
1 0
λ =1 Eλ = L({(1, 1)}) mgλ = 1
λ = −1 Eλ = L({(−1, 1)}) mgλ = 1
3 0
I homotetia com factor de ampliação 3.
0 3
λ =3 Eλ = R2 mgλ = 2
2 0 “homotetia” com factores de ampliação
I
0 12 vertical ( 21 ) e horizontal (2) diferentes.
λ =2 Eλ = L({(1, 0)}) mgλ = 1
λ = 1/2 Eλ = L({(0, 1)}) mgλ = 1
E XEMPLO
(Continuação.)
1 0
I projecção sobre o eixo xx.
0 0
λ =1 Eλ = L({(1, 0)}) mgλ = 1
λ =0 Eλ = L({(0, 1)}) mgλ = 1
1
deslizamento, paralelo ao eixo xx, de compri-
1 2
I mento igual a metade da ordenada de cada
0 1
ponto.
λ =1 Eλ = L({(1, 0)}) mgλ = 1
E XEMPLO
(Continuação.)
0 −1 rotação de π/2 no sentido directo em torno da
I
1 0 origem.
Não tem valores próprios.
cos θ − sen θ rotação de um ângulo θ no sentido
I
sen θ cos θ directo em torno da origem.
Só tem valores próprios se θ for múltiplo de π:
Se θ = 2kπ (k ∈ Z): λ =1 mgλ = 2
Se θ = 2(k + 1)π (k ∈ Z): λ = −1 mgλ = 2
N OTA
λ = eiθ .
N OTA
Capı́tulo 24
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
T EOREMA
Sejam:
I V um espaço vectorial sobre o corpo K,
I S ⊂ V um subespaço,
I T : S → V uma transformação linear.
Então, para qualquer n ∈ N0 e quaisquer n valores próprios
(distintos) de T
λ1 , . . . , λn ,
é linearmente independente qualquer lista de vectores próprios
de T
v1 , . . . , vn
associados a λ1 , . . . , λn , respectivamente.
Em particular, todos estes vectores próprios são
necessariamente distintos uns dos outros.
Demonstração.
Demonstração.
(Continuação.)
c1 (λn+1 − λ1 ) = . . . = cn (λn+1 − λn ) = 0 .
C OROL ÁRIO
N OTA
N OTA
Em particular verificamos assim que as funções sen nt para
n ∈ N são linearmente independentes, um facto que apenas
havı́amos verificado, nas aulas sobre espaços lineares, para
alguns valores de n.
C OROL ÁRIO
N OTA
Demonstração.
n ≥ dim(Eλ1 + · · · + Eλm )
= dim(Eλ1 ⊕ · · · ⊕ Eλm )
= dim(Eλ1 ) + · · · + dim(Eλm )
= mg(λ1 ) + · · · + mg(λm ) .
Demonstração.
Ver Teorema 6.5 do livro.
E XERC ÍCIO
Interprete geometricamente as transformações lineares
T : R2 → R2 cujas representações matriciais, em relação uma
base (v1 , v2 ) fixa mas arbitrária, são as seguintes:
2 0
1.
0 1
2 0
2.
0 −1
−2 0
3.
0 1
−2 0
4.
0 −1
2 0
5.
0 0
0 0
6.
0 1
E XERC ÍCIO
Dê exemplos de transformações lineares T : R2 → R2 que não
tenham nenhuma representação diagonal.
Capı́tulo 25
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
N OTA
Portanto x ∈ K n é um vector próprio (da matriz A ∈ Matn×n (K))
associado ao valor próprio λ se e só se ambas as condições
seguintes se verificarem:
I x 6= 0,
I Ax = λ x.
D EFINIÇ ÃO
0 ··· λn
D EFINIÇ ÃO
4/5 3/5
Seja A = ∈ Mat2×2 (R).
3/5 −4/5
P ROPOSIÇ ÃO
Seja A ∈ Matn×n (K) e seja λ ∈ K um escalar qualquer.
I O conjunto Eλ = {x ∈ K n | Ax = λ x} é um subespaço de K n
que coincide com nuc(A − λ I).
I λ é um valor próprio de A se e só se A − λ I for singular.
I Os valores próprios de A são os escalares λ tais que
det(A − λ I) = 0.
D EFINIÇ ÃO
p(λ ) = det(A − λ I) é uma função polinomial de λ e designa-se
por polinómio caracterı́stico de A.
P ROPOSIÇ ÃO
Os valores próprios de A são as raı́zes do polinómio
caracterı́stico de A.
E XEMPLO
4/5 3/5
Seja A = ∈ Mat2×2 (R).
3/5 −4/5
A matriz A − λ I é
4/5 − λ 3/5
3/5 −4/5 − λ
E XEMPLO
(Continuação.)
E XERC ÍCIO
1. Calcule os valores próprios da matriz
1 5 −1
A = 0 −2 1
−4 0 3
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
C OROL ÁRIO
Para qualquer polinómio p(z) = a0 + a1 z + · · · an zn de coeficientes
complexos com n ≥ 1 existem z1 , . . . , zn ∈ C tais que
p(z) = an (z − z1 ) · · · (z − zn ) .
N OTA
P ROPOSIÇ ÃO
T EOREMA
Seja A ∈ Matn×n (K) e seja λ0 um valor próprio de A. Então
1 ≤ mgλ0 ≤ maλ0 .
Demonstração.
Demonstração.
(Continuação.)
E XERC ÍCIO
1. Calcule os valores próprios da matriz
2 1 1
A= 2 3 2
3 3 4
E XERC ÍCIO
1. Calcule os valores próprios da matriz
1 0 0
A = 0 0 −1
0 1 0
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
p(λ ) = p0 + p1 λ + p2 λ 2 + · · ·
Demonstração.
(Continuação.)
N OTA
T EOREMA
Seja A ∈ Matn×n (C) e sejam λ1 , . . . , λm ∈ C os valores próprios
de A (sem repetições).
maλ1 maλm
1. det A = λ1 · · · λm ;
(det A é igual ao produto dos valores próprios com as
respectivas repetições.)
2. tr A = maλ1 λ1 + · · · + maλm λm .
(tr A é igual à soma dos valores próprios com as
respectivas repetições.)
Demonstração.
p(λ ) = (−1)n (λ − λ1 ) · · · (λ − λn )
E XERC ÍCIO
Calcule os valores próprios da matriz
2 1 1
A= 2 3 2
0 1 2
Resolução.
λ2 λ3 = 6
λ2 + λ3 + 1 = 7 .
E XERC ÍCIO
Calcule os valores próprios da matriz
1 0 1
A= 1 1 2
1 0 3
Resolução.
Resolução.
E XERC ÍCIO
Calcule os valores próprios da matriz
3 1 1
A = 1 3 −5 .
1 1 −1
Resolução.
Resolução.
G ALOIS
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
N OTA
D EFINIÇ ÃO
(A − λ I)ui = ui−1
(A − λ I)u1 = 0 .
N OTA
u1 , . . . , uk é uma cadeia de Jordan se e só se todos os ui são
vectores próprios generalizados e ui = (A − λ I)k−i uk para cada
i ∈ {1, . . . , k}.
D EFINIÇ ÃO
u1 = (A − λ I)k−1 u,
u2 = (A − λ I)k−2 u,
..
.
uk−1 = (A − λ I)u,
uk = u
P ROPOSIÇ ÃO
Todos os vectores de uma cadeia de Jordan u1 , . . . , uk são
linearmente independentes.
Demonstração.
Por indução matemática.
Se k = 1 temos a base da indução: {u1 } é um conjunto
linearmente independente porque u1 6= 0.
Usando como hipótese de indução que a afirmação é válida
para k ∈ N vamos provar que também o é para k + 1.
Se u1 , . . . , uk+1 for uma cadeia de Jordan então u1 , . . . , uk é uma
cadeia de jordan de comprimento k, pelo que, pela hipótese de
indução, os seus vectores são linearmente independentes.
Qualquer vector v ∈ L({u1 , . . . , uk }) tem de satisfazer
(A − λ I)k v = 0 e portanto uk+1 ∈ / L ({u1 , . . . , uk }).
Portanto {u1 , . . . , uk+1 } é linearmente independente.
C OROL ÁRIO
Qualquer cadeia de Jordan
u1 , . . . , uk
u1 , . . . , uk , v1 , . . . , vl
associada a λ com l ∈ N0 .
L EMA
Sejam λ1 , . . . , λm os valores próprios de A (sem repetições) e
sejam u1 , . . . , um vectores próprios generalizados associados a
λ1 , . . . , λm , respectivamente. Então o conjunto {u1 , . . . , um } é
linearmente independente.
D EFINIÇ ÃO
A PLICAÇ ÕES
E XERC ÍCIO
1. Calcule os valores próprios da matriz
1 −1 0
A= 1 3 1
0 0 2
Capı́tulo 29
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
N OTA
z · w = z1 w1 + · · · + zn wn .
D EFINIÇ ÃO
h−, −i : V × V → C
que é:
L INEAR NA PRIMEIRA VARI ÁVEL : hαx + β y, zi = αhx, zi + β hy, zi.
H ERMITEANA : hx, yi = hy, xi.
D EFINIDA POSITIVA : Se x 6= 0 então hx, xi ∈ R+ .
O espaço V equipado com um produto interno especı́fico
designa-se por espaço Euclidiano (complexo).
A norma de um vector x ∈ V num p espaço Euclidiano V com
produto interno h−, −i é ||x|| = hx, xi.
Dois vectores x, y ∈ V são ortogonais se hx, yi = 0.
E XEMPLO
São produtos internos em espaços vectoriais complexos:
I O produto escalar hx, yi = x · y em Cn .
Matricialmente temos
x · y = xT y ,
P ROPOSIÇ ÃO
Seja ϕ : Cn × Cn → C.
ϕ(x, y) = xT Ay
para quaisquer x, y ∈ Cn .
Se existir uma tal matriz A ela é única e as suas entradas são
definidas por
aij = ϕ(ei , ej ) .
A função ϕ é Hermitiana se e só se a matriz A satisfizer a
condição
aij = aji .
D EFINIÇ ÃO
E XERC ÍCIO
Dê exemplos de matrizes Hermitianas e de matrizes
anti-Hermitianas.
A adaptação para os espaços reais Rn é evidente:
P ROPOSIÇ ÃO
Seja ϕ : Rn × Rn → R.
ϕ(x, y) = xT Ay
para quaisquer x, y ∈ Rn .
Se existir uma tal matriz A ela é única e as suas entradas são
definidas por
aij = ϕ(ei , ej ) .
A função ϕ é simétrica se e só se a matriz A for simétrica.
E XEMPLO
L EMA
E XEMPLO
Os produtos escalares de Rn e Cn são representados por
matrizes identidade.
E XERC ÍCIO
Diga, justificando, quais das seguintes matrizes são métricas
de produtos internos em R2 :
1 2
1.
2 0
1 2
2.
1 3
1 1
3.
1 3
1 2
4.
2 3
Capı́tulo 30
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
E XEMPLO
I As bases canónicas de Rn e Cn são ortonormais.
I De qualquer vector não nulo x obtém-se um vector unitário
1
||x|| x. Portanto podemos obter uma base ortonormal a
partir de qualquer base ortogonal.
E XERC ÍCIO
Dizendo que um conjunto X de vectores qualquer é ortogonal
quando quaisquer vectores distintos de X forem ortogonais,
mostre que é linearmente independente qualquer conjunto
ortogonal X tal que 0 ∈
/ X.
E XERC ÍCIO
Mostre que as funções sen nt (n ∈ N) definidas no intervalo
[0, 2π] formam um conjunto ortogonal em relação ao produto
interno Z 2π
hf , gi = f (t)g(t)dt .
0
P ROPOSIÇ ÃO
Seja V um espaço Euclidiano complexo com uma base
ortonormal (e1 , . . . , en ). Então o vector de cordenadas, nessa
base, de qualquer vector x ∈ V é
(hx, e1 i, . . . , hx, en i) .
C OROL ÁRIO
Seja V um espaço Euclidiano complexo com uma base
ortonormal (e1 , . . . , en ) e sejam x, y ∈ V. Então tem-se a seguinte
igualdade, conhecida como fórmula de Parseval:
n
hx, yi = ∑ hx, ei ihy, ei i .
i=1
N OTA
Esta fórmula mostra que o produto interno de dois vectores
num espaço complexo de dimensão n é, dada uma base
ortonormal, igual ao produto escalar dos seus vectores de
coordenadas nessa base.
N OTA
Neste momento estamos equipados para compreender textos
básicos sobre mecânica quântica e, em particular, computação
quântica.
P ROJECÇ ÕES ORTOGONAIS E ÂNGULOS
D EFINIÇ ÃO
Seja V um espaço Euclidiano (real ou complexo) e seja e um
vector unitário (ou seja, com norma 1). Dado um vector
qualquer x ∈ V, a projecção ortogonal de x sobre e é o vector
p = hx, eie .
hx, vi hx, vi
p = hx, eie = v = v.
||v||2 hv, vi
hx, yi
θ = arccos .
||x|| ||y||
T EOREMA
Em qualquer espaço Euclidiano (real ou complexo) tem-se,
para quaisquer dois vectores x e y, a desigualdade de
Cauchy–Schwarz:
Demonstração.
(Continuação.) O caso da igualdade corresponde a ter-se
||y − p||2 = 0, ou seja,
hy, xi
y=p= x,
||x||2
Demonstração.
Resolver como exercı́cio, ou consultar o livro, secção 4.2.
u1 = v1
hv2 , u1 i
u2 = v2 − u1
||u1 ||2
hv3 , u1 i hv3 , u2 i
u3 = v3 − u1 − u2
||u1 ||2 ||u2 ||2
..
.
hvn , u1 i hvn , u2 i hvn , un−1 i
un = vn − u1 − u 2 − · · · − un−1
||u1 ||2 ||u2 ||2 ||un−1 ||2
Demonstração.
A demonstração foi explicada na aula. Quem não esteve na
aula deve consultar o livro, secção 4.3.
O seguinte exercı́cio foi resolvido na aula.
E XERC ÍCIO
Dados os seguintes vectores de R3 (que formam uma base),
v1 = (1, 1, 1)
v2 = (1, 1, 0)
v3 = (1, 0, 0) ,
E XERC ÍCIO
Dados os seguintes vectores de R3 ,
v1 = (1, 0, 0)
v2 = (1, 1, 0)
v3 = (1, 1, 1) ,
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
R EVIS ÃO
P ROPOSIÇ ÃO
Seja V um espaço vectorial complexo com uma base ordenada
(v1 , . . . , vn ) e seja ϕ : V × V → C.
ϕ(x, y) = xT Ay
P ROPOSIÇ ÃO
Seja V um espaço vectorial Euclidiano de dimensão finita. Uma
base é ortonormal (resp. ortogonal) se e só se a métrica do
produto interno nessa base for a matriz identidade (resp. uma
matriz diagonal).
N OTA
Dada uma base ortonormal, o produto interno de dois vectores
é igual ao produto escalar dos respectivos vectores de
coordenadas nessa base, tal como já tı́nhamos observado na
aula anterior a propósito da fórmula de Parseval.
T EOREMA
A0 = ST AS .
Demonstração.
Seja M ∈ Matn×n (C) a métrica de um espaço Euclidiano
complexo V de dimensão n em relação a uma base (v1 , . . . , vn ).
Uma vez que qualquer espaço Euclidiano de dimensão finita
tem uma base ortonormal, seja (e1 , . . . , en ) uma base
ortonormal de V e seja S a matriz de mudança de base da
base ortonormal para a outra base.
A métrica do produto interno na base ortonormal é a identidade
e portanto a fórmula da mudança de base do teorema anterior
dá-nos M = ST S.
Demonstração.
(Continuação.)
C OROL ÁRIO
ST S = I .
D EFINIÇ ÃO
Diz-se que é unitária (resp. ortogonal) uma matriz quadrada S
tal que ST S = I (resp. ST S = I).
N OTA
D EFINIÇ ÃO
Seja A ∈ Matm×n (C). A matriz adjunta de A é a matriz
T
A∗ = A = AT .
N OTA
I M é uma métrica de um produto interno num espaço
complexo de dimensão finita se e só se existir uma matriz
não-singular S tal que M = S∗ S.
I Uma matriz quadrada S é unitária se e só se for
não-singular com S−1 = S∗ .
I Isto significa precisamente que todas as colunas de S são
vectores de norma 1 (em relação ao produto escalar de
Cn ) e ortogonais entre si.
I Uma matriz A é Hermitiana se e só se A = A∗ .
Por esta razão também se designam as matrizes
Hermitianas por auto-adjuntas.
E XERC ÍCIO
Defina um produto interno ϕ em R2 para o qual os vectores
v1 = (2, 1) e v2 = (2, −1) tenham norma igual a 1 e sejam
ortogonais.
Resolução.
e portanto tem-se
ϕ(x, y) = 18 x1 y1 + 12 x2 y2 .
Capı́tulo 32
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
D EFINIÇ ÃO
T EOREMA
Tem-se:
I P(V) = S
I P2 = P
I hPx, yi = hx, Pyi
Denotando por P⊥ a projecção ortogonal de V sobre S⊥
tem-se:
I P + P⊥ = id
I ||x||2 = ||Px||2 + ||P⊥ x||2 (fórmula de Pitágoras).
Demonstração.
Ver demonstração no livro.
T EOREMA
(Teorema de aproximação.)
= ||x − Px|| .
C OROL ÁRIO
||P⊥ (x − a)|| .
||P⊥ (b − a)|| .
A PLICAÇ ÃO — A PROXIMAÇ ÕES DE QUADRADOS
M ÍNIMOS
Ax = b
T EOREMA
AT Ax∗ = AT b .
Demonstração.
Os vectores de col(A) são da forma Ay para y ∈ Rn .
A condição p − b ∈ (col(A))⊥ é equivalente a impor, para
qualquer y ∈ Rn ,
Ay · (p − b) = 0 ,
ou seja, (Ay)T (p − b) = 0, e portanto
yT AT (p − b) = 0
para qualquer y ∈ Rn .
Isto é equivalente a ter-se AT (p − b) = 0, ou seja,
AT p = AT b .
L EMA
Seja A ∈ Matm×n (R). Então A e AT A têm a mesma
caracterı́stica.
Demonstração.
x∗ = (AT A)−1 AT b .
y = Ct + D
ou seja,
At = y
com
t1 1
t2 1
A= .
.. ..
. .
tm 1
pelo que
m ∑ ti yi − (∑ ti ) (∑ yi )
C =
m ∑ ti2 − (∑ ti )2
2 ( y )−( t )( t y )
t
∑i ∑ i ∑i ∑i i
D = .
m ∑ ti2 − (∑ ti )2
Capı́tulo 33
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
I NTRODUÇ ÃO
T EOREMA
φ (x, y) = hT(x), yi
ψ(x, y) = hx, T(y)i
são sesquilineares.
Se V tiver dimensão finita e A for a matriz que representa T em
relação a uma base ortonormal então as representações
matriciais de φ e ψ em relação a essa mesma base são
respectivamente AT e A.
Demonstração.
C OROL ÁRIO
T ∗∗ = T
(T ◦ U)∗ = U ∗ ◦ T ∗
id∗ = id .
Demonstração.
D EFINIÇ ÃO
Seja V um espaço Euclidiano (de qualquer dimensão) e S um
subespaço. Uma transformação linear T : S → V diz-se
H ERMITIANA
se hT(x), yi = hx, T(y)i para quaisquer x, y ∈ S;
A NTI -H ERMITIANA
se hT(x), yi = −hx, T(y)i para quaisquer x, y ∈ S;
U NIT ÁRIA
se hT(x), T(y)i = hx, yi para quaisquer x, y ∈ S.
C OROL ÁRIO
E XEMPLO
I As projecções ortogonais sobre subespaços de espaços
Euclidianos de dimensão finita são transformações
Hermitianas (v. aula anterior).
I As rotações de R2 em torno da origem são transformações
unitárias.
I As reflexões através de uma recta que passa pela origem
em R2 são transformações unitárias.
N OTA
A definição de transformação unitária faz sentido para
transformações lineares entre espaços Euclidianos diferentes:
D EFINIÇ ÃO
Demonstração.
Ver demonstração no livro (Teorema 6.14 — a demonstração
do livro é feita assumindo que V é um subespaço de W, mas
essa hipótese é desnecessária).
L EMA
Os valores próprios de uma transformação Hermitiana (resp.
anti-Hermitiana) T : S → V são reais (resp. imaginários puros).
Demonstração.
Demonstração.
L EMA
Seja V um espaço Euclidiano, S ⊂ V um subespaço e T : S → V
uma transformação Hermitiana, anti-Hermitiana ou unitária.
Então quaisquer vectores próprios u e v de T associados a
valores próprios distintos são ortogonais.
Demonstração.
Ver livro (Teorema 6.14).
R EPRESENTAÇ ÕES DIAGONAIS DAS TRANSFORMAÇ ÕES
H ERMITIANAS
Demonstração.
porque T(y) ∈ S.
Logo, T(x) ∈ S⊥ e concluimos T(S⊥ ) ⊂ S⊥ .
Qualquer transformação Hermitiana entre espaços de
dimensão finita tem uma representação diagonal:
T EOREMA
Demonstração.
N OTA
Se V tiver dimensão finita e T : V → V for anti-Hermitiana ou
unitária também existe uma base ortonormal de V constituı́da
por vectores próprios de T — ver o livro, Secção 6.4 (Teorema
6.16).
M ÉTRICAS E VALORES PR ÓPRIOS
T EOREMA
Uma matriz M ∈ Matn×n (C) é uma métrica (de um produto
interno num espaço Euclidiano de dimensão n) se e só se for
Hermitiana e todos os seus valores próprios forem positivos.
Demonstração.
Demonstração.
(Continuação.)
Então, se x = c1 e1 + . . . + cn en , temos
n n n n
hx, xi = ∑ ∑ ci cj hei , ej i = ∑ ci ci λi = ∑ |ci |2 λi .
i=1 j=1 i=1 i=1
E XERC ÍCIO
Mostre que uma matriz A ∈ Matn×n (C) é Hermitiana se e só se
existir uma base ortonormal de Cn constituı́da por vectores
próprios de A e todos os valores próprios de A forem reais.
E XERC ÍCIO
Mostre que uma matriz A ∈ Matn×n (C) é unitária se e só se
existir uma base ortonormal de Cn constituı́da por vectores
próprios de A e todos os valores próprios de A forem
complexos de módulo igual a 1.
Capı́tulo 34
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
B IBLIOGRAFIA
I NTRODUÇ ÃO
Demonstração.
Como vimos, uma métrica tem todos os valores próprios
positivos. Logo, o determinante, que é o produto dos valores
próprios, é positivo.
L EMA
Se A for uma métrica então são métricas todas as submatrizes
Ak que consistem nos elementos das primeiras k linhas e k
colunas:
a11 a12
A1 = [a11 ], A2 = , . . . , An = A .
a21 a22
Demonstração.
Cada uma das matrizes Ak é obviamente Hermitiana. E
também é uma métrica porque se (x1 , . . . , xk ) 6= 0 temos
x1
..
.
x1
. xk
x1 , . . . , xk Ak .. = x1 , . . . , xk , 0, . . . , 0 A
0 >0.
xk
..
.
0
C OROL ÁRIO
Se A for uma métrica então todas as submatrizes Ak têm
determinantes positivos.
L EMA
Seja A ∈ Matn×n (C) uma matriz tal que têm determinantes
positivos todas as submatrizes Ak que consistem nos
elementos das primeiras k linhas e k colunas.
Demonstração.
Explicado na aula (ver também a demonstração do caso 2 ⇒ 3
do Teorema 6.32 do livro).
L EMA
Seja A uma matriz Hermitiana de dimensão n × n. Se A puder
transformar-se, usando exclusivamente a regra da eliminação
do método da eliminação de Gauss, numa matriz triangular
superior cujas entradas da diagonal principal (os pivots) são
positivas então A é uma métrica.
Demonstração.
Demonstração.
(Continuação.)
N OTA
O critério 4 é em geral o mais fácil de aplicar.
QA (x) = xT Ax
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
U MA APLICAÇ ÃO : PESQUISA NA I NTERNET
e, por outro,
(Au) · (Au)
λ= ≥0.
u·u
0 ···
1
0 ...
0
k 1 ...
1 0 λ0 k
0 ( λM ) ...
Λ =
λM 00
0 0 0 ( λλM )k ...
.. ..
. .
000
0 ··· ( λλM )k
10 ···
0 ...
0 1 ...
k→∞
−→ 0 0 0 ...
0
0 0 0 ...
.. ..
. .
0 ··· 0
I Desde que o vector inicial x1 não seja ortogonal a EλM , os
vectores x2k+1 “convergem para EλM ” quando k → ∞.
I CONCLUSÃO: O que verificamos é que serve para o
efeito pretendido um qualquer vector próprio associado ao
maior valor próprio λM .
I Ficou demonstrada a existência de soluções para o
problema de ordenar os resultados da pesquisa e que o
problema pode resumir-se ao cálculo de valores próprios e
vectores próprios da matriz AT A.
I A forma de calcular os vectores próprios pode, mas não
tem, de basear-se no algoritmo iterativo descrito acima.
Capı́tulo 36
P ROGRAMA
1. Sistemas de equações lineares e matrizes
1.1 Sistemas
1.2 Matrizes
1.3 Determinantes
2. Espaços vectoriais (ou espaços lineares)
2.1 Espaços e subespaços
2.2 Subespaços associados a matrizes
2.3 Isomorfismos
2.4 Independência linear, bases e dimensão
2.5 Aplicações
3. Transformações lineares
3.1 Representação matricial
3.2 Equações lineares
3.3 Mudança de base
3.4 Vectores e valores próprios
4. Espaços Euclidianos
4.1 Produtos internos e métricas
4.2 Projecções e distâncias
4.3 Transformações lineares entre espaços Euclidianos
4.4 Aplicações
D EFINITION
As matrizes de spin de Pauli são:
0 1
σx =
1 0
0 −i
σy =
i 0
1 0
σz = .
0 −1