Apostila MAT-27 (Victor Elias, T-15)

lgebra Linear
Victor Gonalves Elias

5 de dezembro de 2011
SUMRIO
Sumrio
1 Introduo
1.1 Exerccios de Reviso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Espaos Vetoriais
2.1 Subespaos Vetoriais . . . . . . . . . . . . . . . .
2.1.1 Soma de Subespaos . . . . . . . . . . . .
2.2 Combinaes Lineares . . . . . . . . . . . . . . .
2.3 Espaos Vetoriais Finitamente Gerados . . . . . .
2.4 Lista de Exerccios . . . . . . . . . . . . . . . . .
2.5 Dependncia Linear . . . . . . . . . . . . . . . . .
2.5.1 Propriedades da Dependncia Linear . . .
2.6 Base de um Espao Vetorial Finitamente Gerado .
2.7 Dimenso de um Espao Vetorial . . . . . . . . .
2.7.1 Dimenso da soma de subespaos . . . . .
2.8 Coordenadas . . . . . . . . . . . . . . . . . . . . .
2.9 Mudana de Base . . . . . . . . . . . . . . . . . .
2.10 Lista de Exerccios . . . . . . . . . . . . . . . . .
3 Produto Interno
3.1 Definio e primeiras propriedades . . .
3.2 Norma e Distncia . . . . . . . . . . .
3.3 Lista de Exerccios . . . . . . . . . . .
3.4 Ortogonalidade . . . . . . . . . . . . .
3.4.1 Complemento Ortogonal . . . .
3.4.2 Teorema da Projeo . . . . . .
3.5 Produto Interno para Espaos Vetoriais
4 Transformaes Lineares
4.1 A Imagem e o Ncleo . . . . . . . . .
4.2 Isomorfismos e Automorfismos . . . .
4.3 Espao das Transformaes Lineares
4.4 Lista de Exerccios . . . . . . . . . .
4.5 Matriz de uma Transformao Linear
4.6 Espao Dual . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
Complexos
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
.
.
.
.
.
.
.
.
.
.
.
.
.
11
14
15
17
18
19
21
23
23
24
26
27
28
29
.
.
.
.
.
.
.
.
33
33
34
36
38
41
41
44
45
.
.
.
.
.
.
49
50
53
54
56
59
63
SUMRIO
4.7
4.8
4.9
4.10
4.11
Lista de Exerccios . . . . . . . . . . . . .
Isometria . . . . . . . . . . . . . . . . . .
Operadores adjuntos e auto-adjuntos . . .
Mudana de base e semelhana de matrizes
Lista de Exerccios . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
65
67
69
71
72
5 Autovalores e Autovetores
5.1 Definio e primeiras propriedades . . . . . . . . . . .
5.2 Polinmio Caracterstico . . . . . . . . . . . . . . . .
5.3 Diagonalizao de Operadores . . . . . . . . . . . . .
5.3.1 Diagonalizao de Operadores Auto-adjuntos .
5.3.2 Diagonalizao de Operadores Ortogonais . .
5.4 Lista de Exerccios . . . . . . . . . . . . . . . . . . .
5.5 Aplicaes da Diagonalizao . . . . . . . . . . . . .
5.5.1 Potncias de uma Matriz . . . . . . . . . . . .
5.5.2 Diagonalizao e Cnicas . . . . . . . . . . . .
5.5.3 Exponencial de Matrizes . . . . . . . . . . . .
5.6 Forma Cannica de Jordan . . . . . . . . . . . . . . .
5.6.1 Obteno da Forma Cannica de Jordan . . .
5.6.2 Polinmio Mnimo . . . . . . . . . . . . . . .
5.6.3 Aplicaes da Forma Cannica de Jordan . . .
5.7 Lista de Exerccios . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
77
77
79
81
84
85
87
88
88
88
90
92
94
96
97
98
6 Equaes Diferenciais Ordinrias

6.1 Classificao de Equaes Diferenciais .
6.1.1 Soluo de uma EDO . . . . . .
6.2 Primeiras Propriedades das EDOLs . .
6.3 EDOL de Primeira Ordem . . . . . . .
6.4 EDOLH de Segunda Ordem . . . . . .
6.4.1 Wronskiano e Propriedades . .
6.4.2 Mdoto de Reduo de Ordem .
6.4.3 Coeficientes Constantes . . . . .
6.5 EDOLH de Ordem n . . . . . . . . . .
6.5.1 Mtodo de Reduo de Ordem .
6.7 SEDOLH de Primeira Ordem . . . . .
6.7.1 Matriz Fundamental . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
103
103
105
105
106
107
107
109
109
111
112
112
113
117
119
121
123
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7 Respostas aos exerccios

129
7.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.2 Espaos Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
7.3 Produto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
SUMRIO
7.4
7.5
7.6
Transformaes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Equaes Diferenciais Ordinrias . . . . . . . . . . . . . . . . . . . . . . . 138
Captulo 1
Introduo
1.1
Exerccios de Reviso
Exerccio 1.1 Verificar quais das seguintes matrizes so inversveis e determinar as

inversas respectivas:
0
0
1
1

1
0 1
1 0 0 1
1 2
1 0 , C =
A=
, B= 1
1 1 1 1 .
2 2
0 1 1
0 2 0 3
Exerccio 1.2 Existe alguma matriz inversvel A tal que A2 = O (matriz nula)? Justifique.
Exerccio 1.3 Determinar x, y e z de modo que a matriz
1 0 0
0 1 1
2
2
x y
z
seja ortogonal.
Exerccio 1.4 Considere a matriz:

A=
1 2
2 1

.
Sendo X uma matriz real 2 1, quais os valores de tal que existe X no nulo que
satisfaz a
AX = X?
Exerccio 1.5 Seja A a seguinte matriz (complexa)
0 0 i
A = 0 1 0 ,
i 0 0
CAPTULO 1. INTRODUO
onde i2 = 1.
1. A uma matriz hermitiana?1
2. Obtenha A1 .
3. Calcule A2 .
4. Deduza uma expresso para A2n e A2n+1 , sendo n um natural.
5. Sabendo que, para um certo x R, exA a matriz dada pela srie (que pode se
mostrar ser convergente):
X
(xA)n
n=0
n!
= I + xA +
x2 A2 x3 A3
+
+ ...
2
3!
obtenha exA . Aqui, por conveno, A0 = I.

Exerccio 1.6 Considere {v1 , v2 , . . . , vn } um conjunto de matrizes coluna de ordem n e
seja M = [v1 v2 . . . vn ] a matriz n n cujas colunas so dadas justamente pelas
matrizes v1 , v2 , . . . , vn . Mostre que:
1. [1 v1 2 v2 . . . n vn ] = M D, onde D = diag(1 , 2 , . . . , n ) a matriz diagonal
cujos elementos so 1 , 2 , . . . , n (nesta ordem).
2. AM = [Av1
Av2
...
Avn ], onde A uma matriz n n.
Exerccio 1.7 Mostre que no existem matrizes A e B quadradas de ordem n de modo

que AB BA seja a matriz identidade.
Exerccio 1.8 Seja A uma matriz quadrada cujos elementos so funes derivveis na
varivel real t. Se A inversvel (para um certo t), ento mostre que:
dA1
dA
= A1 A1
dt
dt
Exerccio 1.9 Pode-se definir a convergncia de uma sequncia de matrizes analisando a
convergncia elemento por elemento. Da mesma forma, pode-se definir a convergncia de
uma srie de matrizes. Supondo que a srie de Neumann para uma certa matriz quadrada
A:
X
(I A)n ,
n=0
seja convergente, mostre que ela converge para A1 . Numericamente, pode-se obter uma
aproximao para a inversa da matriz truncando a srie acima.
1
Uma matriz hermitiana quando A = A , sendo A a matriz complexo-conjugada da transposta de
A.
1.1. EXERCCIOS DE REVISO
Exerccio 1.10 O trao de uma matriz quadrada P definido como a soma dos elementos
da diagonal principal de P e denotado por tr(P ).
1. Sendo A e B matrizes de ordem m n e n m, respectivamente, mostre que
tr(AB) = tr(BA) (mesmo quando as matrizes AB e BA so diferentes).
2. Sendo A e B matrizes ambas de ordem m n, mostre que tr(AB T ) = tr(AT B) =
tr(B T A) = tr(BAT ).
3. Se A, B e C so matrizes quadradas de mesma ordem, ento mostre a propriedade
cclica do trao: tr(ABC) = tr(BCA) = tr(CAB).
Exerccio 1.11 Sejam A, U , B e V matrizes reais de ordem p p, p q, q q e q p,
respectivamente. Se A e B + BV A1 U B so no singulares, mostre o teorema binomial
da inversa:
(A + U BV )1 = A1 A1 U B(B + BV A1 U B)1 BV A1 .
Exerccio 1.12 Seja A uma matriz nn que tem todos os elementos da diagonal principal
iguais a zero e os demais elementos iguais a 1. Obtenha o determinante de A.
Exerccio 1.13 Considere uma matriz A quadrada de ordem n com todos os elementos
inteiros, de tal modo que os elementos da diagonal principal de A so mpares e os demais
elementos so pares. Mostre que A inversvel.
Exerccio 1.14 Seja M uma matriz 5 5 com todos os elementos inteiros e pares.
1. possvel que o determinante de M seja igual a 120?
2. Nas condies do problema, seja M tal que det(M ) = 160. Certamente, M 1 ser
composta exclusivamente por nmeros racionais. Suponha que os nmeros racionais
estejam simplificados ao mximo. Para cada matriz M , denote por d(M ) o maior
valor do denominador que aparece na sua inversa (supondo que esta j esteja ao
mximo simplificada). De todas as matrizes M que satisfazem estas condies, qual
o maior valor de d(M )?
Exerccio 1.15 Considere M uma matriz quadrada com todos os elementos inteiros. Se
alm disso, a soma de cada linha de M igual a k, mostre que o determinante de M
um mltiplo de k.
11
Captulo 2
Espaos Vetoriais
Definio 2.1 Seja um conjunto V diferente do vazio e um corpo K (em geral R ou C),
para os quais podemos definir as operaes de adio e multiplicao por escalar.
+:V V V
(u, v) 7 u + v V
:K V V
(, u) 7 u V
Dizemos que V um espao vetorial sobre K quando, e apenas quando, as seguintes
propriedades forem satisfeitas:
1. Comutativa: u + v = v + u, u, v V
2. Associativa: u + (v + w) = (u + v) + w, u, v, w V
3. Elemento Neutro: V V tal que u + V = u, u V
4. Elemento Oposto: para cada u V , existe um elemento oposto (indicado por u)
tal que u + (u) = V
5. (u) = ()u, , K, u V
6. (u + v) = u + v, K, u, v V
7. ( + )u = u + u, , K, u V
8. O elemento unitrio do corpo 1 tal que 1 u = u, u V
Nota 2.2 Se K = R, dizemos que V um espao vetorial real, se K = C, dizemos que
V e um espao vetorial complexo.
Nota 2.3 Os elementos de um espao vetorial so chamados de vetores, e os elementos
do corpo so chamados de escalares.
Exemplo 2.4 O conjunto R, com as operaes usuais de soma e multiplicao um
espao vetorial sobre R.
12
CAPTULO 2. ESPAOS VETORIAIS
Exemplo 2.5 O conjunto dos nmeros complexos C, com as operaes usuais, um

espao vetorial sobre R. Por outro lado, C tambm um espao vetorial sobre C.
Exemplo 2.6 O espao Rn com as operaes:
(u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ) = (u1 + v1 , u2 + v2 , . . . , un + vn )
(u1 , u2 , . . . , un ) = (u1 , u2 , . . . , un )
um espao vetorial sobre R.
Prova. Para tal, basta mostrarmos que o conjunto satisfaz os oito axiomas de espao
vetorial:
1. u + v = (u1 + v1 , u2 + v2 , . . . , un + vn )
= (v1 + u1 , v2 + u2 , . . . , vn + un )
= v + u, u, v Rn
2. u + (v + w) = (u1 + (v1 + w1 ), u2 + (v2 + w2 ), . . . , un + (vn + wn ))
= ((u1 + v1 ) + w1 , (u2 + v2 ) + w2 , . . . , (un + vn ) + wn )
= (u + v) + w, u Rn
3. Existe V = (0, 0, . . . , 0), tal que
u + v = (u1 + 0, u2 + 0, . . . , un + 0)
= (u1 , u2 , . . . , un )
= u, u Rn
4. Para cada u Rn , existe um elemento oposto
u = (u1 , u2 , . . . , un )
u + (u) = (u1 + (u1 ), u2 + (u2 ), . . . , un + (un ))
= (0, 0, . . . , 0) = V
5. (u) = (u1 , u2 , . . . , un )
= (u1 , u2 , . . . , un )
= ()(u1 , u2 , . . . , un )
= ()u, , R, u Rn
6. (u + v) = (u1 + v1 , u2 + v2 , . . . , un + vn )
= (u1 + v1 , u2 + v2 , . . . , un + vn )
= u + v, R, u, v Rn
7. ( + )u = (( + )u1 , ( + )u2 , . . . , ( + )un )
= (u1 + u1 , u2 + u2 , . . . , un + un )
= u + u, , R, u Rn
8. 1 u = (1 u1 , 1 u2 , . . . , 1 un )
= (u1 , u2 , . . . , un )
= u, u Rn

13
Exemplo 2.7 O espao Cn , com operaes anlogas s do Rn no Exemplo 2.6, um
espao vetorial tanto sobre C, como sobre R.
Exemplo 2.8 O conjunto de todas as matrizes reais de ordem m n um espao vetorial
sobre R (considerando as operaes usuais). Este espao denotado por Mmn (R).
Exemplo 2.9 O conjunto de polinmios de grau menor ou igual a n, um espao vetorial
sobre R. representado por Pn (R).
Exemplo 2.10 Seja V = C[a, b] o conjunto de todas as funes contnuas f : [a, b] R,
definindo as operaes de soma e multiplicao por escalar como:
(f + g)(x) = f (x) + g(x), x [a, b]
(f )(x) = f (x), x [a, b]
V um espao vetorial sobre R.
Exemplo 2.11 O conjunto R+ no espao vetorial sobre R (com as operaes usuais).
Exemplo 2.12 O conjunto R+ , munido das operaes:
u v = uv
u = u
um espao vetorial sobre R.
Veremos agora algumas propriedades dos espaos vetoriais derivadas diretamente da
definio, mas que no podem ser enxergadas to facilmente.
Proposio 2.13 Seja um espao vetorial V sobre K, satisfazendo todos os axiomas de
espao vetorial. Ento:
1. K, V = V
2. u V, 0u = V
3. u = V = 0 u = V
4. K, u V, ()u = (u) = (u)
5. , K, u V : ( )u = u u
6. K, u, v V : (u v) = u v
7. , 1 , 2 , . . . , n K, u1 , u2 , . . . , un V : (
n
P
j=1
j uj ) =
n
P
(j )uj
j=1
8. O vetor V de V nico.
14

9. O elemento oposto, para cada u V , nico.
10. u + v = u + w v = w (lei do cancelamento)

Nota 2.14 Com a propriedade 4 da proposio anterior podemos definir a operao de
subtrao:
u v = u + (v)
2.1
Subespaos Vetoriais
Definio 2.15 Seja V um espao vetorial sobre o corpo K. Um subespao vetorial de

V um subconjunto W V , tal que:
(a) V W
(b) u, v W u + v W
(c) K, u W u W
Nota 2.16 Podemos reduzir as duas ltimas condies para apenas uma: K, u, v
W u + v W .
Exemplo 2.17 Os conjuntos {V } e o prprio V so subespaos de V . Esses so chamados de subespaos imprprios ou triviais.
Exemplo 2.18 W = {(x, y, z) R3 : x y = 0} subespao do R3 .
Prova. Basta demonstrarmos que satisfaz as 3 condies de subespao vetorial:
(a) (0, 0, 0) W , pois 0 0 = 0
x
(b) Sejam u = (u1 , u2 , u3 ) W, v = (v1 , v2 , v3 ) W

u + v = (u1 + v1 , u2 + v2 , u3 + v3 ) W, pois
u1 + v1 (u2 + v2 ) = (u1 u2 ) + (v1 v2 ) = 0
| {z } | {z }
0
pois uW
0
pois vW
(c) Seja u = (u1 , u2 , u3 ) W e seja K

Notamos que u W , pois u = (u1 , u2 , u3 ) e
u1 u2 = (u1 u2 ) = 0
| {z }
0, pois uW

Exemplo 2.19 W = {A Mn (R) : At = A} subespao de Mn (R).
2.1. SUBESPAOS VETORIAIS
15
Exemplo 2.20 A soluo de um sistema linear homogneo um subespao do Rn .
a11 x1 + a12 x2 + . . . + a1n xn = 0

..
..
..
.
.
.
a x + a x + . . . + a x = 0
m1 1
m2 2
mn n
Proposio 2.21 A interseco de dois subespaos U, W V tambm um subespao
vetorial de V.
Prova. Mais uma vez, basta demonstrar as 3 condies de subespao vetorial.
V W
(a) V U
V U W
por hip.

u, v U u + v U
(b) Sejam u, v U W
u+v U W
u, v W u + v W

u U u U
(c) Seja u U V e seja K
u U W
u W u W

Nota 2.22 Apesar da proposio anterior, a unio de subespaos nem sempre um subespao.
Z = {(x, 0) R2 : x R} subespao do R2 .
W = {(0, y) R2 : y R} subespao do R2 .
Z W no subespao.
Proposio 2.23 Se W subespao de V (espao vetorial sobre K), ento W tambm
espao vetorial sobre K.
2.1.1
Soma de Subespaos
Definio 2.24 Sejam U e W subespaos de V , definimos a soma de U com W como o

seguinte subconjunto de V : U + W = {u + w : u U, w W }
evidente que:
U +W =W +U
U + {V } = U
U U +W
W U +W
Teorema 2.25 Se U e W so subespaos de um espao vetorial V , ento U + W tambm
subespao de V .
16

Prova. Temos de demonstrar as 3 condies de subespao vetorial.
(a) V U + W pois V U e V V . Logo, V + V = V U + W .

(b) Sejam v1 , v2 dois elementos da U + W . Ento existem u1 , u2 U e w1 , w2 W tal
que:
considerando
v1 = u1 + w1 z = v1 + v2
v2 = u2 + w2
= (u1 + u2 ) + (w1 + w2 )
Logo, z U + W , ou seja v1 + v2 U + W .
(c) Seja v U + W . Nesse caso existem u U, w W tal que: v = u + w Mas
v = |{z}
u
+ |{z}
w . Assim, v U + W
U
pois U
e sub.
pois W
e sub.

Nota 2.26 Quando subespaos U e W so tais que U W = {V } ento dizemos que a
soma U + W direta e denotamos por U W .
Nota 2.27 Se U W = V dizemos que U e W so suplementares, ou que U suplementar
de W , ou que W suplementar de U .
Teorema 2.28 Sejam U, W subespaos de um espao vetorial V . Ento U W = V se,
e somente se, cada vetor v V admite uma nica decomposio v = u + w, u U e
w W.
Prova. () Tomemos u1 , u2 U e w1 , w2 W tal que u1 + w1 = u2 + w2 = v, v V .
Temos ento que u1 u2 = w2 w1 . Como a interseco entre U e V {V }, pois a
| {z }
| {z }
U
soma entre eles direta, ento u1 u2 = w2 w1 = V , i.e. u1 = u2 e w1 = w2 . Portanto,

v V , @u U e @w W tal que v = u + w.
() Se cada vetor v V admite decomposio da forma v = u + w, u U, w W ,
ento bvio que U + W = V . Vamos provar que a soma direta. Seja z U W . Note
que:
u + w = (u + z) + (w z)
| {z } | {z }
U
Da unicidade da decomposio:
u+z =u
wz =w
ou seja, U W = {V }.

z = V
2.2. COMBINAES LINEARES
2.2
17
Combinaes Lineares
Definio 2.29 Seja V um espao vetorial sobre K. Tomemos um subconjunto S =

{u1 , u2 , . . . , un } V . Indiquemos por [S] o seguinte subconjunto construdo a partir de
S: [S] = {1 u1 + 2 u2 + . . . + n un ; 1 , 2 , . . . , n K}. Temos ento que [S] um
subespao vetorial:
Prova. Temos de demonstrar as 3 condies de subespao vetorial:
(a) V = 0u1 + 0u2 + . . . + 0un [S]
(b) u, v [S] 1 , 2 , . . . n K, 1 , 2 , . . . , n K :
u = 1 u1 + 2 u2 + . . . + n un
v = 1 u1 + 2 u2 + . . . + n un
u + v = (1 + 1 ) u1 + . . . + (n + n ) un u + v [S]
| {z }
| {z }
K
(c) Seja u [S]. Ento existem 1 , 2 , . . . , n K tal que:

u = 1 u1 + . . . + n un
u = (1 ) u1 + . . . + (n ) un u [S]
K

Nota 2.30 O subespao [S] recebe o nome de subespao gerado por S, e tambm pode ser
denotado por [u1 , u2 , . . . , un ]. Diz-se tambm que u1 , u2 , . . . , un geram [S], ou ento que
so um sistema de geradores de [S].
Nota 2.31 Cada vetor u [S] dito ser uma combinao linear de u1 , u2 , . . . , un .
Nota 2.32 Por conveno, se S = , [S] = {V }.
Nota 2.33 Se S for infinito, ento definimos [S] mediante a sentena: u [S]
v1 , v2 , . . . , vn S, 1 , 2 , . . . , n K tal que u = 1 v1 + . . . + n vn .
Proposio 2.34 Seja S um subconjunto de V . Temos que S possui as seguintes propriedades:
1. S [S]
2. S1 S2 [S1 ] [S2 ]
3. [S] = [[S]]
4. [S1 S2 ] = [S1 ] + [S2 ]
Exemplo 2.35 Se V = R3 , u = (1, 1) e v = (1, 1), determinemos ento [u, v]. Note
que [u, v] = {( + , + ); , R} = R2 pois cada par (x, y) R2 se escreve como
(1, 1) + (y+x)
(1, 1).
(x, y) = (yx)
2
2
18
2.3
Espaos Vetoriais Finitamente Gerados
Definio 2.36 Dizemos que um espao vetorial V finitamente gerado se existe S V ,

S finito, tal que V = [S].
Exemplo 2.37 O espao E 3 dos vetores da geometria gerado pelo conjunto {, , k},
pois qualquer u E 3 se escreve como u = a + b

+ ck.
Exemplo 2.38 Sendo V o vetor nulo de V , ento {V } finitamente gerado, pois
{V } = [{V }].

1 0
0 0

0 1
,
,
0 0
Exemplo 2.39 M2 (R) finitamente gerado, pois o conjunto S =

0 0
0 0
,
gera M2 (R), j que qualquer matriz de M2 (R) se escreve como:
1 0
0 1

0 0
a b
1 0
0 1
0 0
=a
+b
+c
+d
c d
0 0
0 0
1 0
0 1
Exemplo 2.40 Rn finitamente gerado pois temos que um conjunto gerador :
S = {(1, 0, . . . , 0); (0, 1, . . . , 0); . . . ; (0, 0, . . . , 1)}
Exemplo 2.41 Mmn (R) finitamente gerado. De fato, considere

1, se i = k e j = `
Ak` : aij =
0,
caso contrrio
1 0 0 0
0 1 0
0 0 0 0
0 0 0
A11 = 0 0 0 0 A12 = 0 0 0
.. .. .. . .
.. .. .. . . ..
. . .
. . .
. .
.
0 0 0 0
0 0 0
as matrizes
0
0
0
..
.
Ento S = {A11 , A12 , . . . , A1n , A21 , A22 , . . . , A2n , . . . , Am1 , Am2 , . . . , Amn } um gerador
de Mmn (R).
Exemplo 2.42 Pn (R) finitamente gerado. De fato, considerando:
f0 (x) = 1
f1 (x) = x
..
..
.
.
fn (x) = xn
Temos que um polinmio qualquer de Pn (R) se escreve como:
p(x) = a0 + a1 x + a2 x2 + . . . + an xn : p = a0 fo + a1 f1 + . . . + an fn
2.4. LISTA DE EXERCCIOS
2.4
19
Lista de Exerccios
Exerccio 2.43 Para cada um dos conjuntos de operaes a seguir, diga se o conjunto
V = {(x, y) : x, y R} um espao vetorial sobre R. Caso no o seja, diga quais dos 8
axiomas no se verificam.
1. (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , 0) e a(x, y) = (ax, ay).
2. (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) e a(x, y) = (ax, 0).
3. (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) e a(x, y) = (x, ay).
4. (x1 , y1 ) + (x2 , y2 ) = (x1 , y1 ) e a(x, y) = (ax, ay).
5. (x1 , y1 ) + (x2 , y2 ) = (2x1 2y1 , x1 + y1 ) e a(x, y) = (3ay, ax).
Exerccio 2.44 Mostrar que todo espao vetorial sobre C tambm espao vetorial sobre
R.
Exerccio 2.45 Seja u = (1 + i, i), v = (1 i, 2i) e w = (2, 3 + i) vetores do espao
vetorial C2
(a) Calcular (3 + i)u iv (2 i)w;
(b) Existe z C tal que v = zu?
Exerccio 2.46 No espao vetorial P3 (R) sejam dados os vetores f (t) = t3 1, g(t) =
t2 + t 1 e h(t) = t + 2.
(a) Calcular 2f (t) + 3g(t) 4h(t);
(b) Existe k R de maneira que f (t) + kg(t) = h(t)?
(c) Existem k1 , k2 R tais que f (t) = k1 g(t) + k2 h(t)?
Exerccio 2.47 No R2 consideremos os vetores u = (1, 1), v = (3, 2) e w = (3, 2).
(a) Resolver a equao:
x+u v+x
+
= w,
2
3
na incgnita x R2 ;
(b) Resolver o seguinte sistema de equaes:
x+y+z =u
2x y + z = v
x + y 2z = w
nas incgnitas x, y, z R2 .
20
Exerccio 2.48 Quais dos seguintes conjuntos W abaixo so subespaos do R3 ?

1. W = {(x, y, z) R3 : x = 0}
2. W = {(x, y, z) R3 : x Z}
3. W = {(x, y, z) R3 : y
/ Q}
4. W = {(x, y, z) R3 : x 3z = 0}
5. W = {(x, y, z) R3 : ax + by + cz = 0, a, b, c R}
Exerccio 2.49 Quais dos conjuntos abaixo so subespaos do espao P(R) de todos os
polinmios reais?
1. W = {f (t) P(R) : f (t)tem grau maior que 2}
2. W = {f (t) P(R) : f (0) = 2f (1)}
3. W = {f (t) P(R) : f (t) > 0, t R}
4. W = {f (t) P(R) : f (t) + f 0 (t) = 0}
Exerccio 2.50 Seja I = [0, 1]. Verificar se so subespaos vetoriais de C(I):
1. {f C(I) : f (0) = 0}
2. {f C(I) :
R1
f (t)dt = 0}
3. {f C(I) : f (0) = f (1)}

4. {f C(I) : f (0) = 0 em todos os pontos de I, exceto em um nmero finito deles}
Exerccio 2.51 Mostrar que os polinmios 1 t, (1 t)2 , (1 t)3 e 1 geram P3 (R).
Exerccio 2.52 Dar um sistema de geradores para cada um dos seguintes subespaos do
R3 :
1. U = {(x, y, z) : x 2y = 0}
2. V = {(x, y, z) : x + z = 0 e x 2y = 0}
3. W = {(x, y, z) : x + 2y 3z = 0}
4. U V
5. V + W
Exerccio 2.53 Sejam U e V sub-espaos vetoriais do espao W . Provar que:
2.5. DEPENDNCIA LINEAR
21
1. U V U + V = V ;
2. U V U V = U ;
3. U + V = U U V ;
4. U V = U U V .
Exerccio 2.54 Sejam u e v dois vetores no nulos do R2 . Se no existe nenhum t R
tal que u = tv, mostrar que R2 soma direta dos subespaos [u] e [v].
Exerccio 2.55 Se U , V e W so subespaos vetoriais do mesmo espao, mostrar que
(U V ) + (U W ) U (V + W ). Descubra um exemplo para o qual o primeiro membro
dessa relao diferente do segundo e um exemplo onde ocorre igualdade.
Exerccio 2.56 Mostrar que os nmeros complexos 2 + 3i e 1 2i geram o espao vetorial
C sobre R.
Exerccio 2.57 Mostrar que geram o mesmo subespao vetorial os dois subconjuntos do
R3 : {(1, 1, 2); (2, 0, 1)} e {(1, 2, 3); (3, 3, 4)}.
Exerccio 2.58 Considere os seguintes vetores do R3 : (1, 0, 1) e (3, 4, 2). Determinar um sistema de equaes homogneas para o qual o espao soluo seja exatamente o
subespao gerado por esses vetores.
Exerccio 2.59 Mostrar que os dois conjuntos abaixo formados de funes contnuas reais
definidas em R geram o mesmo subespao vetorial de C(R):
2

sin t, cos2 t, sin t cos t e {1, sin 2t cos 2t}
2.5
Dependncia Linear
Definio 2.60 Um conjunto S = {u1 , u2 , . . . , un } contido num espao vetorial dito ser
linearmente independente se, e somente se, uma igualdade do tipo 1 u1 + 2 u2 + . . . +
n un = V com i K, admitir como nica soluo 1 = 2 = . . . = n = 0, do
contrrio, o conjunto S dito ser linearmente dependente (LD).
Nota 2.61 Por conveno, S = linearmente independente (LI).
Exemplo 2.62 O conjunto S = {(1, 1, 1); (1, 1, 1); (1, 1, 1)}
+ +
+
(1, 1, 1) + (1, 1, 1) + (1, 1, 1) = (0, 0, 0)
LI. De fato, se:
=0
=0
=0
=0
=0
=0
22
Exemplo 2.63 O conjunto S = {p0 , p1 , p2 } P2 (R) LD (em que p0 (x) = x2 , p1 (x) =

2x,
p2 (x) = 4x2 +7x). De fato p0 +p1 +p2 = V x2 +2x+4x2 +7x = 0, x R
+ 4 = 0
um SPI (e por isso admite soluo no trivial).
2 + 7 = 0
Exemplo 2.64 Seja C[0, 1] o conjunto das funes contnuas [0, 1]. Considere o subconjunto S = {ex , e2x , e3x }. S LI, pois:
ex + e2x + e3x = 0
ex ( + ex + e2x ) = 0
x
2x
+ e + e = 0, x [0, 1]
( + ex + e2x )0 = (0)0
x
2x
e + 2e = 0
===0
ex ( + 2ex ) = 0
+ 2ex = 0, x [0, 1]
x 0
0
( + 2e ) = (0)
2e = 0
= 0, x [0, 1]
Exemplo 2.65 Seja L = {(1, 2, 3); (1, 4, 9); (1, 8, 27)}. Teremos , , R tais que:
(1, 2, 3) + (1, 4, 9) + (1, 8, 27) = (0, 0, 0)
++ =0
2 + 4 + 8 = 0
3 + 9 + 27 = 0

1 1 1

Como 2 4 8 6= 0 o sistema possvel e determinado, e a nica soluo =
3 9 27
= = 0. Logo L LI.
Exemplo 2.66 Seja L = {1, sin t, cos t} C[0, 2]. Tomemos , , R tais que +
sin t + cos t = 0, t [0, 2]. Tomando alguns valores de t:
t=0
+ =0
t = /2 + = 0
===0
t=
=0
Logo, L LI.
Exemplo 2.67 Seja L = {(x + 1)ex , (x2 + 1)ex } C[0, 1]. Tomando , R tais que:
(x + 1)ex + (x2 + 1)ex = 0, x [0, 1] = 0

(x + 1) + (x2 + 1)]ex = 0
=0
2
(x + 1) + (x + 1) = 0, x [0, 1]
+ =0
o conjunto LI.
2.6. BASE DE UM ESPAO VETORIAL FINITAMENTE GERADO
23
Nota 2.68 Veja que no Exemplo 2.67, a tcnica de escolher x = 0 e x = 1 no daria

resultado.
2.5.1
Propriedades da Dependncia Linear
Proposio 2.69 Seja L = {ui V : i N, 0 < i n} um subconjunto do espao

vetorial V . Ento:
1. L = {u1 , u2 , . . . , un } {V } L LD.
2. L = {u}, u 6= V L LI.
3. L = {u1 , u2 , . . . , un } LD se, e somente se, um dos vetores combinao linear dos
demais.
4. Sejam S1 , S2 finitos, com S1 S2 . Se S1 LD, ento S2 LD.
5. Sejam S1 , S2 finitos, com S1 S2 . Se S2 LI, ento S1 LI.
6. Se {u1 , u2 , . . . , un } LI e {u1 , u2 , . . . , un , v} LD, ento v combinao linear de
u1 , u2 , . . ., un .
7. Se S = {u1 , u2 , . . . , uj , . . . , un } tal que uj [S\{uj }], ento [S] = [S\{uj }].
2.6
Base de um Espao Vetorial Finitamente Gerado
Definio 2.70 Uma base B de um espao vetorial V finitamente gerado um conjunto

B V , satisfazendo a duas propriedades:
1. V = [B]
2. B LI.
Exemplo 2.71 B = {p0 , p1 , . . . , pn }, onde pj (t) = tj base de Pn (R).
Exemplo 2.72 B = {e1 , e2 , . . . , en }, sendo ej vetores do Rn tais que a componente j 1
e as demais so zero base do Rn .
Exemplo 2.73B = {A11 , A12 , . . . , A1n , A21 , . . . , Amn } base de Mmn (R), onde Ak` =
1, se i = k e j = `
(aij )mn , aij =
.
0, caso contrrio
Nota 2.74 Todas essas bases so denominadas bases cannicas.
Nota 2.75 Convenciona-se que o vazio base de {V }.
Teorema 2.76 Todo espao vetorial finitamente gerado possui uma base.
24
Prova. O conjunto {V } possui a base . No caso de um espao vetorial diferente do

espao nulo, existe um conjunto S finito contido em V , tal que V gerado por S. Seja
S = {u1 , . . . , un }. O conjunto S possui 2n sub-conjuntos. Dentre todos os subconjuntos
LI, tomemos um que possua o maior nmero de vetores. Seja B este conjunto. Por
escolha, B LI. Provemos que B gera V :
Seja u S\B. Como B {u} LD, ento u [B]. Assim S\B [B]. Logo
V = [S] = [(S\B) B] = [S\B] + [B] [B] + [B] = [B].
V [B], mas V [B]. Logo V = [B].
A seguir, veremos um processo prtico para determinar bases do Rn .
Proposio 2.77 Seja V um subespao do Rn . Consideremos um conjunto de geradores
de V : V = [u1 , u2 , . . . , ur ]. Note que:
1. O conjunto V no se altera se trocarmos a posio de dois vetores do conjunto de
geradores.
V = [u1 , u2 , . . . , ur ]
= [u1 , . . . , ui , . . . , uj , . . . , ur ]
= [u1 , . . . , uj , . . . , ui , . . . , ur ]
2. Uma combinao linear de vetores de V no vai alterar o conjunto gerado por V.
V = [u1 , . . . , ui , . . . , uj + ui , . . . , uk ]
3. Se [u1 , u2 , . . . , ur ] est na forma escalonada, ento um conjunto LI (desde que
nenhum seja nulo).
Exemplo 2.78 Determinar uma base e a dimenso de:
U = [(1, 0, 2, 1); (1, 2, 5, 1); (4, 6, 17, 2)]
1 0 2 1
1 0 2 1
1 0 2 1
1 2 5 1 0 2 3 2 0 2 3 2
4 6 17 2
0 6 9 6
0 0 0 0
uma base de U : {(1, 0, 2, 1); (0, 2, 3, 2)}
2.7
Dimenso de um Espao Vetorial
Proposio 2.79 Todo sistema linear e homogneo cujo nmero de incgnitas maior
que o nmero de equaes admite uma soluo no trivial.
Proposio 2.80 Se um conjunto {v1 , v2 , . . . , vm } gera o espao vetorial V , ento qualquer conjunto com mais de m vetores LD.
2.7. DIMENSO DE UM ESPAO VETORIAL
25
Prova. Consideremos {u1 , u2 , . . . , un } V tal que n > m. Desde que {v1 , . . . , vm }

gera V :
u1 = 11 v1 + 12 v2 + . . . + 1m vm
u2 = 21 v1 + 22 v2 + . . . + 2m vm
..
un = n1 v1 + n2 v2 + . . . + nm vm
Consideremos o problema x1 u1 + . . . + xn un = V :
!
!
m
m
P
P
x1
1j vj + . . . + xn
nj vj = V
j=1
j=1
n
m
P
P
11 x1 + 21 x2 + . . . + n1 xn = 0
xi
ij vj = V
..
i=1
j=1
n

P P
ij xi vj = V
1m x1 + 2m x2 + . . . + nm xn = 0
j=1
i=1
Sistema homogneo com m equaes e n incgnitas. Sabendo que n > m, pela Proposio 2.79, existe soluo no trivial {u1 , u2 , . . . , un } LD.
Proposio 2.81 Se um conjunto de n vetores gera um espao vetorial V , ento qualquer
conjunto LI possui, no mximo, n vetores.
Prova. Suponha um conjunto LI de m vetores. Duas coisas podem acontecer: ou
n > m ou n m. No primeiro caso, pela Proposio 2.80, o conjunto seria LD, ento
n m.
Teorema 2.82 (Teorema da Invarincia): Se um espao vetorial V admite uma base
com n vetores, ento qualquer outra base de V tambm possui n vetores.
Prova. Sejam B = {b1 , b2 , . . . , bn } e C = {c1 , c2 , . . . , cm } duas bases de V . Como
V = [B] e C LI, ento m n. Analogamente, como V = [C] e B LI, ento n m.
Portanto, temos que n = m.
Definio 2.83 Diz-se que o espao vetorial V tem dimenso finita quando admite uma
base B com um nmero finito de vetores. Este nmero o mesmo para todas as bases de
V e chama-se dimenso do espao vetorial V : n = dim V .
Nota 2.84 Por extenso, diz-se que o espao vetorial {V } tem dimenso 0.
Teorema 2.85 Se a dimenso de V n, ento um conjunto de n vetores gera V se, e
somente se, LI.
26
Prova. Se um conjunto gera V e possui n elementos, ele no pode ser LD, pois se
fosse, haveria um vetor v que combinao linear dos demais e V = [B\{v}]. Mas B\{v}
tem n 1 elementos. Isso incompatvel com o fato de uma base ter n elementos.
Teorema 2.86 Seja V um espao vetorial de dimenso finita n. Ento:
1. Todo conjunto X de geradores de V contm uma base.
2. Todo conjunto LI {v1 , v2 , . . . , vm } V est contido numa base.
3. Todo subespao de V tem dimenso finita e menor ou igual a n.
4. Se a dimenso do subespao U V n, ento U = V .
Prova. Demonstremos cada uma das propriedades separadamente.
1. Seja Y = {v1 , . . . , vm } um conjunto que gera V . Se Y LI, ento Y uma base, e
a propriedade trivial. Se Y LD ento existe um vetor v que combinao linear
dos outros. Logo, [Y ] = [Y \{v}] = V . Se Y \{v} for LD, repetimos o processo
at acharmos Y \{v1 , . . . , vm } LI. Portanto Y Y \{v1 , . . . , vm }, que uma base,
portanto Y V : [Y ] = V Y contm uma base de V .
2. Seja Y = {v1 , . . . , vm , vm+1 , . . . , vk } um conjunto LI com o mximo nmero de elementos e contendo o conjunto de m vetores dado (k n). Todo elemento de V
uma combinao linear dos vetores de Y (pois se existir um u V que viola isto,
Y {u} LI, um absurdo). Logo V = [Y ] e Y LI Y base de V .
3. Seja U V um subespao. Seja B uma base de U .
U = [B]
B LI B tem no mximo n vetores, ou seja, dim U n.
4. Seja B uma base de U . Ento como B tem n elementos e LI V = [B]. Como
U = [B], segue que V = U .
2.7.1
Dimenso da soma de subespaos
Teorema 2.87 Se U e V so dois subespaos de um espao vetorial de dimenso finita,

ento dim(U + V ) = dim U + dim V dim(U V ).
Prova. Consideremos {w1 , . . . , wr } uma base de U V , e completemos esta base para
obter uma base de U e uma base de V :
BU = {w1 , . . . , wr } {u1 , . . . , un } base de U .
BV = {w1 , . . . , wr } {v1 , . . . , vm } base de V .
Mostraremos que B = {w1 , . . . , wr , u1 , . . . , un , v1 , . . . , vm } base de U + V .
2.8. COORDENADAS
27
B = BU BV
[B] = [BU ] + [BV ]
[B] = U + V
Alm disso, se:
1 w1 + . . . + r wr + 1 u1 + . . . + n un + 1 v1 + . . . + m vm = V
1 w1 + . . . + r wr + 1 u1 + . . . + n un = (1 v1 + . . . + m vm )
{z
} |
|
{z
}
u
u=v
Como:
u U, v V
u=v U V
u = 1 w1 + . . . + r wr = 1 w1 + . . . + r wr + 1 u1 + . . . + n un
1 = 1 , . . . , r = r
1 = 0, . . . , n = 0
= . . . = m = 0
Analogamente, chega-se a: 1
1 = . . . = r = 0
Ou seja, B LI. Assim:
dim U = n + r
dim V = m + r
dim(U V ) = r
dim(U + V ) = m + n + r
E finalmente: dim(U + V ) = dim U + dim V dim(U V )
2.8
Coordenadas
Definio 2.88 Dada uma base de um espao vetorial B = {u1 , . . . , un }, um vetor v pode
ser escrito como:
v = 1 u1 + 2 u2 + . . . + n un
Os coeficientes 1 , . . . , n so univocamente determinados, pois se v = 1 u1 + 2 u2 +
. . .+n un , ento (1 1 )u1 +(2 2 )u2 +. . .+(n n )un = V , e 1 = 1 , . . . , n f =
n .
Se impusermos uma ordem aos vetores de B (i.e., se B estiver ordenado), ento os
escalares 1 , . . . , n sero chamados de coordenadas do vetor v em relao base B.
Costuma-se representar
as coordenadas na forma matricial:
1
2
[v]B = .. dita ser a matriz de coordenadas do vetor v, com respeito base B.

.
n
Exemplo 2.89 Considere o vetor v = (1, 1, 1) R3 . Tomando a base ordenada: B =
{(1, 1, 1); (1, 1, 1); (1, 1, 1)}. Determinemos a matriz de coordenadas [v]B .
v = (1, 1, 1) + (1, 1, 1) + (1, 1, 1)
28
+ + = 1
+ =1
===1
+ =1
2.9
1
[v]B = 1
1
Mudana de Base
Definio 2.90 Consideremos duas bases ordenadas de um espao vetorial:

B = {b1 , b2 ,
11
..
. . . , bn } e C = {c1 , c2 , . . . , cn }. Podemos escrever, portanto: [c1 ]B = . , . . . , [cn ]B =
n1
1n
.. .
.
nn
A matriz MBC dada a seguir denotada matriz de mudana de base de (a base) B

para (a base) C:
11 . . . 1n
21 . . . 2n
MBC = .. . .
.
.
. ..
n1 . . . nn
[c1 ]B
[cn ]B
Teorema 2.91 Sendo [u]C a matriz de coordenadas de um vetor u na base C, e [u]B as
coordenadas desse mesmo vetor na base B, temos que [u]B = MBC [u]C .
Prova. Consideremos a matriz de coordenadas de um vetor u do espao vetorial em
relao base C:
1
1
2
2
[u]C = .. . Vamos obter [u]B = .. :

.
.
n
n
n
n
P
P
Inicialmente temos que u =
j cj e que cj =
ij bi .
j=1
Logo u =
n P
n
P
i=1
n P
n
P
j ij bi =
( ij j )bi . Ou seja, [u]B = MBC [u]C .
j=1 i=1
i=1 j=1
Teorema 2.92 Dadas as matrizes de mudana de base MBC e MCD , temos que a
matriz de mudana de base MBD dada por MBC MCD .
Prova. Consideremos agora, uma terceira base ordenada: D = {d1 , d2 , . . . , dn }. DeVictor Gonalves Elias
29
sejamos provar que: MBD = MBC MCD . Para tanto, note que:
[d1 ]B = MBC [d1 ]C
..
.
MBD
[dn ]B = MBC [dn ]C

MBD = [d1 ]B [d2 ]B . . . [dn ]B

= MBC [d1 ]C MBC [d2 ]C . . . MBC [dn ]C

= MBC [d1 ]C [d2 ]C . . . [dn ]C MBD = MBC MCD
Nota 2.93 A partir do Teorema 2.92 podemos notar que uma matriz de mudana de base
sempre inversvel, pois MBB = MBC MCB .
| {z }
inversa
Exemplo 2.94 Determinar as coordenadas de (1, 1, i) C3 em relao base ordenada

(1, 0, 0); (0, i, 0);(1, i, 1
+ i).
A matriz
1i
2
13i
2
1+i
2
Exemplo 2.95 A matriz

da base {1 + t, 1 t2 } para uma base C do mesmo
de mudana

1 2
subespao de P2 (R) :
. Podemos determinar ento a base C:
2 1
C1 (t) = 1(1 + t) + 2(1 t2 ) = 3 + t 2t2
C2 (t) = 2(1 + t) 1(1 t2 ) = 1 + 2t + t2
2.10
Lista de Exerccios
Exerccio 2.96 Diga quais dos subconjuntos abaixo do R3 so linearmente independentes.

1. {(1, 0, 0); (0, 1, 0); (0, 0, 1); (2, 3, 5)}
2. {(1, 1, 1); (1, 0, 1); (1, 0, 2)}
3. {(0, 0, 0); (1, 2, 3); (4, 1, 2)}
4. {(1, 1, 1); (1, 2, 1); (3, 2, 1)}
Exerccio 2.97 Diga quais dos subconjuntos abaixo do P4 (R) so linearmente independentes.
1. {1, x 1, x2 + 2x + 1, x2 }
2. {2x, x2 + 1, x + 1, x2 1}
3. {x(x 1), x3 , 2x3 x2 , x}
30

4. {x4 + x 1, x3 x + 1, x2 1}
Exerccio 2.98 Demonstrar que os seguintes conjuntos so LI:

1. {1, ex , e2 x} C[0, 1]
2. {1, ex , xex } C[0, 1]
3. {1, (x a), (x a)2 , . . . , (x a)n1 } Pn1 (R), onde a um nmero arbitrrio.
Exerccio 2.99 Mostrar que o subconjunto {x1 , x2 , . . . , xn } de vetores de um espao vetorial V LD se, e somente se, existe um inteiro k (1 k n) tal que xk combinao
linear dos demais vetores do conjunto.
Exerccio 2.100 Determinar m e n para que os conjuntos de vetores do R3 dados abaixo
sejam LI.
1. {(3, 5m, 1); (2, 0, 4); (1, m, 3)}
2. {(1, 3, 5); (2, m + 1, 10)}
3. {(6, 2, n); (3, m + n, m 1)}
Exerccio 2.101 Quais dos seguintes subconjuntos do C3 so LI sobre C?
1. {(i, 1, 0); (1 + i, 2, 0); (3, 1, 0)}
2. {(i, 1, 0); (0, 1, i); (0, i, i)}
3. {(i, 1, 0); (2 + i, 3i, 5 i); (2, 4 + 4i, 4 6i)}
Exerccio 2.102 Sejam 1 , . . . , n nmeros reais distintos 2 a 2. Provar que o conjunto
de funes {e1 t , . . . , en t } LI.
Exerccio 2.103 Provar que o conjunto de funes {eat cos bt, eat sin bt}, onde a e b so
nmeros reais e b 6= 0, LI.
Exerccio 2.104 Dar uma base e a dimenso do subespao W = {(x, y, z, t) R4 :
x y = y e x 3y + t = 0} do R4 .
Exerccio 2.105 Sendo W e U subespaos do R4 de dimenso 3, que dimenses pode
ter W + U se (1, 2, 1, 0), (1, 1, 0, 1), (1, 5, 2, 1) um sistema de geradores de W U ?
Exerccio 2.106 No espao vetorial R3 consideremos os seguintes subespaos:
U = {(x, y, z) : x = 0}
V = {(x, y, z) : y 2z = 0} e
W = [(1, 1, 0); (0, 0, 2)]
31
Determinar uma base e a dimenso de cada um dos seguintes subespaos: U , V , W ,

U V , V + W e U + V + W.
Exerccio 2.107 Determinar uma base e a dimenso do subespao de M3 (R) constitudo
das matrizes anti-simtricas.
Exerccio 2.108 Para que valores de a R o conjunto B = {(a, 1, 0), (1, a, 1), (0, 1, a)}
uma base de R3 ?
Exerccio 2.109 Considere o seguinte subespao vetorial de C3 :
W = [(1, 0, i), (1, 1 + i, 1 i), (1, 1 i, 1 + 3i)]
Determinar uma base desse subespao.
Exerccio 2.110 Determinar a dimenso dos seguintes subespaos de Mn (R):
(a) Subespao das matrizes simtricas;
(b) Subespao das matrizes anti-simtricas;
(c) Subespao das matrizes A tais que A = 2At ;
(d) Subespao das matrizes A = (aij ) tais que
n
P
aij = 0.
i=1
Exerccio 2.111 Determinar as coordenadas do vetor u = (4, 5, 3) R3 , em relao

s seguintes bases:
(a) cannica;
(b) {(1, 1, 1); (1, 2, 0); (3, 1, 0)};
(c) {(1, 2, 1); (0, 3, 2); (1, 1, 4)};
Exerccio 2.112 Determinar as coordenadas de 1 2i C em relao seguinte base
de C sobre R: {1 i, 1 + i}.
Exerccio 2.113 Determinar as coordenadas do polinmio t3 em relao seguinte base
de P3 (R): {1, 2 t, t2 + 1, 1 + t + t3 }.
Exerccio 2.114 A matriz de mudana de base {1 + t, 1 t2 } para uma base C ambas
do mesmo subespao de P2 (R) :

1 2
1 1
Determinar a base C.
32
Exerccio 2.115 Considere as bases B = {e1 , e2 , e3 } e C = {g1 , g2 , g3 } de R3 assim

relacionadas:
g1 = e1 e2 e3
g2 =
2e2 + 3e3
g3 = 3e1
+ e3
(a) Determinar as matrizes de mudana de base de B para C e de C para B.
(b) Se um vetor de u de R3 apresenta coordenadas 1, 2, e 3, em relao a B, quais as
coordenadas de u relativamente a C?
Exerccio 2.116 Seja B = {u1 , . . . , un } uma base do espao vetorial V e seja C =
{u1 , u1 u2 , . . . , u1 un }. Mostrar que C tambm uma base de V . Achar as matrizes
de mudana de base de B para C e de C para B.
33
Captulo 3
Produto Interno
3.1
Definio e primeiras propriedades
Definio 3.1 Consideremos V um espao vetorial sobre R. Um produto interno uma

aplicao de V V R (que obedece s condies de simetria, bilinearidade e positividade,
dadas a seguir:
1. Simetria: hu, vi = hv, ui , u, v V
2. Bilinearidade:
hu, v + wi = hu, vi + hu, wi , u, v, w V
hu, vi = hu, vi , u, v V, R
3. Positividade: hu, ui 0, u V e hu, ui = 0 u = V
Nota 3.2 Quando um espao vetorial real possui um produto interno, dizemos que ele
um espao euclidiano.
Exemplo 3.3 Um produto interno (usual) do Rn :
u = (u1 , u2 , . . . , un )
hu, vi = u1 v1 + u2 v2 + . . . + un vn
v = (v1 , v2 , . . . , vn )
No difcil verificar que esta operao satisfaz as 3 exigncias anteriores.
Exemplo 3.4 Um produto interno usual no espao C[a, b] : hf, gi =
Rb
a
f (x)g(x)dx.
Prova. As propriedades de simetria e bilinearidade so de verificao imediata. Vejamos a positividade:

Z b
f 2 (x) dx 0
hf, f i =
a
E se hf, f i = 0, ento f (x) 0. De fato, suponha que x0 [a, b] em que f 2 (x0 ) > 0.
Pelo Teorema da Conservao do Sinal, f 2 (x) > 0 numa vizinhana V de x0 .
34
CAPTULO 3. PRODUTO INTERNO
f (x)dx =
a
f (x)dx +
V
f 2 (x)dx > 0
[a,b]\V
{z
>0
{z
O que contraria nossa hiptese. Portanto, f (x) 0, e o produto interno em questo

satisfaz a condio de bilinearidade.
Proposio 3.5 Seja um produto interno do espao vetorial V , satisfazendo as 3 exigncias da Definio 3.1. Temos que:
1. hV , ui = hu, V i = 0, u V (note que V = 0u)
2. hu, vi = hu, vi , u, v V, R
hu + v, wi = hu, wi + hv, wi , u, v, w V
n

n
P
P
3.
i ui , v =
i hui , vi , ui , v V, i R
+ i=1
*i=1
n
n
P
P
j hu, vj i , u, vj V, j R
u,
j vj =
j=1
j=1
*
4.
n
P
i=1
i ui ,
n
P
+
j vj
j=1
n P
n
P
i j hui , vj i , ui , vj V, i , j R
i=1 j=1
Teorema 3.6 (Desigualdade de Cauchy-Schwarz): Para quaisquer dois vetores de

um espao euclidiano, tem-se: hu, vi2 hu, ui hv, vi e, alm disso, a igualdade vlida
se, e somente se, {u, v} LD.
Prova. Se v = V , ento a prova imediata. Se v 6= V , considerando o vetor:
w =uv
hu, vi
hv, vi
Como hw, wi 0 segue a desigualdade.
3.2
Norma e Distncia
Definio 3.7 Uma funo mede a distncia entre dois elementos de um conjunto E
quando:
1. d(x, x) = 0 e d(x, y) > 0 se x 6= y
2. d(x, y) = d(y, x)
3. d(x, y) d(x, z) + d(z, y)
Esta funo conhecida como mtrica.
3.2. NORMA E DISTNCIA
35
Nota 3.8 Um espao vetorial munido de uma mtrica chamado de espao mtrico.
Definio 3.9 H outra funo, a norma, que mede o comprimento de um vetor. A
norma uma funo que obedece :
1. kV k = 0 e kuk > 0 se u 6= V
2. kuk = || kuk
3. ku + vk kuk + kvk
Nota 3.10 possvel provar que uma norma sempre induz uma mtrica
d(u, v) = ku vk
.
p
Nota 3.11 No caso do produto interno, temos a seguinte norma: kuk = hu, ui. Nesse
caso
p tambm possvel definir a distncia entre dois vetores de V : d(u, v) = ku vk =
hu v, u vi.
Definio 3.12 Podemos definir um ngulo entre dois vetores usando o produto interno.
Da desigualdade de Cauchy-Schwarz: kuk kvk hu, vi kuk kvk . Assim, para quaisquer vetores no nulos:
hu, vi
1
1
kuk kvk
hu, vi
Sendo possvel associar um ngulo [0, ] tal que cos = kukkvk
. chamado de ngulo
entre os vetores u e v.

2 0
1 2
Exemplo 3.13 O ngulo entre as matrizes A =
e B =
conside3 0
0 3
rando o produto interno usual hA, Bi = tr(At B) = tr(AB t ) = tr(B t A) = tr(BAt ) =
n P
m
P
aij bij : arccos(1/91).
i=1 j=1
Teorema 3.14 Dois vetores u e v no nulos so LD se, e somente se, = 0 ou =

(i.e., se vale a igualdade na desigualdade de Cauchy-Schwarz).
Prova. () Como , 6= 0 tal que u + v = V , temos que v = u. Ento:
cos =
hu, vi
kukkvk
hu, ui
hu, ui
=
2 =
kukk uk
| |kuk
| |
cos = 1
= 0 ou
() Como = 0 ou = , cos = 1. Caso kuk = 0 ou kvk = 0, os dois vetores j

so LD trivialmente. Considerando ento o caso em que kuk 6= 0 e kvk 6= 0. Tomamos
u + v = V e fazemos o produto interno dos dois lados da equao por u. Assim:
36
hu, ui = hu, vi kuk2 = hu, vi , como
hu, vi
kuk =
6 0
kuk
=
kvk
kvk =
6 0
kuk kvk
| {z }
cos =1
kvk
kuk
Portanto, o problema u + v = V admite uma soluo no trivial, i.e. u e v so

LD.
3.3
Lista de Exerccios
Exerccio 3.15 Sejam u = (x1 , x2 ) e v = (y1 , y2 ) vetores genricos do R2 . Para que

valores de t R a funo hu, vi = x1 y1 + tx2 y2 um produto interno sobre o R2 ?
Exerccio 3.16 Mostrar que se hu, vi = 0, para todo vetor v, ento u = .
Exerccio
3.17 No espao V = P3 (R) consideremos o produto interno hf (t), g(t)i =
R1
f (t)g(t)dt.
0
Calcular hf (t), g(t)i, ||f (t)||, ||g(t)|| e ||f (t) + g(t)|| quando f (t) = t3 1 1 e
g(t) = t2 + 1. Repita o exerccio com f (t) = 2 e g(t) = t3 + t + 1
Exerccio 3.18 Sejam f (t) = a0 + a1 t + ... + an tn e g(t) = b0 + b1 t + ... + bn tn polinmios
quaisquer de Pn (R). A funo (f (t), g(t)) a0 b0 + a1 b1 + ... + an bn R um produto
interno no espao Pn (R)?
Exerccio 3.19 Seja V um espao vetorial euclideano. Dada uma base {e1 , ..., en } de V
definamos A = (aij ) Mn (R) por aij = hei , ej i (i, j = 1, ..., n).
1. Provar que A uma matriz simtrica.
P
P
2. Mostrar que se u = ni=1 xi ei e v = ni=1 yi ei , ento o produto escalar em V pode
ser expresso na forma matricial seguinte: hu, vi = (x1 x2 ... xn )A(y1 y2 ... yn )t .
Exerccio 3.20 Seja V um espao euclideano com produto interno hu, vi. Para que
valores de R a aplicao :
(u, v) hu, vi
tambm um produto interno sobre V ?
Exerccio 3.21 Chama-se trao de uma matriz A = (aij ) quadrada de ordem n a soma
dos termos da sua diagonal principal (tr(A) = a11 +a22 +...+ann ). Sendo V = Mmn (R),
mostre que hA, Bi = tr(AB t ) define um produto interno sobre V .
37
Exerccio 3.22 Sejam u e v dois vetores no nulos de um espao vetorial euclideano.

Sendo o ngulo de u e v, mostrar que ||u + v|| = ||u||2 + ||v||2 + 2||u||||v|| cos . (Esta
igualdade conhecida como lei dos cossenos na geometria elementar.)
Exerccio 3.23 Seja u = (x1 , x2 ) e v = (y1 , y2 ) vetores genricos do R2 e

a11 a12
M=
M2 (R)
a21 a22
Definamos hu, vi = a11 x1 y1 + a12 x1 y2 + a21 x2 y1 + a22 x2 y2 .
1. Mostrar que o produto assim definido satisfaz as duas primeiras condies da definio de produto interno: hu + v, wi = hu, wi + hv, wi e hu, vi = hu, vi.
2. Mostrar que a condio hu, vi = hv, ui , u, v R2 vlida se, e seomente se, M
uma matriz simtrica.
3. Qual matriz M que leva ao produto interno usual do R2 ?
4. Quais das seguintes matrizes define produtos internos do R2 segundo a definio de
hu, vi que foi dada acima:

2 1
1 1

1 0
1 1
,
,
.
1 0
1 1
Exerccio 3.24 Use a desigualdade de Cauchy-Schwarz no espao euclideano R3 (produto

interno usual) para mostar que, dados os nmeros reais estritamente positivos a1 , a2 ea3 ,
vale a desigualdade:

1
1
1
+
+
9
(a1 + a2 + a3 )
a1 a2 a3
Exerccio 3.25 Sendo a, b e c nmeros reiais estritamente positivos tais que a+b+c = 1,
utilize a desigualdade de Cauchy-Schwarz no R3 para provar que:

1
1
1
1
1
1 8
a
b
c
Exerccio 3.26 Encontrar a distncia de u a v e o cosseno do ngulo entre u e v nos
seguintes casos:
1. u = (1, 1, 1, 1) e v = (0, 0, 1, 1) com o produto interno usual do R4 ;
R1
2. u = 1 + t t2 e v = 3t2 com o produto interno hf (t), g(t)i = 0 f (t)g(t)dt;

1 1
0 1
3. A =
e
com o produto interno hA, Bi = tr(AB t )
0 0
1 0
38
Exerccio 3.27 Sejam u e v vetores de um espao vetorial euclideano. Prove que hu, vi =
0, se, e somente se, ||u + v|| ||u||, R.
Exerccio 3.28 Seja f : R R+ uma funo contnua e peridica. Mostre que, para
todo real, vale a desigualdade:
Z T
f (x)
dx T,
0 f (x + )
onde T o perodo da funo.
3.4
Ortogonalidade
Uma vez definido o ngulo entre vetores, imediato extender o conceito de ortogonalidade j aprendido em geometria. Dizemos, assim, que dois vetores so ortogonais quando
o ngulo entre eles /2, ou, de forma equivalente, quando hu, vi = 0.
Definio 3.29 Um conjunto de vetores S = {u1 , u2 , . . . , un } dito ser ortonormal
quando:
Todos os vetores de S tiverem norma unitria kui k = 1, i = 1, . . . , n.
Quaisquer dois vetores distintos de S forem ortogonais.
De modo compacto, isso pode
ser escrito como hui , uj i = ij , onde ij o delta de
1, i = j
Kronecker, definido como ij =
.
0, i 6= j

0
0
1
0 , 1 , 0 ortonormal, considerando-se
Exemplo 3.30 O conjunto S =
0
0
1
o produto interno usual.
Exemplo 3.31 A base cannica do Rn uma base ortonormal, considerando-se o produto
interno usual.
Trabalhar com bases ortonormais (isto , bases que so conjuntos ortonormais) facilita
muito o trabalho de decompor um vetor do espao em termos dos vetores da base.
Teorema 3.32 Todo conjunto ortonormal S = {u1 , u2 , . . . , um } LI.
Prova. 1 u1 + 2 u2 + . . . + m um = V
1 hu1 , u1 i + 2 hu2 , u1 i + . . . + m hum , u1 i = hV , u1 i
| {z } | {z }
| {z }
0
1 = 0
De forma anloga, j = 0, j = 2, . . . , m. Logo, S LI.
3.4. ORTOGONALIDADE
39
Teorema 3.33 Seja S = {u1 , u2 , . . . , um } um conjunto ortonormal. Ento para qualquer

v do EV, o vetor w = v hv, u1 i u1 hv, u2 i u2 . . . hv, um i um ortonormal a todo
vetor de [S].
Prova. hw, uj i = hv, uj i
m
P
hv, ui i hui , uj i
{z
}
i=1 |
0,i6=j
hw, uj i = hv, uj i hv, uj i = 0

*
+
m
m
P
P
Logo, fcil perceber que w,
j uj =
j hw, uj i = 0.
j=1
j=1
Teorema 3.34 (Processo de Ortonormalizao de Gram-Schmidt): Todo espao

vetorial euclidiano finitamente gerado com dimenso no nula admite uma base ortonormal.
Prova. Consiste em expor um processo de ortonormalizao de bases. Seja, pois,
B = {v1 , v2 , . . . vn } uma base do espao. Definimos u1 = kvv11 k e com isso ku1 k = 1. Seja,
w2
agora, w2 = v2 hv2 , u1 i u1 . Assim hw2 , u1 i = 0 e fazemos u2 = kw
. Com isso, {u1 , u2 }
2k
ortonormal. Tomando w3 = v3 hv3 , u1 i u1 hv3 , u2 i u2 . Temos hw3 , u1 i = hw3 , u2 i = 0
w3
. {u1 , u2 , u3 } ortonormal e o processo se repete de modo anlogo.
e fazemos u3 = kw
3k
Exemplo 3.35 Obtendo uma base ortonormal a partir de B = {(1, 1, 0); (0, 1, 0); (0, 0, 1)}.
(1,1,0)
k(1,1,0)k
1 , 1 , 0

E2 2

D

1
1
1 1
1 1
,
,
0
,
,
0
,
(0,
1,
0)
,
,
0
=
w2 = (0, 1, 0)
2 2
2
2
2
2

w2
1
1
u2 = kw2 k = 2 , 2 , 0
D

E

1 , 1 , 0 , (0, 0, 1)
1 , 1 , 0
w3 = (0, 0, 1)
2
2
2
2
D
=0
E

1 1
1 1
2 , 2 , 0 , (0, 0, 1) 2 , 2 , 0
=0
w3
w3 = (0, 0, 1) u3 = kw
= (0, 0, 1)
3k
u1 =
Assim, uma base ortonormal a partir de B ser
n

o
; 12 , 12 , 0 ; (0, 0, 1) .
1 , 1 , 0
2
2
Exemplo 3.36 Seja B uma base ortonormal. Ento qualquer vetor do espao se escreve
como v = hv, b1 i b1 + . . . + hv, bn i bn onde B = {b1 , . . . , bn }.
Prova. Como B base, qualquer vetor do espao se escreve como v = 1 b1 +. . .+n bn .
n
P
Assim, hv, bj i =
i hbi , bj i = j .
i=1
40
Teorema 3.37 A matriz de mudana de base entre duas bases ortonormais uma matriz
ortogonal.
Prova. Sejam B = {b1 , b2 , . . . , bn } e C = {c1 , c2 , . . . , cn }
Fazendo:
11 12
n
21 22
X
cj =
kj bk MBC = ..
..
...
.
.
k=1
n1 n2
E tambm:
bj =
n
X
ij ci MCB
k=1
duas bases ortonormais.
1n
2n
(3.1)
..
.
nn
11 12 1n
21 22 2n
..
..
..
..
.
.
.
.
n1 n2 nn
(3.2)
J vimos que MBC MCB = I. Por (3.1), como B ortonormal: kj = hbk , cj i. Por
(3.2), como C ortonormal: ij = hbj , ci i. Ou seja, ji = ij , portanto: MCB =
MBC t MBC 1 = MBC t , ou seja, MBC ortogonal.
Teorema 3.38 (Fatorao QR): Dada uma matriz Amn , com colunas LI, possvel
encontrar uma matriz Qmn com colunas ortonormais e uma matriz Rnn triangular
superior, inversvel, de modo que A = QR.
Exemplo 3.39 Seja a matriz A = 0

2
basta considerarmos os vetores formados
tonormalizao de Gram-Schmidt.
2 3
3 2 . Obteremos a fatorao QR. Para isso
0 1
pelas colunas de A, e aplicar o processo de or-
v1 = (0, 0, 2) u1 = (0, 0, 1) v1 = 2u1
v2 = (2, 3, 0) u2 = 213 , 313 , 0 v2 = 13u2

3
2
v3 = (3, 2, 1) u3 =
, 13 , 0 v3 = u1 + 1213 u2 +
13
2 0
1
0 213 313
13 1213
A = 0 313 213 0
5
0 0
1 0
0
13
1
0
Exemplo 3.40 A fatorao QR da matriz A =
2
2
1
0
0
3
1
4
0
3
3
18 0
A=
2 2 1
3
3
18
0
2
2
1
3
3
18
1
1
4
0
1
1
:
1
3
3 3
3 1
0 6
5 u3
13
3.4. ORTOGONALIDADE
41
3.4.1
Complemento Ortogonal
Definio 3.41 Dado um subconjunto U de um espao vetorial V munido do produto

interno, definimos seu complemento ortogonal U como o conjunto de todos os vetores de
V que so ortogonais aos vetores de U : U = {w V : hw, ui = 0, u U }.
O conjunto U um subespao vetorial, pois:
1. u U, hV , ui = 0 V U
2. u U, v1 , v2 V, R hv1 + v2 , ui = hv1 , ui + hv2 , ui = 0 v1 +
| {z }
| {z }
=0,v1 U
v2 U
=0,v2 U
Teorema 3.42 Dado um espao vetorial V euclidiano de dimenso finita e um subespao

U V , ento V = U U .
Prova. Seja B uma base de U . Se B = , a prova imediata. Caso contrrio,
tomando-se B ortonormal, tem-se que v V, w V, w = v hv, b1 i b1 . . . hv, bn i bn
tal que w um vetor normal a todo vetor u U (Teorema 3.33). Logo w U . Assim
fcil ver que v = w + hv, b1 i b1 + . . . + hv, bn i bn v = w + u V = U + U . Por
{z
}
|
U
U
U
outro lado, se v U U ento v ortogonal a si mesmo, ou seja, hv, vi = 0 v = V .

Ou seja, U U = {V } V = U U .
Exemplo 3.43 No caso em que V = R3 e U = {(x, y, 0) R3 : x, y R} temos que
U = {(0, 0, z) R3 : z R}.
3.4.2
Teorema da Projeo
Consideremos o seguinte problema: dado um vetor v pertencente a V , devemos aproximlo a um vetor u do subespao U , de forma a minimizar o erro cometido pela aproximao.
Para isso usamos o teorema da projeo, visto a seguir.
Teorema 3.44 (Teorema da Projeo): Seja v V e seja U um subespao de V . De
todos os elementos de U , aquele que minimiza kv uk2 , u U a projeo de v em U
(denotada por projU v = vU ).
Prova. Consideremos v V . Como V = U U , v pode ser escrito de forma nica
42
como v = vU + w . Sendo u um vetor qualquer do subespao U :

U
kv uk2 = hv u, v ui
= hvU u + w, vU u + wi
= hvU u, vU ui + 2 hvU u, wi + hw, wi = kvU uk2 + kwk2
|
{z
}
0, pois wU
> kwk , ou = kwk u = vU

Exemplo 3.45
R 2 (Srie de Fourier): Seja V = C[0, 2] com o produto interno definido
por hf, gi = 0 f (x)g(x) W (x) dx. Definamos nesse espao o conjunto ortonormal B =
| {z }
1
o
n
1 , sin
x , cos
x , sin
2x , cos
2x , . . . , sin
mx , cos
mx . Dada uma funo f V , obtenhamos sua
2
melhor aproximao em termos das funes de U = [B].
Seja B = {0 , 1 , . . . , 2m }. A projeo de f em U : projU f = fU = hf, 0 i 0 +
hf, 1 i 1 + . . . + hf, 2m i 2m . Definamos agora:
R 2
a0 = 1 0 f (x)dx
R 2
ak = 1 0 f (x) cos(kx)dx
R 2
bk = 1 0 f (x) sin(kx)dx
R 2
Temos ento que: hf, 0 i = 12 0 f (x)dx = a02
R 2
hf, 1 i = 1 0 f (x) sin xdx = b1

R 2
hf, 2 i = 1 0 f (x) cos xdx = a1

fU (x) =
fU (x) =
a0
2
a0
2
+ b1 sin x + a1 cos x + . . . + bm sin(mx) + am cos(mx)

m
P
+
(bk sin kx + ak cos kx)
k=1
Para m , a expresso anterior d origem srie de Fourier (alvo de estudo de

MAT-42).
Exemplo 3.46 (Mtodo dos Mnimos Quadrados): Consideremos um experimento
no qual foram realizadas N medidas Xi e Yi , i = 1, . . . , n.
12
10
10
12
3.4. ORTOGONALIDADE
43
Desejamos ajustar os pontos para uma reta, isto , desejamos obter a e b de modo que
y(x) = ax + b seja uma boa aproximao para o conjunto de pontos experimentais. Para
tanto, para cada ponto (Xi , Yi ) definimos um desvio i = Yi (aXi + b) e definimos o erro
n
n
P
P
de ajuste como E =
i 2 =
[Yi (aXi + b)]2 .
i=1 i=1

Y1
X1
1
Y2
X2
1

Definimos Y = .. , X = .. , W = .. E = kY aX bW k2 .
.
.
.
Yn
Xn
1
Caso todos os pontos estivessem alinhados, seria possvel conseguirmos E = 0, e
para
X1 1

X2 1
a
achar a e b bastaria resolvermos o sistema M

= Y , onde M = .. .. =
b
. .
Xn 1

X W .
Como os pontos no esto alinhados, precisamos minimizar E. Para isso, usando o
teorema da projeo com v = Y e u = aX + bW , basta projetar Y no subespao gerado
por {X, W }, de modo que aX + bW = proj[X,W ] Y , e assim Y aX bW [X, W ] ,
portanto:
hY aX bW, Xi = 0
hY aX bW, W i = 0
Desenvolvendo o sistema ficamos com:

a hX, Xi + b hX, W i = hX, Y i
a hX, W i + b hW, W i = hW, Y i
hX, Xi hX, W i
hX, W i hW, W i

a
b

=
hX, Y i
hW, Y i

(3.3)

A partir do sistema inicial M
mesmo caso tivssemos feito: M t M
a
b

= Y , temos que o que foi obtido em (3.3) seria o

a
= M t Y , pois temos que:
b
n
n
P
X1 1

Xi 2
1Xi
hX, Xi hX, W i
X1 Xn .. .. i=1
t
i=1
M M=
. . = P
=
n
n
P
hX, W i hW, W i
1 1
2
1Xi
1
Xn 1
i=1
i=1
n

Y1

XY
X1 Xn .. i=1 i i
hX, Y i
t
M Y =
. = P
=
n
1 1
hW, Y i
1Y
i
Yn
i=1
Para resolver essa equao mais facilmente, basta fazer a fatorao QR de M : M =

44
QR.
t
a
b
= R t Qt Y
(R Q Q R)
|{z}
I

a
t
(R R)
= (Rt Qt )Y
b

a
R
= Qt Y
b
t
Em que R uma matriz escalonada, ficando a resoluo do sistema imediata.
3.5
Produto Interno para Espaos Vetoriais Complexos
So inmeros exemplos de espaos vetoriais complexos de utilidade prtica: o uso de C3

*
*
para representar campos eletromagnticos (E e H) e o conjunto de funes complexas
na mecnica quntica so apenas alguns exemplos. Vejamos ento, como a definio de
produto interno fica estabelecida nesses casos.
Definio 3.47 Seja V um espao vetorial complexo. Um produto interno uma aplicao de V V C (que a cada par u, v V associa um nmero complexo hu, vi) que
obedece s seguintes condies:
1. Simetria hermitiana: hu, vi = hv, ui , u, v V
2. Bilinearidade: hu, v + wi = hu, vi + hu, wi , u, v, w V
hu, vi = hu, vi , u, v V, C
3. Positividade: hu, ui 0, u V
hu, ui = 0 u = V
Nota 3.48 Para produtos internos complexos, costuma-se usar a notao bra-ket hu, vi =
hu | vi. Ela muito usada para descrever estados qunticos na mecnica quntica. Leva
esse nome pois pode ser representada como o produto de duas partes diferentes:
o bra, que
o complexo conjugado da transposta da matriz coluna do vetor hu| = u1 u2 un ;

v1
v2
e o ket, que o vetor representado na forma de uma matriz coluna |vi = .. . Foi
.
vn
introduzida por Paul Dirac, e tambm conhecida como notao de Dirac.
Nota 3.49 Um espao vetorial complexo com produto interno tambm chamado de
espao hermitiano.
Nota 3.50 hu | vi = hu | vi , u, v V, C
45
Exemplo 3.51 O produto interno usual do Cn hu | vi = u1 v1 + u2 v2 + . . . + un vn ,

dado u = (u1 , u2 , . . . , un ) e v = (v1 , v2 , . . . , vn ).
Exemplo 3.52 O produto interno usual de funes contnuas f : [a, b] C :
Z
hf | gi =
f (x)g(x)dx
3.6
Lista de Exerccios
Exerccio 3.53 Considere no R2 o produto interno dado por hu, vi = x1 y1 + 2x2 y2

x1 y2 x2 y1 para todos os vetores u = (x1 , y1 ) e v = (x2 , y2 ) de R2 .
1. Determinar m a fim de que os vetores (1 + m, 2) e (3, m 1) sejam ortogonais.
2. Determinar todos os vetores do R2 ortogonais a (2, 1).
3. Determinar todos os vetores (m, m 1) de norma igual a 1.
Exerccio 3.54 Determinar todos os vetores do R2 de normas iguais a 2 que sejam ortogonais simultaneamente a (2, 1, 2) e (1, 3, 4).
Exerccio 3.55 Determinar uma base ortonormal de cada um dos seguintes sub-espaos
do R4 utilizando o porcesso de Grahm-Schmidt:
1. W = [(1, 1, 0, 0), (0, 1, 2, 0), (0, 0, 3, 4)]
2. W = [(2, 0, 0, 0), (1, 3, 3, 0), (3, 3, 3, 0)]
Exerccio 3.56 Determinar uma base ortonormal do sub-espao W de R3 dado por
W = {(x, y, z) R3 | x y = 0}.
Exerccio 3.57 Seja {g1 , ..., gn } um subconjunto
espao euclideano V cujos vetores
Pn de2 um P
n
2
so ortogonais dois a dois. Prove que || i=1 gi || =
i=1 ||gi || (teorema de Pitgoras
generalizado).
Exerccio 3.58 Em P2 (R) com produto interno definido por:
Z
hf (t), g(t)i =
f (t)g(t)dt
0
1. Ortonormalize a base {1, 1 + t, 2t2 };

2. Achar o complemento ortogonal do sub-espao W = [5, 1 + t].
46
Exerccio 3.59 Determinar um vetor unitrio do R3 que seja ortogonal a todos os vetores
do sub-espao W = [(1, 2, 1), (1, 0, 2)].
Exerccio 3.60 Determinar a projeo ortogonal do vetor (1, 1, 0, 1) R4 sobre o subespao W = {(x, y, z, t) R4 | x y z = 0 e z 2t = 0}.
Exerccio 3.61 Sejam u e v vetores linearmente independentes do R3 . Mostrar que existem dois, e apenas dois, vetores de norma igual a 1 que so ortogonais simultaneamente
a u e v.
Exerccio 3.62 Resolva Ax = b utilizando o mtodo dos mnimos quadrados:

1 0
1
A= 0 1
b = 1 .
1 1
0
Exerccio 3.63 Encontre o quarto polinmio de Legendre. Ele uma expresso cbica
5 3
x + ax2 + bx + c ortogonal a 1, x, 12 (3x2 1) no intervalo 1 x 1.
2
Exerccio 3.64 Encontre as funes f (x) mais prximas da funo g(x) = sin(2x) no
intervalo [, ], considerando:
1. f (x) = a cos x + b sin x.
2. f (x) = c + dx.
Exerccio 3.65 Expresse a matriz A como o produto de duas matrizes QR, de modo que
QT Q = I e R seja uma matriz triangular superior.
1 1 0
1. A = 1 0 1 .
0 1 1
3 1
2. A = 4 1 .
0 1
Exerccio 3.66 Prove as seguintes desigualdades:
1. Se A uma
matriz real n n formada pelas matrizes coluna u1 , u2 , . . . , un , de modo
que A = u1 u2 . . . un , ento:
| det(A)| ||u1 ||||u2 || . . . ||un ||,
sendo ||uj || =
q
uTj uj .
47
2. Se A uma matriz real n n cujos elementos so em mdulo iguais a 1, ento:

| det(A)| nn/2 .
Exerccio 3.67 Em R4 , sejam W = [(3, 2, 3, 1); (2, 0, 2, 2); (1, 1, 1, 2)] e v =
(1, 2, 2, 1). Obter a projeo ortogonal de v em W e a projeo ortogonal de v em W ,
considerando o produto interno usual.
Exerccio 3.68 Considere as operaes de adio e multiplicao por escalar usuais em
cada espao vetorial abaixo.
1. Se , C, verifique se h, i = (produto de nmeros complexos) define um
produto interno em C espao vetorial sobre o corpo C. Notao: z o complexo
conjugado de z.
2. Se (a + ib), (c + id) C, mostre que ha + ib, c + idi = ac + bd define um produto
interno em C espao vetorial sobre o corpo R.
3. Se (z1 , z2 ); (w1 , w2 ) C2 ,verifique se h(z1 , z2 ), (w1 , w2 )i = z1 w1 + z2 w2 define um
produto interno em C2 espao vetorial sobre o corpo C.
R1
Exerccio 3.69 Seja V = C[0, 1] com o produto interno hf, gi = f (t) g(t) dt. Se g(t) =
0
t e h(t) = et , determine as projees ortogonais de g e h sobre P2 (R).

R
Exerccio 3.70 Seja V = C[, ] com o produto interno hf, gi =
f (t) g(t) dt.
1. Mostre que, com relao a este produto interno, o conjunto S = {sin(t), sin(2t),
. . . , sin(kt)}, k N, ortogonal.
2. Se W = [S] e f (t) = cos(mt), m N, obtenha a projeo ortogonal de f sobre W.
Exerccio 3.71 Seja V = C[0, 2] com o produto interno hf, gi =
R2
f (t) g(t) dt.
1. Mostre que, com relao a este produto interno, o conjunto S = {u0 (x), u1 (x),
u2 (x), ...}, onde u0 (x) = 1, u2k1 (x) = sin(kx), u2k (x) = cos(kx), k N,
ortogonal.
2. Ortonormalize S2n = {u0 (x), ..., u2n (x)}.
3. Mostre que a melhor aproximao de f C[0, 2] em [S2n ] dada por:
n
X
1
a0 +
(ak cos(kx) + bk sin(kx)) ,
2
k=1
onde ak =
R2
0
f (x) cos(kx)dx e bk =
R2
f (x) sin(kx)dx .
48
Exerccio 3.72 Considere os vetores de C3 (espao vetorial sobre C):

= i1 + 3i2 3
= 1 i2 + 5i3 ,
onde {1 , 2 , 3 } uma base ortonormal de C3 .

1. Calcule h | i, h | i, h | i e h | i.
2. A partir do resultado anterior, deduza h + | + i.
Exerccio 3.73 Obtenha uma base ortonormal de C3 (espao vetorial sobre C) a partir
da base (i, i, 1 + i), (1, i, 0), (1, i, 0).
Exerccio 3.74 Sejam U e V sub-epaos vetoriais de um espao euclideano de dimenso
finita. Provar que (U V ) = U + V .
Exerccio 3.75 Considere os seguintes vetores do R3 : u = (2, 2, 2) e v = (3, 3, 1).
1. Determinar dois vetores v1 e v2 , tais que v = v1 + v2 ; v ortogonal a u e v2 = u
( R).
2. Se w = (5, 1, 1) decompor v em uma parcela W = [u, w] e uma parcela de W .
3. Determinar uma base ortonormal de W .
Exerccio 3.76 Mostrar que a matriz de mudana de base de um espao euclideano de
dimenso finita uma matriz ortogonal.
49
Captulo 4
Transformaes Lineares
O conceito de transformao linear, juntamente com o conceito de matrizes, so os mais
bsicos da lgebra Linear. As transformaes lineares, pela simplicidade e ao mesmo
tempo rijeza de suas exigncias, possuem propriedades bastante interessantes do ponto
de vista prtico.
Definio 4.1 Sejam U e V dois espaos vetoriais sobre um corpo K. Uma aplicao
T : U V dita ser uma transformao linear, quando respeitar duas condies:
1. T (u1 + u2 ) = T (u1 ) + T (u2 ), u1 , u2 U
2. T (u) = T (u), u U, K
Nota 4.2 No caso em que U = V , uma transformao linear de T : U U tambm
chamada de operador linear.
Exemplo 4.3 A transformao nula O : U V , O(u) = , u U linear.
Exemplo 4.4 O operador identidade I : U U , I(u) = u linear.
Exemplo 4.5 A transformao T : C[a, b] R, T (f ) =
Rb
a
f (x)dx linear.
Exemplo 4.6 A transformao D : Pn (R) Pn (R), Dp(x) = p0 (x) um operador

linear.
Exemplo 4.7 A transformada de Laplace L[f ](s) =
R
0
est f (t)dt linear.
Exemplo 4.8 A transformao T : R2 R, T (x, y) = x + y, e reais fixados,

linear.
Veremos a seguir algumas propriedades oriundas diretamente da definio de transformao linear, mas que no podem ser enxergadas imediatamente.
50
CAPTULO 4. TRANSFORMAES LINEARES
Proposio 4.9 Seja uma transformao linear T : U V satisfazendo as condies da

Definio 4.1, temos que:
1. T (U ) = V
2. T (u) = T (u)
3. T (u1 u2 ) = T (u1 ) T (u2 )
n

n
P
P
4. T
i ui =
i T (ui )
i=1
i=1
5. Se W subespao de U , ento T (W ) subespao de V .

Prova. As 4 primeiras proposies so consequncia direta da definio, portanto
provaremos apenas a ltima. Temos que mostrar que T (W ) subespao de V , W
subespao de U . Basta mostrar que T (W ) atende s condies de subespao vetorial:
(a) V T (W ), pois U W , e T (U ) = V
(b) Dados v1 , v2 T (W ), ento w1 , w2 W tal que T (w1 ) = v1 e T (w2 ) = v2 . Tomando
w = w1 + w2 W tem-se:
v = T (w) T (W )
v = T (w1 + w2 ) T (W )
v = v1 + v2 T (W )
4.1
A Imagem e o Ncleo
Definio 4.10 Sejam U e V dois espaos vetoriais, e seja T : U V uma transformao linear. A imagem de T definida como o conjunto Im(T ) = T (U ) = {T (u), u U }.
Definio 4.11 O ncleo da transformao linear definido como o conjunto Ker(T ) =
{u U, tal que T (u) = V }.
Nota 4.12 A palavra kernel derivada do termo cyrnel com a forma da palavra corn,
significando semente ou gro. Tal como um gro de milho, o kernel de uma transformao
linear o seu ncleo ou semente, no sentido de que ele que carrega as informaes sobre
muitas propriedades importantes da transformao linear. Isso explica porque usamos a
notao Ker(T ) para denotar o ncleo de T .
Teorema 4.13 Seja T : U V uma transformao linear. Ento:
1. O ncleo de T um subespao de U .
2. A imagem de T um subespao de V .
4.1. A IMAGEM E O NCLEO
51
Prova. Provemos cada propriedade separadamente:

1. Temos que Ker(T ) = {u U : T (u) = V }. Para mostrar que um subespao vetorial, precisamos provar que o conjunto satisfaz as condies de subespao vetorial.
(a) U Ker(T ), pois T (U ) = V .
(b) Sejam u1 , u2 Ker(T ) e K, ento:
T (u1 + u2 ) = T (u1 ) + T (u2 )
= T (u1 ) + T (u2 )
= V + V = V
Logo, u1 + u2 Ker(T )
2. Temos que U subespao vetorial dele mesmo (subespao imprprio ou trivial).
Portanto, pela Proposio 4.9, temos que T (U ) = Im(T ) subespao de V .

Exemplo 4.14 Seja S : P1 (R) R a transformao linear definida por:
Z1
S(p) =
p(t)dt
0
Um polinmio de P1 (R) tem a forma p(t) = at + b.

R1
a
2
(at + b)dt = 0
+ b = 0 a = 2b
Portanto, Ker(S) = [p(t)], sendo p(t) = 2t 1.

Teorema 4.15 (Teorema do Ncleo e da Imagem): Sejam U e V espaos vetoriais
sobre K de dimenso finita. Seja uma transformao linear: T : U V .
Ento: dim U = dim Ker(T ) + dim Im(T )
Prova. Seja B = {u1 , u2 , . . . , un } uma base de Ker(T ). Completando esta base,
possvel encontrar uma base C = {u1 , . . . , un , w1 , . . . , wm } de U . Por enquanto, temos:
dim Ker(T ) = n
dim U = n + m
Provemos que D = {T (w1 ), . . . , T (wm )} uma base de Im(T ) = {T (u) : u U }.
Seja, pois, v Im(T ). Nesse caso, u U tal que v = T (u). Escrevendo u em termos
dos vetores de C:
u = 1 u1 + . . . + n un + 1 w1 + . . . + m wm
52

Assim: v = 1 T (u1 ) + . . . + n T (un ) +1 T (w1 ) + . . . + m T (wm ).
|
{z
}
V
v = 1 T (w1 ) + . . . + m T (wm ) Im(T ) = [D]

Provemos agora que D LI.
1 T (w1 ) + . . . + m T (wm ) = V
T (1 w1 + . . . + m wm ) = V
1 w1 + . . . + m wm Ker(T )
1 w1 + . . . + m wm = 1 u1 + . . . + n un
1 u1 . . . n un + 1 w1 + . . . + m wm = V
1 = . . . = n = 0
1 = . . . = m = 0
Portanto, D LI. Assim, a dimenso da imagem de T m dim U = dim Ker(T ) +
dim Im(T ).
Nota 4.16 A dimenso do ncleo de uma TL chamada de nulidade da transformao
linear, ao passo que a dimenso da imagem de uma TL chamada de posto da transformao linear.
Teorema 4.17 Uma transformao linear injetiva se, e somente se, sua nulidade for
igual a zero.
Prova. () Considerando a transformao linear T : U V injetiva v V
existe um nico u U tal que T (u) = v. Portanto, tomando v = V , temos que @u U
tal que T (u) = V . Como T (U ) = V , temos que Ker(T ) = {U }, ou seja, a nulidade
de T zero.
() Se Ker(T ) = {U }, ento provemos que T injetiva. Sejam u1 , u2 U tal que
T (u1 ) = T (u2 ):
T (u1 ) T (u2 ) = V
T (u1 u2 ) = V
u1 u2 = U
u1 = u2
Ou seja, T injetiva.
Exemplo 4.18 Seja T : Mn (R) Mn (R) o operador linear que a cada matriz associa
a sua transposta T (A) = At . Ento:
Ker(T ) = {} e Im(T ) = Mn (R)
Prova. At = Ker(T ) = {}
Aplicando o teorema do ncleo e da imagem: dim Im(T ) = n2 , dim Mn (R) = n2 .
Assim, Im(T ) = Mn (R).
4.2. ISOMORFISMOS E AUTOMORFISMOS
53
Exemplo 4.19 Seja D : Pn (R) Pn (R) o operador de derivao Dp(t) = p0 (t). Temos
que p0 (t) = 1 Ker(D). Assim Ker(D) 6= {} D no injetiva.
Exemplo 4.20 Seja T : R2 P1 (R) dada por: T (a, b) = a + (a + b)t. T bijetiva.
Prova. De fato, analisando o Ker(T ), temos: (a, b) Ker(T ) a + (a + b)t
a = b = 0. Ker(T ) = {(0, 0)} T injetiva. Pelo teorema do ncleo e da imagem:
dim Im(T ) = 2. Como dim P1 (R) = 2 ento Im(T ) = P1 (R) T sobrejetiva. Por fim,
como T injetiva e sobrejetiva T bijetiva.
Teorema 4.21 Sejam U e V espaos vetoriais finitamente gerados de mesma dimenso, e seja T : U V uma transformao linear. Ento as seguintes afirmaes so
equivalentes:
1. T sobrejetiva.
2. T bijetiva.
3. T injetiva.
4. T transforma base de U em uma base de V .
Prova. Basta provar que 1 2 3 4 1. Na ordem:
(1 2) Hiptese: Im(T ) = V .
A partir do teorema do ncleo e da imagem: dim U = dim Ker(T ) + dim Im(T )
=dim V =dim U
dim Ker(T ) = 0 T injetiva.

(2 3) Decorrente da definio de bijeo.
(3 4) Hiptese: T injetiva Ker(T ) = {U }.
Seja B = {u1 , . . . , un } uma base de U . Provemos que C = {T (u1 ), . . . , T (un )} base
de V . Para isso, basta mostrarmos que C LI, pois temos que C tem o mesmo nmero
de vetores da dimenso de V .
1 T (u1 ) + . . . + n T (un ) = V
T (1 u1 + . . . + n un ) = V
Assim: 1 u1 +. . .+n un = U . Como B LI, segue que 1 = . . . = n = 0. Portanto,
C tambm LI.
(4 1) Seja B = {u1 , . . . , un } uma base de U .
Por hiptese, o conjunto C = {T (u1 ), . . . , T (un )} uma base de V .
Desde que Im(T ) = [C] dim Im(T ) = n e dim V = n Im(T ) = V , ou seja, T
sobrejetiva.
4.2
Isomorfismos e Automorfismos
Definio 4.22 Uma transformao linear T : U V , U e V espaos vetoriais sobre

um corpo K, um isomorfismo quando bijetiva. Quando U = V , uma transformao
linear bijetiva T : U U chamada de automorfismo.
54
Nota 4.23 Quando existe um isomorfismo entre U e V , dizemos que esses espaos so
isomorfos (notao U V ). Neste caso, podemos, atravs do isomorfismo, identificar
cada elemento de U com um nico elemento de V .
Exemplo 4.24 O operador identidade um automorfismo de U .
Exemplo 4.25 Dada uma transformao linear T : Pn (R) Rn+1 definida como:
p(t) = a0 + a1 t + . . . + an tn
T (p) = (a0 , a1 , . . . , an )
T um isomorfismo.
Prova. Ker(T ) = {}. De fato: se T (p) = (0, 0, . . . , 0) p(t) . Portanto, T
injetiva. Como dim Pn (R) = dim Rn+1 = n + 1, pelo Teorema 4.21, T tambm bijetiva
T um isomorfismo.
Teorema 4.26 Dois espaos vetoriais sobre K de dimenso finita so isomorfos se, e
somente se, tm a mesma dimenso.
Prova. () Considere dois espaos vetoriais U e V . Se so isomorfos, ento T : U
V tal que T bijetiva, ou seja, tal que injetiva (e pelo Teorema 4.17, dim Ker(T ) = 0),
e sobrejetiva (ImT = V ).
Pelo teorema do ncleo e da imagem:
dim U = dim Ker(T ) + dim Im(T ) dim U = dim V
|
{z
} | {z }
=0
=dim V
() Temos que dim U = dim V = n.

Seja B = {u1 , . . . , un } e C = {v1 , . . . , vn } bases de U e V respectivamente.
Definimos a transformao linear:
u=
n
X
i=1
i ui T (u) =
n
X
i v i
i=1
T linear.
T (B) = C, ento pelo Teorema 4.21, segue que T bijetiva.
Logo, U e V so isomorfos.
4.3
Espao das Transformaes Lineares
Definio 4.27 Sejam U e V espaos vetoriais sobre K. Definimos:

L(U, V ): o conjunto de todas as transformaes lineares T : U V
4.3. ESPAO DAS TRANSFORMAES LINEARES
55
L(U ): o conjunto de todos os operadores lineares T : U U

Definamos, agora as seguintes operaes em L(U, V )
1. Soma: F, G L(U, V ) tal que F + G : U V
(F + G)(u) = F (u) + G(u), u U
2. Multiplicao por escalar: F L(U, V ) e K, F : U V
(F )(u) = F (u), u U
Com estas definies, fcil constatar que se F e G so transformaes lineares de U
em V , ento F + G tambm uma transformao linear de U em V ; da mesma forma
F . Assim:
F, G L(U, V ) e K, ento:
(F + G) L(U, V ) e (F ) L(U, V )
Com estas operaes L(U, V ) um espao vetorial sobre K.
Definio 4.28 Sendo W um espao vetorial sobre K, F L(U, V ) e G L(V, W ),
definimos G F : U W por G F (u) = G(F (u)), u U .
Nestas condies, G F L(U, W ), pois:
1. G F (U ) = G(V ) = W
2. G F (u1 + u2 ) = G(F (u1 ) + F (u2 )) = G F (u1 ) + G F (u2 )
Ou seja, G F uma transformao linear.
Nota 4.29 Em L(U ) esto definidas as potncias:
F 0 = I, F 1 = F, F 2 = F F, . . .
Um operador idempotente quando F 2 = F .
Um operador nilpotente quando F n = , para algum n N
Exemplo 4.30 Sejam F : R2 R2 e G : R2 R dados por:
F (x, y) = (x + y, x y)
G(x, y) = x + y
G F (x, y) = x + y + x y = 2x
, x+y
) idempotente, pois temos que
Exemplo 4.31 F : R2 R2 , F (x, y) = ( xy
2
2
F 2 (x, y) = F F (x, y) = (
xy
x+y
2
2
xy
+ x+y
2
2
) = ( xy
, x+y
).
2
2
Exemplo 4.32 O operador de derivao D : Pn (R) Pn (R) nilpotente, pois sabemos

que Dn+1 (p(t)) = 0.
56
4.4
Lista de Exerccios
Exerccio 4.33 Quais das seguintes aplicaes de R3 em R3 so operadores lineares?

1. F1 (x, y, z) = (x y, x + y, 0);
2. F2 (x, y, z) = (2x y + z, 0, 0);
3. F3 (x, y, z) = (x, x, x);
4. F4 (x, y, z) = (2x2 + 3y, x, z);
Exerccio 4.34 Seja F : R3 R3 o operador linear assim definido na base cannica:
F (1, 0, 0) = (2, 3, 1), F (0, 1, 0) = (5, 2, 7) e F (0, 0, 1) = (2, 0, 7).
1. Determinar F (x, y, z), em que (x, y, z) um vetor genrico do R3 .
2. Mostrar que F um operador linear.
Exerccio 4.35 Consideremos o espao vetorial C sobre R e seja F : C C tal que
F (z) = z , z C. Mostre que F um operador linear. Se estivssemos considerado o
espao vetorial C sobre C, seria F ainda um operador linear?
Exerccio 4.36 Verifique se so operadores lineares no espao Pn (R):
1. F : Pn (R) Pn (R) tal que F (f ) = tf 0 (t), f (t) Pn (R).
2. F : Pn (R) Pn (R) tal que F (f ) = f 0 (t) + t2 f 00 (t), f (t) Pn (R).
Exerccio 4.37 Existe um operador linear F : R3 R3 tal que F (1, 1, 1) = (1, 2, 3),
F (1, 2, 3) = (1, 4, 9) e F (2, 3, 4) = (1, 8, 27)? Justifique a sua resposta.
Exerccio 4.38 Seja u = (x, y, z, t) um vetor genrico do R4 . Quais das aplicaes
definidas abaixo so operadores lineares do R4 .
1. F (u) = u + (1, 0, 1, 0);
2. F (u) = (1, 0, 1, 1);
3. F (u) = (x, y z, y + z, x + t);
4. F (u) = (cos x, y, z, t);
Exerccio 4.39 Seja F : U V uma transformao linear com a seguinte propriedade:
se {u1 , ..., un } uma base de U , ento {F (u1 ), ..., F (un )} linearmente independente em
V . Provar que F injetora.
Exerccio 4.40 Para cada uma das transformaes lineares abaixo determinar uma base
e a dimenso do ncleo e da imagem.
57
1. F : R3 R dada por F (x, y, z) = x + y z.

2. F : R2 R2 dada por F (x, y) = (2x, x + y).
3. F : R3 R4 definida por F (x, y, z) = (x y z, x + y + z, 2x y z, y).
4. F : P2 (R) P2 (R) dada por F (f (t)) = t2 f 00 (t).
5. F : M2 (R) M2 (R) dada por F (X) = X + M X, em que

1 1
M=
0 0
6. F : M2 (R) M2 (R) definida por F (X) = M X XM , em que

1 2
M=
0 1
Exerccio 4.41 Determinar um operador linear F : R3 R3 cuja imagem gerada por
(2, 1, 1) e (1, 1, 2).
Exerccio 4.42 Considere o operador linear F do R3 definido por F (1, 0, 0) = (1, 1, 1),
F (0, 1, 0) = (1, 0, 1) e F (0, 1, 2) = (0, 0, 4). F inversvel? Se for, determine o isomorfismo inverso.
Exerccio 4.43 Sejam u, v R2 vetores tais que {u, v} uma base de R2 . Sendo F
transformao linear, mostrar que uma das seguintes alternativas se verifica:
1. {F (u), F (v)} LI;
2. dim Im(F ) = 1;
3. Im(F ) = o.
Exerccio 4.44 Consideremos uma transformao linear F : U V . Se dim U >
dim V , prove que existe um vetor no nulo u0 U tal que F (u0 ) = o(vetor nulo de V ).
(Ou seja, F no injetora).
Exerccio 4.45 Sendo F, G, H L(R2 ) definidos por F (x, y) = (x, 2y), G(x, y) = (y, x +
y) e H(x, y) = (0, x), determinar F +G, F G, G(H +F ), GF, H F, F H, H F G
e G F H.
Exerccio 4.46 Sejam F, G L(R3 ) assim definidos:
F (x, y, z) = (x + y, z + y, z) e G(x, y, z) = (x + 2y, y z, x + 2z)
Determinar:
58

1. F G;
2. Ker(F G) e Im(F G);
3. Uma base e a dimenso de Ker(F 2 G).
Exerccio 4.47 Sejam F L(R2 , R3 ) e G L(R3 , R2 ) assim definidas:

F (x, y) = (0, x, x y) e G(x, y, z) = (x y, x + 2y + 3z)
Determinar F G F .
Exerccio 4.48 Seja F L(R2 ) dado por F (x, y) = (y, x). Determinar F n (x, y), sendo
n 1 um nmero inteiro. Mesmo exerccio com G L(R2 ) dada por G(x, y) = (x, 0).
Exerccio 4.49 Mostre que os operadores F, G, H L(R2 ) dados por F (x, y) = (x, 2y) ,
G(x, y) = (y, x + y) e H(x, y) = (0, x) formam um conjunto LI em L(R2 ).
Exerccio 4.50 Sejam F e G dois operadores lineares de um espao vetorial V . Mostre
que Ker(G) Ker(F G). D um exemplo no qual vale a igualdade.
Exerccio 4.51 Mostrar que um operador F L(V ) idempotente se, e somente se,
I F idempotente.
Exerccio 4.52 Seja F L(R4 ) dado por F (x, y, z, t) = (0, x, y + 2x, z + 2y + 3x).
Mostrar que:
1. F 4 = 0;
2. I F um automorfismo do R4 e I + F + F 2 + F 3 = (I F )1
Exerccio 4.53 Seja C o espao vetorial dos nmeros complexos sobre R. Consideremos
F, G L(C) assim definidas:
!
2
2
F (z) =
+i
z e G(z) = iz, z C
2
2
Calcular:
1. F 2 ;
2. F 4 ;
3. G2 ;
4. F 2 ;
5. F G;
6. (F G) (F G);
4.5. MATRIZ DE UMA TRANSFORMAO LINEAR
4.5
59
Matriz de uma Transformao Linear
Definio 4.54 Sejam U e V espaos vetoriais sobre K com dim U = n e dim V = m,

e seja T L(U, V ). Consideramos B = {u1 , u2 , . . . , un } e C = {v1 , v2 , . . . , vm } bases de
U e V respectivamente. Como T (u) V , ento para qualquer u U , sempre possvel
escrever T (u) como combinao linear de v1 , v2 , . . . , vm , assim:
T (u1 ) = 11 v1 +21 v2 + . . . +m1 vm
T (u2 ) = 12 v1 +22 v2 + . . . +m2 vm
..
..
..
..
...
.
.
.
.
T (un ) = 1n v1 +2n v2 + . . . +mn vm

Assim, dada uma transformao linear e bases B e C, definimos a matriz dessa transformao em relao s bases B e C como a seguinte matriz:
11
12
1n
21
22
2n
[T ]CB = ..
..
..
..
.
.
.
.
m1
m2 mn
[T (u1 )]C [T (u2 )]C

[T (un )]C
Nota 4.55 Em se tratando de um operador linear quando U = V e B = C, denotamos
[T ]BB = [T ]B .
Proposio 4.56 Se [u]B a matriz de coordenadas de um vetor u U na base B, ento
[T (u)]C = [T ]CB [u]B .
mn
n1
Prova. De fato, se u = 1 u1 +. . .+n un , ento T (u) = 1 T (u1 )+. . .+n T (un ). Como:
!
!
m
n
m
m
n
X
X
X
X
X
T (uj ) =
ij vi T (u) =
j
ij vi =
ij j vi
i=1
j=1
i=1
i=1
j=1
12
12
..
.
..
.
1n
1n
..
.
m1 m2
mn
Ento:
[T (u)]C =
11 1 + 12 2 + . . . + 1n n
21 1 + 22 2 + . . . + 2n n
..
.
m1 1 + m2 2 + . . . + mn n
11
11
..
.
1
2
..
.
Portanto [T (u)]C = [T ]CB [u]B .
60
Nota 4.57 Essa propriedade revela algo bastante surpreendente, pois nos permite trabalhar com matrizes em vez de trabalhar com vetores. De fato, o esquema seguinte explicita
essa ideia:
u T (u)
[u]B [T (u)]C = [T ]CB [u]B

Com isso, vemos que a ao do operador semelhante a uma multiplicao de matrizes.
Esse fato ser melhor explorado no restante deste captulo.
Teorema 4.58 Sejam U , V , W espaos vetoriais de dimenso finita, com bases B, C,
D respectivamente. Sejam T : U V e S : V W transformaes lineares, ento
[S T ]DB = [S]DC [T ]CB .
Prova.
T
U V W
B
ST
Sejam [T ]CB = (ij )mn e [S]DC = (ij )pm . Definamos as bases B = {u1 , u2 , . . . , un },
m
P
C = {v1 , v2 , . . . , vm } e D = {w1 , w2 , . . . , wp }. Assim, T (uj ) =
kj vk e S(vk ) =
p
P
k=1
ik wi . E ento:
i=1

S T (uj ) = S(T (uj )) = S
n
P
k=1
p
P
kj
ik wi
k=1 i=1

p
n
P
P
ik kj wi
S T (uj ) =
n
P
i=1

kj vk
n
P
kj S(vk )
k=1
k=1
Portanto, [S T ]DB = [S]DC [T ]CB , pois [S]DC [T ]CB = (aij )pn onde aij =
n
P
ik kj .
k=1
Definio 4.59 Uma transformao linear T : U V inversvel se existe uma transformao linear T 0 : V U tal que T 0 T = IU e T T 0 = IV . Nesse caso, T 0 uma
inversa de T .
Nota 4.60 A necessidade de T 0 ser linear poderia ser omitida desta definio. De fato,
pode-se provar que se T 0 uma aplicao qualquer de V em U tal que T 0 T = IU e
T T 0 = IV , ento T 0 forosamente linear.
Nota 4.61 Se T 0 uma inversa de T , ento T tambm uma inversa de T 0 . Portanto
T 0 tambm inversvel.
4.5. MATRIZ DE UMA TRANSFORMAO LINEAR
61
Teorema 4.62 Se T uma transformao linear inversvel, ento sua inversa nica.
Prova. Basta pensar na transformao linear T como uma matriz. Assim, cada matriz
admite apenas uma inversa, logo T tambm s admite uma inversa.
Teorema 4.63 Uma transformao linear inversvel se e somente se for injetiva e
sobrejetiva.
Prova. Exerccio.
Teorema 4.64 Seja T : U V uma transformao linear entre espaos vetoriais n
dimensionais. E sejam B e C bases de U e V respectivamente. Ento T inversvel se,
e somente se, a matriz [T ]CB for inversvel. Nesse caso, ([T ]CB )1 = [T 1 ]BC .
Prova. () Se T inversvel, ento h T 1 : V U tal que T 1 T = IU . Logo
[IU ]BB = [T 1 ]BC [T ]CB I = [T 1 ]BC [T ]CB . Isso mostra que [T ]CB inversvel
e [T 1 ]BC = ([T ]BC )1 .
() Como [T ]CB inversvel, temos que ([T ]CB )1 tal que ([T ]CB )1 [T ]CB =
I. Tomando um vetor u do espao vetorial U e representando-o na base B temos [u]B ,
fazemos ento:
I = ([T ]CB )1 [T ]CB
[u]B = ([T ]CB )1 [T ]CB [u]B
[u]B = ([T ]CB )1 [T (u)]C
Temos que a matriz ([T ]CB )1 transforma um vetor da base C no espao vetorial V
para um vetor na base B do espao vetorial U . Tomando ento a transformao linear T 0
tal que [T 0 ]BC = ([T ]CB )1 , temos que u = T 0 T (u) T 0 T = IU . Portanto, temos
que T 0 inversa de T , assim, T inversvel.
Teorema 4.65 Sejam U e V espaos vetoriais sobre R de dimenso n e m respectivamente, e seja T uma transformao linear L(U, V ). O posto de T igual ao posto da sua
matriz.
Prova. Sejam B = {u1 , u2 , . . . , un } e C = {v1 , v2 , . . . , vm } bases de U e V respectivamente.
Sabemos que a imagem de T = [T (u1 ), . . . , T (un )]. Desde que Im(T ) Mm1 (R), ento podemos analisar dim Im(T ) analisando a dimenso do seguinte conjunto de matrizes
m 1:
D = [[T (u1 )]C , [T (u2 )]C , . . . , [T (un )]C ]
Ora, mas [T (uj )]C a j-sima coluna da matriz [T ]CB . Assim, para obter dim Im(T )
basta verificar o maior nmero de vetores LI de D, o que exatamente o nmero mximo
de colunas LI de [T ]CB (isto , o posto desta matriz).
Nota 4.66 Note que, como Im(T ) V ento dim Im(T ) m. Alm disso, pelo teorema
do ncleo e da imagem, conclumos que dim Im(T ) n. Isso significa que o posto de T
nunca excede n ou m.
62
Nota 4.67 Pode-se mostrar que o maior nmero de colunas LI de uma matriz igual
ao maior nmero de linhas LI da mesma matriz. Assim, o posto de uma matriz pode
ser calculado pelo escalonamento de linhas ou de colunas. E uma vez conhecido o posto
da matriz de uma transformao linear, a nulidade dessa transformao linear pode ser
prontamente obtida pelo teorema do ncleo e da imagem.
Exemplo 4.68 Seja T : R3 P2 (R) uma transformao linear cuja matriz em relao
s bases cannicas (de cada um dos espaos vetoriais) :
1 2 3
4 5 6
5 4 3
Temos que:
1
4
5
Portanto, o posto de T
2 3
1 2
3
1 2
3
5 6 0 3 6 0 3 6
4 3
0 6 12
0 0
0
2, e sua nulidade 1.
Agora que j estudamos muitas vantagens da representao matricial para transformaes lineares, vamos encerrar essa seo analisando o isomorfismo existente entre L(U, V )
e Mmn (R).
Teorema 4.69 Sejam U e V espaos vetoriais reais de dimenses n e m respectivamente.
Ento, fixadas as bases B = {u1 , u2 , . . . , un } e C = {v1 , v2 , . . . , vm } de U e V respectivamente, a aplicao de L(U, V ) em Mmn (R) que a cada transformao linear T associa
a matriz [T ]CB linear e bijetora.
Prova. Exerccio.
Nota 4.70 O Teorema 4.69 garante que L(U, V ) e Mmn (R) so isomorfos, isso significa
que dim L(U, V ) = dim Mmn (R) = mn.
Exemplo 4.71 Obtenhamos uma base para L(R2 , R2 ) = L(R2 ). Desde que L(R2 )
M2 (R) dim L(R2 ) = 4. Considerando a base cannica de M2 (R):

1 0
0 1
0 0
0 0
B=
,
,
,
0 0
0 0
1 0
0 1
e a transformao linear bijetora que a cada transformao linear associa a sua matriz.
Iremos determinar uma base de L(R2 ): C = {T1 , T2 , T3 , T4 }. Para tanto, seja F =
{(1, 0); (0, 1)} a base (cannica) do R2 , de modo que (T1 ) = [T1 ]F . Assim:
[T1 (0,1)]F
[T1 ]F F =

1
0
[T1 (1,0)]F

0
0
4.6. ESPAO DUAL

T1 (1, 0) = (1, 0)
T1 (0, 1) = (0, 0)
63

T1 (x, y) = T1 (x(1, 0) + y(0, 1)) = x(1, 0) + y(0, 0)
T1 (x, y) = (x, 0)
[T2 (0,1)]F
[T2 ]F F =

0
0

1
0
[T2 (1,0)]F
T2 (1, 0) = (0, 0)
T2 (0, 1) = (1, 0)

T2 (x, y) = (y, 0)
Analogamente, T3 (x, y) = (0, x) e T4 (x, y) = (0, y).

C = {T1 , T2 , T3 , T4 } base de L(R2 ). Note que uma transformao linear deste espao
pode ser escrita de forma genrica como T (x, y) = (ax + by, cx + dy).
Nota 4.72 Outra maneira de achar as transformaes lineares no exemplo anterior seria fazer [T (x, y)]F = [T ]F [(x, y)]F , substituindo [T ]F por cada uma das matrizes da base
cannica escolhida do espao M2 (R), encontrando, respectivamente, cada uma das transformaes lineares T1 , . . . , T4 .
4.6
Espao Dual
Definio 4.73 Consideremos U um espao vetorial real. J vimos que L(U, R) um

espao vetorial real. Esse espao denominado espao dual de U , e denotado por U .
Cada transformao linear de U recebe o nome de funcional linear ou forma linear sobre
U.
Exemplo 4.74 Considere a transformao linear T : R3 R, T (x, y, z) = x + y. No
difcil ver que T um funcional linear de R3 .
Teorema 4.75 Seja um espao vetorial de dimenso finita. Temos que seu espao dual
e ele so isomorfos, ou seja, tm a mesma dimenso.
Prova. Consideremos um espao vetorial U de dimenso finita n sobre o corpo K
e uma base desse espao B = {b1 , b2 , . . . , bn }. Dado ento u U , podemos escrever
u = u1 b1 + u2 b2 + . . . + un bn .
Sendo F um funcional linear de U , temos F (u) = u1 F (b1 ) + u2 F (b2 ) + . . . + un F (bn ).
Definindo os escalares K1 = F (e1 ), K2 = F (e2 ), . . . , Kn = F (en ) K, teremos F (u) =
K1 u1 + K2 u2 + . . . + Kn un , u U .
Por outro lado, dada uma n-upla qualquer (K1 , K2 , . . . , Kn ) de escalares, a aplicao
G(u) = K1 u1 + K2 u2 + . . . + Kn un um funcional linear de U .
Podemos afirmar ento que F U se, e somente se, existem escalares K1 , K2 , . . .,
Kn , de modo que F (u) = K1 u1 + K2 u2 + . . . + Kn un . Portanto, cada funcional linear
64
pode ser univocamente

associado a um vetor de U (pois v U K1 , K2 , . . ., Kn tal
K1
K2
que [v]B = .. ). Assim, dim U = dim U .

.
Kn
Definio 4.76 Seja um espao vetorial U de dimenso finita sobre um corpo K e uma
base do mesmo B = {b1 , b2 , . . . , bn }. Dado u = u1 b1 + u2 b2 + . . . + un bn , definimos as
transformaes lineares:
F1 (u) = u1
F2 (u) = u2
..
.
Fn (u) = un
Do Teorema 4.75, e sabendo que o conjunto {F1 , F2 , . . . , Fn } LI (prove!), podemos
dizer que {F1 , F2 , . . . , Fn } uma base de U . Este conjunto recebe o nome de base dual
de B = {b1 , b2 , . . . , bn }.
Exemplo 4.77 Determinemos a base dual de B = {(1, 0); (1, 1)} do R2 .
Usando o isomorfismo de (R2 ) com M12 (R), temos:

1 0 , 0 1
D=
a base cannica de M12 (R)
Logo, a base dual de B formada por T1 , T2 cujas matrizes em relao s bases B e
C = {1} (base cannica
de R)
so dadas por D.
Logo: [T1 ]CB = 1 0
T1 (1, 0) = 1
T1 (x, y) = x y
T1 (1, 1) = 0
E tambm: [T2 ]CB =
0 1
T2 (1, 0) = 0
T2 (x, y) = y
T2 (1, 1) = 1
Logo, a base dual de B {T1 , T2 }, onde T1 (x, y) = x y e T2 (x, y) = y.
Nota 4.78 De uma forma geral, consideremos um espao vetorial Rn sobre R, e uma
base desse espao B = {b1 , b2 , . . . , bn }. Temos que a base dual de B a base de (Rn )
formada pelas transformaes lineares tais que:
F1 (u) = u1
F2 (u) = u2
..
.
Fn (u) = un
65
onde u = u1 b1 + u2 b2 + . . . + un bn . Portanto, as matrizes das transformaes

lineares

F
C = {1} de R so dadas por 1 0 0 ,
1 , F2 , . . . , Fn da base B
para a base cannica

0 1 0 , . . . , 0 0 1 respectivamente.
Tomando a base cannica D de Rn , podemos fazer: [Fi ]CD = [Fi ]CB [I]BD =
[Fi ]CB MBD . Mas [Fi ]CB MBD justamente a i-sima linha de MBD .
Logo, para identificarmos a transformao linear Fi da base dual de B, basta tomarmos
a transformao linear cuja matriz em relao s bases cannicas de Rn e R dada pela
i-sima linha de MBD , onde D a base cannica de Rn .
4.7
Lista de Exerccios
Exerccio 4.79 Seja F L(R3 , R2 ) definida por F (x, y, z) = (x + z, y 2z). Determinar

[F ]CB , sendo B = {(1, 2, 1), (0, 1, 1), (0, 3, 1)} e C = {(1, 5), (2, 1)}.
Exerccio 4.80 Determinar as matrizes das seguintes transformaes lineares em relao
s bases cannicas dos respectivos espaos:
1. F L(R3 , R2 ) definida por F (x, y, z) = (x + y, z);
2. F L(R2 , R3 ) definida por F (x, y) = (x + y, x, x y);
3. F L(R4 , R) definida por F (x, y, z, t) = 2x + y z + 3t;
4. F L(R, R3 ) definida por F (x) = (x, 2x, 3x);
Exerccio 4.81 No espao vetorial M2 (R) seja:

a b
M=
c d
Determinar a matriz do operador linear F L(M2 (R)) dado por F (X) = M X XM ,
em relao base cannica:

1 0
0 1
0 0
0 0
,
,
,
0 0
0 0
1 0
0 1
de M2 (R).
Exerccio 4.82 Seja F o operador linear de M2 (R) dado por

1 1
F (X) =
X
2 1
X em M2 (R). Sendo B base cannica do espao M2 (R), determine o trao da matriz
[F ]B .(Nota: trao = soma dos termos da diagonal principal).
66
Exerccio 4.83 Seja F o operador linear do R2 cuja matriz em relao base B =

{(1, 0), (1, 4)}

1 1
[F ]B =
5 1
Determinar a matriz de F em relao base cannica, usando a frmula de mudana
de base para um operador.
Exerccio 4.84 Seja B = {e1 , e2 , e3 } uma base de um espao vetorial V sobre R. Sendo
F, g L(V ) dados por F (e1 ) = e1 e2 , F (e2 ) = e1 + e3 , F (e3 ) = e2 , G(e1 ) = 2e1 + e3 ,
G(e2 ) = e1 e G(e3 ) = e2 3e1 , determinar em relao base B as matrizes dos seguintes
operadores lineares: F, G, F +G, 2F G, F G, GF, F 2 +G2 , F 1 (caso exista) e G1 (caso
exista).
Exerccio 4.85 Sejam F, G L(P2 (R), P3 (R)) assim definidos: F (p(t)) = tp(t) p(1)
e G(p(t)) = (t 1)p(t), p(t) P2 (R). Determinar as matrizes de F e G em relao
seguinte par de bases: B = {1, t2 , (t 1)2 } e C = {1, t 1, (t 1)2 , (t 1)3 } de P2 (R) e
P3 (R), respectivamente.
Exerccio 4.86 Seja F L(P2 (R), R) definida por
F em relao s bases:
R1
1
p(t)dt. Determinar a matriz de
1. B = {1, t, t2 } e C = {1};
2. B = {1, 1 + t, 1 + t2 } e C = {2};
Exerccio 4.87 Determinar todos os operadores lineares F do R2 tais que F 2 = F e
F (x, y) = (ax, bx + cy).
Exerccio 4.88 Seja T um operador linear de um espao vetorial V de dimenso 2. Se
a matriz deT em relao a uma certa base B de V

a b
c d
Mostrar que T 2 (a + d)T + (ad bc)I = 0(operador nulo).
Exerccio 4.89 Sejam F1 e F2 (R3 ) definidas por F1 (x, y, z) = x3y +2z e F2 (x, y, z)
= 2x y + z. Determinar F1 + F2 , 2F1 + 3F2 e os respectivos ncleos.
Exerccio 4.90 Determine as bases duais de cada uma das seguintes bases:
1. {(1, 1, 2), (1, 2, 0), (3, 4, 0)} do R3 ;
2. {(1, 2), (0, 1)} do R2 ;
3. {(0, 1, 0, 0), (2, 1, 0, 0), (0, 0, 1, 1), (0, 0, 0, 3)} do R4 ;
4.8. ISOMETRIA
67
4. {1, t, 1 t2 } do espao P2 (R);

Exerccio 4.91 Seja V = R3 . Considere o subespao W de V gerado pelos funcionais
F e G dados por F (x, y, z) = x y e G(x, y, z) = y 2z. Determinar uma base do
seguinte subespao de V : W = {u V | F (u) = 0, F W }.
Exerccio 4.92 Seja V um espao vetorial de dimenso finita. Sejam u e v dois vetores
desse espao com a seguinte propriedade: F V : F (u) = 0 F (v) = 0. Mostrar
{u, v} LD
Sugesto: Se fossem LI existiria uma base B de V contendo u e v. Considere a base
dual.
Exerccio 4.93 Verificar se so bases de (R3 ) os seguintes conjuntos:
1. {F, G, H} onde F (x, y, z) = 2x, G(x, y, z) = y + z e H(x, y, z) = x 2z.
2. {F, G, H} onde F (x, y, z) = 2x + y z, G(x, y, z) = x e H(x, y, z) = x y + 4z.
4.8
Isometria
Definio 4.94 Seja V um espao vetorial euclideano de dimenso finita. Um operador

linear T : V V com a propriedade de que kT (u)k = kuk , u V chamado de
isometria sobre V ou operador ortogonal.
Exemplo 4.95 Em R2 , o operador de rotao T : R2 R2 , T (x, y) = (x cos
y sin , x sin + y cos ) uma isometria, pois:
kT (x, y)k2 = x2 + y 2
= k(x, y)k2 , (x, y) R2
Nota 4.96 Uma isometria uma transformao linear que preserva a norma de vetores.
No caso do R2 ou R3 (com produto interno usual) uma isometria preserva o comprimento
fsico dos vetores.
Teorema 4.97 Toda isometria T : U U um isomorfismo, mais propriamente, um
automorfismo.
Prova. Basta provarmos que T injetiva, para tanto, seja u Ker(T ), assim, T (u) =
U , mas kT (u)k2 = kuk2 kuk = 0. Do axioma da postividade vem u = U , e assim,
Ker(T ) = {U }.
Teorema 4.98 Seja U um espao vetorial euclideano de dimenso finita, e seja T : U
U um operador linear. Ento as afirmaes seguintes so equivalentes:
1. T isometria.
68

2. T transforma bases ortonormais de U em bases ortonormais de U .
3. O produto interno hT (u), T (v)i = hu, vi , u, v U .
Prova. (3 1) Exerccio.
(1 2) Exerccio.
(2 3) Seja B = {u1 , . . . , un } uma base ortonormal de U . Dados u, v U , h
1 , . . . , m , 1 , . . . , n , tal que:
u = 1 u1 + . . . + n un
v = 1 u1 + . . . + n un
hu, vi = 1 1 + . . . + n n
Mas T (u) = 1 T (u1 ) + . . . + n T (un ) e T (v) = 1 T (u1 ) + . . . + n T (un ). Como
{T (u1 ), . . . , T (un )} tambm base ortonormal de U (por hiptese):
hT (u), T (v)i = 1 1 + . . . + n n
= hu, vi , u, v U

Teorema 4.99 Seja U um espao vetorial euclideano de dimenso finita e no nulo. E
seja T : U U um operador linear. T uma isometria se, e somente se, sua matriz em
relao base ortonormal de U uma matriz ortogonal.
Prova. () Exerccio.
() Seja B = {u1 , . . . , un } uma base ortonormal de U . Sendo:
T (u1 ) = 11 u1 + . . . + n1 un
T (u2 ) = 12 u1 + . . . + n2 un
..
.
T (un ) = 1n u1 + . . . + nn un
[T ]B = (ij )nn uma matriz ortogonal. Seja u = 1 u1 + . . . + n un U .
kuk2 = 1 2 + . . . + n 2
= [u]B t [u]B
Assim:
kT (u)k2 = [T (u)]B t [T (u)]B

= ([T ]B [u]B )t [T ]B [u]B
= [u]B t [T ]B t [T ]B [u]B
| {z }
=I
= [u]B t [u]B
kT (u)k2 = kuk2 , u U
Logo, T isometria.
4.9. OPERADORES ADJUNTOS E AUTO-ADJUNTOS
69

, xmy
seja uma isometria.
Exemplo 4.100 Determinemos m para que T (x, y) = mx+y
2
2
2
Sendo B a base cannica do R , a matriz da transformao linear T :

m/2 1/2
[T ]B =
1/2 m/2
Impondo que a matriz seja ortogonal: m = 3.
4.9
Operadores adjuntos e auto-adjuntos
Seja U um espao vetorial euclideano de dimenso finita. Definimos uma transformao

linear : U U , fazendo corresponder a cada vetor u U o funcional linear u (isto ,
(u) = u ) de modo que: u (w) = hu, wi , w U .
Pode-se mostrar que a aplicao definida anteriormente um isomorfismo entre U e
U . Com base nesse resultado, podemos definir o adjunto de um operador.
Definio 4.101 Sejam U e V espaos vetoriais euclideanos de dimenso finita, e seja
A : U V uma transformao linear. Definimos a adjunta de A como A : V U que
obedece a: hA(u), vi = hu, A (v)i , u U, v V .
Pode-se mostrar que dada uma transformao linear, sua adjunta existe e nica.
A definio anterior define a adjunta de uma transformao linear de uma forma
bastante abstrata. No teorema seguinte, expomos uma maneira simples de se obter a
adjunta.
Teorema 4.102 Sejam U e V espaos vetoriais euclideanos dotados das bases ortonormais B = {u1 , . . . , un } e C = {v1 , . . . , vn }, e seja A uma transformao linear de U em
V . Se [A]CB a matriz de A em relao s bases B e C ([A]CB Mmn (R) ento
[A ]BC = [A]CB t .
Prova. Tendo-se uma base E ortonormal, podemos dizer que hx, yi = [x]E t [y]E . Assim:
hA(u), vi = ([A]CB [u]B )t [v]C
= [u]B t [A]CB t [v]C
Seja agora T : V U a transformao linear cuja matriz [T ]BC = [A]CB t . Ento:
hu, T (v)i = [u]B t ([T ]BC [v]C )
= hA(u), vi , u U, v V
Logo, T a adjunta de A.
Proposio 4.103 A partir da definio de transformao adjunta e da forma prtica de
calcul-la, podemos observar as seguintes propriedades:
1. I = I.
70

2. (A + B) = A + B .
3. Se R, ento (A) = A .
4. (A B) = B A .
5. A = A.
Nota 4.104 No caso de espaos vetoriais hermitianos de dimenso finita, a adjunta hermitiana de uma transformao linear A : U V uma transformao linear A : V U
que satisfaz a:

hv, A(u)i = u, A (v) , u U, v V
Neste caso, tomando-se bases ortonormais B e C (de U e V respectivamente), temse [A ]BC = [A]CB , onde [A]CB representa a matriz adjunta hermitiana, que a
matriz dos conjugados da transposta de [A]CB .
De outra forma:

hv|A|ui = |ui
A hv|

hv|A|ui = v|A |u
Definio 4.105 Seja V um espao euclideano. Um operador linear A L(V ) autoadjunto se ele for igual ao seu adjunto, ou seja, se:
hA(u), vi = hu, A(v)i , u, v V
Teorema 4.106 Seja V um espao euclideano de dimenso finita, ento um operador
linear auto-adjunto se, e somente se, sua matriz em relao a uma base ortonormal de
V simtrica.
Prova. [A ]B = [A]B t e A auto-adjunta, como a relao entre um operador e sua
matriz biunvoca, [A]B = [A]B t .
Exemplo 4.107 T :R2 R2 , T (x, y) = (y, x) auto-adjunto, pois tomando-se a base
0 1
cannica B : [T ]B =
, que simtrica.
1 0
Exemplo 4.108 A hiptese de que a base seja ortonormal imprescindvel, pois tomemos
1 2
T L(R2 ) tal que [T ]B =
e B = {(1, 1); (0, 1)}. Assim, T (1, 1) = 1(1, 1) +
2 3
2(0, 1) = (1, 3) e T (0, 1) = 2(1, 1) + 3(0, 1) = (2, 5).

hT (1, 1), (0, 1)i = 3
diferentes.
h(1, 1), T (0, 1)i = 7
Nota 4.109 O conjunto = {T L(V ) : T auto-adjunto} um subespao vetorial de
L(V ).
4.10. MUDANA DE BASE E SEMELHANA DE MATRIZES
71
Nota 4.110 Se M+ = {A Mn (R) : A simtrica} e dim V = n ento isomorfo a

M+ , e por isso, dim = n(n+1)
.
2
Nota 4.111 Para espaos vetoriais hermitianos, um operador linear hermitiano quando
A = A . Se o espao vetorial tem dimenso finita, ento um operador hermitiano se, e
somente se, sua matriz em relao base ortonormal hermitiana ([A]B = [A]B ).
4.10
Mudana de base e semelhana de matrizes
Analisaremos agora o que acontece com a matriz de um operador quando efetuamos uma
mudana de base.
Teorema 4.112 Sejam B e C duas bases de um espao vetorial V de dimenso finita.
Ento [I]BC = MBC .
Prova. Exerccio.
Teorema 4.113 Sejam B e C duas bases de um espao vetorial V de dimenso finita, e
seja T um operador linear de L(V ). Ento:
[T ]CC = MCB [T ]BB MBC
[T ]C
[T ]B
Prova. Temos que:
[T (u)]C = [T ]C [u]C
MBC [T (u)]C = MBC [T ]C [u]C
[T (u)]B = MBC [T ]C (MCB [u]B )
[T (u)]B = (MBC [T ]C MCB )[u]B
{z
}
|
[T ]B
De outra maneira, tambm podemos fazer:

T =I T I
[T ]CC = [I]CB [T ]BB [I]BC
[T ]CC = MCB [T ]BB MBC

Nota 4.114 Um modo prtico de memorizar este teorema perceber que os ndices internos "se cancelam", restando apenas os externos.
Em princpio, no h uma base privilegiada para se representar determinado operador.
Os resultados da ao do operador devem ser "fisicamente"os mesmos, independentemente
da base escolhida. Entretanto, podem existir bases mais convenientes que outras, dependendo do formato que a matriz do operador assumir.
72
Definio 4.115 (Matrizes semelhantes): Duas matrizes quadradas P e Q de mesma

ordem n so semelhantes se, e somente se, existe uma matriz inversvel M Mn (R), de
modo que P = M 1 QM .
No difcil constatar que a semelhana de matrizes define uma classe de equivalncia
em Mn (R). A semelhana de matrizes est intimamente relacionada com a mudana de
base e a representao matricial de operadores.
De acordo com o teorema anterior, duas matrizes do mesmo operador linear (representado em bases distintas) so semelhantes. E a recproca tambm verdadeira: se
P = M 1 QM , ento P e Q representam um mesmo operador linear.
Desde que matrizes semelhantes representam um mesmo operador, convm sempre que
possvel efetuar uma mudana de base, para que a representao matricial (do operador
na nova base) seja o mais amigvel possvel, por exemplo, uma matriz diagonal. Esse ser
o assunto do prximo captulo.
Definio 4.116 Uma matriz quadrada dita diagonalizvel quando for semelhante a
uma matriz diagonal.

Exemplo 4.117 Temos que a matriz Q =

1 1
1 0
1
M=
M QM =
.
1 1
0 5
3 2
2 3

diagonalizvel, pois tomando-se
Proposio 4.118 Se P e Q so matrizes quadradas (de mesma ordem) semelhantes,

temos que:
1. det P = det Q.
2. trP = trQ
Prova. Provemos cada uma das propriedades separadamente:
1. det P = det(M 1 QM ) = det M 1 det Q det M = (det M )1 det Q det M = det Q
2. trP = tr(M 1 QM ) = tr(QM M 1 ) = trQ
4.11
Lista de Exerccios
Exerccio 4.119 Verificar se so semelhante as matrizes:

1 2
1 0
e
1
2
0 0
73
Exerccio 4.120 Provar que se A e B so semelhantes ento An e B n so semelhantes,

para todo n 1. Sendo p(t) um polinmio, p(t) = a0 + a1 t + ... + an tn , indicamos por
p(A) a matriz p(A) = a0 I + a1 A + ... + an An . Provar que se A e B so semelhantes, ento
p(A) e p(B) so semelhantes.
Exerccio 4.121 Para que valores de a, b e c (reais) as seguintes matrizes de M2 (R) so
semelhantes?

a b
c
0
e
b
a
0 c
Exerccio 4.122 Sejam A, B, C e D matrizes de ordem n, sendo A, B semelhantes, C, D
semelhantes. verdade que A + C e B + D so semelhantes? E quanto a AC e BD?
Exerccio 4.123 Para cada par de inteiros positivos (i, m) com 1 i m define-se a
transformao linear Pi,m : Rm Rm como:
Pi,m (a1 , . . . , ai1 , ai , ai+1 , . . . , am ) = (a1 , . . . , ai1 , 0, ai+1 , . . . , am ).
Prove que para todo n 2 e para qualquer conjunto de n 1 vetores linearmente
independentes v1 , v2 , . . . , vn1 em Rn , existe um inteiro k, 1 k n, de forma que os
vetores:
Pk,n (v1 ), Pk,n (v2 ), . . . , Pk,n (vn1 )
so linearmente independentes.
Exerccio 4.124 Considere uma transformao linear g : Mn (R) R de modo que
g(AB) = g(BA) para quaisquer matrizes A e B de Mn (R).
1. Mostre que existe um K R tal que g(A) = Ktr(A).
2. Se o determinante uma operao que satisfaz a condio det(AB) = det(BA) para
quaisquer matrizes A e B de Mn (R), por que ento no vlida a concluso do
item (a)?
Exerccio 4.125 O objetivo desta questo mostrar o princpio da incerteza. Para tanto,
seja U um espao vetorial complexo munido de produto interno e sejam A e B dois
operadores lineares em U e hermitianos. Fixado um certo vetor U , definimos o valor
mdio hAi do operador A como:
hAi = h, A()i .
O valor mdio hBi tambm
p definido do mesmo modo. Definimos a incerteza A
no operador A como: A = hA2 hAi2 Ii, o mesmo valendo para a incerteza B no
operador B (I o operador Identidade). Feitas estas definies, demonstre o princpio
da incerteza:
1
AB |h[A, B]i|,
2
onde [A, B] o comutador dos operadores: [A, B] = AB BA.
74
Exerccio 4.126 Para cada transformao linear a seguir, obtenha a transformao linear
adjunta:
1. T : R3 R2 , T (x, y, z) = (x + y, z).
2. T : P3 (R) R2 , T (at3 + bt2 + ct + d) = (a, b).

3. T : M2 (R) M2 (R), T (A) = AX XA, onde X =

0 1
.
1 0
4. T : C2 C2 , T (x, y, z) = (x + iy, ix + 7y, 15z). Considere C espao vetorial sobre

C. O que mudaria se voc considerasse C espao vetorial sobre R?
Exerccio 4.127 Seja W um subespao de um espao euclidiano de dimenso finita V .
Para todo v V , seja v = w + w0 com w W e w0 W . Mostar que a aplicao
T : V V dada por: T (v) = w w0 linear e tem a seguinte propriedade hu, T (v)i =
hT (u), vi , u, v V .
Exerccio 4.128 Seja V um espao euclidiano. Se u V , W = [u] e E a transformao
linear que associa a cada vetor de V sua projeo ortogonal sobre W , mostre que:
kv E(v)k kv wk , v V, w W
Interprete esse resultado geometricamente.
Exerccio 4.129 Seja V um espao euclidiano de dimenso finita e seja E a projeo
ortogonal de V sobre o subespao W de V . Mostrar que o operador linear E tem a seguinte
propriedade: hE(u), vi = hu, E(v)i , u, v V .
Exerccio 4.130 Determine m R a fim de que o seguinte operador linear do R3 seja
um isometria:

1
1
2
1
1
1
1
F (x, y, z) = x + y + mz, x + y z, x + z
3
3
6
6
6
2
6
Exerccio 4.131 No espao vetorial V = Mn (R) consideremos o produto interno definido
por hA, Bi = tr(AB t ). Dada uma matriz M V , seja TM : V V o operador linear
definido por TM (X) = M X, X V . Mostre que TM uma isometria se, e seomente se,
M for uma matriz ortogonal.
Exerccio 4.132 Seja H um subespao do espao euclideano V . Ento cada v se expressa
de uma maneira nica, como v = h + t, onde h H e t H . Considere a aplicao
A : V V definida por A(v) = h t, v V .
1. Mostre que A linear e auto-adjunto.
2. Se V = R3 com o produto interno usual, e H = [(1, 1, 0)], achar a matriz de A
relativa base usual do R3 .
75
Exerccio 4.133 Seja V um espao euclidiano de dimenso finita. Mostar que duas
quaisquer das propriedades a segiur de um operador A L(V ) implica a restante:
1. A auto-adjunto.
2. A uma isometria.
3. A2 = I.
Exerccio 4.134 Seja T L(V ) um automorfismo. Se T auto-adjunto, mostrar que
T 1 tambm o .
Exerccio 4.135 Seja A um operador auto-adjunto de um espao euclidiano V . Se H
um subespao vetorial de V com a proprieadade u H A(u) H, mostre que H tem
tabm essa propriedade.
Exerccio 4.136 Seja um operador auto-adjunto de um espao euclidiano V .
hT (u), ui = 0, para todo u V , mostrar que T = 0.
Se
Exerccio 4.137 Sejam T, S L(V ) operadores lineares auto-adjuntos. Mostrar que

T S auto-adjunto se, e somente se, T S = S T .
Exerccio 4.138 Mostre que duas matrizes semelhantes possuem o mesmo posto.
77
Captulo 5
Autovalores e Autovetores
O assunto deste captulo um dos mais importantes da lgebra Linear. No s porque faz
uso de todos os conceitos vistos anteriormente, mas tambm pela sua grande aplicabilidade
numa vasta classe de problemas da Matemtica, Fsica e Engenharia.
Por curiosidade, autovalor (ou valor prprio, valor caracterstico) a traduo de eigenvalue, ao paso que autovetor (ou vetor prprio, vetor caracterstico) vem de eigenvector.
O adjetivo germnico eigen significa prprio ou caracterstico de.
Autovalores e autovetores so caractersticos de uma matriz no sentido de conter informaes importantes sobre a natureza da mesma. A letra , letra grega equivalente ao
l do portugus, utilizada para designar autovalores porque anteriormente esses nmeros
tambm era chamados de valores latentes.
5.1
Definio e primeiras propriedades
Definio 5.1 Seja V um espao vetorial sobre R (ou sobre C), e seja T : V V um
operador linear. Um vetor u V , u 6= V chamado de autovetor de T se existe um
real ou complexo, de modo que T (u) = u. O vetor u nesse caso chamado de autovetor
associado ao autovalor .
Exemplo 5.2 Seja T L(R2 ), T (x, y) = (x, x + y). Vamos obter os autovalores de T .
(T I)(x, y) = (0, 0)
(x x, x + y y) = (0, 0)

(1 )x
=0
x +(1 )y = 0
Desejamos que este sistema admita soluo no trivial.

1

0

= 0 (1 )2 = 0 = 1 (raiz dupla)
1
1
Substituindo no sistema para encontrar os autovetores: 0x = 0, x + 0y = 0 x = 0
e y qualquer 6= 0.
Logo, os autovetores associados a = 1 so da forma u = (0, y) = y(0, 1), y R .
78
CAPTULO 5. AUTOVALORES E AUTOVETORES
Exemplo 5.3 Determinemos os autovalores e autovetores de D (operador de derivao)

no espao V = C (R).
Temos que obter R tal que (D I)f = V f 0 (t) f (t) = 0, t R.
Multiplicando a equao diferencial por et :
et f 0 (t) et f (t) = 0
d
(et f (t)) = 0, t R
dt
f (t) = Ket , K 6= 0
Assim, qualquer R autovalor de D e f (t) = Ket , K 6= 0, so auto-funes
associadas.
Definio 5.4 Seja V um espao vetorial sobre o corpo K, e seja W um subespao de
V . Se T um operador linear em V , dizemos que W invariante sob a ao de T se
T (W ) W .
Teorema 5.5 Seja V um espao vetorial sobre o corpo K (K = R ou K = C) e seja T
um operador linear em V . Se um autovalor de T , ento o conjunto V = {V }
{autovetores de T associados a } = {u V : T (u) = u} um subespao vetorial de V
invariante sob a ao de T .
Prova.
1. V subespao, pois V = Ker(T I).
2. V invariante sob a ao de T . De fato, seja z T (V ). Nesse caso, y V tal

que z = T (y) = y z V (pos V subespao), o que garante que T (V ) V .

Nota 5.6 O subespao V chamado de subespao prprio associado ao autovalor .
Teorema 5.7 Sejam T L(V ) e 1 , 2 dois autovalores distintos de T , tomando-se dois
autovetores de T tais que u1 V1 e u2 V2 , tem-se que {u1 , u2 } LI.
Prova. Suponhamos que o conjunto LD. Ento u1 = u2 , 6= 0. Assim:
T (u1 ) = T (u2 )
1 u1 = 2 u2
1 u2 = 2 u2
(1 2 )u2 = V 1 = 2 (absurdo)
Logo, {u1 , u2 } LI.
Nota 5.8 No caso de uma matriz A quadrada real (ou complexa), tambm se aplicam os
conceitos de autovalor e autovetor. Neste caso, um autovetor de A uma matriz coluna
u real (ou complexa) no nula tal que h um real (ou complexo) que satisfaz o sistema
Au = u.
Veja que isto equivalente a (AI)u = . A busca de autovalores feita resolvendose a equao (chamada de equao caracterstica, ou equao secular) det(A I) = 0.
5.2. POLINMIO CARACTERSTICO
79
Nota 5.9 O Teorema 5.7 pode ser generalizado usando o processo de induo para o caso
de n autovalores distintos 2 a 2 e os n autovetores associados.
5.2
Polinmio Caracterstico
Definio 5.10 Dada uma matriz A Mn (R) (ou A Mn (C)) definimos o polinmio
caracterstico de A como:
PA () = det(A I)
Definio 5.11 Dado um operador T L(V ) com dimenso de V igual a n, e B uma
base qualquer de V , definimos o polinmio caracterstico de T como:
PT () = det([T ]B I)
Teorema 5.12 O polinmio caracterstico de um operador T L(V ), com dimenso de
V igual a n independe da base escolhida.
Prova. [T ]C = MCB [T ]B MBC
det([T ]C I) = det(MCB [T ]B MBC MCB MBC )
= det(MCB ([T ]B I)MBC )
= det([T ]B I)

Nota 5.13 O Teorema 5.12 poderia ser enunciado na forma: "matrizes semelhantes
possuem o mesmo polinmio caracterstico".
Teorema 5.14 Seja A Mn (K), K = R ou K = C, K autovalor de A se, e
somente se, raiz do polinmio caracterstico PA (), isto , PA () = 0.
Prova. Exerccio.
Nota 5.15 A equao PA () = 0 recebe o nome de equao caracterstica da matriz A ou
equao secular.
Definio 5.16 Seja A uma matriz n n (T L(U ), com dim U = n) e seja um
autovalor de A (T ). Define-se a multiplicidade algbrica de como sendo sua multiplicidade enquanto raiz do polinmio caracterstico PA () (PT ()). Define-se a multiplicidade
geomtrica de como a dimenso do subespao prprio de , isto , V .
Exemplo 5.17 Sendo A a matriz
2 1 1
A = 0 3 1
2 1
3
80
determinemos os autovalores e autovetores de A.

Temos que o polinmio caracterstico de A PA () = det(A I) = ( 2)2 ( 4).
Assim, temos 1 = 2 (raiz dupla) e 2 = 4.
Autovetores associados a 1 = 2:
(A 1 I)u =

0 1 1
x
0
y + z = 0
0 1 1 y = 0
yz =0
2 1
1
z
0
2x + y + z = 0
x = y = z
1
Portanto, V1 gerado por 1 , ou ainda (por abuso de notao), V1 =
1
[(1, 1, 1)].

0
2 1 1
x
2x y + z = 0
0 1 1 y = 0
y z = 0
0
2
1 1
z
2x + y z = 0
x = y = z
Portanto, V2
gerado por 1 , isto , V2 = [(1, 1, 1)].

1
Nota 5.18 No exemplo anterior, 1 tem multiplicidade algbrica 2 e multiplicidade geomtrica 1. J 2 tem multiplicidade algbrica e geomtrica iguais a 1.
Exemplo 5.19 Determinemos os autovalores e
2 1
A= 2 3
3 3
autovetores da matriz
1
2
4
Analogamente ao exerccio anterior, tomemos o polinmio caracterstico de A PA () =

det(A I) = ( 1)2 ( 7). Os autovalores so 1 = 1 (raiz dupla) e 2 = 7.
Autovetores associados
1
2
3
Portanto, V1
a 1 = 1:

1 1
x
0
2 2
y = 0 x+y+z =0
3 3
z
0
1
1
gerado por 1 e 0 , ou ainda, V1 = [(1, 1, 0); (1, 0, 1)].
0
1
5.3. DIAGONALIZAO DE OPERADORES
81

5 1
1
x
0
5x + y + z = 0
2 4 2 y = 0
2x 4y + 2z = 0
3
3 3
z
0
3x + 3y 3z = 0
y = 2x
z = 3x
Portanto, V2
1
gerado por 2 , ou ainda, V2 = [(1, 2, 3)].
3
Nota 5.20 Neste ltimo exemplo, a multiplicidade algbrica e geomtrica de 1 so iguais

a 2, e as de 2 so iguais a 1.
K um autovalor de A.
Teorema 5.21 Sejam A Mn (K), K R ou K C e
maior ou igual sua multiplicidade geomtrica.
Ento a multiplicidade algbrica de
Nota 5.22 O Teorema 5.21 tambm vlido para operadores.
5.3
Diagonalizao de Operadores
Definio 5.23 Seja V um espao vetorial de dimenso finita. Um operador linear T

L(V ) diagonalizvel se existe uma base B de V de modo que [T ]B uma matriz diagonal.
Proposio 5.24 Decorre da Definio 5.23 que B deve ser uma base de autovetores de
T.
Prova. Seja B = {u1 , u2 , . . . , un }
1 0
0 2
[T ]B = ..
..
.
.
0 0
uma base de V e seja [T ]B a matriz:
0
0
= diag(1 , 2 , . . . , n )
. . . ..
.
n
Pela definio de matriz de operador, temos:

T (u1 ) = 1 u1
T (u2 ) = 2 u2
..
.
T (un ) = n un
ou seja, u1 , u2 , . . . , un so autovetores de T .
82
Proposio 5.25 A Definio 5.23 tambm pode, de modo anlogo, ser aplicada para
matrizes. Uma matriz A Mn (K) diagonalizvel se existe uma base de Mn1 (K)
formada por autovetores de A. Esta definio equivalente quela que demos no Captulo
4.
Prova. Seja B = {u1 , u2 , . . . , un } uma base de Mn1 (K) formada por autovetores de
A. Isso equivalente a:
Au1 = 1 u1
Au2 = 2 u2
..
.
Aun = n un
Veja que:

1 u1 2 u2 n un
1 0 0

0 2 0
un = u1 u2 un ..
.. . .
.
.
. ..
.
0 0 n
AM = M D
Au1 Au2
u1 u2
Aun
Ou seja, M 1 AM = D.
Exemplo 5.26 Seja o operador T : R2 R2 , T (x, y) = (y, x). Determinemos uma base
de C do R2 de modo que [T ]C seja uma matriz diagonal.
Seja B = {(1, 0); (0, 1)} a base cannica do R2 :
T (1, 0) = (0, 1) = 0(1, 0) + 1(0, 1)
T (0, 1) = (1, 0) = 1(1, 0) + 0(0, 1)

[T ]B =
0 1
1 0
Os autovalores de T podem ser calculados a partir do polinmio caracterstico de [T ]B

det([T ]B I) = 0 2 1 = 0, de onde se tira que 1 = 1 e 2 = 1.
([T ]B I)[u]B =

1 1
1 1

x
y

=
0
0
x=y
Assim, V1 = [(1, 1)].
x + y = 0
xy =0
83

1 1
x
0
=
x = y
1 1
y
0
Assim, V2 = [(1, 1)].

Portanto, na base C = {(1, 1); (1, 1)}, temos [T ]C =

1 0
.
0 1
Devemos agora buscar condies que nos garantam quando um operador (ou uma
matriz) possa ser diagonalizado.
Teorema 5.27 Seja V um espao vetorial sobre K de dimenso n e seja T um operador
linear em V . Se o polinmio caracterstico de T possui n razes distintas em K, ento T
diagonalizvel.
Teorema 5.28 Seja V um espao vetorial sobre K de dimenso n. Um operador T
L(V ) diagonalizvel se, e somente se:
1. Todas as razes de PT () K (fato que sempre ocorre se K = C)
2. As multiplicidades algbrica e geomtrica de cada so iguais.
Nota 5.29 O Teorema 5.28 tambm vlido (com as devidas adaptaes) para matrizes
de Mn (K).
Nota 5.30 Usando a diagonalizao de matrizes, podemos notar que:
Q
det(A) P
= i = 1 2 . . . n
tr(A) = i = 1 + 2 + . . . + n

Exemplo 5.31 Mostremos que a matriz Q =
1 1
0 1

no diagonalizvel. Para isso,
identificaremos os autovalores de Q.
PQ () = 2 2 1
= ( 1)2
Assim, 1 = 1 com multiplicidade 2. Procurando os autovetores associados:
(Q
I)u =

0 1
x
0
=
0 0
y
0
y=0

1
Portanto, V1 gerado por
e dim V1 = 1.
0
Como a multiplicidade algbrica de 1 diferente da multiplicidade geomtrica, Q no
diagonalizvel.

84
5.3.1
Diagonalizao de Operadores Auto-adjuntos
Recordamos que a representao de um operador auto-adjunto em uma base ortonormal

uma matriz simtrica (Teorema 4.106). Dessa forma, a tarefa de diagonalizar operadores
auto-adjuntos equivalente de diagonalizar matrizes simtricas.
Teorema 5.32 Se A Mn (C) uma matriz hermitiana (ou seja, A = A ), ento os
seus autovalores so reais.
Prova. Suponha A Mn (C) (o caso real sair como consequncia). Os autovalores
de A so nmeros C tal que Au = u admite soluo no trivial:
Au = u u Au = u u u Au = kuk2
(Au) = (u) u |{z}
A = u u Au = kuk2
A
de onde se tira que kuk2 = kuk2 = , ou seja, R.

Teorema 5.33 Todo operador auto-adjunto T : U U num espao vetorial euclideano de
dimenso finita possui ao menos um autovetor (e, por conseguinte, um autovalor R)
associado ao mesmo.
Prova. consequncia do Teorema 5.32, pois sendo B uma base ortonormal de U , [T ]B
simtrica (e tambm hermitiana, pois estamos em R), logo, o polinmio caracterstico
possui ao menos uma raiz real e associado a ela h um subespao prprio de dimenso
maior ou igual a 1 (e menor ou igual sua multiplicidade algbrica).
Teorema 5.34 Se 1 , 2 , . . . , n so autovalores distintos 2 a 2 de um operador autoadjunto T : U U , ento os autovetores correspondentes u1 , u2 , . . . , un so, dois a dois,
ortogonais.
Prova. Para todo i 6= j:
T (ui ) = i ui huj , T (ui )i = i huj , ui i
T (uj ) = j uj hui , T (uj )i = j hui , uj i
0 = (i j ) hui , uj i
| {z }
6=0
Logo, hui , uj i = 0.
Nota 5.35 O Teorema 5.34 permanece vlido para operadores hermitianos.
Teorema 5.36 Seja T : U U um operador auto-adjunto. Se o subespao W U
invariante sob T , ento W tambm o .
Prova. z W hz, wi = 0, w W . Mostremos que T (z) W :
hT (z), wi = hz, T (w)i = 0, w W
85
j que T auto-adjunto, e T (w) W , pois W invariante.

Logo, z W , T (z) W T (W ) W .
Teorema 5.37 (Teorema Espectral): Para todo operador auto-adjunto T : U U
num EV euclideano de dimenso finita e diferente de 0, existe uma base ortonormal
{u1 , u2 , . . . , un } U formada por autovetores de T .
Prova. A prova e feita por induo.
Consideremos um espao vetorial de dimenso 1. Qualquer vetor autovetor de qualquer operador linear desse espao vetorial (basta pensarmos na matriz desses operadores
lineares: [a1 ]). Assim, basta tomarmos um vetor normal desse espao vetorial, que teremos
uma base ortonormal.
Considerando agora o teorema vlido para espaos de dimenso n e seja dim U = n+1.
Do Teorema 5.33 sabemos que existe um autovetor de T , digamos u1 . Seja g1 = kuu11 k g1
autovetor de T . Seja V1 = [g1 ] e considere o espao vetorial V1 que possui dimenso
n. H uma base {g2 , g3 , . . . , gn+1 } ortonormal de autovetores de T (j que o teorema foi
considerado vlido para espaos vetoriais de dimenso n). Assim, a base {g1 , g2 , . . . , gn+1 }
uma base ortonormal formada por autovetores de T .
Nota 5.38 Vale a recproca do teorema espectral: se existe uma base ortonormal formada
por autovetores de T , ento T auto-adjunto.
Nota 5.39 Tanto o teorema espectral quanto sua recproca permanecem vlidos para o
caso de operadores hermitianos. Neste caso, a recproca precisa da hiptese adicional de
que os autovalores so reais.
5.3.2
Diagonalizao de Operadores Ortogonais
Proposio 5.40 Num espao vetorial de dimenso 2, um operador ortogonal obedecer

uma das quatro condies a seguir:
1. T no diagonalizvel e sua matriz em relao a uma base ortonormal da forma:

cos sin
sin cos
para 6= 0 e 6= .
2. T admite a forma diagonal:

1 0
0 1
3. T admite a forma diagonal:

1 0
0 1
86

4. T admite uma das formas diagonais:

1 0
1 0
0 1
0 1
Prova. Seja U um espao vetorial euclideano de dimenso 2 e seja T um operador

ortogonal em U . Seja B = {u, v} uma base ortonormal de U , de tal sorte que:

a c
[T ]B =
b d
Como [T ]B uma matriz ortogonal, as seguintes condies devem ser obedecidas:
a2 + b 2 = 1
(5.1)
c2 + d2 = 1
(5.2)
ac + bd = 0
(5.3)
De (5.1) e (5.2), podemos escrever:

a = cos b = sin
c = sin d = cos
sendo e ngulos no intervalo (, ]. De (5.3), podemos afirmar que:
sin( + ) = 0
ou seja, + = 0, + = , ou ainda, + = 2 (neste ltimo caso, = e = ).
De qualquer forma, a matriz [T ]B assumir uma das formas a seguir:

cos sin
cos sin
sin cos
sin cos
No primeiro caso, PT () = 2 2(cos ) + 1. Neste caso, as razes so complexas
sempre que 6= 0 e 6= , iguais a 1 quando = 0, e iguais a 1 quando = .
No segundo caso, PT () = 2 1 e os autovalores so = 1.
Teorema 5.41 Seja T um operador ortogonal num espao vetorial euclideano de dimenso finita e no nula. Existe uma base ortonormal deste espao vetorial relativamente
qual a matriz de T tem a forma:
...
..
cos
sin
1
1
sin 1 cos 1
.
..
cos k sin k
sin k cos k
87
onde todos os elementos que no aparecem na matriz so nulos.

Nota 5.42 A matriz referente ao Teorema 5.41 pode no possuir elementos iguais a 1 ou
a 1, como tambm pode no conter nenhum dos blocos 2 2 caractersticos das rotaes.
5.4
Lista de Exerccios
Exerccio 5.43 Achar os valores e vetores prprios do operador T do R2 dado por:

1. T (x, y) = (x + y, x y);
2. T (x, y) = (x, y);
3. T (1, 0) = (0, 1) e T (0, 1) = (1, 0).
Exerccio 5.44 Achar os valores e os vetores prprios do operador linear T do R3 dado
por:
1. T (1, 0, 0) = (2, 00), T (0, 1, 0) = (2, 1, 2) e T (0, 0, 1) = (3, 2, 1);
2. T (1, 0, 0) = (0, 0, 0), T (0, 10) = (0, 0, 0) e T (0, 0, 1) = (5, 1, 2).
Exerccio 5.45 Determine os valores e vetores
em relao base cannica :
3 1 0
0 3 0
0 0 4
0 0 0
prprios do operador T do R4 cuja mariz
0
0
0
3
Exerccio 5.46 Determinar o polinmio caracterstico e os valores prprios do operador

linear T : V V que definido em uma base {e1 , . . . en } por T (ei ) = 1 e1 (i R).
Exerccio 5.47 Calcular os polinmios caractersticos e os valores prprios das seguintes
matriz:

2 1
1 3
2 0
1 1
,
,
,
.
1 1
3
1
0 1
1
1

1 1
Exerccio 5.48 Seja
a matriz de um operador do R2 . Ache os valores prprios
0 1
desse operador. Existem, nesse caso, dois vetores prprios linearmente independentes?
Exerccio 5.49 Provar que se valor prprio de T , ento n valor prprio de T n .
Generalizando, se P (t) um polinmio, ento P () valor prprio de P (T ), em que
P (T ) = a0 I + a1 T + . . . + an T n , se P (t) = a0 + a1 t + . . . + an tn .
88
Exerccio 5.50 Um operador linear A no espao vetorial V chamado de involuo se

A2 = I, onde I o operador identidade em V . Seja dim V = n < .
1. Mostre que se A uma involuo, ento possvel encontrar uma base de V formada
por autovetores de A.
2. Seja C um conjunto formado por involues de V que comutam entre si (duas a
duas). Encontre (em termos de n) o maior nmero de elementos de C.
5.5
5.5.1
Aplicaes da Diagonalizao
Potncias de uma Matriz
Seja D = diag(1 , 2 , . . . , n ). fcil mostrar que:

Dp = diag(1 p , 2 p , . . . , n p )
Alm disso, se D inversvel (o que equivalente a dizer que todos os i so no
nulos) ento a igualdade anterior vale p inteiro. Isso mostra a facilidade que se tem para
elevar uma matriz diagonal a um certo expoente. Essa facilidade no a mesma para
uma matriz no diagonal. Mas se A diagonalizvel, vejamos como aproveitar isso.
Teorema 5.51 Sejam A, D, M Mn (K), com M inversvel, de modo que:
A = M DM 1
Ento, para todo p N , vale:
Ap = M DP M 1
Prova. feita por induo:
p = 1: no h o que provar (hiptese inicial)
Se Ap = M DP M 1 , ento Ap+1 = M DP M 1 (M DM 1 ) = M DP +1 M 1 .
5.5.2
Diagonalizao e Cnicas
Considere a equao de uma cnica:

Ax2 + Bxy + Cy 2 + Dx + Ey + F = 0
sendo A, B, C, D, E, F R.
A equao est escrita na base cannica e se B 6= 0, o reconhecimento da cnica
descrita no nada trivial. O procedimento usual em Geometria Analtica para dar cabo
a este contratempo consiste em fazer uma cautelosa rotao de eixos de um ngulo tal
5.5. APLICAES DA DIAGONALIZAO
89
que, na nova base, tenha-se B = 0. Vamos atacar este problema de outro modo. Para
tanto, veja que:

x
A B/2
2
2
Ax + Bxy + Cy = x y
B/2 C
y

x
e sendo B a base cannica, [(x, y)]B =
.
y

A B/2
Entretanto, como a matriz
simtrica, ela sempre pode ser diagonaB/2 C
lizada (numa base ortonormal formada por seus autovetores). Se esta matriz estiver
numa forma diagonal, a identificao da cnica passa a ser uma tarefa bem mais simples.
Exemplo 5.52 Identifique a cnica descrita pela equao:
7x2 + 6xy + y 2 + 10x 10y 8 = 0

A B/2
7 3
Para isso, tomemos a matriz P =
=
.
B/2 C
3 1
Autovalores de P : 2 + 6 16 = 0 ( + 8)( 2) = 0 1 = 8, 2 = 2

1
1 3
a
3
= 00 u1 =
3 9
b
10 1

1
9 3
a
1
= 00 u2 =
3 1
b
10 3
Na base {u1 , u2 } teremos uma representao diagonal. Vejamos: seja C = {u1 , u2 } e
B a base cannica. Temos:

x x
3/ 10 1/10
MBC =
[(x, y)]C = MCB
=
y
y
1/ 10 3/ 10

7 3
3 1

= MBC
8 0
0 2

MCB = MCB
Assim, temos que:

7 3

x
x y
= x y
3 1
y

= x y
8 0
0 2

MCB

8 0
x
MCB
MCB
y

0 2
8 0
x
MCB
0 2
y
2
2
= 8
x + 2
y
90

Da mesma forma:

10 10
x
y

x
=
10 10 MBC
y

3/ 10 1/ 10
x
=
10 10
y
1/ 10 3/ 10

x
= 4 2
y
= 4
x 2
y
A nova equao, escrita em termos de x, y, fica:

8
x2 + 2
y 2 + 4
x 2
y8=0
8(
x 1/4)2 + 2(
y 1/2)2 8 = 0
Logo, trata-se de uma hiprbole.
5.5.3
Exponencial de Matrizes
Consideremos uma sequncia A1 , A2 , . . . , Ak , . . . de matrizes reais de ordem m n. Suponhamos Ak = (aij (k) ), k = 1, 2, . . .. Dizemos que a sequncia dada converge para B = (bij )
do mesmo tipo se as sequncias de nmeros reais
aij (1) , aij (2) , . . . , aij (k) , . . .
convergem para bij , para todo i = 1, . . . , m e todo j = 1, 2, . . . , n. Por exemplo:

1 0
1/4 0
1/9 0
1/n2 0
,
,
,...,
,...
0 0
0 0
0 0
0
0
converge para a matriz nula.
Se a sequncia A1 , A1 + A2 , A1 + A2 + A3 , . . . convergir para a matriz B ento dizemos
P
que a srie infinita
An convergente para a matriz B, que nesse caso, recebe o nome
n=1
de soma da srie.
Pode-se provar que, se A Mn (C), ento a srie exponencial:
I +A+
X Ap
Ap
A2 A3
+
+ ... +
+ ... =
2!
3!
p!
p!
p=0
convergente. O resultado dessa srie eA , e em geral, difcil de ser obtido. Porm se

A for diagonalizvel, ento: A = M DM 1 e tambm Ap = M Dp M 1 .
!
p
p
X
X
D
D
eA =
M 1 =
M 1 = M eD M 1
M
p!
p!
p=0
p=0
sendo D = diag(1 , 2 , . . . , n ) ento eD = diag(e1 , e2 , . . . , en ).
Assim sendo, a diagonalizao fornece um meio bastante eficaz de obter a exponencial
de uma matriz. Veremos a seguir um outro mtodo.
5.5. APLICAES DA DIAGONALIZAO
91
Teorema 5.53 (Teorema de Cayley-Hamilton): Seja A Mn (K): (K = R ou C) e

seja:
pA (t) = (1)n tn + an1 tn1 + . . . + a1 t + a0
o polinmio caracterstico de A. Ento pA (A) = 0, onde
pA (A) = (1)n An + an1 An1 + . . . + a1 A + a0 I
Este teorema no difcil de ser demonstrado no caso em que A diagonalizvel, mas
ele vlido para qualquer matriz A. De uma forma sutil, ele nos revela que An pode
ser escrito como uma combinao linear de An1 , An2 , . . . , I (o mesmo valendo para
potncias Ap , p n).
Teorema 5.54 (Frmula de Interpolao de Sylvester): Seja A Mn (K) (K = R
ou C) com autovalores 1 , 2 , . . . , p com as respectivas multiplicidades m1 , m2 , . . . , mp . Se
f uma funo bem comportada, sabe-se que, por consequncia do Teorema de CayleyHamilyon, f (A) admite uma representao polinomial em A.
f (A) = n1 An1 + n2 An 2 + . . . + 1 A + 0 I
{z
}
|
g(A)
Sendo g(A) o polinmio anterior, ento

f (k) (j ) = g (k) (j ), j = 1, . . . , p, k = 0, 1, . . . , mj 1

1 1
Exemplo 5.55 Seja A =
. Calcule eA . Podemos resolver tanto pela diagonali1 1
zao, quanto pela frmula de Sylvester. Faremos pelos dois:
1. Pela diagonalizao. Fazendo os clculos, obtemos:

1 1
0 0
1/2 1/2
A=
1 1
0 2
1/2 1/2
A
Assim e =
1 1
1 1

1 0
0 e2

1/2 1/2
1/2 1/2
1
=
2

e2 + 1 e2 1
.
e2 1 e2 + 1
2. Pela frmula de Sylvester. Temos que os autovalores de A so: 1 = 0, 2 = 2 com

m1 = m2 = 1. Temos f (A) = eA , g(A) = A + I. Assim:

f (1 ) = g(1 )
1=
= (e2 1)/2
f (2 ) = g(2 )
e2 = 2 +
=1
(e2 1)
e =
2
A
1 1
1 1

+
1 0
0 1
1
=
2
e2 + 1 e2 1
e2 1 e2 + 1
Vemos, portanto, que os dois mtodos chegaram no mesmo resultado.
92

1 1
Exemplo 5.56 Obtenha a exponencial de
.
0 1
Nesse caso, como A no diagonalizvel, devemos usar a frmula de Sylvester.
f (A) = eA , g(A) = A + I,

5.6
f (1 ) = g(1 )
f (2 ) = g(2 )
e=+
e=
1 = 1, m1 = 2

=e
eA =
=0
e e
0 e
Forma Cannica de Jordan
Temos que nem toda matriz de Mn (C) (e nem todo operador) diagonalizvel. Mas e se
quisssemos encontrar uma matriz M de modo que, dada uma matriz A, M 1 AM fosse
o mais prximo possvel de uma diagonal?
Caso A seja diagonalizvel, basta pegar a matriz M formada pelos autovetores de
A, que M 1 AM ser perfeitamente diagonal. Num caso geral, porm, podem faltar
autovetores e uma forma diagonal se torna impossvel. Nesta seo nos ocuparemos desse
caso mais geral.
Inicialmente, faremos algumas convenes. Estaremos trabalhando sobre o corpo C.
Vale notar que alguns dos resultados obtidos aqui tambm sero vlidos para R, mas nem
todos. De certo modo, porm, os nmeros reais podem ser considerados como um caso
particular de um nmero complexo. Outra vantagem de usar o corpo dos complexos
que todo polinmio real admite raiz complexa, mas nem sempre admite raiz real.
Definamos agora o que a forma cannica de Jordan.
Definio 5.57 Se uma matriz A tem s autovetores LI, ento ela semelhante a uma
matriz J que est na forma cannica de Jordan, com s blocos na diagonal.
J = M 1 AM =
J1 0 0
0 J2 0
0 0 J3
.. .. ..
. . .
0 0 0
..
.
0
0
0
..
.
Js
onde cada bloco de Jordan Ji possui um autovetor, um autovalor e nmeros 1 bem acima
da diagonal:
i 1 0
0 0
0 i 1
0 0
0 0 i 0 0
Ji = .. ..
..
. . . .. ..
. .
.
. .
0 0 0 i 1
0 0 0
0 i
5.6. FORMA CANNICA DE JORDAN
93
Exemplo 5.58 Temos que a matriz
J =
8
0
0
0
0
1
8
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
encontra-se na sua forma cannica de Jordan.

Possui um autovalor duplo 1 = 8 com o
t
autovetor associado u1 = 1 0 0 0 0 ao qual corresponde o bloco J1 . Um autovalor
triplo 2 = 0 com dois autovetores associados u3 e u5 , aos quais correspondem os blocos
de Jordan J2 e J3 .
Nota 5.59 Vemos que, na frmula cannica de Jordan, se uma matriz de ordem n possuir
n autovetores LI, todos os blocos de Jordan seriam 1 1 e teramos a forma diagonal da
matriz.
Mas como podemos achar a frmula cannica de Jordan? Como saber se a frmula
cannica de Jordan de uma certa matriz A 5 5 o J do exemplo anterior? Em outras
palavras, quando existir um M tal que M 1 AM = J?
Primeiramente, necessrio que A compartilhe os mesmos autovalores de J: 8, 8, 0,
0 e 0. Vale notar, porm, que a matriz diagonal com esses autovalores no semelhante
a J. Precisamos tambm de uma nova definio, a de autovetor generalizado:
Definio 5.60 Dada uma matriz A Mn (C) e um autovalor , uma matriz coluna
no nula x Mn1 (C) um autovetor generalizado de ordem k associado a quando
(A I)k x = e (A I)k1 x 6= .
Nota 5.61 Note que autovetores genunos (aqueles que estamos acostumados a lidar at
agora) so autovetores generalizados de ordem 1.
Para resolver ento nosso problema inicial, reescrevamos M 1 AM = J como AM =
M J:
8 1

0 8
0
1
A x1 x2 x3 x4 x5 = x1 x2 x3 x4 x5
0 0
0
Fazendo cada uma das multiplicaes, uma coluna por vez, temos que:
Ax1 = 8x1
Ax3 = 0x3
Ax2 = 8x2 + x1
Ax4 = 0x4 + x3
Ax5 = 0x5
Portanto, com algumas manipulaes matemticas podemos notar que:

94

A deve ter trs autovetores genunos: x1 , x3 e x5 associados aos autovalores 8, 0 e
0.
A deve ter dois autovetores generalizados: x2 e x4 associados aos autovalores 8 e 0.
Note que:
(A 8I)x2 = x1 (A 8I)2 x2 =
(A 0I)x4 = x3 (A 0I)x4 =
Definio 5.62 Seja v (k) um autovetor generalizado de ordem k associado a . Temos

que (A I)k v (k) = e (A I)k1 v (k) 6= . Considere agora v (k1) = (A I)v (k) .
Temos que: (A I)k1 v (k1) = e (A I)k2 v (k1) 6= . Portanto, v (k1) um
autovetor generalizado de ordem k 1.
Assim, dado um autovetor generalizado de ordem k v (k) , podemos construir uma
sequncia de autovetores generalizados de ordem menor que k:
{v (k) , v (k1) , . . . , v (1) },
v (j) = (A I)v (j+1) , j = k 1, k 2, . . . , 1
Essa chamada de cadeia de autovetores generalizados. Indutivamente, prova-se que

os outros vetores da cadeia so autovetores generalizados, e tambm pode-se mostrar que
a cadeia LI.
Agora, podemos elaborar uma receita para obter a forma cannica de Jordan.
5.6.1
Obteno da Forma Cannica de Jordan
Considere uma matriz A Mn (C). Obtemos os seus autovalores: 1 , . . . , p (contados

sem multiplicidade). Obtemos tambm seus autovetores genunos: u1 , . . . , ur .
Num caso mais simples: se h n autovetores LI, ento A diagonalizvel
e sua forma
cannica de Jordan J = diag(1 , . . . , p ). A matriz M = u1 . . . un formada pelos
autovetores de A, tal que M 1 AM = J.
Suponhamos agora que A no diagonalizvel. Consideremos um caso complicado:
um autovalor cuja multiplicidade geomtrica q menor que a algbrica m. Existe um
(1)
(1)
conjunto x,1 , . . . x,q de autovetores (genunos) LI. Precisamos obter os m q autovetores
generalizados(no genunos) restantes. Na verdade, precisamos obter todas as cadeias de
autovetores generalizados.
(1)
Para tanto, para cada autovetor x,j associado a este , devemos tentar resolver (A
(2)
(1)
I)x,j = x,j . Se no for possvel, parar e tentar novamente para outro autovetor. Se for
possvel, porm, foi encontrado um autovetor generalizado de ordem 2. Em seguida, tentar
(2)
(3)
(2)
resolver novamente para este x,j o sistema (A I)x,j = x,j e prosseguir enquanto for
possvel. Deve-se achar uma cadeia de k autovetores generalizados. Associada a esta
cadeia, teremos um bloco de Jordan de tamanho k.
Devemos agora construir a matriz M tal que M 1 AM = J. em analogia com o caso em
que A diagonalizvel, inferimos que M deve ser constituda pelos autovetores genunos e
generalizados de A. Relembrando: 1 , 2 , . . . , p so os autovalores de A. Cada autovalor
tem multiplicidade algbrica mi e multiplicidade geomtrica qi , mas agora isto no
95
o mais importante para construir M . Cada autovalor i tem ri cadeias de autovetores

generalizados: Ci ,1 , Ci ,2 , . . ., Ci ,ri . Cada cadeia Ci ,j tem ki,j autovetores generalizados.
h
i
(ki,j )
(1)
(2)
Ci ,j = xi ,k xi ,k xi ,k
M=
C1 ,1 C1 ,r1 Cp ,rp
Assim: M 1 AM = J, onde J :
J =
J1 ,1
..
J1 ,r1
..
.
Jp ,rp
onde cada Ji ,j um bloco de Jordan ki,j ki,j .

Exemplo 5.63 Encontremos uma matriz M
de Jordan:
A= 0
0
tal que M 1 AM esteja na forma cannica
1 2
1 3
0 2
Primeiro achamos os autovalores de A. Temos que eles so: 1 = 1, com multiplicidade algbrica m1 = 2 e geomtrica q1 = 1, e 2 = 2 com m2 = 1 e q2 = 1.
Os autovetores genunos de A so:

1
5
u1 = 0
u2 = 3
0
1
Precisamos encontrar um autovetor generalizado associado a 1 = 1 (pois este possui
(1)
multiplicidade algbrica maior que a geomtrica). Sendo u1 = u1 e resolvendo (A
(2)
(1)
I)u1 = u1 , temos:

0
(2)
u1 = 1
0
1 0 5
1 1 0
Finalmente, tomando M = 0 1 3 temos M 1 AM = 0 1 0 (confira!).
0 0 1
0 0 2
Nota 5.64 Apesar de infalvel, o algoritmo para se achar a forma cannica de Jordan
longo, e exaustivo para ordens maiores. Portanto, nem sempre necessrio seguir o
algoritmo completamente, sendo possvel obter, em alguns casos, a forma de Jordan de
uma matriz apenas por inspeo.
96
5.6.2
Polinmio Mnimo
Seja pA (t) o polinmio caracterstico da matriz A (n n). J vimos, pelo teorema de

Cayley-Hamilton, que: pA (A) = , onde pA um polinmio de grau n. Ser que existe
um polinmio mA de grau menor que n tal que: mA (A) = ?
A resposta : sim, em muitos casos. Veja o caso das matrizes Identidade e Nula. Este
polinmio conhecido como polinmio mnimo. Vejamos como obt-lo a partir da forma
cannica de Jordan.
Proposio 5.65 Conhecidos os autovalores 1 , . . . , p (contados sem multiplicidade) da
matriz A, o polinmio mnimo de A :
p
Y
(i t)n i
mA (t) =
i=1
onde n
i o tamanho do maior bloco de Jordan associado a i .
Usando a forma cannica de Jordan de A, segue que: mA (A) = .
Nota 5.66 Note que as potncias neste polinmio anulam todos os blocos de Jordam de
A e, por isso, mA (A) = .
Exemplo 5.67 As matrizes:
3 0 0
A= 0 3 0
0 0 3
3 1 0
B= 0 3 0
0 0 3
3 1 0
C= 0 3 1
0 0 3
possuem o mesmo polinmio caracterstico p() = (3 )3 , mas diferentes polinmios

mnimos: mA () = (3 ), mB () = (3 )2 e mC () = (3 )3 .
Exemplo 5.68 As matrizes:
A=
3
0
0
0
0
1
3
0
0
0
0
1
3
0
0
0
0
0
3
0
0
0
0
0
3
B=
3
0
0
0
0
1
3
0
0
0
0
1
3
0
0
0
0
0
3
0
0
0
0
1
3
possuem o mesmo polinmio caracterstico p() = (3 )5 , e tambm o mesmo polinmio

mnimo: m() = (3 )3 .
5.6.3
97
Aplicaes da Forma Cannica de Jordan
Consideremos a matriz A escrita em sua forma cannica de Jordan: A = M JM 1 . Para

elevar a matriz a uma certa potncia, temos An = M J n M 1 . Mas obter J n fcil, pois:
n n
0
0 0
J1 0 0 0
J1
0 J2 n 0 0
0 J2 0 0
0 J3 n 0
J n = 0 0 J3 0 = 0
.. .. .. . .
..
..
..
..
..
.
.
.
. . .
. .
.
.
.
.
0 0 0 Js
0
0
0 Js n
A questo agora como elevar um certo bloco de Jordam n-sima
potncia.
1
Comecemos com o exemplo mais simples possvel: J =
. Para este caso,
0
2

3

2
32
4 43
3
4
temos: J 2 =
,
J
=
,
J
=
. Por induo chega-se a:
0 2
0 3
0 4

n
nn1
n
J =
0
n
1 0
2 1
Complicando um pouco mais: J = 0 1 . Temos que: J 2 = 0 2 2 ,
0 0
0 0 2
3
32 3
4 43 62
3
2
3
4
J = 0 3 , J = 0 4 43 . Novamente, por induo, chega-se a:
0
0
4
0
0
3
n
n1 n(n 1) n2
2 n1
Jn = 0
n
n
0
Repetindo o raciocnio para um bloco p p:

Teorema 5.69 Sendo f (x) = xn , e J um bloco de Jordan p p, temos que J n igual a:
f 0 ()
f (p2) () f (p1) ()
f ()
1!
(p 2)!
(p 1)!
(p3)
f
() f (p2) ()
0
f ()
(p
3)!
(p
2)!
Jn =
..
..
..
..
..
.
.
.
.
.
f 0 ()
f ()
1!
0
0
0
f ()
Agora, ser que isso que foi visto para potenciao tambm pode ser generalizado
para funes mais gerais? Ou seja, ser que, supondo que se conhea a forma cannica
de Jordan de A. Ser que f (A) = M f (J)M 1 ?
98
A resposta : depende. Se f for uma funo polinomial f (A) = a0 I +a1 A+. . .+an An ,
ento podemos dizer que f (A) = M f (J)M 1 . E este resultado continua vlido no caso
em que f (A) escrita como uma srie de potncias convergente, como por exemplo: eA ,
sinh(A) e log(A). Porm, h funes que no satisfazem essa condio, como por exemplo
f (A) = At .
No caso em que f (A) = M f (J)M 1 , ento:
0
0
0
f (J1 )
0
0
0
f (J2 )
0
f
(J
)
0
3
f (J) =
..
..
..
..
.
.
.
.
.
.
.
0
0
0
f (Js )
Mas como calcular f de um certo bloco de Jordan? O melhor de tudo que podemos
fazer exatamente como antes! Portanto:
Teorema 5.70 Sendo f uma funo continuamente diferencivel, e J um bloco de Jordan
p p, temos que f (J) dado por:
f (p2) () f (p1) ()
f 0 ()
f ()
1!
(p 2)!
(p 1)!
(p3)
(p2)
f
()
f
()
0
f
()
(p
3)!
(p
2)!
f (J) = .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
f ()
0
0
f ()
1!
0
0
0
f ()
5.7
Lista de Exerccios
Exerccio 5.71 Determinar, se possvel, uma matriz M M2 (R) de maneira que

M 1 AM seja diagonal nos seguintes casos:

2 4
1.
3 13

3 2
2.
2
1
Exerccio 5.72 Achar uma matriz diagonal semelhante seguinte matriz:
3 1 1
6
1
2
2
1
0
Exerccio 5.73 Estudar quanto possibilidade de diagonalizao as matrizes:
99
1 2 2
1. 2 1 2
2 2 3
1 0 0
2. m 2 0
n 0 2
1 4 2 2
4 1 2 2
3.
2
2
1
4
2
2
4
1
1
1
1
1
1
1 1 1
4.
1 1
1 1
1 1 1
1
Exerccio 5.74 Seja A L(R3 ) o operador linear
2
2
2
1
(aij ) =
0
0
cuja matriz relativa base cannica :
0
0
2
1. Achar os valores prprios de A.

2. Achar uma base ortonormal do R3 em relao qual a matriz de A diagonal.
3. Achar uma matriz M ortogonal tal que M T (aij )M a matriz diagonal obtida no
item anterior.
Exerccio 5.75 Seja A L(R3 ) definida por
A(x, y, z) = (x + y + z, x + y + z, x + y + z)
1. Achar os valores prprios de A.
2. Achar uma base ortonormal B do R3 tal que (A)B diagonal.
3. Qual a matriz de mudana da base cannica do R3 para B?
Exerccio 5.76 Calcular Ap nos seguintes casos:

2 4
1.
3 13
0 7 6
0
2. 1 4
0 2 2
100
0 1 5
9
2 1 6
8
3.
0 0 0
3
0 0 1 2
1 4 2 2
4 1 2 2
4.
2
2
1
4
2
2
4
1
Exerccio 5.77 Calcule eA usando as matrizes do exerccio anterior.

Exerccio 5.78 Ache todas as possveis formas cannicas de Jordan de um operador
linear T cujo polinmio caracterstico pT (t) = (t + 1)2 (t 2)3 .
Exerccio 5.79 Ache a forma cannica de Jordan das seguintes matrizes:
2
1
0
1. 1 1 1
0
1
2
2
1
0
1
1
3 1
3
2.
0
1
2
1
1 1 1 1
1
0 1 1 0
4
1 3 2 1
2
1
0
1
1
3.
3 1 3 4 1
8 2 7 5 4
Exerccio 5.80 Seja A uma forma cannica de Jordan com r blocos de Jordan. Mostre
que A admite exatamente r vetores prprios linearmente independentes.
Exerccio 5.81 Ache a forma cannica de Jordan para o operador diferencial derivada
D : P3 (C) P3 (C).
Exerccio 5.82 Identifique as seguintes curvas de segundo grau:
1. 2xy + 3x y + 1 = 0
2. 4x2 24xy + 11y 2 + 56x 58y + 95 = 0
3. 6x2 4xy + 9y 2 4x 32y 6 = 0
4. 16x2 24xy + 9y 2 19x 17y + 11 = 0
101
5. 4x2 20xy + 25y 2 + 4x 10y + 1 = 0

6. x2 + y 2 + xy x + 1 = 0
Exerccio 5.83 Discutir, em termos de valores de , as cnicas de equao:
1. x2 2xy + y 2 2x + 2y + 3 = 0
2. x2 2xy + y 2 + 2x = 4
Exerccio 5.84 Resolva as relaes de recorrncia com as respectivas condies iniciais:
1. x0 = 0, x1 = 5, xn = 3xn1 + 4xn2 para n 2;
2. x0 = 0, x1 = 1, xn = 4xn1 3xn2 para n 2;
3. y1 = 1, y2 = 6, yn = 4yn1 4xn2 para n 3;
4. a0 = 4, a1 = 1, an = an1
an2
4
para n 2;
5. b0 = 0, b1 = 1, bn = 2bn1 + 2bn2 para n 2;

Exerccio 5.85 Voc tem um suprimento de trs tipos de ladrilhos: dois tipos de ladrilhos
1 2 e outro tipo de ladrilho 1 1, como mostra a figura abaixo:
Seja tn o nmero de maneiras diferentes de se recobrir um retngulo 1 n com esses

ladrilhos. Por exemplo, a figura abaixo mostra que t3 = 5:
1. Determine t1 , . . . t5 . Ser que t0 faz algum sentido? Se sim, qual?

102
2. Determinar uma relao de recorrncia de segunda ordem para tn .

3. Usando t1 e t2 como condies iniciais, resolva a relao de recorrncia da parte 2.
Confira a sua resposta com os dados da parte 1.
Exerccio 5.86 Voc tem um suprimento de domins 1 2 com os quais voc ir recobrir
um retngulo 2 n. Seja dn o nmero de diferentes maneiras de se recobrir o retngulo.
Por exemplo, a figura abaixo mostra que d3 = 3.
1. Determine d1 , . . . d5 . Ser que d0 faz algum sentido? Se sim, qual?

2. Determinar uma relao de recorrncia de segunda ordem para dn .
3. Usando d1 e d2 como condies iniciais, resolva a relao de recorrncia da parte 2.
Confira a sua resposta com os dados da parte 1.
Exerccio 5.87 Seja X uma matriz no singular com colunas X1 , X2 , . . . , Xn . Seja Y
uma matriz com colunas X2 , X3 . . . , Xn , O. Mostre que as matrizes A = X 1 Y e B =
Y X 1 tm posto n 1 e 0 como o nico autovalor.
Exerccio 5.88 Sejam A e B matrizes reais n n. Assuma que existam n + 1 reais
diferentes t0 , t1 , . . . , tn tal que as matrizes
Ci = A + ti B
i = 0, 1, . . . , n
so nilpotentes (Cin = 0). Mostre que tanto A como B so nilpotentes.

Exerccio 5.89 Sejam A, B Mn (C) tais que:
A2 B + BA2 = 2ABA.
Mostre que existe um inteiro positivo k tal que (AB BA)k = 0.
103
Exerccio 5.90 Dada uma matriz A Mn (R) simtrica e uma matriz C Mn (R) no
singular, mostre que C T AC possui o mesmo nmero de autovalores positivos, nulos e
negativos que A.
Exerccio 5.91 Para quais valores de s e t as matrizes seguintes possuem todos os autovalores positivos?
s 4 4
t 3 0
s 4
A = 4
B= 3 t 4
4 4
s
0 4 t
Exerccio 5.92 D uma razo imediata para o motivo de cada uma dessas afirmaes
serem verdadeiras:
1. Toda matriz positiva definida invertvel.
2. A nica matriz de projeo positiva definida I. OBS.: Uma matriz P chamada
de projeo quando for simtrica e P 2 = P .
3. Uma matriz diagonal com elementos diagonais positivos positiva definida.
4. Uma matriz simtrica com um determinante positivo pode no ser positiva definida.
Exerccio 5.93 H alguma soluo (x, y, z) R3 para 2x2 +2y 2 +2z 2 2xy 2yz +2xz =
15?
105
Captulo 6
Equaes Diferenciais Ordinrias
6.1
Classificao de Equaes Diferenciais
Definio 6.1 Uma equao diferencial (ou, simplesmente, ED) uma equao que envolve uma varivel incgnita (y, por exemplo) e necessariamente suas derivadas (y 0 , y 00 ,
. . ., y (n) ). A varivel independente (em geral t ou x) pode aparecer explicitamente ou
implicitamente. Quando h apenas uma varivel independente a equao chamada de
Equao Diferencial Ordinria (EDO), e quando h duas ou mais, chamada de Equao
Diferencial Parcial (EDP).
Exemplo 6.2 So exemplos de EDOs:
1. Num circuito RLC: LC v + RC v + v = E(t)
2. No decaimento radioativo:
3. Num pndulo simples:
dN
= N
dt
d2
g
+ sin = 0
2
dt
L
Exemplo 6.3 So exemplos de EDPs:

u
d2 u
1. A equao da onda: c
= 2
dx2
dt
2d
2. Na difuso de um material:
du
2f
2f
2f
= D2 u, onde 2 = (f ) =
+
+
dt
x2
y 2
z 2
3. A equao de Laplace: 2 u = 0
Nota 6.4 Se existirem duas ou mais funes incgnitas, precisamos de um Sistema de
Equaes Diferenciais Ordinrias (SEDO).
Exemplo 6.5 Na Ecologia, temos as equaes de Lotka-Volterra, usadas para representar
a variao das populaes de espcies relacionadas por uma interao predador-presa em
106
CAPTULO 6. EQUAES DIFERENCIAIS ORDINRIAS
funo do tempo. Tomando, por exemplo, coelhos representados pela letra c (presa) e
raposas representadas pela letra r (predador), temos:
dc = ac rc
dt
dr
= r + rc
dt
Definio 6.6 Existe tambm o conceito de ordem para equaes diferenciais. A ordem
de uma ED a ordem da maior derivada que aparece. De modo geral:
F (t, u(t), u0 (t), . . . , u(n) ) = 0
uma EDO de ordem n, desde que F no seja constante na ltima varivel de entrada
F
( (n) 6= 0).
u
Exemplo 6.7 A equao y 000 + 2et y 00 + y(y 0 )5 = t10 uma EDO de ordem 3.
Definio 6.8 As equaes diferenciais ordinrias tambm podem ser classificadas em
lineares e no-lineares. Seja F uma EDO dada por F (t, y, y 0 , . . . , y (n) ) = 0. F dita
linear se, e somente se, for linear nas variveis y, y 0 , . . . , y (n) . Caso contrrio, F dita
no-linear. As equaes diferenciais ordinrias sero abreviadas para EDOL.
Nota 6.9 Uma EDO linear sempre assume a forma
an (t)y (n) + an1 (t)y (n1) + . . . + a1 (t)y 0 + a0 (t)y = g(t)
e tambm sempre:
1. As funes y (n) , y (n1) , . . . , y 0 , y aparecem elevadas potncia 1.
2. No h produtos do tipo y (k) y (`) .
Exemplo 6.10 Analisemos as equaes a seguir:
1. ex y 00 + x2 y 0 + x3 y = x4 linear.
2. ex y 00 + x2 y 0 + xy 3 = y no-linear, pois contm o termo y 3 .
3. y 0 + ex y = 0 linear.
4. y 0 + ey y = 0 no-linear, pois contm o termo ey .
Definio 6.11 As EDOLs tambm podem ser classificadas em outras categorias:
1. Homognea ou no-homognea. Sendo homognea quando g(t) = 0 (abreviada para
EDOLH).
2. De coeficientes constantes (CC)
a0 (t) = a0 , a1 (t) = a1 , . . . , an (t) = an
ou, caso contrrio, de coeficientes variveis (CV).
6.2. PRIMEIRAS PROPRIEDADES DAS EDOLS
6.1.1
107
Soluo de uma EDO
Definio 6.12 Definimos como soluo de uma EDO F (t, (t), 0 (t), . . . , (n) (t)) = 0
qualquer funo y = (t) definida no intervalo < t < de modo que 0 , 00 , . . . , (n)
existem e satisfazem a equao
F (t, (t), 0 (t), . . . , (n) (t)) = 0, t ], [
Nota 6.13 A funo y = (t, c1 , c2 , . . . , cn ) que contm n constantes de integrao arbitrrias e independentes chamada de soluo geral da EDO. Toda soluo obtida pela
atribuio de valores a c1 , c2 , . . . , cn chamada de soluo particular.
Se para a EDO y (n) = f (t, y, y 0 , . . . , y (n1) ), t (, ) so dadas as condies iniciais
(n1)
(problema de valor inicial) y(t0 ) = y0 , y 0 (t0 ) = y00 , . . . , y (n1) (t) = y0
e se conhece
a soluo geral y = (t, c1 , c2 , . . . , cn ) ento c1 , c2 , . . . , cn so determinadas, caso seja
possvel, pelo sistema de equaes:
y0
y00
..
.
(n1)
y0
= (t0 , c1 , c2 , . . . , cn )
= 0 (t0 , c1 , c2 , . . . , cn )
= (n1) (t0 , c1 , c2 , . . . , cn )
Exemplo 6.14 A EDO y 00

+ y = 0 possui soluo geral y(t) = c1 sin t + c2 cos t. Considey(0) = 0
rando as condies iniciais
temos a seguinte soluo particular y(t) = 3 sin t.
y 0 (0) = 3
6.2
Primeiras Propriedades das EDOLs
Seja L = an (t)Dn + an1 (t)Dn1 + . . . + a1 (t)D + a0 (t)I, tal que uma EDOL possa ser
representada por L(y) = g(t). Assumiremos:
1. an , . . . , a1 , a0 so funes de classe C 0 (a, b).
2. an (t) 6= 0, t (a, b) (EDO no possui singularidade).
3. g contnua em (a, b).
Desse modo, temos que L uma transformao linear do espao C n (a, b) para C 0 (a, b),
ou seja, L : C n (a, b) C 0 (a, b). Se g(t) = 0, t (a, b), temos uma EDOL e homognea.
Neste caso resolver L(y) = 0 equivale a encontrar Ker(L). Se y1 e y2 so solues de uma
EDOLH, qualquer combinao linear de y1 e y2 tambm soluo. A equao L(y) = 0
recebe o nome de equao diferencial homognea associada EDOL dada.
Teorema 6.15 Seja L(y) = g(t) uma EDOL e L(y) = 0 a homognea associada. Se
uma soluo (conhecida) de L(y) = g(t), ento o conjunto soluo de L(y) = g(t) :
{ + h : h Ker(L)} = { + h : h soluo da homognea associada}
108
Prova.
1. Dado um h Ker(L), + h soluo de L(y) = g(t).
L() + L(h) = g(t).
| {z } |{z}
g(t)
De fato:
2. Seja (t) uma outra soluo de L(y) = g(t). L() = g(t) e L() = g(t) L( ) =
0, ou seja, h um h Ker(L) tal que (t) (t) = h(t).

Nota 6.16 O Teorema 6.15 nos ensina um fato muito importante. Se quisermos achar
todas as solues de L(y) = g(t), podemos seguir 3 etapas:
1. Procuramos uma soluo particular de L(y) = g(t).
2. Determinamos o ncleo de L, isto , obtemos as solues da homognea associada.
3. Somamos cada funo do ncleo de L com a soluo particular (t) encontrada na
primeira etapa.
6.3
EDOL de Primeira Ordem
Considere o problema: a1 (t)y 0 + a2 (t)y = g(t), t (a, b). Desde que a1 (t) 6= 0, t (a, b),
(t)
y = ag(t)
. O nosso problema ento ser resolver y 0 + p(t)y = h(t).
podemos fazer y 0 + aa21 (t)
1 (t)
Para tal, multiplicamos a equao por u(t). Ficaremos com u(t)y 0 (t) + u(t)p(t)y(t) =
0
u(t)h(t). Basta escolhermos
u(t)
hR
i tal que u (t) = p(t)u(t). A funo que satisfaz essa
t
equao u(t) = exp t0 p(x)dx (Verifique!).
d
[u(t)y(t)]
dt
= u(t)h(t) e ento:
Z t
1
y(t) =
u(x)h(x)dx
u(t) t0
Com isso, temos o problema
Nota 6.17 O fator u chamado de fator integrante.

Teorema 6.18 Se as funes p e q so contnuas num intervalo I = (, ) contendo o
ponto t0 , ento existe uma nica funo y que satisfaz a EDO y 0 + p(t)y = q(t), t I e
que tambm satisfaz a condio inicial y(t0 ) = y0 , onde y0 um valor prescrito.
Exemplo 6.19 Obter a soluo geral da EDO y 0 2xy = x.
hR
i
2
2
x
u(x) = exp x0 2tdt = ex +x0
2
ex0 ex y 0 2xex0 ex y = ex0 ex x

2
dex y
2
= xex
dx
2
ex
x2
ye
=
+c
2
1
2
y = + Cex
2
6.4. EDOLH DE SEGUNDA ORDEM
109
Nota 6.20 Observe que o termo que aparece devido constante x0 ao se calcular u (que no
2
exemplo anterior foi ex0 ) sempreRse anular ao
R xser colocado na equao principal, portanto
x
p(t)dt = P (x), sendo P a primitiva de p
podemos ignor-lo e considerar x0 p(t)dt =
sem a constante de integrao.
6.4
EDOLH de Segunda Ordem
Uma EDOL de segunda ordem tem a forma geral:

y 00 + p(t)y 0 + q(t)y = g(t)
ou ainda, usando o operador L = D2 + p(t)D + q(t)I, temos:
L(y) = g(t)
Se associarmos uma dessas equaes as condies iniciais y(t0 ) = y0 e y 0 (t0 ) = y00
teremos um problema de valor inicial (PVI).
Teorema 6.21 Considere o PVI
y 00 + p(t)y 0 + q(t)y = g(t)
com y(t0 ) = y0 e y 0 (t0 ) = y00 , onde p, q e g so contnuas num intervalo aberto I que
contm o ponto t0 . Ento existe exatamente uma soluo (t) e a soluo existe em todo
o intervalo I.
Teorema 6.22 (Princpio da superposio): Se y1 e y2 so solues da EDO linear
e homognea de segunda ordem L(y) = 0, ento a combinao linear c1 y1 + c2 y2 tambm
soluo, quaisquer que sejam os valores das constantes c1 e c2 .
6.4.1
Wronskiano e Propriedades
Ser que qualquer soluo de uma EDOLH pode ser escrita como combinao linear de
duas solues determinadas?
Seja y uma soluo de L(y) = 0 e suponhamos que se possa escrever y = c1 y1 + c2 y2 .
Tomando t0 I, c1 e c2 devem satisfazer o sistema:

c1 y1 (t0 ) + c2 y2 (t0 ) = y0
c1 y10 (t0 ) + c2 y20 (t0 ) = y00
Para tanto, necessrio e suficiente que:

y1 (t0 ) y2 (t0 )
0
y1 (t0 ) y20 (t0 )

6= 0

110
Definio 6.23 Sejam y1 e y2 funes de C 1 (I), sendo

Define-se o Wronskiano de y1 e y2 como o determinante:

y (t ) y2 (t0 )
W [y1 , y2 ](t) = 10 0
y1 (t0 ) y20 (t0 )
{z
}
|
I um intervalo aberto de R.

W (t)
Teorema 6.24 Suponha que y1 e y2 so solues da EDOLH de segunda ordem e que o

Wronskiano W [y1 , y2 ](t) no se anula no ponto t0 onde so dadas as condies iniciais:
y(t0 ) = y0 , y 0 (t0 ) = y00 . Ento existe uma escolha de constantes c1 e c2 para as quais
y = c1 y1 + c2 y2 satisfaz a EDO e as condies iniciais.
Teorema 6.25 Se y1 e y2 so duas solues da EDOLH de segunda ordem L(y) = 0, t I
e existe um ponto t0 I tal que W [y1 , y2 ](t0 ) 6= 0 ento a famlia de solues y = c1 y1 +c2 y2
com coeficientes arbitrrios c1 e c2 inclui todas as solues da EDO.
Nota 6.26 Nestas condies, y = c1 y1 + c2 y2 a soluo geral da EDO e as solues y1
e y2 formam um conjunto fundamental de solues da EDO.
Teorema 6.27 Se f e g so funes diferenciveis num intervalo aberto I e se
W [f, g](t0 ) 6= 0 para algum t0 I, ento f e g so LI em I.
Prova.
f(t) + g(t) = 0, t I
f (t0 ) + g(t0 ) = 0
f 0 (t0 ) + g 0 (t0 ) = 0
Como W [f, g](t0 ) 6= 0 o determinante do sistema, = = 0 f e g so LI.
Nota 6.28 No vale a recproca do Teorema 6.27. Como contra-exemplo, basta ver o caso
t2 e |t|t.
Teorema 6.29 Se f e g so funes diferenciveis num intervalo aberto I e se {f, g}
LD, ento W [f, g](t) = 0, t I.
Teorema 6.30 (Teorema de Abel): Se y1 e y2 so duas solues da EDOLH de segunda
ordem L(y) = y 00 + p(t)y 0 + q(t)y = 0 onde p e q so funes contnuas num intervalo
aberto I, ento o Wronskiano W [y1 , y2 ](t) dado por:
Z t

W [y1 , y2 ](t) = C exp
p(z)dz
t0
Prova. Vamos mostrar que:

dW
= p(t)W (t)
dt
6.4. EDOLH DE SEGUNDA ORDEM
Ento, basta calcularmos explicitamente
111
dW
:
dt

y (t) y2 (t)
W (t) = 10
y1 (t) y20 (t)
0
y (t) y20 (t)
dW
= 10
y1 (t) y20 (t)
dt

y1 (t) y2 (t)
+ 00
y1 (t) y200 (t)

dW
y1 (t)
y2 (t)
=
0
0
p(t)y1 (t) q(t)y1 (t) p(t)y2 (t) q(t)y2 (t)
dt

dW
y
(t)
y
(t)
1
2

=
0
0
p(t)y1 (t) p(t)y2 (t)
dt
dW
= p(t)W (t)
dt

Teorema 6.31 Sejam y1 e y2 solues da EDOLH de segunda ordem L(y) = y 00 + p(t)y 0 +
q(t)y = 0 onde p e q so contnuas num intervalo I. Ento y1 e y2 so LD em I se, e
somente se, W [y1 , y2 ](t) zero t I. De outro modo, y1 e y2 so LI em I se, e somente
se, W [y1 , y2 ](t) nunca se anula em I.
6.4.2
Mdoto de Reduo de Ordem
Seja o problema y 00 + p(t)y 0 + q(t)y = 0. Suponha que seja conhecida uma soluo u(t).
Desejamos obter uma segunda soluo v(t) de modo que {u, v} seja um conjunto fundamental de solues.
Propomos v(t) = u(t)f (t) com f (t) a ser determinado.
v 0 = u0 f + uf 0
v 00 = u00 f + 2u0 f 0 + uf 00
00
f (u + pu0 + qu) +f 00 (2u0 + pu) + f 0 (u) = 0
=0
f 0 (2u + pu) + f 00 (u) = 0
Seja agora h = f 0 , ficamos com: h0 (u) + h(2u + pu) = 0, ou seja, uma EDO de primeira
ordem.
6.4.3
Coeficientes Constantes
Seja a EDOLH de segunda ordem a coeficientes constantes:

a2 y 00 + a1 y 0 + a0 y = 0, t I
sendo a2 , a1 , a0 R e a2 6= 0. Temos que a mesma tambm poderia ser reescrita como
y 00 + a1 y 0 + a0 y = 0, t I.
112

Fazendo uma soluo tentativa com y = et teremos:
a2 2 et + a1 et + a0 et = 0, t I
(a2 2 + a1 + a0 ) et = 0, t I
=0
6=0
Devemos ento analisar as razes do polinmio:

P () = a2 2 + a1 + a0
Trs coisas podem acontecer:
(a) P () possui 2 razes reais distintas 1 e 2 .
(b) P () possui 1 par de razes complexas conjugadas.
(c) P () possui uma raiz real dupla.
Caso (a): Temos que e1 t e e2 t so solues. Vejamos o Wronskiano:
t

2 t0
e 10
e

W =
1 e1 t0 2 e2 t0
W = (2 1 )e(1 +2 )t0
W 6= 0 {e1 t , e2 t }
que um conjunto LI. Portanto, a soluo geral y(t) = c1 e1 t + c2 e2 t .
Caso (b): Uma soluo :
e(+i)t = et eit
Usando a frmula de Euler: ei = cos + i sin
et eit = et (cos t + i sin t)
Ou seja, L(u + iv) = 0, com u = et cos t e v = et sin t. Como L uma
transformao linear: L(u+iv) = L(u)+iL(v) = 0, ou seja, fazendo a igualdade
para nmeros complexos, u e v so solues da EDOLH. Provemos ento que
elas so LI:
aet cos t + bet sin t = 0, t I
acos t + b sin t = 0, t I
cos t
sin t

sin t cos t =
Como 6= 0 et cos t e et sin t so LI e a soluo geral y(t) =
c1 et cos t + c2 et sin t.
6.5. EDOLH DE ORDEM N
113
Caso (c): Nesse caso e1 t uma soluo. Considere 2 uma segunda raiz de P ().
e1 t e2 t
soluo. Analisando o limite 2 1 :
1 2
lim
2 1
e1 t e2 t
d 1 t
=
e = te1 t
1 2
d1
Mostremos que te1 t soluo: L(et ) = P ()et (coeficientes constates)

d
L(et ) = P ()tet + P 0 ()et
d
t
de
L
= P ()tet + P 0 ()et
d
L(tet ) = P ()tet + P 0 ()et
Aplicando em 1 : L(te1 t ) = P (1 )e1 t + P 0 (1 )e1 t = 0 + 0 = 0, j que P (1 )
e P 0 (1 ) so nulas em 1 , j que 1 raiz dupla.
Assim, te1 t uma segunda soluo. Provando que as duas so LI:
ae1 t + bet t = 0, t I
a + bt = 0, t I
a=b=0
Ou seja, te1 t e e1 t so LI. A soluo geral ser: y(t) = c1 e1 t + c2 te1 t.
6.5
EDOLH de Ordem n
Considere a seguinte EDOLH geral de ordem n:

y (n) + pn1 (t)y n1 + . . . + p1 (t)y 0 + p0 (t)y = g(t)
Podemos represent-la tambm usando o operador L: L = Dn + pn1 (t)Dn1 +
pn2 (t)Dn2 + . . . + p1 (t)D + p0 I. Com isso: L(y) = g(t).
Teorema 6.32 Considere o PVI :
L(y) = g(t), t I
(n1)
com y(t0 ) = y0 , y 0 (t0 ) = y00 , . . . , y (n1) (t0 ) = y0

onde p0 , p1 , . . . , pn1 , g so contnuas
num intervalo aberto I que contm o ponto t0 . Ento existe uma nica soluo (t) e a
soluo existe em todo intervalo I.
Definio 6.33 Sejam y1 , y2 , . . . , yn funes de classe C (n1) (I), sendo I um intervalo
aberto de R.
Definamos o Wronskiano destas funes como sendo o determinante:
114

y1 (t)
y2 (t)

y10 (t)
y20 (t)

W [y1 , y2 , . . . , yn ](t) =
..
..

.
.
(n1)
(n1)
y1
(t) y2
(t)
...

(n1)
yn
(t)
yn (t)
yn0 (t)
..
.
Nota 6.34 As propriedades que vimos para o Wronskiano de 2 funes podem ser generalizadas para n funes.
Teorema 6.35 Se y1 , y2 , . . . , yn so solues da EDOLH de ordem n L(y) = 0, t I,
com I um intervalo aberto de R e existe um ponto t I tal que W [y1 , y2 , . . . , yn ](t ) 6= 0
ento estas funes formam um conjunto fundamental de solues e toda soluo da EDO
pode ser escrita como uma combinao linear de y1 , y2 , . . . , yn .
Teorema 6.36 (Generalizao do Teorema de Abel): Se y1 , y2 , . . . , yn so solues
da EDOLH de ordem n:
L(y) = y (n) + pn1 (t)y n1 + pn2 (t)y n2 + . . . + p1 (t)y 0 + p0 (t)y = 0, t I
ento o Wronskiano e dado por:
Z t

W [y1 , y2 , . . . , yn ](t) = C exp
pn1 (z)dz
t0
Prova. Pode ser obtida da mesma maneira da prova para ordem 2. Basta mostrarmos
dW
= pn1 (t)W .
que
dt
Nota 6.37 Analogamente ao caso de ordem 2, as solues de uma EDOLH so LI se, e
somente se, o Wronskiano no nulo para um t I.
6.5.1
Mtodo de Reduo de Ordem
Podemos generalizar o mtodo de reduo de ordem. Se conhecida uma soluo u(t)

da EDOLH de ordem n: L(y) = 0, ento pode-se obter uma outra soluo fazendo
v(t) = u(t)f (t) e substituindo na EDO. Isso conduzir a uma nova EDO em f (t) que,
com a mudana h(t) = f 0 (t), ter uma ordem a menos.
6.5.2
Tomando agora a equao:

an y (n) + an1 y n1 + . . . + a1 y 0 + a0 y = 0, an 6= 0
Supomos a soluo da forma et :
L(e t) = (an n + an1 n1 + . . . + a1 1 + a0 ) et
|
{z
}
P ()=0
115
Para encontrar as solues impomos P () = 0. P () conhecido como polinmio

caracterstico, e P () = 0 a equao caracterstica associada EDO.
Se as razes de P () forem reais e distintas entre si, ento a soluo geral da EDO :
y(t) = c1 e1 t + c2 e2 t + . . . + cn en t
real tem multiplicidade s (s n), ento associada a esta raiz temos as
Se uma raiz
solues:
et , tet , t2 et , . . . , ts1 et
Se aparecerem as razes complexas i ( 6= 0), ento temos as solues associadas:
et cos t, et sin t
Se as razes complexas i ( 6= 0) aparecem com multiplicidade s (s n), ento
as solues associadas so:
et cos t, et sin t, tet cos t, tet sin t, . . . , ts1 et cos t, ts1 et sin t
6.6
Lista de Exerccios
Exerccio 6.38 Determine a ordem da equao e diga se ela ou no linear:

2
+ 2y = sin t
1. t2 ddt2y + t dy
dt
2
+ y = et
2. (1 + y 2 ) ddt2y + t dy
dt
3.
d4 y
dt4
4.
dy
dt
5.
d2 y
dt2
+ sin(t + y) = sin t
6.
d3 y
dt3
+ t dy
+ (cos2 t)y = t3
dt
d3 y
dt3
d2 y
dt2
dy
dt
+y =1
+ ty 2 = 0
Exerccio 6.39 Verifique que a funo (ou funes) dada(s) (ou so) soluo (solues)
da equao diferencial:
1. y 00 y = 0, y1 (t) = et e y2 (t) = cosh t.
2. y 00 + 2y 0 3y = 0, y1 (t) = e3t e y2 (t) = et .
2 Rt
2
2
3. y 00 2ty = 1, y1 (t) = et 0 es ds + et .
Exerccio 6.40 Determine a ordem da EDP e diga se ela linear ou no linear:
1. uxx + uyy + uzz = 0.
2. uxx + uyy + uux + uuy + u = 0.
116
3. uxxx + 2uxxyy + uyyyy = 0.

4. ut + uut = 1 + uxx .
Exerccio 6.41 Encontre a soluo geral da equao diferencial dada e use-a para determinar o comportamento da soluo quando t .
1. y 0 + 3y = t + e2t .
2. y 0 2y = t2 e2t .
3. ty 0 + 2y = sin t, t > 0.
Exerccio 6.42 Encontre a soluo do PVI dado:
1. y 0 y = 2te2t , y(0) = 1.
2. y 0 + 2y = te2t , y(1) = 0.
3. ty 0 + 2y = t2 t + 1, y(1) = 21 , t > 0.
Exerccio 6.43 Considere o problema de valor inicial:
2
1
y 0 + y = 1 t, y(0) = y0 .
3
2
Encontre o valor de y0 para o qual a soluo encosta no eixo.
Exerccio 6.44 Mostre que se a e so constantes positivas e se b qualquer nmero
real, ento toda soluo da equao
y 0 + ay = bet
Tem a propriedade que y 0 quando t .
Sugesto: Considere os casos a = e a 6= separadamente.
Exerccio 6.45 Um tanque contm, inicialmente, 120 litros de gua pura. Uma mistura
contendo uma concentrao de g\l de sal entra no tanque a uma taxa de 2 l\min e a
soluo, bem misturada sai do tanque mesma taxa. Encontre uma frmula em funo
de para a quantidade limite de sal no tanque quando t .
Exerccio 6.46 A populao de mosquitos em uma determinada rea cresce a uma razo
proporcional populao atual e, na ausncia de outros fatores, a populao dobra a cada
semana. Existem, inicialmente, 200.000 mosquitos na rea e os predadores comem 20.000
mosquitos por dia. Determine a populao de mosquitos na rea em qualquer instante t.
Exerccio 6.47
1. Verifique que y1 (t) = t2 e y2 (t) = t1 so duas solues da equao
diferencial t2 y 00 2y = 0 para t > 0. Depois mostre que c1 t2 + c2 t1 tambm
soluo dessa equao para quaisquer que sejam c1 e c2 .
117
2. Verifique y1 (t) = t2 e y2 (t) = t1 so solues da equao diferencial yy 00 + (y 0 )2 = 0

para t > 0. Depois mostre que c1 t2 + c2 t1 no , em geral, uma soluo dessa
equao. Explique o porqu.
3. Mostre que se y = (t) uma soluo da equao diferencial y 00 + p(t)y 0 + q(t)y =
g(t), em que g(t) no identicamente nula, ento y = c(t), em que c qualquer
constante diferente de 1, no soluo.
Exerccio 6.48 A funo y = sin t2 pode ser soluo de uma equao da forma y 00 +
p(t)y 0 + q(t)y = g(t), com coeficientes constantes, em um intervalo contendo t = 0?
Explique a sua resposta.
Exerccio 6.49 Se o Wronskiano de f e g 3e4t e se f (t) = e2t , encontre g(t).
Exerccio 6.50 O Wronskiano de duas funes W (t) = t sin2 t. As funes so linearmente dependentes ou independentes? Por que?
Exerccio 6.51
1. Se y1 e y2 so duas solues linearmente independentes de ty 00 +
t
2y + te y = 0 e se W (y1 , y2 )(1) = 2, encontre o valor de W (y1 , y2 )(5).
2. Se o Wronskiano de duas solues quaisquer de y 00 + p(t)y 0 + q(t)y = 0 constante,
o que isso implica sobre os coeficientes p e q?
Exerccio 6.52 Use o mtodo de reduo de ordem para encontrar uma segunda soluo
das EDOs:
1. t2 y 00 4ty 0 + 6y = 0, t > 0; y1 (t) = t2 .
2. t2 y 00 + 2ty 0 2y = 0, t > 0; y1 (t) = t.
Exerccio 6.53 Encontre a soluo geral da EDO dada:
1. y 00 2y + y = 0.
2. 4y 00 4y 0 3y = 0.
3. y 00 2y 0 + 10y = 0.
4. 4y 00 + 17y 0 + 4y = 0.
5. 25y 00 2oy + 4y = 0.
6. y viii + 8y iv + 16y = 0.
7. y iv + 2y 00 + y = 0.
8. y 000 5y 00 + 3y 0 + y = 0.
118
Exerccio 6.54 Encontre a soluo do PVI:

1. y 00 + y 2y = 0, y(0) = 1, y 0 (0) = 1.
2. y 00 + 4y 0 + 5y = 0, y(0) = 1, y 0 (0) = 0.
3. 9y 00 12y 0 + 4y = 0, y(0) = 2, y 0 (0) = 1.
Exerccio 6.55 Suponha que as funes reais p e q so contnuas em um intervalo aberto
I e seja y = (t) = u(t) + iv(t) uma soluo complexa de
y 00 + p(t)y 0 + q(t)y = 0
em que u e v so funes reais. Mostre que u e v so tambm solues desta equao.
Sugesto: Substitua y por (t) na equao e separe em parte real em imaginria.
Exerccio 6.56 Determine os valores de , se existirem, para os quais todas as solues
tendem a zero quando t .
1. y 00 (2 1)y 0 + ( 1)y = 0.
2. y 00 + (3 )y 0 2( 1)y = 0.
Exerccio 6.57 Considere a EDOL homognea L(y) = 0 definida por D2 p1 (x)D + p0 I,
com p1 , p0 contnuas em R(EDOLHCV).
1. Se y e z so solues definidas em toda a reta tais que y(0) = 3, y 0 (0) = 1, z(0) = 1
e z 0 (0) = 31 , mostre que {y, z} um conjunto linearmente independente em R.
2. Mostre que y(x) = x2 nunca poder ser soluo da EDO se p1 e p0 forem contnuas
em x = 0.
3. Mostre que se o Wronskiano de quaisquer duas solues desta EDO constante em
R ento p1 0 em R.
Exerccio 6.58 Sejam y e z solues da equao de Bessel x2 y 00 + xy 0 + (x2 n2 )y =
0, n N, definidas em x > 0 tais que y(1) = 1, y 0 (1) = 0, z(1) = 0 e z 0 (1) = 1. Calcule o
Wronskiano W (y, z)(x).
Exerccio 6.59 Seja S o conjunto de todas as solues da EDOL y 00 y = 0. Mostre que
S um espao vetorial de dimenso 2. Determine uma base para S.
Exerccio 6.60 Dada a EDOLHVC (y 00 4y 0 ) + x2 (y 0 4y) = 0, obtenha, por inspeo,
uma soluo no-nula e a seguir determine a soluo geral da EDO.
Exerccio 6.61 Determine a soluo geral de (2x 3x2 )y 00 + 4y 0 6xy = 0, sabendo que
uma de suas solues um polinmio em x.
6.7. SEDOLH DE PRIMEIRA ORDEM
119
Exerccio 6.62 Considere o operador L = D2 + aD + bI, em que a e b so constantes

reais, e a EDOLH com coeficientes constantes (EDOLHCC) L(y) = 0, definida em toda
a reta, cuja equao caracterstica p() = 2 + a + b = 0 tenha razes reais 1 e 2 :
1. Sejam y1 a soluo do PVI L(y) = 0, y(0) = 1, y 0 (0) = 0 e y2 a soluo do PVI
L(y) = 0, y(0) = 1, y 0 (0) = 1. Mostre que a soluo do PVI L(y) = 0, y(0) =
, y 0 (0) = pode ser escrita como y = y1 + y2 .
2. Mostre que se a > 0 e b > 0 ento todas as solues de L(y) = 0 tendem a zero
quando x .
3. Se 1 = 2 = , temos uma nica soluo na forma y1 (x) = ex . Deduza a existncia
de uma soluo da forma y2 (x) = xex por meio do seguinte argumento: Quando
1 6= 2 , as solues yk (x) = ek x , k = 1, 2, . . . podem ser linearmente combinadas
2 (x)
, de modo que lim1 2 y(x) gera a soluo
para formar a soluo y(x) = y1 (x)y
1 2
y2 desejada.
Exerccio 6.63 Seja uma soluo qualquer EDOLHCC y 00 + y = 0:
1. Mostre que
d
((0 )2
dx
+ 2 ) = 0, ou seja, (0 )2 + 2 = cte.
2. Se a soluo que satisfaz as condies iniciais y(0) = a e y 0 (0) = 0 e P um

ponto de coordenadas (, 0 ) no plano Oyy 0 (plano de fase). Mostre que, medida
que x varia de 0 a 2, o ponto P = ((x), 0 (x)) descreve uma circunferncia no
plano de fase.
Exerccio 6.64 Seja y a soluo do PVI y 00 + 5y 0 + 6y = 0, x 0; y(0) = 1, y 0 (0) = a.
Para quais valores de a tem-se y(x) 0 quando x 0?
2
Exerccio 6.65 Sabendo que y(x) = 3ex + ex , z(x) = 7ex + ex e w(x) = 5ex + ex + ex
so solues de uma EDOL no homognea de segunda ordem L(y) = q, x R, determine
a soluo do PVI L(y) = q; y(0) = 1, y 0 (0) = 2.
6.7
SEDOLH de Primeira Ordem
Definio 6.66 Seja X(t) uma matriz coluna de

reais:
X1 (t)
X2 (t)
X(t) = ..
.
Xn (t)
ordem n cujas entradas so funes
Um Sistema de Equaes Diferenciais Ordinrias Linear (SEDOL) de primeira ordem

120
algo do tipo:
X 1 (t) = a11 (t)X1 (t) + a12 X2 (t) + . . . + a1n Xn (t) + g1 (t)
X 2 (t) = a21 (t)X1 (t) + a22 X2 (t) + . . . + a2n Xn (t) + g2 (t)
..
.
Xn (t) = an1 (t)X1 (t) + an2 X2 (t) + . . . + ann Xn (t) + gn (t)

Ou ainda:
X = A(t)X + g(t),
A(t) =
a11 (t) a12 (t) a1n (t)

a21 (t) a22 (t) a2n (t)
,
..
..
..
..
.
.
.
.
an1 (t) an2 (t) ann (t)
g(t) =
g1 (t)
g2 (t)
..
.
gn (t)
Nota 6.67 Toda EDOL de ordem n pode ser transformada num SEDOL de n equaes
de primeira ordem. Vejamos:
Dado a EDOL a seguir:
y (n) + pn1 (t)y (n1) + . . . + p1 (t)y 0 + p0 (t)y = q(t)
Podemos definir:
X1 (t) = y
X2 (t) = y 0
..
.
Xn1 (t) = y (n2)
Xn (t) = y (n1)
de modo que a EDOL acima pode ser representada por:
X 1 = y 0 = X2
X 2 = y 00 = X3
..
.
Xn1 = y (n1) = Xn
X n = y (n) = pn1 (t)Xn pn2 (t)X(n1)
. . . p1 (t)X2 p0 (t)X1 + q(t)
Ou ainda, na outra representao:
0
0
1
0
0
0
0
1
g(t) = ... ,
A = ..
..
..
.
.
.
0
p0 p1 p2
q(t)
..
.
0
0
..
.
pn1
Teorema 6.68 Se cada uma das funes aij (t) da matriz A(t) e cada funo gj (t) de g(t)
so contnuas num intervalo aberto I, ento o SEDOL de primeira ordem:
X = A(t)X + g(t)
tal que X(t0 ) = X0 , t0 I admite uma soluo X(t) para todo t I.
121
Teorema 6.69 Se as funes vetoriais X1 e X2 so solues do Sistema de Equaes

Diferenciais Ordinrias Linear e Homogneo (SEDOLH) de primeira ordem X = A(t)X,
ento a combinao linear c1 X1 + c2 X2 tambm soluo c1 , c2 R.
Vamos agora determinar um conjunto fundamental de solues de um sistema. Considere o PVI:
X = A(t)X
X(t0 ) = X0
Considere que tenhamos n solues X1 , X2 , . . . , Xn e que se possa escrever: X =
c1 X1 + c2 X2 + . . . + cn Xn . Para tanto:
c1 X1 (t0 ) + c2 X2 (t0 ) + . . . + cn Xn (t0 ) = X0
X1 (t0 ) X2 (t0 )
Xn (t0 )
c1
c2
..
.
= [X0 ]
cn
Para seja um sistema possvel e determinado, necessrio que:

det X1 (t0 ) X2 (t0 ) Xn (t0 ) 6= 0
Definimos, ento, esse como o determinante Wronskiano:

W [X1 , X2 , . . . , Xn ](t) = det X1 (t0 ) X2 (t0 )
Xn (t0 )
Teorema 6.70 Se as funes vetoriais X1 , X2 , . . . , Xn , solues do SEDOLH X = A(t)X,

t I, e W [X1 , X2 , . . . , Xn ](t0 ) 6= 0 e t0 I, ento a soluo geral :
X = c1 X 1 + c2 X 2 + . . . + cn X n
Nota 6.71 O conjunto {X1 , X2 , . . . , Xn } chamado de conjunto fundamental de solues.
Teorema 6.72 (Nova Generalizao do Teorema de Abel): Se X1 , X2 , . . . , Xn so
solues do SEDOLH X = A(t)X, ento o Wronskiano :
Z

W [X1 , X2 , . . . , Xn ](t) = C exp
tr(A(t))dt
6.7.1
Matriz Fundamental
X1 , X2 , . . . , Xn chamado de conjunto fundamental de solues da SEDOLH X = A(t)X.

Definimos como matriz fundamental a seguinte:

(t) = X1 (t) X2 (t) Xn (t)
122
Se X = c1 X1 + c2 X2 + . . . + cn Xn uma certa soluo do SEDOLH, dado X(t0 ) = X0 ,

podemos obter c1 , c2 , . . . , cn a partir de:
X0 = c1 X1 (t0 ) + c2 X2 (t0 ) + . . . + cn Xn (t0 )
X1 (t0 ) X2 (t0 )
|
{z
Xn (t0 )
(t0 )
c1
c2
..
.
c1
c2
..
.
= X0
cn
= 1 (t0 )X0
cn
e ainda, como
X(t) =
X1 (t) X2 (t)
Xn (t)
c1
c2
..
.
cn
temos tambm que:
X(t) = (t) 1 (t0 )X0
Se X1 , X2 , . . . , Xn so tais que
X1 (t0 ) =
1
0
..
.
X2 (t0 ) =
0
1
..
.
Xn (t0 ) =
0
0
..
.
ento (t0 ) a matriz identidade. Nesse caso, (t) recebe o nome de matriz de transio
de estados (t):
X(t) = (t)X0
Nota 6.73 Temos que satisfaz uma EDO muito semelhante ao SEDO dado, j que:
(t) =
=
(t)
X1 (t) X2 (t)
X 1 (t) X 2 (t)
X n (t)

= AX1 (t) AX2 (t)
= A(t)(t)
Xn (t)
AXn (t)
6.7.2
123
Vamos assumir que as funes aij so (todas) constantes.

X = AX
(a) Exponencial de Matriz.
Considere X(t0 ) = X0 , vamos mostrar que
X(t) = eA(tt0 ) X0
soluo.
De fato X(t0 ) = X0 . Ainda:
X(t) = eAt eAt0 X0 (se A e B comutam, ento eA eB = eA+B )
deAt At0
X0
e
X(t)
=
dt
At A2 t2 A3 t3
+
+
+ ...
1! 2
2! 3 2 3! 4 3
At At
At
=A+
+
+
+ ...
1!
2!2 2
3!3 3
At A t
At
= A(I +
+
+
+ . . .)
1!
2!
3!
At
= Ae
= eAt A
eAt = I +
deAt
dt
deAt
dt
X(t)
z }| {
Assim X(t) = A eAt eAt0 X0

= AX(t)
Note que eAt uma matriz fundamental, j que, fazendo (t) = eAt , temos 1 (t) =
eAt , pois eAt eAt = I, e ento:
X(t) = (t) 1 (t0 )X0
Assim, atravs das colunas de eAt conseguimos encontrar um conjunto fundamental
de solues.
(b) Autovalores e autovetores de A.
Propomos uma soluo tentativa da forma:
X(t) = uet
onde u uma matriz n 1. Assim, temos que:
X(t)
= uet
X(t)
= AX(t) = A(ueAt )
AueAt = ueAt
Au = u
124

que um problema de autovalores e autovetores.
Se A diagonalizvel, ento possvel encontrar:
X1 (t) = u1 e1 t
X2 (t) = u2 e2 t
..
X (t) = u en t
n
Calculando o Wronskiano W [X1 , X2 , . . . , Xn ](0), temos:

W [X1 , X2 , . . . , Xn ](0) = det u1 u2
un
6= 0
j que {X1 , X2 , . . . , Xn } formado por autovetores de A, e portanto LI. Logo

X1 , X2 , . . . , Xn um conjunto fundamental de solues.
Suponha agora que A tenha autovalores complexos (no reais): = i.
Vamos tomar a soluo complexa ue(+i)t , onde u = v + iw, e vamos obter a parte
real e a parte imaginria, j que sabemos que as duas sero solues do SEDOLH.
Fazemos:
ue(+i)t = uet cos t + iuet sin t
= (v + iw)et cos t + i(v + iw)et sin t
= (v cos t w sin t)et +i (v cos t + w sin t)et
{z
} |
{z
}
|
soluo do SEDOLH
soluo do SEDOLH
Suponha agora que um autovalor tenha multiplicidade algbrica maior que a geomtrica, digamos, iguais a 2 e 1 respectivamente.
Neste caso, da equao Au = u possvel obter um autovetor genuno, de modo que
X1 (t) = uet soluo.
Tentando agora uma segunda soluo X2 (t) = utet + vet :
X2 (t) = utet + vet
X 2 (t) = utet + uet + vet
X 2 (t) = Au tet + Avet
u
Ento fazemos: uet + uet + vet = uet + Avet u + u + v = u + Av. E

ento, finalmente:
(A I)v = u
Ou seja, v um autovetor generalizado de ordem 2 de A, que vai determinar uma
segunda soluo do sistema.
Esse caso de multiplicidade algbrica maior que geomtrica tambm extensvel para
diferenas de multiplicidade maiores.
6.8
125
Lista de Exerccios
Exerccio 6.74 Determine os intervalos nos quais existem, com certeza, as solues de:
1. y iv + 4y 000 + 3y = t
2. ty 000 + (sin t)y 00 + 3y = cos t
3. t(t 1)y iv + et y 00 + 4t2 y = 0
Exerccio 6.75 Encontre o Wronskiano de um conjunto fundamental de solues para:
1. y 000 + 2y 00 y 0 3y = 0
2. y iv + y = 0
Exerccio 6.76 Se x1 = y e x2 = y 0 , ento a equao de segunda ordem
y 00 + p(t)y 0 + q(t)y = 0
corresponde ao sistema

x01 = x2
x02 = q(t)x1 p(t)x2
Mostre que, se x[1] e x[2] formam um conjunto fundamental de solues do sistema e

y[1] e y[2] formam um conjunto fundamental de solues da equao, ento:
W [y[1] , y[2] ] = cW [x[1] , x[2] ]
em que c uma constante real no nula.
Exerccio 6.77 Encontre a soluo geral de
3
0 2
1. X 0 = 1 1 0 X.
2 1 0
1 1 2
2. X 0 = 1 2 1 X.
2 1 1
1 0
0
3. X 0 = 2 1 2 X.
3 2
1
0 1 1
4. X 0 = 1 0 1 X.
1 1 0
126

Exerccio 6.78 Considere os vetores x[1] =
t
1

e x[2] =

t2
.
2t
1. Calcule o Wronskiano de x[1] e x[2] .

2. Em que intervalos x[1] e x[2] so linearmente independentes?
3. Que concluso pode-se tirar sobre os coeficientes o sistema homogneo de equaes
diferenciais satisfeito por x[1] e x[2] ?
4. Encontre esse sistema de equaes e verifique as concluses do item 3.
Exerccio 6.79 Encontre as solues dos PVIs abaixo:

5
1
2
1. X 0 =
X, X(0) =
.
3
1
1

1 4
3
0
2. X =
X, X(0) =
.
4 7
2

2 1
1
0
3. X =
X, X(0) =
.
5 4
3

1 1 2
2
0
0 2 2 X, X(0) = 0 .
4. X =
1 1 3
1
Exerccio 6.80 Encontre uma matriz fundamental para os sistemas:

3
2
1. X 0 =
X
2 2

2 1
0
2. X =
X
3 2
Exerccio 6.81 Considere o operador L = Dn + an1 Dn1 + . . . + a0 I, em que os coeficientes aj so constantes reais e a EDOLHCC L(y) = 0, definida sobre toda a reta, cuja
equao caracterstica p() = n + an1 n1 + . . . + a0 .
1. Verifique que

(a) L(xex ) = ex xp() +
(b) L(xm ex ) =
m
m
p()
L(ex ).
2. Mostre que se p() = ()k r(), isto , p tem raiz de multiplicidade k, 1 < k < n,
m
x
ento
) = 0, ou seja, L(xm ex ) = 0, ou seja, existem exatamente k solues
m L(e
de L(y) = 0 associadas a esta raiz = dadas por ym (x) = xm ex , 0 m k 1.
127
Exerccio 6.82
1. Seja (t), t R, uma soluo da EDOLHCC de segunda ordem
00
0
y +y +y = 0, t R. Mostre que o vetor X(t) = [(t) 0 (t)]T a soluo
do sistema

0
1
0
de EDOLHCC (SEDOLHCC) de primeira ordem X = AX, com A =
.
1 1
2. Seja X(t) = [(t), 0 (t)]T , t R, uma soluo do SEDOLHCC X 0 = AX, com A
dada no item anterior. Mostre que X soluo da EDOLHCC y 00 + y 0 + y = 0.
Exerccio 6.83 Converta o par de EDOLHCC y 00 +3z+2y = 0, t R; z 00 +3y 0 +2z = 0, t
R, num SEDOLHCC de primeira ordem nas variveis x1 = y; x2 = y 0 ; x3 = z 0 ; x4 = z 0 .
Exerccio 6.84 Justifique ou refute a seguinte afirmao: O conjunto de todas as solues
u = [x y]T do SEDOL x0 = y + 1; y 0 = x + 1 no um espao vetorial.
Exerccio 6.85 Seja x uma matriz coluna de n funes reais de classe C 1 (R) e u
Mn1 (R) um vetor no-nulo, e L = D A um operador diferencial (vetorial) tal que
L(x)(t) = x0 (t) Ax(t) = o represente um SEDOLHCC de ordem n.
1. Calcule
(a) L(tu).
(b) L(et u).
(c) L((et + et )u).
(d) L((et et )u).
(e) L((e1 t + e2 t )u).
2. Para quais funes (t) a funo vetorial x = (t)u ser soluo de L(x)(t) = o?
3. Mostre que x(t) = e(tt0 ) u, com t0 uma constante, uma soluco de L(x) = o
quando Au = u.
Exerccio 6.86 Seja S o conjunto de todas as solues de L(x) = 0, com
0
1 0
0 1
A= 0
6 11 6

1
1
1
t
t
t
1 , v2 (t) = e
2 e v3 (t) = e
3 formam uma base de
Mostre que v1 (t) = e
1
4
9
S.
Exerccio 6.87 Sabendo que [(et +e2t ) e2t 0]T , [(et +e3t ) e3t e3t ]T e [(et e3t ) e3t e3t ]T
so solues de um SEDOLHCC L(x) = x0 Ax = o, determine os autovalores e os
autovetores de A.
128
Exerccio 6.88 Dada a matriz quadrada A, definamos eAt ,
X
(At)n
n=0
1. Mostre que
d At
e
dt
n!
= AeAt .
1
0
.. , mostre que:
2. Se A = diag(1 , 2 , . . . n ) = ... . . .
.
0 n
eA = diag(e1 , e2 , . . . , en )
3. Mostre que eT
1 AT
= T 1 eA T .
Exerccio 6.89 Seja A =
1 0 0
0 1 0
.. .. ..
.
. . . .. = I + P .
...
0 0 0
1
0 0 0
1. Mostre que P n matriz nula.

2. Mostre que eAt = et
Pn1
j=0
(P t)j
.
j!
1 0
Exerccio 6.90 Dado A = 0 1 calcule eAt .
0 0
Exerccio 6.91 Seja (t) Matriz fundamental de solues (MFS) de um SEDOLHCC
L(x) = o.
1. Mostre que 0 (t) = A(t).
2. Mostre que eA(tt0 ) = (t)1 (t0 ), de modo que a soluo de um PVI L(x) =
o, x(t0 ) = x0 pode ser escrita da forma x(t) = eA(tt0 ) x0 .
Exerccio 6.92 Calcule eAt para os seguintes casos:

0
1
1.
.
4 5

0
1
2.
.
1 2

0 1
3.
.
4 0
129
1 1 0
4. 0 1 0 .
0 0 0
Exerccio 6.93 Resolva os PVIs L(x) = o, x(t0 ) = x0 em que as matrizes A que definem
L so as dos exerccio anterior.
130
131
Captulo 7
Respostas aos exerccios
Respostas aos exerccios das listas distribudas pela apostila.
7.1
Introduo
Resposta 1.1 A e C so inversveis, mas B no
2 7
2 1

3 3 3
1 1
3
A1 =
, C 1 =
1
7 2 2 1
1 2
2
2 2 1
Resposta 1.2 No.
Resposta 1.3 x = 0, y = z = 1/ 2 ou x = 0, y = z = 1/ 2
Resposta 1.4 1 e 3.
Resposta 1.5
1. Sim.
0 0 i
2. 0 1 0
i 0 0
1 0 0
3. 0 1 0
0 0 1
4. A2n = I e A2n+1 = A.
cosh x
0
i sinh x
0
cosh x sinh x
0
5. exA =
i sinh x
0
cosh x
132
CAPTULO 7. RESPOSTAS AOS EXERCCIOS
Resposta 1.12 1 n.
Resposta 1.14
1. No.
2. Sim.
7.2
Espaos Vetoriais
Resposta 2.43
1. No.
2. No.
3.
4.
5. No.
3
7
Resposta 2.45 X = 3A 2B + 6C = 2 2
2 8
Resposta 2.46 No.
Resposta 2.47 2)x = (
Resposta 2.48
1. Sim.
2. No.
3. No.
4. Sim.
5. Sim.
Resposta 2.49
1. No.
1
2
16
, 1); y = ( , 1) e z = ( , 1)
9
9
3
7.2. ESPAOS VETORIAIS
133
2. Sim.
3. No.
4. Sim.
Resposta 2.50 Todos so.
Resposta 2.52
1. {(2, 1, 0); (0, 0, 1)}
2. {(2, 1, 2)}
3. {(3, 0, 1); (2, 1, 0)}
4. {(2, 1, 2)}
5. {(2, 1, 2); (3, 0, 1); (2, 1, 0)}
Resposta 2.55 No R2 considere U = {(x, x) : x R}, V = {(0, y) : y R} e
W = {(x, 0) : x R}
Resposta 2.96
1. No.
2. Sim.
3. No.
4. Sim.
Resposta 2.97
1. No.
2. No.
3. No.
4. Sim.
Resposta 2.100
1. m 6= 0.
2. m 6= 5
3. n 6= 0 ou m 6= 1.
134

Resposta 2.101
1. No.
2. Sim.
3. No.
Resposta 2.104 {(2, 1, 0, 1); (0, 0, 1, 0)} e dim W = 2
Resposta 2.105 4
Resposta 2.106
Base
Dimenso
U:
{(0, 1, 0); (1, 0, 1)} 2
V :
{(1, 0, 0); (0, 2, 1)} 2
W :
{(1, 1, 0); (0, 0, 2)} 2
U V :
{(0, 2, 1)}
2
3
V +W =
R
3
3
V +W +W =R
3
0 1 0
0 0 1
0 0 0
1 0 0 ; 0 0 0 ; 0 0 1
Resposta 2.107
0 0 0
1 0 0
0 1 0
Resposta 2.108 a 6= 0, a 6= 1 e a 6= 1
Resposta 2.109 {(1, 0, i); (1, 1 + i, 1 i)}
Resposta 2.111
1. 4, 5 e 3.
2. 4, 5 e 2.
Resposta 2.112
1
3
e
2
2
Resposta 2.113 3, 1, 0 e 1
Resposta 2.115
1
1. De B para C
1
2
1
De C para B
1
2. 2, 0 e 1.
0 3
2 0
3 1
9 6
4 3
3 2
7.3. PRODUTO INTERNO
7.3
135
Produto Interno
Resposta 3.15 t > 9.

Resposta 3.17 hf, gi = 35 ;kf (t)k =
331
;
210
kf (t) + g(t)k =
23
210
Resposta 3.18 Sim.

Resposta 3.20 > 0
Resposta 3.23
1.
2.

1 0
0 1
2 1
1 1
3.
4.
Resposta 3.26
1. d(u, v) =
2; cos(u, v) =
2
2
2.
3. d(u, v) =
2; cos(u, v) =
1
2
4.
Resposta 3.53
1. m = 1 ou m = 6.
2. (0, x), x R.
3. (1, 0)
Resposta 3.55
n

o
1 , 1 , 0, 0 ; 1 , 1 , 4 , 0 ; 2 , 2 , 1 , 12
1.
2
2
18
18
18
153
153
153
153
2.
136

Resposta 3.56
n
1 , 1 , 0
2
2
o
; (0, 0, 1)
Resposta 3.58

1. 1, 2 3t 3, 5(6t2 6t + 1)

2. 6b t2 + bt b; b R
Resposta 3.60
6
, 79 , 27 , 17
7

Resposta 3.62 x =
Resposta 3.63
1
(5x3
2
1/3
1/3
3x)
Resposta 3.64 a = b = c = d = 0
Resposta 3.75
1. v1 = 31 (2, 2, 4) e v2 = 31 (7, 7, 7).
2. v1 = 17 (18, 15, 16) + 17 (3, 6, 9).
3.
7.4
Transformaes Lineares
Resposta 4.33
1. Sim.
2. Sim.
3. Sim.
4. No.
Resposta 4.34 F (x, y, z) = (2x + 5y 2z, 3x + 2y, x + 7y + 7z)
Resposta 4.35 Sobre C no linear.
Resposta 4.36
1. Sim.
2. Sim.
7.5. AUTOVALORES E AUTOVETORES
137
Resposta 4.37 No, pois f (2, 3, 4)deveriaser(2, 6, 12)

Resposta 4.45 (F + H)(x, y) = (x, x + 2y)
(F G)(x, y) = (y, 2x + 2y)
(G (F + H))(x, y) = (x + 2y, 2x + 2y)
Resposta 4.46 (F G)(x, y, z) = (x + 3y z, x + y + z, z + 2z)
Ker(F G) = {y(2, 1, 1)|y R}
Im(G F ) = {x(1, 0, 1) + y(3, 1, 1)|x, y R}
Resposta 4.48 (I + F + F 2 )(x, y) = (22x + 21y, 35x + 36y) no isomorfismo pois
Ker(I + F + F 2 ) = {(x, x)|x R}
Resposta 4.52
1.
2. (I F )(x, y, z, t) = (x, y x, z y 2x, t z 2y 3x) isomorfismo pois
Ker(I F ) = {(0, 0, 0, 0)}
Resposta 4.53
1. F 2 (z) = iz;
2.
3. G2 (z) = z;
4.
5.
6.
Resposta 4.130 m =
7.5
1 .
3
Autovalores e Autovetores
Resposta 5.43
1. 2 e (1, 2 1); 2 e (1, 2 + 1).

2. 1 e qualquer vetor no nulo.
3. No h valores prprios reais.
Resposta 5.44
138

1. 2 e (1, 0, 0); 3 e (5, 1, 1); 1 e (1, 3, 3).
2. 0 duplo e (1, 0, 0) e (0, 1, 0); 2 e (0, 0, 1).
Resposta 5.45 3 triplo e (1, 0, 0, 0) e (0, 0, 0, 1); 4 e (0, 0, 1, 0)
Resposta 5.46 PT (t) = (1 t)(2 t) . . . (n t). Os valores prprios de T so

1 , 2 , . . . , n .
Resposta 5.47
1. t2 3t + 1; 21 (3
5).
2. t2 4; 2.
3. t2 3t + 2; 1 e 2.
4. t2 4; 2;
Resposta 5.48 1 duplo; no h.
Resposta 5.71

1 4
1.
.
3
1
2. No existe.
Resposta 5.73
1. diagonalizvel pois o valor prprio 1(duplo) tem multiplicidade geomtrica
2.
2. diagonalizvel para todos os valores de m e n.
3. diagonalizvel pois h 2 valores prprios duplos 3 e 3 com multiplicidade
geomtrica 2.
4. diagonalizvel pois o valor prprio 2(triplo) tem multiplicidade geomtrica
3.
Resposta 5.76
p
1. A =
1
13
12 + 14p 4 14p 4
3 14p 3 12 14p + 1
2.
3.
7.5. AUTOVALORES E AUTOVETORES
139
4.
Resposta 5.77
14

14
e
+
12e
4e
4e
1
1. eA = 13
3e14 3e 12e14 + e
2.
3.
4.
Resposta 5.78
1
0
0 1
0
0
0
0
0
0
1
1
0 1
0
0
0
0
0
0
0
0
2
0
0
0
0
1
2
0
0
0
0
1
2
0
0
2
0
0
0
0
0
2
0
0
0
0
1
2
1
0 0 0 0
0 1 0 0 0
0
0 2 0 0
0
0 0 2 1
0
0 0 0 2
1
0 0 0 0
0 1 0 0 0
0
0 2 0 0
0
0 0 2 0
0
0 0 0 2
0
1
0
0
0
0
1
0
1
1 0 0 0
0 1 0 0 0
0
0 2 1 0
0
0 0 2 1
0
0 0 0 2
1
1 0 0 0
0 1 0 0 0
0
0 2 0 0
0
0 0 2 0
0
0 0 0 2
Resposta 5.79
1.
2
0
2.
0
0
1
2
0
0
0
1
2
0
0
0
0
0
3.
0
0
Resposta 5.81
0
0
1
0
0
0
Resposta 5.82
1. Hiprbole
2. Hiprbole
140

3. Duas retas
4.
5.
6.
Resposta 5.83
1.
2. = 1 : parbola
< 1
: hiprbole
= 23 : um ponto
> 23 : vazio
>1:
< 23 : elipse
7.6
Equaes Diferenciais Ordinrias

Apostila MAT-27 (Victor Elias, T-15)

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Apostila MAT-27 (Victor Elias, T-15)

Diunggah oleh

Hak Cipta:

Format Tersedia

lgebra Linear

Victor Gonalves Elias

Victor Gonalves Elias

6 Equaes Diferenciais Ordinrias

7 Respostas aos exerccios

Transformaes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

Victor Gonalves Elias

Exerccio 1.1 Verificar quais das seguintes matrizes so inversveis e determinar as

obtenha exA . Aqui, por conveno, A0 = I.

Avn ], onde A uma matriz n n.

Exerccio 1.7 Mostre que no existem matrizes A e B quadradas de ordem n de modo

Uma matriz hermitiana quando A = A , sendo A a matriz complexo-conjugada da transposta de

Victor Gonalves Elias

1.1. EXERCCIOS DE REVISO

Victor Gonalves Elias

CAPTULO 2. ESPAOS VETORIAIS

Exemplo 2.5 O conjunto dos nmeros complexos C, com as operaes usuais, um

CAPTULO 2. ESPAOS VETORIAIS

10. u + v = u + w v = w (lei do cancelamento)

Definio 2.15 Seja V um espao vetorial sobre o corpo K. Um subespao vetorial de

(b) Sejam u = (u1 , u2 , u3 ) W, v = (v1 , v2 , v3 ) W

(c) Seja u = (u1 , u2 , u3 ) W e seja K

Victor Gonalves Elias

2.1. SUBESPAOS VETORIAIS

Exemplo 2.20 A soluo de um sistema linear homogneo um subespao do Rn .

a11 x1 + a12 x2 + . . . + a1n xn = 0

Definio 2.24 Sejam U e W subespaos de V , definimos a soma de U com W como o

CAPTULO 2. ESPAOS VETORIAIS

(a) V U + W pois V U e V V . Logo, V + V = V U + W .

soma entre eles direta, ento u1 u2 = w2 w1 = V , i.e. u1 = u2 e w1 = w2 . Portanto,

Victor Gonalves Elias

2.2. COMBINAES LINEARES

Definio 2.29 Seja V um espao vetorial sobre K. Tomemos um subconjunto S =

(c) Seja u [S]. Ento existem 1 , 2 , . . . , n K tal que:

Victor Gonalves Elias

CAPTULO 2. ESPAOS VETORIAIS

Espaos Vetoriais Finitamente Gerados

Definio 2.36 Dizemos que um espao vetorial V finitamente gerado se existe S V ,

pois qualquer u E 3 se escreve como u = a + b

Exemplo 2.39 M2 (R) finitamente gerado, pois o conjunto S =

Victor Gonalves Elias

2.4. LISTA DE EXERCCIOS

Victor Gonalves Elias

CAPTULO 2. ESPAOS VETORIAIS

Exerccio 2.48 Quais dos seguintes conjuntos W abaixo so subespaos do R3 ?

3. {f C(I) : f (0) = f (1)}

2.5. DEPENDNCIA LINEAR

LI. De fato, se:

Victor Gonalves Elias

CAPTULO 2. ESPAOS VETORIAIS

Exemplo 2.63 O conjunto S = {p0 , p1 , p2 } P2 (R) LD (em que p0 (x) = x2 , p1 (x) =

(x + 1)ex + (x2 + 1)ex = 0, x [0, 1] = 0

Victor Gonalves Elias

2.6. BASE DE UM ESPAO VETORIAL FINITAMENTE GERADO

Nota 2.68 Veja que no Exemplo 2.67, a tcnica de escolher x = 0 e x = 1 no daria

Propriedades da Dependncia Linear

Proposio 2.69 Seja L = {ui V : i N, 0 < i n} um subconjunto do espao

Base de um Espao Vetorial Finitamente Gerado

Definio 2.70 Uma base B de um espao vetorial V finitamente gerado um conjunto

CAPTULO 2. ESPAOS VETORIAIS

Prova. O conjunto {V } possui a base . No caso de um espao vetorial diferente do

Dimenso de um Espao Vetorial

2.7. DIMENSO DE UM ESPAO VETORIAL

Prova. Consideremos {u1 , u2 , . . . , un } V tal que n > m. Desde que {v1 , . . . , vm }

v1 = (0, 0, 2) u1 = (0, 0, 1) v1 = 2u1