Universidade Federal de Gois

Instituto de Matemtica e Estatstica

Programa de Mestrado Profissional em
Matemtica em Rede Nacional

Transformaes lineares no plano e

aplicaes

L EONARDO B ERNARDES N OGUEIRA

Goinia
2013

L EONARDO B ERNARDES N OGUEIRA

Transformaes lineares no plano e

aplicaes

Trabalho de Concluso de Curso apresentado ao Programa

de PsGraduao do Instituto de Matemtica e Estatstica
da Universidade Federal de Gois, como requisito parcial
para obteno do ttulo de Mestre em matemtica
rea de concentrao: Matemtica de Ensino Bsico.
Orientador: Prof. Dr. Maurlio Mrcio Melo

Goinia
2013

Todos os direitos reservados. proibida a reproduo total ou parcial do

trabalho sem autorizao da universidade, do autor e do orientador(a).

Leonardo Bernardes Nogueira

Licenciado em Matemtica e especialista em Educao Matemtica pela UnB.

Professor da Secretaria de Educao do Distrito Federal.

 todos os meus alunos que j foram e aos que esto por vir, por eles que quero
ser um professor melhor.

Agradecimentos

Primeiro s pessoas que amo, por sempre estarem presente em minha vida, no
apenas nos momentos felizes, mas principalmente nos mais difceis. Universidade
Federal de Gois (UFG) e ao PROFMAT, que proporcionam no s a mim, mas a vrios
estudantes, a oportunidade de sermos pessoas melhores. Ao professor Maurilio Mrcio
Melo, pelo apoio e incentivo para a concluso deste trabalho. Aos demais professores que
contriburam com a formao de profissionais melhores. Aos meus pais, Guilherme Rocha
Nogueira e Joana DArc Arantes Bernardes Nogueira e namorada, Halinna Dornelles
Wawruk, pelo incentivo, pacincia, carinho e apoio que me foram dados ao decorrer de
todo o curso. CAPES pelo suporte financeiro. Aos meus colegas do Mestrado, pelo
agradvel convvio, amizade e ajuda. Muito obrigado a todos!

Se vi mais longe foi por estar de p sobre ombros de gigantes [...]

Isaac Newton,
Carta para Robert Hooke (15 de fevereiro de 1676).

Resumo

Nogueira, Leonardo Bernardes. Transformaes lineares no plano e aplicaes. Goinia, 2013. 63p. Trabalho de concluso de curso. Instituto de Matemtica e Estatstica, Universidade Federal de Gois.
Este trabalho inicia-se com um breve embasamento histrico sobre o desenvolvimento
de espaos vetoriais e transformaes lineares. Em seguida, apresenta conceitos fundamentais bsicos, que formam uma linguagem mnima necessria para falar sobre lgebra
Linear, com enfoque maior nos operadores lineares do plano R2 . Atravs de exemplos,
explora-se um vasto conjunto de transformaes no plano a fim de mostrar outras aplicaes de matrizes no ensino mdio e prepara o terreno para a apresentao do Teorema
Espectral para operadores auto-adjuntos de R2 . Este Teorema diz que para todo operador auto-adjunto T : E E, num espao vetorial de dimenso finita, munido de produto
interno, existe uma base ortonormal {u1 , . . . , un } E formada por autovetores de T . O trabalho culmina com aplicaes sobre o estudo das seces cnicas, formas quadrticas e
equaes do segundo grau em x e y, no qual o Teorema Espectral se traduz como Teorema
dos Eixos Principais, embora essa nomenclatura no seja usada nesse trabalho (para um
estudo mais aprofundado neste tema ver [3], [4], [5], [7]). Retomando assim um estudo
feito por Joseph Louis Lagrange em "Recherche dArithmtique", entre 1773 e 1775, no
qual estudou a propriedade de nmeros que so a soma de dois quadrados. Assim, foi
levado a estudar os efeitos das transformaes lineares com coeficientes inteiros numa
forma quadrtica de duas variveis.

Palavraschave

lgebra Linear, Teorema Espectral, Seces Cnicas

Abstract

Nogueira, Leonardo Bernardes. Linear transformations on the plane and

applications. Goinia, 2013. 63p. Completion of course work. Instituto de
Matemtica e Estatstica, Universidade Federal de Gois.
This paper begins with a brief history about the development of vector spaces and linear
transformations, then presents fundamental concepts for the study of Linear Algebra, with
greater focus on linear operators in the R2 space. Through examples it explores a wide
range of operators in R2 in order to show other applications of matrices in high school
and prepares the ground for the presentation a version of Spectral Theorem for selfadjoint operators in R2 , which says that for every operator self-adjoint T : E E in finite
dimensional vector space with inner product, exists an orthonormal basis {u1 , . . . , un } E
formed by eigenvectors of T , and culminates with their applications on the study of conic
sections, quadratic forms and equations of second degree in x and y; on the study of
operators associated to quadratic forms, a version of Spectral Theorem could be called
as The Main Axis Theorem albeit this nomenclature is not used in this paper. Thereby
summarizing a study made by Lagrange in "Recherche darithmtique ", between 1773
and 1775, which he studied the property of numbers that are the sum of two squares.
Thus he was led to study the effects of linear transformation with integer coefficients in a
quadratic form in two variables.

Keywords

Linear Algebra, Spectral Theorem, Conic Section

Sumrio

Lista de Figuras

11

Introduo

12

Espaos Vetoriais

15

Subespaos

18

Bases

24

Transformaes Lineares

27

Ncleo e Imagem

36

Produto Interno

42

Subespaos Invariantes, Operadores Auto-Adjuntos, Um Caso Particular do

Teorema Espectral

46

Sees Cnicas e Formas Quadrticas

52

10 Concluso

62

Referncias Bibliogrficas

63

Lista de Figuras

2.1

Soma de vetores.

16

3.1
3.2

Combinao linear de vetores em R2

Variedade Afim, translao por um vetor.

20
23

5.1
5.2
5.3
5.4
5.5

Rotao de Vetores.
Rotao de ngulo .
Projeo ortogonal sobre uma reta.
Reflexo em torno de uma reta.
(a) e (b) representam as reflexo com relao ao eixo x e y respectivamente.

31
31
32
33
34
34
34

(a)
(b)

Reflexo sobre o eixo x.

Reflexo sobre o eixo y.

7.1
7.2
7.3

Teorema de Pitgoras em sua forma vetorial.

Decomposio do vetor v em uma base ortogonal.
Projeo ortogonal.

43
44
45

9.1
9.2
9.3

Cone e suas seces.

Hiprbole Transladada.
Base ortonormal a partir de uma rotao anti-horria de um ngulo da
base cannica.
Parbola aps rotao.
Elipse aps rotao seguida de uma translao.

53
55

9.4
9.5

56
60
61

CAPTULO 1

Introduo

Aspectos Histricos
A rea de lgebra linear ficou adormecida na matemtica, no apresentando
nada de substancial at a metade do sculo XVIII. Um assunto relevante cujas questes
levaram ao desenvolvimento da teoria de sistemas lineares que, por sua vez, levaram ao
desenvolvimento da teoria de espaos vetoriais o estudo das curvas algbricas.
Em 1770, no entanto, o matemtico Euler conseguiu caracterizar as transformaes ortogonais para n = 2 e 3, quando estudava quadrados de nmeros similares aos
quadrados mgicos. Devido ao seu raciocnio puramente algbrico, ele tambm conseguiu generalizar as solues para qualquer valor de n, no se restringindo somente a 3.
Um processo semelhante no poderia ocorrer na geometria, pois, nesse caso, era preciso
imaginar um espao com dimenses maiores que 3.
Partindo dos estudos feitos por Euler, Joseph Louis Lagrange publicou o "Recherche d?Arithmtique", entre 1773 e 1775, no qual estudou a propriedade de nmeros
que so a soma de dois quadrados. Assim, foi levado a estudar os efeitos das transformaes lineares com coeficientes inteiros numa forma quadrtica de duas variveis. A partir
desse estudo, ele instituiu que o discriminante da nova forma quadrtica o produto do
antigo discriminante pelo quadrado de uma quantidade (determinante da transformao
linear).
Johann Carl Friedrich Gauss, por sua vez, tambm estudou a questo com
duas e trs variveis. Ele apresentou uma notao similar a da matriz que caracteriza a
transformao linear. Alm disso, Gauss estabeleceu a frmula e uma notao simblica
para a composio de duas transformaes lineares e tambm para o produto, o que marca
um passo fundamental em direo ao conceito de matriz.
Hermann Gnter Grassmann publicou em 1844 a primeira verso de "Lineale
Ausdehnungslehre". Nesse trabalho discutiu e obteve uma boa parte dos resultados
elementares da teoria atual de espaos vetoriais e de lgebra linear, alm de ter conseguido
algo bem prximo de uma formalizao axiomtica, mas devido a sua forma obscura de

13

apresentao, seus resultados no influenciaram seus contemporneos e a maior parte de

seus resultados foi redescoberto independentemente de seu trabalho.
Em 1846, Arthur Cayley publicou o tratado "Sur Quelques Rsultats de Gometri de Position". Esse tratado surgiu como um passo decisivo na direo de generalizar os
espaos de dimenso maior que trs, pois nesse trabalho ele mostrou que se podem obter
resultados em geometria tridimensional trabalhando-se com espaos de dimenso maior
que trs. Esse resultado poderia ter sido obtido por Mbius, mas ele adotou uma postura
comum sua poca e descartou essa possibilidade.
Giuseppe Peano (1858-1952) publicou em 1888 sua prpria leitura do "Ausdehnungslehre", com o titulo de "Calcolo Geomtrico"no qual escreveu uma definio axiomtica do que ele chamou de "sistema linear", que foi considerada a primeira definio
axiomtica de um espao vetorial, mas a teoria de espaos vetoriais no foi desenvolvida
antes de 1920.

Situao Atual
A anlise de livros didticos de Matemtica constitui um parmetro indicador
do estado atual em que se encontra o ensino da lgebra Linear. Especificamente no
ensino mdio, pode-se constatar pela leitura de [6] que o contedo de lgebra linear
apresentado simplesmente para a resoluo de sistemas de equaes, onde a nica
aplicao de matrizes se restringe apenas na resoluo de sistemas.
Este trabalho mostra outros aspectos da aplicabilidade de conceitos de lgebra
Linear, como de espaos vetoriais, subespaos, bases, transformaes lineares, produto
interno e formas quadrticas, tendo sempre o foco no plano R2 , ou seja em espaos de
dimenso 2, visando um aprofundamento dos conceitos e mantendo a simplicidade para a
aplicabilidade no ensino mdio. Em outras palavras este trabalho mostra uma outra rea
de atuao para lgebra Linear, que retratada nos livros de ensino mdio apenas pelo
uso de matrizes e sistemas lineares, mostrando sua aplicabilidade no estudo das seces
cnicas (parbolas, hiprboles e elipses), que so abordadas ao final do ensino mdio.

Apresentao dos Captulos

Dividimos o contedo deste trabalho em 9 Captulos: No Captulo 1, que se
desenvolve no momento, contm alguns aspectos histricos que motivaram o desenvolvimento do tema e uma abordagem sobre a situao atual do ensino de lgebra linear no
ensino mdio. Os Captulos 2 ao 5 desenvolvem os conceitos fundamentais e as proposies bsicas, constitudas de vrios exemplos geomtricos para que se tenha a assimilao
dos conceitos mais abstratos fundamentados nas ideias intuitivas de geometria. O Captulo

14

6, aparentemente muito abstrato, contm o conceito de isomorfismo, que confere sentido

preciso afirmao de que dois espaos vetoriais de mesma dimenso so algebricamente
indistinguveis, o que d uma amplitude maior ao estudo aparentemente restrito ao plano,
que tem dimenso 2. Os Captulos 7 e 8 so uma preparao para a concluso que aparece
no Captulo 9 com o estudo das cnicas, como sendo uma rea bastante prspera para
aplicaes de matrizes e lgebra Linear. A importncia do Captulo 8, no reside apenas
como preparao para o Captulo 9, nele se encontra uma demonstrao do teorema Espectral para operadores auto-adjunto de R2 , ponto alto do trabalho (para um estudo mais
aprofundado ver [3], [4], [5], [7]).

CAPTULO 2

Espaos Vetoriais

A noo de espao vetorial a base do estudo que faremos, o terreno onde

desenvolve toda a lgebra Linear. Este Captulo apresenta os axiomas de espaos
vetorial, deduz suas consequncias mais imediatas e exibe os exemplos mais importantes
dessa noo.
Um espao vetorial E um conjunto, cujos elementos so chamados vetores,
no qual esto definidas duas operaes: a adio, que a cada par de vetores u, v E faz
corresponder um novo vetor u + v E, chamado a soma de u e v, e a multiplicao por um
nmero real, que a cada nmero R e cada vetor v E faz corresponder um vetor v,
ou v , chamado o produto de por v. Essas operaes devem satisfazer, para quaisquer
, R e u, v, w E, as condies abaixo, chamadas os axiomas de espao vetorial:
comutativa: u + v = v + u;
associativa: w + (u + v) = (w + u) + v e ()v = (v);
vetor nulo: existe um vetor 0 E, chamado vetor nulo, ou vetor zero, tal que
v + 0 = 0 + v = v para todo v E
inverso aditivo: para cada vetor v E existe um vetor v E, chamado o inverso aditivo,
ou simtrico de v, tal que v + v = v + (v) = 0;
distributividade: ( + )v = v + v e (u + v) = u + v;
multiplicao por 1: 1 v = v.
Observao: O mesmo smbolo 0 representa o vetor nulo e o nmero zero.
Exemplo 2.1 Para todo nmero natural n, o smbolo Rn , representa o espao vetorial euclidiano n-dimensional. Os elementos de Rn so as listas ordenadas u = (u1 , . . . , un ), v =
(1 , . . . , n ) de nmeros reais.
Por definio, a igualdade vetorial u = v significa as n igualdades numricas
u1 = v1 , . . . , un = vn .
Os nmeros u1 , . . . , un so chamados as coordenadas do vetor u. As operaes
do espao vetorial Rn so definidas por
u + v = (u1 + v1 , . . . , un + vn )

(2-1)

16

u = (u1 , . . . , un )

(2-2)

O vetor nulo , por definio, aquele cujas coordenadas so todas iguais a zero: 0 =
(0, 0, . . . , 0).
O inverso aditivo de u = (u1 , . . . , un ) u = (u1 , . . . , un ). Temos ento que
estas definies fazem de Rn um espao vetorial. Com efeito temos que mostrar que todos
os axiomas de espao vetorial valem para Rn , vide demonstrao em [4]. Para n = 1,
tem-se R1 = R = reta numrica, R2 o plano euclidiano e R3 o espao euclidiano
tridimensional da nossa experincia cotidiana.
Para ajudar a compreenso, os vetores de R2 e R3 podem ser representados por
flechas com origem no mesmo ponto O. A soma u + v a flecha que liga a origem O ao
vrtice que lhe oposto no paralelogramo que tem u e v como lados (Veja Figura).

Figura 2.1: Soma de vetores.

Por sua vez, o produto u a flecha colinear a u, de comprimento vezes o

comprimento de u, com o mesmo sentido de u se > 0 e com sentido oposto se < 0.
Valem num espao vetorial, como consequncias dos axiomas, as regras operacionais habitualmente usadas nas manipulaes numricas. Vejamos algumas delas:
1. Se w + u = w + v ento u = v. Em particular, w + u = w implica u = 0 e w + u = 0
implica u = w. Com efeito, da igualdade w + u = w + v segue-se que
u = 0+u = (w+w)+u = w+(w+u) = w+(w+v) = (w+w)+v = 0+v = v
Em particular, w + u = w implica w + u = w + 0, logo u = 0. E se w + u = 0 ento
w + u = w + (w) logo u = w.

17

2. Dados 0 R e v E tem-se 0 v = 0 E. Analogamente, dados R e 0 E, vale

0 = 0.
Com efeito, v + 0 v = 1 v + 0 v = (1 + 0) v = 1 v = v, logo 0 v = 0 como vimos
acima. De modo anlogo, como 0 + 0 = (0 + 0) = 0, segue de 1. que
0 = 0.
3. Se 6= 0 e v 6= 0 ento v 6= 0.
Com efeito, se fosse v = 0 ento v = 1 v = (1 )v = 1 (v) = 1 0 = 0.
4. (1) v = v.
Com efeito,
v + (1) v = 1 v + (1) v = [1 + (1)] v = 0 v = 0,
logo (1)v = v, pela regra 1.
No que se segue, escreveremos u v para significar u + (v). Evidentemente,
u v = w u = v + w.

Exemplo 2.2 Sejam u = (a, b) e v = (c, d) vetores de R2 com u 6= 0, isto a 6= 0 ou

b 6= 0. A fim de que v seja mltiplo de u, isto , v = u para algum R, necessrio
e suficiente que se tenha ad bc = 0. A necessidade imediata pois v = u significa
c = a e d = b. multiplicando a primeira destas igualdades por b e a segunda por a
obtemos bc = ab e ad = ab, logo ad = bc, ou seja, ad bc = 0. Reciprocamente, se




ad = bc ento, supondo a 6= 0, obtemos d = ac b. Alm disso, claro que c = ac a.
logo, pondo = ac , vem d = b e c = a, isto v = u. se for b 6= 0, tomaremos = db
para ter v = u.

CAPTULO 3

Subespaos

Um subespao vetorial do espao vetorial E um subconjunto F E que,

relativamente s operaes de E, ainda um espao vetorial. Os subespaos vetoriais
constituem uma rica fonte de exemplos de espaos vetoriais.
Seja E um espao vetorial. Um subespao vetorial (ou simplesmente um subespao) de E um subconjunto F E com as seguintes propriedades:
1. 0 F;
2. Se u, v F ento u + v F
3. se v F ento, para todo R, v F
Para mostrar que um subespao vetorial um espao vetorial, temos que mostrar
que um subconjunto F de um espao vetorial E, com as propriedades acima uma espao
vetorial, ou seja, satisfaz os axiomas de espao vetorial, vide demonstrao em [4].
Segue-se que se u e v pertencem ao subespao F e , so nmeros reais
quaisquer ento u + v F, mais geralmente, dados v1 , . . . , vm F e 1 , . . . , m R,
tem-se v = 1 v1 + . . . + m vm F.
O conjunto {0}, com o nico elemento 0, e o espao inteiro E so exemplos
triviais de subespaos de E. Todo espao vetorial , em si mesmo, um subespao.
Exemplo 3.1 Seja v E um vetor no-nulo. O conjunto F = {v; R} de todos os
mltiplos de v um subespao vetorial de E, chamado de reta que passa pela origem na
direo de v.
Exemplo 3.2 Sejam a1 , . . . , an nmeros reais. O conjunto H de todos os vetores v =
(x1 , . . . , xn ) Rn tais que
a1 x1 + . . . + an xn = 0
um subespao vetorial de Rn . No caso desinteressante em que a1 = . . . = an = 0, o
subespao H todo o Rn . Se, ao contrrio, pelo menos um dos ai 6= 0, H chama-se uma
hiperplano de Rn que passa pela origem.

19

Exemplo 3.3 Sejam E um espao vetorial e L um conjunto de ndices. Se, para cada
L, F um subespao vetorial de E, ento a interseo
F=

ainda um subespao vetorial de E. Segue-se ento do Exemplo 3.2 que o conjunto dos
vetores v = (x1 , . . . , xn ) R cujas coordenadas satisfazem as m condies abaixo
a11 x1 + a12 x2 + . . . + a1n xn = 0
a21 x1 + a22 x2 + . . . + a2n xn = 0
..
.
am1 x1 + am2 x2 + . . . + amn xn = 0
um subespao vetorial de Rn , que a interseo F = F1 . . . Fm dos hiperplanos Fi
definidos, segundo o Exemplo 3.2, por cada uma das equaes acima.
Seja X um subconjunto do espao vetorial E. O subespao vetorial de E gerado
por X , por definio, o conjunto do todas as combinaes lineares
1 v1 + 2 v2 + . . . + m vm
de vetores v1 , . . . , vm X.
Pode-se mostrar que o conjunto de todas as combinaes lineares que se podem
formar com vetores retirados dos conjunto X , de fato, um subespao vetorial, que
indicaremos pelo smbolo G(X).
O subespao G(X), gerado pelo subconjunto X E, contm o conjunto X e, alm
disso, o menor subespao de E que contm X. Noutras palavras, se F um subespao
vetorial de E e X F, ento G(X) F. Evidentemente, se X j um subespao vetorial,
ento G(X) = X. Quando o subespao G(X) coincide com E, diz-se que X um conjunto
de geradores de E.
Explicitamente: um conjunto X um conjunto de geradores do espao vetorial E
quando todo vetor w E pode exprimir-se como combinao linear
w = 1 v1 + . . . + m vm
de vetores v1 , . . . , vm pertencentes a X
Exemplo 3.4 Se v E um vetor no-nulo, o subespao gerado por v a reta que passa
pela origem e contm v.

20

Exemplo 3.5 Sejam u = (a, b) e v = (c, d) vetores de R2 tais que nenhum deles mltiplo
do outro, ento u 6= 0, v 6= 0 e, pelo Exemplo 2.2, afirmamos que X = {u, v} um conjunto
de geradores de R2 , ou seja, que qualquer vetor w = (r, s) R2 pode exprimir-se como
uma combinao linear w = xu + yv. De fato esta igualdade vetorial em R2 equivale s
duas igualdades numricas
ax + cy = r
bx + dy = s.
Como ad bc 6= 0, o sistema de equaes acima possui uma soluo (x, y), logo existem
x, y R, tais que xu + yv = w. Esta mesma concluso pode tambm ser obtida geometricamente, conforme mostra a figura 3.1. A partir da ponta de w, traam-se paralelas s retas
que contm u e v, determinando assim os mltiplos xu, yv, que somados do w.

Figura 3.1: Combinao linear de vetores em R2

Exemplo 3.6 Os chamados vetores cannicos.

e1 = (1, 0, 0, . . . , 0),
e2 = (0, 1, 0, . . . .0),
..
.
en = (0, 0, . . . , 0, 1)
constituem um conjunto de geradores do espao Rn . Com efeito, dado v = (1 , . . . , n )
Rn , tem-se v = e1 + . . . + en .
Resulta do Exemplo 3.5, que os nicos subespaos vetoriais de R2 so {0}, as
retas que passam pela origem e o prprio R2 . Com efeito, seja F R2 um subespao
vetorial. Se F contm apenas o vetor nulo, ento F = {0}. Se F contm algum vetor u 6= 0
ento h duas possibilidades: ou todos os demais vetores de F so mltiplos de u, ou ento
F contm, alm de u, um outro vetor v que no mltiplo de u. Neste caso, F contm todas
as combinaes lineares xu + yv, logo F = R2 , pelo Exemplo 3.5.
Exemplo 3.7 O sistema Linear de m equaes a n incgnitas

21

a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2
..
.
am1 x1 + am2 x2 + . . . + amn xn = bm
possui uma soluo (x1 , . . . , xn ) se, e somente se, o vetor b = (b1 , . . . , bn ) combinao
linear dos vetores-coluna
v1 = (a11 , a21 , . . . , am1 )
..
.
vn = (a1n , a2n , . . . , amn )
da matriz A = [ai j ]. Com efeito, estas equaes significam que
b = x1 v1 + x2 v2 + . . . + xn vn .
Em particular, se os vetores-colunas v1 , . . . , vn gerarem Rn , o sistema possui soluo, seja
qual for o segundo membro b.
Sejam F1 e F2 subespaos vetoriais de E. O subespao vetorial de E gerado pela
reunio F1 F2 , como se v facilmente, o conjunto de todas as somas v1 + v2 , onde
v1 F1 e v2 F2 . Ele representado pelo smbolo F1 + F2 .
Mais geralmente, dados os subconjuntos X,Y E, indica-se com X + Y o
conjunto cujos elementos so as somas u + v, onde u X e v V . Quando X = {u}
reduz-se a um nico elemento u, escreve-se u + Y em vez de {u} + Y . Diz-se ento que
u +Y resulta de Y pela translao de u.
Quando os subespaos F1 , F2 E tm em comum apenas o elemento {0},
escreve-se F1 F2 em vez de F1 + F2 e diz-se que F = F1 F2 soma direta de F1 e
F2 .
Teorema 3.1 Sejam F, F1 , F2 subespaos vetoriais de E, com F1 F e F2 F. As seguintes afirmaes so equivalentes:
1. F = F1 F2
2. todo elemento w F se escreve, de modo nico, como a soma w = v1 + v2 onde
v1 F1 e v2 F2
Prova. Provaremos que (1) (2). Para isso, suponhamos que F1 F2 = {0} e que se
tenha u1 + u2 = v1 + v2 , com u1 , v1 F1 e u2 , v2 F2 . Ento u1 v1 = v2 u2 . Como
u1 v1 F1 e v2 u2 F2 , segue-se que u1 v1 e v2 u2 pertencem ambos a F1 e a F2 .
Mas F1 F2 = {0}. Logo u1 v1 = v2 u2 = 0, ou seja, u1 = v1 e u2 = v2 . Para provar
que (2) (1), seja v F1 F2 . Ento 0 + v = v + 0 com 0, v F1 e v, 0 F2 . Pela hiptese

22

(2), isto implica 0 = v e portanto F1 F2 = {0}.

Exemplo 3.8 Em R2 , sejam F1 o subespao gerado pelo vetor e1 = (1, 0) e F2 o subespao gerado pelo vetor e2 = (0, 1). Ento F1 a reta que passa pela origem na direo de
e1 , ou seja, o conjunto de vetores da forma (1 , 0), enquanto que F2 tem a forma (0, 2 ).
claro que R2 = F1 F2 .
A noo de subespao vetorial abrange as retas, planos e seus anlogos multidimensionais apenas nos casos em que esses conjuntos contm a origem. Para incluir
retas, planos, etc. que no passam pela origem, tem-se a noo de variedade afim, que
discutiremos agora.
Seja E um espao vetorial. Se x, y E e x 6= y, a reta que une os pontos x, y por
definio o conjunto
r = {(1 t)x + ty;t R}
Pondo v = y x, podemos ver que r = {x + tv;t R}.
Um subconjunto V E chama-se uma variedade afim quando a reta que une
dois pontos quaisquer de V est contida em V. Assim, V E uma variedade afim se, e
somente se, cumpre a seguinte condio:
x, y V,t R (1 t)x + ty V

Exemplo 3.9 Um exemplo bvio de variedade afim um subespao vetorial. Ao contrrio dos subespaos vetoriais, que nunca so vazios, pois devem conter o zero, a definio
acima formulada de tal modo que o conjunto vazio a cumpre, logo uma variedade
afim.
Teorema 3.2 Seja V uma variedade afim no-nula no espao vetorial E. Existe um nico
subespao vetorial F E tal que, para todo x V tem-se
V = x + F = {x + v; v F}.

Vide demonstrao em [4].

Exemplo 3.10 Vimos no exemplo 3.7 que o conjunto V das solues de um sistema linear
de m equaes e n incgnitas uma variedade afim. Supondo V 6= , tomemos x0 V e
chamemos de F o subespao vetorial de Rn formado pelas solues do sistema homogneo

23

Figura 3.2: Variedade Afim, translao por um vetor.

correspondente (descrito no Exemplo 3.3). Tem-se V = x0 + F. Diz-se ento que "todas

as solues do sistema se obtm somando uma soluo particular com a soluo geral do
sistema homogneo associado".

CAPTULO 4

Bases

Os espaos vetoriais de dimenso finita possuem um estrutura algbrica extremamente simples, evidenciada pelas ideias de base e dimenso. Uma vez fixada uma base
num espao vetorial de dimenso n, seus elementos so meramente combinaes lineares
dos n vetores bsicos, com coeficientes univocamente determinados.
Seja E um espao vetorial. Diz-se que um conjunto X E linearmente
independente (abreviadamente, L.I.) quando nenhum vetor v X combinao linear
de outros elementos de X. Para evitar ambiguidade, no caso em que X = {v} consta de
um nico elemento v, diz-se que X L.I., por definio, quando v 6= 0. Quando X L.I.,
diz-se tambm que os seus elementos so linearmente independentes.
Quando o conjunto X L.I. seus elementos so todos 6= 0, pois o vetor nulo
combinao linear de quaisquer outros: 0 = 0 v1 + . . . + 0 vm (se no h "outros",
X = {v}, v 6= 0).
Um critrio extremamente til para verificar a independncia linear de um
conjunto dado pelo teorema abaixo.
Teorema 4.1 Seja X um conjunto L.I. no espao vetorial E. Se 1 v1 + . . . + m vm = 0
com v1 , . . . , vm X, ento 1 = . . . = m = 0. Reciprocamente, se a nica combinao
linear nula de vetores de X aquela cujos coeficientes so todos iguais a zero, ento X
um conjunto L.I..
Pode-se obter uma demonstrao do teorema acima em [4], mas para um abordagem mais
ampla do assunto vide [5] e [7].
Corolrio 4.1.1 Se v = 1 v1 + . . . + m vm = 1 v1 + . . . + m vm e os vetores v1 , . . . , vm so
L.I. ento 1 = 1 , . . . , m = m .
Com efeito, tem-se neste caso (1 1 )v1 + . . . + (m m )vm = 0 logo (1
1 ) = . . . = (m m ) = 0.
Exemplo 4.1 Os vetores cannicos e1 = (1, 0, . . . , 0), . . . , en = (0, . . . , 0, 1) em Rn so L.I..
Com efeito, 1 e1 + . . . + n en = 0 significa (1 , . . . , n ) = 0, logo 1 = . . . = =0.

25

Teorema 4.2 Sejam v1 , . . . , vm vetores no-nulos do espao vetorial E. Se nenhum deles

combinao linear dos anteriores ento o conjunto X = {v1 , . . . , vm } L.I..
Prova. Suponhamos, por absurdo, que uma combinao linear dos vetores dados, com
coeficientes no todos nulos, fosse igual a zero. Se r vr fosse a ltima parcela no-nula
dessa combinao, teramos ento
1 v1 + . . . + r vr = 0 = 0
vr1 , logo vr seria combinao linear dos
com r 6= 0. Da viria vr = 1r v1 . . . r1
r
elementos anteriores a ele na lista v1 , . . . , vm .(Observe que r > 1 pois v1 6= 0)


Observao: Vale um resultado anlogo, com "subsequentes"em vez de "anteriores"no

enunciado.
Um conjunto X E diz-se linearmente dependente (abreviadamente, L.D.)
quando no L.I.
Isto significa que algum dos vetores v X combinao linear de outros
elementos de X, ou ento X = {0}. A fim de que X seja L.D. necessrio e suficiente
que exista uma combinao linear nula 1 v1 + . . . + m vm = 0 de vetores v1 , . . . , vm X
com algum coeficiente i 6= 0. Se X Y e X L.D., ento Y tambm L.D.. Se 0 X
ento o conjunto X L.D..
Exemplo 4.2 Os vetores u = (1, 2, 3), v = (4, 5, 6) e w = (7, 8, 9) em R3 so L.D. pois
w = 2v u.
Exemplo 4.3 Quando os vetores v1 , . . . , vm so L.D., isto no significa que qualquer um
deles seja combinao linear dos demais. Por exemplo, se u = (1, 2), v = (3, 4), w = (4, 8)
ento {u, v, w} R2 um conjunto L.D. pois w = 4u + 0 v porm v no combinao
linear de u e w.
Uma base de um espao vetorial E um conjunto B E linearmente independente que gera E. Isto significa que todo vetor v E se exprime, de modo nico,
como combinao linear v = 1 v1 + . . . + m vm de elementos v1 , . . . , vm da base B se
B = {v1 , . . . , vm } uma base de E e v = 1 v1 + . . . + m vm , ento os nmeros 1 , . . . , m
chamam-se as coordenadas do vetor v na base B .
Teorema 4.3 Se os vetores v1 , . . . , vm geram o espao vetorial E ento qualquer conjunto
com mais de m vetores L.D..

26

Corolrio 4.3.1 Se os vetores v1 , . . . , vm geram o espao vetorial E e os vetores u1 , . . . , un

so L.I., ento n 6 m.
Corolrio 4.3.2 Se o espao vetorial E admite uma base B = {u1 , . . . , un } com n elementos, qualquer outra base de E possui tambm n elementos.
Diz-se que o espao vetorial E tem dimenso finita quando admite uma base B =
{v1 , . . . , vn } com um nmeros finito n de elementos. Este nmero, que o mesmo para
todas as bases de E, chama-se a dimenso do espao vetorial E: n= dim E. Por extenso,
diz-se que o espao vetorial E = {0} tem dimenso zero.
Corolrio 4.3.3 Se a dimenso de E n, um conjunto com n vetores gera E se, e somente
se, L.I..
Para uma demonstrao do teorema acima e de seus corolrios vide [2], [4] e [5].
Teorema 4.4 Seja E um espao vetorial de dimenso finita n. Ento:
(a)
(b)
(c)
(d)

Todo conjunto X de geradores de E contm uma base,

Todo conjunto L.I. {v1 , . . . , vm } E est contido numa base,
Todo subespao vetorial F E tem dimenso finita, a qual 6 n,
Se a dimenso do subespao F E igual a n, ento F = E.

Vide demonstrao do teorema acima em [2] e [4].

Exemplo 4.4 O espao vetorial M(m n), das matrizes m n, tem dimenso finita, igual
a m n. uma base para M(m n) formada pelas matrizes ei j , cujo ij-simo elemento (na
interseo da i-sima linha com a j-sima coluna) igual a 1 e os demais elementos so
iguais a zero.
Diz-se que a variedade afim V E tem dimenso r quando V = x + F, onde o
subespao vetorial F E tem dimenso r.

CAPTULO 5

Transformaes Lineares

Sejam E, F espaos vetoriais. Uma transformao linear T : E F uma

correspondncia que associa a cada vetor v E um vetor T (v) F de modo que valham,
para quaisquer u, v E e R as relaes
T (u + v) = T (u) + T (v)

T ( v) = T (v).

O vetor T (v) chama-se a imagem (ou o transformado) de v pela transformao T .

Se T : E F uma transformao ento T (0) = 0. Com efeito, T (0) = T (0 +
0) = T (0) + T (0). Alm disso, dados u, v E e , R, tem-se T (u + v) = T (u) +
T (v) = T (u) + T (v). Mais geralmente, dados v1 , . . . , vm em E e 1 , . . . , m R,
vale a igualdade
T (1 v1 + . . . + m vm ) = T (v1 ) + . . . + m T (vm ).
Da resultam T (v) = T (v) e T (u v) = T (u) T (v).
A soma de duas transformaes lineares T, G : E F e o produto de uma
transformao linear T : E F por um nmero R so as transformaes lineares
T + G : E F e T : E F, definidas respectivamente por (T + G)v = T (v) + G(v)
e (T )v = T (v), para todo v E. O smbolo 0 indica a transformao linear nula
0 : E F definida por 0 v = 0 e, definindo T : E F por (T )(v) = A(v), v-se que
(T ) + T = T + (T ) = 0.
Dadas as transformaes lineares R : E F, S : F G, onde o domnio de
S coincide com a imagem de R, define-se o produto SR : E G pondo, para cada
v E, (SR)(v) = S(R(v)).
Vemos que SR uma transformao linear. Observamos tambm que SR nada
mais do que a composta S R das funes S e R. Segue-se ento dos princpios gerais
que se T : G H outra transformao linear, valem as propriedades
Associatividade: (T S)R = T (SR)

28

De fato, (T S)R = (T S) R, portanto (T S) R(v) = (T S)(R(v)) = T (S(R(v))) =

T (SR(v)) = T SR(v) para todo v, logo (T S)R = T (SR).
A linearidade tampouco necessria para mostrar que, dadas RE F e S, T :
F G, tem-se a
Distributividade esquerda: (S + T )R = SR + T R, que decorre simplesmente da
definio de S + T .
Usando a linearidade de T : F G, vemos que, dadas, R, S : E F, vale a
propriedade
Distributividade direita: T (R + S) = T R + T S.
Com efeito, para todo v E, tem-se
[T (R + S)](v) = C[(R + S)(v)] = C[(R(v) + S(v)] = T (R(v)) + T (S(v)) =
= (T R)(v) + (T S)(v) = (T R + T S)(v)
Homogeneidade: S(R) = (SR), vlida para R, R : E F e S : F G quaisquer.
As transformaes lineares T : E E do espao vetorial E em si mesmo so
chamados operadores lineares em E. Um operador linear especial o operador identidade
I : E E definido por I(v) = v para todo v E.
Uma transformao linear T : E F um tipo particular de funo que tem o
espao vetorial E como domnio e o espao F como contra-domnio. Em geral, para se
definir uma funo f : X Y necessrio especificar o valor de f (x) para cada elemento
x no seu domnio X. O que torna as transformaes lineares to manejveis que para se
conhecer uma transformao T , basta que se saibam os valores T (v) que T assume nos
vetores v B , onde B uma base de E. Isto particularmente til quando E tem dimenso
finita. Neste caso, um nmero finito de valores T (v1 ), . . . , T (vn ) (onde {v1 , . . . , vn } E
uma base) atribudos arbitrariamente, definem inteiramente uma transformao linear
T : E F. Mais precisamente, vale o seguinte Teorema:
Teorema 5.1 Sejam E, F espaos vetoriais e B uma base de E. A cada vetor u B ,
faamos corresponder (de maneira arbitrria) um vetor u0 F. Ento existe uma nica
transformao linear T : E F tal que T (u) = u0 .
Prova. Todo vetor v E se exprime, de modo nico, como uma combinao linear
v = 1 u1 + . . . + m um de elementos u1 , . . . , um da base B . Definimos T : E F pondo
T (v) = 1 u01 + . . . + m u0m
Dados v, w E temos
v = 1 u1 + . . . + m um

29

e
w = 1 u1 + . . . + m um
ento

v + w = (i + i )ui
i=1

logo
T (v + w) = (i + i )u0i = i u0i + i u0i = T (v) + T (w).
De maneira anloga se v que T (v) = T (v), portanto T : E F, assim definida,
uma transformao linear, tal que T (u) = u0 , para todo u B . Quanto unicidade, seja
G : E F outra transformao linear tal que G(u) = u0 para todo u B . Ento, para cada
v = i ui E tem-se
G(v) = G

iui

= i G(ui ) = i u0i = T (v)

portanto G = T . Isto completa a demonstrao.

Em virtude do Teorema 5.1, se quisermos definir uma transformao linear

T
Rm basta escolher, para cada j = 1, . . . , n, um vetor v j = (a1 j , a2 j , . . . , am j ) Rm
e dizer que v j = A e j a imagem do j-simo vetor da base cannica, e j = (0, . . . , 1, . . . , 0),
pela transformao linear T . A partir da, fica determinada a imagem T (v) de qualquer
vetor v = (x1 , . . . , xn ) Rn . Com efeito, tem-se v = x1 e1 + . . . + xn en , logo
: Rn

T (v) = T

x je j

j=1

x j T (e j ) = (a1 j x j , a2 j x j , . . . , am j x j )

j=1

j=1

a1 j x j , a2 j x j , . . . , am j x j

j=1

j=1

!
,

j=1

ou seja,
T (x1 , x2 , . . . , xn ) = (y1 , y2 , . . . , ym ),
onde
y1 = a11 x1 + a12 x2 + . . . + a1n xn
y2 = a21 x1 + a22 x2 + . . . + a2n xn
..
.

(5-1)

ym = am1 x1 + am2 x2 + . . . + amn xn .

Resumindo: uma transformao linear T : Rn Rm fica inteiramente determi-

30

nada por uma matriz A = [ai j ] M(m n). Os vetores-colunas dessa matriz so as imagens T (e j ) dos vetores da base cannica de Rn . A imagem de T (v) de um vetor arbitrrio
v = (x1 , . . . , xn ) Rn o vetor w = (y1 , . . . , ym ) Rm cujas coordenadas so dadas pelas
equaes 5-1 acima, nas quais ocorrem os vetores-linha da matriz A. Diz-se que A a
matriz da transformao de T relativa s bases cannicas de Rn e Rm .
Dessa maneira temos que o espao vetorial M(mn), das matrizes mn munido
das operaes usuais de soma, multiplicao por escalar e produto, satisfazem todas as
condies de transformaes lineares, ou seja, para R e S, transformaes lineares cujas
matrizes associadas sejam A e B respectivamente, temos que as matriz de R + S, R e R S
(onde a soma, multiplicao por escalar e composio estejam definidas) so A + B, A
e A B respectivamente (para um estudo mais aprofundado desses resultados vide [1],
[2] e [8]). A partir de agora faremos uso abertamente de todas as propriedades matriciais,
como determinantes, transposta, ortogonalidade, semelhana, adjunta e etc.
Exemplo 5.1 Seja v = (x, y, z) um vetor genrico do R3 . Ento, a frmula
T (v) = (2x y + z, x + 3y 2z)

(5-2)

Define uma transformao T : R3 R2 , fcil ver que T assim definida linear. Por
exemplo, a imagem do vetor cannico e1 = (1, 0, 0) o vetor w = (2, 1). Observe que, se
2 1 1
1 3 2

A=

!
(5-3)

, ento
Avt =

2 1 1
1 3 2

x

y =
z

2x y + z
x + 3y 2z

!
.

(5-4)

Comparando 5-2 e 5-4, vemos que a transformao T : R3 R2 dada por

T (v) = (Avt )t .

(5-5)

Observe que no exemplo acima, utilizamos a noo de matriz transposta, indicada pelo expoente t, isso se faz necessrio uma vez que a imagem de uma transformao
linear um vetor linha e o produto da matriz A pelo vetor coluna v um vetor coluna.
Exemplo 5.2 (Rotao de ngulo em torno da origem em R2 ) Trata-se do operador
R : R2 R2 , que leva cada vetor v no vetor R(v) que dele resulta pela rotao de ngulo
em torno da origem. A figura 5.1 deixa claro que R(u + v) = R(u) + R(v). bem mais
claro ainda que R(v) = Rv para v R2 e R, logo R uma transformao linear.

31

Figura 5.1: Rotao de Vetores.

Para um vetor v = (x, y) R2 arbitrrio, seja R(v) = (x0 , y0 ). Sabemos que existe uma
matriz A associada a transformao R, tal que R(v) = (Avt )t , temos que A M(2 2).
Queremos ento determinar a matriz
A=

a b
c d

onde R(e1 ) = (a, c) e R(e2 ) = (b, d), com e1 = (1, 0) e e2 = (0, 1).
Ora, pelas definies de seno e cosseno, o vetor unitrio R(e1 ), que forma com
e1 um ngulo , tem coordenadas
cos e sen , ou seja, R(e1 ) = (cos , sen ). Alm disso, como e2 forma com e1 um ngulo
reto, R(e2 ) tambm forma com R(e1 ) um ngulo reto. Logo R(e2 ) = (sen , cos )

Figura 5.2: Rotao de ngulo .

Portanto, a rotao R : R2 R2 leva um vetor v = (x, y) no vetor R(v) = (Avt )t =

(x0 , y0 ), onde
!
cos sen
A=
sen cos
portanto
Avt =

cos sen
sen cos

x
y

!
=

obtemos assim:
x0 = x cos ysen
y0 = xsen + y cos

x cos ysen
xsen + y cos

32

A matriz de R relativa base cannica de R2 portanto a matriz A.

Exemplo 5.3 (Projeo ortogonal sobre uma reta) A reta y = ax o conjunto dos pontos (x, ax) R2 , onde x varia em R. Ela o subespao vetorial de R2 gerado por (1, a).
Consideremos o operador P : R2 R2 que faz corresponder a cada v = (x, y) R2 o vetor
P(v) = (x0 , ax0 ), cuja extremidade o p da perpendicular baixada de v sobre a reta y = ax
como mostrado na figura 5.3.

Figura 5.3: Projeo ortogonal sobre uma reta.

Queremos determinar x0 em funo de x e y, o que nos dar as coordenadas

(x0 , ax0 ) de P(v) em funo das coordenadas de v. No caso particular em que a = 0, a reta
y = ax o eixo das abscissas e a projeo P(v) simplesmente a (x, 0). As equaes da
projeo P sobre o eixo horizontal
so portanto x0 = x e y0 = 0. A matriz de P na base
!
1 0
cannica de R2
. No caso geral, a extremidade do vetor P(v) o vrtice do
0 0
ngulo reto num tringulo retngulo cujos demais vrtices so a origem e a extremidade
do vetor v. Pelo teorema de Pitgoras, temos
dist(v, 0)2 = dist(P(v), 0)2 + dist(v, P(v))2 ,
ou seja,
x2 + y2 = (x0 )2 + a2 (x0 )2 + (x x0 )2 + (y ax0 )2 .
Supondo x0 6= 0, desenvolvendo, simplificando e dividindo ambos os membros por x0 ,
obtemos (1 + a2 )x0 = x + ay, donde
x0 =

x + ay
,
1 + a2

ou seja x0 =

1
a
x
+
y.
1 + a2
1 + a2

O caso x0 = 0 significa que v(x, y) est sobre a perpendicular reta y = ax passando pela
(x+ay)
origem. Ora, a equao dessa perpendicular x + ay = 0, logo a expresso x0 = (1+a
2)
0
fornece x em funo de x e y em quase todos os casos, falta analisarmos quando a reta se

33

trata do eixo y, cuja equao nesse caso x + ay = 0 com a = 0, assim a projeo P(v)
simplesmente igual a (0, y). As equaes da projeo P sobre o eixo
! vertical so portanto
0 0
x0 = 0, y0 = y. A matriz de P na base cannica de R2
. Vemos em particular,
0 1
que a projeo P : R2 R2 um operador linear, cujas matrizes na base cannica de R2
so:
!
!
a
1
0
0
2
2
1+a
1+a
caso a reta seja y = ax
; caso a reta seja o eixo y
.
a
a2
0 1
1+a2 1+a2
Observe que a segunda matriz o lim da primeira matriz, mas no vamos nos aprofundar
a
nesse tema.
Exemplo 5.4 (Reflexo em torno de uma reta.) Seja S : R2 R2 a reflexo em torno
da reta y = ax. Para todo v = (x, y) R2 , a reta y = ax a bissetriz do ngulo entre v
e S(v) e perpendicular reta que liga v a S(v). Seja P : R2 R2 a projeo ortogonal
sobre a reta y = ax. A figura 5.4 mostra que, para todo v R2 , tem-se v + S(v) = 2P(v), ou
seja, I + S = 2P, onde I : R2 R2 o operador identidade. Da vem S = 2P I. Usando
o exemplo anterior, conclumos que, para todo v = (x, y), tem-se S(v) = (x0 , y0 ), onde
1 a2
2a
x =
x+
y,
2
1+a
1 + a2
0

2a
1 a2
y =
x
y.
1 + a2
1 + a2
0

Obtemos assim a matriz A associada a transformao S :

Figura 5.4: Reflexo em torno de uma reta.

A=

1a2
1+a2
2a
1+a2

2a
1+a2
1a
1+a
2

!
.

Observamos que a matriz A, a princpio, no contempla o caso em que a reta se trata do

eixo y, isso se d porque o parmetro a na matriz A o coeficiente angular da reta, ou
seja, a tan(), onde o ngulo que a reta faz com o eixo positivo x, de fato o eixo y

34

descrito pela equao y = ax quando a tende ao infinito e portanto a matriz A retrata, de

fato, a reflexo com relao a uma reta que passa pela origem.
Mostraremos agora uma outra maneira de se obter a reflexo sobre uma reta, s
que nesse caso vamos enfatizar a argumentao sobre o ngulo que a reta faz com o
eixo positivo x.
Exemplo 5.5 (Reflexo em torno de uma reta L que passa pela origem.) uma transformao que leva cada ponto sobre sua imagem especular com relao a reta L. A figura
5.5 ilustra a reflexo T com relao ao eixo x, para qual T (x, y) = (x, y). Obviamente,
T (e1 ) = e1 = (1, 0) e T (e2 ) = (0, 1)
de modo que a matriz de T
A=

1 0
0 1

Como uma verificao, notamos que

"
T (x, y) =

1 0
0 1

x
y

!#t
= (x, y).

De maneira anloga, obtemos que a matriz de reflexo com relao ao eixo y

1 0
0 1

(a) Reflexo sobre o eixo x.

!
.

(b) Reflexo sobre o eixo y.

Figura 5.5: (a) e (b) representam as reflexo com relao ao eixo

x e y respectivamente.

Seja L a reta que passa atravs da origem do R2 e forma um ngulo com o

eixo x positivo. Ento, pode-se conseguir a reflexo T com relao a L atravs de uma
rotao de um ngulo para mover L sobre o eixo x, em seguida uma reflexo com
relao ao eixo x e, finalmente, uma rotao de um ngulo para mover L de volta sua

35

posio original. Temos ento trs operadores lineares envolvidos R , Tx e R que fazem
respectivamente as movimentaes citadas acima. Para cada um dos operadores citados
temos uma matriz associada, logo a matriz A associada a transformao R Tx R o
produto das suas matrizes individuais, portanto
A=

cos() sen ()
sen () cos()

A=

cos() sen ()
sen () cos()

1 0
0 1

1 0
0 1

cos() sen ()
sen () cos()

cos() sen ()
sen () cos()

portanto
A=

cos2 () sen 2 ()
2sen () cos()
2sen () cos() (cos2 () sen 2 ())

Usando as igualdades trigonomtricas

cos(2) = cos2 () sen 2 ()
sen (2) = 2sen () cos(),
obtemos a matriz
A=

cos(2) sen (2)

sen (2) cos(2)

!
.

Para mais exemplos de operadores lineares vide [1], [2], [3], [7] e [8].

!
,

CAPTULO 6

Ncleo e Imagem

Nesta seo, ser examinada com cuidado a possibilidade de uma transformao linear admitir ou no uma inversa. Veremos que isto est associado existncia e
unicidade da soluo de um sistema de equaes lineares. Ser introduzido o conceito
de isomorfismo, que dar um sentido preciso afirmao de que dois espaos vetoriais
de mesma dimenso so algebricamente indistinguveis. Tudo comea com o ncleo e a
imagem de uma transformao.
toda transformao linear T : E F esto associados dois subespaos vetoriais
indispensveis para estudar o comportamento de T : o ncleo de T , que o subespao de
E, e a imagem de T , que um subespao de F, vide demonstrao desse fato em [14].
A imagem de T o subconjunto Im(T ) F, formado por todos os vetores
w = T (v) E que so imagens de elementos de E pela transformao T .
A noo de imagem tem sentido seja qual for a funo T : E F, seja linear ou
no. Quando T linear, ento Im(T ) um subespao vetorial de F, como se v facilmente.
Se Im(T ) = F, dizemos que a transformao T sobrejetiva. Isto significa que,
para qualquer w F dado, pode-se achar v E tal que T (v) = w.
Seja X E um conjunto de geradores do espao vetorial E. A imagem da
transformao linear T : E F o subespao vetorial de F gerado pelos vetores T (v), v
X. Em particular, T sobrejetiva se, e somente se, transforma X num conjunto de
geradores de F. Se v1 , . . . , vn geram E os vetores T (v1 ), . . . , T (vn ) geram Im(T ). Segue-se
que a dimenso de Im(T ) menor do que ou igual dimenso do domnio de T .
Uma transformao linear R : F E chama-se uma inversa direita da transformao T : E F quando se tem T (R(w)) = w para todo w F.
Teorema 6.1 A fim de que uma transformao linear T : E F, entre espaos vetoriais
de dimenso finita, possua uma inversa direita R necessrio e suficiente que T seja
sobrejetiva.
Prova. Se T admite uma inversa direita R : F E ento para todo w F tem-se
T (R(w)) = w, logo w = T (v), onde v = R(w), e T sobrejetiva. Suponhamos, em
seguida, que T seja sobrejetiva. A fim de definir uma transformao linear R : F E com

37

T (R(w)) = w, w F, tomamos uma base B = {w1 , . . . , wm } F. Como T sobrejetiva,

podemos escolher vetores v1 , . . . , vm E tais que T (v1 ) = w1 , . . . , T (vm ) = wm . Pelo
Teorema 5.1, existe uma transformao linear R : F E tal que R(w1 ) = v1 , . . . , R(wm ) =
vm . Afirmamos que, para todo w F, tem-se T (R(w)) = w, de fato, sendo B uma base,
podemos escrever w = 1 w1 + . . . + m wm , portanto
T (R(w)) = T (1 R(w1 ) + . . . + m R(wm ))
= T (1 v1 + . . . + m vm )
= 1 T (v1 ) + . . . + m T (vm )
= 1 w1 + . . . + m wm = w.

O ncleo da transformao linear T : E F o conjunto dos vetores v E tais
que T (v) = 0. Usaremos a notao N (T ) para representar o ncleo de T . fcil ver
que N (T ) um subespao vetorial de E. Uma transformao linear T : E F chama-se
injetiva quando v 6= v0 em E T (v) 6= T (v0 ) em F. Equivalentemente: T (v) = T (v0 )
v = v0 . Esta noo tem sentido para qualquer funo T : E F, seja ela linear ou no. No
caso linear, porm, o teorema abaixo simplifica a verificao da injetividade.
Teorema 6.2 A fim de que uma transformao linear T : E F seja injetiva necessrio
e suficiente que seu ncleo N (T ) contenha apenas o vetor nulo.
Prova. Seja T injetiva. Ento v N (T ) = {0}. Reciprocamente, seja N (T ) = {0}. Ento
T (v) = v0 T (v v0 ) = T (v) T (v0 ) = 0 v v0 = 0 v v0 N (T ) v v0 = 0
v = v0 .


Teorema 6.3 Uma transformao linear injetiva se, e somente se, leva vetores L.I. em
vetores L.I..
Prova. Seja T : E F uma transformao linear injetiva. Se os vetores v1 , . . . , vn E
so L.I., vamos provar que T (v1 ), . . . , T (vn ) so L.I. em F. Com efeito, se
1 T (v1 ) + . . . + n T (vn ) = 0, ento T (1 v1 + . . . + n vn ) = 0, logo 1 v1 + . . . + n vn = 0
pois T injetiva. Como v1 , . . . , vn so L.I., segue-se que 1 = . . . = n = 0, portanto
T (v1 ), . . . , T (vn ) so L.I.. Reciprocamente se a transformao linear T : E F leva
vetores L.I. em vetores L.I., ento v 6= 0 em E {v} L.I. {T (v)} L.I. T (v) 6= 0,
portanto N (T ) = {0} e T injetiva.


38

Segue-se deste teorema que se E tem dimenso finita n e T : E F uma

transformao linear injetiva, ento dimF > n. Assim, por exemplo, no existe uma
transformao linear injetiva de R3 em R2 .
Teorema 6.4 Seja T : E F uma transformao linear. Para todo b Im(T ), o conjunto
V = {x E; T (x) = b}, formado pelas solues do sistema linear T (x) = b, uma
variedade afim em E, paralela ao N (T ).
Observe que o sistema T (x) = b o usualmente conhecido sistema matricial
AX = B, das aulas do ensino mdio, onde A a matriz associada transformao T ,
enquanto que X e B so os vetores colunas dos vetores x e b, ou seja, X t = x e Bt = b.
Prova. Fixemos x0 V, isto , com T (x0 ) = b. Afirmamos que V = x0 + N (T ). Com
efeito, v N (T ) T (x0 + v) = T (x0 ) + T (v) = b + 0 = b x0 + x V. Logo x0 +
N (T ) V. Reciprocamente,
x V x = x0 + (x x0 ) = x0 + v

b = T (x) = T (x0 + v) = t(x0 ) + t(v) = b + T (v)

b = b + T (v) T (v) = 0 x = x0 + v x0 + N (T ).
Logo V x0 + N (T ).

Teorema 6.5 Sejam E e F espaos vetoriais de dimenso finita e T transformao linear,

ento T : E F possui inversa esquerda se, e somente se, injetiva.
Prova. Seja R : F E inversa esquerda de T . Ento T (u) = T (v) u = R(T (u)) =
R(T (v)) = v, logo T injetiva. Reciprocamente, suponha que T seja injetiva. A fim
de obter uma inversa esquerda R para T , tomemos {v1 , . . . , vn } E, uma base. Pelo
Teorema 6.3, os vetores T (v1 ), . . . , T (vn ) F so L.I., logo podemos achar vetores
w1 , . . . , wk F tais que
{T (v1 , . . . , T (vn ), w1 , . . . , wk )} F
seja uma base. Pelo Teorema 5.1, a fim de se definir a transformao linear R :
F E, basta especificar seus valores nos elementos desta base. Poremos R(T (v1 )) =
v1 , . . . , R(T (vn )) = vn , b(w1 ) = 0, . . . , b(wk ) = 0. Dado qualquer v E, tem-se v = 1 v1 +
. . . + n vn , logo
R(T (v)) = R(1 T (v1 ) + . . . + n T (vn ))

39

= 1 R(T (v1 ) + . . . + n R(T (vn )

= 1 v1 + . . . + n vn ,
portanto R uma inversa esquerda de T .

Uma transformao T : E F chama-se invertvel quando existe R : F R,

transformao linear, tal que RT = IE e T R = IF , ou seja, quando R , ao mesmo tempo,
inversa esquerda e direita de T , em outras palavras quando a matriz A associada a T
for quadrada, ou seja, A M(n n), e o determinante de A for diferente de zero.
Neste caso, dizemos que R a inversa de T e escrevemos R = T 1 , o que significa
que a matriz B associada a R a inversa da matriz A associada a T .
A fim de que a transformao linear T , seja invertvel, necessrio e suficiente
que ela seja injetiva e sobrejetiva. Diz-se, ento que T uma bijeo linear entre E e F
ou, mais apropriadamente que T : E F um isomorfismo e que os espaos vetoriais E
e F so isomorfos.
Se T : E F e R : F G so isomorfismos, ento T 1 : F E e RT : E G
tambm so isomorfismos. Tem-se (RT )1 = T 1 R1 e para 6= 0, (T )1 = 1 T 1 .
Observe que as mesmas relaes valem para as suas matrizes associadas.
Um isomorfismo T : E F entre espaos vetoriais transforma toda base de E
numa base de F. Reciprocamente, se uma transformao linear T : E F leva alguma
base de E numa base F ento T um isomorfismo.
Do que foi dito acima resulta, em particular, que dois espaos vetoriais de
dimenso finita isomorfos tm a mesma dimenso. A recproca verdadeira, como
veremos agora.
Com efeito, seja E um espao vetorial de dimenso finita n. Fixando uma base
{v1 , . . . , vn } E, podemos definir uma transformao linear T : Rn E pondo, para cada
v = (1 , . . . , n ) Rn , T (v) = 1 v1 + . . . + n vn . Temos que T (e1 ) = v1 , . . . , T (en ) = vn .
Assim, T transforma a base cannica {e1 , . . . , en } na base {v1 , . . . , vn } E, logo um
isomorfismo entre Rn e E.
Noutras palavras, todo espao de dimenso n isomorfo a Rn .
Como vimos T 1 : E Rn e o produto RT 1 : E F de T 1 por outro
isomorfismo R : Rn F so isomorfismos, segue-se que dois espaos vetoriais E e F,
ambos de dimenso n, so isomorfos.
Isso justifica que a restrio desse trabalho ao espao R2 apenas aparente, uma
vez que todos os espaos de dimenso 2 so isomorfos a R2 .
Teorema 6.6 (Teorema do Ncleo e da Imagem) Sejam E, F espaos vetoriais de dimenso finita. Para toda transformao linear T : E F tem-se que dim E = dim N (T )+
dim Im(T ).

40

Prova. O teorema resulta imediatamente da seguinte afirmao mais precisa, que provaremos a seguir: se {T (u1 ), . . . , T (u p )} uma base de Im(T ) e {v1 , . . . , vq } uma base de
N (T ) ento {u1 , . . . , u p , v1 , . . . , vq } uma base de E.
Com efeito, em primeiro lugar, se tivermos
1 u1 + . . . + p + v1 + . . . + vq = 0,

(6-1)

ento, aplicando a transformao T a ambos os membros desta igualdade e lembrando

que v1 , . . . , vq pertencem ao ncleo de T , obtemos a igualdade
1 T (u1 ) + . . . + p T (u p ) = 0.
Como os vetores T (u1 ), . . . , T (u p ) so L.I., resulta da que 1 = . . . = p = 0. Portanto a
igualdade 6-1 se reduz a igualdade
1 v1 + . . . + q vq = 0.
Como v1 , . . . , vq so L.I., conclumos que 1 = . . . = q = 0. Isto mostra que os vetores
u1 , . . . , u p , v1 , . . . , vq so L.I..
Em seguida, consideramos um vetor arbitrrio w E. Como T (w) Im(T ),
podemos escrever
T (w) = 1 T (u1 ) + . . . + p T (u p ),
pois {T (u1 ), . . . , T (u p )} uma base da imagem de T . A igualdade acima pode ser reescrita
como
T [w (1 u1 + . . . + p u p )] = 0.
Assim, o vetor w (1 u1 + . . . + p u p ) pertence ao ncleo de T , logo pode ser expresso
como combinao linear dos elementos da base {v1 , . . . , vq }. Temos ento
w (1 u1 + . . . + p u p ) = 1 v1 + . . . + q vq ,
ou seja, w = 1 u1 + . . . + p u p + 1 v1 + . . . + q vq . isto mostra que os vetores
{u1 , . . . , u p , v1 , . . . , vq } geram E e portanto constituem uma base.


Corolrio 6.6.1 Sejam E, F espaos vetoriais de mesma dimenso finita n. Uma transformao linear T : E F injetiva se, e somente se, sobrejetiva e portanto um
isomorfismo.
Com efeito, temos n = dim N (T ) + dim Im(T ). logo N (T ) = {0} se, e somente
se dim Im(T ) = n, ou seja, Im(T ) = F.

41

Teorema 6.7 Se uma transformao linear T : E F tem uma inversa esquerda

R : F E e uma inversa direita S : F E, ento R = S e T um isomorfismo, com
T 1 = R = S.
Prova. Tem-se RT = IE e T S = IF . Portanto R = RIF = R(T S) = (RT )S = IE S = S.

Corolrio 6.7.1 Seja dim E = dim F. Se as transformaes lineares T : E F, R : F E

so tais que RT = IE , ento T R = IF e R = T 1 .
Com efeito, RT = IE T injetiva T sobrejetiva T S = IF para algum S
S = R T R = IF .
Exemplo 6.1 (Projeo sobre o eixo das abscissas) Considere o operador linear T :
R2 R2 , tal que T (x, y) = (0, y), nestas condies N (T ) o subespao gerado pelo
vetor e1 e Im(T ) o subespao gerado pelo vetor e1 , ento como no exemplo 3.8 temos
que R2 = N (T ) Im(T )
Exemplo 6.2 Para todo operador linear T : E E num espao vetorial de dimenso
finita vale a relao dim E = dim N (T ) + dim Im(T ). Isto porm no implica que
se tenha sempre E = N (T ) Im(T ). Por exemplo, se T : R2 R2 definido por
T (x, y) = (x y, x y) ento, tomando w = (1, 1), temos w = T (v), com v = (2, 1) e
T (w) = 0, logo N (T ) Im(T ) contm o vetor no nulo w

CAPTULO 7

Produto Interno

Os axiomas de espao vetorial no so suficientes para abordar certas noes

geomtricas como ngulo, perpendicularismo, comprimento, distncia, etc. Isto se torna
possvel com a introduo de um produto interno.
Um produto interno num espao vetorial E um funcional bilinear simtrico
e positivo em E. Mais precisamente, um produto interno uma funo E E R,
que associa a cada par de vetores u, v E um nmero real hu, vi, chamado de produto
interno de u por v, de modo que sejam vlidas as seguintes propriedades, para quaisquer
u, u0 , v, v0 E e R:
Bilinearidade: hu + u0 , vi = hu, vi + hu0 , vi, hu, vi = hu, vi, hu, v + v0 i = hu, vi + hu, v0 i,
hu, vi = hu, vi;
Comutatividade (simetria): hu, vi = hv, ui;
Positividade: hu, ui > 0 se u 6= 0.
Como h0, vi = h0 + 0, vi = h0, vi + h0, vi, segue-se que h0, vi = hv, 0i = 0 para
todo v E.
Resulta da positividade que se hu, vi = 0, para todo v E, ento u = 0. Com
efeito, se u 6= 0 teramos hu, vi 6= 0 pelo menos quando v = u.
Segue-se desta observao que se u, u0 E so vetores tais que hu, vi = hu0 , vi
para todo v E, ento u = u0 . Com efeito, isto implica que hu u0 i = 0 para todo v E,
logo u u0 = 0 e u = u0 .
p
O nmero no negativo |u| = hu, ui chama-se a norma ou o comprimento do
vetor u. Com esta notao, tem-se |u|2 = hu, ui e a igualdade
hu + vi = hu, ui + hu, vi + hv, ui + hv, vi,
l-se: |u + v|2 = |u|2 + |v|2 + 2hu, vi.
Quando |u| = 1 diz-se que u E um vetor unitrio. Todo vetor u 6= 0 se escreve
como u = |u| u0 , onde u0 um vetor unitrio. Basta pr u0 = |u|1 u.

43

Exemplo 7.1 No espao euclidiano Rn , produto interno cannico dos vetores u =

(1 , . . . , n ) e v = (1 , . . . , n ) definido por hu, vi = 1 1 + . . . + n n . Este o produto interno que consideraremos em Rn .
Exemplo 7.2 Consideremos R2 como modelo aritmtico do plano euclidiano, no qual se
introduziu um sistema de coordenadas cartesianas. Dados u = (1 , 2 ) e v = (1 , 2 ), os
nmeros
q
|u| = 21 + 22
e
q
|v| = 21 + 22
medem realmente os comprimentos das flechas que representam esses vetores. Suponhamos u 6= 0, v 6= 0 e chamemos de o ngulo formado por essas flechas. Afirmamos que o produto interno hu, vi = 1 1 + 2 2 acima definido igual a |u||v| cos .
Isto ser provado em trs passos: 1o ) Se os vetores u e v so perpendiculares, ento
hu, vi = 0 = |u||v| cos 90o . Com efeito, por um lado,
|u + v|2 = hu + v, u + vi = |u|2 + |v|2 + 2hu, vi
e por outro lado, pelo Teorema de Pitgoras,
|u + v|2 = |u|2 + |v|2 ,
logo hu, vi = 0. 2o ) Se |u| = |v| = 1, ento hu, vi = cos . Com efeito, tomando o vetor

Figura 7.1: Teorema de Pitgoras em sua forma vetorial.

unitrio u perpendicular a u temos, pela definio de seno e cosseno, v = cos u +

sen u . Tomando o produto interno de ambos os membros desta igualdade por u,
vem hu, vi = cos hu, ui + sen hu, u i. Como hu, ui = 1 e hu, u i = 0, pelo primeiro
passo, temos hu, vi = cos . 3o ) Caso geral: pomos u = |u| u0 e v = |v| v0 , onde u0 e
v0 so vetores unitrios na mesma direo e sentido de u e v respectivamente. Ento
hu, vi = |u||v|hu0 , v0 i = |u||v| cos . Vemos, em particular, que o vetores u,v formam um

44

Figura 7.2: Decomposio do vetor v em uma base ortogonal.

ngulo agudo quando hu, vi > 0, um ngulo obtuso quando hu, vi < 0 e um ngulo reto
quando hu, vi = 0.
Seja E um espao com produto interno. Dois vetores u, v E chamam-se ortogonais (ou perpendiculares) quando hu, vi = 0. Escreve-se, ento uv. Em particular, 0
ortogonal a qualquer vetor de E. Um conjunto X E diz-se ortogonal quando todos os vetores de X so ortogonais dois a dois. Se, alm disso, todos os vetores de X so unitrios,
ento X chama-se um conjunto ortonormal. Portanto, o conjunto X E ortonormal se,
e somente se, dados u, v X tem-se hu, vi = 0 se u 6= v e hu, vi = 1 se v = u. Uma base
ortonormal uma base de E que um conjunto ortonormal.
Teorema 7.1 Num espao vetorial E com produto interno, todo conjunto ortonormal X
de vetores no nulo L.I..
Prova. Sejam v1 , . . . , vn X. Temos hvi , v j i = 0 se i 6= j. Se 1 v1 + . . . + n vn = 0 uma
combinao linear nula desses vetores ento, para cada i = 1, 2, . . . , n, tomamos os produto
interno de ambos os membros desta igualdade por vi e temos
1 hv1 , vi i + . . . + n hvn , vi i = 0.
Logo i hvi , vi i = i |vi |2 = 0, pois todos os produtos internos hv j , vi i, com j 6= i, so
nulos em virtude da ortogonalidade de X. Alm disso, como os vetores pertencentes ao
conjunto X so todos no nulos, resulta de i |vi |2 = 0 que i = 0. Assim, os coeficientes
da combinao linear i vi = 0 so todos iguais a zero e os vetores do conjunto X so,
portanto, linearmente independentes.

Exemplo 7.3 A base cannica {e1 , . . . , en } Rn ortonormal: tem-se hei , e j i = 0 se i 6= j
e hei , e j i = 1 se i = j. No plano R2 os vetores u = (1, 1) e v = (1, 1) so ortonormais.
Pondo
!
!
2
2
2 2
u0 =
,
e v0 =
,
2 2
2 2

45

o conjunto {u0 , v0 } R2 uma base ortonormal.

Num espao vetorial E com produto interno, seja u um vetor unitrio. Dado
qualquer v E, o vetor hu, vi u chama-se a projeo ortogonal de v sobre o eixo
que contm u. A justificativa para esta denominao est no fato de que, escrevendo
w = v hu, viu, tem-se v = hu, viu + w, onde w perpendicular a u. Com efeito, tomando
o produto interno de u por ambos os membros da igualdade w = v hu, viu tem-se
hu, wi = hu, vi hu, vihu, ui = hu, vi hu, vi = 0,
pois hu, ui = 1.

Figura 7.3: Projeo ortogonal.

Quando se tem apenas u 6= 0, o eixo que contm u o mesmo que contm o vetor
u
(= |u|1 u). A projeo ortogonal de v sobre este eixo , portanto, igual
unitrio u0 = |u|
a hu0 , viu0 , ou seja,

hu,vi
hu,ui

u. Usaremos a notao
pru (v) =

hu, vi
u
hu, ui

para indicar a projeo ortogonal do vetor v sobre o eixo que contm o vetor no-nulo u.
Se z = pru (v), tem-se v = z + w, com wz. Pelo Teorema de Pitgoras, |v|2 =
|z|2 + |w|2 . Em particular vemos que |z| 6 |v|, isto , o comprimento da projeo pru (v)
menor do que ou igual ao comprimento v.
Ora, a norma de vetor pru (v) igual a |hu,vi|
|u| . Segue-se ento que, para quaisquer
u, v E tem-se

|hu,vi|
|u|

6 |v|, ou seja

|hu, vi| 6 |u| |v|

(desigualdade de Schwarz).

A rigor, o argumento acima prova a desigualdade de Schwarz apenas no caso

em u 6= 0, mas ela bvia no caso em que u, v mltiplo um do outro. Isto resulta do
raciocnio acima pois, no Teorema de Pitgoras |v|2 = |z|2 + |w|2 , dizer |v| = |z| significa
que w = 0, isto , que v mltiplo do u.

CAPTULO 8

Subespaos Invariantes, Operadores

Auto-Adjuntos, Um Caso Particular do
Teorema Espectral

A Adjunta de uma transformao Linear T : E F uma transformao linear

: F E tal que, para v E e w F quaisquer se tenha:
hT (v), wi = hv, T (w)i.

A transposta de uma matriz A = [ai j ] M(mn) a matriz At = [a ji ] M(nm)

que tem como linhas as colunas de A e como colunas as linhas de A, na mesma ordem.
Teorema 8.1 Sejam U = {u1 , . . . , un } E e V = {v1 , . . . , vm } F bases ortonormais. Se
A = [ai j] M(m n) a matriz da transformao linear T : E F nas bases U , V ento
a matriz da adjunta T : F E nas bases V , U a transposta At = [a ji ] M(n m) de
A.
Prova. Por definio de um transformao linear, temos
m

T (u j ) = ai j vi

( j = 1, . . . , n)

i=1

e
T (vi ) =

briur ,

r=1

onde B = [bri ] M(n m) a matriz de T nas bases V , U , a ser determinada. Como

ambas as bases so ortonormais, temos, para cada i = 1, . . . , m e cada j = 1, . . . , n:
b ji = hu j , T (vi )i = hT (u j ), vi i = ai j ,
portanto, B = At , transposta de A.

47

apresentada a seguir uma lista de propriedades operacionais da adjunta de um

transformao linear, as quais se traduzem em propriedades de transposta de matriz. A
validez dessas propriedades decorre da observao de que duas transformaes lineares
T, R : E F so iguais quando se tem hT (u), vi = hR(u), vi para quaisquer u E e v F
I = I
(T + R) = T + R

(Int = In )
(A + B)t = At + Bt

(T ) = t

(A)t = At

(RT ) = T R

(BA)t = At Bt

T = T

(At )t = A

onde A e B so as matrizes associadas s transformaes lineares T e R respectivamente.

Diz-se que um subespao vetorial F E invariante pelo operador linear
T : E E quando T (F) F, isto , quando a imagem de T (v) de qualquer vetor v F
ainda um vetor de F.
Exemplo 8.1 Os subespaos {0} e E so invariantes por qualquer operador linear T :
E E. O ncleo N (T ) e a imagem Im(T ) so tambm exemplos bvios de subespaos
invariantes. Um subespao F de dimenso 1 (reta passando pela origem) invariante
por T se, e somente se, existe um nmero tal que T (v) = v para todo v F. [Com
efeito, fixando um vetor u 6= 0 em F, todos os demais elementos de F so da forma
u, R. Como T (u) F, tem-se T (u) = u. Para qualquer outro v F, vale v = u
logo T (v) = T (u) = u = u, logo T (v) = v, como o mesmo .]
Um vetor v 6= 0 em E chama-se um autovetor do operador linear T : E E
quando existe R tal que
T (v) = v.
O nmero R, por sua vez, chama-se autovalor do operador linear T quando existe um
vetor no-nulo v E tal que T (v) = v. Diz-se ento que o autovalor corresponde ao
autovetor v e , vice-versa, que o autovetor v tambm corresponde ao autovalor . Ento,
para todo w = v, tem-se T (w) = w.
Achar um autovetor (ou, o que equivalente, um autovalor) do operador T ,
portanto, o mesmo que achar um subespao de dimenso 1 invariante por T .
Analogamente, diz-se que o nmero real um autovalor da matriz A
M(nn) quando um autovalor do operador T : Rn Rn , cuja matriz na base cannica
A. Isto significa que existe um vetor x 6= 0 em Rn tal que T (x) = x ou, o que o mesmo,
uma matriz no-nula x M(n 1) tal que Ax = x.
Exemplo 8.2 Uma rotao R : R2 R2 em torno da origem, de ngulo diferente de 0 ou
180 , no admite outros subespaos invariantes alm de {0} e R2 .

48

Exemplo 8.3 O operador T : R2 R2 , definido por T (x, y) = (x + y, y), chama-se

cisalhamento. Se 6= 0, os nicos subespaos invariantes por T so {0}, R2 e o eixo
das abscissas. Com efeito, qualquer outro subespao de R2 uma reta F, formada pelos
mltiplos kv = (ka, kb) de um vetor v = (a, b), com b 6= 0. Se k 6= 0 tem-se kv F mas
T (kv) = (ka + kb, kb) = kv + (kb, 0)
/ F logo F no invariante por T .
Teorema 8.2 A autovalores diferentes do mesmo operador correspondem autovetores
linearmente independentes.
Prova. Dado o operador linear T : E E, sejam v1 , . . . , vm vetores no-nulos em E tais
que T (v1 ) = 1 v1 , . . . , T (vn ) = m vm , onde os nmeros reais 1 , . . . , m so dois a dois
diferentes. Provaremos, por induo que esses so L.I.. A afirmao bvia quando m = 1.
Suponha-a verdadeira para m 1 vetores, concluiremos da sua validez para m. Dada a
combinao linear nula
1 v1 + . . . + m vm = 0,
(8-1)
aplicamos o operador T a ambos os membros desta igualdade, levando em conta que
T (vi ) = i vi . Resulta ento que
1 1 v1 + . . . + m m vm = 0.

(8-2)

Multiplicamos a igualdade 8-1 por m e subtraindo de 8-2 vem:

(1 2 )1 v1 + . . . + (m1 m )m1 vm1 = 0.
Pela hiptese de induo, os vetores v1 , . . . , vm1 so L.I.. Logo
(1 2 )1 = . . . = (m1 m )m1 = 0.
Como os autovetores so todos diferentes, as m 1 diferenas nos parnteses acima so
6= 0, logo 1 = . . . = m1 = 0. Isto reduz a igualdade 8-1 a m vm = 0. Como vm 6= 0,
segue-se que m = 0. Assim, a igualdade 8-1 s pode ocorrer quando todos os coeficientes
i so nulos, o que prova o teorema.


Corolrio 8.2.1 Sejam dim E = n. Se um operador linear T : E E possui n autovalores

diferentes ento existe uma base {v1 , . . . , vn } E em relao qual a matriz de T
diagonal (isto , tem a forma [ai j ] com ai j = 0 se i 6= j).
Com efeito, se T (v1 ) = 1 v1 , . . . , T (vn ) = n vn com os vi no nulos e os i dois
a dois distintos ento {v1 , . . . , vn } , em virtude do Teorema 8.2, uma base de E. A matriz

49

de T nesta base

2
..

.
n

na qual os termos que no aparecem so iguais a zero.

A igualdade T (v) = v equivale a (T I)v = 0, logo v um autovetor do
operador T : E E se, e somente se, o operador T I : E E no possui inversa,
ou seja, se o determinante da sua matriz associada for igual a zero. Para a validao dos
resultado de matrizes e um estudo mais aprofundado vide [3] e [7].
Exemplo 8.4 Um caso particular importante ocorre quando dim E = 2. Vimos no Exemplo 2.2 que se {u, v} E uma base ento os vetores u + v e u + v so L.D. se,
e somente se, = 0. Dados o operador T : E E e a base {u, v} E, sejam
T (u) = au + cv e T (v) = bu + dv. Noutras palavras, a matriz do operador T na base {u, v}

!
a b
A=
.
c d
Ento (T I)(u) = (a )u + cv e (T I)(v) = bu + (d )v. A fim de que T I no
possua inversa necessrio e suficiente que det(AI) = 0, ou seja, (a)(d )bc =
0, ou ainda, que seja raiz do polinmio
p() = 2 (a + d) + ad bc,
chamado polinmio caracterstico do operador T .
Portanto, o nmero real um autovalor do operador T : E E onde dim E = 2,
se, e somente se, uma raiz do polinmio caracterstico do operador T , o qual, por
definio p() = 2 (a + d) + ad bc. Observe que essa definio se justifica pela
teoria das matrizes onde raiz desse polinmio representa o valor para o qual o operador
no invertvel. Os coeficientes de p() so tirados da matriz A em relao a uma base
qualquer de E.
Observao. A matriz A do operador T muda quando se passa de uma base para outra.
Mas o polinmio p() (isto , as expresses a + d e ad bc, que so seus coeficientes)
permanece sem alterao. Vide [5] e [7].
Exemplo 8.5 No caso da rotao R : R2 R2 , R(x, y) = (x cos y sen, x sen +
y cos), temos a = cos, b = sen, c = sen, d = cos, logo o polinmio caracterstico
de R
p() = 2 (2cos) + 1.

50

Se 6= 0 e 6= 180 , o trinmio p() no possui raiz real pois nesse caso seu discriminante = 4(cos2 1) negativo. Consequentemente R s possui autovalor (reais) se
= 0 ou = 180 .
Exemplo 8.6 Definamos o operador T : R2 R2 pondo T (x, y) = (4x + 3y, x + 2y). Seu
polinmio caracterstico p() = 2 6 + 5, cujas razes so 1 = 1 e 2 = 5. Estes
nmeros so autovalores de T . Existem, portanto, vetores no-nulos v1 e v2 em R2 , tais
que T (v1 ) = v1 e T (v2 ) = 5v2 . Pelo Teorema 8.2, v1 e v2 formam uma base R2 , em relao
qual a matriz do operador T tem a forma diagonal:
A=

1 0
0 5

!
.

A fim de determinar v1 = (x, y) e v2 = (r, s) exprimimos as igualdades T (v1 ) = v1 e

t(v2 ) = 5v2 em termos de coordenadas, obtemos os sistemas lineares
(

4x + 3y = x,
x + 2y = y

(
e

4r + 3s = 5r
.
r + 2s = 5s

Ambos os sistemas acima so indeterminados, e tinham que ser assim pois se v autovetor
de T , todo mltiplo v tambm . Tomando uma soluo no-nula de cada um desses
sistemas obtemos v1 = (1, 1), v2 = (3, 1) tais que {v1 , v2 } R2 uma base formada por
autovetores de T .
Um operador linear T : E E, num espao vetorial munido de produto interno,
chama-se auto-adjunto quando T = T , ou seja, quando hT (u), vi = hu, T (v)i para
quaisquer u, v E.
Teorema 8.3 T : E E auto-adjunto se, e somente se, sua matriz A = [ai j ] relativamente a uma (e portanto a qualquer) base ortonormal U = {u1 , . . . , un } E uma matriz
simtrica.
Prova. Sabemos que hui , T ((u j ))i=[i-sima coordenada do vetor T (u j ) na base U ]=[isimo elemento da j-sima coluna de A]=ai j . Portanto a matriz A simtrica se, e somente
se, hui , T (u j )i = hT (ui ), u j i para quaisquer i, j = 1, . . . , n. Devido linearidade de T e
bilinearidade do produto interno, isto equivale a dizer que hu, T (v)i = hT (u), vi para
quaisquer u, v E, ou seja, que T auto-adjunta.


Teorema 8.4 Se 1 , . . . , m so autovalores dois a dois diferentes do operador autoadjunto T : E E, os autovetores correspondentes v1 , . . . , vm so dois a dois ortogonais.

51

Prova. Para i 6= j quaisquer:

(i j )hvi v j i = hi vi , v j i hvi , j v j i = hT (vi ), v j i hvi , T (v j )i
= hT (vi ), v j i hT (vi ), v j i = 0 pois T auto-adjunto.


Observao: Se T (v) = v ento, para todo mltiplo w = v, tem-se ainda T (w) = w.

Logo, na situao do Teorema 8.4, os vetores v1 , . . . , vm podem ser tomados unitrios,
caso haja convenincia.
Um problema importante sobre operadores num espao vetorial de dimenso
finita o de encontrar uma base em relao qual a matriz desse operador seja a mais
simples possvel. Mostraremos que, se T : E E e um operador auto-adjunto (associado
a uma matriz simtrica, pois T = T A = At ) num espao vetorial de dimenso finita
com produto interno, existe uma base ortonormal em E, relativamente qual a matriz de
T uma matriz diagonal A = [ai j ], isto , ai j = 0 se i 6= j.
Quando se diz que a matriz do operador T : E E na base {u1 , . . . , un } E
uma matriz diagonal, isto significa que, para todo j = i, . . . , n, tem-se T (u j ) = j u j , ou
seja, os vetores da base dada so todos eles autovetores de T .
Vamos mostrar um caso particular do Teorema Espectral para operadores autoadjuntos em que o espao tem dimenso 2.
Teorema 8.5 (Teorema Espectral para Operadores Auto-Adjuntos de R2 ) Seja
T : E E um operador auto-adjunto num espao vetorial de dimenso 2, munido
de produto interno. Existe uma base ortonormal {u1 , u2 } E formada por autovetores
de T .
Prova. Seja {v, w} E uma base ortonormal arbitrria. Em virtude do Teorema 8.3,
temos T (v) = av + bw, T (w) = bv + cw. Como vimos no Exemplo 8.4, os autovalores
de T so as razes reais do polinmio caracterstico p() = 2 (a + c) + ac b2 . O
discriminante deste trinmio = (a + c)2 4(ac b2 ) = (a c)2 + 4b2 > 0. Se = 0,
ento b = 0, a = c e T = aI, logo todo vetor no-nulo em E um autovetor. Se > 0, ento
o trinmio p() possui 2 razes reais distintas 1 , 2 . Isto, como sabemos, quer dizer que
os operadores T 1 I e T 2 I so ambos no invertveis, logo existem vetores nonulos (que podemos supor unitrio) u1 , u2 E tais que T (u1 ) = 1 u1 e T (u2 ) = 2 u2 .
Pelo Teorema 8.4 {u1 , u2 } E uma base ortonormal de autovetores de T .

Para uma abordagem mais completa sobre o Teorema Espectral vide [3], [4], [5] e [7].

CAPTULO 9

Sees Cnicas e Formas Quadrticas

Aplicaremos agora todo nosso estudo de lgebra Linear ao problema geomtrico

de se determinar o grfico, no plano xy, de um equao da forma
ax2 + 2bxy + cy2 + dx + ey + f = 0

(9-1)

onde os coeficientes a, b, . . . , f so constantes reais, com a, b e c no todos nulos. Tal

equao chamada de equao de segundo grau em x e y.
A razo pela qual escrevemos 2b em lugar de b para o coeficiente do termo
xy que a natureza do grfico determinada, em grande parte, pela forma quadrtica
associada
ax2 + 2bxy + cy2 = hT (x, y), (x, y)i
(9-2)
em x e y, que corresponde ao operador auto-adjunto T : R2 R2 associado matriz
simtrica 2 2
!
a b
A=
.
(9-3)
b c
Em geral, a forma quadrtica q nas variveis x1 , x2 , . . . , xn que corresponde ao
operador auto-adjunto T : Rn Rn a funo q : Rn R definida por
q(x) = hx, T (x)i.
A chave para a anlise da equao de segundo grau em 9-1 o fato de que a
matriz simtrica A associada a transformao T em 9-3 ortogonalmente diagonalizvel,
ou seja, de acordo com o Teorema 8.5, existe uma base B ortonormal tal que A nessa base
B uma matriz diagonal. Usando esse fato, demonstraremos que, exceto por alguns casos
degenerados, o grfico de toda equao de segundo grau em x e y uma seo cnica. A
expresso seo cnica vem do fato destas serem as curvas em que um plano intercepta
um cone. O cone utilizado um cone circular reto com duas folhas que se estendem ao
infinito em ambos os sentidos, como mostra a figura 9.1. H trs tipo de sees cnicas,
conforme ilustrado na figura 9.1. Se o plano secante paralelo a alguma geratiz do cone,

53

ento a curva de interseo uma parbola. De outro modo, ou ela uma nica curva
fechada - elipse -, ou uma hiprbole com dois ramos.

Figura 9.1: Cone e suas seces.

Pode-se verificar que, para um sistema apropriado de coordenadas xy nos planos

secantes da figura 9.1, as equaes dos trs tipos de sees cnicas tomam as seguintes
formas:
Parbola:
Elipse:
Hiprbole:

y2 = kx ou x2 = ky
x2 y2
+ =1
a2 b2
y2 x2
x2 y2
= 1 ou
=1
a2 b2
a2 b2

(9-4)

Sees cnicas com essas equaes esto ilustradas nas figuras 9.1. Diz-se que uma seo
cnica est em posio cannica em relao aos eixos coordenados se sua equao tomar
uma das formas listadas nas Equaes 9-4, para uma demonstrao dessas equaes vide
[1], [3], [5], [7] e [8].
Exemplo 9.1 A equao 4x2 + 9y2 36 = 0 pode ser escrita na forma
x2 y2
+ = 1;
9
4
e em consequncia seu grfico uma elipse com a = 3 e b = 2. Observe a singular de a
e b: elipse tem intersees (a, 0) e (a, 0) com eixo x e intersees (0, b) e (0, b) com

54

o eixo y. Tambm claro que o grfico simtrico em relao ao eixo y, bem como em
relao ao eixo x (substitua x por x ou y por y).
A equao 9x2 4y2 + 36 = 0 pode ser escrita na forma
y2 x2
= 1;
9
4
assim, seu grfico uma hiprbole cujos ramos interceptam o eixo y nos pontos (0, 3) e
(0, 3). Seu grfico tambm simtrico em relao a cada eixo coordenado.
Finalmente, a equao y2 + 4x = 0 pode ser escrita na forma
y2 = 4x,
e, consequentemente, seu grfico uma parbola que se abre ao longo do eixo x negativo.
A parbola tem a interseo nica (0, 0) e simtrica em relao ao eixo x (a substituio
de y por y no altera a equao), apesar de no o ser em relao ao eixo y.
Alm de parbola, elipse ou hiprbole, o grfico de uma equao de segundo grau
em x e y pode ser uma reta, um par de retas, um nico ponto ou o conjunto vazio. Estes
casos especiais, ilustrados no exemplo a seguir, so referidos como cnicas degeneradas.

Exemplo 9.2 O grfico da equao x2 = 0 o eixo y. O grfico da equao y2 1 = 0

o par de retas paralelas y = 1 e y = 1. O grfico da equao x2 y2 = 0 o par de retas
concorrentes y = x e y = x. O grfico da equao x2 + y2 = 0 consiste apenas no ponto
(0, 0). E o grfico da equao x2 + y2 + 1 = 0 o conjunto vazio.
Observe que nenhuma das equaes em 9-4 contm simultaneamente termo em
x2 e termo em x, nem h alguma que contenha simultaneamente termo em y2 e termo em
y. A presena de qualquer um desses pares em uma equao de segundo grau indica que o
grfico uma seo cnica que sofreu translao a partir de sua posio cannica. Se no
h presente um termo em xy, ento se podem remover tais pares de termos da equao a
fim de se identificar seu grfico - atravs de um processo de completamento de quadrados
e de translao de coordenadas.
Exemplo 9.3 Para se identificar o grfico da equao de segundo grau
3x2 2y2 18x + 8y + 13 = 0,
reunimos os termos em x e os termos em y e completamos o quadrado em cada varivel:
(3x2 18x) (2y2 8y) + 13 = 0

55

3(x2 6x) 2(y2 4y) = 13

3(x2 6x + 9) 2(y2 4y + 4) = 13 + 27 8
3(x 3)2 2(y 2)2 = 6.
Agora, fazemos a substituio
x0 = x 3,

y0 = y 2,

que corresponde escolha de um novo sistema de coordenadas transladado x0 y0 cuja

origem o antigo ponto x = 3, y = 2. O resultado a equao
3(x0 )2 2(y0 )2 = 6,
ou seja,
(x0 )2 (y0 )2

= 1.
2
3

Essa ltima equao tem a forma da primeira equao em 9-4, com a = 2 e b = 3.

Portanto, o grfico da equao de segundo grau em questo uma hiprbole transladada e
est em posio cannica no sistema x0 y0 , conforme mostra a figura 9.2. Observamos que

Figura 9.2: Hiprbole Transladada.

os eixos x0 e y0 so variedades afins, cujos subespaos vetoriais associados so os eixos x

e y, e que a matriz A do operador auto-adjunto associado forma quadrtica
A=

3 0
0 2

e seus autovalores so 1 = a = 3 e 2 = c = 2.
Consideremos agora a presena de um termo xy em uma equao de segundo
grau, que chamada de termo de produto cruzado das variveis.

56

A forma quadrtica q : R2 R2 definida como na Equao 9-2 por q(v) =

hT (v), vi (nesse caso temos v = (x, y) R2 ), s contm o termo de produto cruzado caso
b 6= 0, nessas condies, pelo Teorema 8.5, temos que existem {u1 , u2 } R2 , uma base
ortonormal de autovetores de T correspondente aos autovalores 1 , 2 . Nessas condies
a matriz A do operador T na nova base {u1 , u2 }
A=

1 0
0 2

e portanto
q(v0 ) = hT (v0 ), v0 i = 1 (x0 )2 + 2 (y0 )2 ,
onde (x0 , y0 ) so as coordenadas do vetor v R2 de acordo com a nova base {u1 , u2 }.
Reordenando os autovalores 1 e 2 ou simplesmente trocando o sinal ou de
u1 ou de u2 caso seja mais conveniente, vide figura 9.3, podemos supor que u2
uma rotao 90 no sentido horrio do vetor u1 , onde u1 = (cos , sen ) e portanto
u2 = (sen , cos ). Podemos ento concluir que as coordenadas de v = (x, y) na base
cannica de R2 , se relaciona com coordenadas de v0 = (x0 , y0 ) na base ortonormal {u1 , u2 }
de R2 de acordo com a seguinte equao:

Figura 9.3: Base ortonormal a partir de uma rotao anti-horria

de um ngulo da base cannica.

xe1 + ye2 = x0 u1 + y0 u2 .
Aplicando o produto interno em ambos os lados pelo vetor e1 e em seguida pela vetor e2
obtemos
(
(
x = x0 hu1 , e1 i + y0 hu2 , e1 i
x = x0 cos y0 sen

y = x0 hu1 , e2 i + y0 hu2 , e2 i
y = x0 sen + y0 cos

57

!
!
!
!
cos sen
x0
x
x0
=
ou
=B
sen cos
y0
y
y0
!
cos sen
onde B =
a matriz de passagem das coordenadas (x0 , y0 ) para as
sen cos
coordenadas (x, y), para uma maior explanao sobre mudana de base vide [1], [3] e [8].
Definamos ento um operador linear R : R2 R2 tal que R(x0 , y0 ) = (x0 cos
y0 sen , x0 sen + y0 cos ) = (x, y) que tem B como sua matriz associada. R uma rotao,
como j vimos no Captulo 5, entretanto nesse caso, R retrata uma rotao dos eixos
coordenados deixando o ponto em questo fixado.
Consideremos agora o caso de uma equao completa de segundo grau como
x
y

ax2 + 2bxy + cy2 + dx + ey + f = 0.

Considerando a base ortonormal {u1 , u2 } de R2 definida acima, podemos reescrever a
equao acima em funo dos operadores lineares T e R do seguinte modo
hT (R(x0 , y0 )), R((x0 , y0 ))i + h(d, e), R(x0 , y0 )i + f = 0,
usando a adjunta R de R obtemos
hR (T (R(x0 , y0 ))), (x0 , y0 )i + hR (d, e), (x0 , y0 )i + f = 0,
que por sua vez igual a
1 (x0 )2 + 2 (y0 )2 + d 0 x0 + e0 y0 + f = 0,
onde d 0 = h(d, e), u1 i e e0 = h(d, e), u2 i.
Observe que o termo constante na equao no se altera por essa mudana de
coordenadas, ao passo que, os termos x0 e y0 podem ser eliminados por uma translao
como foi feito no Exemplo 9.3. Temos tambm que a matriz C associada transformao
R T R o resultado da multiplicao das matrizes
cos sen
sen cos

a b
b c

cos sen
sen cos

!
,

uma vez que as colunas de B so autovetores de A, obtemos ento

cos sen
sen cos

1 cos 2 sen
1 sen 2 cos

!
=

1 0
0 2

!
.

58

Por definio de determinante, a equao acima nos mostra que det A = detC = 1 2 ,
uma vez que a matriz de R a inversa da matriz de R. Com efeito
detC = det(Bt AB) = det Bt det A det B.
Como Bt = B1 , ento
detC = det(Bt AB) = det(B1 AB) = det B1 det A det B
= (det B)1 det A det B
= det A.
Portanto a cnica definida em R2 pela equao
ax2 + 2bxy + cy2 + dx + ey + f = 0
pode, numa nova base ortonormal de R2 , ser representada pela equao
1 (x0 )2 + 2 (y0 )2 + d 0 x0 + e0 y0 + f = 0,
onde d 0 = h(d, e), u1 i e e0 = h(d,!
e), u2 i, com u1 , u2 autovetores associados a 1 , 2
a b
autovalores da matriz A =
.
b c
Segundo os sinais desses autovalores, as seguintes possibilidades podem ocorrer:
1 ) Se 1 2 > 0 esta equao representa uma elipse, ou suas degeneraes (um ponto
ou o vazio).

2 ) Se 1 2 < 0 esta equao representa uma hiprbole ou sua degenerao (par de

retas concorrentes).

3 ) Se 1 2 = 0 esta equao representa uma parbola ou suas degeneraes (par de

retas paralelas, um reta ou o vazio).
Como o determinante de A igual ao produto de seus autovalores 1 2 , ento
o sinal de 1 2 o mesmo que (b2 ac). Podemos assim, reescrever as possibilidades
em funo (b2 ac);
1 ) uma elipse ou suas degeneraes, se b2 ac < 0,
2 ) uma parbola ou suas degeneraes, se b2 ac = 0,
3 ) uma hiprbole ou suas degeneraes, se b2 ac > 0.
Para a anlise mais detalhada das possibilidades de grficos segundo os autovalores e os
determinantes vide [1], [2], [5], [7] e [8].

59

Exemplo 9.4 Considere a seguinte equao do segundo grau

16x2 + 24xy + 9y2 + 15x 20y = 0.

(9-5)

Temos que a matriz A, associada ao operador linear T da forma quadrtica, da equao

9-5
!
16 12
A=
12 9
e o polinmio caracterstico de T
p() = 2 25
cujas razes, e portanto os autovalores de T , so 1 = 25 e 2 = 0. Os autovetores
correspondentes a 1 = 25 so as solues no triviais do sistema
9 12
12 16

x
y

!
=

0
0

!
.

Portanto, segue-se que (4, 3) um autovetor associado a 1 = 25, de modo que v1 =

1
5 (4, 3) um outro vetor unitrio associado a 1 . Sendo v1 um dos vetores que formam a
nova base ortonormal B de R2 , ento podemos determinar o outro vetor v2 por uma mera
rotao de 90 do vetor v1 , assim obtemos v2 = 41 (3, 4) associado a 2 , dessa maneira a
equao 9-5 reescreve-se em termos das nova base B = { 15 (4, 3), 15 (3, 4)} como
25(x0 )2 25(y0 ) = 0;

ou seja

y0 = (x0 )2 .

Haja vista que, d 0 = h(15, 20), 15 (4, 3)i = 0 e e0 = h(15, 20), 15 (3, 4)i = 25. Dessa
forma, vemos que o grfico da equao 9-5 uma parbola que sofreu rotao e exibida
pela figura a seguir. Os eixos x0 e y0 so obtidos a partir dos eixos x e y por uma rotao
anti-horria de um ngulo


yv1
= arctan
xv1

 
3
= arctan
36, 87 .
4

Observe que mesmo analisando as possibilidades de seu grfico utilizando os coeficientes

no suficiente para determinar seu grfico, uma vez que b2 ac = 144 144 = 0 nos diz
que pode ser tanto uma parbola quanto suas degeneraes, entretanto, uma vez feito o
clculo, a informao da caracterstica serve para uma rpida confirmao dos resultados.
Exemplo 9.5 Com relao ao grfico da seguinte equao do segundo grau
34x2 24xy + 41y2 40x 30y 25 = 0.

(9-6)

60

Figura 9.4: Parbola aps rotao.

Temos que a matriz A, associada ao operador linear T da forma quadrtica, da equao

9-6
!
34 12
A=
12 41
e o polinmio caracterstico de T
p() = 2 75 + 1250
cujas razes, e portanto os autovalores de T , so 1 = 25 e 2 = 50.
Os autovetores correspondentes a 1 = 25 so as solues no triviais do sistema
9 12
12 16

x
y

!
=

0
0

!
.

Portanto, segue-se que (4, 3) um autovetor associado a 1 = 25, de modo que v1 =

1
5 (4, 3) um outro vetor unitrio associado a 1 . Sendo v1 um dos vetores que formam a
nova base ortonormal B de R2 , ento podemos determinar o outro vetor v2 por uma mera
rotao de 90 do vetor v1 , assim obtemos v2 = 41 (3, 4) associado a 2 , dessa maneira a
equao 9-6 reescreve-se em termos da nova base B = { 15 (4, 3), 15 (3, 4)} como
25(x0 )2 + 50(y0 )2 50x0 25 = 0;

ou seja

y0 = (x0 )2

Haja vista que, d 0 = h(40, 30), 15 (4, 3)i = 50 e e0 = h(40, 30), 15 (3, 4)i = 0. Para
identificar o grfico dessa equao transformada, completamos o quadrado como feito no
Exemplo 9.3:
25[(x0 )2 2x0 ] + 50(y0 )2 25 = 0
25[(x0 )2 2x0 + 1] + 50(y0 )2 25 + 25 = 0
25(x0 1)2 + 50(y0 )2 = 50

61

(x0 1)2 (y0 )2

+
= 1.
2
1
Dessa forma, vemos que o grfico da equao 9-6 uma elipse que sofreu rotao seguida
de uma translao por um vetor v = (1, 0)B . Observe que as coordenadas de v esto na base
B , ento teramos a princpio que determinar v na base cannica e para isso deveramos
usar a matriz de passagem das coordenadas (x0 , y0 ) para as coordenadas (x, y), entretanto
basta observar que v retrata simplesmente o vetor v1 da base B , ento a translao se d
de fato pelo vetor v = v1 = 15 (4, 3) e exibida pela figura a seguir 9.5. Os eixos x0 e y0 so
obtidos a partir dos eixos x e y por uma rotao anti-horria de um ngulo


yv1
= arctan
xv1

 
3
= arctan
36, 87 .
4

A caracterstica b2 ac = 144 1394 = 1250 < 0 serve para confirmar nossas expec-

Figura 9.5: Elipse aps rotao seguida de uma translao.

tativa de que era uma elipse.

CAPTULO 10

Concluso

Nos Captulos anteriores desenvolvemos conceitos fundamentais, nem todos

bsicos, sobre lgebra Linear, cujo o foco foi os operadores lineares de R2 . Atravs de
vrios exemplos, exploramos um vasto conjunto de transformaes geomtricas no plano.
Desta maneira, explicitamos, a nvel de ensino mdio, uma outra abordagem das matrizes
sem ficar restrito resoluo de sistemas lineares.
Atravs do Teorema Espectral para operadores auto-adjuntos do espaos de
dimenso 2, este trabalho apresenta, nos Captulos 8 e 9, uma justificativa algbrica para
os clculos que aparecem no estudo das cnicas. Poder-se-ia dizer que tal justificativa no
cabe nvel de ensino mdio, uma vez que, no espao R2 a noo geomtrica intuitiva dos
alunos suficiente para que aceitem os processo aritmtico que aparecem nos estudos das
cnicas. Entretanto, a compreenso do Teorema Espectral, caso particular apresentado
nesse trabalho, pelos professores, que ensinam as cnicas, se justifica, uma vez que a
Matemtica uma cincia dedutiva e, no, descritiva.

Referncias Bibliogrficas

[1] B OLDRINI , J. L.; C OSTA , S. I. R.; R IBEIRO, V. L. F. F.; W ETZLER , H. G. lgebra

Linear. Harbra, So Paulo, 1980.
[2] H EFEZ , A.; DE S OUZA F ERNANDEZ , C. Introducao a Algebra Linear. SBM, Rio de
Janeiro, 2012.
[3] H EGENBERG , L. Matrizes, Vetores e Geometria Analtica. Almeida Neves, Rio de
Janeiro, 1971.
[4] L IMA , E. L. lgebra Linear. Impa, Rio de Janeiro, 2008.
[5] L IPSCHUTZ , S. lgebra Linear. MacGraw-Hill, Rio de Janeiro, 1980.
[6] M ORGADO, A. C.; J DICE , E. D.; WAGNER , E.; L IMA , E. L.; DE C ARVALHO, J. B. P.;
C ARNEIRO, J. P. Q.; G OMES , M. L. M.; C ARVALHO, P. C. P. Exame de textos:
Anlise de livros de Matemtica para o ensino mdio. SBM, Rio de Janeiro, 2001.
[7] N ACHBIN , L. Introduco a lgebra. MacGraw-Hill, Rio de Janeiro, 1971.
[8] P ENNEY, D. E.; C.H. E DWARDS , J.

Introduco lgebra Linear.

Tecnicos e Cientificos Editora S.A, Rio de Janeiro, 1998.

LTC-Livros