Anda di halaman 1dari 364

Thelmo de Araujo

lgebra Linear:
Teora e Apba'ea
l/b 1

DE SBM
TEXTOS UNIVERSITRIOS

Thelmo de Araujo

[gem Lnea/;
Tcria e Aplicaea

1 edio
2014
Rio de Janeiro

E? SEM
'

lgebra Lnea/:
T(za/"Liz e Aplicaed
lgebra Linear: Teoria e Aplicaes
Copyright 2014 Thelmo Pontes de Arajo
Direitos reservados pela Sociedade Brasileira de Matemtica
A reproduo no autorizada desta publicao, no todo ou em parte,
constitui violao de direitos autorais. (Lei 9.610/98)

Sociedade Brasileira de Matemtica


Presidente: Marcelo Viana
Vice-Presidente: Vanderlei Horita
Primeiro Secretrio: Ali Tahzibi
Segundo Secretrio: Luiz Manoel de Figueiredo
Terceiro Secretrio: Marcela Souza
Tesoureiro: Carmen Mathias
Editor Executivo
Hilrio Alencar
Assessor Editorial
Tiago Costa Rocha
Capa
Pablo Diego Regino, sobre projeto de Adriana Moreno
Coleo Textos Universitrios
Comit Editorial
Bernado Lima
Djairo de Figueiredo
Jos Cuminato
Jos Espinar
Ronaldo Garcia (Editor-chefe)
Silvia Lopes

Distribuio e vendas
Sociedade Brasileira de Matemtica
Estrada Dona Castorina, 110 Sala 109 Jardim Botnico
22460320 Rio de Janeiro RJ
Telefones: (21) 2529-5073 / 2529-5095
http://www.sbm.org.br/ email:lojavirtualsbm.org.br
ISBN 978-85-8337025-3
FICHA C'ATALOGRFICA PREPARADA PEIA SEO DE TRATAMENTO DA
INFORMAO DA BIBLIOTECA PROFESSOR ACHILLE BASSI ICMC/USP

Arajo, Thelmo Pontes de


A663a lgebra linear: teoria e aplicaes / Thelmo Pontes
de Arajo. Rio de Janeiro: SBM, 2014.

360 p. (Coleo Textos Universitrios; 16)


ISBN 978-85-8337-025-3
1. Sistemas de equaes. 2. Espaos vetoriais.
3. Ortogonalidade. 4. Determinantes. I. Ttulo.
Pam Mrcia.
Credo ut intellegam,
Intellego ut creditr
Sumrio
Prefcio

1 Sistemas de Equaes Lineares 1


1.1 Matrizes e Vetores ......................... 2
1.2 Sistemas Lineares e o Mtodo de Eliminao de Gauss ..... 15
1.3 Decomposio LU .......................... 29
1.4 Eliminao Gaussiana com Pivotamento Parcial ......... 38
1.5 Aplicao: Mtodo de GaussJordan ............... 51

2 Espaos Vetoriais 59
2.1 Espaos e Subespaos Vetoriais .................. 59
2.2 Independncia Linear, Base e Dimenso .............. 71
2.3 Base Ordenada e Mudana de Base ................ 81
2.4 Os Quatro Subespaos Fundamentais ............... 90
2.5 Subespaos Fundamentais, Sistemas
Lineares e Invertibilidade ...................... 103
2.6 Aplicao: Grafos .......................... 108

3 Ortogonalidade 117
3.1 Norma e Produto Interno ...................... 117
3.2 Vetores e Subespaos Ortogonais ................. 129
3.3 Projees e o Processo de Gram-Schmidt ............. 137
3.4 Decomposio QR ......................... 145
3.5 Aplicao: Mnimos Quadrados .................. 154

4 Determinantes 161
4.1 Determinante de uma Matriz ................... 162
4.2 Propriedades dos Determinantes .................. 169
Sumrio

4.3 Aplicaes .............................. 184


5 Autovalores 191
5.1 Sistemas Mecnicos ......................... 192
.....................
5.2 Autovalores e Autovetores 199
5.3 Matrizes Complexas ........................ 210
5.4 Diagonalizao ........................... 217
5.5 Teorema Espectral ......................... 225
5.6 Aplicao: Cadeias de Markov ................... 238
5.7 Aplicao: SVD e PCA ....................... 243
6 Transformaes Lineares 251
6.1 Transformaes Lineares ...................... 251
6.2 Dois Subespaos Fundamentais .................. 261
6.3 Representao Matricial de Transformaes Lineares ...... 268
6.4 Operadores Autoadjuntos ..................... 276
6.5 Aplicao: Transformaes Lineares Geomtricas ........ 284

Apndices

A MATLAB e GNU Octave 297


B Corpos 303

C Nmeros Complexos 307

Bibliografia 313

Respostas de Exerccios Selecionados 317

ndice Remissivo 343


Prefcio
'
E praxe no universo editorial dos livros de Matemtica justificar quase
como um pedido de desculpas o aparecimento de mais uma obra. Versando
ela sobre uma disciplina basica, como lgebra Linear, a praxe torna-se uma
obrigao: h tantos bons livros de lgebra Linear que um a mais pode parecer
desnecessrio. Pior ainda, pode ser indesejado.
Creio, no entanto, que a existncia deste pequeno livro justifica-se por qua-
tro de suas caractersticas: ser conciso, possuir nvel de abstrao adequado,
propor aplicaes e apresentar decomposies matriciais.
Conciso. Durante os anos que venho ensinando lgebra Linear para alu
nos dos cursos de Matemtica (bacharelado e licenciatura), Engenharias e Ci
ncia da Computao, adotei livros quer por suas aplicaes engenhosas, quer
por apresentarem a teoria de forma elegante e completa, ou mesmo por sua
grande quantidade de bons exerccios. Entretanto, adotando esses livros, sem-
pre fui forado a escolher, entre uma dezena ou mais de captulos, os cinco ou
seis que comporiam uma disciplina de 60 ou de 90 horas. Escolhas desse tipo
em uma disciplina matematica bsica trazem o risco de perder a continuidade
de exposio pensada pelo autor, levando os leitores a no mais acompanhar
as demonstraes e os exemplos.
Percebi, ainda, no Mestrado Acadmico em Cincia da Computao da
UECE, que muitos estudantes de psgraduao precisavam de uma reviso
acelerada dos contedos bsicos de Algebra Linear. Tal necessidade, possi
velmente compartilhada com alunos das engenharias e das cincias exatas,
poderia ser suprida por um livro introdutrio mais conciso, porm abrangente
0 suficiente para incluir os conceitos de autovalores e autovetores.
Nvel de abstrao. O Prof. Elon Lages Lima afirma que a deciso de apre
sentar a lgebra Linear sob o ponto de vista das transformaes lineares, das
matrizes ou das formas quadrticos [. . .] e' muitas vezes uma questo de h-
bito, gosto pessoal ou convico [23]. De fato, as abordagens so equivalentes
Prefcio

e ha defensores ferrenhos de cada uma delas apesar de poucs preferirem as


formas quadrticas para um primeiro curso. de minha convico, entretanto,
que as dificuldades que os estudantes em geral em seu primeiro 011 segundo
semestre na universidade enfrentam provm do carter de novidade e abs
trao da disciplina e poderiam ser reduzidas apresentandose inicialmente a
teoria completa com matrizes. Somente depois, seriam introduz1das as trans
formaes lineares.
Aplicaes. A nfase nas matrizes tem a vantagem adicional de possibilitar
a aplicao imediata dos conceitos aprendidos em diversas reas do conheci
mento. Cada captulo deste livro encerrase com uma ou mais aplicaes, que
vo de um mtodo para calculo da inversa de uma matriz at uma tcnica
de compresso de imagens, alm de dicas de aplicaes dispersas pelas sees
a pretexto de motivao. Os professores podem trabalhar com seus alunos e
desenvolver mais ainda as aplicaes existentes.
Cuidei para que o nmero dessas aplicaes no fosse excessivo, e corressem,
assim, o risco de serem esquecidas.
Decomposies matriciais. Alm das aplicaes imediatas, trabalhar com
matrizes favorece a introduo de um dos tpicos fundamentais da lgebra
Linear Numrica: as decomposies matriciais. Sem abordar os algoritmos
para o clculo dessas decomposies o que no apropriado neste nvel ,
o livro apresenta as decomposies LU, QR e espectral com mais profundidade
e menciona outras, como SVD, LDU e Cholesky.
Um conhecido exemplo de instabilidade da eliminao gaussiana sem pi
votamento parcial foi includo para mostrar ao leitor o cuidado que se deve
tomar ao passar do universo da exatido matemtica para o universo dos com
putadores, que trabalham com um conjunto por maior que seja finito de
nmeros racionais.
Assim, o livro foi concebido pequeno o suficiente para ser coberto por com
pleto em um semestre de 90 horas, ou num de 60 horas, se as demonstraes
das Sees 4.2, 6.3 e 6.4 forem omitidas. O nmero de exerccios foi dimen-
sionado para que o estudante possa fazlos todos. Optei, diversas vezes, por
demonstraes mais simples usando o produto interno euclidiano, por exem-
plo para que todas possam ser acompanhadas, quer o estudante esteja num
curso de Matemtica, quer esteja num curso de Engenharia, Computao ou
similar. Creio que um curso de lgebra Linear sem demonstraes dificulta
por demais a fixao do contedo pelo estudante.
Prefcio

Algumas demonstraes, que costumo chamar de visuais, como as da Pro


posio 3.2, do Teorema 5.2 e do Lema de Schur, so muito favorecidas pela
abordagem matricial e reforam minha convico da escolha feital.
Por fim, deixo as seguintes sugestes de roteiro de estudo e uma viso geral
dos contedos dos captulos.
Numa disciplina de 90 horas-aula, ou trs aulas semanais de uma hora
e quarenta minutos, todo o livro pode ser coberto, todas as demonstraes
explicadas e todos os exerccios podem ser resolvidos pelo estudante. Algumas
sees, em especial as do Captulo 6, tomaro duas ou mais aulas. O professor
dispor ainda de 8 a 10 aulas para exerccios, avaliaes e outras atividades.
Se a disciplina dispuser somente de 60 horasaula, ou duas aulas semanais,
o professor poder ainda cobrir todo o livro, mas, provavelmente, ter de abrir
mo das demonstraes das Sees 4.2, 6.3 e 6.4.
Ao leitor que deseja rever o contedo de lgebra Linear para uso numa
ps-graduao, sugiro uma menor nfase ao Captulo 4, sobre determinantes,
e, dependendo do curso, a Seo 6.3.
O Captulo 1 inicia com uma pequena reviso sobre matrizes e vetores
e introduz a maneira como o produto de uma matriz por um vetor deve ser
visualizado pelo estudante: ela facilitar a compreenso de muitos resultados
e no deve ser menOSprezada. Em seguida, o mtodo de eliminao de Gauss
desenvolvido em suas variantes #
com ou sem pivotamento parcial e
apresenta-se a decomposio LU. O mtodo de Gauss-Jordan para inverso de
matrizes a aplicao que encerra o captulo.
No Captulo 2, o leitor entra em contato com a estrutura algbrica estudada
pela lgebra Linear: o espao vetorial. AS noes de independncia linear,
espao gerado, base e dimenso so definidas e os quatro subespaos funda-
mentais so apresentados. O Teorema Fundamental da lgebra Linear pode
ser, ento, enunciado e demonstrado. Apesar deste captulo contrastar com o
primeiro em termos de nvel de abstrao, ambos so relacionados na Seo
2.5, que mostra a importncia de conhecer os espaos vetoriais subjacentes a
cada matriz para o real entendimento do sistema linear correspondente. Como
aplicao, mostramos que os subespaos fundamentais revelamse importantes
1Com este livro praticamente finalizado, tive conhecimento do Linear Algebra Curriculum
Study Group (ou Grupo de Estudo do Currculo de lgebra Linear), formado por alguns
luminares da rea, e sua recomendaes (ver [6]) Dentre elas, a de que os departamentos
de Matemtica deveriam considerar seriamente fazer de seus primeiros cursos em lgebra
Linear cursos orientados a matrizes, sem perda do rigor terico, confirmou minha convico.
Prefcio

no estudo das propriedades dos grafos.


Ortogonalidade o tema do Captulo 3: normas e produtos internos S
definidos, levando-nos ao conceito de vetores ortogonais. Derivam deste
ceito a noo de projeo, o processo de ortonormalizao de
. c
GramSclleldt
on-e
a decomposio matricial que dele procede diretamente: a decompOS QR-
A aplicao que fecha o captulo, o mtodo dos mnimos quadrados, das mais
importantes, sendo usado em diversas reas do conhecimento. Alm disso, seu
desenvolvimento faz uso de tudo que foi exposto at ento no livro.
Apesar de adiarmos a discusso sobre determinantes at o Captulo 4, de
vido a seu custo computacional, eles so enfim apresentados. A definio
escolhida da expanso de Laplace, por ser mais facilmente justificada em
termos de sistemas lineares e mais acessvel aos estudantes do que a definio
combinatria. As principais propriedades so demonstradas, bem como a regra
de Cramer e o mtodo de inverso de matrizes Via matriz dos cofatores, que
So parte das aplicaes do captulo.
O Captulo 5 apresenta um dos conceitos da lgebra Linear mais frutferos
em aplicaes: os autovetores. A motivao, na Seo 5.1 vem de uma intro
duo intuitiva aos sistemas mecnicos. Em seguida, autovalores e autovetores
so calculados em trs situaes diferentes: autovalores distintos; autovalores
repetidos, com um conjunto completo de autovetores; e autovalores repetidos,
com um conjunto incompleto de autovetores. Varias propriedades das matri-
zes complexas so demonstradas e a parte terica do captulo culmina com
o Teorema Espectral. Pela beleza das aplicaes, apresentamos duas delas, a
primeira sobre cadeias de Markov e a segunda sobre a decomposio de valor
singular e sua utilizao em compresso de imagens.
O ltimo captulo reapresenta a teoria at ento feita com matrizes
utilizando transformaes lineares. As principais definies So dadas nas
duas primeiras sees. Na Seo 6.1, mostra-se que as transformaes lineares
formam um espao vetorial. Os dois principais resultados da Seo 6.2 so o
Teorema Fundamental da Algebra Linear e as equivalncias sobre isomorfismos
(similares s equivalncias da Seo 2.5). Uma seo inteira dedicada a
demonstrar que toda transformao linear entre espaos de dimenso finita,
uma vez escolhidas suas bases, representada por uma matriz, justificando a
opo pelas matrizes no desenvolvimento da teoria. Na Seo 6,4, o Teorema
Espectral para operadores autoadjuntos demonstrado. O captulo encerra
com uma aplicao sobre transformaes lineares geomtricas.
Prefcio

TTS Pequenos apndices foram adicionados: o primeiro apresenta algumas


poucas funes do GNU Octave, com o intuito de estimular o leitor a usar
essa ferramenta computacional em seus estudos. O Apndice B resume-se
basicamente a definio de corpo e a exemplos de corpos alm de IR e (C. O
terceiro e ltimo pretende ser uma pequena reviso de nmeros complexos.

Agradecimentos
Agradeo aos editores e aos revisores da Sociedade Brasileira de Matema-
tica que corrigiram tanto a primeira verso, ainda incompleta, do manuscrito
quanto esta que chega agora ao pblico.
Varios colegas indicaram livros e exerccios que muito me auxiliaram. En
tre eles, destaco os Professores Marcelo Pinheiro Klein, Jos Euny Moreira
Rodrigues, Gustavo Augusto Lima de Campos e Francisco Luiz Rocha Pimen
tel. As conversas com o Prof. Francisco Pimentel orientaramme em algumas
encruzilhadas do projeto. O incentivo desses e de outros colegas durante todo
o processo de criao deste volume foi alento para a inglria misso. A todos
eles, meus agradecimentos.
Agradeo especialmente ao meu amigo Fernando Antnio Amaral Pimentel,
que sugeriu diversas melhorias e corrigiu as verses preliminares deste livro,
ajudandome a imprimirlhe o rigor que a Matemtica exige. Os erros que
porventura restaram so de minha autoria.
No ha projeto de longo prazo que se desenvolva e se consolide num lar em
desarmonia. Sem o apoio de minha esposa, esta obra no seria possvel.

Fortaleza, vero de 2014


THELMO DE ARAUJO
1
Sistemas de Equaes
Lineares
Se pudssemos definir a lgebra Linear em poucas palavras, diramos que
ela o estudo das combinaes lineares de vetores. O termo vetor evoca, na
maioria dos estudantes, as aulas de Fsica, em especial as de Mecnica. Nelas,
um vetor era simbolizado por uma flecha, que indicava, tanto no plano quanto
no espao tridimensional, a direo, o sentido e a magnitude de uma gran-
deza fsica, como, por exemplo, fora, velocidade, ou acelerao, entre outras.
Aqui, entretanto, trabalharemos com uma noo bem mais ampla de vetor
tomando-o como elemento de uma estrutura algbrica denominada espao
vetorial , sem porm nos esquecermos dessa intuio original da Fsica.
No entanto, no iniciaremos nosso estudo com espaos vetoriais, mas com
sistemas de equaes lineares. Isso, por dois motivos: o primeiro que uma
parcela imensa dos clculos cientficos realizados em computadores resume-
se em calcular solues de sistemas lineares. O segundo a importncia do
mtodo de Gauss para a resoluo de sistemas lineares no desenvolvimento
terico da lgebra Linear.
Centramos, ento, este captulo no mtodo de eliminao de Gauss tam-
bm conhecido por eliminao gaussiana para a resoluo de sistemas de
equaes lineares. Antes de apresenta-lo, revisaremos alguns conceitos sobre
matrizes j conhecidos pelos estudantes, introduzindo novas maneiras de ver e
trabalhar com matrizes e vetores, alm de relembrar algumas matrizes especi
ais.
O mtodo de eliminao de Gauss ser exposto inicialmente em sua forma
mais simples, seguido de sua variante com pivotamento parcial. Por meio deles,
seremos apresentados s decomposies matriciais, que consistem na fatorao
2 Sistemas de Equaes Lineares Captulo 1

de uma matriz em um produto de duas ou mais matrizes. As decomp081


es matriciais tm importantes aplicaes na lgebra Linear COmPUtlnl'
Neste captulo, conheceremos a decomposio LU e suas variantes PA = LU
e PA : LDU. _
Ao final deste captulo e de todos os outros , mostraremos uma aph'
o dos assuntos estudados: um mtodo de inverso de matrizes denominado
mtodo de Gauss-Jordan.

1.1 Matrizes e Vetores


Matrizes nada mais so que tabelas de nmeros ao menos primelra
vista organizados em linhas (horizontais) e colunas (verticais), podendo ser
quadradas:

A:], B:
2 1 0
-1 1 -1,
6 8 2
ouno:
C=[g], D:
1 0
10
9 3
Dizemos que m x n (l-se m por n) so as dimenses de uma matriz quando
ela possui m linhas e n colunas. Assim, uma matriz com 3 linhas e 4 colunas
dita de dimenses 3 >< 4. Denotamos as matrizes por letras latinas mais-
culas (A, B etc.) e seus elementos por letras latinas minsculas, geralmente
indexadas para indicar sua posio (alg, ai,, aug etc.), o primeiro ndice re
presentando a linha em que o elemento se encontra e o segundo indicando a
coluna. No exemplo acima, (112 = 2 e am : 7 so o segundo elemento da
primeira linha e o primeiro elemento da segunda linha, respectivamente, da
matriz A. Podemos, ainda, indicar as dimenses de uma matriz A por Amxn.
O estudante deve estar familiarizado com as operaes de adio e multi
plicao de matrizes e de multiplicao de matriz por escalar, aprendidas no
Ensino Mdio. Para evitar confuso, reservamos as letras gregas minsculas
(a, 6 etc.) para os escalares. O Apndice B, sobre corpos, define com exati
do o Significado de escalar. Por todo o livro, um escalar um nmero real ou
complexo.
51.1 Matrizes e Vetores

A soma de duas matrizes m >< n A e B dada por:


_ ou 0,12 ... am bn blg ... by,
A +B = 01.21 a? . a?" + bm b22 ... bzn

L aml am2 - -
amn bml bm2 bmn
aii + bll 042 + 512 . - a1n + bm
_ 6121 + 521 G22 + 1722 - . an + b2n

L aml + bml am2 + bm2 - ' amn + bmn


a multiplicao de um escalar a por A
0,11 0,12 ... al,, (10,11 aan ... aaln
091 0,22 ... 0,2 Ctagl (122 ... GCI/gn
aA = a . . , . = ,
aml amg ... am,, aaml Ctamg ... eram,,
e o produto AC de A por uma matriz 0 n >< [ definido por
,.
(111 6112 . - ain C11 012 --- 011

AC =
a21 a22 - - - azn 021 022 . -- 021
(1.1)
_ aml am2 . . . amn Cnl Cn2 ... Cnl
a11011 + 012021 + ' ' ' + ainCni --. +
nciz ' ' ' ainCnl +
:
a21C11 + a22021 + ' ' + a2ncn1- -- aziciz + ' ' ' + a2ncnl
)

am1011 + 017712021 + ' ' ' + amncnl ' ' amlcll + ' ' ' + amncnl
observando que a matriz resultante da multiplicao de uma matriz m >< n por
uma n >< 1 tem dimenses m >< l.
O produto AC pode ser escrito de maneira mais Sinttica. Se D : AC,
ento
d,, = aikckj , z
k=1
(1-2)
parai==1, 2, ._., m ej : 1, 2, ..., [, sendo d,, o elemento de D que ocupa a
i-sima linha e a jsima coluna-
4 Sistemas de Equaes Lineares Captulo 1

Denotamos, respectivamente, por A2, A3 etc. 05 PmdumS matricials AA


AAA e assim por diante.
Exemplo 1.1. Alguns exemplos numricos:

A+B=+3 OJ+[512][8
2 1 2
4
1 0 3 _ 1 1 5
5 2],
Alszioii 80],
212 4 2 4
6
10
212 18

observando sempre se as dimenses so compatveis. |:]

As operaes de adio e multiplicao de matrizes, bem como a multipli-


cao de matriz por escalar, possuem, entre outras, as seguintes propriedades,
que deixamos a cargo do leitor demonstrar:
a. (AB)C : A(BC);
b. A(B + C) = AB + AC;
c. (B + C)A : BA + CA;
d. a(A + B) = aA + GB;
para a escalar, A, B e C matrizes com dimenses compatveis. E vale ressaltar:
#
a multiplicao matricial no , em geral, comutativa, isto , AB BA (ver
Exerccio 1.1.1).
Nas aulas de Fsica, aprendemos que determinadas grandezas necessitam
apenas de um nmero para serem caracterizadas. Um exemplo cotidiano de
uma tal grandeza a temperatura. Se o termmetro indicar 38C, a pessoa
est com febre. H, porm, outras grandezas que no podem ser completa
mente caracterizadas apenas por um nmero. Se dissermos que um objeto tem
velocidade de 10 m/s, ficar a dvida: 10 m/s em que direo? Com qual
sentido? Para caracterizar estas grandezas, os fsicos usam os vetores, que so
entes matemticos que possuem um comprimento (e.g.: 10 m /S), uma direo
(e.g.: lesteoeste) e um sentido (e.g.: de leste para oeste).
51.1 Matrizes e Vetores 5

No Ensmo Medio, como sempre representavam grandezas da Fsica Cls-


SIa, so prec1savamos de vetores do (plano) R2 ou, no mximo, do (espao)
R . Isto e, os vetores eram representados por duas ou trs coordenadas. Por
exemplo,
u : (u1,u2) ou v : (u1,u2,u3).
Apesar de valorizarmos muito as interpretaes fsicas dos conceitos ma-
temticos, usando, sempre que conveniente, exemplos concretos, gostaramos
de, desde j, acostumar o estudante a pensar em vetores de uma maneira mais
abstrata: um vetor u & IR" uma matriz-coluna, isto , uma matriz n >< 1:

1
U2
11:

un
Com isso, a partir de agora e por todo o livro, um vetor uma matriz-coluna,
representado por letras latinas minsculas em negrito, e. g., u, v, x etc.
A transposta de uma matriz A m >< n a matriz AT n >< m cujas colunas so
as linhas de A, assim podemos economizar espao e escrever um vetor como a
transposta de uma matriz-linha:

u=[u1 U2 Un]T ,
o sobrescrito T indicando a transposio da matriz-linha para a matriz-coluna
que representa o vetor u.
Estabelecida a conveno acima, o produto de uma matriz A m >< n por
um vetor x no R" dado pela equao (1.1), ou seja:
am (Em ... 0,1" acl

Ax =
021 6122 --- a2n 502

_ aml am2 - amn mn


' '

011371 + 6112372 + + ainn


' ''

0,211] + (122332 + + aznflln


'' '
6 Sistemas de Equaes Lineares Captulo 1

No h nada de errado com a equao (1.3): ela conhecida pelos estu-


dantes desde o Ensino Mdio e usada para o calculo efetivo d Prdt AX
Entretanto, introduziremos uma maneira diferente (e muito til) de interpre
tar esse produto. Para tanto, precisamos da seguinte definio provisria e '

que ganhar maior preciso no Captulo 2.

rriiacmbinaao linear doSwvwetvores meSmas dimensoes


;mrwm"-* WWWWWS '
1.
eiixniow

%vl, v2,. . . , v,, um vetor da forma '

011V1 +O2V2 +"' +anvn7

guaescalares
324.13.339m genuxx. .:.* . .ITI .er :

Podemos agora apresentar a nova maneira de interpretar o produto Ax:

O produto Ax a combinao linear das colunas de A


cujos coeficientes so as coordenadas de x.

Denominando as colunas de A por vetorescoluna do Rm a,,1,a,,2, . . . ,a. ,, '!

(as linhas de A, por sua vez, sero representadas por a), podemos reescrever
o produto (1.3), de matriz por vetor, na forma:

an 012 ain %
Ax : (l21 CL 22 ... a 2n (L'2

_ aml am2 L amn %

=
-
a
|
1
|
a:,2 :,n
| ,,
331 -

_ | | | (L'n _
51.1 Matrizes e Vetores 7

notando que .as barras verticais, bem como as horizontais em (1.6), so apenas
um aux1ho Visual para o leitor.
E de fundamental importncia que o estudante resolva os exerccios pro-
postos sobre produto de matrizes por vetores at se sentir completamente
a vontade com a forma (1.4). O hbito de ver o produto de uma matriz por
um vetor como combinao linear das colunas da matriz facilitar sobrema
neira a compreenso de muitos dos conceitos mais abstratos que trataremos a
seguir. Algumas horas perdidas com esses clculos sero compensadas abun-
dantemente num futuro prximo. Umas poucas horas economizadas agora
podero dificultar o entendimento de muitos conceitos e diversas demonstra-
es de Algebra Linear.
Um exemplo numrico:
Exemplo 1.2. O produto abaixo pode ser calculado fazendose a combinao
linear das colunas da matriz em questo. Assim:
1 2 3 1 1 2 3 2
O 1 1 0 =1 O +O 1 1 1 = 1 ,
2 0 1 1 2 0 1 1
como esperado. !]

Essa forma alternativa de visualizar o produto de matriz por vetor pode


ser estendida para o produto de matrizes.
Se o produto de uma matriz Amxp por um vetor b 6 RP o vetor Ab & Rm,
ento o produto de A por uma matriz Bpxn, cujas n colunas so os veto-
res b;,1, b:,2, . . . ,b:,,, 6 R7, uma matriz m >< n cujas colunas so os vetores
Ab:,1, Ab:,2, . . . ,AbW E R. Graficamente:
| | | | | |
AB=A b:1 ID:,2 b."
., : Abzl Ab;,2
v Abm . (1.5)
, | l l
O anlogo de ( 1.5) para vetoreslinha1 pode ser assim descrito: se multipli-
carmos, pela esquerda, um vetor- linha yT E Rm pela matriz Amxp, obteremos
um vetor-linha yTA R . Ou seja,
1Apesar de insistirmOS que sempre consideramos um vetor como um vetor-coluna, ou
matriz-coluna, podemos abusar um pouco da linguagem e dizer que um vetor-linha de di-
menso m uma matriz 1 >< m, tambm chamada de matriz-linha.
8 Sistemas de Equaes Lineares Captulo 1

yTA=[y1

=[y1
yz

yz
ym]

ym]
_
_

L[am1

_
aii

am

al,;

az _
L12

22

am2

ln

az"

am]

_ m -
=yl[_ i,: _]+"'+ym[ m,: l- (1-6)

Assim, o produto de uma matriz mep, cujas linhas so os vetoreslinha


C1,;,Cg,:, . . . ,em," por uma matriz Apm uma matriz m >< n, cujas m linhas
so os vetoreslinha 01,2A,017,A, . . . , cm,,A & R. Graficamente:

CI,: el,;A __
"'
c2,: _ _ c2,:A _
CA = , A=
cm,: _ _ cm,:A _
Finalizaremos esta seo apresentando algumas matrizes especiais que apa-
recem em diversas aplicaes de Algebra Linear.

Matriz Diagonal
A diagonal principal de uma matriz A, com elementos ai,-, formada pelos
elementos ai,-, isto , pelos elementos au, a22 etc.
Uma matriz A diagonal se todos os elementos fora de sua diagonal prin-
cipal so nulos, isto , aij : 0, para i 76 j. Por exemplo:

2 0 0 O O 0 1 0 O O 0
0 1 0 , 0 3 O e 0 3 O O 0
() 0 4 O 0 O O O 2 O 0
51.1 Matrizes e Vetores 9

MUItaS Vezes, subentendese que uma matriz diagonal seja tambm qua-
drada. O contexto, em geral, indicar se nos referimos a matrizes quadradas
ou nao.

Matriz Triangular
. A e uma matriz triangular superior se todos os elementos abaixo de sua
dlagonal pr1nc1pal sao nulos, isto , aij = 0, para i > ]" . Por exemplo:

2 O 3
015 e
0 0 1

J, se bij : O para i < j, a matriz B chamada de triangular inferior. So


exemplos de matriz triangular inferior:
8 0 O 2 0 0 0 O
0 1 0 e 3 1 O 0 O
4 7 9 4 6 2 0 O

O contexto novamente esclarecer se nos referimos a matrizes quadradas


ou no.

Matriz Simtrica
Uma matriz quadrada A dita simtrica se ai,- : qi, isto , se seus elemen-
tos so simtricos em relao diagonal principal. Tambm podemos definir
uma matriz simtrica mais sinteticamente: A simtrica se AT : A.
So exemplos de matrizes simtricas:

[14],
* 3
731
302
128
e
1
i
i12i
%
12i3
3
7

Com relao ao terceiro dos exemplos acima, cabe aqui uma observao: as
matrizes simtricas de interesse so as reais, pois o caso complexo exige uma
pequena alterao na definio para ter aplicaes interessantes (ver matriz
hermitiana abaixo). Veremos algumas dessas aplicaes no Captulo 5.
10 Sistemas de Equaes Lineares Captulo 1

Bem menos usada que a matriz simtrica, a matriz antisszmetrica e aquela


cuja transposta igual a sua oposta, isto , BT = B. Fica claro que toda
matriz antissimtrica possui diagonal principal nula.

O _2 0 3 1
2 0 e 3 O 0
1 O 0
so exemplos de matrizes antissimtricas.
Um resultado interessante: toda matriz pode ser decomposta na soma de
uma matriz simtrica com uma matriz antissimtrica (ver Exerccio 1.1.18).

Matriz Hermitiana
Uma matriz A hermitiana, tambm chamada de auto-adjunta, quando
A* = A, sendo A* = ()T = , a barra representando o complexo con
jugado. O Apndice C contm uma pequena reviso sobre nmeros comple
xos, mas aqui basta lembrar que o complexo conjugado do nmero complexo
z = a + ib 3 = a ib, sendo que a, b 6 R. Assim, um nmero real o seu
prprio conjugado.
O nome hermitiana uma homenagem ao matemtico francs Charles Her
mite (*1822 J(1901), j o termo auto-adjunta referese ao fato da matriz ser
sua prpria adjunta, como chamada a conjugada transposta (ou a transposta
conjugada) de uma matriz. .

claro que, para se ter A* = A, os elementos da diagonal principal de A


tm de ser nmeros reais. So exemplos de matrizes hermitianas:

[; ;] .
e
O
32i
3+2i 1i
6 2
1+i 2 1
Jamatriz
1 i 12i
i 2i 3
12i 3 7
no hermitiana, apesar de ser simtrica.
Definida de forma anloga a matriz antissimtrica, uma matriz anti
hermitiana A caracterizada pela propriedade A* = A.
51.1 Matrizes e Vetores 11

. As matrizes hermitlanas tero grande importncia no estudo das matrizes


diagonahzaveis, Que faremos no Captulo 5.

EXERCCIOS
1.1.1 Mostre, por meio de um exemplo, que o produto matricial no comutativo.
1.1.2 Se.A uma matriz m x n, que dimenses deve ter uma matriz B para que
ex1sta a soma A + B? Quantas linhas deve ter O para que exista o produto
AC? Quantas colunas deve D para que exista o produto DA?
1.1.3 Mostre as seguintes propriedades da adio e multiplicao de matrizes:
a. (AB)C = A(BC);
b. A(B + C) = AB + AC;
c. (B + C)A = BA + CA;
d. a(A + B) = aA + aB;

sendo que A, B e C so matrizes de dimenses compatveis em cada caso e


a um escalar.

1.1.4 Encontre os produtos xTy e xyT, sendo


1 1
x= 2 e y= 1
1 3

1.1.5 Considere as matrizes:


1 2 3 -1 1 1 4
A: 2 0 1 1 e B: 2 1 3
1 1 1 1 0 O 1

eos vetores 2
1 O
x= 1 e y=
._1 1
3

&. Calcule os produtos Ay e Bx por meio de combinaes lineares das


colunas das respectivas matrizes.
12 Sistemas de Equaes Lineares Captulo 1

b. Calcule os produtos xTA e xTB por meio de combinaes lineares das


linhas das respectivas matrizes.
c. Calcule 3A, BA, B2 e ATB.
1.1.6 Considere ainda as matrizes A e B e vetores x e y do Exerccio 1.1.5. Diga
em que espao (R3 ou R4) esto os seguintes vetores: as colunas de A, as
linhas de A, as colunas de B, as linhas de B, Ay, Bx, xTA e xTB .
1.1.7 Multiplicao em bloco. Dividindo as matrizes A e B em blocos de
submatrizes, por exemplo,

A=1 A11 A12


A21
B= 311 312
321 322
,

de tal maneira que as dimenses das submatrizes Au, A12, . . . , B22 sejam
compatveis, podemos efetuar a multiplicao de A por B do seguinte modo:

[
AB : A11Bu + 141sz1 | 1411312 + A121322
AziBn + A22321 | A21312 + A22322
] .

Utilizando multiplicao em bloco, calcule o produto AB nos seguintes ca-


sos:

&. _ _
1201
A=10 31
?
eB=_______
1415 025
l6 1-
b. _
123-1 $? q

A: 0110 eB= _
_2374 3_0_____5_
_143_
1.1.8 Sejam A e B matrizes m x ;D e pxn, respectivamente. Se A possuir uma linha
de zeros, mostre que AB tambm possuir uma linha de zeros. Enuncie e
prove o resultado equivalente para uma coluna de zeros em B.
1.1.9 Sejam ei [O 0 1 0 O]T o vetor do IR" tal que 1 a i-sima
coordenada, e A uma matriz m >< n. Mostre que Ae,- o vetor que representa
a isima coluna de A.
51.1 Matrizes e Vetores 13

1.1.10 Sejam e,- = [O ... O 1 0 ... 0]T o vetor do Rm tal que 1 a i-Sm
coordenada, e A uma matriz m >< n. Mostre que eiTA o vetor(linh) que
representa a isima linha de A.

1.1.11 Mostre as seguintes propriedades das matrizes transpostas:

a. (AT)T : A;

c. (A + B)T : AT + BT;
sendo que A e B so matrizes de mesma dimenso e a um escalar.
1.1.12 Sejam A uma matriz m x n e b um vetor do R". Mostre, utilizando a
expresso em (1.4), que (Ab)T = bTAT.

1.1.13 Considere as matrizes A, m >< n, e B, n >< p. Mostre que (AB)T = BTAT.


1.1.14 Calcule os produtos AB e BA para as matrizes

A: B:
DON]
CD
MOD
GODOUR

DlOCDGO
Prove que, se A e B so duas matrizes diagonais de mesmas dimenses n >< n,
ento AB = BA.
1.1.15 Utilizando as matrizes A e B do exemplo anterior, calcule A3 e B4, isto
, AAA e BBBB. Mostre, utilizando induo finita, que para elevar uma
matriz diagonal a uma potncia natural, basta elevar cada um de seus ele
mentos da diagonal principal a essa potncia.
1.1.16 O trao de uma matriz quadrada A a soma dos elementos da diagonal
principal de A e simbolizado por tr(A). Mostre que, se A e B so matrizes
n >< n, ento tr(A + B) = tr(A) + tr(B).
1.1.17 Demonstre, se a afirmao for verdadeira, ou d um contraexemplo, se for
falsa.

a. Se A possuir duas colunas idnticas, ento A2 tambm possuir duas


colunas idnticas.
b. Se A2 possuir uma coluna de zeros, ento A obrigatoriamente possuir
uma coluna de zeros.
14 Sistemas de Equaes Lineares Captulo 1

c. tr(ATA) = tr(AAT).
Sejam A e B matrizes n x n, ambas compostas somente por inteiros
positivos. Se os elementos de A forem todos pares, ento os elementos
de AB e de BA sero todos pares.
e. Se Alc = O para todo k 2 2, ento A= 0.
f. SeAB=0,entoA=00uB=0.
1.1.18 Mostre que toda matriz quadrada pode ser decomposta como a soma de
uma matriz simtrica com uma matriz antissimtrica.
Dica: A = %(A + AT) + %(A AT).
1.1.19 D trs exemplos de matrizes hermitianas. Mostre que a diagonal principal
de uma matriz hermitiana s pode conter nmeros reais.
1.1.20 Considere uma matriz A m >< n. Mostre que ATA uma matriz simtrica
(real), se A for real, e que A*A hermitiana, se A for complexa.
1.1.21 Sobre as matrizes hermitianas A e B, demonstre a afirmao se for verda
deira, d um contraexemplo se falsa.
a. A + B hermitiana.
b. aA hermitiana, para qualquer escalar a.
c. AB hermitiana.
51.2 Sistemas Lineares e o Mtodo de Eliminao de Gauss 15

1.2 Sistemas Lineares e o Mtodo de Elimina


o de Gauss
Um sistema de m equaes lineares com n incgnitas, expresso por

11371 + izxz + - + amar,, = bl


'

(121531 + (122582 + - - - + a2nxn b2 :

(1.7)
am1B1 + am2$2 + + amnl'n = bm;
' ' '

pode ser representado em forma matricial por


Ax = b, (1.8)
sendo
0411 012 -.- m 331 bl
A= _
021
_
022 ..
.
- an
, , x=
372
: e b=
bz
: ,
aml am2 -
' amn xn bm
respectivamente, a matriz dos coeficientes, o vetor das incgnitas e o vetor dos
termos independentes.
Encontrar a soluo ou o conjunto-soluo ou, ainda, a soluo geral
do sistema (1.8) encontrar todos os vetores x 6 R" (ou (C") que resolvem
(1.8), i.e., todos os vetores x que resolvem simultaneamente asequaoes
(1.7).
No caso de sistemas lineares reais ou complexos, h tres poss1b1hdades: ou o
Sistema possui uma nica soluo, ou possui infinitas
soluoes, ou nao possui
soluo. Nas duas primeiras situaes, o sistema e dito consistente
ou possivel
(determinado ou indeterminado), na ltima, eNd1to.inconsistente
ou impossi-
vel. Para provarmos que um sistema de equaoes lineares =Nb com.
Ax duas
solues distintas u e v no pode ter um numero finito de soluoes reais (ou
complexas), basta notar que, para a + B = 1, temos
A(ozu+Bv) =ozAu+6Av=ozb+Bb= (a+6)b=b,
ou seja existem infinitas solues na forma au + Bv, pois existem infinitas
possibilidades de escolha para a e 6 reais tals que a + B = 1.
16 Sistemas de Equaes Lineares Captulo 1

Gostaramos de classificar, ainda, o sistema de acordo com o valor do vetor


dos termos independentes b.
DW
"
o = 0, sendo 0 = [O
ienammamaat - ,. ,,,,m .? as
. ,...,
" Sistema dia equaes lineares Ax ="b dito liomogeneo

DF o vetor nulo. Se b # O, o sistema e dito nar


duas

Observemos que, se u e v so solues de Ax = O, ento qualquer


combinao linear de u e v tambm ser soluo do sistema homogneo. De
fato,
A(au+6v)=aAu+BAv=aO+BO=0.
Mas o anlogo no ocorre se o sistema for no homogneo. Assim, se u e v
so solues de Ax = b, com b # O, ento
A(u+v)=Au+Av=b+b7b.
No Ensino Mdio, deparamonos com diversas tcnicas para resolver siste
mas de equaes lineares, sendo a substituio e a regra de Cramer as mais
conhecidas. Entretanto, no estudamos lgebra Linear para resolver sistemas
2 >< 2 ou 3 >< 3, e sim para, entre outras coisas, encontrar solues de sistemas
com centenas, milhares ou mesmo milhes de variveis. Para uma tarefa desse
porte, os dois mtodos citados so ineficientes, para dizer o mnimo. Necessi-
tamos, pois, em primeiro lugar, de um mtodo sistemtico: um conjunto finito
de passos no ambguos que possam ser executados por um computador. Pre
cisamos, portanto, de um mtodo que possa ser escrito em forma algoritmica.
Uma vez sendo computacionalmente implementvel, necessrio que o mtodo
seja estvel, em algum sentido. Tiefethen e Bau [34] definem, grosso modo,
que um algoritmo estvel se der uma resposta aproximadamente correta
a uma pergunta aproximadamente correta. No de nosso interesse, neste
livro, estudar estabilidade de algoritmos, o que mais adequado a um curso
de lgebra Linear Computacional, mas vez ou outra indicaremos quando um
algoritmoe estvel ou instavel.
O mtodo que introduziremos para a resoluo de sistemas lineares e o
mtodo de eliminao de Gauss, devido ao maior matemtico da era moderna,
Karl Friedrich Gauss (*1777 - T1855). Em seguida, apresentaremos algumas de
suas modificaes: o mtodo de eliminao de Gauss com pivotamento parcial
e o mtodo de GaussJordan.
Iniciaremos com um exemplo extremamente simples, mas que nos ajudar
a visualizar o funcionamento do mtodo de eliminao de Gauss.
51,2 Sistemas Lineares e o Mtodo de Eliminao de Gauss 17

Exemplo 1.3. Consideremos o sistema

2x+4y=8
4w3y= 5. (1.9)
Observe que o sistema acima composto pelas equaes de duas retas no plano
na Figura 1.1.a, a reta contnua representando a primeira equao em (1.9)
e a reta tracejada, a segunda. Resolvlo encontrar o ponto de interseo das
duas retas (no caso desse ponto existir). Podemos fazer trs tipos de operaes
sobre as linhas desse sistema sem que a sua soluo se altere.
A primeira delas a multiplicao de uma das linhas por um nmero di
ferente de zero. Por exemplo, multiplicando a equao 2x + 43; = 8 por %,
obtemos a: + 2y = 4, que representa a mesma reta, no alterando, portanto,
a soluo do Sistema, nem sua representao grfica. Na Figura 1.1.a, nada
muda.

Figura 1.1: (a) Sistema original (1.9). (b) Sistema escalonado.

A segunda operao a troca da ordem das duas linhas: trocar duas linhas
do sistema claramente no alterara a sua soluo. Graficamente, nada se altera
na Figura 1.1.a. , .
A terceira operao que podemos realizar e a soma de uma linha com um
mltiplo de outra linha. Por exemplo, se somarmos 2 vezes a primeira linha,
i.ew _43; _ gy : -16, a segunda linha, obtemos Os: 113; = -11. Agora a
segunda linha j, no representa a reta 4a: By = 5, mas a reta y = 1. No
18 Sistemas de Equaes Lineares Captulo 1

entanto, Sluo do sistema permanece inalterada, como podemos ver n


&
Figura 1.1.b. De fato, consideremos as equaes

all-"171+ 042122 + - + ama,, = bl ,


' (1.10)
a21931 + a225172 + + aznfn = bz,
"'
(1-11)
(0011 + az1)131 + + (010,11, + agn)a:,, (abl + bg) ,
' ' ' : (1.12)
sendo que (1.12) a segunda equao (1.11) somada com um mltiplo, oz,
da primeira (1.10). Observe que, se 5: = [Lil fig an for 50111930 Sl"
multnea das equaes (1.10) e (1.11), ento tambm ser soluo de (1.12),
pois

(aan + a21);1 + - - + (oral,, + agn):n = a(aul + + alnn)+


' ' '

+ (a21531 + + aznn)
' ' '

: abl + bg .
E, reciprocamente, se x= [l J2 53? for soluo simultnea
das
equaes (1.10) e (1.12), ento tambm ser soluo de (1.11), pois esta pode
ser recuperada somandose a vezes (1.10) terceira equao (1.12).
Quaisquer das trs operaes realizadas sobre as equaes do sistema po-
dem ser feitas com a matriz que 0 representa, chamada de matriz aumentada
do sistema e simbolizada por A, que, no exemplo acima, ser:

A
-
l ll
2
4 3 5
4 8
,
em cuja primeira coluna constam os coeficientes de a: do sistema (1.9), na se-
gunda coluna esto os coeficientes de y e na terceira, os termos independentes,
1
Multiplicando a primeira linha por 5, depois somando 4 vezes o resultado
segunda linha, e por fim multiplicando a segunda linha por _1_11, obtemos

+31,?lliill-iiliilliiil'
O sistema correspondente a ltima das matrizes acima, isto ,

w+2y=4,
y=1, (1.13)
51.2 Sistemas Lineares e o Mtodo de Eliminao de Gauss 19

possluits mesmas solues que o sistema inicial (1.9), mas mais facil de ser
reso vi o, p01s, claramente, y = 1 e podemos substituir esse valor na primeira
equaao para obter a: = 2. D

Cs tres tlpos de operaes apresentadas acima so de fundamental impor-


.
tancra Para o metodo de eliminao de Gauss e, por isso, recebem um nome
espec1al:

?ll-S rrasa"ezemenzangstf asinhas ae as maiiz sac

,
,
- mltpliar uma linha por um escalar no nulo;
ii. trocar duas linhas entre si; ,
i

isnadwwnrsmnultl ldeumlmhumutrlnh,,i
Chamaremos, neste livro, esta ltima operao de combinao linear de
linhas. No entanto, a rigor todas as operaes elementares so combinaes
lineares de linhas, sendo a primeira trivial e a segunda uma sequncia de
combinaes lineares (ver Exerccio 1216 ).
Uma observao importante: pela definio acima, permutar caoticamente2
trs linhas de uma matriz no uma operao elementar. Duas ou mais
operaes elementares acumuladas no constituem, em geral, uma operao
elementar.
O mtodo de eliminao de Gauss utiliza as operaes elementares sobre
linhas para transformar um sistema linear dado em um outro equivalente (isto
, com o mesmo conjunto soluo), porm mais simples de resolver. Mas como
tornar um sistema mais simples de resolver? Usemos outro exemplo numrico
para ilustrar o mtodo.

Exemplo 1.4. Queremos encontrar a soluo do sistema linear


1 2 3 271 1
Ax: 1 4 7 932 = 1 =b, (1.14)
2 2 5 ctg -7

2Permutao catica, em Anlise Combinatria, significa que nenhum dos termos perma-
nece em sua posio original. Ento, 231 uma permutao catica de 123, mas 321 no o
!
e.
20 Sistemas de Equaes Lineares Captulo 1

cuja matriz aumentada correspondente


1231
=1471
-225-7
Se olharmos novamente o sistema (1.13), observaremos que o que O tornou mais
facil de resolver que o sistema (1.9) foi o fato de termos conseguido eliminar
varivel as da segunda equao. Tentaremos eliminar a variavel 331 das segunda
e terceira equaes de (1.14), isto , tentaremos introduzir dois zeros abaixo
da entrada u = 1 da matriz A.
Para isso, devemos multiplicar a primeira linha por 1 e somar o resultado
com a segunda linha:
1 2 3 1 1 2 3 1
1 4 7 1 + 0 2 4 2
2 2 5 7 2 2 5 7
Depois, multiplicamos a primeira linha por 2 e somamos o resultado a terceira
linha:
1 2 3 1 1 2 3 1
O 2 4 2 > O 2 4 2
2 2 5 7 0 6 11 5
Eliminamos, assim, a varivel xl das duas ltimas equaes. Basta agora
eliminarmos a varivel 332 da terceira equao, 0 que feito multiplicandose a
segunda linha por 3 e somando-se o resultado a terceira linha:
1 2 3 1 1 2 3 1
0 2 4 -2 > 0 2 4 2 : .
O 6 11 5 0 0 1 1
A matriz aumentada acima corresponde ao sistema linear:
1 2 3 5131 1
Ux = O 2 4 5132 = 2 = c,
O O 1 [153 1
que possui 0mesmo conjunto soluo que o sistema (1.14), sendo, porm, mais
fcil de resolver, pois basta encontrar o valor de 5133 na terceira equao
273=':1'=1,
312 Sistemas Lineares e o Mtodo de Eliminao de Gauss 21

substituir esse valor na segunda equao

2032 +4(1) = 2,
encontrando o valor de 332:
,, __2+4_1
2_ 2 _,
e, por fim, obter xl por meio da primeira equao:
x1=12(1)3(1)=2,
no processo chamado de retrossubstituio. Assim,
5131 2
x= 132 = 1
1133 1
Acabamos de executar o mtodo de eliminao de Gauss (ou eliminao gaus
siana). E]

O objetivo da eliminao de Gauss chegar a uma matriz na forma esca


lonada, definida por suas propriedades:
efinio 1.4. A forma escalonada de uma matriz deve possuir as seguintes
propriedades
i. se existirem linhas compostas apenas por zeros, elas devem estar na parte
; inferior da matriz; .,

* ii. se uma linha no composta apenas de zeros, o primeiro elemento no


nulo desta linha chamado de piv;
iii. se duas linhas sucessivas possuem pivs, ento o piv da linha superior
deve estar a esquerda do piv da linha inferior;

,,iv abaixo decada piv s devehaver zeros


(

.,._ _ .. ,. , , ., .
,,
._ai

O item ii , de fato, uma definio, mas foi acrescentado lista


a de propri
edades como um auxlio didatico.
claro que sempre podemos chegar a forma escalonada de uma matriz
atravs de um nmero finito de operaes elementares.
Trs observaes merecem a ateno do estudante:
22 Sistemas de Equaes Lineares Captulo 1

. A forma escalonada de uma matriz no nica. No Exempl 14, pode


ramos ter, por exemplo,
1 2 3 1
: 0 1 2 -1
0 0 1 1
Alguns autores preferem que os pivs sejam sempre unitris.

- Nem sempre os pivs esto na diagonal principal da matriz. Por exemplo,


12 3
0 0 1
0 0 0
esta na forma escalonada.
. Os pivs esto sempre relacionados com as variveis do sistema, portanto,
na matriz aumentada
1 2 3 1
0011 ?

0007
o 7 no um piv, pois apenas um dos termos independentes.
No prximo exemplo, aplicaremos o mtodo de eliminao de Gauss para
encontrar a forma escalonada da matriz de um sistema que possui mais incg
nitas que equaes, no havendo, portanto, esperana de obter uma soluo
nica.
Exemplo 1.5. Consideremos o sistema homogneo

581
134-254 sr,2 0
__26 9182 333 0
AX" 269197x4=0=b
1342-5-4 x,, 0
306
Pelo fato do sistema ser homogneo, no precisamos escrever a matriz au-
mentada, pois combinar linearmente zeros s resulta em zero. Com quatro
51.2 Sistemas Lineares e o Mtodo de Eliminao de Gauss 23

operaes elementares obtemos a sequncia

'134254 *134254'
26 9182 001326
26 9197_>26 9197"+
,1 34 2-5 -4_ _-1 3-4 2-5 4_
'1342541'1-34-254'
_,00132640013264
0013-1_1 0013-11
l1342-5_4_ _000000
134-254
0013-2-6
_) 000015=U'
+000000_

Agora, ao executarmos a retrossubstituio, devemos deixar % em funo de


% ou x em funo de 5135? J a que, em uma linha no nula de uma matriz esca
lonada, s podemos garantir que o piv seja diferente de zero nada podendo
dizer sobre os outros elementos da linha , as variveis correspondentes aos
pivs merecem destaque. Esse fato nos leva as seguintes definies:

ema lmear' .. Wwwrsrswwrrrwrrsr


; aewww Wrsw
e
sefinid ??? m um
mae*
sis , as variaveis correspondente.,
. .,

os pivs da forma escalonada da matriz A so chamadas variveis bsicas.;


Massama r ksZwmg MMMg,, w,: , .. g ', .

Voltando ao exemplo, 5155 deve ser expresso em funo de 1106, assim 1135 =
55B6; x3, em funo de cv.; e 1106, ou seja, 5123 = 3 (134 4x6; e assim por diante.
A soluo geral

xl 3$2+141134+371156
IEQ 372
333 _ 3 (1,4
0104 4 (156
X = (134 '
a

(135 _ 5 176
376 x
24 Sistemas de Equaes Lineares Captulo 1

ou, ainda, de forma mais elegante,

5132 1 0 O
233 O _3 4
x= 334 = 332 O + 374 1 + 376 () ,
175 0 0 5
1136 O O ]

sendo que $2, 554 e 9136 podem ser escolhidas livremente (da o nome de variaveis
livres) entre os nmeros reais. Na terminologia dos sistemas flsicos, dizemos
que o sistema possui 3 graus de liberdade, dados pelas variaveis CE2, an; 6 5136. El
J exemplificamos o mtodo de eliminao de Gauss com dois sistemas
consistentes: um possuindo soluo nica e outro com ininitas solues. Ter-
minaremos esta seo apresentando um exemplo de sistema linear sem soluo,
isto , inconsistente.
Exemplo 1.6. Consideremos o sistema
1 2 3 351 1
Ax: 2 5 7 502 = 3 =b. (1.15)
4 10 14 5133 7
Com trs operaes elementares, obtemos:
1 2 31 1 2 3 1 1 2 31 1 2 3 1
2 5 7 3 > 0 1 11 > O 1 1 1 > O 1 1 1
41014 7 41014 7 O 2 2 5 0 0 0 3
A ltima linha da ltima matriz representa a equao
0$1+0$2+0$3 =3,
que impossvel de resolver, j que a combinao trivial de sul, mg e 333 no
pode ser um nmero diferente de zero. O sistema (1.15) no possui, portanto,
soluo.
[]
O leitor mais atento deve ter percebido que utilizamos somente uma das
operaes elementares. As outras, troca de linhas e multiplicao por escalar
no nulo, sero apresentadas nas sees seguintes, que mostraro o por qu de
seu uso. Antes, porm, introduziremos a decomposio LU.
51.2 Sistemas Lineares e o Mtodo de Eliminao de Gauss 25

EXERCCIOS
1.2.1 Assmale as equaes lineares em acl, 172 e 5133, com a e k constantes:

a. x1+3x2J5x3=1; d. 2xl+x2+senx3=0;
b. $1+CB1IZ2x3=2; e. k$1%$2+k2$3=1;
c. k3xl+2x2x3=sena; f. x+$+$=1
1.2.2 No Exemplo 1.3, desenhe o par de retas correspondentes ao sistema em cada
uma das etapas da eliminao gaussiana.
1.2.3 Considere trs planos no espao R3. Descreva as possveis posies relativas
desses planos e indique, em cada caso, se o sistema linear correspondente
inconsistente, se possui soluo nica ou se possui ininitas solues.
1.2.4 Desejamos descobrir qual a parbola y = am + ba: + c que passa pelos
pontos no alinhados do plano (w1,y1), (332, yz) e (333, 3,13). Escreva o sistema
de equaes lineares que descreve este problema. Quais so as incgnitas
do sistema? Escreva o sistema na forma Ax = b.
1.2.5 Encontre um sistema de duas equaes lineares em :B, 3; e 8 cuja soluo
geraldaforma: x=13t,y=2tez=t+1,VtR

1.2.6 Encontre, utilizando o mtodo de eliminao de Gauss, & soluo do sistema


Ax : b, circulando os pivs na matriz escalonada, sendo:
'
3 4 _ -2 _
'1-21 1

332 5
8 42 8
CA:-" 4 31 e b: 31
8 _20 6
"12-54 6
25 127 _ 14
d'A: 35 178 ' 16
11 74 6
26 Sistemas de Equaes Lineares Captulo 1

1.2.7 Encontre, utilizando o mtodo de eliminao de Gauss, a soluao do gerl


sistema Ax : b, circulando os pivs na matriz escalonada e 1ndican o as
variveis bsicas e livres, sendo:

'121 2
a.A= 214 e b= 8;
13 35 10
1
'
1 1 1
bA= 111 e b: 1 ,
l 2 2 2
"1254 0
c.A= 2499 e b: 0
_1254 0

1.2.8 Encontre, utilizando o mtodo de eliminao de Gauss, as solues exata e


aproximada (para 3 casas decimais) de cada um dos sistemas

__
[ Hau _ 0,00011 5131 _ 1

_
bl[09001 1][m2]_[1]b'
_ 1 1 1131 2 _

1.2.9 Quais so as possveis formas escalonadas da matriz A?

A:
s o ,O
Dm"

1.2.10 Encontre uma relao entre a, b e e para que o sistema

x+y+2z=a
w+z=b
2w+y+3z=c

seja consistente.
51.2 Sistemas Lineares e o Mtodo de Eliminao de Gauss 27

1.2.11 Para que valores de a o sistema abaixo inconsistente? Possui exatamente


uma soluao? Possui infinitas solues?

m+2y3z=4
3:13y+5z=2
4w+y+(a214)z=a+2.

1.2.12 D um exemplo numrico de um sistema linear 2 >< 2, Ax = b, com duas


soluoes distintas u 76 v, de modo que u + v no seja soluo de Ax : b.
1.2.13 Mostre que todo sistema homogneo possui pelo menos uma soluo.
1.2.14 Quando um sistema homogneo possui mais de uma soluo?
1.2.15 Demonstre, se a afirmao for verdadeira, d um contraexemplo, se falsa.

&. Todo sistema linear com n incgnitas e n equaes consistente.


b. Todo sistema linear com mais incgnitas do que equaes possui infi-
nitas solues.
c. Todo sistema linear com mais equaes do que incgnitas inconsis-
tente.
d. Um sistema linear com n equaes e n incgnitas possui sempre soluo
nica, a no ser que uma equao seja um mltiplo de outra.
e. Todo sistema linear homogneo com mais incgnitas do que equaes
possui infinitas solues.

1.2.16 A operao elementar que troca duas linhas de uma matriz pode ser obtida
por uma sequncia de operaes elementares dos outros dois tipos, i.e.,
multiplicao de uma linha por um escalar no nulo e combinao linear de
duas linhas. Encontre essa sequncia.

1.2.17 Considere a matriz


O
A=1
1

Encontre a soluo geral de cada um dos sistemas:


28 Sistemas de Equaes Lineares Captulo 1

&. Ax=x. b. Ax=2x. c. Ax=3x.

1.2.18 Considerando a mesma matriz A do Exerccio 1.2.17, mostre que, se A # 1


e >* ? 2, o Sistema Ax = Ax possui soluo nica x = O.
51.3 Decomposio L U 29

1.3 Decomposio LU
Uma decomposio ou fatorao matricial nada mais que apresentar uma
matriz como um produto de duas ou mais matrizes, de forma anloga de-
composio de ,umnmero inteiro em potncias de primos. Diversos mtodos
numricos em Algebra Linear Computacional no passam de mtodos de fato-
rao matricial.
A primeira fatorao matricial que apresentaremos a decomposio LU,
que transforma uma matriz no produto de uma matriz triangular inferior L (do
ingls lower) por uma triangular superior U (do ingls upper). Essa fatorao
uma aplicao direta do mtodo de eliminao de Gauss.
Antes de podermos apresentar a decomposio LU, precisamos estudar um
tipo especial de matriz. A Definio 1.3 nos informa que h trs tipos de
operaes elementares sobre as linhas de uma matriz: a multiplicao de uma
linha por um escalar no nulo, a troca de duas linhas e a substituio de uma
linha por uma combinao linear dela com outra linha. Veremos agora que
cada uma das operaes elementares pode ser obtida pela multiplicao por
uma matriz especial.
De fato, multiplicar a segunda linha da matriz A, abaixo, por um escalar
no nulo (no caso, o nmero 3) pode ser conseguido pela multiplicao matricial
1 O O 1 2 3 1 1 2 3 1
E2(3)A = O 3 0 1 4 7 1 = 3 12 21 3
O O 1 -2 2 5 7 2 2 5 7
A troca da primeira com a segunda linha de A pode ser obtida assim:
O 1 0 1 2 3 1 1 4 7 1
PIZA = 1 0 O 1 4 7 1 = 1 2 3 1
0 O 1 2 2 5 7 2 2 5 -7
Por fim, consideremos a operao elementar de combinar linearmente duas
linhas de uma matriz para introduzir um zero na posio (2,1) da primeira
das matrizes abaixo. Multiplicamos a primeira linha por 1 e somamos o
resultado com a segunda linha, obtendo:
1231 1231
147-1-+ 024-2
-2 2 5 7 2 2 5 7
30 Sistemas de Equaes Lineares Captulo 1

- pode ser conseguido


O mesmo efelto - com a seguinte
- multiplicao matricial:
' '

100 1231 1231


E21(1)A= 110 1471 : 0242
001 225-7 2257
As matrizes E2(3), Pm e E21(1) acima so exemplos de matrizes elemen-
tares. A notao utilizada (inspirada em [28]) deixa claro que tipo de operaao
elementar executada quando se multiplica uma matriz elementar por uma
matriz A:

. E,,(a) multiplica a isima linha de A por a 7% 0;


. P,,- troca a i-sima com a jsima linha de A;
. Ei,-(04) adiciona a vezes a jsima linha a i-sima linha de A.
Antes de uma definio formal das matrizes elementares, relembramos o
conceito de matriz identidade.
f'efmlao16Amatrlzidentidade In' ><n etalque=47=721,
Qualquer matrizA n><n a. ms W,, .

fcil veriicar que a matriz identidade [ n >< n tem a seguinte forma

10...0
01 0
[= .. . ,
00. 1
ou, sinteticamente,
Iij= 1 SGZ=j,
0 se i # j.
A matriz identidade o elemento neutro multiplicativo das matrizes (n ><
n),
assim como o nmero 1 o elemento neutro multiplicativo dos nmer
os reais.
Observando que EI= E, definimos:
wefmao 7 A matrizn><nresultante da aplicaaodeuma unicaoperaa
simetrias,sbreaMirim,, desistmammentserenatattareatar.
51.3 Decomposio LU 31

As matrizes elementares sero muito teis, tanto na demonstrao de teo


remas quanto na construo de algoritmos.
Para
apresentarmos a primeira das propriedades das matrizes elementares,
convem rev1sar outra definio j conhecida pelos estudantes.
efinlao18. Dada matriz ><n, existir matrizB n>< Cali, uma n se uma n
ique A B= B A [, diremos que B a matriz inversa de A. Indicaiemos ai
versa deA porA1. ,, .. .au.
.. Jk:- ,...,.a , .::;.;._r ..:!

Nem toda matriz quadrada possui inversa, porm, se possuir, diremos que
ela invertvel ou no singular se no for invertvel ser chamada de sin-
gular. E mais, se A possuir uma inversa pela esquerda B (i.e., BA : I) e
uma inversa pela direita O (i.e., AG : I), ento A"1 = B = C. De fato, se
BA=IeAG=l,entoB=BI=B(AG)=(BA)G=IG=C.
O resultado geral a seguir, sobre matrizes inversas, bastante til.
-. ';:-'z'!-''."';.' mir-'; "''.ldfr'r'/gw,**?'N.1"i':'tif 4f'01'77rr n:
v ' we7a:
e
s, <gW7-ixlfryv.rp*.' rsa

roposrao 1.1. Se duas matrizes quadradasdwmesma imensao


,("f"

m
,

forem invertveis, ento seu produto ser invertvel e valer a relao


.
LM _
quanta-.e as. sa......m. wh .,
(A3;. n.. a.
A '.
",.
*

sse
,,
'A<
,
' ,.

Demonstrao. Se A e B so invertveis, ento

(BlA-1)(AB) = B-1(A-1A)B = B'IIB = B1B = 1,


logo AB invertvel, com inversa dada por B1A_1. []

Podemos agora enunciar a primeira propriedade das matrizes elementares.


. gigI
,As matrizeselementares,_aoinverve ,.;m .7-7:,:,'' ir-w?
QWWWWWWWW.

, ,
*
n.

Demonstrao. A demonstrao feita explicitando-se a inversa de cada tipo


de matriz elementar.
),1
Para E,(oz com a 76 0, basta tomarmos E,(a ) : E,(), pois E,()
multiplica por1exatamente a linha de E,- (oz) na qual aparece a constante a
No caso da
matriz elementar B,, que troca as linhas i e j da matriz
identidade, basta que essas mesmas linhas sejam novamente trocadas, assim
_-
_1
P., P.,.
32 Sistemas de Equaes Lineares Captulo 1

Por fim, para BEJ-(CY), podemos desfazer a adio de a vezes a jsima linhaa
) vezes
da identidade com a matriz elementar Ei,-(ay), que adiciona (-Ot [|
jsima linha a i-sima linha. Ento, E,;1(oz) = Ei ()-

Exemplo 1.7. bastante ilustrativo apresentar exemplos dos tres tipos de


matrizes elementares e suas respectivas inversas.

1'100'100 100
E2(3)E2()= 030 0%0 = 010 =[;
3 _001_001 001
'100'100 100
P23P23= 001 001 = 010 =[;
010,010 001
'100'100 100
E31(2)E31(2)= 010 0 10 = 0 1 0 =[. |]
_-201_201 001

Agora que o estudante conhece a definio e propriedade de invertibilidade


das matrizes elementares, podemos apresentar a decomposio LU, que con
siste em escrever uma matriz A como o produto de duas matrizes LU, sendo
L uma matriz triangular inferior e U uma matriz triangular superior. Nesse
caso, nada mais instrutivo que um exemplo.

Exemplo 1.8. Vejamos como a decomposio LU da matriz A do Exem-


plo 1.4. Para introduzirmos um zero na posio (2,1), basta efetuarmos a
multiplicao

100 123 123


E21(1)A= 110 147 = 024
001-225 _225

Analogamente, para obtermos um zero na posio (3, 1) da ltima das matrizes


acima, basta a multiplicao
1 0 0 1 2 3 1 2 3
E31(2)(E21(1)A)= 1 O
2 0 1
0 2 4
-2 2 5
= O 2 4
0 6 11
51,3 Decomposio L U 33

E, por fim, mtroduzimos um zero na posio (3,2) assim:


'1 0 0 12 3
E32(3)(E31(2)E21(1)A)= 0 10 0 2 4 =
_0 -31, 0 611
F12 3
= 0 2 4 =U.
_O O 1J
No Exerccio 1.3.5, pedimos para o estudante provar que o produto de
matrizes triangulares inferiores uma matriz triangular inferior, assim, o pro
dUt E32(3)E31(2)E21(1) uma matriz triangular inferior. Mais ainda, pelo
Exerccio 1.3.6, a inversa de uma matriz triangular inferior, quando existe,
tambm uma triangular inferior, ento a matriz

L : (E32(3)E31(2)E21(1))_1 : E2_11(_1)E311(2)E31(_3)
uma matriz triangular inferior.
O leitor deve perceber que o clculo de L utilizando o produto das inversas
das matrizes elementares (i.e., L : E2'11(1)Ei1(2)Eg21(3)) trivial, pois as
inversas j. so conhecidas, ao passo que inverter o produto das elementares
(i.e., L = (E32(3)E31(2)E21(1))_1) requer a inverso de uma matriz tri-
angular inferior completa. Na realidade, nenhum clculo necessrio, pois,
se
L"1 = E21(a21)E31(a31)E32(a32) ,
ento
1 0 0
L: _...A 1 0 , (1.16)
=CY31 032 1
fato que pode ser generalizado para matrizes elementares 'n >< 77. (ver Exerccio
1.3.9).
A igualdade E32(3)E31(2)E21(1)A : U, pode ser escrita como L"1A :
U, ou ainda A : LU, que a decomposio LU da matriz A.
Como descrito em (1.16), a matriz L obtida simplesmente escrevendose
100
L=E511(1)E:11(2)Ez21(3)= 1 1 0
2 3 1
.
34 Sistemas de Equaes Lineares Captulo 1

e assim,
1 2 3 1 O O 1 2 3
A= 147: 110 024=LU,
2 2 5 2 3 1 0 O 1
que a decomposio LU desejada.
Podemos agora resolver o sistema Ax = b para qualquer vetor bv bastando
resolver inicialmente o sistema triangular inferior Ly = b:

2 3 ]. y3 7
obtendo
311 = 1
y2=1(1)1=2
y3=2(1)3(2)7=1.
Agora, resolvendo por retrossubstituio o sistema U)( = y:
1 2 3 ml ].
UX: 0 2 4 (152 = -2 ,
O 0 1 ;; 1
obtemos, de b = Ly = LUX = AX,
333 = 1
1

331 = 1 2(1) 3(1) = 2,

evitando assim qualquer inverso de matrizes. []

No exemplo acima, utilizamos somente um dos tipos de matriz elementar


a do tipo Ei,-(a). Nas prximas sees, mostraremos quando os outros tipos
so necessrios.

EXERCCIOS
1.3.1 Encontre as seguintes matrizes elementares 4 >< 4:
51.3 Decomposio LU 35

&. P24; b. E3(3); c. E42(4)-

13'2 Mostre que, se A = LU, ento a soluo do sistema Ax : b pode ser obtida
resolvendose por retrossubstituio o sistema U)( : L1b.
1.3.3 No Exerccio 1.3.2, a inversa da matriz L deve ser calculada, o que com
putacionalmente custoso. Mostre que a soluo do sistema Ax = b pode
ser obtida resolvendose o sistema triangular inferior Ly = b e depois, por
retrossubstituio, o sistema triangular superior Ux = y.
1.3.4 Encontre a decomposio LU da matriz A, em cada item abaixo, e a soluo
(ou soluoes) do sistema Ax = b, resolvendo os sistemas triangulares Ly =
beUx=y.

.21] [5].
'
34 -2
.A= =
a e b
21 "1 1
b.A= 2-14 e b= 7
_3 32 5
8 42 8
cA= 4 31 e b= 3
_-8 -20 6
"1254 6
25 127 14
d'A 35 178 e b 16
_1 1 274 6
'1 21 2
e.A= 214 e b: 8
335 10
'
1 1 1 1
fA= 111 ': 1
2 2 2 2
r1254 0

1254 0
1.3.5 Mostre que o produto de duas matrizes triangulares inferiores uma matriz
triangular inferior.
36 Sistemas de Equaes Lineares Captulo 1

1.3.6 Mostre que a inversa de uma matriz triangular inferior, se eXIStlr, e uma,
matriz triangular inferior.
1.3.7 Qual a condio necessria e suficiente para que uma matrlz trlangular seja
invertvel? Demonstre sua afirmao sem usar o conceito de determinante.

1.3.8 Considere as matrizes E21(1), E31(2) e E32(3) do Exemplo 1-8- Utili


zando os elementos fora das diagonais principais dessas matrizes elementares
(i.e., os nmeros 1, 2 e 3), montamos a matriz triangular inferior

B:
il r o [
HO
I

bO
DO
Calcule L'1 = E32(3) E31(2) E21(1) e compare o resultado com a matriz
B. Observe que a matriz L1 no pode ser montada com os elementos de
E21(1), E31(2) e E32(3).
1.3.9 Considere as matrizes elementares n >< n Eij (m,j).

a. Mostre que

1 O O
m21 1 O
Ez11(m21)E311(m31) E511(mn1) = m31 O O

mn1 0 . . . 1

b. Generalize o resultado acima para o produto


_1 _
_]_
j+1,j(mj+1.j) Ej+2,j(mj+2.j) --- Enj1(mnj)a
para 2 < j < n.
c. Generalize o resultado da equao (1.16), mostrando que

1 0 ... 0
m21 1 0
Bill (77121) . . -E;,711_1(mn,n1) = _m31 Tn/32 --- 0

_mnl _mn2 ... 1


51.3 Decomposio L U 37

1.3.10 Quando uma matriz elementar E multiplica pela esquerda uma matriz A
(i.e., EA), E atua sobre as linhas de A. Quando a multiplicao feita pela
direita (i.e., AE tambm chamada de ps-multiplicao), E atua sobre
as colunas de A. Encontre, verificando sua resposta, para cada item, uma
matriz 4 >< 4, no obrigatoriamente elementar, que:

multiplica a primeira coluna de uma matriz por 2;

! ? P adiciona a primeira linha de uma matriz sua terceira linha;


troca a segunda e a quarta colunas de uma matriz;
subtrai a segunda linha de uma matriz de cada uma de suas outras
linhas;
e. substitui a terceira coluna de uma matriz por sua quarta coluna.
1.3.11 Considere a matriz elementar P24 4 >< 4, que troca a segunda e a quarta
linhas de uma matriz. Encontre uma sequncia de matrizes elementares dos
outros dois tipos (i.e., Ei,(a) e Ei(a)) que realizam o mesmo que P24.
1.3.12 Encontre as solues do sistema
1 2 3 an
Ax = 1 1 -2 332 = b,
2 1 1 563

sendo o vetor b igual a:


6 3 3
a. 2 , b. 2 , c. 3
4 1 0

1.3.13 Seja A uma matriz nilpotente, isto , Aq = O, para algum inteiro positivo q.
Mostre que (I - A) invertvel, encontrando sua inversa.
1.3.14 Considere a matriz J n >< n cujos elementos so todos 1 (um). Mostre que,
> 1,
para 77.
__
(I J) _1= ]-- _1
1 J _
1.3.15 Sejam A e B duas matrizes 77. x n. Mostre que, se ([ AB) for invertvel,
ento a inversa de (I BA) ser dada por
I + B(I AB)1A.
38 Sistemas de Equaes Lineares Captulo 1

1.4 Eliminao Gaussiana com Pivotamento


Parcial
Na Definio 1.3, na Seo 1.2, h trs tipos de operaes elementar65%, mil?,
nos exemplos e exerccios da seo anterior, utilizamos apenas a combinaao
linear de linhas (i.e., a correspondente a matriz elementar do tipo Eij()) Pr
encontrar a decomposio LU de uma matriz e resolver os sistemas lineares
correspondentes. Quando surge, ento, a necessidade de trocar duas linhas
ou multiplicar uma linha por uma constante no nula? Os dois exemplos
seguintes respondem primeira dessas perguntas. Mais adiante responderemos
segunda.

Exemplo 1.9. Se tentarmos aplicar a eliminao gaussiana ao sistema

[? illiHl
o algoritmo falhar no primeiro passo, pois haver uma tentativa de diviso
um
por zero, ja'. que temos um piv nulo (melhor dizendo, um candidato a piv,
j que, por deiinio, um piv no pode ser nulo). A soluo bvia trocar a
primeira e a segunda linhas para obter o sistema equivalente

1 1 131 _ 2
0 ]. 32 _ 1 ,
que j. est na forma escalonada e cuja soluo e x = [1 1]T. II]

Quando aplicamos o mtodo de eliminao de Gauss com preciso infinita,


isto , quando usamos fraes e razes sem aproximar ou arredondar nmeros,
a troca de linhas somente necessria quando o candidato a piv um zero,
como no exemplo acima. Em geral, entretanto, resolveremos Sistemas lineares
. _ _
com o uso de computadores, que arredondam e aproximam os
c01sas podem se comphcar... Vejamos o exemplo a seguir,
nmeros, e as

Exemplo 1.10. Aplicando a eliminao gaussiana ao sistema

Ax=l llllmzllil,
0,00011 x,
(1.18)
51.4 Eliminao Gaussiana com Pivotamento Parcial 39

obtemos a matriz aumentada


0,0001 1 1
0 9999 9998
e calculamos 99 8
9 9998
552 ng % N 0,99990.
Uma retrossubstituio nos da

1
1 1 1 9998
__ _ 10000
= 0,0001(

(9999)) _ 9999 LOOOL


e temos, assim, a soluo exata do sistema: x = [% %%]T. No entanto, se
o valor de 5132 for arredondado para 1, a retrossubstituio nos dar
1
5131
_ 0,0001(1 _ 1(1)) _ ,
uma soluo (x % [0 1]T) completamente diferente da soluo exata.
Para corrigir este problema, inspiramonos no Exemplo 1.9 e realizamos
uma troca de linhas. Isso nos sugere uma modificao no mtodo de Gauss:

Cada candidato a piv deve ser comparado aos outros candidatos


na mesma coluna, escolhendo-se o de maior valor absoluto.

Essa modificao conhecida como eliminao gaussiana com pivotamento


parcial.
De volta ao exemplo numrico, a matriz escalonada aumentada do sistema
torna-se, assim,
1 1 2
0 0,9999 0,9998 7
nos dando 5,32 = 333%
% 0,99990. Mas agora, se aproximarmos esse valor para

232 % 1 e o substituirmos na primeira equao, obtemos o valor

x1=%(21(1))=1,
40 Sistemas de Equaes Lineares Captulo 1

perfeitamente aceitvel como aproximao, e no mais 5131 = 0, encontrado Pl


mtodo de eliminao de Gauss sem pivotamento parcial. ,
O leitor deve perceber que o nmero 0,0001 pode ser substituido por
um
menor ainda at aproximar-se da preciso da mquina utilizada. Tambem deve
ser claro que tal nmero no precisa ser dado inicialmente, mas pode prov1r
de outros clculos previamente executados. D
0 Exemplo 1.10 notvel. Mas por que uma simples troca de linhas teve
resultados to impressionantes na soluo do sistema? Para entender o que
aconteceu, voltemos a matriz aumentada escalonada original, antes da troca
de linhas:

[ 0,0001 1
|
0 9999 9998 '
1

Se multiplicarmos a primeira linha por 1000, obtemos:


l
1 10000 10000
0 9999 9998 '

Observemos que o coeficiente de crl igual a 1, mas o erro de arrendondamento


que cometermos na incgnita mg ser multiplicado por 10000. Isso foi catas
trfico para o clculo de 931. O mesmo no ocorre se utilizarmos o pivotamento
parcial, pois teremos
1 1 2
0 0,9999 0,9998 ,
e o erro de arredondamento na incgnita 332 ser multiplicado por 1, que da
mesma ordem de grandeza do coeficiente da incgnita crl.
O pivotamento parcial consiste em, a cada passo da eliminao gaussiana,
efetuar uma troca de linhas da matriz (aumentada, se for o caso) do sistema
de forma a escolher como piv o elemento de maior valor absoluto de cada
subcoluna em questo. Dizemos subcoluna, pois os candidatos a piv devem
ser procurados apenas nas linhas nas quais ainda no existem pivs, isto ,
abaixo da diagonal principal.
A nomenclatura adotada exige uma observao. Existe uma eliminao
gaussiana com pivotamento completo, ou total, na qual a comparao feita
com todos os elementos da submatriz inferior, mas isso torna a eliminao
de Gauss computacionalmente mais custosa e pouco acrescenta em termos de
estabilidade, no sendo, portanto, muito utilizada.
51.4 Eliminao Gaussiana com Piuotamento Parcial 41

. Agora que conhecemos a necessidade de trocar linhas na matriz de um


Sistema para resolvlo, veremos um exemplo numrico de como encontrar a
forma escalonada de uma matriz usando matrizes elementares.
Para nao sobrecarregar a notao, as matrizes elementares do tipo E,(oz) e
Ei(a) serao representadas, at o final desta seo, por E, E1, E2, etc. Aqui,
interessanos somente ressaltar a diferena entre matrizes elementares triangu
lI'GS (El) e Eij(0l)) e no triangulares (P,-j).
Exemplo 1.11. Buscaremos, neste exemplo, a decomposio LU da matriz
0 1 5 4 3
A: 430 0 1 ; N C D VI X
1rliM
Como o candidato a piv da primeira linha zero, temos que efetuar uma troca
de linhas. O pivotamento parcial pede que o piv seja o candidato de maior
valor absoluto e poderamos trocar a primeira linha com a segunda, terceira
ou quarta linhas. Seguindo a ordem usual do mtodo de eliminao de Gauss,
trocaremos a primeira com a segunda linha. Ento,
"0100 01543
1000 12345
P12A=0010 12389
,000112497
"12345
_ 01543

12389
_12497
Prosseguindo com a eliminao gaussiana, obtemos:
1000 12345
0100 01543
E2E1P12A=E 1010 12389
000112497
100012345
0100 01543
: 0010 00044
=100112497
42 Sistemas de Equaes Lineares Captulo 1

HliO ?xlFOD oms -&% 105-.Dx[


E novamente precisamos de uma outra troca de linhas, agora a terceira com
a quarta:

100012345
0100 01543
P34E2E1P12A= 0001 00044
L0010 00152
'12345
01543
00152U,
_00044
concluindo assim a eliminao gaussiana. Observe, no entanto, que

H O C DO H
() 0
_ _ _ _ 1 0
P121E11E21P341= 1 1
1 0
no uma matriz triangular inferior e, portanto, a matriz A no possui uma
decomposio LU.
Todo o problema provm do fato de utilizarmos as matrizes de permutao
Pm e P34 para executar as trocas de linhas. Assim, o produto P34E2 no
mais uma matriz triangular inferior. Mas um golpe de sorte vem em nosso
auxlio, Observemos que o produto
'100051000 1000
_ 1_ 0100 0100 0100
P34E2P340001 0010 0001
_0010_1001 0010
71000
_ 0100
-1010
_0001
51.4 Eliminao Gaussiana com Pivotamento Parcial 43

e uma matriz triangular inferior. De maneira anloga, P34E1P311 tambm


uma matriz triangular inferior e podemos reescrever o produto P34E2E1P12
como

P34E2E1P12 : (P34E2P321)(P34E1P321)P34P12 : EEP34P12,


sendo que
E P34E2 321
: e Ei P34E1P321
:

sao matrizes triangulares inferiores. Assim, o produto de suas inversas uma


matriz triangular inferior:

L = (Ei)"1(E)1-
Se, por fim, denominarmos P o produto das matrizes de permutao, isto ,
P : P34P12 7
obtemos
PA = LU .
Ou seja, a matriz A no possui decomposio LU, mas a matriz PA possui. |Z]

Referimonos fatorao acima como decomposio PA = LU, ou simples


mente decomposio LU, como anteriormente, j que podemos pensala como
um caso da decomposio LU em que permutamos previamente algumas linhas
da matriz A.
Em tempo: cada caso deve ser estudado cuidadosamente e o estudante no
deve fazer generalizaes indevidas. Se, por exemplo, a eliminao de Gauss
em uma matriz A necessitou de trs matrizes de permutao P1, P2 e P3 e
outras trs matrizes elementares E1, E2 e E3 na seguinte ordem
E3P3E2P2E1P1A = U,
podemos agrupar as matrizes de permutao da seguinte forma

aaaaaa=maaa,
sendo
E=E3, E=P3E2P3-1 e E=P3P2E1P2_1P3'1.
44 Sistemas de Equaes Lineares Captulo 1

Com um pouco de treino, podemos manipular qualquer arranjo de matrizes


elementares para conseguir a decomposio PA = LU. Mas como func1ona o
golpe de sorte? Podemos afirmar que o produto

PijEPi;1
uma matriz triangular inferior?
A resposta no, nem sempre.
De fato,
0 1 0 1 0 0 0 1 0 1 2 0
P12E21(2)Pf21= 100 210 100 = 010
0 0 1 0 0 1 0 0 1 0 0 1
(1.19)
Se o procedimento depender de sorte, no poderemos adotalo. Mas o fato,
que demonstraremos a seguir, que o produto Fi,-Ekp(a)P,.1 uma matriz
triangular inferior sempre que a sequncia l,-jEkp(a) provier do mtodo de
eliminao de Gauss.
A sequncia da equao (1.19), por exemplo, nunca ocorre no mtodo de
eliminao de Gauss. Para mostrarmos isso, consideremos que, durante uma
eliminao gaussiana, a multiplicao de uma matriz intermediria A' pela
matriz elementar Ekp(a) seja seguida pela multiplicao por uma matriz l,-j,
com i < j . Sabemos (pela matriz Ekp(a)) que h. um piv na psima linha
matriz A , assim p < i < j, obrigatoriamente. Ou seja, a psima linha da
matriz intermediria A' por possuir um piv no poder mais ser objeto
de permutao de linhas.
Isso posto, podemos enumerar as trs situaes nas quais P,, e P,? afetam
a matriz elementar Ekp(a).
Se k = i, a ser movido da posio (i,p) para a posio (j, p) pela mul
tiplicao por P,], e permanecer na posio (j, p) no produto P'jEiPm)P.51.
Esquematicamente:
colunas: p i j

linha i: a 1 0
Ei (a) = RE;: (0!
linha 3":
51.4 Eliminao Gaussiana com Pivotamento Parcial 45

colunas: p i i

linha i:
_91_
PijEip(a 3 .
inha _]: a 1
..
0
., ,
p. 'E-.,.(a)p-1

colunas: p i j

linha i:
H,E,,,(a)P,-;1
,
> linha j: a O 1

sendo que somente os elementos de interesse foram representados.


Se k j, ou ser movido da posio (j, p) para a posio (i, p) pela mul
=

a)P-1 .
tiplicao por l,-,, e permanecer na posio (i, p) no produto P,,E,,,(a
Esquematicamente:

colunas: p i j

linha i: 1 0
Ejp() =
''
- BjEij
linha j: a
colunas: p i ]

linha i: a .. . 1
H,E,-,,(a) RJEJP(a)P"'J
linha j :
46 Sistemas de Equaes Lineares Captulo 1

colunas: p i j

linha i: Q
PijEjp()Pi;1 .
'
.
>
linha j: 0 1

Se k # i e k # j , a posio de a no ser afetada nem pela troca de linhas


e nem pela posterior troca de colunas. Apenas o 1 da posio (i, i) trocar de
lugar com o 1 da posio (j, j ), como nos casos anteriores.
Em todos os casos, a matriz P,,Ekp(oz)P,-_-1 ser uma matriz (elementar)
triangular inferior, como queramos demonstrar.
No caso de uma matriz elementar do tipo E;,(oz), fcil mostrar que o
produto P,,- E,y,(0z)P,-",T1 ainda uma matriz diagonal e deixamos a demonstrao
a cargo do leitor.
O que foi feito at agora nos mostra, por construo, que qualquer matriz A
que no necessite de troca de linhas em seu escalonamento pode ser decomposta
na forma A = LU, sendo que L uma matriz quadrada triangular inferior
e U uma matriz triangular superior com as mesmas dimenses de A. Se
houver necessidade de trocar linhas, podemos proceder como no exposto acima
e decompor a matriz na forma PA = LU, sendo P uma matriz (produto
de matrizes elementares do tipo l,-,) que troca (vrias) linhas de A. Isso
enunciado no teorema abaixo.
.. ='*"'mifTV'Kffs'''- ?"-''f'"'"'aff * "

&eor ma 1.3. foda matriz possui ma decompOSIao U, a menosde troca


"
ar":.n;;rxtw'w*f
*
sxrs*? srin/vzwgewx w? . ' .=? 5 7 '- ***:*-

%de linhas. Isto , qualquer matriz A pode ser decomposta na forma


i
's .

PA=LU,
?endo P uma matriz de
permutao de linhas, L uma matriz quadrada trid
angular inferior com diagonal principal unitaria e U uma matriz triangula ;,
W A M.
zm. "*

gperior comas mssnlas..ilnellss.sie, A#...


+
*.?

,vxwwf. W : - .:.-az,. =:-


".. . ...s. .=. ...f . 1.3.4
E.,

Por fim, podemos aplicar a Proposio 1.1 sucessivas vezes para mostrar
que ambas as matrizes P e L so invertveis, j que so produtos de matri-
zes elementares. J a invertibilidade da matriz U, no caso de ser uma matriz
51,4 Eliminao Gaussiana com Piuotamento Parcial 47

qufhlda depender da invertibilidade da matriz A, como nos mostra a pro


p081ao abaixo.

1:2:2's*35343333333 3533333 5513"'335513383535'1.0""dad


Qroposio
srTWA seramvertwelseesomentese. U fr.. 1nvertlvel ...-r
Demonstrao. Se A possuir inversa A, ento, como P invertvel,
1 = A1A = A-1(P1LU) = (AlPLW ,

i.e., U ser invertvel, com inversa dada por A'lP'lL.


Reciprocamente, se U for invertvel e, j que L invertvel, temos que

1 = U-IU = U-1(L-1PA) = (U'1L"1P)A,

isto , A ser invertvel, com inversa dada por U1L'1P. []

Algumas observaes finais: apesar no possuir uma definio formal de es-


tabilidade o que fugiria do escopo deste livro , o leitor pode perceber que
o pivotamento parcial acrescentou estabilidade ao mtodo de Gauss, no sentido
de que encontrou uma resposta aproximadamente correta a uma pergunta apro-
ximadamente correta, ou seja, encontrou uma soluo aproximada para uma
perturbao (sistema (1.18)) do sistema original (1.17). A estabilidade alcan
ada, entretanto, no em termos absolutos, isto , o mtodo de Gauss com
pivotamento parcial ainda instvel para algumas matrizes especiais, como
exempliiicado no Exerccio 1.4.4.
No entanto, aps vrias dcadas de clculos numricos intensos, a insta-
bilidade explosiva, apresentada nos Exerccios 1.4.3 e 1.4.4, jamais surgiu na-
turalmente, aparecendo somente em exemplos especialmente escolhidos para
provoca-la. Podemos chamar esse fenmeno de estabilidade estatistica do m-
todo de eliminao gaussiana com pivotamento parcial, que pode, assim, ser
usado sem mais ressalvas. Uma discusso interessante sobre isso pode ser
encontrada em [34].
A estabilidade do pivotamento parcial depender da matriz em questo e
est relacionada ao nmero de condio da matriz, definido por

o(A) = MANHAlll.
48 Sistemas de Equaes Lineares Captulo 1

para uma matriz invertvel A. Estudaremos a norma de uma matriz (||AH) no


Captulo 3. Se considerarmos a norma euclidiana induzida (ver Definlao 3.5),
o nmero de condio de A ser o quociente entre o maior e o menor valor
Singular de A (ver Seo 5.7):
01
a(A) = .
Un
Se o nmero de condio de uma matriz e muito elevado, dizemos que a matriz
mal condicionada. No o objetivo deste livro se aprofundar nesses assuntos,
mas mostraremos duas matrizes mal condicionadas nos Exerccios 1.4.3 e 1.4.4.
O leitor interessado pode encontrar mais sobre matrizes mal condicionadas em
[10], [34] e [7]. '

EXERCCIOS
1.4.1 Encontre, utilizando o mtodo de eliminao de Gauss com pivotamento
parcial, a soluo geral do sistema Ax = b, circulando os pivs na matriz
escalonada e indicando as variveis bsicas e livres em cada caso:
1 2 1 7

_3 2 2 14
'1 1 1 1

_2 1 1 3
'1
2 5 4 3
c.A= 2 4 4 3 e b= 9
_3 6 1 8 10
1.4.2 Considere dada a decomposio PA = LU de uma matriz A, sendo P I.
Explique como encontrar as solues dos vrios sistemas Ax : b, para
=
diferentes vetores b.
1.4.3 Ser necessrio o uso de uma calculadora. Considere o Sistema
1 L L 2_2_1
10 200 200
ml
1 1 1
AX= 10 200 sem 962 = %% = b.
363
_1_. __1__ 1 643
200 3000 40000 120000
51,4 Eliminao Gaussiana com Pivotamento Parcial 49

Resolva o sistema acima utilizando o mtodo de eliminao de Gauss com


pivotamento parcial (observe que no ser necessrio trocar linhas) e arit
mtica fracionria. Isso o levar soluo exata x = [1 l llT- Agr,
usando uma calculadora, arredonde as fraes para 4 casas decimais. Re
calcule a soluo do sistema e veja que, mesmo com pivotamento parcial,
a soluo aproximada muito diferente da soluo exata. Este fenmeno
decorre do fato de a matriz A ser mal condicionada.
1.4.4 Um exemplo conhecido de matriz mal condicionada a matriz de Hilbert:

lii+j1,
"
1 12,...,n].
parai,]6[, "

Por exemplo, para n = 3,


1 l l
2 3

H: 1 l l
2 3 4
1
1 1
3 4 5
No GNU Octave, podese criar matrizes de Hilbert com o comando hilb (N),
sendo N a dimenso da matriz. Faa o seguinte experimento usando o GNU
Octave:
H hilb(10);
x ones(10,1);
b H*x;
0 round(10000*b)/10000;
Y = HXc
Compare x e y. Apesar do arredondamento do vetor b (i.e., o vetor e) ter
sido na quarta casa decimal, a soluo do sistema Hy = c (calculada pelo
mtodo de Gauss com pivotamento parcial) muito diferente da soluo
exata x.
1.4.5 Encontre, utilizando o mtodo de eliminao de Gauss com pivotamento

c o a .- =
parcial, a decomposio P A = L U de
2 1 1
3
A::
a c o l h - :. ol a r
9
9
50 Sistemas de Equaes Lineares Captulo 1

1.4.6 Supondo que nenhum elemento de A seja nulo, quais so as condioes. para
que no haja troca de linhas no escalonamento com pivotamento par 0131 d
matriz
a b c
A: d e f ?
g h i
Quais so as possveis formas escalonadas de A?
,
1.4.7 De um exemplo, com matrizes
A '
4 x 4, em que o produto PijEij (MPU_1 e uma
matriz triangular inferior.
. ..
1.4.8 De,. um exemplo, com matrizes 4 >< 4, em que o produto Fi,-Ei,- (a)P,,-_1 nao
uma matriz triangular inferior.
1.4.9 Mostre que P,? = P,? = Fi,-.
1.4.10 Considere uma matriz P que troca vrias linhas, no sendo, portanto, uma
matriz elementar. Encontre Pl.
1.4.11 Seja A uma matriz diagonal cujos elementos de sua diagonal principal so
A1, A2, . . . , An, nessa ordem. Seja B uma matriz diagonal cujos elementos de
sua diagonal principal sejam os mesmo de A, mas em outra ordem. Mostre
que B = PAPT, para alguma matriz P que permuta linhas.

1.4.12 Exemplifique os trs casos apresentados na explicao do golpe de sorte


com matrizes elementares 6 >< 6.
51.5 Aplicao: Mtodo de GaussJordan 51

1.5 Aplicao: Mtodo de Gauss-Jordan


No h, claro, aplicao mais usada do mtodo de eliminao de Gauss
do que a resoluo de sistemas de equaes lineares. Entretanto, ele pode ser
estendido e, assim, fornecer uma aplicao bastante til, que veremos a seguir.
Como j deve estar claro ao estudante, h diversas formas de escalonar
uma matriz e sua forma final depende das trocas de linhas e multiplicao
de linhas por escalares no nulos que foram realizadas.Uma vez obtida uma
forma escalonada (qualquer que seja ela), podemos encontrar a soluo geral
de um sistema linear consistente associado pelo processo de retrossubstituio.
!

E claro que a retrossubstituio trivial se a matriz escalonada for diagonal,


como, por exemplo,
2 0 4
0 3 3 ,
que nos d a soluo cel = 2 e 232 = 1.
No entanto, nem toda retrossubstituio to simples e podemos indagar se
no existe uma forma escalonada (minima,, isto , uma matriz escalonada que
implique num nmero mnimo de clculos na retrossubstituio. Esta forma
existe, nica e chamada de forma escalonada reduzida por linhas.

O mtodo para chegarmos a forma escalonada reduzida por linhas de uma


dada matriz o mtodo de eliminao de Gauss-Jordan, que, resumidamente
uma eliminao gaussiana levada mais adiante, ou seja, alm dos passos
da eliminao gaussiana, normalizamos todos os pivs para 1 e, atravs de
combinaes lineares entre linhas, introduzimos zeros acima dos pivs. Essa
variao do mtodo de Gauss foi introduzida pelo engenheiro alemo Wilhelm
Jordan (*1842 - 11899).
Omitiremos a prova da unicidade desta matriz, ilustrando o mtodo com
exemplos.

Exemplo 1.12. Consideremos a matriz A do Exemplo 1.5 e sua decomposio


Captulo 1
52 Sistemas de Equaes Lineares

LU:

Como os pivs j sao unitrios, no precisamos multiplicar nenhuma das linhas.


N

No entanto, precisamos introduzir zeros acimas do segundo e terceiro pivos.


Assim:

E23(2)E13(13)E12(4)U =

30 14 13 28
3 6

10
"10 13 0 1 3 0 14 13 28
0 0 1 3 2

l
0

: E23(2)
0 1
0
_

'
1 30 14 37
51.5 Aplicao: Mtodo de Gauss-Jordan 53

13014037
_001 30 4 -
000 01 5=U7
000 00 0

onde a forma escalonada reduzida por linhas de A.


fcil perceber que a soluo geral de um sistema consistente associado,
'
por exemplo, Ax _ O, expressa por

122 ]. O 0
X = x
(134
= 162 O0 + 124 31 + 336 4O ,
275 O O 5
176 0 O 1

j que cada linha no nula s contm uma varvel bsica a correspondente


ao piv da linha em questo. E]

No prximo exemplo procuramos a forma escalonada reduzida por linhas


de uma matriz quadrada A.

Exemplo 1.13. Considere as operaes elementares sobre a seguinte matriz


invertvel:
123 12 3 1 2 3
A: 147 >-> 02 4 O 1 2 >
225 001 001
123" 1 0 1 100
> 012 > 01 2 > 012 >
00 1_ 00 1 00 1
100-
> 010 =U=I.
001_
E, grupando as matrizes elementares usadas na matriz

E:E23(2)E13(1)E12(2)E3( 1)E2(1)Esz(3)E31(2)E21(1)
54 Sistemas de Equaes Lineares Captulo 1

3 2 1
=
5
33 2
1.
.
temosEA=I. D

A matriz E portanto a inversa da matriz A e a aplicao mais til do


mtodo de GaussJordan o clculo de inversas. A forma escalonada reduzida
por linhas de uma matriz invertvel sempre a matriz identidade, como nos
mostra a proposio abaixo.

eroposio
'WWWWSWW' _
1.3.Seja A uma matriz quadrada. serinvertvel se, esoment;
., _WWW QWNM .

sua forma escalonada reduzidapor linhas for a matriz;identidade


X" -_v . ir. ...
'

Demonstrao. Suponhamos que A seja n >< n e que sua decomposio LU seja


dada por PA = LU. Se a forma escalonada reduzida por linhas de A for a
matriz identidade, ento A ser invertvel e sua inversa ser dada pelo produto
das matrizes elementares usadas para transformar A na matriz identidade.
Reciprocamente, se A for invertvel, ento, pela Proposio 1.2, U ser in-
vertvel. A matriz escalonada U dever possuir n pivs, pois, caso contrrio,
pelo menos uma das linhas (a ltima, obrigatoriamente) deveria ser composta
apenas por zeros e assim o 1 na posio (n, n) da matriz identidade jamais
poderia ser obtido no produto UU 1 = I , que o produto da nsima linha U
pela nsima coluna de U 1. Mas se U possuir n pivs, cada coluna de U pos-
suir um piv e poderemos usar o mtodo de Gauss-Jordan para transformar
cada piv em 1 e cada elemento acima de um piv em zero. Isso significa que
a forma escalonada reduzida por linhas de U (e portanto de A) ser a matriz
identidade. [:|

Uma forma compacta de encontrar a inversa de uma dada matriz A


escrever, lado a lado, a matriz A e a matriz identidade [ e transformar a
matriz A na matriz identidade atravs de operaes elementares sobre linhas.
As mesmas operaes elementares aplicadas a matriz identidade transform
lao na matriz inversa de A. Isso no passa, claro, de uma forma sinttica
do mtodo de GaussJordan.
51.5 Aplicao: Mtodo de Gauss-Jordan 55

Exemplo 1.14. Tomando a matriz do Exemplo 1.13:


123 100 123 1.00
[MH= 147()10 = ()24_110
=225 0()1
=
225()01
12 3 100 12 3 1 00
02 4110 = 02 4-4 10 =
-10611 201 00-4 5-31
12 3 1 00 123 10 0
= 01 2-3
%0 = 012-33 0 =
1001 531 ()01-531
10-1 2-1 0 113032-1
=012%%0=012%%0=
_00 15 3-1 0()1-531
100 4 21
= 010 l% 2 =[I|A1],
_001 % 3=1
como esperado.
Enfim surgiu a necessidade de usar as matrizes elementares do tipo E,(a).
So essas matrizes que tornaro os pivs unitrios. Como esse tipo de matriz
um caso especial de matriz triangular j que uma matriz diagonal ao
mesmo tempo triangular inferior e superior , no precisamos acrescentar
nada ao que aprendemos sobre a decomposio LU.
Entretanto, podemos criar uma nova fatorao matricial, a decomposio
LDU, que consiste em acrescentar a decomposio LU a normalizao dos
pivs. Vejamos um exemplo.
Exemplo 1.15. Dada a decomposio LU
123 100 12 3
A: 147 = 110 02 4 =Lw
=225 =231 00-1
basta fazer
()0 1 00 10 0
D: 011) 0C)0 01 0 .
001 00 1 00(3
56 Sistemas de Equaes Lineares Captulo 1
. . .
usando os pivos da matriz escalonada para obter a matriz diagonal D . A ssim,
' '

100 100123
A: 110 02 0 012=LDU,
231 001001
abusando um pouco da notao e chamando a nova matriz triangular superior
ainda de U. E

EXERCCIOS
1.5.1 Encontre, se existirem, as inversas das seguintes matrizes, utilizando o me-
todo de GaussJordan:

34 12-54
'
_21' d25127
'35178
l1-21 : 1174
b.2-14. 121
332 e.214
'
_335
i8 42 "111
c 431 f111
_820 _222
1.5.2 Encontre a decomposio de Chales/cy, a partir da decomposio LDU da
matriz simtrica real
1 2 4
A = 2 6 10
4 10 21
Isto , encontre uma matriz triangular superior R tal que A : RTR Nem
toda matriz simtrica possui essa decomposio (ver, por exemplo, [10]).
1.5.3 Para a1a2a3a4 # 0, encontre a inversa da matriz
O 0 0 al
_ O 0 0.2 0
D_ 0 a;; 0 0
a40 0 O
51,5 Aplicao: Mtodo de GaussJordan 57

l D O G N O C c o .- a w a n > - .A
1.5.4 Encontre a inversa da matriz

A;:

Generalize para uma matriz n >< n.


1.5.5 Encontre a inversa da matriz

|_A

il N
.]mtilaD*!IA
lHiIc-v nhoicl*-
1
5
t H A i * l C -HhI
K]
|

Note que todos os elementos da inversa so inteiros. O mesmo ocorre para


o anlogo n >< n.
1.5.6 Usando operaes elementares, prove que

A=1 # 1
ab
cd

ser invertvel se, e somente se, ad bc 0.


encontre a inversa de
[
1.5.7 Utilizando o mtodo de Gauss-Jordan,
R9 : cos - send
sen 0 cos 0
] .

ade
1.5.8 Encontre, de duas maneiras diferentes, & invers
1 0 0 0
G2 1 0 0
0 1 0
A= s

anl
58 Sistemas de Equaes Lineares Captulo 1

1.5.9 Mostre que (AT)"1 = (A_1)T-


?
1.5.10 Mostre que, para A e B matrizes n >< n, (I BA) ser invertvel se, somente
se, (I AB) for invertvel, sendo (I BA)1 = I + B(I AB) A.
1.5.11 Demonstre, se a afirmao for verdadeira, d um contraexemplo, se falsa.
Todas as matrizes so quadradas de mesmas dimenses.
a. Se B for a matriz que resulta da troca de duas linhas de A e A for
invertvel, ento B ser invertvel.
b. Toda matriz quadrada pode ser expressa como o produto de matrizes
elementares.
c. Se AB = 0 e A for invertvel, ento B = 0.
d. O sistema homogneo Ax = 0 possuir infinitas solues se, e somente
se, A no for invertvel.
e. O sistema no homogneo Ax = b possuir infinitas solues se, e
somente se, A no for invertvel.
1.5.12 Mostre que, para o sistema Ax = Ax possuir soluo no trivial (i.e., x # 0),
a matriz (A AI ) no poder ser invertvel.

1.5.13 Seja A uma matriz quadrada que possui um nico elemento no nulo em
cada coluna e em cada linha, que pode ser 1 ou 1. Mostre que existe um
inteiro positivo q, tal que Aq = I.
2
Espaos Vetoriais
O mtodo de eliminao de Gauss, introduzido no Captulo 1 para resol
ver sistemas de equaes lineares, mostrar-se- muito mais poderoso, neste
captulo, revelando estruturas abstratas inerentes as matrizes.
Os conceitos de espao e subespao vetoriais so a chave para a compreen-
so dessas estruturas. Assim, a primeira seo do presente captulo apresentar
as definies gerais de espaos e subespaos vetoriais. Os conceitos de depen
dncia e independncia linear, base e dimenso sero introduzidos na Seo
2.2. A partir desses conceitos, usaremos o mtodo de eliminao de Gauss,
na Seo 2.4, para revelar de que maneira uma matriz estrutura os espaos
vetoriais a ela relacionados: conheceremos ento os subespaos fundamentais
de uma matriz. Na quinta seo, a estrutura dos subespaos fundamentais
de uma matriz revelar propriedades dos sistemas lineares a ela associados,
alm das condies para a existncia de sua inversa. Fechase assim um cr-
culo: partindo de um mtodo concreto (eliminao de Gauss) para resoluo de
sistemas de equaes lineares, descobrem-se estruturas abstratas (subespaos
fundamentais) da matriz do sistema linear associado e essas estruturas, por
sua vez, fornecem informaes sobre a resolubilidade do sistema (concreto).
Encerra-se o captulo com uma aplicao dos conceitos apresentados a um
exemplo proveniente da Teoria dos Grafos.

2.1 Espaos e Subespaos Vetoriais


O leitor j conhece, da Geometria Analtica, pelo menos dois espaos veto
riais, o R2 e o R3, que contm os vetores do plano e do espao, respectivamente.
Um espao vetorial uma estrutura algbrica e como tal possui propriedades

59
60 Espaos Vetoriais Captulo 2

que a definem. Buscaremos inspirao nos vetores do plano e do espao +

que so de simples visualizao para encontrar as prOPFIEddes necessarias


definio dessa estrutura.
Um espao vetorial deve conter pelo menos um objeto para ser chamado
de vetor, ento consideraremos somente conjuntos no vamos.
Combinar vetores do R3 que representam grandezas fsicas (e.g., velocidade
ou fora) para encontrar uma resultante fundamental para aplicaes a Fi-
sica. Desejamos, assim, que nossa estrutura possua uma operao, chamada
de adio vetorial, que combine dois elementos do espao vetorial, gerando
um outro elemento do espao diz-se ento que o conjunto fechado nessa
operao.
O dobro de uma velocidade v representado no espao tridimensional por
uma flecha com o dobro do comprimento da que representa a velocidade origi-
nal, escrevendose 2v. Mover-se com a mesma velocidade (em valor absoluto),
na mesma direo, mas em sentido oposto representado pelo vetor v. As-
sim, desejamos uma outra operao, denominada multiplicao por escalar,
para a qual o conjunto dos vetores tambm seja fechado. necessrio, por-
tanto, incluir na estrutura um conjunto de escalares: os entes matemticos que
podem ser chamados de escalares so elementos de um corpo. A deHnio de
corpo est no Apndice B, mas neste livro faremos uso somente do corpo dos
nmeros reais (R) e do corpo dos nmeros complexos ((C).
Estes so os quatro ingredientes de um espao vetorial: um conjunto no
vazio de vetores, um corpo de escalares, uma operao de adio de vetores e
uma operao de multiplicao de escalar por vetor. Para ambas as operaes
acima o conjunto de vetores fechado, ou seja, a soma de dois vetores do
conjunto um vetor do conjunto e o produto de um escalar por um vetor do
conjunto tambm um vetor do conjunto.
Alm disso, algumas propriedades dessas operaes so desejadas. A ordem
da adio dos vetores bem como a maneira de agrupar diversas adies no
importam. Assim, a adio deve ser comutativa e associativa.
Para cada vetor v do conjunto, queremos que o vetor oposto (v) tambm
esteja no conjunto e, assim, deve existir um vetor nulo que represente a soma
v + (=V)-
Desejamos ainda que, por exemplo, o sxtuplo de um vetor v seja o dobro
do triplo de v (isto , 6v = 2(3v)); que o dobro da soma u + v seja a adio
dos dobros de u e v (ou seja, 2(u + v) = 2u + 2v); e que o quntuplo de v seja
52,1 Espaos e Subespaos Vetoriais 61

a adio do dobro com o triplo de v (isto , (2 + 3)v = 5v).


Por fim, como um corpo possui sempre um elemento neutro da multiplica
o (a unidade 1), no desejamos que nenhum vetor seja modificado quando
multiplicado pela unidade, ou seja, 1v = v.
O exposto
acima est resumido na seguinte definio:
.,
Umespao vetorial consiste de
:?:-sv; :$wmMsiz w *:*LW$'
'" i .,.+ nus,, WQ ??.DE; .., "as..."... wxW'i-n'ab'ra,
"P" :( mis wvg"1, F., Misturaqff. ,,,-.,], fm,-,,. ;zz-fr"'.vayf-v,v
.
gDefinio 2.1.

A
E]
i. um conjunto no vazio V, cujos elementos so chamados de vetores;

.ia:-136
3
? a
ii. um corpo IF de escalares; . s a -;

352 _
.

iii. uma operao, chamada adio vetorial, que associa dois vetores u e
,.

sa-e.
+ V em V ao vetor 11 + v em V;

iv. e uma operao, chamada multiplicao por escalar, que associa um


escalar or 6 ]F e um vetor u 6 V ao vetor ou em V,

que obedecem s seguintes propriedades, Vu, V e Va, B e F:


av.z:.,,um

V, W 63
.=

,,

1. u + v = v + 11 ,
(comutativa);
2. 11 + (V + W) = (u + v) + W (associativa);
3. existe um (nico) vetor 0 em V, chamado de vetor nulo, tal que

,
i
; 11 + 0 = 11 (elemento neutro);
4. existe um (nico) vetor u em V tal que u + (==u) : 0 simtrico);
5. (07,8)u = a(u) (associativa);
: 6. a(u + v) = au + ozv (distributiva);
'; f 7. (a + 6)u = au + [311 (distributiva);
, 8. lu : u (unidade) ;,
naammaaaaaawwwiawraw_,,..-w..-,w. ,-...--4-
= ,em; ..aliuq &
A unicidade do vetor nulo evidente, pois, se 0 e 0' forem vetores nulos de
um mesmo espao vetorial, ento
0'=0'+0=0+0'=0.
62 Espaos Vetoriais Captulo 2

O simtrico de cada vetor u tambme nico (ver Exerccio 2.1.8).


claro e mostraremos a seguir que os vetores do R3 (e do R2) obede-
cem a todas as condies da Deiinio 2.1, formando, com a adio vetorial e
multiplicao por escalar usuais, um espao vetorial sobre o corpo dos nmeros
reais. Apesar do R2 e do R3 serem os exemplos mais naturais, podemos formar
outros espaos vetoriais com os mais diversos entes matemticos. Por exemplo,
matrizes, polinmios ou funes formam espaos vetoriais e os vetores desses
espaos so matrizes, polinmios e funes, respectivamente. Vejamos alguns
exemplos instrutivos.

Exemplo 2.1. Os pares ordenados de nmeros reais u = (u1,u2) formam um


espao vetorial (R2) com as operaes de adio vetorial

u+v=(u1+fvl,u2+'v2) (2.1)
e multiplicao por escalar

au = (au1,'au2) (2.2)
sobre o corpo dos reais. De fato, Vu,v,w & R e Va, B e R:
. u+V = (ul +01, uz +02) 6 R, pois tanto ul +v1 quanto uz +02 so reais;
e au : (au1,au2) & R, j que aul, auz 6 R, garantindo o fechamento.

A adio comutativa, pois


u+v=(u1 +?)1,U2+'U2) : ('01 +u1,v2+u2) =V+u,

j que a adio no corpo dos reais comutativa.


A adio tambm associativa:
u+(v+w) = (u1,u2)+(vl+w1,fu2+w2) :
= (U1+U1+w1,U2+vz+w2)=
: (u1+v1,u2+o2)+(w1,w2) : (u+V)+W,

pois a adio de nmeros reais associativa.


O vetor nulo 0 = (0,0), j que
u+0= (U1,U2)+(0,0) = (u1+0,u2+0) : (Tl/1,162) =U.
52.1 Espaos e Subespaos Vetoriais 63

. O Simetrico do vetor 11 = (u1,u2) u = (U1, _00), Pis

+ (u) : (1,U2)+ (u1,u2) = (ul u1,u2 uz) = (0,0) = O.

(amu = (05114, 045%) = 045%, Bz) = a(Bu)-


As propriedades distributivas tambm so obedecidas, pois
a(u + v) = a(u1 + fu1,u2 + '02) = (a(U1 + '01), a(uz + W)) =
= (aul + aol, omg + owz) =
: (auliauz) +(oz'u1,cwz) = au + av;

bem como

( + mu = ((a + B)u1,(a + B)uz))=(au1 + Bul, au2 + pa,) :

= (h Guz) + (BU/1367112) = au + Bu.

Por fim,
lu = 1(u1,u2) = (111,1, luz) = (u1,u2) = u.

O leitor deve estar atento para diferenciar a adio vetorial definida para
o espao vetorial em questo , como, por exemplo, em u+v, e a adio entre
nmeros reais, como em ul +u2, por exemplo. No Exemplo 2.6, isso ficar bem
claro. []

Exemplo 2.2. Os vetores u = [ul uz . . . un]T do IR" formam um eSpao


vetorial com as operaes de adio vetorial
u+v=['u,1+'01 'U,2+'Ug un+vn]T
e multiplicao por escalar
T
au = [aul auz ... aun]
sobre o corpo dos reais. A demonstrao segue diretamente a do Exemplo 2.1
e deixada como exerccio para o estudante (ver Exerccio 2.1.1). []
64 Espaos Vetoriais Captulo 2

Exemplo 2.3. As matrizes reais 2 >< 2 formam um esp vetorial com as


operaes de adio vetorial

[a21+b21 022+b22
aii + bu 012 + biz ]
A+B=
e multiplicao por escalar

aA = [ aan (10,21
aalg
CVG/22

sobre o corpo dos reais. Mostremos algumas propriedades deste espao vetorial.
O vetor nulo dado pela matriz

e a matriz
W
a simtrica de
A=[a11 am].
021 022
As demonstraes das propriedades restantes so deixadas como exerccio. El
Exemplo 2.4. As matrizes reais m >< n formam um espao vetorial com as
operaes de adio vetorial
au + bn 012 + 1912 . -- aln + bln
A+B= a21+b21 22+522 a2n+b2n

aml + bml am2 + bm2 - - - amn + bmn


e multiplicao por escalar
Otan 00,12 ... oral,,
Ota/21 010,22 ... aagn
aA =
ac,/ml aam2 . . . aamn
sobre o corpo dos reais. O estudante deve demonstrar essa afirmao seguindo
o que foi feito nos Exemplos 2.1 e 2.3 (ver Exerccio 2.1.2).
52.1 Espaos e Subespaos Vetoriais 65

Todos os espaos vetoriais acima (vetores do R2 e do R", matrizes reais


2 ><.2 e m >< 71) podem ser Vistos como agrupamentos de 2, n, 4 e mn nmeros
reais, respectivamente. No entanto, a Definio 2.1 abrange casos mais gerais,
como veremos nos exemplos a seguir.
Exemplo 2.5. As funes contnuas f : R > R formam um espao vetorial
com as operaes de adio vetorial

O + g)() = f (?) + g(x)


e multiplicao por escalar

(af)(93) = af)
sobre o corpo dos reais. De fato,

+ g)(w) = f(x) + g(x) = g(x) + f(x) = (9 + f)(v),


(f
ou seja, a adio vetorial e comutativa. () vetor nulo (O) dado pela funo
identicamente nula (f (x) _=_ O, i.e., f (:c) = 0, Va: E R), pois

(f+0)($) = f(x) +0 = f(r)-


importante que o estudante demonstre as outras propriedades (ver Exer-
ccio 2.1.3). [:|

No Exemplo 2.5, fica bem mais clara a diferena entre as operaes de


adio e multiplicao por escalar definidas no espao vetorial e a adio e
multiplicao de nmeros reais. O prximo exemplo foi escolhido para tor-
nar essa diferena, digamos, extrema: a adio vetorial ser definida como a
multiplicao de nmeros reais e a multiplicao por escalar ser a potenciao
de reais. A confuso proposital: queremos que o leitor compreenda que as
Operaes de uma espao vetorial so definidas e, assim, basta que cumpram
s propriedades da Definio 2.1.

Exemplo 2.6. Consideremos o conjunto dos" nmeros reais positivos R+ com


as seguintes operaes
xyzxy e km=xk
sobre o corpo dos reais. Afirmamos que (R+,R, GB, (8) um espao vetorial.
De fato,
66 Espaos Vetoriais Captulo 2

o O conjunto R+ fechado para a adio vetorial, pois, se a: e y sao reals


positivos,
69 y = xy :):

um nmero real positivo. E fechado tambm para a multiplicao


por escalar, pois, se a E R e a: & R+, ento
w>0, sea>0,
046937: x11>0,
0 sea = 0,
m=>0,
xll seoz<O,
ou seja, oz &) :B & R+.
. A propriedade comutativa da adio vetorial provada observandose
que a multiplicao de nmeros reais comutativa:
m$y=xy=ycc=y$x.

. O vetor nulo o nmero real positivo 1. De fato,


x$1=x1=as.

O estudante deve fazer todo o Exerccio 2.1.4 para fixar a ideia do carter
abstrato da definio de espao vetorial. []

importante, portanto, que o leitor exercite seu poder de abstrao e


imagine os vetores como pontos no espao vetorial correspondente. Assim,
vetores do R3 so pontos do espao tridimensional; a matriz identidade 3 X 3
um ponto no espao das matrizes 3 >< 3; a funo seno um ponto do espao
vetorial das funes reais contnuas a valores reais e no deve ser confundida
com o grfico da funo.
Nos espaos vetoriais existem subconjuntos especiais, que so eles prprios
espaos vetoriais, merecendo assim um nome especial.
as efiniao 521. in subyconjimto nao vamo U do espao
.:,f + 'mpere ::r +++
vetorial "V
Mas? xvi/';"? , + +++ + ._

' ubespao vetorial de V se, para quaisquer u e v em U e qualquer escalar (r,


a
F.
ii? .
; 1. u+v 6 U e
% ii. (rue U,
im, & sair. retinal e a, multrlc so. ,pr esclarsersladas de l,
r
, mail?? WMM. ;*.ssmawMM'imaginem. 3%me
52.1 Espaos e Subespaos Vetoriais 67

Um subespao vetorial U, como o definido acima, obedece, de fato, as todas


as propriedades da Definio 2.1. Seno vejamos: as propriedades 1, 2, 5, 6,
7 e 8 e as de fechamento das operaes de adio vetorial e multiplicao por
escalar so facilmente demonstrveis (ver Exerccio 2.1.11).
Para mostrarmos que o vetor nulo est no subespao U, basta notar que
Ov 6 U, pelo item ii da Deiinio 2.1, e que Ov : 0, para qualquer v 6 U.
De fato,
v+0v= 1v+0v= (1+O)v= 1v=v.
Por fim, se v 6 U, seu simtrico tambm estar em U, isto , V e U, pois
(1)v e U, pelo tem ii da Definio 2.1, e (1)v = v. De fato,
v+ (1)v : 1v+ (1)v : (1 + (1))v : Ov : 0.
Exemplo 2.7. Todos os vetores [x a: O]T formam um subespao vetorial
do R3, com as operaes usuais e o corpo dos reais. De fato, se u,v E
[[x x 0]TR3]ealR,
ul 'U1 'LL1 + 171 azul
u+v= ul + '01 : ul+fo+L e au: am
O O O 0
sero ambos elementos de [[x x 0]T & R3].
Mas os vetores [a: ss 1]T no formam um subespao vetorial do R3, bas-
tando perceber que o vetor nulo [O O DF
no est nessa forma. [I
*

A partir de dois subespaos W1 e W2 de um espao vetorial V podemos


formar alguns subespaos interessantes. O primeiro deles W1 O Wg, que de
fato um subespao de V, pois, se u, v 6 W1 O W2 e a um escalar,

u,vW1 e u,veW2,
e, como W1 e W so subespaos,
H+VGW1, auEW1, u+vGW2 e aueWz,
A unio de subespaos, W1 U Wg, entretanto, no um subespao vetorial,
geralmente (ver Exerccio 2.1.15). H, porm, maneiras de combinar os vetores
de dois subespaos para formar um terceiro:
68 Espaos Vetoriais Captulo 2

;Dii'hi 2.1.2. 'Smejlaniill/Te W subespaosde um esrmo Vetorlai V. (3 cei


%,,junto .

a soma dos subespaos W,


:
.?
l'Vi + % = [w1 + w
e W;. Se

W'fi Fl
: w, &

W2 : fi,
WI o Wg e ng,
,
ser,?hmd de. ,.89m0_,diir,citae dentd.P,??..,W1. $,%: j
Pedimos para o estudante demonstrar que W1 + Wz de fato um subespao
vetorial no Exerccio 2.1.15. Uma propriedade importante da soma direta
que cada elemento de WI EBWZ pode ser escrito unicamente como W : wl +w2,
sendo wl G W1 e w2 W2 (ver Exerccio 2.1.16).
A partir de agora, quando no indicarmos explicitamente o corpo a que
se refere o espao vetorial, deveremos tomar o corpo dos nmeros reais. De
maneira anloga, as operaes de adio vetorial e multiplicao por escalar
sero as usuais, a menos que definidas explicitamente de outra forma.

EXERCCIOS

2.1.1 Mostre que os vetores do IR", no Exemplo 2.2, formam, com as operaes
ali definidas e o corpo dos reais, um espao vetorial.

2.1.2 Mostre que as matrizes reais m >< n formam um espao vetorial consideran-
do-se o corpo dos nmeros reais e as operaes definidas no Exemplo 2.4.

2.1.3 Mostre que as funes reais definidas e contnuas em todos os nmeros


reais formam, juntamente com O corpo dos reais e as operaes definidas no
Exemplo 2.5, um espao vetorial.

2.1.4 Considere o conjunto dos nmeros reais positivos IR+ e defina as seguintes
operaes
w$y=wy e k<8>cc=xk
sobre o corpo dos reais. Mostre que RJ,, com as operaes acima, um
espao vetorial. Que nmero representa o vetor nulo? E o simtrico de
$ 6 K+?
&& Espaos e Subespaos Vetoriais 69

2.1.5 Considere V = R2 e defina as seguintes operaes

u+V=('U.1+'U1,7J.2+'02) eau=(04u130)v

para u, v 6 V e qualquer real k. Mostre que V, com as operaes acima,


nao e um espao vetorial.
2.1.6 Mostre que nem o conjunto das matrizes singulares 2 >< 2, nem o conjunto
das matrizes no singulares 2 x 2 formam um subespao do espao vetorial
das matrizes 2 >< 2.

2.1.7 Seja P,, o conjunto dos polinmios de grau menor ou igual a n, sendo n um
inteiro positivo fixo, com a adio de polinmios e a multiplicao por esca-
lar usuais. Pn um espao vetorial? Prove sua afirmao. E os polinmios
de grau exatamente igual a n'? Por qu?

2.1.8 Demonstre a unicidade do simtrico (v) de cada vetor v de um espao


vetorial.
. . . . .. . . 2
2.1.9 Deolda quals dos subconjuntos abaixo sao subespaos vetoriais do R .

iwHwymayGRl
b. [(w,y)|w+y=0,x,yR]
c. [(w,y)|wy=1,m,yR]
d. [(ar,y)|a:y=0,sc,yele.
e [(x,y)lx+y2=0,$ayRl-
f. [(x,y)lxy2=0,w,yRl-

2.1.10 Considere uma matriz real A m >< n. Mostre que os vetores x 6 IR tais
que Ax : O formam um subespao vetorial do R". Podemos afirmar que
os vetores y 6 R tais que Ay = b 74 0 tambm formam um subeSpao
vetorial do R"? Por qu?
2.1.11 Mostre ? com detalhes, que um subeSpao U de
, . ..V obedece
um espao vetorial
a todas as propriedades de um espao vetorial, dadas na Definio 2.1.

2.1.12 Seja V um espao vetorial sobre o corpo E Se IF : R ou E = (C, mostre


que qualquer subespao de V p
ossui um ou infinitos vetores. Voc consegui-
ria conceber um espao vetoria 1 com exatamente dois vetores? Sobre qual
corpo?
70 Espaos Vetoriais Captulo 2

2.1.1? Seja V o espao vetorial das matrizes reais n >< n. Mostre que 0 Cnjunto
das matrizes simtricas reais n >< n um subespao vetOlfl1 de V-
2.1.14 Seja V o espao vetorial das matrizes nx n. Dada uma matriz A 6 V, mostre
que o conjunto das matrizes que comutam com A, W = fX | AX : XA), e
um subespao vetorial de V.
2.1.15 Sejam W1 e W2 subespaos de um espao vetorial V.

&. Mostre que W1 O W2 um subespao de V.


b. D um contraexemplo para provar que W1 U W2 nem sempre um
subespao de V.
c. Mostre que W1 + W2 : [wl + W2 | wl E W1 e W2 E Wg] um subes-
pao de V.
d. Mostre que W1 + W2 o menor subespao de V que contm W1 U Wg,
ou seja, o menor conjunto que contm todos os elementos de W1 U W2
e um subespao vetorial.

2.1.16 Sejam W1 e W2 subespaos de um espao vetorial V'. Mostre que cada


elemento de W1 63 Wz pode ser escrito unicamente como w : wl + W2,
sendo W1 E W1 e W2 E W2.

2.1.17 D exemplo de um vetor no nulo u 6 R3 que pode ser decomposto de duas


maneiras distintas:
u=v1+W1 e u=v2+w2,

sendo V1,V2 & V e W1,W2 6 W, com V e W dois subespaos distintos de


R3.
52.2 Independncia Linear, Base e Dimenso 71

2.2 Independncia Linear, Base e Dimenso


A Definio 1. 1, do captulo anterior, nos diz o que uma combinao
linear de vetores dO R", considerando os nmeros reais como escalares e as
operaes usuais do R" de adio vetorial e multiplicao por escalar. Com
nosso conhecimento de espaos vetoriais, podemos agora definir combinao
linear para um espao vetorial genrico.
einlao23.SejaV um espaovetorialUmacombinaaolinear dos vetore
7. +.;-

,u,, de V um vetor da forma

%
1, :
'v

' s ,
, a1u1+a2u2+---+a,,u,,, :'J
N'

endo 041, . . ,ozn escalares do corpo de V, com as operaes de adio vetorial


.RhEQrPOIescalardefinidasem VW
mult n. .,

Tomemos agora dois vetores u e v em um espao vetorial V. Se fizermos


todas as combinaes lineares possveis com u e v, que tipo de subconjunto
de V formaremos? Pela Definio 2.1, fcil ver que esse subconjunto um
subespao vetorial de V. De fato, chamando de U 0 subconjunto de todas as
combinaes lineares dos vetores u e v, se wl e Wg estiverem em U, ento
existiro escalares 0411, am, 0421 e om tais que
Wl : amu + amv W2 : ()(2111 + 0122V .
Da,
W1 (all + 32011 +(a12 + a22)V,
+ Wz :

que esta em U, e, para qualquer escalar B ,


BW1 : (5041011 + (Bm)v
que tambm est em U. Essetipodesubespao
merece ter seu nome.
prprio

subespao vetorial gerado pelos vetores de S (ou por S) o conjunto de todas,%


gas combinaes lineares
m'
alul + dug + - - + a,,u,,

lilo vr ioies do S Alternativamente, dizemos que S gera o subespao U se todos


u m . a 4 x n, M 3 ;
W

gp]. u em Upudersexescritocomo umacombinaaolineardevetoresemSai


72 Espaos Vetoriais Captulo 2

NOTAES. Podemos indicar o subespao gerad pelos vetores lula - , uni --


por <ul, ..., un), ou por span[u1, ..., un), ou ainda Pr gedul, unl- "',

Neste livro, optamos por adotar span[u1, . . . , un), pois acreditamos ser a no
tao mais usada pelos matemticos mundo afora.
Exemplo 2.8. Consideremos os vetores do R3 u : [1 O OlT, V = [O 1 OlT
e W = [2 3 0]T. Observemos que

span[u)=[[a: y leGR3ry=Z=0l,
que o eixo :B, e

span[u,v] : [[as 3; Z]T & R3 : z = O],


que o plano xy, so dois subespaos do R3 tais que spanfu] spanfu, vj.
Agora,
span[u,v] : span[u,v,w) : [[x y z]T E R3 : z = O] ,
isto , o acrscimo do vetor W ao conjunto de geradores (11, V) no modifica o
subespao gerado. |]

Seria ento interessante podermos dizer se um vetor modifica ou no um


subespao gerado. A definio abaixo ser de grande ajuda nessa tarefa.

2.5. Dizemos
eniao *:*V,
.??? "' "' *
os
AZIC'WVVIWVQ'
que vetores
'V '
" " . '?(' % *.
ul , . . . ,
'? 3%me WWS'erfi'i., _
sao linearmente
u,,Viv-
c:"' .,
:;4. W ..
mepe F;;
,. , s" , *.* ':"? :,

dentes (abreviadamente, Ll.) se


iv "=*

%
;? mm,
__
+,,zo
Caso contrario,

, omente quando oq : 042 = - -- : Oz,, O.


, . '
eles sao lznearment N

rmni(brevmdamente LD) ,

Podemos ainda nos referir ao conjunto [ul, ..., un] como sendo linear-
mente independente se os vetores nele contido forem linearmente independen_
tes. Analogamente, um conjunto pode ser dito linearmente dependente_
Um conjunto formado por apenas um vetor no nulo linearmente inde.
pendente de acordo com a Definio 2.5, pois, se v # 0, a nica soluo da
equao av : 0 a = 0. J o vetor nulo forma um conjunto unitrio linear-
mente dependente, pois 60 = 0, para qualquer escalar B.
522 Independncia Linear, Base e Dimenso 73

Exemplrn 2.9. Retomando os vetores u = [1 O OlT, V = [0 1 OlT e W =


[2 3 O] do exemplo anterior, observamos que
a1u+a2v=0
somente se al : ag = 0. De fato, o sistema

||
uv [l]: 011J=
10 ()
()
|| 00 0
tem soluo unica al = ag : 0. Ou seja u e V so vetores L.I. De forma
analoga, podemos concluir que u e w so L.I. e v e W so L.I. Mas u, v e W
no so L.I., mas linearmente dependentes, pois

2u+3v1W=2[1 0 0]T+3[0 1 0]T-1[2 3 0]T=[0 0 0]T=o.


Vale notar que W pode ser escrito como uma combinao linear de u e v,
ou, dito de outra maneira, W depende linearmente de u e v. []

O ltimo comentrio merece uma observao. Alguns autores preferem


definir um conjunto L.D. como aquele no qual pelo menos um dos vetores
pode ser escrito como combinao linear dos outros. Essa definio nos d
uma boa intuio de dependncia e independncia linear, pois escrever um
vetor como combinao linear de outros mostra, literalmente, a dependncia
linear daquele vetor com estes outros. Um cuidado deve ser tomado com essa
definio: pode existir um (ou mais) vetor no conjunto que no combinao
linear dos outros e, mesmo assim, o conjunto ser L.D. O estudante encontrar
um exemplo disso no Exerccio 2.2.2.
Ainda no Exemplo 2.8, podemos fazer as seguintes observaes sobre os
vetores u : [1 O O]T, v = [O 1 O]T e W = [2 3 DF e o subespao do R3
U=[[m y z]TlR3:z=0].

-. O vetor u e L.I. (o nico vetor L.D. o vetor nulo), mas no gera U;


os vetores u e v so L.I. e geram U;
. os vetores u, v e W geram U, mas so L.D.
'74 Espaos Vetoriais Captulo 2

- os vetores u e v parecem conter toda a informa


Ass1m, - sobre Subesp a

vetorial U, e por isso recebero um nome especial.

;efiniao 2.6. Um conjunto nao vaz10 S de etores (de V) sera chamado ;


a? "'"-'72?"f'rkrf'fa-Mvr,-"s-sw-wz'avmwvwes'zawrf-r""'-**?"'s--rywr'r"cmy'Wx-m-r'lf '*r"*'''"''.-w- V

base do espao vetorial V se


rwVKYIMVVWVVTI-VV,,
.
% i. os vetores de S forem linearmente independentes e
"
ii . os vetores de S gerarem V.

., sniamtvazw &? e base 4.9, subesnasq trmal grnt?) ,. ,

A exceo necessria na Definio 2.6, pois o vetor nulo e linearmente


dependente, no podendo, assim, estar base do subespao trivial.
Exemplo 2.10. A base mais simples do R" a base cannica, formada pelos
n vetores da forma

* I D C HC) O
e1_ 0 7 82 O 7 7 en: 2
: : 0
0 0 1

O vetor v = [2 3]T do plano, por exemplo, a seguinte combinao linear


dos vetores da base cannica do R:

v=l-l=ll3l?l
Antes que algum estudante, lembrando-se do Exemplo 2.5, busque uma
.
base para o espao das funes reais contnuas, definimos:
_ wc w. * ':- WWWWWW ,. ,, , .,
afin 2? veforifl um-h
posffiiihwrrfaweigin WW '? Wii ? m,,
*
.
,e): (f? e inn espao &fyer
, '_ fm), ,:

nito de vetores, dizemos que V um espao de dimenso jinz'ta. Caso contrarie


.'.,.emas,giis V de. ..diiasma inteis. minut .m- . . .,,,_ . , Ml "

Exemplo 2.11. O espao IR" de dimenso finita, para n 6 N . J o espa


das funes no Exemplo 2.5 um espao de dimenso infinita (ver [20]). D
$2.2 Independncia Linear, Base e Dimenso 75

A Algebra L1near trata dos espaos vetoriais de dimenso finita, deixando


o estudo dos espaos de dimenso infinita Anlise Funciona]. O teorema
a seguir nos diz como definir a dimenso de um espao vetorial de dimenso
finita.

re Qumuer tasa dum espaovtorralydw'ifnfigb'rnta pos?


WT
& ."!

. amic
grm- , . ... ta.-M., '

Demonstrao. Consideremos as bases [VI,V2,...,vn] e [W1,W2,---,Wml


de um espao vetorial V de dimenso finita. Suponhamos, por absurdo, que
m > n. Como [v1,v2, . . . ,vn) uma base de V, W1,W2,..-,Wm podem ser
escritos como combinaes lineares de v1, . . . ,vn:

WI = a11V1 + 021V2 + ' ' '


+ anivn
W2 = a12V1 + 22V2 + ' ' '
+ %an

Wm : almvl + a2mv2 + ' ' ' + anmvn -


Para provarmos que W1,W2, . . . ,wm so linearmente dependentes, considere
mos a equao vetorial

Blwl +52W2+"'+5me =O,


que, com o uso das equaes acima, se torna

(516111 + Bzam + ' ' ' + mm) + ' ' ' + (Biani + Bzanz + ' ' ' + Bmanm)vn : 0 .
Mas v1, V2, . . . , v,, so linearmente independentes e, portanto, cada termo entre
parnteses deve ser nulo. Ou seja,

a1151 + &1252 + + aimBm = 0


' ' '

a21,31 + 61/2252 + + aszm = 0


' ' '

anlBl + 11.262 + ' ' ' + anmm : O,


que um sistema homogneo com mais incgnitas do que equaes (m > n),
tendo, assim, solues no triviais. Portanto, os vetores w1,w2, . . ,wm so _
76 Espaos Vetoriais Captulo 2

linearmente dependentes, o que contradiz a hiptese deles formarem uma base.


Ento, m no pode ser maior do que n. (1
Se supusermos m < n, basta reproduzir o exposto ac1ma trocan o m por
n e chegaremos a uma nova contradio. Ento, s podemos ter m = n. []

E agora podemos definir a dimenso de um espao vetorlal.


efiniao 2.8. A czmensao de um espao vetorial de dimensao finita V e
nmero de vetores de qualquer uma de suas bases. Escrevese d1m(V) para
otaradxmensodel/z _.
. ,
,. _
_ A
Exemplo 2.12. Vejamos alguns exemplos de espaos vetoriais com suas res
pectivas bases e dimenses.
A base cannica do R2 [[1 DF, [0 HT], ento dim(lR2) : 2. O R" tem
dimenso n, pois sua base cannica, vista no Exemplo 2.10, possui n vetores.
O espao gerado por um vetor no nulo v tem dimenso 1, j que [v)
uma de suas bases. Por sua vez, o espao gerado apenas pelo vetor nulo tem
dimenso 0 (zero), j que sua base o conjunto vazio.
(1, as, 562, 333] uma base do espao vetorial dos polinmios de grau menor
ou igual a 3, portanto este espao tem dimenso 4.
O espao das matrizes reais 2 >< 2 tem dimenso 4 e uma de suas bases

llllgllilmll-
De posse das definies desta seo, podemos enunciar o resultado que nos
possibilita completar a base de um subespao at conseguir uma base do espao
vetorial em questo.
rposfowmj W umsubpa de" um "espao vetifrffff deimensa '
"' Git,-vmvzn ' '

mnita, com dim(U) : n e dim(W) : r. Se

w1,W2,. . . ,WT)
Or uma base de W, poderemos escolher n r vetores de U, u,, u,, _ _ , um,
,

[W17W27'H3W7'3u7'+17ur+2,...,u") ,
dumbbe de U ,, . .
_ , _,;
52.2 Independncia Linear, Base e Dimenso 77

Demonstrao. Se W = U, nada h para fazer. Se W U, ento podemos


escolher um vetor no nulo ur+1 de U que no esteja em W. Assim,

Bl : lW17W27 ' ' ' awra 1174.1]


ser um conjunto L.I., pois, se fosse L.D., u,, e W. Se n = r + 1, teremos
conseguido n vetores L.I., i.e., uma base de U (ver Exerccio 2.2.12). Caso
contrrio, prosseguiremos o raciocnio, tomando ur+2 6 U tal que ur+2 W e
os vetores u,, e ur+2 sejam L.I., acrescentandoo [31 e verificando se

82 : [W17W27 ' ' ' vwra IL,-+1, Uri-2]


uma base de U, e assim sucessivamente.
Esses passos no podem se repetir indefinidamente, pois, neste caso, a
dimenso de U seria infinita, o que contradiz a hiptese da proposio. []

As dimenses da soma de subespaos e de sua interseo esto relacionadas


na proposio seguinte.

Demonstrao. Consideremos uma base de W1 O W2:


Bwlnw2 : [WI,WQ, . . . ,Wr] .
Pela Proposio 2.1, podemos completar as bases de W1 e W2 e considerar
BW, : [W1,...,Wr,u1,...,up] e BW, : [w1,...,wr,v1,...,vq) .
Os vetores do conjunto
3 : [W17' . .,WT,111,...,up,V1,...,Vq)
geram W1 + W. Queremos mostrar que esses vetores so L.I., para isso con-
sideremos

a1w1+...arwr+51u1+"'+pUp+71V1+"'+'YqVq=O. (2.3)
78 Espaos Vetoriais Captulo 2

Escrevendo
61111 +"'+Bpup : _(a1W1+...aTWT+')/1V1 +...+7qvq),
Vms que Bim + + Bpup & Wg. Mas, Blul + + Bpup e um vetor de
Wl, ento um vetor da interseo WI 0 W2 e podemos escreve-lo como uma
combinao linear dos vetores de W1 FW W2, i.e.,

51111+"'+pup=51W1+"'+rW7,
ou ainda,
Blu1+"'+,8puplwlH' TW'I'IO'
Percebendo que os vetores ul, . . . , up,w1, . . . ,WT. formam a base BW temos
que 51 == B,, = 51 = = 6, = 0. Isso reduz a equao (2.3) a

alwl+--arwr+'YIV1 +"'+'YqVq : O.
Como os vetores acima formam a base BWZ, so L.I., ento al = - - - = a, =
71 = :: 'yq : O, ou seja, os vetores de B so, de fato, L.I. e B uma base

de W1 + W2. POI fim,

dim(W1 + Wz) + dim(W1 O Wz) = (r + p + q) + r


= (T+p)+(r+q)
= dim(W1) + dim(W2) ,

que o resultado desejado. |:]

Vimos, ento, que um espao vetorial no trivial de dimenso finita possui


infinitas bases. Escolhendo uma dessas bases, poderemos escrever cada vetor
desse espao como uma combinao linear dos vetores da base. Como fazer
isso de maneira unvoca ser o assunto da prxima seo.
92.2 Independencza Linear, Base e Dimenso 79

EXERCCIOS
2.2.1 Considere R o subespao (do Rm) gerado pelas n colunas de uma matriz
real AmmX n. Qual a condio a ser satisfeita pelo sistema Ax : b, com
b 6 R , para que b pertena a R? Justifique sua resposta.

2.2.2 Os
[2
Vt; l = [1 0 Ol. 82 = [0 1 OF, 83 = [0 0 1]T e w =
3 0] so claramente L.D. Escreva w como combinao linear de el,
82 e e3. Mostre que e3 no pode ser escrito como combinao linear de el,
82 e W.

2.2.3 Sejam u, v e W vetores de um espao vetorial V. Os vetores u v, v w


e w u so L.I. ou L.D.?

2.2.4 Sejam u, v e w vetores L.I. de um espao vetorial V. Os vetores 11, U +v


e u + v + w so L.I. ou L.D.?

2.2.5 Seja U um conjunto finito de vetores L.I. de um espao vetorial V e seja W


um subconjunto prprio no vazio de U. Mostre que os vetores de W so
L.I.

2.2.6 Seja U um conjunto finito de vetores de um espao vetorial V. Mostre que,


se existe um subconjunto no vazio de U formado por vetores L.D., ento
os vetores de U so L.D.

2.2.7 Mostre que, se v1, v2, . . . , vk so vetores de um espao vetorialV tais que
alvl + a2v2 + - - - +akvk = 0, com oq, ..., ak escalares e ak # 0, ento
span[v1, . . . ,vk_1) = span[v1, . . . ,vk].

2.2.8 Sejam V : (,sz e W : [WI,W2,W3]* dois conjuntos de vetores L.I. de


um espao vetorial U tais que VU W tambm um conjunto de vetores L.I.
Mostre que spaan] D span[W] = (0).
2.2.9 Encontre uma base para o espao das matrizes reais 2 >< 2 (denotado por
szz) sobre o corpo dos reais. Qual a dimenso desse espao?
2.2.10 Encontre uma base para o espao das matrizes reais simtricas 2 >< 2. Qual
a dimenso desse espao? Voc conseguiria obter um resultado similar para
as matrizes hermitianas sobre o corpo dos nmeros complexos? E sobre o
corpo dos nmeros reais? Por que?
80 Espaos Vetoriais Captulo 2

2.2.11 Encontre uma base para o espao dos polinmios de grau menor ou igual a
5 (denotado por P5). Qual a dimenso desse espao?
2.2.12 Suponha que um espao vetorial V tenha dimenso finita n. Prove que
a. se n vetores de V so L.I., ento eles formam uma base de V;
b. se n vetores geram V, ento eles formam uma base de V.

Note que isso nos garante que, sabendo que dim(V) = n, basta procurarmos
por n vetores L.I. ou por n vetores que geram V para determinar uma base
de V.
2.2.13 Seja W um subespao de um espao vetorial V de dimenso finita. Mostre
que dim(W) 5 dim(V), e que dim(W) = dim(V) se, e somente se, W = V.

2.2.14 Seja W = [X | AX = X A] o subespao das matrizes que comutam com a


matriz 2 x 2 A. Encontre uma base para W nos casos em que A for:

[0a].
aO
b.[0b],b76a. 411]
aO 10
923 Base Ordenado e Mudana de Base 81

2.3 Base Ordenada e Mudana de Base


Quando estudamos Geometria Euclidiana, os objetos matemticos de in
teresse estao como que soltos no plano: dois tringulos, por exemplo, sero
congruentes se possurem trs lados ordenadamente congruentes, no impor-
tando a posio de seus vrtices no plano.
Sendo uma noo relativa, a posio de um objeto no plano necessita de
referenciais, como a origem e os eixos coordenados que escolhemos na Geo
metria Analtica. Adotando, por fim, uma unidade de comprimento, podemos
realizar todos os clculos associados a essa disciplina.
Nas aulas de Fsica, vetores do plano ou do espao so definidos como entes
matemticos que possuem mdulo, direo e sentido. Assim, dois vetores
so ditos iguais ou equivalentes, se possurem o mesmo mdulo, direo e
sentido. Para manipularmos explicitamente vetores, precisamos escrevlos
em termos de suas coordenadas cuja definio formalizaremos em breve ,
que dependem, por suas vez, da escolha de uma origem de eixos coordenados.
Assim feito em Geometria Analtica Vetorial.
Mais genericamente, tambm os vetores que definimos como elementos de
um espao vetorial (ver Definio 2.1) podem ser escritos de diferentes ma
neiras, dependendo da base escolhida para gerar o espao vetorial ao qual
pertencem.
Urna analogia poder ajudar o leitor: assim como Griffin, o Homem Invi-
svel do romance de Hco cientfica de H. G. Wells, s era percebido quando
vestido com roupas e chapu, os vetores s podem ser escritos como listas de
nmeros quando vestidos com coordenadas. As coordenadas como as
roupas do Homem Invisvel podem ser diferentes para um mesmo vetor,
dependendo da base escolhida para gerar o espao em questo.
No Exemplo 2.10, o vetor v do plano foi escrito como

likidW
pois o conjunto C = [[1 0]T, [0 HT) fora escolhido para ser uma base do
R2. Mas, sendo C um conjunto, a ordem de seus elementos no importa e
poderamos ter escrito

v=l"l=3l?l+ll
82 Espaos Vetoriais Captulo 2

Para evitar esse tipo de ambiguidade, definimos:

befinlao2. 9. Dizse que base de uma


espaovetorial de um dimensa
finita uma base ordenada. se os elementos de B so considerados em num
ordem fixa (isto_,primeiroelementosegundoelementoetc).,.,,,WJ
No exemplo anterior, consideramos C como uma base ordenada para escre-
ver v = [2 3]T. Quando no houver risco de confuso, usaremos indistin-
tamente os termos base e base ordenada.
importante perceber que a representao de um vetor por suas coordena-
das prescinde da escolha de eixos coordenados, como na Geometria Analtica,
mas necessita somente de uma base ordenada do espao vetorial em questo,
por mais abstrato que este seja. O exemplo a seguir ilustrar isso.

Exemplo 2.13. Se B = [u,v] for uma base ordenada de um espao vetorial


V, ento escrever W = [2 1]T nesta base significar que
W=2u+1v,
no importando que tipo objeto matemtico representado pelos elementos
de V.
Assim, se V for espao dos polinmios em t de grau menor ou igual a 1,
podemos escolher u = 2 e v = 3 +t para formar uma base ordenada B de V.
Ento, [W]3 = [1 1]T significa que1
w : (1)u + (1)v = (1)2 + (1)(3 + t) = 1 + t.

Na base ordenada C = [l,t], teremos [W]C : [1 1]T. []

A escolha de uma base para um espao vetorial V arbitrria, mas uma vez
escolhida a base ordenada, cada vetor de V possui uma nica representao
nesta base ordenada. o que nos garante a proposio a seguir.
;p; W:?
raposrao 2.3Seja umespavetorial de d'mensaofi'nitawW ,

ibase ordenada de V. Se v E V, ento v possuir uma nica representaao 91


gelaaoaB . .
__ __A,. .,
. ,a.
..,...i
i'a'..k...,;.=i.-
.; n , _,,_._
,, u,, ,, ummi '-.. ,. ':... Aaa" _ ,, _

1Os colchetes em torno do vetor indicaro, nesta seo e na Seo 6.3, que ele est.
representado em relao a base assinalada no subscrito.
52.3 Base Ordenada e Mudana de Base 83

Demonstraao. supnhamos que B = [ul, 112, . . . , un) seja uma base ordenada
de V, entao ex1stem escalares a,, a, . . , a,, tais que

V=011u1+02112+--+a,,u,,,
pois B gera V.
Suponhamos que v possa ser escrito como

V=Biui+62u2+--+Bnun,
ento

(l*Bi)u1+(a2Bg)u2+--+(anB,,)u,,=vv=0.
Mas, como os vetores ul, u2, . ., u,, pertencem a uma base, eles devem ser
linearmente independentes e, portanto,

al:/81, (12:62, "'a an=BN7


isto , as coordenadas de v esto unicamente determinadas uma vez escolhida
uma base ordenada para V. |]

Com a Proposio 2.3, podemos formalizar a definio de coordenadas de


um vetor, termo que usamos at agora apoiados no conhecimento analgico
proveniente de outras disciplinas que o leitor certamente possui.

efiio 2.10. sejam:B ="4[ui,ii2,l. ,u,,] uiha'*15"seorf1ad de um eSpa


vetorial V de dimenso finita. Se ,

: w v n 'Q T W
,;ento
' s
v=a1u1+oz2u2+---+oz,,u,,,

os escalares 041, ag, . . . , a,, so as coordenadas do vetor v 6 V em relao


_
-/am,sgaliM
<.
%

,'1
x

bassordenada ,,,,, ,,
,,, ,,, ) My.a;.,
-,

Exemplo 2.14. Revisando 0 Exemplo 2.10, a base cannica do R" uma base
ordenada, formada pelos n vetores

r O HO OD
O
O

I
CD

CD
|
[O
H (D

:3
|

;.4
O
84 Espaos Vetoriais Captulo 2

nessa ordem.
Quando escrevemos um vetor do R" em termos de suas coordenadas, a
base cannica do espao vetorial em questo fica, em geral, subentendida.
Assim, se nenhuma outra base for explicitada, escrever o vetor V do Pln
como v = [2 3]T, significa que

v lal lol lll


2 1 0

Considerando a base cannica C do R3, um vetor w pode ser escrito em ter-


, .
mos de suas coordenadas em relaao a, base canonlca
,
como [W]c = [2 3 1]T ,
significando que
2 1 O O
[w]c = 3 =2 O +3 1 1 O
_ 1 0 0 1
Mas os vetores
'
1 1 1
1 , 2 e O ,
,
_ 1 3 2
escritos em relao base cannica, tambm formam uma base ordenada
chamemola de B do R3. Como representar o vetor W nesta base? A
resposta bem simples se formularmos o problema assim: queremos encontrar
os coeficientes cel, 5132 e mg da combinao linear
2 1 1 1
3 = $1 1 + (172 2 + [133 0 ,
1 1 3 2
isto , desejamos encontrar a soluo do sistema linear
1 1 1 1131 2

1 3 '2 5133 ]_

A soluo do sistema acima o vetor


2 4 5 2 2 __9
X : A1 3 = "'2 3 ]. 3 = 6 ,
-1 1 2 -1 1 5
52.3 Base Ordenada e Mudana de Base 85

ou seja, o vetor W pode ser escrito como a seguinte combinao linear dos
vetores da base B:
9 1 1 1
[lea= 6 =9 1 +6 2 +5 0
5 1 3 -2
Ou ainda, explicitando a base ordenada em relao a qual cada vetor est
escrito:
9 1 1 1
[lea= 6 =9 1 +6 2 +5 0 .
5 B 1 c 3 c _2 c
A inversa da matriz A chamada de matriz de mudana de base (ou matriz
de transio) da base cannica para a base B, bastando multiplicala pelo vetor
em coordenadas relativas base cannica para encontrar sua representao na
base B. Mas, e se nenhuma das duas bases for a cannica? Como encontrar a
matriz de mudana de base? O prximo exemplo dar a resposta.
Exemplo 2. 15. Sejam

emm evillf,?
bases ordenadas do R2, C sua base cannica e M;; = [1 1]T um vetor do
plano (cuja representao na base cannica [v]c = [2 ?)]T).
Para representar v na base D, devemos resolver

Divi,=[_i lfias,
A relao entre as representaes de v nas bases B e C

BH ,HHlw-
Ento, se tivermos v representado na base B, i.e., [vlg = [1 1] , e quiser-
T

mos encontrar sua representao na base D, i.e., lle = [B, 62]T, devemos
resolver o sistema
D[V]'D = B[V]B ,
86 Espaos Vetoriais Captulo 2

ou seja,
[Viv = D'IBMB
ou em nmeros, para este exemplo,

[vlp _
D 1B[v]B= [ 51 41 11 21 11
_ 225 ,

e DB a matriz de mudana de base da base B para a base D. E]

No Exemplo 2.15, B e 1) so claramente bases do R2 e as matrizes B


e D so quadradas e invertveis o Corolrio 2.3, que veremos na Seo
2.5, mostrar que as matrizes quadradas cujas colunas so os vetores de uma
base do espao vetorial em questo so sempre invertveis. Assim, pudemos
encontrar a matriz de transio, DB, da base B para a base 'D. Mas, como
resolveramos o problema de mudana de base envolvendo subespaos prprios
(isto , de dimenso inferiora do espao vetorial) de um espao vetorial? o
que veremos no exemplo a seguir.

Exemplo 2.16. Sejam

O 3 1 2
B: 2 , 3 e D= 1 , 3
1 C 5 C 2 0 _2 c
bases ordenadas de um mesmo subespao W do R3 e C a base cannica do R3.
Considerando o vetor v e W
0 3
v=1 2 +1 3 ,
1 5

devemos penslo como um vetor do R3 e escrever


O 3 *
v=1 2 +1 3 +0 ,
1 5

sendo que o vetor [* * *]T completa a base B para uma base do R3 (ver
Proposio 2.1) O uso dos asteriscos para nos lembrar que o completament
52.3 Base Ordenado e Mudana de Base 87

de uma base no um procedimento unvoco, isto , existem infinitos vetores


que podem completar B para uma base do R3. Assim,

1
[V]]; = 1
O

Poderamos proceder completando D para uma base do R3 e encontrar a


matriz de mudana da base B para a base D, como no exemplo anterior. Mais
oportuno, no entanto, resolver o sistema

Dx= 13[61]=[v]c=
1 2

-2 2
[3 O 3
23
1 5
[1]:
1 3
5,
6

oque nos d Bz=2eBI=1,eescrever


51 1
[V]D= ,82 = 2 . [|
0 0

O leitor mais atento e curioso poder levantar a seguinte questo: se

,, gw all? SHS li
dia as all ll ill
so duas bases ordenadas do espao vetorial das matrizes reais 2 >< 2, haver
uma matriz de mudana de base de C para B? A resposta a essa pergunta
ficar para o Captulo 6, quando estudarmos os isomorjismos.
Voltaremos a discutir bases ordenadas e mudanas de base nos Captulos 3
e 5 , ao buscarmos bases mais adequadas compreenso e resoluo de certos
problemas.
88 Espaos Vetoriais Captulo 2

EXERCCIOS
2.3.1 Encontre as representaes do vetor [V]c = [1 2]T nas seguintes bases
ordenadas do R2:

a.,mHan- 'Bflglili'
FWH-;]) willilili-
2.3.2 Encontre as representaes do vetor [Vlc = [1 2 3]T nas seguintes bases
ordenadas do R3:

1 1 0 1 1 1
a. [31 = 1 , 0 , 1 . b. 82 = 0 , 1 , 1
0 1 1 O O 1

Encontre ainda a matriz de mudana de base de Bl para 82.


2.3.3 No Exemplo 2.16, complete as bases B e D para bases ordenadas do R3 e
encontre a matriz de transio de B para D.
2.3.4 Encontre a representao do vetor [VlC = [2 4 O]T pertencente ao subes-
pao W do R3 em relao seguinte base ordenada de W:

1 1
B= 1 , 1 ,
0 O

utilizando dois mtodos: no primeiro, resolva um sistema de equaes como


no Exemplo 2.16; no segundo, complete B para uma base de R3 e encontre
a matriz de mudana da base cannica C para B.
2.3.5 Encontre a representao do vetor [v]c = [1 i 1]T em relao base
ordenada B = [[1 O OlT, [0 i 0]T, [1 i 1 + HT] do C3 (sobre o corpo
(3).
2.3.6 Considere as bases ordenadas do espao vetorial das matrizes reais 2 >< 2:

esta W all? ll ll
52.3 Base Ordenada e Mudana de Base

.=, m all H ill-


Encontre a representao da matriz

na base B.
90 Espaos Vetoriais Captulo 2

2.4 Os Quatro Subespaos Fundamentais


Um primeiro curso de lgebra Linear costuma iniciar, como fizemos, com
uma exposio sobre sistemas de equaes lineares, apresentand O mtodo
de eliminao de Gauss e suas variaes, seguido por uma boa quantidade de
exerccios sobre resoluo de sistemas. Alguns estudantes ficam, ento, com a
falsa impresso que o curso no passar de um rol de mtodos a serem deco
rados. Mas, to logo atinjam o captulo sobre espaos vetoriais, a impresso
anterior muda para uma outra, to errnea e nociva quanto a primeira, a de
que o curso se perder em abstraes desnecessrias afinal, quem poderia
se interessar por espaos com dimenso maior que 3?
Os quatro subespaos que apresentaremos a seguir sero nosso primeiro
exemplo da interligao existente entre definies abstratas como subespao,
independncia linear e base e a resoluo de sistemas de equaes lineares.
Optamos por apresentar cada um dos quatro subespaos fundamentais se
paradamente. A definio de cada subespao seguida por um exemplo no
qual calculamos uma base e, ento, demonstramos uma ou mais proposies
que justificam o mtodo de clculo da base. Nestes exemplos utilizaremos as
mesmas matrizes A e U.
Desde do incio, representamos os vetores do Rm como vetores-coluna (ou
matrizes-coluna m >< 1). Surgiro agora expresses como as linhas da matriz A
formam um subespao..., que podem confundir o estudante. Para evitar am-
biguidades, o leitor deve fazer sempre a seguinte traduo mental: a primeira
linha da matriz A... significa o vetor-coluna cujas entradas correspondem s
entradas da primeira linha da matriz A....
Sem mais demora, apresentamos o primeiro subespao fundamental.

Ateno para a traduo: O espao-linha de uma matriz A o espao


gerado pelos vetores(-coluna) cujas entradas correspondem as entradas das
linhas de A.
A estranheza inicial causada pela presena da matriz transposta de A na
notao de espao-linha ser sanada em breve.
Uma observao bvia que, se A for uma matriz real m >< n, o espaolinha
de A ser um subespao do IR". Vejamos um exemplo.
52,4 Os Quatro Subespaos Fundamentais 91

Exemplo 2.17. Se
O 1 2 3 4
A: O 1 2 4 6 ,
O 0 O 2 4
ento
O O 0
1 1 0
R(AT)=span 2 , 2 , 0 D
3 4 2
4 6 4

No Exemplo 2.17, vemos claramente que os trs vetores que representam


as linhas de A so linearmente dependentes, no podendo, portanto, constituir
uma base de R(AT). Como ento, dada uma matriz A m >< n, obter uma base
para ??,(AT)? Utilizaremos a forma escalonada (U) de A, para obter bases para
R(AT) e 'R(UT), justificando o procedimento em seguida.
Exemplo 2.18. Considerando a decomposio LU de A:

01234 1 0 0 012 3 4
110 0 0 O 1 2 =LU,
00024 O 21 0 O 0 0 0

uma base para o espao-linha de U formada pelas primeira e segunda linhas,


as que apresentam pivs. E mais,

base de R(AT ) = base de n(UT) = [[o 1 2 3 n", [0 0 0 1 215.


Poderamos ainda ter escrito

basede'R(AT)=[[0 1 2 3 4]T,[0 1 2 4 lT],


que so as linhas correspondentes na matriz A, pois operaes elementares
sobre as linhas de uma matriz no alteram seu espao-linha. Quando houver
trocas de linhas na eliminao gaussiana, a escolha dos vetores da base deve
ser feita de acordo com essas trocas, isto , devese escolher as linhas de PA
correspondentes s linhas no nulas de U, sendo P a matriz de trocas de linhas
da decomposio PA = LU. D
92 Espaos Vetoriais Captulo 2

Vamos as justificativas.
;PTOPOSiao 2.4. Numa matriz escalonada, as linhas que possuem prOS fo .,
"'m''"""f'r .. ,. .. .,, "3. .?<"':rm-uwrfr;avi"*V'T':**''f="''*'*""''(W'WWVW * '
www-w-.;.7,.., www.- . 3155 a,

j
. =. . . , ., ,

smumbbedssaagelinlgadestamatnz . ..
, . , , , __.

Demonstrao. Se uma matriz escalonada no possuir pivs, ento ela ser


a matriz de zeros e seu espaolinha formado pelo vetor nulo. Se houver
linhas com pivs, ento essas linhas geram o espao-linha. Para que as linhas
com pivs formem uma base do espaolinha, basta que elas sejam linearmente
independentes. Mas, se as linhas com pivs no fossem linearmente indepen
dentes, poderamos combinalas para gerar uma linha de zeros, contradizendo
a hiptese de a matriz estar na forma escalonada. D
E quanto ao espaolinha de uma matriz que no est na sua forma esca
lonada?

.'produto
roposraoTSejameUduasmatrize tals sangria.)
de matrizes elementares e U a forma escalonada de A, ento R(AT)
rea
WUT BAG U &suem mesmesghnbgw ,, ,, ,,

Demonstrao. Como as linhas de U so combinaes lineares das linhas de


A, temos que as linhas de U geram um subespao do espaolinha de A, logo
R(UT) C R(AT). Como E invertvel, pois o produto de matrizes elemen
tares, as linhas de A so combinaes lineares das linhas de U, logo as linhas
de A geram um subespao do espaolinha de U, R(AT) C R(UT). Portanto,
o espao-linha de A e o espaolinha de U so iguais. E]

Como o espao-linha de uma matriz A e o de sua forma escalonada U So


os mesmos, uma base de R(UT) tambm uma base de R(AT)_ Se quisermos
construir uma base de R(AT) com linhas da prpria matriz A, basta obser-
varmos que as linhas linearmente dependentes de A foram transformadas em
linhas de zeros na matriz U, portanto s tomarmos as linhas de A correspon-
dentes s linhas no nulas de U para obtermos uma base para 0 espaolinha
de A, como foi feito no Exemplo 2.18.
O prximo subespao a ser estudado diz respeito s colunas de uma matriz.

, nniofspaoolunei'mmtmzeuiaespagradopei ,;
,ltinasaeA e dentdo 991304). , ,, , ,. , m*-W .].
.

52.4 Os Quatro Subespaos Fundamentais 93

O espao-coluna de A conhecido tambm como imagem de A (da o R, do


ingls range, d nt R(A)). A terminologia espao-coluna e, entretanto,
mais adequada a nossa abordagem.
Para encontrarmos uma base para o espaocoluna de uma matriz A tam
bem recorremos a matriz U da decomposio LU de A. Porm, em gerl,
'R(A) # R(U). De fato, se

eu H am atm
ee
ento R(A) = spenui nT] spenm DJT) = nw).
Mesmo assim, precisamos de R(U ) para encontrarmos R(A).
Exemplo 2.19. Retornemos as matrizes do Exemplo 2.18:
O 1 2 3 4 1 0 0 0 1 2 3 4
A= 0 1 2 4 6 = 1 1 0 0 O 0 1 2 =LU.
O O 0 2 4 0 2 1 0 O 0 0 0

Notamos facilmente que a segunda e a quarta colunas de U formam um con


junto linearmente independente. E mais, se acrescentarmos qualquer outra
coluna ao conjunto, seus vetores tornar-seo linearmente dependentes. Por-
tanto, o conjunto [[1 0 0]T,[3 1 0]T] uma base de R(U). Ou seja,
encontramos uma base do espaocoluna de U tomando as colunas de U que
possuem os pivs.
Mas como encontrar o espaocoluna de A? simples: basta tomarmos
as colunas de A correspondentes as colunas com pivs de U. Neste exemplo,
basedeR(A)=[[1 1 O]T,[3 4 2]T]. [:|

As justificativas para a escolha das bases dos eSpaos-coluna de A e U so


encontradas nas proposies a seguir.
_ X" xviWWW?!way": gr amar emW -'
roposrao626.Ascwlunasquiepossuempivos em uma matriz esclonad
Nf-cmrs;

no vetores linearmente independentes. E mais, qualquer coluna que no possu


vc linearmente dependente das, colunas&.uem llVs. - e...-e ,

Demonstrao. Consideremos uma matriz escalonada U m >< n que possui r


pivs. Isso significa que as r primeiras linhas de U no so nulas e que as
94 Espaos Vetoriais Captulo 2

m r ltimas linhas (as restantes) so linhas de zeros. Para mostrarmos que


as colunas que possuem pivs so linearmente independentes, prec1saremos
resolver um sistema da forma
Pl * * O
0 pg * * al 0
0
0
0
O 0
*
p,.
: : :
0
, (2.4)
0 0 0 O a,. 0
0 0 0 0
Pr, ..., pr
representando os r pivs (diferentes de zero, por definio) e os
asteriscos podendo ser nulos ou no. O sistema (2.4) homogneo e possui
uma nica soluo, a trivial, mostrando que as colunas que possuem pivs
formam um conjunto de vetores linearmente independentes.
Para mostrarmos a segunda parte da proposio, notemos que as colunas
que possuem pivs formam uma base do subespao vetorial do R"

W=[[a:1 mn]TGR":xr+1=xr+2=--=wn=0].
Alm disso, qualquer coluna de U que no possui piv tem no mximo seus r
primeiros elementos (coordenadas) diferentes de zero, isto , seus mr ltimos
elementos so nulos, estando, assim, em W. Portanto, qualquer coluna de U
que no possui piv linearmente dependente do conjunto das colunas de U
que possuem pivs. |:]

Fica ento justificado porque tomamos as colunas de U com pivs para


formar uma base de R(U)
. angus W #5 W ????WW- , ? .
uma matriz n >< nimvertifve , entao osve oresrt
, - ":**- , , ,
_,

rffiosr ./ e'Tfir
' Wxwwwsx "
%%:Wisist'wfj

imensionais u], . . . , um (com m 5 n) sero linearmente independentes se, '

Demonstraao. Cons1deremos, lmcialmente, ul, ..., um linearmente indepen_


dentes e escrevamos a equaao vetorial
a1(Lu1) + - - - + am(Lum) = 0. (2.5)
Como
a1(Lu1) + . . . + am(Lum) : L(a1u1 + . . . + amum)
?
52.4 Os Quatro Subespaos Fundamentais 95

a equao (2.5) se torna

-
L(a1u1 + - ' +amum) : 0.
Mas L invertvel, ento

a1u1+--+amum=0.
Pelo fato de ul,...,um serem L.I., al : : am : 0 e, portanto,

Lul, . . . ,Lum sero tambm L.I.


A recproca segue considerando-se u,- : L1(Lu,-) e aplicando-se a parte j
demonstrada da proposio. El
Lembrando que

I |
=L uzl U;,g un : Lu,,l Lu,,g Lu.
| | | ! | |"
e utilizando a Proposio 2.7, o mtodo usado para encontrar uma base do
espaocoluna de A est justificado.
Por agora, o leitor j deve ter compreendido & notao R(AT) do espao
linha: o espaolinha de uma matriz o espao-coluna de sua transposta.
O espaocoluna de uma matriz to importante e sua importncia ficar
mais clara no Captulo 6 , que damos um nome especial sua dimenso.

enio 2.13. A dimensao do espaocoluna de uma matriz A e chamad,


erosto da matrlzAeescrevegepstOA),,
sa,,auiau. amam : ,, ,,,, &
Tanto o espao-linha quanto o espao-coluna de uma matriz so definidos
a partir de seus vetores geradores. Os dois prximos subespaos que apresen-
taremos no sero definidos dessa forma, mas a partir de uma propriedade de
seus vetores.

gjfin'i' 14". () espab-nalo de uma" matrizH/ njiihtoformd peid


'

Zetores x que obedecem a equaqxrf OeedenotadOPOI M(A)d_


96 Espaos Vetoriais Captulo 2

Aqui tambm preferimos o termo espaonulo por o con51derarmos mais


sugestivo. Tradicionalmente temse usado as expresses ncleo ou kernel para
designar esse conjunto, que , de fato, um subespao vetorial do R" (ou do
(C"), POS, Vu, v e N (A) e qualquer escalar a, tem-se

A(U+V)=Au+Av=0+0=0 e A(au)=aAu=a0=0.
Para encontrarmos uma base de N (A) basta obtermos uma base de N (U),
j que N(A) = N (U), como nos mostra a proposio a seguir.
" .. .,, r,.
rop051a 23..,...Seja
"YW'QQsa'Fzgaww w ,- ,
A uma matrizSuJa decompos1ao
' mx'fw
LJWe dada por
w, W sz? _:_'w xarrrw

U Ent; AGU,,tm o mesm,,esmmul. ,, ,,,, _ ssustam, ;. g,, &, ,, , ,

Demonstrao. Se x e N (A), ento Ax : 0. Mas, tomando a decomposio


LU de A, A : LU, temos que LUX : 0 e, portanto, Ux = L10 = 0, j que
L invertvel. Isso nos garante que N (A) C N (U)
Reciprocamente, se x e N (U), ento Ux : 0. Multiplicando pela matriz
L (tal que A = LU), temos Ax : LUX = LO = 0, isto , x E N(A).
Portanto, N(A) = N(U). []

O espao-nulo de A nada mais que o conjunto formado pelas solues do


sistema linear Ax = 0, ento, para encontrar uma base de N (A), necessrio
resolver AX = O, ou, mais precisamente, Ux = O. Vejamos, um exemplo
numrico.

Exemplo 2.20. Mais uma vez retornaremos matrizes do Exemplo 2.18.

0 1 234 100 0 1 2 34
A: 01246 = 110 00 0 1 2 =LU.
00024 021 00 0 0 0
A soluo do sistema Ax = 0 a mesma do sistema Ux = 0, que

371 371 1 O O
19 2a:3+2:z:5 0 _2 2
X= ? = s =1 0 +:c3 1 +33, 0
334 2a:5 0 0 _2
is 935 0 0 1
52,4 Os Quatro Subespaos Fundamentais 97

Portanto,

1 O 0
0 2 2
base de N(A) = base de N(U) = 0 , 1 , 0 D
O 0 -2
O O 1

A justificativa para essa escolha de uma base do espao-nulo simples, pois,


como j foi dito, o espaonulo de uma matriz A nada mais que o conjunto de
todas as solues do sistema homogneo Ax = 0. Assim, os vetores que geram
a soluo geral de Ax = 0 no exemplo acima, [1 0 0 0 0]T, [0 2 1 0 DF
e [0 2 0 2 1]T tambm geram todos os vetores de N(A). E mais, esses
vetores formam um conjunto linearmente independente, pois a nica maneira
de obtermos a soluo trivial a partir deles fazendo todos os coeficientes de
sua combinao linear iguais a zero.
Assim como a dimenso do espao-coluna o posto , a dimenso do
espao-nulo de uma matriz tambm recebe um nome especial.

efimo 215 A dimensao" do espaonulo deuma matrlz Aechamad


Widdd A. ? ,,denfadyprnum): , ,
w. .:,r.,,-m.=f.r ' " '
,;HU _M$

Por fim, chegamos ao ltimo dos subespaos fundamentais de uma matriz.

efinlo216 o espaonuloesquerdodeumamatrizAecomunicammada
ads. vetores.._y que, bedecem , equ fr...? Os? (amdr Nii;
A denominao espao-nulo esquerdo fica clara quando lembramos que
ATy = 0 equivale a yTA = OT. O espao-nulo esquerdo de uma matriz A
m >< n um subespao vetorial do Rm (ou do "). De fato, Vu, v 6 N(AT) e
qualquer escalar &, temos

AT(u+v)=ATu+ATV=0+0=0 e AT(au)=aATu=a0=0_
Geralmente, N (AT) # N (UT). De fato, para

mel; ?Hi gHa gtv,


98 Espaos Vetoriais Captulo 2

temos [1 1]T e MAT) mas [_1 HT ,; N(UT); e [0 n & N(UT) mas


[0 llT & N(AT).
Como encontrar, ento, bases para N(AT) e para N (UT)? Pr SSO, pre
cisaremos de um resultado muito importante, que provaremos mais adiante
(ver Teorema 2.2): se posto(A) = 7", ento dim(N(AT)) = m 7", sendo m "

o nmero de linhas da matriz A. Como posto(U ) = posto(A) = 7, tambm


temos dim(N(UT)) : m _ 7,
Sabendo disso, basta procurarmos m r vetores(-linha) do Rm linearmente
independentes que multiplicados pela esquerda por U resultem no vetor(-linha)
nulo. Isto , buscamos y & Rm, tal que yTU = OT. E os encontramos facil
mente entre os vetores da base cannica do Rm. Vejamos um exemplo num
I'ICO.

Exemplo 2.21. Notemos que

01234
yTU=[0010]8883=[00000],
00000
que
01234

[ll88833=ll
00000
e como [0 0 1 0]T e [0 0 0 1]T so dois(= m 7 = 4 _ 2) vetores
do R4 linearmente independentes, encontramos uma base para o espao-nulo
esquerdo de U. *
[]

Onde procuraremos os fm,fr vetores do R linearmente independentes para


formar uma base de N(AT)? Recorramos novamente a um exemplo numrico.

Exemplo 2.22. Consideremos as matrizes

* ! H O N O C O G A CI H hr D C D O G H O C M O D o t ! O G A M O G
0

HJ P M O C W M F *O
0 0
0 0 0
L"1A = 10 0
0 1 0
52.4 Os Quatro Subespaos Fundamentais 99

Observemos que, ao multiplicarmos a terceira linha de L1 por A, obtemos a


penltima linha de zeros de U, isto ,

0 1 2 4
[2410] 0
0
1 2
0 0
6
4
=[00000],
0 0 0 6

deU,

[3301]8
0 1
WINS.-PO
e a multiplicao da ltima linha de L'1 por A resulta na ltima linha de zeros

0 0
0
1

CBA D =[00000],
C(BOM!-PCON)
portanto, a base de N (AT) formada pelas linhas da matriz L1 correspon
dentes as linhas nulas da matriz U. []

Cabenos ainda mostrar que as linhas de L1 sempre nos fornecero vetores


linearmente independentes. A proposio abaixo nos garante isso.

Demonstrao. Sejam yl, . . . ,ym as linhas de uma matriz invertvel B. Para


mostrarmos sua independncia linear, consideremos a equao

G1Y1+"'+amYm=0,
que pode ser escrita como

[al...am]B=OT,
mas
[al . . .am] = [al . ..am] BB_1 = OTB1 = OT,
isto , yl, . . . ,ym so linearmente independentes. D
As colunas de uma matriz invertvel tambm formam um conjunto linear-
mente independente (ver Exerccio 2.4.6).
100 Espaos Vetoriais Captulo 2

O estudante deve lembrar que j conhece Varios teoremas fundamentais: o


Teorema Fundamental da Aritmtica, o Teorema Fundamental da lgebra, o
Teorema Fundamental do Clculo. Acreditando que uma disciplina to im
portante quanto a lgebra Linear no poderia deixar de ter o seu teorema
fundamental, Gilbert Strang [33, 32] chama o resultado a seguir, sobre as re
laes entre as dimenses dos quatro subespaos fundamentais, de 1 parte do
Teorema Fundamental da lgebra Linear. A segunda parte ser estudada no
prximo captulo.
Observando que, para uma matriz real A m >< n, os espaos N (A) e R(AT)
so subespaos do IR", enquanto que N(AT) e R(A) so subespaos do R,
podemos relacionar suas dimenses assim:
g,; W; __u-wcwF =,'gar,:.:(nw,

eorema 2.2 (Teorema Fundamental


riz m >< n com posto(A)
_ 7, ento
Hf wy- 1,3: www:: grass-zw&? .?:a,
da lgebra L1near)Se ( fr uma '

&. dim(R,(A)) = 7";


b. dim(N(AT)) = m r;

Demonstrao. A demonstrao desta parte do Teorema Fundamental da l-


gebra Linear bastante simples.
Por definio dim(R(A)) = posto(A) = 7'. Como uma base do espao-
coluna de A formada pelas colunas de A correspondentes s colunas de sua
forma escalonada U que possuem pivs, ento o posto de A o nmero de
pivs de U.
A dimenso do espaolinha de A tambm dada pelo posto(A), pois to
mamos as linhas de A correspondentes s linhas que possuem pivs em U para
formarmos uma base de R(AT).
O nmero de variveis bsicas do sistema Ax : O o nmero de pivs
de U, sendo, portanto, igual ao posto(A). J o nmero de variveis livres do
sistemas o nmero de colunas de A menos o nmero de variveis bsicas, i.e.,
n 7". Mas o nmero de variveis livres a dimenso do espao soluo do
sistema homogneo, que a dimenso do espao-nulo de A. Assim, a dimenso
do espao-nulo de A n 1".
52.4 Os Quatro Subespaos Fundamentais 101

At aqui mostramos que a dimenso do espaonulo de uma matriz o


nmero de colunas dessa matriz menos o posto da matriz. Ora, posto(AT) =
posto(A), pois o espao-coluna de AT o espao-linha de A. O espao-nulo
esquerdo de A, nada mais que o espao-nulo de AT, ento, pelo que ja foi
demonstrado, a dimenso do espao-nulo de AT o nmero de colunas de AT
(isto , o nmero de linhas de A), que m, menos o posto de AT, que r.
Ento, dim(N(AT)) = m r. [3

Por fim, gostaramos de complementar a observao feita acima. Para uma


matriz real A, no s N (A) e R(AT) so subespaos do IR", mas so subespaos
complementares, pois dividem o R" em duas partes. Mais formalmente, o
Corolrio 2.1 garante que

R(A) e N(AT) = nm e R(AT) e N (A) = R" .


Assim, pelo Exerccio 2.1.16, cada x E R" pode ser decomposto unicamente
na soma de dois vetores: xl pertencente ao espaolinha de A e x,, do espao
nulo de A, x = X, + X".
De maneira anloga, um vetor y & Rm pode ser unicamente decomposto
em y = yc + yne, onde ye R(A) e y...: 6 N (AT)-

EXERCCIOS

2.4.1 Encontre bases para os quatros subespaos fundamentais das matrizes


abaixo e bases para os quatros subespaos fundamentais de suas formas
escalonadas.

'121 111 254


a.2-14 111 c. 443
322 211 618
'134-254 12045_3
269182 372014
d'269197 252461
_134-254 4924-47

2.4.2 Encontre uma matriz real 3 >< 3 cujo espaonulo o eixo 3; e o espao-coluna
o plano mz.
102 Espaos Vetoriais Captulo 2

2.4.3 Na Proposio 2.5, mostramos que as linhas A geram 0 mesm SUPGSPO


que as linhas de U e viceversa, mas o que garante que as linhas nao nulas
de U so vetores linearmente independentes para que possamos toma-las
como base de R(UT)? Mostre esse fato.
2.4.4 Inspirandose na Proposio 2.7, mostre que as linhas de uma matriz A cor-
respondentes s linhas com pivs de sua forma escalonada U sao llnearmente
independentes.

2.4.5 D um contraexemplo para refutar a afirmao se A e' quadrada, ento


R(A) = R(AT). Quando essa afirmao verdadeira?
2.4.6 Mostre que uma matriz quadrada ser invertvel se, e somente se, suas
colunas forem vetores linearmente independentes.
2.4.7 Mostre que se AB = 0, ento R(B) C N(A).
2.4.8 Mostre que se AB = 0, ento 'R(AT) C N(BT).
2.4.9 Se A uma matriz m x n, com m 5 n, qual a relao entre m, n e posto(A)?
2.4.10 Se A uma matriz real simtrica, mostre que R(A) = 'R(AT) e N (A) =
N (AT). No manipule notaes: use as definies de cada subespao.
2.4.11 Considere a matriz A do Exemplo 2.18. Decomponha o vetor do R5
[1 3 5 19 12]T na soma dos vetores X; & R(AT) e x,, & N(A).
2.4.12 Considere novamente a matriz A do Exemplo 2.18. Decomponha o vetor
[1 9 2]T & R3 na soma dos vetores xc & ??,(A) e xne e N(AT).
52.5 Subespaos Fundamentais, SistemasLineares e Invertibilidade 103

2.5 Subespaos Fundamentais, Sistemas


Lineares e Invertibilidade
chegada a hora de relacionarmos os quatro subespaos fundamentais
de uma matriz com o que aprendemos sobre sistemas de equaes lineares.
Comecemos por formalizar uma definio j vista no Captulo 1.
'iii'ii' "Sejam iimwrfft'TZWH ebum "G&G? alemanha
sistema Ax = b dito consistente, se existir pelo menos um vetor na,
.
- Hga . nas... ...... . .,. ...,-.. , ., _, ,, ...:, ( .. *. lun ., =M as,-4134; .!" :'

Com o conhecimento dos subespaos fundamentais, o teorema a seguir


facilmente demonstrado.
_
eorema 2.3. O Sistema (1_ equaoes rf
735,3. zg. grs.=; Nonat, ; fw! wswvzvyzr'mzw.
. ., sul.'j.faa WW,-< x= ":'(ir'uw'.
. ,,,-,,
lineares Ax = b ser consrstente se,
. .N .
, . . **?W'r-Yv'f ,
,
W.,,,,,,,,,,.,,,,h.,, ,,,nnr

"
asntese, 13. estiver no. ,esnegf,1unesisflz- .

Demonstrao. Suponhamos que o sistema Ax = b seja consistente. Ento,


existe um vetor x tal que Ax = b, isto e, b pode ser escrito como uma combina
o linear das colunas de A, cujos os coeficientes escalares so as componentes
de 32. Portanto, b esta no espao-coluna de A.
Reciprocamente, se b 6 R(A), ento b pode ser escrito como uma combi
nao linear das colunas de A. Esta combinao linear pode ser expressa como
b = Ax, sendo que as componentes do vetor x so os coeficientes da combina
o linear. Mas isso apenas um outra maneira de dizer que >: soluo do
sistema Ax : b. D
sewwawawwwmwwwra WWWw-wsrswaaewwhgwm
oillyryffi ja urna matriz mx n, cm m* _ SIS ema db eiquao'
Wmgmw .

usares ,,Ax abra,/r se gre cnsistente se,=e_,89mente. ,,goglf m


Demonstrao. O resultado vale para espaos reais ou complexos (i.e., com
F = (C). Faremos o caso real, pois a demonstrao do caso complexo anloga.
Pelo Teorema 2.3, se o sistema Ax = b for sempre consistente, ento,
para Vb & Rm, b estara no espao-coluna de A. Isso significa que 'R(A) )
Rm, mas como R(A) C Rm sempre, ento 'R(A) = R. Ento, posto(A) =
dim(R(A)) = dim(Rm) = m.
104 Espaos Vetoriais Captulo 2

ReCProcamente, se posto(A) = m, ento dim(R(A)) = m dim(Rm)


e, portanto, 0 espaocoluna de A contm todos os vetores do R e, assnn,
Vb G Rm estara no espaocoluna de A e o Teorema 2.3 nos garante que o
sistema Ax = b sera consistente. D
Aqui cabe uma observao. O Corolrio 2.2 exige que m na pois se
m > n, teramos uma base do Rm formada por n (n < m) vetoreS, que seria
absurdo. Este fato vem embutido na condio posto(A) = m d Corolrio 22
devido a proposio a seguir.

, roposio 2.10. Seja A uma matriz m >< n. Ento, posto(A) 5 minfm, n);

Demonstrao. O posto de uma matriz dado pelo nmero de pivs da matriz


escalonada correspondente, e, por sua vez, o nmero de pivs no pode ser
maior que o nmero de linhas m nem maior que o nmero de colunas n da
matriz. I:!
Numa matriz A m >< n, quando posto(A) = min[m,n), dizemos que a
matriz de posto completo.
. w. ,; ss,-sasa, m %%?an
?"e'fmsz'. SeA eumamatrizmxf, e to S
L;

gafirmaes:
. .
,
&

."
N

a. As colunas de A sao vetores linearmente independentes.


Es b. O sistema homogneo Ax = 0 possui somente a soluo trivial.

(: Q szstemgAx= bsssul nomaXImumasolugaogara cada b , s


Demonstrao. (a) => (b) Se as colunas de A forem vetores L.I., ento a
equao vetorial que representa a combinao linear dessas colunas, Ax = 0,
s possuir uma nica soluo, que x = 0,
(b) => (a) Reciprocamente, se o sistema Ax = O possuir apenas a soluo
trivial, ento a nica maneira de combinar linearmente as colunas de A a Em
de anula-las ser se os coeficientes da combinao linear forem todos nulos.
Isto , a nica maneira de Ax = 0 ser com x = 0,
(b) =* (c) Suponhamos que Ax = O possua apenas a soluo trivial. O
sistema Ax = b ou inconsistente ou consistente. Se for inconsistente,
52.5 Subespaos, Sistemas Lineares e Invertibilidade 105

no possuir nenhuma soluo e a tese estar provada. Se for consistente,


suponhamos que x e sejam duas solues de Ax = b. Ento, A(x 2) :
Ax A2 = b b = O, i.e., x 2 ser soluo do sistema homogneo. Mas o
sistema homogneo s possui a soluo trivial, logo x = 2.
(C) => (b) Se o sistema Ax = b possuir no mximo uma soluo para
cada b, tomemos b = 0, ento o sistema Ax = 0 possuir no mximo uma
soluo, mas sendo ele um sistema homogneo, haver sempre a soluo trivial,
portanto o sistema Ax = 0 possuir apenas a soluo trivial. D
Os Teoremas 2.3 e 2.4 e o Corolrio 2.2 podem ser combinados de maneira a
chegarmos a vrios resultados bastante elegantes sobre a invertibilidade de uma
matriz quadrada. Enunciaremos esses resultados sob a forma de equivalncias.

?
,Sma
.. SejA,,-. matriz'huadrada n><nSao equivalentesss
3%;qung ywu-:=navy: :..

intes aiirmaes:
a. A invertvel.
b. O sistema homogneo Ax = 0 possui somente a soluo trivial.
c. posto(A) =

Demonstrao. (a) => (b) Se A for invertvel e Ax = O, ento x = A_1Ax =


AO = 0.
(b) => (c) Se Ax = 0 possuir somente a soluo trivial, ento N (A) = [0]
Logo, posto(A) = n nul(A) = n 0 = n.
(0) => (d) Se posto(A) = n, ento, pelo Corolrio 2.2 (lembrando que m =
n, para A quadrada), o sistema Ax = b ser consistente. Como posto(A) : n,
ento, pelo Teorema Fundamental da Algebra Linear (Teorema 2.2), nul(A) :
0, i.e., o sistema Ax = 0 possuir apenas uma soluo. Pelo Teorema 2.4, o
sistema consistente Ax = b possuir no mximo uma soluo, logo, possuir
exatamente uma soluo para cada vetor b.
(d) => (a) Se Ax = b possuir uma nica soluo para cada vetor b, po
demos fazer b = e,- sucessivamente para cada vetor da base cannica do R",
106 Espaos Vetoriais Captulo 2

obtendo as respectivas solues (nicas) c,. Assim,

| | | | | |
AC=A Cl Cg Cn : AC1 AC2 AC",

I
= el ez e,, =[.

Portanto C ser a matriz inversa de A, i.e., A ser invertvel. D


O Teorema 2.5 pode ser complementado com as seguintes equivalncias,
cuja demonstrao deixaremos como exerccio para o estudante.
swmumsw mmxmasumamarizilradan ><"n
'r arlo
'

aoedivilenfes
eguintes afirmaes: ?

a. A invertvel.
b. As colunas de A so vetores linearmente independentes.
c. As linhas de A so vetores linearmente independentes.

d. A forma escalonada reduzida por linhas de A a matriz identidade.

cm
,_ Q . sega, pi... 452.11

O estudante mais atento pode estranhar o fato da afirmao det(A) # 0


no estar entre as equivalncias acima. Por terem os determinantes alto custo
computacional, adiaremos o mximo possvel sua discusso. E ainda iremos
muito longe sem eles...

EXERCCIOS

2.5.1 Observe o Corolrio 2.2 e d um contraexemplo para mostrar que a seguinte


afirmao nem sempre verdadeira: Seja A uma matriz real m >< n, com
posto(A) = n, ento o sistema Ax : b ser sempre consistente, Vb & Rm.
52.5 Subespaos, Sistemas Lineares e Invertibilidade 107

2.5.2 D um exemplo de duas matrizes 2 x 2 A e B tais que

posto(AB) < minposto(A), posto(B)) .


2.5.3 Demonstre o Corolrio 2.3.
2.5.4 Seja A uma matriz 3 x 3 invertvel. Cada equao linear do sistema Ax = b
representa que objeto geomtrico? Quais so suas posies relativas? Que
objeto geomtrico representado pela soluo do sistema? E se b = 0?
2.5.5 Seja A uma matriz 3 >< 3 no invertvel. Cada equao linear do sistema
Ax = b representa que objeto geomtrico? Quais so suas possveis posies
relativas? E se b = O?
108 Espaos Vetoriais Captulo 2

2.6 Aplicao: Grafos


Ao contrrio do primeiro captulo, que se resumiu basicamente ao estudo
de um mtodo de resoluo de sistemas lineares, este segundo captulo temse
mostrado bastante terico, forando o estudante a diversas abstraes. No
pense o leitor, no entanto, que tais abstraes sejam somente para o deleite dos
matemticos e que no sirvam para a soluo de problemas concretos. Nossa
inteno nesta seo mostrar como os quatro subespaos fundamentais forne-
cem informaes essenciais para a compreenso e resoluo de uma aplicao
da Teoria dos Grafos Economia.
Um grafo uma estrutura matemtica que envolve dois conjuntos finitos
de objetos: os vrtices ou ns e as arestas, que podem ser orientadas ou no.
No pretendemos fazer aqui uma exposio detalhada dos grafos, mas alguns
exemplos de grafos, na Figura 2.1, serviro intuio do leitor.

(a) orientado (b) no orientado

(d) rvore (e) ciclo (f) circuito

Figura 2.1: Exemplos de grafos.

Consideremos agora o seguinte problema, bastante simplificado, mas que


servir de exemplo: H cinco cidades representadas pelos vrtices V], Vg, . . . ,
V5 do grafo orientado na Figura 2.2 que comercializam bens entre si (mas
52.6 Aplicao: Grafos 109

no obrigatoriamente de forma direta, como podese ver pelo grafo). Cad


uma delas deseja manter um determinado nvel de bens, representado no vetor
b = [bl bg b3 b4 b5]T, o que em Economia se chama demanda. Os bens
fluem de uma cidade outra pelas arestas a1, 0.2, ..., a? e nas quantidades
ml, 332, ..., 1137, respectivamente. Os preos, no entanto, variam de cidade
para cidade e so representados por p = [pl pg pg 194 p5]T. O problema
determinar, a partir das demandas desejadas, o preo dos bens para que haja
equilbrio, isto , no faltem e nem sobrem bens.

Figura 2.2: Grafo do comrcio de mercadorias entre cinco cidades.

A partir do grafo da Figura 2.2, podemos construir o sistema


.,
1 o 0 0 1 -1 0 332 b1
1 1 0 o o 0 -1 mg bg
Ax= () -1 1 0 0 1 0 334 : b3 =b, (2.6)
o 0 1 1 0 0 0 % al
0 0 0 1 1 0 1 5136 b.,
_x7_

que relaciona as quantidades desejadas de bens em cada vrtice com os fluxos


desses bens entre as cidades. A matriz A chamada de matriz de incidncia
do grafo, sendo que os Vrtices so representados pelas linhas de A e as arestas,
por suas colunas.
Vejamos agora como os subespaos fundamentais de A podem nos ajudar
a resolver o problema.
110 Espaos Vetoriais Captulo 2

Espao-nulo esquerdo N(AT)


Como dim(N(AT)) = 1 (ver Exerccio 2.6.2), uma base para (% esp-nulo
esquerdo de A pode ser formada pelo vetor v = [1 1 1 1 1l , ISt e,

BN(AT)=([1 1 1 1 117"),
bastando notar que as colunas de A somam zero. Mas o que isso nos diz sobre
o problema?
Lembrando da Definio 2.16, o espao-nulo esquerdo de A composto dos
vetores v, tais que ATV = O. Precisamos, ento, saber que tipo de informao
AT nos d. Ora, multiplicar a matriz AT por um vetor (do R5) nos fornece
as diferenas, entre cada par de Vrtices conectados do grafo, da grandeza
expressa por esse vetor. Em nosso problema, se multiplicarmos AT pelo vetor
de preos, obteremos o vetor de diferenas de preos entre as cidades:
.-
,. _
dl Pz _ P1
dz P2 _ Ps
de P4 Ps

614 = (1 = ATP = 175 _ p4 . (2.7)


ds pi ps
de 173 _ Pi
_ d7 j _ Ps _ Pz _
Notemos que adicionar qualquer mltiplo do vetor v = [1 1 1 1 1]T
a uma soluo de (2.7) resultar numa soluo desta equao. De fato, se 1")
for uma soluo de (2.7),

AT(f)+av)=ATp+ozATv=ATp+0=d,
pois, av N(AT). Interpretandose economicamente, somente poderemos
encontrar preos relativos para as mercadorias. Esse fato tem ainda uma in
terpretao fsica: em circuitos eltricos, so as diferenas de potencial que
interessam e no os potenciais em cada n do circuito.
Antes de abordarmos os outros subespaos, precisamos relacionar os dois
sistemas acima, (2.6) e (2.7), pois queremos encontrar p a partir de b. Para
isso, necessitamos de uma hiptese adicional. razovel que o fluxo de bens
entre uma cidade e outra seja proporcional diferena de preos entre elas,
52,6 Aplicao: Grafos 111

afinal, se a mercadoria na cidade V2 for mais cara que na cidade Vl, ento Vi
vender uma quantidade maior de seu bem para a cidade V2.
Em notao matricial, essa hiptese de proporcionalidade se torna
x=Kd,
sendo K uma matriz diagonal 7 x 7 com as constantes de proporcionalidade.
Assim,
x=Kd=KATp,
usando a equao (2.7).
Substituindo a expresso acima em (2.6), obtemos

AKATp=b,
isto , podemos obter os preos dos bens para cada conjunto de nveis de
demanda desejados pelas cidades.
Voltemos aos outros subespaos de A.

Espao-nulo N (A)
Utilizando o mtodo de Gauss, encontramos uma base para o espaonulo
de A: ' ' " '
('
1 1 O ')
1 1 1
1 0 1
BN(A) =[n17 1129 113]: 1 7 0 > _1 >,
1 O O
0 1 0
& _ 0J _ 0 J
_ 1_ ,
notando ainda que os vetores
- 1_ _0-
O O
0 1
n1+n3= 0 e n1+n2= 1
1 1
O 1
_ 1l _ 0_
112 Espaos Vetoriais Captulo 2

poderiam ser vetores de outras bases de N(A).


Como as colunas de uma matriz de incidncia referemse s arestas
do grafo,
e como os vetores do espao-nulo de A representam as combinaes hneares das
colunas de A que resultam no vetor nulo, estes vetores identificam os Circuitos
fechados do grafo. O leitor pode verificar que os vetores nl + nz nl + na
tambm representam circuitos fechados do grafo.
A interpretao econmica desse fato que, se 371 for soluo de (2.6), ento
acrescentar a 5a um mltiplo de um vetor do espaonulo de A ser o mesmo que
acrescentar uma quantidade constante de mercadorias ao fluxo entre cidades
num circuito fechado, no alterando, assim, a soluo do sistema.

Espao-coluna R(A)
Uma base para o espao-coluna de A pode ser formada, neste exemplo,
pelas quatro primeiras colunas de A (ver Exerccio 2.6.2). Poderamos escolher
outras colunas, por exemplo, as trs primeiras e a quinta coluna, mas no as
colunas 2, 3, 4 e 7, pois estas representam um circuito fechado, o que significa
que sua soma o vetor nulo, mostrando que elas so linearmente dependentes.
Como dim(R(A)) = 4 < 5, nem todos os nveis de bens desejados pelas
cidades levam a um sistema (2.6) consistente. Lembrando que Ux = L1Ax =
Lb, a condio para que (2.6) seja consistente
b1+bz+b3+b4+bs=0>
ou seja, no pode haver acrscimos ou decrscimos na soma total dos nveis
relativos de bens, j que no h entrada (nem sada) de bens no universo que
compreende as cinco cidades.
Esta condio conhecida pelos alunos das aulas de Eletricidade e deno-
minada Lei de Kirchhoff das correntes: num circuito fechado no dissipativo,
a soma das correntes nos ns zero.

Espao-linha R(AT)
Por fim, chegamos ao espao-linha de A. Uma base de R(AT) pode ser
formada pelas quatro primeiras linhas de A (ver Exerccio 2.6.2).
Observemos que:
. o espaolinha de A o espaocoluna de AT;
52.6 Aplicao: Grafos 113

Q p

. fazer o somatrio das diferenas num circuito fechado calcular an 7


para ti E N(A);
mas isso nos d

an = n"P(ATP) = (nTAT)p = (ANTD = 0,


ou seja, o somatrio das diferenas de preos no circuito fechado zero.
Completando a analogia com a Eletricidade, essa ltima condio conhe
cida como Lei de Kirchhor das voltagens: a soma das diferenas de potencial
em um circuito fechado zero.
Para concluir, resolvamos o problema com dados numricos. Com K = I ,
quais devem ser os preos relativos, se queremos as seguintes demandas:

[b1 b2 b3 b4]T=[8 4 9 3]T?


Observando que, uma vez escolhidos bl, bg, b3 e b4, no estamos livres para
escolher b5 e que os preos so relativos, ento podemos escolher pg, = 0. Se
construirmos uma matriz A com as primeiras quatro linhas de A, teremos uma
matriz com posto completo 4. Devemos, portanto, resolver o sistema

ITs = 6,
sendo f) e b vetores de dimenso 4. A soluo

p": [9 8 11 n,
ou seja,
pT=[9 8 11 7 0]T.

No prximo captulo, continuaremos a estudar os espaos vetoriais, esten-


dendo algumas noes geomtricas do plano e do espao tridimensional aos
espaos vetoriais genricos.
114 Espaos Vetoriais Captulo 2

EXERCCIOS

2.6.1 Utilizando o mtodo de eliminao de Gauss, encontre a decomposio LU


da matriz A na equao (2.6). Encontre ainda L.

2.6.2 Encontre bases para os quatro subespaos fundamentais da matriz A da


equao (2.6).

2.6.3 De posse das reSpostas dos Exerccios 2.6.1 e 2.6.2, refaa as anlises desta
seo.

2.6.4 Considere os vetores nl, n e na da base de N (A) que encontramos no texto.


Quais so os vetores do espaonulo de A cujos elementos so os nmeros
0, 1 e 1 (ou, em outras palavras, quais so as combinaes lineares de n],
112 e 113 cujos elementos so os nmeros 0, 1 e 1)? Mostre que cada um
deles sempre leva a um circuito fechado.

2.6.5 Refaa o problema exposto pelas equaes (2.6) e (2.7) com os seguintes
dados:
8
,. 4

3
e
K=diag([1 2 3 1 4 2 2]),
sendo que diag([v1 '02 . .. %]) uma matriz diagonal k >< k cujos ele
mentos da diagonal principal so, em ordem, 01, 'Uz, . . . , ok.

2.6.6 Desenhe os grafos correspondentes s seguintes matrizes de incidncia:

1 1 0 O 1 1 1 0 0
1 0 1 O 1 0 O 1 O
a b.
0 O 1 1 O 0 1 1 1
O 1 0 1 0 1 0 0 1

2.6.7 Encontre uma base para o espaonulo de cada uma das matrizes de incidn-
cia do Exerccio 2.6.6 e verifique quais vetores do espao-nulo representam
os circuitos fechados.
52.6 Aplicao: Grafos 115

2.6.8 Calcule a matriz de incidncia dos seguintes grafos:


3
Ortogonalidade
No Captulo 1, trabalhamos sem muita dificuldade com os vetores do IR"
(com n > 3), apesar de no os visualizarmos, pensandoos como extenses dos
vetores de R3. J no Captulo 2, o conceito de vetor tornou-se mais difcil de
intuir, e vimos exemplos de espaos vetoriais cujos elementos eram matrizes
e funes. Um dos motivos pelos quais os vetores no captulo anterior nos
parecem to mais abstratos que o R3, que serviu de base para estender nossa
intuio, traz consigo uma geometria: mesmo sem os visualizar (para n > 3),
pensamos nos vetores do R" como flechas no espao, o que nos leva, quase que
automaticamente, s noes de comprimento, distncia e ngulo.
Neste captulo, estenderemos esses conceitos geomtricos aos espaos ve-
toriais genricos da Definio 2.1. A ortogonalidade receber um destaque
especial.
Comearemos definindo a norma de um vetor e o produto interno entre
dois vetores. Em seguida, introduziremos o conceito de subespaos ortogonais.
Projees podero, ento, ser definidas, e apresentaremos o mtodo de orto-
normalizao de GramSchmidt, que resulta em uma decomposio matricial,
a decomposio QR. De posse disso, finalizaremos o captulo uma poderosa
aplicao da lgebra Linear: o mtodo dos mnimos quadrados.

3.1 Norma e Produto Interno


Por todo este livro, procuramos inicialmente introduzir conceitos que sejam
mais prximos da intuio do leitor, generalizando-os em seguida. Somente de-
pois de generalizados os conceitos mais intuitivos que partimos para definies
mais abstratas.

117
118 Ortogonalidade Captulo 3

Quando falamos dos espaos euclidianos R2 e R3, sempre nos referimos ao


comprimento de seus vetores. Entretanto, ainda no definimos um anlogo do
comprimento de um vetor para vetores genricos. E claro que tal definio deve
corresponder ao comprimento do vetor, quando o espao vetorial em questo
for o R2 ou o R3.
umfunaoqu aesoc r;
WMSV"VWYFli',443%; ..,...
'

,eniaoglil-ima %%%&erum'espaovetorialV
cada vetor V E V um nmero real no negativo ||v||, satisfazendo, par:
tuaisquer u, V E V e qualquer escalar a, as propriedades:

Z 0, com ||u|| = 0 se, e somente se, 11 = O;


b-llaull= lalllull

Todas as exigncias da definio acima so desejveis para uma funo que


queira calcular anlogos de comprimentos. A primeira exigncia talvez a mais
bvia: normas, como comprimentos, devem ser nmeros reais no negativos e
somente o vetor nulo deve ter norma zero. A segunda pede que a norma de um
vetor cresa proporcionalmente ao escalar que o multiplica. O terceiro item
a generalizao da desigualdade triangular para dimenses maiores que trs.
Exemplo 3.1. A norma euclidiana do R" definida por

na=Je+e+m+a.
No espao vetorial das matrizes reais m >< n, podemos definir uma norma
pela expresso
A" = tr(ATA) .
Mesmo num espao vetorial de dimenso infinita, como os espao das fun
es contnuas f : [a,b] > R, podemos definir uma norma por

|vn=(5aem). e
E relativamente fcil verificarmos que as trs expresses no Exemplo 3.1
obedecem primeira e segunda exigncias da Definio 3.1, mas a desigual
dade triangular mais difcil de mostrar. E j que nos inspiramos na geometria
53,1 Norma e Produto Interno 119

do R3 para definir a norma como um anlogo do comprimento de um vetor no


espao, vejamos se a geometria nos fornece mais alguma intuio.
No R3, a desigualdade triangular colapsa numa igualdade se os vetores
forem colineares, isto , se o ngulo entre eles for zero ou 180. O conceito de
ngulo talvez tenha um papel relevante na desigualdade triangular e, assim,
procuraremos generaliz-lo para espaos vetoriais genricos.
No espao tridimensional, o produto escalar relaciona o comprimento de
dois vetores u e V com o (cosseno do) ngulo 0 entre eles pela expresso

u - v = Hu||||V|| cosd.

Vejamos, ento, at onde essa intuio nos levar, deixando, por ora, as normas
um pouco de lado.
Assim, como no nos contentamos em restringir os espaos vetoriais so-
mente ao R", tambm aqui queremos trabalhar com definies mais amplas
e o produto escalar ganhar o nome de produto interno. Inicialmente traba
lharemos apenas com espaos vetoriais reais, mas definimos abaixo o produto
interno para espaos vetoriais complexos, e empregamos essa definio para
espaos vetoriais reais, observando que = a, se oz E R.

;? efinlga...? pribdtbminternoeuriifunadqifewssdbiewald?par
&

Letores u e v de um espao vetorial V um nmero (real ou complexo) (u, v) '

)al que, para quaisquer u, v e W em V e qualquer oz escalar: '


a. (u, v) = (v, u), sendo que a barra significa o complexo conjugado;

c. (au,v) = (u,v);

___ly.vim,,0
_
b. (u+v,w) = (u,W) + (WW);

cm-)=Qse..esmerg,t,e,,gg,,v=9 , ,,.
Duas observaes: no caso real, a primeira propriedade se resume a (u, v) =
(V, u). No caso complexo, obtemos da primeira e da terceira propriedades, que

<u, BV) = <Bv, u> = Be, u> = ? v, u> = au, v> .


Vejamos agora alguns exemplos.
120 Ortogonalidade Captulo 3

Exemplo 3.2. O produto interno mais conhecido o produt interno Cdi-


diano do R", dado por

(u, v) = ulul + uguz + ' - - + Unvnv


que cumpre as exigncias da Definio 3.2. Seno vejamos:

(u,v) =u1v1 +---+unvn = u1u1 +---+Unun = (v,u),


usando a comutatividade da multiplicao dos nmeros reais. E, pela distri-
butividade da adio e da multiplicao dos reais, obtemos
(u+v,w) = (u1+u1)w1+-H+(un+vn)wn=
=ulw1+v1w1 +--+unwn+vnwn = (mW) + (WW)-
fcil ver que
(au,v) = (au1)u1 + - - - + (aun)fvn = a(u1v1 + - - - + unun) = a(u, v) .
E, por fim,
(v,v) =u1u1+-'-+unun=uf+---+v,2, 20,
-
com a igualdade ocorrendo somente quando ul = - = o,, = 0, isto , quando

v = O. D

Exemplo 3.3. Podemos introduzir uma pequena modificao no produto in-


terno euclidiano acrescentando-lhe pesos p1,p2, . . . ,pn e definindo o produto
interno euclidiana ponderado:

<, V) = P1U1711 + quzvz + ' ' '


+pnunun .
Os pesos pl, . . . , p,, devem ser todos estritamente positivos, pois

(v,v) =p1vf+--+pnv 2 0,
para qualquer vetor v e R", e

---
(WV) =p1'vf + +pnvf, = 0,
somente quando v = 0. Os outros requisitos da Definio 3.2 so fceis de
demonstrar e so deixados como exerccio (ver Exerccio 3.1.7).
53,1 Norma 6 Produto Interno 121

Exemplo 3.4. Inspirados pelo Exemplo 3.1, podemos definir no espao veto
rial das matrizes reais n x n o produto interno
(A, B) = tr(ATB) : tr(BTA) .
Fica como
exerc1c1o para o leitor provar que o produto interno acima est bem
definido (ver Exerccio 3.1.8). [|

Exemplo 3.5. No espao vetorial das funes reais de classe C [a, b], a expres-
so b

ao=fmuae
define um produto interno. No Exerccio 3.1.9, pedimos ao leitor demonstrar
essa afirmao. []

Comocontinuaremos a escrever os vetores do IR" como matrizes n >< 1,


bom ter uma notao matricial que represente o produto interno euclidiano
no IR". De fato, o produto interno euclidiano no R" pode ser expresso como a
multiplicao matricial de um vetor-linha por um vetor-coluna:
01

(u,v)=uv=[u1
T
U2 un] 2_ =u1u1+u2U2+--+unun.
'Un

J no (C", escrevemos
"Ui
'Uz __ _ _
(uv)u*v[u1 HE un] : =U101+U2U2+'"+Unvn.
Un

Olhando para a definio de norma e para o item (1 da definio de produto


interno, no h como no percebermos uma conexo. De fato, normas podem
ser definidas a partir de produtos internos. Assim, se o espao vetorial V
possuir um produto interno ( ,) poderemos definir uma norma como segue
abaixo.
122 ortogonalidade Captulo 3

aigiga??3. Sel
ejaVum espaovetorialcom produto interno (.,)
morma do vetor V E V proveniente do produto interno ( . , .) dada por:


5-
(

' vn >.< '


'L'h " 'um ,.Cm' iq +34... ., , emai... ,: . <- ..,

A norma euclidiana, por exemplo, provm do produto interno euclidiano,


sendo definida no R" por

an =</<v,v> = Jvi+v+w+va
ou, em notao matricial,
uvn = v v.
No (C", temos
||v||2 = v*v.
Para verificarmos se a expresso (3.1), na Definio 3.3, de fato uma
norma, precisamos que ela cumpra os requisitos da Definio 3.1. Claramente,

Havll = <<av av> =Vaa<<vv> = |a|</<v,v> = laillvll

||v|| = (v,v) = Vu? +v+---+v,, Z 0,


com ||V|| = 0 se, e somente se, v = 0.
Para verificar a desigualdade triangular, mostraremos um importante te
orema que relaciona o produto interno entre dois vetores com suas normas:
a desigualdade de Cauchy-Schwarz, em homenagem a dois matemticos eu
ropeus, o francs Augustin-Louis Cauchy (*1789 J(1857) e o alemo Karl
Hermann Amandus Schwarz (*1843 J[1921).
eorerna fil(e
Maresna WrW..g" 4%; w
ejam
K
u evdels vetore
(%ww' f-'

(, ) e norma H. ||, proveniente


, .
eSIgu
ie um espao vetorial com produto interno
A este produto interno, ento:

*
a-nm iuvzlm ...... ,W , _

Demonstrao. Utilizando as propriedades do produto interno, temos


O 5 ||u 01le2 = (11 av,u av) = ||ul|2 + |oz|2||v||2 =
2Re(a(u,v)) ,
531 Norma e Produto Interno 123

para qualquer escalar complexo a.


Como a desigualdade ser trivial se v = O, podemos supor v 76 O e escolher
a=<mv>
IWW'
Da,
uz
osuu "IHHVII
|<u vn 2 lVluv
mae(H< >)-_
=u2 |<UV|2_ e|<a>|2 =u2_|<uvll2
"
j que |(u,v)|2 6 R.
(IWW
Assim,
R'(nwr> "" nur,

|<u,V>| IIUIIIIVII,
pois as grandezas envolvidas so todas no negativas. |]

Fazendo uso da desigualdade em (3.2), temos


||u+v||2= (u+v, u+v)= (u,u) + (v,v) + (u,v) + (v,u) =
= IIHH2 + ||V|l+ (uw) + (uw) = Illlll2 + IIVII2 + 2Re(<u,V>) S
5 Ilull2 + IIVII + 2|<u,V)I S IIHII2 + IIVII2 + 2IIUIIIIIVII =
= (Hull + "VII)2,
portanto ||u + V 5 ||u|| + ||v||, j que as normas so sempre no negativas.
De posse desse poderoso resultado, podemos agora retornar s normas de-
finidas no Exemplo 3.1.
Exemplo 3.6. Todos os itens da Definio 3.1 so facilmente verificados para
a norma euclidiana do R", dada por

|W=J%+u%w"+u (33
que vem do produto interno euclidiano (ver Exemplo 3.2). De fato,

" : Wl/02 + ((1qu + + (un)2 JOHN? + N + - - + u) =


' ' '
:
'

=mwe+e+m+a=mwm
124 Ortogonalidade Captulo 3

Claramente,
IIUII = U%+---+u 20,
pois a soma de quadrados de nmeros reais sempre no negativa. Alem disso,
tal soma s zero se todos os quadrados forem nulos, isto , se u : O.
A desigualdade de Cauchy-Schwarz para vetores do R" assume a forma:

|u101+"'+unvnlX/U?+"+ux/+''+v.
Assim,
||u+V|I2=(U1+U1)2+"'+(un+vn)2=
=u3+m+u+vf+um+v+2(ulvl+"Fun/0705
ui....+u+v%+...+fu+2|u1v1+---+unvn|

5u+m+u+vf+---+v+2Ju%+-+u3,x/fu%+w

el
+
|
2
= (x/u%+--+u,,+x/v%+--+v) = (Ilull + uvnf,

ento, como as normas so nmeros reais no negativos,

IIU+VII 5 Hll + VII-


A norma euclidiana do R", dada em (3.3), cumpre, portanto, todas as
exigncias da Definio 3.1. D

Exemplo 3.7. No espao vetorial das matrizes reais m >< n, a expresso

HAI! = V(ATA),
define uma norma. De fato,

IIaAII == tr((aA>T<aA = x/atrWA) = lah/tr(ATA) = IaIIIAII-


Provar o restante desta armao um bom exerccio (ver Exerccio 3.1.1)
e fica a cargo do estudante. E!
53,1 Norma 6 Produto Interno 125

Exemplo 3.8. Para o espao vetorial das funes reais contnuas com domnio
num intervalo [a, b] (chamadas funes de classe C [a, b]) podemos definir

Ilfll = ( [f(w)dw)% .

Deixamos para o estudante a tarefa de verificar que a norma acima est bem
definida (ver Exerccio 3.1.2). [3

Uma outra noo geomtrica pode ser agora acrescentada o nosso estudo:
a de distncia. Em Matemtica Superior, o conceito de distncia pode ser
definido independentemente dos de norma e de produto interno. No entanto,
a definio cannica de distncia em espaos vetoriais com norma emprega a
norma do espao.
W eJa'VWm espao com norma WW?
ei-way.&mmwequwwmwm 'J-3:33, v-- emu wWWWWWWWW
zstancza vetore
entre os ,

e v em V dada por
* "* grraf$? vi du: V) f.,L . Vil
., : f .; "& -;wa

O leitor que desejar aprofundar seus conhecimentos matemticos no que


diz respeito a distncias deve procurar o captulo sobre espaos mtricas em
qualquer bom livro de Anlise (e.g., [29]) ou num livro como [25].
Terminaremos esta seo apresentando uma definio de norma matricial
bem mais utilizada que a do Exemplo 3.7. Ela provm das normas vetoriais
dos espaos de sada e de chegada e chamada de norma induzida.
WW?

WWW?
,

eT?W?WT%WamZ fee m >"<ne se]am "


' ' '

. ormas do Rm e do IR", respectivamente. A norma induzida da matriz A e


ada Pr A H
X O x

43.
1

llAll<m,n> = XERTL
Sp
HXH(")
#0
.
endo que supxeRn o supremo tomado entre todos os vetores no nulos d :

f'f .. ... 1 , ",3".'..-' ,.

Se desejar, o leitor pode rever o conceito de supremo em, por exemplo,


[12] e [24]. No Captulo 5, mostraremos uma maneira mais fcil de calcular a
norma induzida de uma matriz quadrada, a partir da norma euclidiana do R.
126 Ortogonalidade Captulo 3

Os conceitos de produto interno, norma e distncia imprimem um carter


geomtrico aos espaos vetoriais genricos estudados no Captulo 2. Adiamos,
no entanto, a definio de ngulo entre vetores e portanto de ortogonalidade
=

para a prxima seo.

EXERCCIOS
3.1.1 Verifique se a norma ||A|| : tr(ATA) de fato uma norma do esp
vetorial das matrizes 2 >< 2. Para mostrar a desigualdade triangular, use a
desigualdade de Cauchy-Schwarz

|a11b11 + a12b12 + a21b21 + 022b22| 5 V 0%1 + zx/bfi + bz-


1
3.1.2 Verifique se a norma ||f||: (f:
f(sc)2 da:)
de fato uma norma do espao
vetorial das funes contnuas f : [a,b] > IR. Observe que, neste caso, a
desigualdade de Cauchy-Schwarz toma a forma:

[amenas 5 x/jbfocrdxx/fbgerdw.
3.1.3 Uma bola fechada unitria no R2 a regio do plano definida por (a: e R2 :
Hx" 5 1). Esboce as bolas fechadas unitrias para as seguintes normas:
- IIXIIi = lw1|+|w2|;
b- IIXIlz = Wi + f;
-IIXIIoo = maXflTil, lwzll;
O

_1_
(1. Xuxa = (livilp + |$2|p)', Pr P = 3;
l
8- IIXIIW =(le Hll + |W2w2|). pr %01 = % wii = [Ol'-

3.1.4 Mostre que ||u + V 5 Hu + W + ||w v||.


3.1.5 Nas mesmas condies da Definio 3.5, mostre que

===
|le
sup x(n) =
xElR" sup
xeR"
Min....
Xi llxll(u)==1
53.1 Norma 6 Produto Interno 127

3.1.6 Seja C : [61,e2]: fil OlT, [0 HT] a base cannica do R2. Mostre que,
para qualquer V e R2, com o produto interno euclidiano, podemos escrever
v : <e1,v)e1 + (e2,v)e2.

3.1.7 Verifique se o produto interno ponderado est bem definido, isto , se de


fato um produto interno.

3.1.8 Verifique se a expresso definida no Exemplo 3.4 um produto interno.


3.1.9 Mostre que a expresso dada no Exemplo 3.5 um produto interno.
3.1.10 Seja V um espao vetorial de dimenso finita com produto interno. Mostre
que, se
(u,v) = 0, para todo v 6 V,
ento u = 0.

3.1.11 D um contraexemplo para mostrar que uTv no um produto interno em


C.
3.1.12 Para o produto interno euclidiano no (C", usamos u*v. Mostre que este
produto satisfaz as condies da Definio 3.2.

3.1.13 Seja A uma matriz m x n. Mostre que ATAx = 0 se, e somente se, Ax = 0.
3.1.14 Um matriz hermitiana A dita positiva dejinz'da se x* Ax > O, Vx # O (note
que x*Ax poderia ser zero para algum x 79 O). Mostre que, para A positiva
definida,
(u, v) = n* Av
um produto interno.

3.1.15 Um matriz hermitiana A dita positiva semidefinida se x*Ax 2 0, Vx.


Encontre uma matriz positiva semidefinida A tal que
(u, v) : u*Av

no um produto interno. Qual das condies na Definio 3.2 falha?


3.1.16 Sejam V um espao vetorial com produto interno e B = [v1,vz, . . . ,vn)
uma base de V. Se al, an, . . . , an so escalares, mostre que, para cada a,,
existe um nico vetor u,- e V tal que (Vi, ui) = ai-
128 Ortogonalz'dade Captulo 3

3.1.17 Considerando a norma proveniente do produto interno, mostre que


1 2 2
|<u,v>| s (nun + "vn ).
3.1.18 Seja V um espao vetorial com produto interno e norma proveniente deste
produto. Demonstre a regra do paralelogramo:
2
||u + V2 + Hu - v||2 = 2Hll2 + 2||V|| .
532 Vetores e Subespaos Ortogonais 129

3.2 Vetores e Subespaos Ortogonais


Na .Seao 3.1, lntroduzimos conceitos geomtricos no estudo dos espaos
vetorials definindo o produto interno entre dois vetores, a norma proveniente
de um produto interno e a distncia entre vetores. Faltou-nos porm uma
generalizao do conceito de ngulo entre vetores.
A partir daqui, consideraremos que toda norma em um espao vetorial com
produto 1nterno sera a norma proveniente desse produto. No R, o produto
escalar pode ser definido (ver Exerccio 3.2.1) por

(uw) = IIUIIHVII 0080.


sendo 6 o ngulo entre os vetores u e v, ou pela expresso

(u, v) : ulvl + 112122.

Para uma generalizao do conceito de ngulo entre vetores num espao


vetorial arbitrrio, a equivalncia das definies de produto escalar acima nos
sugere a seguinte definio.
" mamy-:=: fim;sv -:
.? efinigo 3.6. Sejam u ev d fs vetores naonuios e umespao veforia' re
<%=i fti-r **E "'-"f_f?(f-<. -'.?.7,1,r:;fax-"r!gi???:-";, mg/WQS; 53732?;"f"Ijbj'i&1y!?',w??$3'.??2. &mrgvzn'yww a;?ywefwwgmaw.

om produto interno (. , .) e norma . H, proveniente deste produto interno.?


nto o ngulo 0, com O S 9 S 7T. entre 11 e V tl que M
*
%
,

,;
var-= .. &irmw ., ";;;-.=. & .
COS =
;- ; ,, '. m =. :..?
<
, >
u v
lilljix
.
,.....,. , , (.a s uw ,. nv, ,f _ . . .). ,f ;
"

Observe que a definio acima s coerente porque a desigualdade de


CauchySchwarz (3.2) nos garante que, para vetores u e v no nulos,

'

IIUIIIIVII '

Nosso interesse recai eminentemente sobre um ngulo: o ngulo reto.

gbefiniao 3.7. Dms vetores u e v de um espao vetoria rea


. w,.
com produt..
it." a? M, Mni W"r""'f'iW-'V'Y"?rl:-"! ''34'"?7w=f'"*",142"f'.'._':K-.wui? ''Pt'au' rg?- t'1:_.=)NJ' a

ira-imo So ortogonis seia. y.).iz-.N.fSe.,.gse. ,escarevfmgs 311 v. .. & war... n'. .. w -


130 Ortogonalidade Captulo 3

Exemplo 3.9. Os vetores da base ,,


canonica
. do R 3 , 61, 62 e 83, S
= - & dOIS.
dOIS
ortogonais, pois

<aa=e3a=u_0 1 mm mT=0,
(ei,e3>=e'fe3=[1 0 0][0 0 1]T=0,
<e2,e3)=ee3=[0 1 0][0 0 1]T=0

Tambm os vetores u : [1 1 0]T, v = [1 1 1]T e W = [1 1 2lT


so ortogonais dois a dois. De fato, considerando novamente 0 produto interno
euclidiana do R3:
<u,v)=uTV=[1 1 O][1 1 1]T=0
(u,w) =uTW: [1 1 0][1 1 2]T=0,
<v,w>=vT=w [1 1 1][1 1 _2]T=0.

Considerando agora o espao das funes reais C[0, 7r] com produto interno
definido no Exemplo 3.5, temos que

(sen a:,cosx) =/o sen ascosscda: = 0,


7?

ento sen a: e cosx so funes ortogonais, apesar de no podermos visualizar


os vetores desse espao. |]

E bastante til considerar vetores dois a dois ortogonais com normas uni
trias, o que nos leva prxima definio.

ogonal dois a doise se todos possurem norma unitria. Ou seja,


se Vi _l_ Vj

Um conjunto ou uma base sero ditos ortonormais se seus vetores forem


ortonormais.
Uma outra maneira de escrever a definio acima: os vetores v1, vz, .,vn
_
so ortonormais se
<V2',Vj> __

1
0 , i se 2 = j >
. .
, sez7g.
533 Vetores e Subespaos Ortogonaz's 131

Os vetores da base cannica do R3 so ortonormais. No Exemplo 3.9,


podemos fazer

_u__
Hull[ 1
5
1
] , pri3
T v 1

1
"ai
1 T

, l=[ix/5
x/6
L
x/6
_3JT 7

para formar uma base ortonormal do R3.


Podemos estender o conceito de ortogonalidade para os subespaos de um
espao vetorial dotado de produto interno.
we
:*13
mao W..
33. mi? sugesp?
:
'
,. ,? cr-eim .=
ere uni espao ve? riaicom prddu
tm, '
&WWWWW ., , mxm. , ,- , .J '.- Wz'r._,
'

lisiterno so ortogonais se cada vetor V E V for ortogonal a cada vetor W 6 IV


v, ,W = 0, am tdove_ Ve
aii >_ ' , '...ami...; tm _ 121% a W . todo, _w e ,,W,- _ ' v-W[VW,-MM,
,,va _,, . .;av._ &- * *

Exemplo 3.10. Consideremos os seguintes subespaos do R3 com produto


interno euclidiano:
1 0 O 0
U : span O , V : span 1 , W : span 1 , 0
0 0 0 1
e
1 0
Z = span 0 , 0
0 1
Notamos facilmente que U L V, U _1_ W e V J. Z, mas W no ortogonal a Z
(escreve-se W ,J Z), pois nem todos os vetores de W so ortogonais a todos os
vetores de Z. De fato, tomemos w = [0 1 2]T e W e z = [1 O 2]T e Z,
ento (W,z) : 4 # O. O ngulo entre w e z de aproximadamente 0,46%
radianos, ou seja 26,57. D

O leitor mais atento percebe que a ortogonalidade de subespaos vetoriais


condicionada pela relao de suas dimenses com a dimenso do espao vetorial
que as contm. Por exempl, dois subespaos de R3 de dimenso 2 no podem
ser ortogonais, como veremos adiante na Proposio 3.1. A definio abaixo
diz respeito ao maior subeSpao vetorial que contm os vetores ortogonais a
um dado subespao.
132 Ortogonalz'dade Captulo 3
ww:r

eimao3.16 'Dadoum subespao V deum espaovetorialdotado


roduto interno, o conjunto formado por todos os vetores de U ortogonais _
geada vetor de Ve chamado complemento ortogonal de V e denotado por V
pronuncraseV perpe) &&.
mswrst-.:..,s-;;usws-Asgn...ouWML.z aw; Wa. ::E Mi a, 93,33%

Mais do que um simples subconjunto do espao vetorial U, o complemento


ortogonal de um subespao V de U tambm um subespao de U. De fato,
se wl e W2 esto em Vl e a um escalar, ento, para qualquer V E V,

(wl +W2,V) : <W1,V) + <W2,V) = O+0 = 0,

isto , (wl + Wg) l v, e

(aW1,v) = <w1,v) = O = 0.

Exemplo 3.11. No Exemplo 3.10, temos que

Ui = W 2+ = v,
notando que dim(U) +dim(Ul) = 1 + 2 = 3 e dim(Z) +dim(Zl) = 2
Observemos que (Rl = [O] e assim dim(lR') + dim((RH) : 3 + ()

A primeira parte do Teorema Fundamental da lgebra Linear relaciona as


dimenses dos quatro subespaos fundamentais de uma matriz. A segunda
parte mostra que esses subespaos formam pares de complementos ortogonais.

, WMWWWWWW 'W- . ".-,.


feWB'Z '(TeioreqrrwaWFundamental da %%%&
lgebra L1near) Seja A uma
)?m*;asnwwwzgms

eal m >< 72. Ento, o espao-nulo esquerdo de Ae o complemento ortogonal de;


spaO-COI'un de A em Rm; e o espaolinha de A o complemento ortogon
o espaonulo de A em R". Em smbolos:
'

,, w .. , . _mlAnichAiMMthmawm
Demonstrao. Considerando o produto interno euclidiano, provemos inicial
mente que ('R(A)) C N(AT). Tomando V E (R(A))l, ento (u u, V) = 0
53,2 Vetores e Subespaos Ortogonais 133

Vu R(A) Se :,i, :,2, . . . , a,," forem as colunas de A, teremos


(34,17 V) : a?:IV
: 0,

(32,27 V) : gv : 07

T
(um V) : a':,nv : 0)

i.e., ATV = O, logo, VE N(AT). Portanto, (RUM)l C N(AT).


Agora provemos a incluso oposta N(AT) C ('R(A))i. Seja x 6 N(AT),
ento ATX = 0. Para qualquer u & R(A), temos u = Az, para algum z. Da,
(x,u) = (x,Az) = xTAz = (ATx)Tz : (ATx,z) : (O,z) = 0,

portanto N (AT) C (R(A))l. E podemos concluir que N (AT) = (R(AT))l.


Demonstra-se a segunda parte do teorema de maneira anloga, sendo dei
xada como exerccio (ver Exerccio 3.2.8). E]

Da 1 parte do Teorema Fundamental da lgebra Linear e da Proposio


2.1, j sabamos que, para uma matriz real A m >< n,
R(A) ee N(AT) = nm e N(A) ea R(AT) = R .
Se juntarmos essa observao 2 parte do Teorema Fundamental da lgebra
Linear, obteremos
R(A) EB (Romi = n" e N(A) ee (fx/(A))l = IR".
Isso nos faz perguntar se um espao vetorial U com produto interno pode
ser escrito como uma soma direta de um subespao qualquer V de U com seu
complemento ortogonal Vl. Isto 63,

VaVL=U.
claro que isso verdadeiro nos casos triviais V : U (ento, VL = [D]) e
V = [0] (da, Vl = U). Nos casos no triviais quando [O] # V U , a
afirmao tambm verdadeira e usaremos sua demonstrao como motivao

para a seo seguinte.
134 Ortogonalidade Captulo 3

(
Fetbsic???
. ;**sara vum sutep'ad irm esp
nta dotado de produto interno. Ento, ' " '
'

myf m- '
?StA- & - Hmu ,, VaMWiQQL' :. . , . smuri,im , t W

Demonstrao. Provemos inicialmente os casos triviais, V = U e V = [O). Se


V = U, ento Vl : [D], pois O o nico vetor ortogonal a todos os vetores
de U, inclusive a ele mesmo ((O, 0) = 0). Se V = [0], como todos s vetores
de U so ortogonais a O, Vl : U. Em ambos os casos, temos V 69 Vl = U.
Tomemos agora um subespao V de U tal que V # [O] e V U e consi-
deremos dim(V) : p, dim(U) = p + q e
BV : [V1,V2,.. .,Vp)
uma base de V. Pela Proposio 2.1, podemos completar BV com vetores
ul, 112, . . . ,uq para formar uma base BU de U.
Se pudssemos garantir que a escolha dos vetores V1,. . . ,vp e ul, . . . ,uq
pudesse sempre ser feita com vetores ortonormais (ver observao abaixo), a
proposio estaria demonstrada. De fato, consideremos BV : [VI, . . . ,vpj
uma base ortonormal de V e
BU = [v1,...,vp,u1,...,uq]
uma base ortonormal de U.
Claramente, span[u1, . . . ,up] C Vl. E mais, tomando w 6 Vl, temos
w=a1v1+--+apvp+61u1+---+Bquq,poistUe,parai=1,...,p,
0= <w,v,-) =,

--
assim, W = 51111 + - + Bquq, i.e., W & span[u1, . . . ,uq]. Portanto, Vl =
span<[u1, . . . , uq). Pelo Exerccio 3.2.2, [ul, . . . ,uq] uma base de Vi.
Temos, ento, que dim(V) + dim(Vl) = 1) + q = dim(U) Pelo Corolrio
2.1, V e; Vl = U. E]

A escolha de uma base ortonormal para um subespao foi fundamental para


a demonstrao acima. Nossa intuio geomtrica nos diz que se podemos es
colher dois vetores linearmente independentes para gerar um plano (que passa
pela origem) no R3, ento podemos escolhlos ortonormais. Na prxima seo,
mostraremos que essa intuio est correta e vlida para qualquer conjunto
de vetores linearmente independentes num espao vetorial genrico.
53.2 Vetores e Subespaos Ortogonais 135

Gostanamos de chamar a ateno do leitor para uma mudana de nfase


que sera adotada daqui por diante neste livro:

A partir de agora e at o Captulo 5, s trataremos de espaos


vetoriais com produto interno euclidiana e norma euclidiana.

As razes de nos limitarmos a esses espaos, como fizemos no Teorema 3.2,


so duas: sua importncia prtica e a dificuldade de tratarmos espaos com
produtos internos menos usuais, que saem do escopo deste livro. Isso, porm,
no implica perda de generalidade e utilizaremos o produto interno em sua
forma genrica no Captulo 6.

EXERCCIOS

3.2.1 Mostre que, para u, v 6 R2, ||u||||v|l cos : ulvl + uzvz.

3.2.2 Sejam v1, v2, ..., vn vetores ortonormais. Mostre que esses vetores so
linearmente independentes.

3.2.3 Sejam Vl, vz, . . . , vn vetores dois a dois ortogonais. Qual a condio para
que eles sejam linearmente dependentes?

3.2.4 Encontre o complemento ortogonal de cada um dos subespaos abaixo.

&. span[[1 1 OjTj.


b. span[[1 1 1]Tj.
c. span[[1 1 0]T,[1 0 117").
d. span[[1 1 0 0]T,[0 0 1 1]Tj.
3.2.5 D um exemplo de dois subespaos ortogonais U e W tais que seus comple-
mentos ortogonais Ui e W-L no sejam ortogonais.
3.2.6 Sejam U e W dois subespaos ortogonais de um espao vetorial V. Mostre
que U o W = (O).
136 Ortogonalidade Captulo 3

3.2.7 Seja W um subespao de um espao vetorial V com produto interno. Mostre


que (Wi)l : W.
3.2.8 Prove que
(fl/(A))l = RMT),
na 2 parte do Teorema Fundamental da lgebra Linear.
3.2.9 Encontre uma base para o espao-nulo de cada uma das matrizes abaixo.

010 011 110


21000 b001 c.001
000 000 000

3.2.10 Se u e v so dois vetores ortonormais do R", com norma e produto interno


euclidianos, mostre que u v : x/-
3.2.11 Sejam V : spanvl, . . . ,vpj e W = span[w1, . . .,Wq] dois subespaos de
um espao vetorial U de dimenso finita n e dotado de produto interno, tais
que

v,- 74 0,Vi, (Vi,Vj> =O, se i #j, e (v,-,Wj) = O, Vi,Vj.

Mostre que, se 77. < p + q, ento wl, . . . , wq so linearmente dependentes.


3.2.12 Sejam V e W dois subespaos de um espao vetorial U de dimenso finita
n e dotado de produto interno. Mostre que, se dim V < dim W, existir um
vetor no nulo w e W que ortogonal a todos os vetores em V.
53.3 Projees e 0 Processo de GramSchmidt 137

3.3 Projees e o Processo de Gram-Schmidt


Um problema clssico de Fsica Elementar o de uma massa sujeita ao
da gravidade em um plano inclinado sem atrito. Apesar da nica fora atuante
(o peso) ser vertical e portanto paralela aos eixos coordenados usualmente
escolhidos , necessrio projeta-la em duas outras direes: uma paralela
ao plano e outra ortogonal a este.
A ideia de projetar vetores em direes mutuamente ortogonais bastante
til e iremos generalizla para vetores em espaos de dimenso n. Considere
mos, para fins de visualizao, o espao vetorial R3 dotado do produto interno
euclidiano e um subespao W de dimenso 2 com base ortonormal [WI, ng.
Se v for um vetor de R3 que no est em W, poderemos imaginar a projeo
ortogonal de v sobre W como a sombra do vetor v projetada sobre o cho
(i.e., W) pelo sol de meiodia (quando os raios de sol so perpendiculares ao
cho), como na representao da Figura 3.1. Simbolizamos esta projeo por
proij, lendose projeo de v sobre W.

Figura 3.1: Projeo ortogonal de v sobre W.

Formalizamos essa noo de projeo ortogonal de v sobre W, definindo


proij como o nico vetor em W tal que V prij 6 WJ A unicidade de
*

proij garantida pela Proposio 3.1 e pelo Exerccio 2.1.16.


Como calcular proij? Para isso, devemos antes decompor o vetor v em

v : proij + (V prjwV),
138 Ortogonalidade Captulo 3

lembrando que, como (v projWV) _1_ W, ento (V projWV) L WI (v


"
e. _
PrjWV) + Wz, j Que Wi, W2 6 W. E mais, existem escalares al e % tais que
proij = OliW1 + 012W2 , (3-4)
j que proij 6 W.
Assim,
(W1V> = (Wi, prJ'wV + (V prjwvii
= (W1,proij) + <W1,V proij)
: (wl, alwl + ang) + 0

= a1(w1,w1) + a2(W1,w2)
: ml + a2.0
= Oii ,
vindo a segunda igualdade do fato de (vproij) J. wl, a terceira, por (3.4), e
a quinta igualdade provm da ortonormalidade da base de W. Analogamente,
<W27 V) = (12 -
Ento,
proij : <W1,V)W1 + <W2, v)w2 .
Se a base de W no for composta por vetores ortonormais, mas apenas
ortogonais, haver uma ligeira modificao na equao (3.4), resultando em
<W1,V) W <W27V>

j que
PrjWV :

_xi e % so ortonormais.
llwlu " "war '
As duas itimas
frmulas podem ser prontamente generalizadas para n
vetores em um subespao de dimenso maior ou igual a n. Assim, a proje_
o ortogonal de um vetor v sobre um subespao W com base ortonormal
[WI,Wz, . . . ,wn] dada por:
proij : (w1,v)w1 + (wz, v)w2 + . . . + (an WW. (35)
J a projeo ortogonal de um vetor v sobre um subespao W com base
de vetores ortogonais dois a dois [w1,W2, . . . ,wn) dada por;
. <W1,V)
v=w1
<W2,V) (W V)
pr0j w2+-..+__'_
W llwln ||w2|| w,,z w,. (-')
53.3 Projees e o Processo de GramSchmidt 139

Mas o que aconteceria se os vetores da base de W no fosse nem ortogonais


dois a dois, isto , se eles fossem to somente linearmente independentes?
Pelo desenvolvimento feito acima, percebemos que no haveria mais equaes
elegantes como (35) e (3.6) para representar o vetor proij, j que os produtos
internos mistos no se anulariam.
O leitor j deve estar convencido da importncia de trabalharmos com
bases ortonormais e quo til seria um mtodo que ortonormalizasse um con
junto qualquer de vetores linearmente independentes. Tal mtodo existe e
chamado de processo de ortonormalizao de GramSchmidt, em homenagem
ao matemtico e aturio dinamarqus Jorgen Pedersen Gram (*1850 - T1916)
e ao matemtico alemo Erhard Schmidt (*1876 T1959).
O mtodo de ortonormalizao de Gram-Schmidt baseia-se em passos bas
tante simples. O primeiro passo consiste to somente em normalizar o primeiro
vetor. Depois projeta-se ortogonalmente o segundo vetor no complemento or
togonal do espao gerado pelo primeiro vetor. Repete-se esse procedimento at
esgotarem os vetores, sempre projetando-se ortogonalmente o vetor seguinte
no complemento ortogonal do espao gerado pelos vetores anteriores j orto-
normalizados.
Sabemos, pelas frmulas (3.5) e (3.6) como projetar um vetor v sobre
o subespao span[w1, . . . ,Wn], sendo wl, ..., w,, ortonormais, mas como
projetar v sobre (span[w1, . . . ,Wn])l? Se voltarmos a Figura 3.1, veremos
que
projwi v = v proij.
Vejamos como funciona o processo com trs vetores linearmente indepen-
dentes ul, 112 e u3 no IR". _
Inicialmente, obtemos um vetor de norma unitria a partir de ul:
u1
Qi =
Ilulll,
_

como representado na Figura 3.2.


Projetamos, ento, 112 no complemento ortogonal de spanqu:

W2 : proj(span[q1j)1 112 = 112 _ projspan[q1]u2 : 112 _ <q13u2>q1 ,


e, normalizando, temos W2
(12 = '

||W2||

140 ortogonalidade Captulo 3

Figura 3.2: GramSchmidt 1 passo: ul > (11-

A Figura 3.3 mostra essa segunda etapa.


Podemos verificar que, de fato, qz _L ql:

<Q1,W2) = ((thz (QI,U2>QI> = <Q1,112) _ (Q1,u2><Q1,Q1> :


: <Q1,u2><Q1,U2> = 0-

Figura 3.3: GramSchmidt 2 passo: 112 > q2.

Projetamos, por fim, u3 no complemento ortogonal de span[q1, qgjz

W3 : prj(span[qi,Q2l)J'u3 : u3 _ prOjSPanquiu3
= u3 (q1, u3)qi <Cl2, u3)Q2,
=

e, normalizando, temos w
3
(13 =
IIWsII ,

como pode ser visto na Figura 3.4. fcil verificar que q3 J_ (11 e q3 _L (12 (ver
Exerccio 3.3.2).
533 Projees e o Processo de Gram-Schmidt 141

Cl2
(11
Cls
(Spanfqi, cub (Spanfqi, (iz))l

Figura 3.4: GramSchmidt - 3 passo: 1.13 > (13-

Um exemplo numrico ajudar a fixar o mtodo.


Exemplo 3.12. Consideremos
0 1 1
ul 1 , u2= 0 , u3 1
1 1 O

O primeiro passo multiplicar ul pelo inverso de sua norma:

., L):
(I::
1 Ilulll & 1 l r S
<=

0 segundo passo projetar 1.12 ortogonalmente no complemento ortogonal do


espao gerado por ql:

W2 = 112 '-
Pfjspanrquuz = 112 _ (Q1,u2)qi =
1 10 1
0=+=l
,tea a
2

Normalizando Wg, obtemos

q2=|
W2
. l h N' ! l a e s
|

|W2|| n_p
al
142 Ortogonalidade Captulo 3

O ltimo passo projetar ortogonalmente u3 no complemento ortogonal do


espao gerado por ql:
W3 : 1.13 _ prOjspanq1,q2]U3 : 113 "
<q1, u3>q1 __ <q27 U3>q2 :

_
_
1

1 _ _1_ _

_2_
:
Z

_
& x/fi 3
Normalizando W2, obtemos
2 L
q : w., = %
uw. 2 _3 _
3 x/
Obtivemos assim os trs vetores ortonormais ql, qg e q3. []

Uma observao importantssima: cada passo do mtodo de ortonorma


lizao de GramSchmidt produz uma base ortonormal [qb . . . ,qkj que gera
o mesmo subespao gerado pelos vetores [ul, . . . ,ukj. Em smbolos:

spanfql, . . . ,qk] = spanful, . . . , uk] , (3.7)


parak= 1,...,n.
Os passos do processo de ortonormalizao de GramSchmidt para os ve-
tores linearmente independentes [u1, . . . , un) so, em suma:
111
Qi = HuIii, (3-8)
W]. _ prOJspanfq1,...,qk_1juk
= uk
= uk _ <Q1,uk)(l1 _ ((12, ukih _ ' ' ' '
(Qk1,uk)Qk1 , (3-9)
Wk
(Ik : wk , (3.10)

para k=2,3,...,n.
Se os vetores forem linearmente independentes, o processo de ortonormali-
zao de GramSchmidt sempre os transformar em vetores ortonormais. Isso
nos garante poder sempre escolher uma base ortonormal para um (sub)espa0
vetorial no trivial.
53.3 Projees e o Processo de Gram-Schmidt 143

Isso resolve uma pendncia que deixamos na demonstrao da Propo-


sio 3.1. Relembrando, tnhamos V um subespao de um espao veto-
rial U de dlmensao finita, com as respectivas bases BV = [v1,. . . ,vpj e
BU : fV1,.--,Vp,u1, ' ' '
vuqi- Usando
processo de Gram-Schmidt, pode-
O
mos ortonormalizar BU, o que tornar BV tambm ortonormal.
Uma ltima observao: como o processo de Gram-Schmidt sequencial,
poderamos ter ortonormalizado BV, completandoa para uma base BU de U
e aplicado novamente Gram-Schmidt a este ltimo conjunto. Os p primei
ros passos desta ltima ortonormalizao nada fariam, pois v1, . . . ,vp j so
ortonormais, mas so necessrios para definir (span[v1, . . . ,vpj)l. No pode
ramos aplicar Gram-Schmidt somente aos vetores ul, . . . ,uq e esperar que BU
fosse ortonormal (ver Exerccio 3.3.9).

EXERCCIOS

3.3.1 Usando o mtodo de GramSchmidt, ortonormalize os vetores


.,

a TI' 2 . "1 1 0
2j, 5 1 _1 1
rl 1 1 1 _1_
_11 1 3 .1- - 1. "o"
1" 1 0 e 1 1 1
C 1, 0, 1 '
1, 2* 1
O_i 1 1 _]_-1 _ 1- _O-

3.3.2 Refaa os clculos do Exemplo 3.12 e mostre que os vetores ql, q2 e q3 so,
de fato, ortonormais.

3.3.3 Mostre que os vetores ql, . .. ,qk obtidos at o k-simo passo do processo
mente independentes, formam
de Gram-Schmidt, a partir de k vetores linear
um conjunto ortonormal.
3.3.4 D um exemplo de trs vetores do R3 mutuamente ortogonais e que sejam
linearmente dependentes.
3.3.5 O que acontece no processo de Gram-Schmidt se os vetores no forem line-
armente independentes?
144 Ortogonalidade Captulo 3

3.3.6 Utilizando o processo de GramSchmidt, complete com um vetor [13 a base


ortonormal do R3

e . as. . ai
3.3.7 Para quem sabe Clculo. Seja P3(a:) o espao vetorial das funes polino-
miais de grau menor ou igual a 3 em [1, 1] com produto interno definido
por 1

ao = /_1p(w)q(x> dx-
Utilize o processo de Gram-Schmidt para ortonormalizar a base

B = [1,m,xz,x3] .
Se usarmos a normalizao P,,(l) = 1, os polinmios da base sero os cha-
mados polinmios de Legendre.

3.3.8 Para quem sabe Clculo. Considere o espao vetorial das funes reais
contnuas no intervalo [0,271'], com produto interno definido por

(10 q) = fame) dw,


e norma proveniente dele.

a. Mostre que sena; e cosa: so ortogonais.


b. Normalize os vetores sena: e cosa: usando a norma proveniente do
produto interno.
c. Mostre que sena: ortogonal a cos 2x e a cos 3x.

Continuando esse raciocnio, chegaramos a uma propriedade bsica das


sries de Fourier: as funes 1, cos a:, sen w, cos 2x, sen 2x, cos 3x, so
ortogonais duas a duas.
3.3.9 D um exemplo de uma base do R4, [ul, 1.12, v1, Vg], para mostrar que or
tonormalizar o conjunto [ul, ug) e depois (e independentemente) +[V1,Vzii
obtendo os conjuntos ortonormais (ql, qgj e [pb pg], respectivamente, no
garante que o conjunto [q1,q2,p1,p2j seja ortonormal.
53.4 Decomposio QR 145

3.4 Decomposio QR
A decomposio LU de uma matriz A, surgida a partir do mtodo de eli-
minao de Gauss, possibilita a resoluo de sistemas lineares a ela associados
(Pr exemplo, AX = b) por meio da resoluo de dois sistemas lineares trian
gulares (e portanto mais simples): Ly = b e Ux = y. O motivo pelo qual no
resolvemos somente o sistema triangular superior Ux = Lb o alto custo
computacional de inverter matrizes (neste caso, encontrar L'l).
Haveria uma decomposio matricial que tornasse possvel encontrar a solu-
o do sistema Ax = b resolvendo por retrossubstituio um sistema triangular
superior equivalente sem envolver inverso (explcita) de matrizes? Vejamos
se obtemos algo com a ortonormalizao de vetores que aprendemos na seo
anterior.
Consideremos uma matriz A m >< n cujas colunas so vetores linearmente
independentes (ento m 2 n). Utilizando o processo de GramSchmidt, pode
mos obter uma matriz Q cujas n colunas so o resultado da ortonormalizao
das colunas de A. claro que Q ser invertvel somente quando for quadrada,
mas, mesmo com m > n, teremos
-_ CLTI

QTQz . ., q:,1 Cl:,2 q:,n


_; q.. __ | | |
F qflqal q1Q:,2 qqan
_ 613%; (1,2ng q.,gq;,n

_ qfnqJ (13171qu q?:nqzm.


'<q.,1,q;,1) (q;,1,q.,z) (q:,1,q.,n)
<q3,27 Q:,1> <q:,23 (11,2) ' ' ' (Q:,2, q:,n>

_ (Q:,n7Q:,1> <q:,mq:,2> <q:,n,Q:,n)


ti


0 0
1 0
= . _ . =[.

_0 0 1
146 Ortogonalidade Captulo 3

Assim, se conseguirmos uma decomposio A = QR, sendo Q uma m-


triz cujas colunas so vetores ortonormais e R uma matriz triangular superior,
poderemos encontrar a soluo do sistema Ax : b resolvendo, por retrossubs-
tituio, o sistema triangular superior equivalente

Rx = QTQRx : QTAx : QTb.

Essa fatorao matricial chama-se, muito apropriadamente, decomposio


QR. uma das mais importantes decomposies matriciais, no somente por
suas aplicaes imediatas, mas pelo papel que desempenha no desenvolvimento
de diversos algoritmos.
Neste livro trataremos com detalhes apenas da decomposio QR reduzida
(a qual nos referiremos simplesmente por decomposio QR) de uma matriz A
m x n, com m 2 n, e de posto completo, isto , com 71. colunas linearmente
independentes. Obtemos com essa decomposio as matrizes Q e R tais que
A = QR, sendo Q uma matriz m >< n com colunas ortonormais e R uma matriz
triangular superior n >< n.
Na decomposio QR completa de uma matriz A m >< n, com m 2 n e
posto(A) 5 n, so obtidas as matrizes Q e R tais que A : QR, sendo Q
uma matriz ortogonal m >< m e R uma matriz triangular superior cujas m 77.
ltimas linhas so formadas apenas por zeros. O leitor pode encontrar mais
sobre a decomposio QR completa em [34] e [7].
Recapitulando, a decomposio QR consiste em fatorarmos uma matriz A
m >< n de posto completo, com m 2 'n, no produto de duas matrizes: uma
matriz Q m >< n com colunas ortonormais, e uma matriz R n >< n triangular
superior. Graficamente:

""11 7'12 rm
! | | ! | | ... ,,
2"
l :,2 .,n : q:,1 (1,2 qm ,
| | | | | |
Tm.
53,4 Decomposio QR 147

o que nos da 77. equaes vetoriais,

:,1 : ""11Q:,1,
a;,g : leqJ + T22q:,2 7
&:,3 : T13q:,1 + T23q:,2 + r33q,,3, (3.12)

a:,n : Tlnqu + T2nq:,2 + ' ' ' + rnnqzm '

As equaes (3.12) podem ser reescritas assim:


a:,1
q:,1 : 7
Tu
:,2 '
T12qz,r
(12,2 : 7
7'22
:,3 T13Q;,1 *
T23Q:,2
Q:,s : , (3.13)
7"33

__ a:,n _ Tlnq:,1 _ T2nq:,2 _ Tn1,nq:,n1


q:,n _ ,
Tnn

se r11r22 . . .rm, # O. Comparando as equaes (3.13) com as equaes (3.8


3.10) vse que
TZ] : (qm), a:,j) 7 (3.14)
paraj=1,...,nei<j,e

7'11 = :,lll e i_llrj =ZTuqti (315)

para '=2,...,n
A
equaes (3. 13)(3. 15) nos do a decomposio QR de uma matriz A m ><
n, com colunas da matriz Q sendo o resultado do processo de ortonormalizao
de Gram-Schmidt aplicado s colunas linearmente independentes da matriz A.
A matriz triangular superior R guarda os clculos realizados durante o processo
de Gram-Schmidt de maneira anloga matriz L da decomposio LU, que a
guarda os clculos do mtodo de eliminao de Gauss.
148 Ortogonalidade Captulo 3

Observando as equaes (3.12) ou (3.13), fica claro que


spanal) : span(q,,1]>,
Spana.,1,az,zl = spaniq;,1,q=,2i ,

span(a,,1, . . . ,a,,n] = span<[q,,1, . . . ,qz,ni,


ou seja, os subespaos gerados por [a,,l, . . . ,a17k] e por (q,,l, . . . ,q,,k] so os
mesmos, como j havamos dito na Seo 3.3.
Apliquemos as equaes (3.13)(3.15) a um exemplo numrico.
Exemplo 3.13. Consideremos a matriz
O 1 1
A= 1 0 1
1 1 0
As colunas de A so precisamente os vetores ul, u2 e u3 do Exemplo 3.12.
Tomemos, ento, os vetores ql, qg e q3 para formar as colunas da matriz Q:

Q:
2 o l s e
sai
als

J a matriz R formada a partir das equaes (3.14) e (3.15):


1 1

_ 1

0 O 75
Q e R formam, dessa forma, a decomposio QR reduzida de A. E]

Uma observao importante: uma matriz quadrada cujas colunas so orto


normais recebe o nome de matriz ortogonal. A nomenclatura e histrica e no
a alteraremos por mais que desejemos chamar tais matrizes de ortonormais.
As matrizes ortogonais possuem uma propriedade bastante til.
roposio 3.2. Q uma matriz ortogonal
- - . , , . ._
.?

,., ., ..
.W-

_ Q"1 =
se, e somente se,
..., ' ,
r's"'

,..
"

. ._.

,M
vwvw xv

M" L.
x,,

A.
nw -<p :;

. ,:
WV

' _.
,
534 Decomposio QR 149

Demonstraao. Tanto a afirmao direta quanto a recproca podem ser mos-


tradas observando-se a igualdade

QQ=
T ... q,,l q,,g q,, =[. EI

A propriedade acima nos revela a importncia dessas matrizes para clculos


numricos de grande porte, pois, uma vez obtida uma matriz ortogonal Q,
sua inversa imediatamente computada sem que haja introduo de erros por
clculos aritmticos.
Apesar de no tratarmos aqui nem da decomposio QR completa nem da
decomposio QR de matrizes com posto incompleto, gostaramos de enunciar
os Teoremas 3.3 e 3.4 que garantem a existncia e a unicidade da decomposio
QR.
.. %;?gggvzpggw

rema3.3SeSfr uma matriz m' >< n,


luta,-vga axwg-nfuwwmnyw w'WW'WW'-J'iw

com m 'nfentdossuir'
,..

; ina decomposio QR completa e tambm, portanto, uma decomposio Q 7'

_. u..... lu r .,' .. swazlgut. ' '.rua'm: 'x ,...-.. .. 1.3.11. . : ' '
as . ., 743,3. ..ch -' ., p. A...,

A relao entre as decomposies QR completa e reduzida de uma matriz


A m >< n, com m 2 n, a seguinte: na decomposio QR completa A = QR,
com Q uma matriz ortogonal m >< m e R um matriz triangular superior m >< n,
o que significa que nas m n ltimas linhas de R s h zeros. Obtm-se a
decomposio QR reduzida de uma matriz A com posto completo, A = QR,
a partir de uma decomposio completa A = QR, eliminandose as m n
ltimas colunas de Q e eliminando-se as m n linhas nulas de R.
Se o posto de A no for completo, isto , se posto(A) = r < n, o pro-
cesso de GramSchmidt gerar um vetor nulo quando encontrar uma coluna
de A que seja linearmente dependente das colunas anteriores. Contornase isso
escolhendose um vetor qualquer que seja ortonormal aos vetores j produzidos
e continua-se o processo. As r primeiras colunas linearmente independentes
de A geram o mesmo subespao que as r colunas correspondentes da matriz Q
assim obtida. Se A no for de posto completo, a matriz R apresentar zeros
em sua diagonal principal.
150 Ortogonalidade Captulo 3

Waterman. se A for"'uma mas mz><"*n; cdm'm ? "4 Ps Cm?


fnto A possuir uma nica decomposio QR redunda, A = QR com td
selemantsdadlsnalsrmpldeRfstrltmemssmwsmww
Concluiremos esta seo formalizando o conceito de projeo, introduzido
na Seo 3.3.
Projetar um vetor v de um espao vetorial V num subespao de W de V
pode ser conseguido pela multiplicao de v por uma matriz apropriada P.
Como Pv deve estar em W, deve-se ter 'R(P) C W. E mais, se W E W,
desejvel que PW : W. Assim, W C ??.(P) (portanto 'R(P) = W) e, para
qualquer v 6 V,
P2v = PPV : P(Pv) = Pv.
Temos, ento, a seguinte definio:

__ii'e ni o??? . fnpr jefor P? rima matrlzmidempo ente, isto e,uma rna
'

ue obedece relao

Podemos observar na Figura 3.5 que a projeo obtida pelo projetor P no


necessariamente ortogonal. Na analogia solar j usada, o cho o espao-
coluna de P, a sombra de v a projeo Pv e a posio do sol determinar
se a projeo ser ortogonal ou no.

Figura 3.5: Projetor no ortogonal P.


53.4 Decomposio QR 151

Ainda na Figura 3.5, o vetor diferena v Pv pode ser obtido pelo prjetr
=

([ P), que chamado de projetor complementar de P, sendo, de fato, um


projetor, pois

(IP)=(IP)(IP)=1PP+P=1-PP+P=r-P.
Os subespaos fundamentais de um projetor e de seu complementar esto
relacionados da seguinte maneira:
,,.
. ropsio33Set?,iifif prjetorentao
'" tw *;fyr <%mezw T'YWW'Sg-vaL'szAr msn..uem wwe* *,vr'v'vr-Mruyuf

.. Zir)=.,.NfR)-,_.. N(1 P)?(P)-3 - :..... .

Demonstrao. Se v 6 N(P), i.e., Pv = O, ento (] P)v = v e, portanto,


N(P) C RU P).
Reciprocamente, se v e R(I P), ento existe algum vetor y tal que
(I P)y = v, mas assim, Pv : P(] P)y : 0. Logo, 'R(I P) C N(P).
Portanto, RU P) = N(P).
Notando que o projetor complementar do complementar de P o prprio
projetor P, i.e., P = I (I P), podemos aplicar o resultado j demonstrado
para obter N(I P) = R(P). [|

Pela importncia das projees ortogonais, devemos buscar que tipo de


projetor as produz. O que caracteriza um projetor P que produz uma projeo
ortogonal, como pode ser visto na Figura 3.5, o fato de (Pv, V Pv) = 0. Em
outras palavras, para qualquer vetor v de um espao vetorial V com produto
interno, devese ter
vPv E (N(P))l.
Pela segunda parte do Teorema Fundamental da lgebra Linear (Teorema
3.2), v Pv deve pertencer, ento, a N(PT). Isso significa que

(PT PTP)v = 19% PTPV = PT(v Pv) = o,


= =

para qualquer v E V, o que s pode ocorrer se PT PTP for a matriz nula.


Assim,
PT = PTP,
ou seja, PT uma matriz simtrica, pois (PTP)T = PT(PT)T : PT 13.
152 Ortogonalidade Captulo 3

Se P for um projetor simtrico, ento

(Pv, v Pv) : (PV)T(V Pv) : (VTPT)(V PV) = VT(PT(V PV :


(V, PTV PTPV) : <PV,PV PZV) = (V, PV _ PV) :


I

(v, 0) = 0,
isto , P realiza uma projeo ortogonal.
Acabamos de demonstrar a proposio abaixo.

siao3VIWwiza
4 prOJetor
pTo '*
W

mente se P= PT,, _
Jmais/M no:%% . JEMS,
)
;Wz'z ser ; : ...:, . ..:v':>. =*- f'Ww-u'''': n,-=* .., .., ' 'N'-x ' ' .

Um projetor que realiza uma projeo ortogonal chamado de projetor


ortogonal, mas o leitor no deve confundir projetor ortogonal com matriz or
togonal. Afinal, s existe um projetor ortogonal que tambm uma matriz
ortogonal, qual seja, a matriz identidade:

P=P2=PP=PPT=PP-1=1=I.
Nesta seo, limitamonos aos espao vetoriais reais, mas os resultados
aqui obtidos podem ser estendidos para os espao complexos trocandose as
transpostas das matrizes por suas adjuntas.

EXERCCIOS
3.4.1 Encontre a decomposio QR reduzida de cada uma das matrizes abaixo,
utilizando o processo de ortonormalizao de GramSchmidt.

11 113 "101
'23' 0.011. 6111 '
113 101
L-111
"1101
12 121 f0111
bOl d111 1110
14 031 _1011
53.4 Decomposio QR 153

3.4.2 seJ Q uma matriz m >< n com colunas ortonormais. Prove que qualquer
subconjunto formado por colunas de Q um conjunto de vetores linearmente
independentes.

3.4.3 Demonstre, com detalhes, a Proposio 3.2: Q uma matriz ortogonal se,
e somente se, Q1 : QT_
3.4.4 De um exemplo no trivial de uma matriz 3 >< 2 cujas colunas sejam vetores
ortonormais. Calcule QTQ e QQT.
3.4.5 Mostre que, se P um projetor, ento PT tambm o ser.
3.4.6 Seja P uma matriz que permuta linhas. Usando o conhecimento adquirido
nesta seo, encontre Pl.
3.4.7 Considere 3 vetores no nulos do R3 linearmente dependentes. O que acon
teceria se tentssemos ortonormalizlos? D uma justificativa geomtrica.
3.4.8 Mostre que uma matriz ortogonal e triangular diagonal.
3.4.9 Mostre que, se ||Av|| : 0, para todo v, ento A a matriz nula.
3.4.10 Seja 11 um vetor unitrio. Mostre que matriz H = I 2uuT, chamada de
matriz de reflexo de Householder, ortogonal e simtrica.
3.4.11 Se as colunas de uma matriz A formam uma base 13 de um subespao vetorial
e A = QR a decomposio QR de A, mostre que R a matriz de mudana
de base de B para a base 1), formada pelas colunas ortonormais de Q.
154 Ortogonalidade Captulo 3

3.5 Aplicao: Mnimos Quadrados


Imaginese, leitor, trabalhando em uma indstria que produz molas de v-
rios tipos. Nas especificaes de cada mola constam informaes como compri-
mento, dimetro, material etc. Tambm necessario especificar a constante da
mola, que a constante de proporcionalidade da lei de Hooke, em homenagem
ao fsico ingls Robert Hooke (*1635 T1703):

F=kx,
sendo F a fora aplicada mola e x o deslocamento correspondente. Os tc-
nicos dessa indstria conhecem a lei de Hooke e realizam diversas medidas no
laboratrio com cada tipo de mola. O experimento consiste em pr a mola na
vertical ao lado de uma escala, lixando uma de suas extremidades, e colocar
um peso de valor conhecido, medindo-se, aps atingido o equilbrio, o desloca-
mento da extremidade livre da mola. Os tcnicos tambm sabem que, apesar
de uma medida ser suficiente para determinar a reta que passa pela origem e
cuja inclinao a constante da mola, vrias medidas devem ser realizadas,
admitindo-se, inclusive, que a reta no passe pela origem. E assim o fazem,
anotando as medidas obtidas num grfico como o da Figura 3.6 abaixo.
Como decidir qual a melhor reta? Melhor em que sentido? Sigamos com
a formulao do problema.
Nesse exemplo, as medidas formam o seguinte sistema de equaes:

k$1+p=F1
k$2+p=F2

k$m+p=Fm7

onde F, representa a fora aplicada (escalar, pois est no sentido do desloca


_
mento) e :B,- o deslocamento observado, para z' = 1, 27 , , ,m, sendo m o nmero
de medies. As incgnitas do problema so k e p.
Pensemos um pouco mais genericamente. Temos um sistema de equaes
lineares Ax = b com mais equaes do que incgnitas, isto , A uma matriz
m x n, com m > n. praticamente impossvel que um sistema provindO
de medies sujeitas a erros com muito mais equaes do que incgnitas
53.5 Aplicao: Mnimos Quadrados 155

F (N)

=, x (cm)

Figura 3.6: Medidas para a obteno da constante de proporcionalidade de


uma mola.

seja consistente (o que corresponderia a termos todos os pontos alinhados na


Figura 3.6).
Como resolver esse tipo de problema?
claro que, se um sistema real Ax : b no for consistente, no existir x 6
R" satisfazendo simultaneamente todas as equaes, ou, em outras palavras,
b no estar no espaocoluna de A. Para termos alguma esperana de obter
algo de til ao nosso problema, devemos trabalhar com um vetor que esteja
no espao-coluna de A. A maneira de conseguirmos isso projetando b no
espaocoluna de A, obtendo o seguinte problema:

para algum projetor P.


Como Pb est no espao-coluna de A, o sistema (3.16) consistente. De-
vemos agora encontrar as caractersticas que desejamos para este projetor e as
condies que devem ser impostas a matriz A para que o sistema (3.16) possua
uma nica soluo.
Em nossa analogia solar, exposta nas sees anteriores, o raio de sol re-
presenta o vetor b Pb, que igual a b - Ax, como ilustra a Figura 3.7.
Este vetor representa o erro que cometemos ao considerar 0 vetor 5": como uma
156 Ortogonalz'dade Captulo 3

Figura 3.7: Projeo no ortogonal sobre o espaocoluna de A.

aproximao para a soluo do sistema Ax : b. Ora, queremos que esse erro


seja o menor possvel. Uma maneira de medirmos esse erro considerarmos
sua norma euclidiana ||b Ax, ou ainda, o quadrado de sua norma euclidiana
Hb Ax2 donde deriva o nome para o mtodo que estamos desenvolvemos:
mnimos quadrados.
Da Figura 3.7 fica claro que, para que o vetor b Ax seja o menor possvel,
devemos projetar o vetor b ortogonalmente sobre o espaocoluna de A. Ou
seja, o menor erro ser. obtido quando b Ax for ortogonal ao espaocoluna
de A. O projetor P deve ser, portanto, ortogonal (ver Figura 3.8).

Figura 3.8: Projeo ortogonal sobre o espaocoluna de A.


53,5 Aplicao: Mnimos Quadrados 157

Assim, se queremos que b Ax seja ortogonal ao espao-coluna de A,


b Ax deve estar no complemento ortogonal de R(A). Pela segunda parte do
Teorema Fundamental da lgebra Linear, b Ax deve estar no espao-nulo
esquerdo de A, N(AT). Ento,
AT(b - Ax) = 0,
isto ,
ATA): = Mb, (3.17)
que recebem o nome de equaes normais.
Para que o sistema (3.17) possua uma nica soluo, necessrio que a
matriz quadrada ATA seja invertvel. Veremos, em breve, que condies ga
rantem a existncia da inversa da matriz ATA. Por enquanto, vejamos o que
acontece se tal inversa existir.
Se ATA for invertvel, o sistema (3.17) possuir uma nica soluo, dada
por:
x (ATA)IATb.
:

Ento,
Pb : Ax = A(ATA)'1ATb,
isto e,
P = A(ATA)1AT.
P o projetor ortogonal que buscvamos. De fato,
P = A(ATA)1ATA(ATA)-1AT = A(ATA)-1AT = P,
PT : (A(ATA)1AT)T : A((ATA)1)TAT : A((ATA)T)1AT :
= A(ATA)-1AT = P.
Descobriremos agora quais so as condies que garantem a existncia da
inversa de ATA.

rposio 3.5. ATA possui o mesmo espaonulo de A,


i. . ,.,
. . ,

Demonstrao. Se x e N (A), ento Ax : 0. Log (ATA)X : AT(AX) :


ATO = 0, isto , x & N(ATA), portanto, N (A) C N (ATA)
Reciprocamente, se x 6 N (ATA), ento ATAX : 0 Mas, ento, "Jb2 :
(AX)T(AX) : XTATAX : XTO : o, i.e., Ax : 0, o que significa que
158 Ortogonalz'dade Captulo 3

X
N(A) Portanto, N (A) 3 N (ATA), e podemos concluir que N (A) :

N(ATA). E]

uma matrizm ><n, comm mn

Demonstrao. Como n 5 m e A possui 71. colunas L.I., ento, pelo Teorema


2-4, POSt0(A) = n. Mas nul(A) : n posto(A) = O, o que significa que
N(A) = [O). Pela Proposio 3.5, N(ATA) : [0]. Pelo Teorema 2.5, a
matriz ATA invertvel. []

Pelas proposies acima, conclumos que, se todas as colunas de A forem


linearmente independentes, ento poderemos resolver o problema de mnimos
quadrados para o sistema inconsistente Ax : b, obtendo 5; = (ATA)IATb,
que gera o menor erro ||b Ax na norma euclidiana.

Exemplo 3.14. Agora sabemos como resolver o problema de encontrar o


melhor valor para a constante de proporcionalidade de uma mola a partir
de um conjunto de medidas experimentais. Supondo que foram obtidas as
seguintes medidas de deslocamento (em cm) e fora (em N): (1, 2), (2, 4) e
(3, 5). Considerando que as grandezas envolvidas obedecem a uma lei da forma
ka: + p= F, teremos o seguinte sistema linear:

AX:
1 1
2 ].
3 1
l: k

p
]: 2
4
5
=b,

que inconsistente. Pelo exposto acima,

_[146]
AA_[111
T_123
* DNOC 1 6 3

*(ATA)-1ATbl 3 6 1 23
)
__19
_6614111564v

portanto a constante da mola k 3/2 N/cm. Na norma euclidiana,
||b -
Ax|| : f/6 o menor erro possvel. El
53,5 Aplicao: Mnimos Quadrados 159

Para encontrarmos a soluo de mnimos quadrados no Exemplo 3.14, foi


necessario inverter a matriz ATA. Para sistemas maiores essa tarefa ser com-
putacionalmente custosa, mas como evitala?
Se considerarmos a decomposio QR reduzida de A, i.e., A = QR, pde-
remos substituir A por QR nas equaes normais (3.17), obtendo

(QR)T(QR) = (QR)Tb

ou seja,
RTR)": = RTQTQR = RTQTb,

j que QTQ a matriz identidade, mesmo que a matriz Q no seja quadrada


(como visto no incio da Seo 3.4). Mas a matriz R invertvel, pois uma
matriz triangular superior cuja diagonal principal no possui zeros, j que seus
elementos so normas de vetores no nulos. Temos assim

R$a : QTb, (3.18)

que pode ser facilmente resolvido por retrossubstituio.


Revisitemos 0 Exemplo 3.14.

Exemplo 3.15. A decomposio QR de A

A=21=
3 1 m
1 1 717?
2
1

EVTli
V
1
4

_/
m Di16213.
aT
*

A equao (3.18) nos d

=
3
=[ =[[[=[= =[
0 7
l:
P
; _2_

27
=

2

45

O que nos da o mesmo resultado x = [3/2 2/3lT, como esperado, e sem


envolver nenhuma inverso de matriz. D
160 Ortogonalidade Captulo 3

EXERCCIOS
3.5.1 Realizaramse m repeties de um experimento para descobrir a parbola
que melhor descreve uma determinada lei fisica e foram obtidos os resultados
(whyl), (x2,y2), . . . , ($m,ym)- Escreva o sistema linear que modela este
problema e verifique que o mtodo dos mnimos quadrados tambm encontra
a parbola que melhor representa os pontos acima.

3.5.2 Considere a tabela abaixo, que relaciona a distncia media (em unidades
astronmicasl) dos oito planetas do sistema solar com seu perlodo de trans-
lao (em anos terrestres).

Planeta Mercrio Vnus Terra Marte


Distncia Mdia ac 0,387 0,723 1,000 1,523
Perodo P 0,241 0,615 1,000 1,881
Planeta Jpiter Saturno Urano Netuno
Distncia Mdia ac 5,203 9,541 19,229 30,107
Perodo P 11,861 29,457 84,323 164,79
Tabela 3.1: Distncia mdia dos planetas ao Sol e seus perodos orbitais.

Encontre, utilizando mnimos quadrados, a curva que melhor representa a


relao entre a distncia mdia de um planeta ao Sol e seu perodo orbi
tal. Use a relao encontrada para mostrar que o perodo orbital do maior
asteroide (denominado Ceres) do Cinturo de Asteroides, que fica a uma
distncia mdia de 2,766 U.A., de aproximadamente 4,60 anos.

3.5.3 Mostre que, se P for um projetor ortogonal, ento I 2P ser uma matriz
ortogonal.

3.5.4 Mostre que, se P for uma matriz ortogonal e tambm um projetor ortogonal,
ento P = I.
3.5.5 Mostre que, se P for um projetor, ento 1 + P ser invertvel, e apresente
a inversa de I + P.

1Uma unidade astronmica corresponde distncia mdia da Terra ao Sol, ou


149 597 870,7 quilmetros.
4
Determinantes
chegada, enfim, a hora de estudarmos um velho conhecido dos estudan-
tes do Ensino Mdio: o determinante. Apesar de usualmente associarmos os
determinantes s matrizes, aqueles surgiram antes destas e E. Knobloch [18]
mostra que, j em 1693, Gottfried Wilhelm Leibniz (*1646 j1716) conhecia
em substncia a definio combinatria moderna de determinante, propondoa
para o estudo dos sistemas de equaes lineares. Esses trabalhos de Leibniz
ficaram desconhecidos at o sculo passado.
Outros matemticos, como Maclaurin, Cramer, Vandermonde, Laplace, en-
tre outros, deram um grande impulso aos estudos sobre determinantes at o
sculo XIX. A partir do sculo XX, entretanto, o interesse nos determinantes
diminuiu bastante, pois mostrouse que eles no so necessrios nas demons-
traes dos principais resultados de lgebra Linear [17]. Acrescente-se a isso
O fato de o clculo dos determinantes ser extremamente custoso, mesmo para
os computadores mais poderosos (ver Exerccio 4.1.7).
Por que ento estuda-los? Por dois motivos: sua importncia histrica e
sua praticidade em clculos que enVOlvem matrizes pequenas (em nosso caso,
3 >< 3 ou 4 >< 4), as quais nos limitaremos nos exemplos numricos por razes
didticas.
Por todo este captulo trataremos apenas de matrizes quadradas. Na pri-
meira seo, buscaremos uma definio conveniente da funo determinante.
Demonstraremos, na seo seguinte, todas as propriedades relevantes dos de
terminantes e concluiremos o captulo com algumas aplicaes.

161
162 Determinantes Captulo 4

4.1 Determinante de uma Matriz


A esta altura j conhecemos diversas formas de saber se uma matriz
invertvel. Numa delas basta olharmos para um nmero: se a nulidade da
matriz for zero, ento esta matriz possuir inversa. Entretanto, o clculo da
nulidade envolve a reduo da matriz a sua forma escalonada para encontrar
seu posto. Tambm no possumos nenhuma relao do tipo a nulidade da
soma e a soma das nulidades, como vemos abaixo:

2=nul([g g])7nul([ Minaj(1) _?J)=0+0=0,


o mesmo valendo para o produto das nulidades:

2=nul([8 8])#nul([(1) g])><nul([g ])=1><1=1.


H, felizmente, uma funo, chamada determinante e denotada por det(A),
que associa cada matriz quadrada a um nmero (real ou complexo) e possui
diversas propriedades, dentre as quais destacamos inicialmente:
a. det(A) = 0 se, e somente se, a matriz no for invertvel e
b. det(AB) = det(A) det(B).
Essa foi a boa notcia... A m notcia que no h uma forma ao mesmo
tempo intuitiva e simples de apresentarmos os determinantes e extrairmos
suas propriedades. Uma opo deve ser feita e a nossa escolha fundamenta
se no seguinte raciocnio: desejamos uma funo que associe a cada matriz
quadrada um valor numrico, que, por sua vez, informe sobre a existncia da
inversa desta matriz. Chegaremos definio de determinante por induo,
definindoo convenientemente para matrizes 1 >< 1, 2 >< 2 e 3 >< 3 e utilizando
as pistas fornecidas para generalizla para matrizes n >< n.

Matrizes 1 >< 1
Ora, uma matriz 1 >< 1 nada mais do que um nmero e, portanto, s
possuir um inverso multiplicativo se nao for zero. Ento, definimos o deter
minante de uma matriz 1 >< 1 por
det(A) = det([a11l) = all-
54.1 Determinante de uma Matriz 163

Matrizes 2 >< 2
Consideremos a matriz

A = a 11 a 12 _
6121 6122

Para que A possua inversa, sabemos, pelo Teorema 2.5, que o posto de A deve
ser 2, isto e, a forma escalonada de A deve possuir dois pivs (no nulos, por
definio).
As possveis1 formas escalonadas de A so

011 012
0 aliam-amam ,
(111

se au # 0, e
021 am
0 0.12 ,
se an = 0. Na primeira forma escalonada acima, para que nenhum dos dois
candidatos a pivs sejam nulos devemos ter

012021 _
6111022 0
7 -
'-

all__a 0116122 *
a12a21
11

Na segunda forma,
amm ? 0-
Para cumprir seu papel em ambas as possibilidades, o determinante deve,
ento, ser definido por

det(A) = a11a22 a12a21 - (4-1)


1 Os casos

[Bs]. [St] [88]


no afetam nossa explicao e a tornariam por demais prolixa.
164 Determinantes Captulo 4

Matrizes 3 >< 3
Consideremos, agora, a matriz
6111 6112 6113
A= (121 a22 0123
6131 dez ass
Se all # 0, os dois primeiros passos do mtodo de eliminao de Gauss nos
fornecem
m (112 m
0 0116122 amam a11a23 0136121 *

u (111
0 (111032 a12a31 a11a33 _ 1331
au an
0 prximo passo da eliminao gaussiana no usar a primeira linha nem a
primeira coluna da matriz acima, restringindo-se apenas a submatriz 2 >< 2
do canto inferior direito que denominaremos Mu, obtida eliminandose a
primeira linha e a primeira coluna da matriz original. Porm, j sabemos como
decidir se haver dois pivs nesta submatriz: basta calcularmos det(Mu) de
acordo com a equao (4.1). Para que a matriz A possua trs pivs devemos
ter
(1.11 det(M11)7 O,
e um pouco de malabarismo algbrico nos d:

a11a22a33 _ a11a23a32 *-
a12a21a33 + a12a23a31 + a13a21a32 + a13a22a31 # 0.
Instamos o leitor a verificar as possibilidades restantes no Exerccio 4.1.2.
Definimos o determinante de uma matriz 3 >< 3 por:

det(A) = aiiazzass a11a23a32 _ a12a21a33 + a12a23a31+


'-

+ a13a21a32 13a22a31 .

(4.2)
Chegamos ao ponto crucial da induo. Observando atentamente a equao
(4.2), podemos reescrevla da seguinte forma:
det(A) = au det(Mn) _ 042 det(Mlz) + aia det(Mis),
sendo Mlj a submatriz 2 >< 2 obtida pela eliminao da primeira linha e da
jsima coluna de A, paraj = 1, 2, 3.
541 Determinante de uma Matriz 165

A equao (4.1) pode ser expressa como:


det(A) : (1,11 det(Mu) _ 0,12 det(M12),

sendo que M11 e M12 so definidos de forma anloga.


As matrizes Mi, sero fundamentais para a deiinio de determinante, por
isso estabeleceremos uma terminologia apropriada a seu tratamento.
efimao4 1.Seja A uma n n ea
matriz >< matriz Al,-j submatriz (n ;
.- ) >< (n l) obtida pela eliminao da isima linha e da jsima coluna de A.;f
! determinante de M,, recebe o nome de determinante menor do elemento aij
fou, mais resumidamente, menor de a,. O cofator A,, de a,, definido por X
gi

_.
J
&
...:: Aa=(1)+it(Ma) M:...i
Por um processo indutivo, somos levados seguinte definio recursiva de
determinante de uma matriz.
amigao 42 *teraaanfeaaaaa; A axildentd''pordeti
fou por IAI, o escalar definido recursivamente por
'. ;[
%
_
det(A) % a, se n = 1,
all/111 + am./412 + ' ' ' + alnA1n7 se TL > 17 (43)
!
m u.
l?-941,37 _ 99%th dedeia .

A Definio 4.2 conhecida como expanso de Laplace, em homenagem ao


matemtico francs Pierre Simon Laplace (*1749 T1827), ou simplesmente
expanso em cofatores (em relao primeira linha).
E muito importante que o leitor
se convena de que a Definio 4. 2 no
implica a afirmaoa matriz e invertvelss,e e somente se, seu determinante
for no nulo por causa da induo feita acima. A induo sugeriunos uma
definio de determinante. Provaremos a afirmao acima na prxima seo.

Uma Outra Definio


H uma outra forma bastante comum de definir o determinante de uma
matriz: utilizando permutaes. Notemos que todos os fatores em (4.2) podem
ser escritos como
a1_a2_a3_ ,
166 Determinantes Captulo 4

sendo os espaos em branco preenchidos pelas permutaes dOS nmeros 1, 2


e 3. Os sinais dos cofatores so determinados pela paridade d nmero de
trocas exigidas para obtermos a configurao original a11a22a33. Por exemplo,
a11a23a32 precisa de uma troca para se tornar a11a22a33, ento o sinal (1)1 =
1. J a12a23a31 precisa de duas trocas para se tornar a11a22a33, ento 0 Sinal
(=1)2 = +1.
O determinante de uma matriz A n >< n seria ento definido pela soma de
todos os produtos
(1)qa'1_a2_ . . . a,,_ ,
sendo que os espaos em branco so preenchidos pelas permutaes dos nme-
ros 1, 2, . . . , n, e q o nmero de trocas necessrias para reverter a permutao
em questo forma original allan . . . am,.
claro que a definio acima deve ser equivalente Definio 4.2, mas no
demonstraremos essa equivalncia, que, entretanto, verdadeira. O motivo
de escolhermos a expanso de Laplace como definio de determinante por
considera-la de mais fcil implementao computacional e por ela prescindir
de manipulaes combinatrias.

EXERCCIOS

4.1.1 Calcule, usando a definio, os determinantes abaixo.

a._33-25. 12
d.__1_4
379 311
10043. e2 13
002 145
1-1-11 3_2_34
2430 f 2321
'321=2' '1212
=1327 6527

4.1.2 Verifique, para os casos abaixo, se a definio de determinante de uma


matriz 3 >< 3, dada pela equao (4.2), consistente com a condio de uma
matriz ser invertvel se, e somente se, seu determinante for no nulo.
54.1 Determinante de uma Matriz 167

a. (111 = 0, (121 # 0,
b- a11=a21=0,a3170e
C. 0.11 = 0.21 = 0,31 = 0.

4.1.3 D contraexemplos para mostrar que as afirmaes abaixo so falsas.


a. Sejam A m >< n e B n >< m, com m # n, ento det(AB) = det(BA)-
b. det(A + B) = det(A) + det(B).
c. det(kA) = kdet(A).

4.1.4 Seja A uma matriz 2 x 2. Mostre que det(A+I) = det(A) + 1 se, e somente
se, tr(A) = 0.
4.1.5 Mostre, usando induo matemtica e a Definio 4.2, que o determinante
de uma matriz triangular inferior dado pelo produto dos elementos da
diagonal principal da matriz.

4.1.6 Considere o determinante da matriz tridiagonal 1, 1, 1 n >< n

1 1
1 1 1
Fn = 1 1 1

1 1

Mostre que F,, = "_1 + Fn_2 usando a Definio 4.2. Observe que os
determinantes formam a sequncia de Fibonacci: 1, 2, 3, 5, 8, 13,

4.1.7 Mostre que o nmero de operaes aritmticas (adio, subtrao e multi


plicao) no clculo do determinante de uma matriz n x n n >< n! 1,

4.1.8 Calcule det(A AI ) e det(B AI ) para


A:)? eB=
5 6
01
102
2
=s

Quais valores de ). tornam as matrizes A A1 e B AI singulares?


168 Determinantes Captulo 4

4.1.9 Seja A uma matriz n >< n. Mostre que det(xl - A) um polinmio mnico
(i.e., com coeficiente an = 1) de grau n. Ento, pelo Teorema
Fundamental
da Algebra, existem nmeros complexos rl, T2, . . . , rn tais que

det(xI A) = (a; r1)(:1; T2) . . . (a: Tn)-

Mostre ainda que det(A) = r1r2 . . . Tn-


4.1.10 possvel que uma matriz cujos elementos so todos inteiros tenha deter-
minante fracionrio? Por qu?
54.2 Propriedades dos Determinantes 169

4,2 Propriedades dos Determinantes


Propusemos, na Seo anterior, a definio recursiva de uma funo que
relaciona cada matriz quadrada n x n a um escalar. Para os casos n = 1, 2
e 3, a frmula nos garante que a matriz s ser invertvel se seu determinante
e
no for nulo. Nosso objetivo nesta seo provar que a afirmao vlida
para qualquer nmero natural n, alm de obter diversas outras propriedades
dos determinantes que nos facilitem calcula-los e manipula-los.
Dentre as diversas propriedades dos determinantes h trs que so funda-
mentais para sua caracterizao. Dito de outra maneira, existem trs propri
edades que especificam a funo determinante, garantindo que ela existe e
nica: multilinearidade, antissimetria e o valor da funo quando aplicada a
matriz identidade.
A primeira propriedade nos diz que o determinante uma funo multi-
linear das linhas de uma matriz, ou seja, uma funo linear de cada linha
dessa matriz, quando as outras linhas so mantidas fixas.
. ::=:** nur
f'iwrfrdetammante Hepeiidmlinermente'd'wi-'sirfia" in a

Demonstrao. Mostremos inicialmente que a propriedade vale para a primeira


linha de uma matriz n >< n.
Em smbolos, se
0,11 ... 0.1" bn ... 01"
0,21 ... 0.2" (121 ... 0,2"
A= , B=
anl ... ann anl ... ann
e
du + 1711 ... ain + bln
0,21 ... az,,
C= ,
anl ... ann
ento
det(C) : det(A) + det(B) .
Ateno: em geral, det(A + B) # det(A) + det(B).
1 70 Determinantes Captulo 4

E mais, se
[ (1,11 ... k um
D= 0.21 ... a? ,

anl ann
ento
det(D) : kdet(A) .

Novamente, atentemos que, em geral, det(k A) # k det(A).


O caso n = 1 trivial. Para n > 1, recorremos a equao (4.3) para
escrever

det(C) : (0.11 + 011)A11 + ' ' ' + (CI/171 + bln)A1n


= ai1A11 + ' ' ' + alnAln + b11A11 + ' ' ' + blnAln
= det(A) + det(B) ,

pois os cofatores das respectivas primeiras linhas de A, B e C so iguais.


Tambm podemos escrever, usando (4.3),

det(D) = (k' a11)A11 + ' ' ' +(ka1n)A1n


= k (0111411 + ' ' ' + an411)
: k det(A) .

Para mostrarmos que o determinante depende linearmente da isima linha


da matriz, com i # 1, usaremos induo matemtica sobre a ordem da matriz.
Para matrizes 2 >< 2, temos trivialmente:

011 012 =a + b
a
+
G21 + b21 022 522 ( 22 22) a12(a21 + bl)
= a11a22 _ 012a21 + a11b22 a12b21
011 012 an Cl12
6121 022 521 b22
%42 Propriedades dos Determinantes 171

ll a12
k 021 le a = a11(k a22) *-
i2(k a21)

= k(a11a22 _ 12a21)
011 am
=k
021 6122

Supondo que a afirmao vlida para matrizes (n 1) >< (n 1), tomemos


agora
(111 aln au m

A: ail ain , B: bil bin ,

anl ... an,, anl ... an,,


0,11 ... al,, 0,11 ... al,,

C= (lili-bu ami-bin e D: klil kain

anl ... am, anl ... am,


Simbolizando as submatrizes de A, B, C e D por M$, M,? , M5 e M5,
respectivamente, temos

det(C) = a11011 + - ' + alnCIn -


--
= a11(-1)1+1 det(Mll) + - + a1n(1)1+" det(Mln)
= a11(1)1+1(det(ij) + det(MlBl)) + . . . +
+ a1n(1)1+"(det(M.) + det(A/150)
= a11A11 + + ainAin + a1iB11 + + ainBin
' ' ' '

= det(A) + det(B) ,

pos M, Mg. e MS. so matrizes (n 1) >< (n 1) que diferem somente na


(i = 1)sima linha da forma desejada e podemos usar a hiptese de induo
Para i > 1 ou o resultado geral j provad Pr 'i = 1-
1 72 Determinantes Captulo 4

Analogamente,

det(D) : 11D11 + ' ' ' + 04an


-
= a11(1)1+1 det(Mf) + - + a1n(1)1+"det(Mll,7,)
-
= a11(1)1+1(kdet(ij) + . - + a1n(1)1+"(kdet(M1/,))
= k(a11A11 + ' ' ' + a1nA1n)
: kdet(A) .

E a proposio est demonstrada.

Demonstrao. Basta tomarmos k = 0 na matriz D da demonstrao da


Proposio 4.1 acima.

Antes de provarmos a propriedade de antissimetria, examinaremos os pa-


dres que surgem quando expandimos o determinante de uma matriz A 4 >< 4
duas vezes consecutivas. Precisaremos da seguinte notao:

Ml
Cl C2

e a matriz menor 2 x 2 de A obtida pela eliminao das linhas ll e lg e das


colunas cl e 02 de A. Considerando

(11 G2 G3 (14
A= b. b. bs b. ,
01 02 Cs 64
dl dg d3 d4

sua expanso em cofatores

IAI = a1(1)2|M11| + a2(1)3|M12| + a3(1)4|M13| + a4(1)5|M14|


= +a1(bz(1)1+1IMfl + b3(1)1+2|M%| + b4(1)1+3|M%Z )+
'

2(bl(1)1+1|M2112| + b3(1)1+2|M213| + b4(+1)1+3|M213 )+


"

+ dB(b1(1)1+1|Mzi12| + bz(1)1+2|Mi:i| + b4(1)1+3|M|)+


4(bl(1)1+1|Mi12| + bz(1)1+2|Mi22| + b3(1)H'3|1V-"4132 )
"
54.2 Propriedades dos Determinantes 173

= +a1(b2|M1122 b3iM1132i+ b4|Mi|)+


_ 2(b1|M1122 _ bslell + MIA/1213 )+
+ s(bllMil _ b2|M2132| + b4|MiD+
_ a4(bllM1142 _ b2|M213| + bsleifl),
12 _
-'
Ja que M12 12
Ml, 12
M32 = M2132 . .
e asmm por diante. Destacando .
mals
.
alnda 0
padrao:

|A| = +a1(b24 =
bgq. + b4<2)+
=
a(bla b3<> + b4A)+
=

+ a3(bl& 020 + b4*)+


_

a4(b1Q? bgA + b3*) ,

sendo que smbolos iguais representam os determinantes idnticos. E impor


tante que o leitor se convena de que o padro acima independe da dimenso
da matriz, repetindo-se em qualquer matriz n >< n.

Demonstrao. Analisaremos inicialmente a permutao das duas primeiras


linhas. Consideremos as matrizes 4 >< 4
al 0,2 (1,3 0.4 bl bz bg 04
A: (71 52 bs 54 e B : ai (12 as G4
61 Cg 03 64 61 02 C3 64
dl d2 dg d4 dl dg d3 d4
Pela observao anterior,

det(A) = +a1(bz|M113 b3|Mi32| + b4|Mil)+


'

- a2(b1|M1122| b3|M2li + b4|Mi|)+


'

+ sib1|M1lzi| b2|M2132l + b4lM3icil)+


a.r(bilMiI blezlI + balMsi )
= b1(a2iM1122| 3|M1132| + 4|MiD+
+b2[a1|M%2 aslMl +a4lMl>+
174 Determinantes Captulo 4

+03(a1|M1132 _GQIM2132|+a4iM42D+
+ b4(a1|M14' a2|M242| + GSIMII)
_

: det(B).

A igualdade acima deriva exatamente do padro destacado anteriormente e


podemos generalizar o resultado para matrizes n >< n.
A demonstrao prossegue por induo matemtica. Para matrizes 2 >< 2,

det(
021 (122
) = a1221 _ a11a22 = _ det( 6121
an 012 J)
(111 012 (122

Supondo, como hiptese de induo, o resultado vlido para matrizes (n


1) >< (n 1), tomamos as matrizes A e B de mesma dimenso n >< n, a ltima
diferindo da primeira pela troca das linhas i e i + 1, com i 2 1, e escrevemos
a expanso em cofatores do determinante

det(B) : a11(1)1+1|M1B1| + . . . + a1n(_1)1+n|MB


: a11( 1)1+1|M1Al|__..._a1n(_1)1+n|M1/ll

= det(A),

j que que os determinantes menores de B so os mesmos que os de A com o


sinal invertido, pela hiptese de induo. []

Duas consequncias seguem imediatamente.


'

S
r,; ..
PSW 4.2SepermutarmosSuas in as quaisquer deumamatriz se
%* i ===,me"'x'/v .

. Qu .

Demonstrao. Para permutarmos as linhas i e i+q de uma matriz, precisamos


de q trocas de linhas adjacentes para que a isima linha assuma a posio i+q;
e depois so necessrias q 1 trocas de linhas adjacentes para que a (i + q)-
sima linha original (agora na posio i+ q 1) assuma a posio i. Portanto,
so necessrias 2 q 1 trocas de linhas adjacentes, o que significa somente uma
troca lquida de sinal do determinante. El

E
Vem:..;renegar;
Mi"M"SWS'iilfnwanainz possuirduaslinhas1 mas seu e?
-;_..' ,; n' Av,.... . ., _1_
_
ie,.a .;..v;

,: ,
anamari
s! %w WW
54.2 Propriedades dos Determinantes 175

Demonstrao. Trocando as duas linhas idnticas de um matriz A, o deter-


minante da matriz deve trocar de sinal. Mas a matriz resultante igual a
original, ento det(A) : _ det(A) : 0, |]

Busquemos agora o determinante da matriz identidade.

ropoma'o 4.3. 13 deiermmaii'te d'iima iiifiiz tfianguiar e o pr? 11 o


enlt.dggl Qrincipalr >... . A.. ,
..:. 4.1.-

Demonstrao. Faremos uso novamente da induo matemtica. O caso n = 2


nos d:
det([ (111
021 a22
O ]) = (111022 : det([ al ]) 0.12
6122
Suponhamos, ento, que o determinante de uma matriz triangular (n 1) ><
(n 1) seja o produto dos elementos de sua diagonal principal e consideremos
uma matriz triangular A n >< n.
Se A uma matriz triangular inferior, por definio, temos

det(A) : a11(1)1+1 det(M11)+ 01412 + ' ' ' + OAln : a11(a22 . . . ann) ,

pois M11 uma matriz triangular inferior de ordem (n 1) >< (n - 1) e, pela hi-
ptese de induo, seu determinante o produto dos elementos de sua diagonal
principal, i.e., a22 . . .ann.
Se A uma matriz triangular superior, temos

det(A) : a11(-1)1+1 det(M11)+ a12(1)1+2 det(M12) =|- . . . +


+ a1n(1)1+"det(M1n)
: a11(a22 . . . ann) + a12(1)1+20 + ' ' ' + a1n(1)1+"0
= 011022 - . - nn,
pois Mu uma matriz triangular superior de ordem (n 1), cujos elementos
da diagonal principal so um, a33, ..., am; e s matrizes M12, M13, ---, Mln
so triangulares superiores cujas diagonais principais possuem um elemento
nulo, a saber, al. D
As duas prximas propriedades seguem imediatamente da Proposio 4.3
acima.
176 Determinantes Captulo 4

morolario4. 4 Q determinante de umamatriz diagonal


eoproduto (idei?
========o=1===p=v :$ ar,-=== it". ... .;
,,
': ,935.:).. ?m, ..
, .... ...:::...
*

Eorolario4.5.Q determinante de umamatrizidentidadee1


._,_..,,,. M.,...
"F"

;
A propriedade o determinante do produto o produto dos determznantes
demonstrada inicialmente no caso especial das matrizes elementares.

Proposiao4'4Smamatrizelementarquemultiplica uma linha de


atrlzPrunlescalarava-..Otem;.determlnanteameia.wzi,51:33:33.1':.M:&%WLM_ "
Demonstrao. Uma matriz elementar Ei(a), com 04 # 0, uma matriz dia-
gonal cujos elementos da diagonal principal so 1, 1, . . . , 1, a, 1, . . . , 1. Basta,
agora, aplicar o Corolrio 4.4. D
797,3 n %wmmavwWQh www wwwwsemvawws %%,Wmu'ji':

AriSliwmu(a)fruma matriz e ementar que muitiplica a

.= =
t-sima linha de uma matriz A por um escalar
raise) ,...,.

Demonstrao. De fato, temos


, ,,
&

.
# 0, ento det(E', (a)A)
,
.*

det(E,(oz)A) : a det(A) : det(Ez-(a)) det(A) ,


pelas Proposies 4.1 e 4.4. |]

.]

Demonstrao. Sejam A uma matriz n >< n e B a matriz resultante da adio


de um mltiplo da isima linha jsima linha de A. Isto , os elementos da
jsima linha de B so
bjk = ajk + aaik >
para k = 1, . . . ,n, ento, pela Proposio 4.1, temos que
det(B) = det(A) + adet(C) ,
sendo C uma matriz idntica a A exceto pela jsima linha. Mas a jsima
linha de C idntica a sua isima linha, ento det(C) : 0, pelo Corolrio 4,3,
e, portanto, det(B) = det(A). []
54.2 Propriedades dos Determinantes 177

Propomao47Umamatriz elementarque combina linearmente duas lmha


de uma matiiz (ou seja adiciona um mltiplo de uma linha a outra) tem,
.uc...:i...:..m'ww Tui-... ., ,. .=..... ... . ,. .. .; _ ' .....2. .?
Demonstrao. Este tipo de matriz elementar uma matriz triangular cujas
entradas da diagonal principal so todas 1. Pela Proposio 4.3, seu determi-
nante 1. El

i'bb ais; SeE,(a) far rhtfilehihtfqtoi'rifiiflmeht


hnhsde um. ===9119949?(5754944), dtEz-AQD. dt.(A)1--.
Demonstrao. Pelas Proposies 4.6 e 4.7,

-
det(Eij(a)A) = det(A) = 1 det(A) = det(Eij(a)) det(A). []

ropomao4.9 Umamatriz elementarquetroca duas linhasdeumamatin


Emdetermlna'ntel :.=.= ....
JL;Amap? mi. .=. aid.. .: . xa-m..;.zf_<.,-._.=.M
...na. _"-.....
'. ,..-,... ,...... :..wisri.. .=..-g.. a..-...;

Demonstrao. Esse tipo de matriz elementar obtido pela permutao de


duas linhas da matriz identidade, assim, pelos Corolrios 4.2 e 4.5, seu deter-
minante 1. [|

roposrao410 P,,%? se uma


matriziementarquetroca duas lnias &:
ma matriz A entaodet(HJA)det()detgA) ,, _ WMM?,...,-...:... *: ., .,- :...

Demonstrao. Isso consequncia direta das Proposies 4.2 e 4.9. [|

Com as Proposies 4.34.10 podemos afirmar algumas propriedades das


matrizes P, L e U da decomposio PA = LU de uma matriz A n >< n.
A matriz P o produto de matrizes elementares que trocam duas linhas
de uma matriz, ento
det(P) = (1)p,
sendo p o nmero de operaes elementares de troca de linhas usadas na de
composio LU.
Como no exigimos que os pivs em U sejam unitrios, L o produto de
(inversas) de matrizes elementares que combinam linearmente linhas. Ento,
178 Determinantes Captulo 4

L uma matriz triangular inferior cujos elementos da diagonal pr1n01pal so


unitrios e, portanto,
det(L) = 1 .
U uma matriz triangular superior, da,
det(U) = U11U22 - - nn,
sendo um, . . . , um, os pivs de U ou zeros.
Disso tudo, conclumos que

det(A) = (_1)p det(U) = (1)pU11U22 . - - Unn -

Este resultado ser usado nas demonstraes das prximas proposies.


,gwyw w;; mam,W Mv? ,?

ropos1ao411mamatriz n><nser invertivel seesomentese,


dt (Al- O _ ., mir,-*
Demonstrao. Se A for singular, ento nul(A) > 0, o que significa que a
matriz U, da decomposio LU de A, possui pelo menos uma linha de zeros.
Pelo Corolrio 4.1, det(U) = 0 e, pelo observado acima,

det(A) = (1)pdet(U) : 0.

Se A no for singular, posto(A) : n, ou seja, U possuir, n pivs: um, . . . ,


um,, que so, por definio, diferentes de zero. Novamente, pela observao
acima,
det(A): (-1)pu11u22.. .um, 7 0 . []

'roposiaoZi??;A e?rem duasmatrizesn' ><n, ent WWW

Demonstrao. Se B for singular, ento AB tambm ser singular (ver Exer-


ccio 4.2.3). Pela Proposio 4.11,

det(AB) : 0 : det(B) = det(A) det(B) .


54.2 Propriedades dos Determinantes 179

Se B for invertvel, pela Proposio 1.3, sua forma escalonada reduzida por
linhas sera a matriz identidade. Ou seja, o mtodo de GaussJordan utiliza as
matrizes elementares El, .. ., E, para fazer

E,...EgElel.

A matriz B pode ento ser representada pelo produto das inversas das matrizes
El, . . . , E,, que tambm so matrizes elementares:

B = E11E21 . . .Efl .
Assim,
det(AB) = det(AE1_1E2_1 . . .ET"1)
= det(AEflE21 . . .E,_1_1)det(Ef1)
= det(A) det(E1_1)det(E2_1) . . .det(E,._1)
= det(A)det(E1_1E21 . . .E,-1)
= det(A) det(B) ,

usando repetidas vezes a propriedade do produto j demonstrada para matrizes


elementares. []

?ropoolUm"h1l3fiz'" 'ii "transpssepessual-n mesmo dtefmif


mante, isto , -

-,,-_fbx.s3-_-,->;;_;_,..',.,7._,,- _,,. .- ;;. 4, ,,, , . ,. , .,


,, degAT) = dt,, , , ,. .,

Demonstrao. Tomando a decomposio LU de uma matriz A n >< n, PA :


L U, notamos que

det(LT) =det(L) e det(UT) =det(U),


pois L, U, LT e UT so matrizes triangulares e seus determinantes so dados
pelos produtos dos elementos de suas respectivas diagonais principais.
Quanto matriz P, sabemos que PT : P1 (ver Exerccios 1.4.10 e 3.4.6)
e seguimos concluindo que

det(PT) = det(P),
180 Determinantes Captulo 4

pois det(PT)(1_)p - det(PT)det(P) : det(PTP) : det(li) = 1, e assim


det(PT) = (1)p = det(P), sendo p o nmero de trocas de llnhas usadas na
eliminao gaussiana.
Por fim, podemos escrever

det(P) det(A >= det(PA)= det(LU) = det(L) det(U) =


det(LT) det(UT) = det(UT) det(LT) = det(UTLT) =

det((LU)T ) = det((PA)T) = det(ATPT) =
_
det(AT) det(PT) ,

e concluir que, como det(P) : det(PT) = (1)p # O, ento det(A) = det(AT).


[]

Utilizando a Proposio 4.13, as propriedades dos determinantes referentes


s linhas de uma matriz podem ser estendidas s colunas dessa matriz. Por
exemplo, o determinante depende linearmente das colunas da matriz, ou ainda,
se uma matriz possui duas colunas idnticas, ento seu determinante nulo.
Concluiremos este captulo mostrando que o determinante de uma matriz
pode ser calculado pela expanso em cofatores de qualquer linha ou coluna
dessa matriz e no somente pela expanso da Definio 4.2.

Eeorema4.1Beja uma matrizn ><n Entaoodetermmantewdwpor;


er expresso como a expanso em cofatores em relao a qualquer linha ou ,;
"irualquer coluna. Em smbolos:
det(A) = aiIAil + 0421412 + ' ' ' + ainAin

: (hj./413 + a2jA2j + ' ' ' + anjAnja

Demonstrao. Pela Proposio 4.13, basta provarmos a primeira das igualda-


54.2 Propriedades dos Determinantes 181

des acima, cujo lado direito denotaremos por D,(A). Assim,

D,(A) : iIAil + ai2Ai2 + ' ' ' + ainAin


= ai1(_1)i+l det(Mil) + a,-2(1)i+2 det(Mig)
+ - - - + a,n(1)i+" det(M,,,)
=(ii 1) (a,- (1)1+1det(M,-1) + . . . + a,n(1)1+"det(M,-n))
=(1)21 det(P,_1, . . . P2,P1,-A)
=( 1)z1 det(P,_1,-).. .det(P2,-)det(P1,-)det(A)
=(1)'1-(1)i 1 det(A)
=(-1)22det(A )
: det(A) ,

usando as Proposies 4.9 e 4.12. III


Esse teorema bastante utilizado para o clculo de determinantes de ma-
trizes esparsas, isto , matrizes que possuem muitos zeros entre seus elementos.

EXERCCIOS

4.2.1 Utilize as propriedades dos determinantes para calcular:


1204 1ab+c
2101 b.1ba+c.
'0011' 1ca+b
2201

4.2.2 Considere uma matriz 3 >< 3 e a matriz elementar P23. Mostre como realizar
a mesma troca de linhas utilizando quatro matrizes elementares dos outros
tipos, i.e., E-(a) e Eij(5)-
4.2.3 Mostre, sem usar determinantes, que, se B for uma matriz n >< n singular,
ento, AB tambm ser uma matriz singular, qualquer que seja a matriz A
"XTZ.

4.2.4 Qual a relao entre o determinante de uma matriz (invertvel) e o de sua


inversa?
182 Determinantes Captulo 4

4.2.5 Se P o produto de matrizes elementares que trocam duas linhas, mostre


que P1 : PT.
4.2.6 Se Q uma matriz ortogonal, calcule det(Q).
4.2.7 Se P um projetor, calcule det(P).
4.2.8 Se A uma matriz antissimtrica, i.e., AT = A, calcule det(A).
4.2.9 Se A uma matriz n >< n e 19 um escalar, calcule det(kA).
4.2.10 Considere a matriz de Vandermonde de ordem 4
1 a a2 a3
1 b b b3
V4 _ 1 c c2 03
1 a: su a'3
Utilizando o Teorema 4.1, mostre que

det(l/Zl) = (b a)(c a)(c b)(ac a)(m b)(a: c) .

4.2.11 Prove a generalizao do item anterior para uma matriz de Vandermonde


de ordem n.
4.2.12 Calcule o determinante de cada matriz abaixo.
0003 000. OOOa
a0021 b.0bd C00b6
'0513' cef 'chg
2114 dhi]

Essas matrizes so chamadas de triangulares reuersas.


4.2.13 Generalize o exemplo anterior para matrizes triangulares reversas de dimen
so n >< n, encontrando uma frmula para o determinante dessas matrizes.

4.2.14 Mostre que, se os elementos de cada coluna de uma matriz somam zero,
ento seu determinante zero.
4.2.15 Usando o resultado do exerccio anterior, mostre que se os elementos de
cada coluna de uma matriz A somam 1, ento det(A I) = 0_ Isso, porm,
no significa que det(A) = 1. D um exemplo de uma matriz cujas colunas
somam 1 e seu determinante no 1.
54.2 Propriedades dos Determinantes 183

4.2.16 Mostre que o determinante da matriz

*, -
* -OQ * -O G * -OGD
e zero, quaisquer que sejam os valores dos asteriscos.

*-
4.2.17 Um exemplo de como trabalhar com matrizes em blocos. Considere as
matrizes 2 >< 2 A, B, 0 e D. Mostre que

'AB
O D = det(A) det(D).

4.2.18 possvel mostrar que, para as matrizes A, B, C e D de ordem 2 >< 2,


AB
= det(A) det(D) det(C) det(B) , (4.4)
CD

se, e somente se, A, B, C e D comutam. D um exemplo no trivial de uma


matriz 4 >< 4 tal que (4.4) vlida e outro em que a equao no vlida.
4.2.19 Mostre que det(A*) = det(A).
4.2.20 Mostre que o determinante de uma matriz hermitiana sempre real.
184 Determinantes Captulo 4

4.3 Aplicaes
Nesta ltima seo deste captulo, apresentaremos trs aplicaes dos de
terminantes: o clculo da inversa via matriz dos cofatores, a regra de Cramer
(em homenagem ao matemtico suo Gabriel Cramer (*1704 T1752)) e o
clculo de equaes de curvas planas e superfcies.

4.3.1 Clculo da Inversa de uma Matriz


Se lanarmos um olhar mais atento a expanso em cofatores de uma linha
qualquer de uma matriz A:

det(A) = ailAil + aiZAiZ + ' ' - + ainAin ,


observaremos que ela no passa do produto interno euclidiano

Aa
A7,2
(i,:aAi,:) = i,;Ai,: = [ an Giz
T
ain ] .

Ain
entre a i-sima linha da matriz A e a i-sima linha da matriz formada pelos
cofatores A,,- de A

Al].A12 Al'n
Acofator=
A21 A22
: : .. A,,
_2 >

A,,1 A,,2 Am,


chamada de matriz dos cofatores de A.
Mas o que acontece se calcularmos o produto interno entre a isima linha
da matriz A e a jsima linha da matriz Acfator, para i # j? Ou seja, qual
o valor de
Ajl
A
[
(i,:,Aj,:> = g./M,; = ail Giz ai,, ] _32 ?
A,,
54.3 Aplicaes 185

Isso contlnua determinante, mas agora de uma matriz B


representando um
identlca & A, exceto por sua j-sima linha que igual sua ilinha. Assim,

(111 diz al,, _ '


BH Blz Bh,

ail ai2 ... am Bil Big ... Bin
B: : : e Bcofator= 7

ail ai2 ... am Ajl Ajg ... Aj"

_ an]. an2 ' ' ' ann _ _ Bnl Bn2 ... Bnn _
j que le = Ajl, . . . , Bjn = Ajn. Portanto, desenvolvendo o determinante de
B, que zero, por sua expanso pela jsima linha, obtemos

(a,,,, A,,. ) = a?,Aj, = det(B) = 0.

Num exemplo 3 >< 3 para esclarecer: considerando

a b c a b e
M= d e f e N= d e f ,
g h i d e f

teremos as respectivas matrizes dos cofatores

A B C O O 0
Mcofator : D E F e Ncofator : _G _H +]
G H 1 G H [

Portanto,
O=det(N) =dG+eH+fI.

Generalizando: o produto
ailAJ-l + 0421432 + ' ' ' + ainAjn

sempre zero, se i 76 j , e igual ao determinante de A, se i = j . Podemos


186 Determinantes Captulo 4

escrever isso na forma de um produto de matrizes:

'
an 6112 a1n A11 A21 nl
m (122 a2n A12 A22 n2
AAZofator : . -
_ anl (Ing ... am, Aln A2", ... Ann
f det(A) 0 O
0 det(A) 0

_ O O det(A)
1 0 . 0
0 1 . 0
= det(A) , , _
0 0 . 1

Ateno para o fato de usarmos a transposta da matriz dos cofatores.


Se det(A) # 0, ento

A (mAcofator>
1
_I
T

e assim a inversa de uma matriz (invertvel) A

1 __ 1 T
A _ det(A) Acofator ' (4-5)

Obtemos com a equao (4.5) um outro mtodo para calcularmos a inversa


de uma matriz, pois at agora s conhecamos o mtodo de GaussJordan.
A equao (4.5) nos fornece ainda uma truque para calcularmos a inversa
de uma matriz 2 >< 2 A: basta multiplicarmos pelo inverso do determinante
de A, a matriz formada a partir de A, trocandose os elementos da diagonal
principal e invertendo o sinal dos outros dois elementos:

A
1 __
'
1
det(A) [ a22 _012
021 611 l '
g4.3 Aplicaes 187

4.3.2 Regra de Cramer


Fazendo uso do Teorema 4.1, somos agora capazes de demonstrar a regra
de Cramer, bastante utilizada pelos estudantes no ensino mdio.
A regra de Cramer usada para encontrar a soluo nica x de um sistema
n >< n de equaes lineares Ax : b e consiste no clculo de n+1 determinantes:
det(A), det(Bl), det(Bz), ..., det(Bn), sendo
a11 -. Li-1 b1 a1,i+1 --- In

Bi :
021 --- a2,i1
.
bz
.
2,i+1
.
-. a2n
>

anl '
- amil bn an,i+1 --
ann
para i = 1, 2, . . . ,n. Como podemos ver na expresso acima, cada matriz B,
nada mais do que a matriz A com a i-sima coluna substituda pelo vetor b.
Calculemos o determinante de cada B,- expandido em cofatores pela isima
coluna:
det(31) - (911411 + (921421 + ' ' '
+ bnAnl
det(Bg) 011412 + 021422 + ' ' '
+ bnAnz
det(Bn) _ blAln + b2A2n + + bnAnn
' ' '

'
An A21 ... Anl (91
__ A12 A22 An2 bz _

_ Al,, AZ,, ... Ann b,,


: Afatorb
= det(A)A'1b
: det(A)x.
Ento, a soluo x calculada assim:
_ det(Bi)
xt det(A) ,
pri=1,2,...,n.
d A frequncia com que usamos a regra de Cramer no ensino mdio no
eve ser confundida com eficcia, pois, nessa etapa da vida do estudante, os
188 Determinantes Captulo 4

sistemas lineares so de pequenas dimenses, 3 X 3, 4 X 4, 110 mais das vezes.


Em sistemas maiores, devemos usar o mtodo de eliminao de Gauss (com
pivotamento parcial), pois o nmero de operaes aritmticas nele da ordem
de m, enquanto que, na regra de Cramer, esse nmero da ordem de n!.
Para ter uma ideia da diferena entre essas ordens de grandeza, o leitor pode
comparar 1003 com 100!.

4.3.3 Curvas e Superfcies


Determinar a equao geral de uma curva plana ou de uma superfcie no
espao que passa por um conjunto de pontos conhecidos resolver um sistema
de equaes lineares cujas incgnitas so os coeficientes da equao da curva
ou da superfcie. H., porm, uma alternativa para derivarmos a equao geral
diretamente: basta usarmos o fato de que um sistema homogneo s possui
solues no triviais se o determinante da matriz correspondente ao sistema
for zero.
Por exemplo, consideremos a reta que passa pelos pontos distintos (why/1)
e (372, yz) do plano. A equao da reta

y=azt+b, sexlyxg, ou
a' = b, se 331 = 1132 .

Podemos unificar a forma de apresentao das equaes acima escrevendo

clx+02y+03 = O,

para qualquer ponto (a:, g) do plano pertencente reta.


Devemos determinar cl, 02 e 03 a partir dos pontos conhecidos da reta,
(acl, yl) e (1132, yz). Se (13, y) for um ponto da reta, teremos as equaes

6130 +02y +03=0,


61$1+02y1+63=0,
c1x2+62y2+03 =O,

ou ainda
3: y 1 01
O

AC = 581 yl ]. Cg
H

5172 312 1 03 0
54.3 Aplicaes 189

Esse sistema s ter soluo no trivial, se


1
3: y
det(A): [151 111 1 =D,
502 112 1
o que nos d a equao geral da reta.
Claramente, podemos aplicar a tcnica acima para calcular a equao geral
de qualquer curva plana (ou de qualquer superfcie no espao) para a qual co-
nhecemos o nmero necessrio de pontos que a determinam. Alguns exemplos:
Para a equao da circunferncia so necessrios trs pontos, que dada
por:
at + y sc y 1
mi + yi xl y. 1
37% + 11% 1'2 112 1
r + 31% me. 313 1
Para a equao de uma cnica (elipse, parbola ou hiprbole) so necess
rios cinco pontos, sendo dada por:
my y x y

H l D
at
501 581.711 311 331 111
5172 zyz yz 372 112
1133 1133113 313 5133 313
324 334314 314 554 214
s 735% % 5135 315
Uma aplicao interessante seria, usando medidas reais, descobrir se um
cometa possui rbita peridica ou no. Que cnicas esto envolvidas nesses
casos?
No espao, podemos encontrar a equao geral de uma esfera, se tivermos
quatro pontos, assim:
a + y2 + z

l i u A r -
cc 31 z
33% + 31% + Z? 5131 111 Zi
113% + y% + Z 332 112 22
H
O

513% + y + 2% 503 113 Zs


50,2, + yi + Z 374 314 24
190 Determinantes Captulo 4

EXERCCIOS
4.3.1 Utilizando a equao (4.5), encontre, se existirem, as inversas das seguintes
matrizes:

a. _2
3 4
1 . C. s
4 2
3 1
4 . e,
1 -2 1
2 1 4
_8 2 O 3 3 5
_1 2 5 4
1 2 1 d 2 5 12 7
b. 2 1 4 . '
3 5 17 8
3 3 2 _ 1 1 7 4

4.3.2 Encontre, utilizando a regra de Cramer, a soluo do sistema Ax : b,


sendo:
'
1 2 1 2
a A= 2 1 4 e b= 8 ,
_ 3 3 6 9
'
1 2 3 4 1
1 1 1 1 2
b. A _ 2 1 1 2 e b _1

_ 1 1 1 1 1
4.3.3 Use o resultado do Exerccio 4.1.7 para mostrar que o nmero de operaes
aritmticas para resolver um sistema 71 >< n utilizando a regra de Cramer
da ordem de (n + 1)!.
4.3.4 A velocidade de um processador dada em jlops, do ingls floating-point
operations per second, ou operaes de ponto Hutuante por segundo. Usando
o resultado acima, calcule o tempo necessrio para um processador Intel6
Core i7, cuja velocidade de aproximadamente 100 Gflops (ou 1011 fiops),
calcular a soluo de um sistema 20 x 20 utilizando a regra de Cramer.
4.3.5 Encontre, usando determinantes, as equaes da circunferncia e da esfera
que contm, respectivamente, os pontos:
(110), (112) e (31 _2) e (_11134), (111,4), (2,0,0) e (3,1,2).
Encontre os respectivos centros e raios e escreva as equaes na forma
(x_cl)2+(y_62)2+ (ZC3)2 =r2,
5
Autovalores
Em 7 de novembro de 1940, aps quatro meses de uso, a ponte do estreito de
Tacoma, no estado americano de Washington, entrou em colapso sob a ao dos
ventos. Um vdeo, que pode ser encontrado na internet sob o ttulo de Tacoma
Narrows Bridge, mostra a ponte oscilando, torcendo-se e contorcendose a cada
nova rajada de vento. A causa do desastre: ventos peridicos sopraram com
uma frequncia prxima a frequncia natural de oscilao da estrutura.
Encontrar a frequncia natural de oscilao de uma estrutura requer o
clculo dos autovalores de uma matriz, sendo uma excelente maneira de intro
duzir os conceitos de autovalor e autovetor. Infelizmente, isso requer noes
mnimas de equaes diferenciais, na maioria das vezes ainda muito distantes
do horizonte de estudos de um aluno em seu primeiro contato com a lgebra
Linear.
Para que a motivao deste captulo no se restrinja lgebra ou seja
uma mera curiosidade geomtrica, analisaremos problemas envolvendo dois
sistemas mecnicos com massas e molas: no primeiro, mais simples, poderemos
intuir, a partir de consideraes cinemticas bsicas, sua soluo, que, uma vez
apresentada, poder ser verificada com o uso de alguns resultados do Clculo
Diferencial. Utilizaremos o que foi aprendido com o sistema mais simples para
calcular a frequncia natural de oscilao de um segundo sistema massa-mola,
mais complexo. Autovalores e autovetores surgiro deste clculo. (Como no
poderemos nos aprofundar na teoria das equaes diferenciais, as simplificaes
sero inevitveis.)
J motivados, veremos como calcular os autovalores e autovetores de uma
matriz (quadrada) e como matrizes e vetores complexos surgem naturalmente
desses clculos.

191
192 Autovalores Captulo 5

O gerenciamento de florestas e rebanhos, modelos de uma classe de proble-


mas que envolvem matrizes de transio de estad, mOStrr & Importancra
da diagonalizao de matrizes.
O captulo culminar. com a demonstrao do Teorema Espectral e com duas
belas aplicaes de tudo o que aprendemos at ento: as cadeias de Markov e
o uso da decomposio de valor singular SVD, na sigla em ingls Pr '

compresso de imagens digitais.

5. 1 Sistemas Mecnicos
Consideremos o seguinte sistema mecnico sem atrito constitudo de uma
massa m e de uma mola com constante de mola k, esquematizado na Figura
5.1.

X 3& (fl?I?I?I"IIIIIIIIIII?)

Figura 5.1: Sistema massa-mola.

A posio de repouso do centro de massa de m marca a origem do eixo


a:. A massa ento movida a uma posio 330 e impulsionada com velocidade
inicial vo. Queremos descobrir a funo x(t) que determina o deslocamento da
massa m em qualquer instante de tempo t. Para modelar este sistema, usamos
a 2 lei de Newton e a lei de Hooke para molas ideais. Assim,
ma = kx, (51)
sendo a a acelerao da massa.
Para termos uma ideia da soluo da equao (5,1), construmos a Ta-
bela 5.1, que mostra o comportamento do deslocamento, da velocidade e da
acelerao da massa m, com posio inicial sto > 0 e velocidade inicial nula
(110 = O).
55,1 Sistemas Mecnicos

Percurso de 330 & 0 de O a a:0 de a:0 a O de 0 a sto


+ - +
a; (m) decrescente crescente decrescente crescente
(em mdulo) (em mdulo) (em mdulo) (em mdulo)
+ +
1) (m/s) crescente decrescente crescente decrescente
(em mdulo) (em mdulo) (em mdulo) (em mdulo)

a (m/s) decrescente crescente decrescente crescente


(em mdulo) (em mdulo) (em mdulo) (em mdulo)

Tabela 5.1: Evoluo das caractersticas de :::, u e a, com 330 > O e vo = 0.

Nossa experincia aponta para uma soluo peridica, e a Tabela 5.1 nos
sugere que, se o deslocamento for dado por x(t) : 1130 cost, ento a velocidade
e a acelerao sero, respectivamente,

u(t) = :L'0 sent e a(t) = -;t0 cost,

como indicados na Figura 5.2.

x(t) o(t a(t


Clio 1130 530

t t t
27r 27r 27r
x0 .'130 +30

(8)

Figura 5.2: Grficos do (a) deslocamento x(t); da (b) velocidade o(t); e da (c)
acelerao a(t).

Os leitores familiarizados com Fsica e Clculo Diferencial sabem que a


velocidade o(t) de um corpo dada pela derivada do deslocamento em relao
194 Autovalores Captulo 5

ao tempo, isto ,

dt
e a acelerao a derivada da velocidade, sendo, portanto, a segunda derivada
do deslocamento em relao ao tempo:

do(t) da:(t)
'
(t): dt : dt
Assim, se considerarmos uma soluo mais geral para a equao (5.1):
x(t) = Acos(wt + (o) , (5.2)
sendo A a amplitude, to a frequncia e (o o ngulo de fase, verificamos que

o(t) = % (A cos(wt + (p)) = wA sen(wt + 90)

a(t) = dit (wA sen(wt + (p)) = w2A cos(wt + (o) . (5.3)


Como (5.2) e (5.3) devem obedecer a equao (5.1), obtemos
k
w= __ >
m
que chamada de frequncia natural de oscilao do sistema da Figura 5.1.
A amplitude A e o ngulo de fase (,O podem ser calculados utilizandose as
condies iniciais x(O) = ato e o(O) : uo (ver Exerccio 5.1.4).
Veremos agora um dos motivos da importncia de determinarmos a frequn
cia natural de oscilao de um sistema mecnico. Consideremos um sistema
massamola excitado por uma fora peridica, como na Figura 5.3.
A equao que modela o sistema da Figura 5.3
d2x(t) k
dt + %w(t) = Fcos(wft) . (5.4)

Se considerarmos uma soluo de (5.4) da forma

x(t) = Acos(wt + 90) + gcoswft) ,


55,1 Sistemas Mecnicos 195

k
(iiilllllilllllili)
X

////////// %
X

Figura 5.3: Sistema massamola com excitao peridica.

veremos que to = (1%, ou seja, a mesma frequncia natural do sistema no


excitado, e que B = w Loj., para w # wf. Assim,
F
x(t) : Acos(wt + <p) + _2
2 cos(wft) ,
to wf
e podemos notar que, a medida que a frequncia de excitao cof se aproxima
da frequncia natural do sistema ou, a amplitude E"???
aumenta, o que, por
sua vez, aumenta o mdulo do deslocamento. Foi isto o que aconteceu com a
ponte do estreito de Tacoma: mesmo sob a ao de ventos no muito fortes
(isto , F pequeno), a frequncia deles (tof) aproximouse demais da frequncia
natural de oscilao do sistema, amplificando o deslocamento at o ponto de
ruptura da estrutura da ponte.
Cientes da importncia do clculo da frequncia natural de oscilao de
um sistema mecnico, voltemonos agora para um sistema mais complexo, que
envolve duas massas e duas molas, mostrado no esquema da Figura 5.4.
Analisando com cuidado o esquema da Figura 5.4, encontramos as equaes
mlal = 1C1 + kz<E2 _ 2131)
mzaz = k2(32 151),
+
(5.5)
que mostram o acoplamento das variveis ml e 332, sendo al e 0,2 as aceleraes
das massas ml e 7712, respectivamente.
J a que o sistema mecnico acima no tem atrito e ainda composto somente
Pr massas e molas, podemos supor que, como no sistema (5.1), a acelerao
Proporciona] ao oposto do deslocamento. Assim
al = $1 e G2 = A:r2, (5.6)
196 Autovalores Captulo 5

ax kl
(llllllllllll?lll)

Figura 5.4: Sistema massamola composto.

sendo A o quadrado da frequncia de oscilao do sistema.


Substituindo as equaes (5.6) no sistema (5.5) e reordenando os termos,
obtemos:
k1+k2 __),
kg
__ 0
ml
_2
7712
ll-),
7712
ml
ll il,
531 =

ou, melhor ainda,

(,.
_
..).
: _,_
k1+k2
ml

7712
_
kg
7111

777.2
_ 4,1] [,2j_(0j_.,(5.7,
1 0 a: 1 _ O __

destacando a matriz A, com as constantes fsicas do sistema, da matriz AI ,


relacionada com a frequncia de oscilao.
Mesmo incapazes de resolver o problema (5.5) sem usar equaes diferen
ciais, podemos estudar a(s) frequncia(s) de oscilao do sistema como as
relacionadas ao colapso da ponte do estreito de Tacoma. Reduzindo a equao
(5.7) a
(A Al)x = O, (5.8)
analisaremos os possveis valores de A.
A soluo trivial de (5.8) corresponde ao repouso e no nos interessa. Para
termos outras solues, a matriz A Al no pode ser invertvel, assim, devemos
ter
det(A AI) = O.
55.1 Sistemas Mecnicos 197

Isso corresponde, substitudos os valores da matriz 2 >< 2 A, a encontrarmos as


razes da equao de segundo grau em A:
A2_(k,+k,+>A+ k,i, =(), (59)
ml mg mlmg

no nos interessando explicita-las agora.


O que devemos salientar que encontrar as frequncias de oscilao de
sistemas mecnicos, como o da Figura 5.4, leva-nos ao estudo da equao
(5.8). Os escalares A so chamados de autovalores da matriz A e os vetores
no nulos x so seus autovetores associados.
E o que estudaremos a seguir.

EXERCCIOS
5.1.1 Encontre as razes da equao de segundo grau (5.9), para m, = 771.2 = m e
k, : kg = k.
5.1.2 Para ml = mg = m e kl = kg = k, como no item anterior, mostre que as
frequncias de oscilao do sistema da Figura 5.4 so

w1_
W,)LHVJE
m 2 m , ,n,/Lv?
m_
2_(t m, 2
sendo o nmero de ouro.
5.1.3 Para quem sabe Clculo. Derive a equao (5.2) duas vezes para obter a
equao (5.3).
5.1.4 Usando as condies iniciais x(O) = sto e u(0) = no, encontre a amplitude A
e O ngulo de fase cp da soluo da equao (5.1).
5.1.5 Para quem sabe Clculo. Mostre que

x(t) = Acos(wt + (o) ,


ou, equivalentemente,
x(t) = Acos(wt) + B sen(wt) ,
so solues da equao (5-1)-
198 Autovalores Captulo 5

5.1.6 Num modelo idealizado de uma molcula composta de trs tomos alinha-
dos, com massas m, M e m, podemos considerar as foras entre o tomo
central e cada uma dos tomos da extremidade como as de molas de cons
tante elstica k. Encontre as equaes que modelam o problema e resolvaas
utilizando um anlogo da equao (5.6).
55.2 Autovalores e Autovetores 199

5,2 Autovalores e Autovetores


Na seo anterior, chegamos a equao (A Al)x = 0, que equivale a
Ax = Ax,

ou seja, o vetor x levado, pela multiplicao pela matriz A, a um mltiplo seu.


Claramente o vetor nulo sempre soluo da equao, pois qualquer matriz
quadrada leva o vetor nulo (de dimenso apropriada) nele mesmo. Interessam-
nos as solues no triviais:
_.aief'mlao 5.1. Seja A uma matriz n >< n. Denomina-se autovalor de A a un
scalar A que satisfaz a equao
Ax= Ax zey w m
associado;

' *
algum vetor no nulo x, chamado, por sua vez, de autovetor
para

&.
samuara _ .. ,. . , .. .
., ,

Vejamos um exemplo numrico.

Exemplo 5. 1. Sejam

A[O 2] 1 1
e x[1J. 1

fcil verificar que

+01 Ati1.141.149 1 1

isto , A = 2 um autovalor de A e x = [1 1]T um seu autovetor associado.


1 _ 2 _ 1 _

[]

Mas qualquer matriz quadrada possui autovalores? A resposta, afirmativa,


dada pelo teorema de existncia a seguir.

& rema 5.1. Uma matriz A n >< n possui n autovalores (reais ou complexos)
Assadas suas multiplicidades.
'

sua. ..
. .,
, ..
M,. .;. . , .. . .
*
,a __1.
' '
l' '';
' >
'
LH . W- * i "7. *, M . " .. ," ' ' " '
N
'
V "" VM
200 Autovalores Captulo 5

Demonstrao. Para que existam um escalar A e um vetor nao nulo x tais que
(A AI)x = O, necessrio e suficiente que

det(A - AI) = 0, (5-10)


de acordo com o Teorema 2.5 e com a Proposio 4.11.
Utilizando a definio combinatria de determinante, fcil ver que, para
uma matriz A n >< n, a expresso det(A )J) um polinmio de grau (exata-
mente) n em A. Pelo Teorema Fundamental da lgebra, esse polinmio possui
exatamente n razes complexas (que podem ser, claro, reais), contadas as
multiplicidades. |:]

Na demonstrao acima, desenvolver o determinante de A AI leva a um


polinmio de grau n na varivel A. Esse polinmio recebe o nome de polinmio
caracteristico da matriz A e denotado por p,,(A).
Na sequncia de exemplos que segue, os autovalores e autovetores das ma-
trizes apresentaro diversas peculiaridades, que analisaremos em seguida.

0 = det(A AI)

Para A, = 1, temos
=.
Exemplo 5.2. Seja A como no Exemplo 5.1. Ento,

lA
O
1
2% |=(1A)(2A).

Ml zllltHSl
logo um autovetor associado a A, = 1 x, = [1 0]T,
Para A2 = 2, temos

,,_,,,.,-(1,2 zzlltiHl
logo um autovetor associado a A2 = 2 x, = [1 1]T. []

Aumentemos as dimenses das matrizes para 3 >< 3,


55,2 Autovalores e Autovetores 201

Exemplo 5.3. Calcularemos os autovalores e autovetores de


1 4 2
A= 3 4 0
31 3
Pela equao (5.10),
1)x 4 +2
O=det(AM)= 3 4-1 0 =A3+6A11A+6,
3 1 3A
ento, os possveis valores de ). so A, = 1, A, = 2 e A3 : 3.
Para A, = 1, temos

(A II)X1 =
1 _
3
]. 4
41 O
2 11711
1321
OQ _:
I

O
|
3 1 31 5631

logo um autovetor associado a A, = 1 x, = [1 1 1]T.


|-1
J para A2 = 2,

1 2 4 2 5612 O
(AA21)x2= 3 42 0 x,, = 0 =(),
3 1 32 $32

e um autovetor associado a A, = 2 xz : [2 3 3]T.


E, por fim, para A3 = 3, temos
1 3 4 2 11:13 0
(A31)X3 = +?) 43 O (1323 = O =O,
+3 1 3_3 51333
ento podemos escolher x3 : [1 3 4]T como um autovetor associado ao
autovalor A3 = 3. E]

Nos Exemplos 5.2 e 5.3, escolhemos um autovetor para cada autovalor, mas
qualquer outro mltiplo no nulo do autovetor poderia ser escolhido. De fato,
se x um autovetor associado ao autovalor A de uma matriz A, ento, para
a # 07
A(ax) = a(Ax) = an = A(ax) ,
202 Autovalores Captulo 5

ou seja, ax tambm um autovetor associado a A.


O polinmio caracterstico do Exemplo 5.3 forneceu 3 autovalores distintos
para a matriz A, e encontramos 3 autovetores para A. A proposio seguinte
garante que os trs autovetores escolhidos so linearmente independentes.

,WWsautWreWWW??demuma matriz A n >< n assoe


'
dos aos autovalores distintos A,, A,, . . . , A),, respectivamente, sao hnearment'
issfessetss. .
'
i,v,-,,; I... 351 um .... ..) .., _. gj,-i,-
'
, .....-

Demonstrao. Usaremos induo matematica sobre k. Para k = 2, tomemos


a1X1 + a2x2 = O. Multiplicando esta equao por A, obtemos
A(a1x1 + a2x2) = alel + azAxg : allxl + aggxp, = 0. (5.11)

Subtraindo a ltima igualdade acima de A2(a1x1 + a2x2) = O, obtemos

a1(A1 A2)x1 = 0.

#
Logo, a, = 0, j que A, A2. Analogamente, subtraindo a ltima igualdade
em (5.11) de A1(a1x1 + a2x2) = O, obtemos G2 = 0. O que prova que x, e x2
so linearmente independentes.
Devemos agora provar que os autovetores x,, x2, ..., xp associados, res
pectivamente, aos autovalores distintos A1, A2, ..., Ap so linearmente inde-
pendentes, sob a hiptese de induo que x,, x,, ..., xp_1 so linearmente
independentes. Para isso, consideremos a equao

alxl + azx, + - - - + ap_,xp_1 + apxp : 0. (5.12)

Multiplicando ambos os lados da equao (5.12) por A, obtemos


A(a1x1 + a2X2 + - - - + ap_1xp_1 + apxp) : A0 = O,

ou seja,

ci,/XIX, + cv,/bx, + - - + ap_1Ap_1xp_1 + apApxp = 0,


pois x,, . . . , xp so autovetores de A associados, respectivamente, aos autova


lores A1, ..., Ap.
55,2 Autovalores e Autovetores 203

Se multiplicarmos a equao (5.12) por A,, e subtrairmos o resultado pela


ltima equaao acima, obteremos

Ot1()*p '
1)X1 + 012(Ap - A2)x2 + - . + ap_1(Ap - A,,_,)x,,,_1 + 0 = O.
Como os autovetores x,, .. -, Xp_1 so linearmente independentes, pela
hiptese de induo, temos
a1(>xp _ A1) : a2()xp "' A2) : . . . : ap1(/Xp _ Ap_1)= O .

Mas, porque os autovalores A,, A2, . . . , Ap so distintos, temos que


a1=a2=---=ap_1=0.
Substituindo esses valores na equao (5.12), obteremos
anP=Oa
#
o que s poder ocorrer se a,, = 0, j. que xp 0, pois um autovetor.
Portanto, como a nica soluo da equao (5.12) a trivial, os autovetores
x,, Xg, . . . , xp so linearmente independentes. [|

Nos prximos exemplos, veremos o que pode ocorrer quando uma matriz
possui autovalores duplos.
Exemplo 5.4. Os autovalores de
O 0 2
B: 1 2 1
1 0 3

so calculados a partir da equao (5.10),


A 0 2
O=det(BAI)= 1 2A 1 =-A3+5A28A+4,
1 0 3A

ento, os possveis valores de A so A1 = 1 e Az = s = 2-


Para A, = 1, temos
1 0 2 11711 0
(B11)X1= ]. 21 ]- 3321 = O =O,
1 0 3-1 3331 0
204 Autovalores Captulo 5

resolvendo o sistema, encontramos que o autovetor associado a A, = 1 X1 =


[2 1 1]T.
Para o autovalor duplo A2 : A3 = 2,
2 O 2 (1312 O
(BA21)x2= 1 22 1 x,, = 0 =O,
1 0 32 9:32 0
ento os autovetores associados ao autovalor duplo A2 - A3 = 2 S X2
[1 O 1]T e x;, = [O 1 0]T.
Devemos observar que os dois autovetores xz e x;, associados ao autova-
lor duplo A2 : 2 so linearmente independentes, pois formam uma base do
espaonulo de B A2], que possui nulidade 2. Alm disso, o autovetor x,
linearmente independente de x, e de x3, pela Proposio 5.1 (ver Exerccio
5.2.6). [|

Escolhemos, no Exemplo 5.4, os autovetores x, = [1 0 1]T e x;; =


[0 1 O]T associados ao autovalor duplo A2 : 2, mas qualquer combinao
linear de x, e x;, tambm um autovetor associado a A2 = 2. Seno vejamos:

B(ax2 + BXg) = (IBXg + BBX3 = aA2x2 + IB2X3 = 2(01X2 + BXg) .

Antes do ltimo exemplo desta seo, gostaramos de analisar o conceito


de autovetor sob a ptica dos espaos vetoriais.
Considerando uma matriz A n >< n e um seu autovalor A, sabemos que o con
junto dos autovetores associados a A contm exatamente os mesmos elementos
no nulos do espaonulo de A AI . Dessa maneira, os autovetores associados
a A, mais o vetor nulo, formam um subespao invariante sob a aplicao da
matriz A (chamado de autoespao de A associado a A), no seguinte sentido:

, . "FW .MW wmv ,.


um su espao um espao vetorial V de dimenaa
nita n e A uma matriz n >< n. Dizse que W invariante sob A se Ax e W

De fato, se x um autovetor associado ao autovalor A de A, ento tanto


x 6 N(A A]) quanto Ax 6 N(A AI), pois Ax = Ax, isto , Ax um
mltiplo de x e todos os mltiplos de x esto em N (A AI ).
55,2 Autovalores e Autovetores 205

N Exemplo 5-3, h trs Subespaos invariantes sob A de dimenso 1, um


para cada autovalor. J. no Exemplo 5.4, h. dois subespaos invariantes sob
B: um, de dimenso 1, correspondente ao autovalor simples A, = 1; e outro,
de dimenso 2, correspondente ao autovalor duplo A, : A3 = 2.
Compreender os subespaos invariantes de fundamental importncia na
anlise de sistemas fsicos, econmicos etc., pois eles contm informaes vali
osas sobre o funcionamento desses sistemas, como visto na Seo 5.1, quando
descobrimos as frequncias de oscilao do sistema massamola.
No prximo exemplo, a matriz tambm apresentar um autovalor duplo,
mas podemos assegurar trs autovetores linearmente independentes?

Exemplo 5.5. Para calcularmos os autovalores e autovetores de


0
O:
r* 1 0 0
2
,
mto
tomemos novamente a equao (5.10),

lA 0 ()
O=det(CAI)= 1 24 0 =(1A)(2A)(2A).
=3 5 24

Ento, os possveis valores de A so A, = 1 e A, = A3 = 2.


Para A, = 1, temos
1 + ]. O O 311 0
(O'All))Cl: ]. 21 0 ZB21 : O :O,
3 5 2 '
1 3531 0

logo o autovetor associado ao autovalor A, = 1 x, = [1 1 8]T,


Para A, = A3 = 2, temos
12 0 0 1312 0
(CA,I)x,= 1 22 0 x,, = 0 =(),
-3 5 22 mes 0

lgo o autovetor associado ao autovalor duplo A2 = A3 = 2 x, = [0 () HT.


206 Autovalores Captulo 5

Diferentemente do Exemplo 5.4, o autovalor duplo possui apenas um auto


vetor linearmente independente associado, j. que a nulidade d Ultlm matriz
acima 1. D
Nos Exemplos 5.4 e 5.5, as matrizes B e C possuem os mesmos autovalo
res, com mesmas multiplicidades. No entanto, o subespao invariante Sb B
relativo ao autovalor duplo A, = 2 tem dimenso 2, enquanto que o subespao
invariante sob C correspondente a A2 : 2 tem dimenso 1. Para diferenciar
essas situaes, definimos dois tipos de multiplicidade para um autovalor.
ag.$$? ,,,-jr.,vuu p- ";thl . ..
emoSejAWumiitovalordeniamatiizcujowlinmio carac
terstico pA(A). Se A uma raiz de pA(A) de multiplicidade r, dizse que &'
utovalor A possui multiplicidade algbrica r.
A multiplicidade geomtrica do autovalor A a dimenso do subespai

Ento, no Exemplo 5.4, o autovalor duplo A2 = 2 da matriz B possui


multiplicidades algbrica e geomtrica iguais a 2. J no Exemplo 5.5, A2 = 2
um autovalor de C com multiplicidade algbrica 2, mas sua multiplicidade
geomtrica 1.
A multiplicidade geomtrica de um autovalor ter um papel importante na
diagonalizao de matrizes, na Seo 5.4.
Voltemos ao Exemplo 5.4: a Proposio 5.1 garante que os autovetores
x, e x, so linearmente independentes, bem como os autovetores x, e x3.
Como formam uma base de N (B 21), x, e X,, tambm so linearmente
independentes. Mas, o que nos garante que x,, x, e x;, sejam linearmente
independentes? (ver Exerccio 5.2.6.)
A resposta est. na proposio a seguir.
% , ?) 5%2. S????
ro'WS , .
Mae Ws
sil/35530
.." - W .
autoeSpaosxrcorrespondtesw
WWW
*atoiaire
.
'
"s :rf' * "

gjstintos A, e A, de uma matriz A, ento o subespao W, + W, uma som.


,. ,
-r Hr L * =* ' &
,
* v , ; _. . . . ,,,, , , ,
f

Demonstrao. Se x 6 W, 0 Wg, ento

(A1/A2)X=1X2X=AXAX=O,

portanto x = 0, j que A, 76 A2. []


55,2 Autovalores e Autovetores 207

Asmm, se [ul, ' ' ' vupl' e [V1,---7Vq]' So as respectivas bases dos autoes-
paOS Wi Wa correspondentes a autovalores distintos de uma matriz A, ento
lui," 'aupaV17- ,Vq] e uma base de W1 EB W2 (ver Exerccio 5.2.7). No caso
espec1fico do Exemplo 5.4, isso nos garante que xl, x2 e x;, so linearmente
independentes.

EXERCCIOS

5.2.1 Encontre os autovalores e os autovetores (L.I.) associados das seguintes


matrizes, indicando suas multiplicidades algbricas e geomtricas:

232" '411
a142 c252
_1-313 _112
_ 00 20
231 d1010
b121 '0120
_132_ _00 01

5.2.2 A sequncia de Fibonacci construda escolhendo-se dois nmeros naturais


e o termo seguinte a soma dos dois anteriores, i.e., Fi+2 = F, + F,...l.
Assim, a sequncia mais conhecida
112358132134...
Podemos transformar essa lei de formao de dois passos numa lei de for-
mao vetorial de um passo. Assim:

Fi+1 _ 01 Fi
Fi+2 _ 1 1 Fi+1'
,
Chamando o maior autovalor da matriz acima de qb, encontre esses
l l . auto-
.
valores e mostre que o menor autovalor, gb, e o rec1proco do maior, i.e.,
& = 1/(1). O nmero d) o nmero de ouro.
5.2.3 Mostre que A e AT possuem os mesmos autovalores. D um exemplo no
qual os autovetores de A e de AT so diferentes (i.e., no so mltiplos).
5.2.4 Mostre que A singular se, e somente se, possuir um autovalor nulo.
208 Autovalores Captulo 5

5.2.5 D exemplo de uma matriz no nula cujos autovalores sao todos nulos.
5.2.6 No Exemplo 5.4, dissemos que os autovetores x1, x2 e X3 so dois a dois
L.I. Entretanto, isso no significa que os trs autovetores sejam L.I. e. g.,
ll llT, [1 1]T, [2 0]T. Mostre que, se xl for um autovetor assomado
a um autovalor simples A1, e xe e X3 forem autovetores L.I. assoc1ados a
um autovalor duplo A2, ento xl, xe e X3 sero L.I.
5.2.7 Mostre que, se 31 : [u1,...,upl e 82 : [Vi, . . .,vq] sao as respectivas
bases dos autoespaos W1 e W2 correspondentes a autovalores dlstintos de
uma matriz A, ento [3: [ul, . . . , up, v1, . . . , vq) ser uma base de WleBWg.
5.2.8 Encontre os possveis valores para os autovalores de uma matriz idempo
tente, i.e., A2 = A.
5.2.9 Encontre todos os autovalores de uma matriz nilpotente, i.e., Aq = 0, para
algum inteiro positivo q.

5.2.10 Mostre que, se A invertvel, ento A autovalor de A se, e somente se, %


autovalor de A.
5.2.11 Mostre que, se os elementos de cada coluna de uma matriz A somam A,
ento A um autovalor de A.
5.2.12 Seja A uma matriz n x n com autovalor A. Se posto(A AI ) = 7", qual a
dimenso do autoespao associado a X? Quais so os valores de posto(A
A]) nos Exemplos 5.3, 5.4 e 5.5, para cada autovalor?

aa l . .--.
5.2.13 Sejam

Calcule os autovalores e autovetores de A e verifique que o nico subespao


prprio no trivial de R2 invariante sob A W1.

5.2.14 Um experimento no GNU Octave. Escolha uma matriz A n >< n e calcule


seus autovalores utilizando x = eig(A). Agora, para n escolhido, faa

v = rand(1,n);
erro = 1000;
while erro > 1.0e-8
v = A*v;
u = v/norm(v);
55.2 Autovalores e Autovetores 209

lambda = u, *A*u;
erro = abs(x(1) lambda);
end

Esse e O mtodo das potncias, para encontrar o autovalor de maior valor


absoluto.

5.2.15 Considere os vetores ortonormais V1, V2, .. ., V,, do IR" e os escalares A1,
A2, ' lAn- Faa:
',

A = Alvlvf + A2v2vg + - - - + AnvnvnT .


Mostre que A simtrica com autovalores A1, A2, ..., A,, e respectivos
autovetores associados v1, v2, . . . , vn.
210 Autovalores Captulo 5

5.3 Matrizes Complexas


E desejvel que toda matriz possua um subespao invariante nao tr1v1al,
mesmo que de dimenso unitria. Temos, no entanto, o segumte exemplo.
Exemplo 5.6. Consideremos

cos( % ) sen(725)]=[0 1]7


sen(%) cos(%) 1 0
uma matriz de rotao a ser melhor estudada na Seo 6.5 que gira um
vetor v e R2 em 90 no sentido antihorrio. Se x for um autovetor de R,
sua imagem Rx dever ser um vetor ortogonal a x e na mesma direo de x.
Como pode ser isso?
Busquemos os autovalores e autovetores de R.

O=det(RAI)=' _, '=A+1, A 1
1

SlZO , 1 : i-i e Ag : 'l.


Para A1 = +i, temos

Mimi? Zillil=l8l=v
autovetor associado a A1 = +i x1 = [i 1]T.
logo 0
Para A2 = i, temos

wi. ita-loro, _ Z 1 1321 _ 0

logo o autovetor associado a A2 = i x2 = [i 1]T, notando que, numa


_

matriz real, autovetores correspondentes a autovalores complexos conjugados


so vetores complexos conjugados (ver Exerccio 5.3.6).
Assim, a matriz R s possui subespaos invariantes, se vista como um
elemento do espao vetorial das matrizes complexas 2 >< 2.
Por fim, notemos que xl e Rxl no so ortogonais, pois (x1,Rx1) =
#
xRxl = 2i 0 (ver Exerccio 3.1.12). Assim, a matriz R uma matriz
de rotao dos vetores do R, mas no do (C. D
55,3 Matrizes Complexas 211

No podemos, portanto, adiar mais o estudo das matrizes complexas, visto


que o corpo dos nmeros complexos surge naturalmente do clculo das razes
de polinmios caractersticos. No nos ateremos muito a matrizes complexas
genricas, mas a dois tipos especiais, descritos a seguir.
J apresentamos, no Captulo 1, as matrizes hermitianas, isto , as matrizes
que so iguais s suas adjuntas:

A=A*=<74>T=<'F>,
a barra representando o complexo conjugado. claro que uma matriz simtrica
real tambm, lato sensu, uma matriz hermitiana. Evitaremos, porm, essa
confuso na nomenclatura sempre que possvel, mas, deve ser claro ao leitor que
os resultados vlidos para matrizes hermitianas tambm o so para matrizes
simtricas reais.
Vejamos alguns resultados importantes.
opomao53Todos osautovaloresde
:;s;:s , (W,-3x1; ; ,,.-,,,f

uma WA,-

matrizhermitiana
...m
.,

so
vm W,,,A

reais
W:?

Demonstrao. Se x um autovetor associado ao autovalor A de A, ento


Ax = Ax. Multiplicando esta igualdade por x*, temos
x*(Ax) = x*(Ax) = A(x*x) = A||x||2,
na norma euclidiana. Por outro lado, como A* = A,
x*(Ax) : x*(A*x) : (x*A*)x = (Ax)*x = (Ax)*x = (x*x) = X||x||2 .

Comparando os dois resultados, como x no pode ser nulo, pois autovetor,


#
ento [|x||2 0, e portanto A = X, i.e., A um nmero real. [|

,,,-sw.
ropmosiiao54muma matrizhermitiana autovetores assoc1adosa auto
as:,

" 19,5% distintos,, sagorto on,. 1 .

Demonstrao. Sejam )( e y autovetores da matriz hermitiana A associados


respectivamente aos autovalores A1 # z. Como, Pla Proposio 5.3, A1 e A2
so reaisl,

A1<><,Y> = (Mx, y) = (Ax, Y) = (AX)*y = X*A*y =


= x*Ay : (x, Ay) : (x, Azy) = A2(x,y) .
1Lembrando que a Deiinio 3.2 nos fornece (ax, y) = a(x, y).
212 Autovalores Captulo 5

Mas A1 # A2, ento (x, y) = O, i.e., x J_ y. D


Vejamos alguns exemplos numricos.

Exemplo 5.7. A matriz

H 1+i
1
_ 1i 2 7

hermitiana e possui dois autovalores reais distintos com autovetores associa-


dos

X1=[l_+1z] , associadoaA1=O, e x2=[ 1+i ] , 2


associado a A2 = 3,

que so ortogonais. De fato,

<x1,x2)=xx2=[1z' 1][1;Z]=22=0.
Os autovetores podem ser ortonormais, bastando dividir cada um deles por
sua respectiva norma. O resultado apresentado nas colunas da matriz
1 1 1 1
U:
+ i +
x/ 1x/ Way/6 ,
7;

x/5 76
que a anloga complexa de uma matriz ortogonal e receber um nome em
breve. El

Sendo um caso especial de matriz hermitiana, a matriz simtrica tambm


apresentar autovetores ortogonais associados a autovalores distintos. Isso est.
mostrado no prximo exemplo.

Exemplo 5.8. A matriz simtrica

4 1 1
A= 1 1 4
1 4 1
55,3 Matrizes Complexos 213

possui trs autovalores distintos com autovetores associados

0 2 1
1=3,X1= ]. ; A2=37X2= _]_ ; A3=6,X3= 1
1 1 1
Pela Proposio 5.4, xl, x2 e X3 so ortogonais. Podemos transformlos em
vetores ortonormais dividindoos por suas respectivas normas e formar a matriz
() _2_ _1_
*? *?
Q= e

1
*e
_
e >

que, por sua vez, uma matriz ortogonal. El

Nas prximas sees, as matrizes hermitianas tero um papel muito im-


portante, no qual as matrizes simtricas reais sero um caso especial e estaro
associadas a matrizes ortogonais. Ser til definir uma extenso das matrizes
ortogonais para o caso complexo, completando, assim, a analogia.

,einlao 5.4Umamatrizquadrada compleanijo nltre ,


Exteriormaisw
lramadamam,nytime,, .. ,, ,.... , ,,

Como as matrizes ortogonais, as unitrias possuem uma propriedade fun-


damental.

goposrao5.5Useraumamatrizunitar1,_,,se,esomenteU U
r-1577
a: W *

Demonstrao. A demonstrao anloga a da Proposio 3.2 sobre matrizes


ortogonais e deixada como exerccio para o leitor. [|

Uma outra propriedade das matrizes ortogonais tambm vale para as ma


trizes unitrias:
Qroposio56Matrizesunitrias preservamoprodutointernoe a norm
!

(x y)
ger Ei,/mmm, Isto , se U e unitria. e x e y vetores, ento (Ux, Uy)

ai #
214 Autovalores Captulo 5

Demonstrao. De fato,

(Ux, Uy) = (Ux)*Uy = x*U*Uy = x*U'lUy = x*y = (x,y)

||le! = WX, Ux> = <x,x> = IIXH,


usando a igualdade anterior. D
Os autovalores de uma matriz unitria no so necessariamente reais, como
os de uma matriz hermitiana, mas a proposio a seguir nos mostra que todos
eles tm mdulo unitrio.
mw- ;;zng=o=f,wn . 135; ,: mm;,; rs,-,., .
jfbos1ao ????'odo 'UthO? dhina tr'iuhitria tem Va oria Iso u &
-= (z,%..ri ,

.nt; ._Isto,,,ge-, um, autvalorss ummtrlzumtarlaUenteLl=


Demonstrao. Se x o autovetor de U associado ao autovalor A, ento

IIXII = HUXII = IIXII = IIIIXII,


logo |A| = 1, j que x no pode ser o vetor nulo. [|

Se calcularmos os autovetores da matriz unitria U, apresentada no final


do Exemplo 5.7, obteremos
A1 % 0,44570 + 0,89518i e A2 % 0,94815 0,31783i,
que tm mdulos unitrios.
H, ainda, um resultado anlogo ao da Proposio 5.4, que obtivemos para
as matrizes hermitianas.
Wrswsww-MWWQQWW *wswsMWNw/swwwmmwfwgeWWWWWWMMW ,?ssm
assocrados a auto
.8 m ma . rw *

&

rop081 ao '. uma fiz um aria,


'autOVe OI'GS
:,:
'

iii-resudistimgssg .Q,r,t9g%is. ,,
Demonstrao. Sejam xl e x2 autovetores da matriz unitria U associados aos
#
autovalores A1 A2, respectivamente. Como, pela Proposio 5.6,

<X1,X2> = <UX1, UXz) = <1X1,2X2) = X1_)x2<X1,X2>,


ento, ou (x1,x2) = O, ou Mz = 1. Mas, se XM = 1, teremos, pela Proposi
o 5.7 , que
z = |A1|2A2 = (MI)/Kz = MCAz) = i,
55.3 Matrizes Complexos 215

contrariando a hiptese. Assim, xl _l_ x2. B


Com essas propriedades, introduziremos na prxima seo os conceitos de
uma nova decomposio matricial: a decomposio espectral ou de autovalor.

EXERCCIOS
5.3.1 Considere X = [1 +z' 2 3i]T e calcule XTX e x*x. Qual dessas duas
expresses voc escolheria para representar o quadrado de uma norma? Por
qu?

5.3.2 Considere

Encontre uma base de N (A), de 'R(A*) e de R(AT). Mostre que

N(A) J_ R(A*) , mas N(A) ,r R(AT) .


5.3.3 Considere a matriz A do exerccio anterior. Calcule A*A e classifiquea.
5.3.4 Para que valores de 9 a matriz de rotao

me) = [ cos 0 sen 0


sen 0 cos 0

possui autovalores reais? Interprete geometricamente.


5.3.5 Mostre que, se A 6 (C for uma autovalor de uma matriz real A, ento
tambm o ser..
5.3.6 Mostre que, se x for um autovetor associado ao autovalor A e (C de uma
matriz real A, ento SE ser um autovetor associado ao autovalor A.
5.3.7 Mostre que, se A for uma matriz hermitiana n >< n, ento, para, qualquer
x 6 (C", o produto x*Ax ser. real.
5.3.8 Use o exerccio anterior para demonstrar a Proposio 5.3 de uma outra
maneira.
5.3.9 Mostre que os autovalores da matriz A*A so sempre nmeros reais no
negativos.
216 Autovalores Captulo 5

5.3.10 Que relao existe entre det(A) e det(A*)?


5.3.11 Mostre que o determinante de uma matriz hermitiana real.
5.3.12 Mostre que os autovalores de uma matriz antihermitiana so numeros ima-
ginrios puros.

5.3.13 Se A for uma matriz hermitiana, as matrizes A+iI e Ai sero invertveis?


Por qu?
. . , . 1 ,
5.3.14 Mostre que, se A for um autovalor de uma matrlz unitaria U, entao
,.
X sera
um autovalor de U *.
5.3.15 O que se pode dizer sobre o determinante de uma matriz unitria?
5.3.16 possvel que as frequncias naturais do sistema massa-mola composto,
representado na Figura 5.4, no sejam nmeros reais?

, w m y W.
,..

.=M_
n.,
Il.
55.4 Diagonalizao 21 7

5.4 Diagonalizao
Pesquisas em dinmica populacional usam modelos matemticos para for-
necer indicativos sobre taxas de crescimento, de migrao e de mortalidade
de uma determinada populao. Um deles o modelo de Leslie, que estima o
crescimento populacional por faixa etria.
Simplificadamente, divide-se a populao feminina em n faixas etrias de
mesma largura M/n (supondose M a idade mxima de vida) e considera-se o
vetor inicial de distribuio etria x(). Assim, a cada perodo de tempo M/n,
o vetor de distribuio da populao de fmeas por faixa etria muda de x)
para x). A matriz de Leslie formada por dados estatsticos e leva em
considerao dois fatores:
. a mdia, b,- 2 0, de filhas por fmea nascidas em cada faixa etria ]" e
. a frao, das fmeas que sobrevivem e passam da faixa j para a faixa
sj,
j+1,com0<sj51.
Assim:
as,) = blz?1) + bgccgkl) + - - - + bnmg) ,
1135721 : sim;k) , para 1 Sj < n,
sendo k o perodo no qual a observao ser feita.
A matriz de Leslie , ento,
bl bz ... bn_1 b,,
81 0 ... O O
L= 0 82 0 0 ,

O O sn_1 0
e temos,

x()
__
X(1) : Lx()
Lx") : L2X(0)
Lx<2> : L3x()
xc)

X) = Lx(k_1) = ka(0) .
218 Autovalores Captulo 5

O comportamento a longo prazo do sistema acima depender de CICUIarmos


as potncias da matriz de Leslie Lk .
Calcular potncias de matrizes pode ser computacionalmente (311817080 e
pouco revelador em termos de propriedades do sistema, mas se pudermos de
compor uma matriz A na forma

A = SDS1
sendo S (obviamente) invertvel e D diagonal, poderemos escrever

A' = (sos-ly = sos-lsos-1 . . . SDS1 = SD's-1


que facilmente calculvel, j que elevar uma matriz diagonal potncia k a
elevar cada um dos elementos de sua diagonal principal a k.
Nesta seo, iniciaremos o desenvolvimento da teoria e das ferramentas
para diagonalizar matrizes.

;iefinlao'?iias matrizes se?seraosmiiares se ex1stiruma mat


;fwz pmmwew ' W ;vsv;5512s Frg, ti::
*
:*.

invertvel S tal que '

Matrizes similares tm autovalores comuns, como mostra a proposio a


seguir.
...... 5.99. %*?WWW/
roposo
:..farrr==M; %%%&an
=????T,ento
WW WWF-
e ?possuirao
_
os mesmos autov,

. .
'
. Win

Demonstrao. Se Ax = Ax, ento SBS1x = Ax. Assim,


B(S_1x) = A(Sx) ,
isto , A autovalor de B e Slx um seu autovetor associado, correspondente
ao autovetor x de A. |:]

Similaridade com uma matriz diagonal merece um nome especial.

fio5"ina fina?sera ita %qonah'kaoe? se e afoi" srmra


et
!
% '.!V

.dl..,.+fjf.- .,
Wi. Wh, r, "WW 'sim' hwcsxm gastas-x && A

._4
as;it

g....
.[_:y-ze: sr

. =. "'-L
V&pWWMJNWM

& i . , _i.
aurr'i
x*AxGW &?

l
55,4 Diagonalizao 219

Voltemos agora aos exemplos da seo anterior.


Exemplo 5.9. Tomemos, no Exemplo 5.3, os autovetores xl, X2 e X;; para
serem as colunas da matriz S:

S:
b' i ) N W O D ( k o Bi
Observamos que os autovetores xl, x2 e x;, so linearmente independentes e,
portanto, que S invertvel, com
3 5 3
s-1= 1 3 2
0 l 1

Multiplicando S"1AS, obtemos


1 O ()
S'lAS= 0 2 0 =A,
0 0 3
isto , A similar a matriz diagonal A, sendo assim diagonalizavel.
A Proposio 5.1 garante que os trs autovetores associados aos trs au-
tovalores distintos so linearmente independentes, podendo assim formar as
colunas de uma matriz invertvel S.
Entretanto, no necessrio que os autovalores de uma matriz sejam dis
tintos para que ela seja diagonalizvel, como vemos no Exemplo 5.4, no qual
002
B=121=
103
_210 100 =10-1
= 101 020 102=RAR-1,
110 002 111
Dois B possui trs autovetores linearmente independentes para formar as colu
nas de uma matriz invertvel R: como a multiplicidade geomtrica do autovalor
A2 = 2 2, obtivemos 2 autovetores linearmente independentes associados a
este autovalor. D
220 Autovalores Captulo 5

Ou seja, em uma matriz A n >< n, basta termos n autovetores linearmente


independentes para formarmos uma matriz invertvel S, que diagonallza A.
Isso provado no teorema a seguir.
eorema 5.2. Seuma matriz A n><n pessuir n autovetores linearmen'
ndependentes, ento A ser diagonalizvel. A decomposio =

A = SAS1
chamada de decomposio espectral (ou de autovalor) da matriz A, sendo
a matriz .,,disonl com s ,eutyaflrss 21654 em su diaslrsriigalm
.

Demonstrao. Se formarmos uma matriz S tendo como colunas os n autove


tores linearmente independentes de A, ento S ser invertvel, pelo Exerccio
2.4.6, e

| | | | | |
AS=A x1 x2 x,, = Axl sz Axn =

: 1X1 2X2 an
| | |
Mas,

| |
1X1 2X2 an
|
= Xl Xz
| | |
X,,
Ai
,,
| | | | | | " A..
= SA,

isto , AS = SA, ou ainda,


A = SAS1
j que S invertvel. Portanto, A diagonalizvel. []

awe l
-. ,
554 Diagonalizao 221

O Teorema 5.2 comprova que a matriz B do Exemplo 5.4 diagonalizvel,


j que possui tres autovetores linearmente independentes.
Para mostrarmos que a matriz C, do Exemplo 5.5, no diagonalizvel,
suponhamos, por absurdo, que o seja, isto , que existam uma matriz invertvel
S e uma matriz dlagonal A tais que C : SAS1. Assim,

| | | | | | 51
CS : C Sl S2 S3 : Sl 82 83 52 : SA
! | | l | | 53
Se olharmos para as colunas correspondentes nesses produtos de matrizes,
concluiremos que
(781 = 6181 , C82 : 5282 e CSg : 6383 ,

ou seja, 51, 62 e 63 so os autovalores de C com autovetores associados sl, 82


e Sg, respectivamente.
Os autovalores e autovetores de C j foram calculados no Exemplo 5.5,
ento, a menos da ordem, podemos escrever
61=1=1 e 62=g=2=3=2.

Por serem autovetores, 52 e 83 pertencem a N (C A21); e, pelo fato de serem


colunas de uma matriz invertvel, sz e 53 so linearmente independentes (ver
Exerccio 2.4.6). Ento, sz e 53 podem fazer parte de uma base de N(C A2]),
o que resultaria em dim(N(C MD) Z 2.
Entretanto, dim(N(C A2])) = 1, como calculada no Exerccio 2.4.6,
chegando a uma contradio. A suposio de que C seria diagonalizvel, ,
portanto, falsa.
Na prxima seo, 0 Lema de Schur garantir a similaridade deste tipo
de matriz com uma matriz triangular, mas no desenvolveremos mtodos para
calculala. Essa matriz triangular pode ser reduzida ao ponto de ser quase uma
matriz diagonal na verdade ter uma subdiagonal no nula e recebe o
nome de forma cannica de Jordan da matriz, em homenagem ao matemtico
francs Camille Jordan (*1838 l1922)-
'

Resumindo: se uma matriz possuir apenas autovalores distintos, ela ser


diagonalizvel. Caso contrrio, ela poder ou no ser diagonalizvel, depen-
dendo do nmero de autovetores linearmente independentes que possuir: se
222 Autovalores Captulo 5

uma matriz A for n >< n, as multiplicidades geomtricas de seus autovalores


devem somar n.
Na prxima seo, apresentaremos um teorema que garantir a diagona
lizao de uma determinada classe de matrizes. Esta classe visualmente
identificvel e de extrema importncia para os sistemas fsicos e econmicos,
para citar apenas os mais conhecidos.

EXERCCIOS

5.4.1 Calcule, quando possvel, a decomposio espectral das matrizes abaixo,


indicando a multiplicidade geomtrica de cada autovalor.

[; f,]. [_3 j;].


5 6 0 15 42 6
b. 3 4 0 . d. 4 _11 2
3 3 1 8 24 1

5.4.2 Mostre que a similaridade uma relao de equivalncia, i.e., que A similar
a A; que, se A for similar a B, ento B ser similar a A; e que, se A for
similar a B e B for similar a O', ento A ser similar a O.

5.4.3 Mostre que, se

ento A ser similar a


A-lml 11

Al, para qualquer inteiro positivo k.


5.4.4 Considere, para k = 0, as matrizes

T[O
_ A] A k
e J[O A]"
A 1

Mostre que, se uma matriz A 2 >< 2 for similar a T, ento ser Similar a J.
5.4.5 Seja A uma matriz diagonalizvel e S a matriz que a diagonaliza. Mostre
que (S1)T diagonaliza AT.
55,4 Diagonalizao 223

5.4.6 Seja A uma matriz diagonal cujos elementos de sua diagonal principal so
l, z, . . . , An, nessa ordem. Seja B uma matriz diagonal cujos elementos de
sua diagonal principal sejam os mesmo de A, mas em outra ordem. Mostre
que A eB so similares.

5.4.7 Mostre que, se A e B forem similares, ento A2 e B2 tambm sero.


5.4.8 Considere N uma matriz triangular superior n >< n e tal que sua diagonal
pr1nc1pal composta somente de zeros. Mostre que existe um inteiro q tal
que N = 0. Esse um exemplo de matriz nilpotente.

5.4.9 Mostre que toda matriz quadrada pode ser decomposta na soma de uma
matriz triangular inferior com uma matriz triangular superior nilpotente.
5.4.10 Seja A uma matriz 2 x 2 tal que A2 = I. Mostre que A similar matriz

,, [ , , ]
_
0 -1
.

Note que a matriz acima tem propriedades anlogas s da unidade imagi


nria i, isto , A2 = I, A3 = A, A4 = I.

5.4.11 Mostre que, se A for um autovalor de A, ento A + 1 ser valor de A + I e,


portanto, A nunca ser similar a A + I.
54.12 Se todos os autovalores de uma matriz diagonalizvel forem iguais a 1 ou a
1, mostre que que A"1 = A.
5.4.13 Considere a matriz
1 a b
T: 0 1 c
O 0 1

&. Mostre que T2 = I se, e somente se, e = 0.


b. Se T2 = [, mostre que sempre possvel encontrar dois autovetores
linearmente independentes associados ao autovalor A = -1. Isso prova
que T sempre diagonalizvel.
c. Se T2 = [, quais os pOSSVeiS valores de posto(T I) e de posto(T+ I)?
5.4.14 Demonstre, se a afirmao for verdadeira, d um contraexemplo se falsa.
&. Se A for uma matriz n >< n com um nico autovalor A e A for diago
nalizvel, ento A = A].
224 Autovalores Captulo 5

b. Uma matriz nilpotente no nula no diagonalizvel.


c. Se uma matriz 4 >< 4 tiver um autovalor A com multiplicidade 3 e
POSt0(A AI ) = 1, ento A ser diagonalizvel.
d. Se uma matriz 4 >< 4 tiver um autovalor A com multiplicidade 3 e
POSt0(A AI ) = 2, ento A ser diagonalizvel.
5.4.15 A exponencial de um nmero real oz pode ser expressa como uma srie
infinita
1 2 1 3
ea =1+a+2,a +3,a +...
Podemos definir a exponencial de uma matriz A pela srie infinita

eA 1+A+lA2+1A3+
3! ' ' '
_ 2!
Manipulando as duas expresses acima, mostre que, se A, com autovalores
A1, A2, . . . , An, for diagonalizvel pela matriz S, ento
e)1
ez
eA = s _ s-l .
An
55.5 Teorema Espectral 225

5.5 Teorema Espectral


Na Seo 5.4, vimos a importncia da diagonalizao de matrizes. Noutras
sees, porm, verificamos que nem toda matriz quadrada pode ser diagona
lizada como no Exemplo 5.5. Existir ento uma relao de similaridade
interessante e vlida para qualquer matriz quadrada? Ou seja, para cada ma
triz quadrada A, haver uma matriz especial T e uma matriz invertvel S tais
que A = STS1?
A resposta positiva, mas teremos que nos contentar com uma matriz T
que no , obrigatoriamente, diagonal: uma perda, sem dvida. Mostraremos,
entretanto, que T deve ser, na pior das hipteses, triangular (superior). E,
melhor ainda, podemos garantir que a matriz invertvel S seja unitria (ou
ortogonal, no caso real), o que torna o clculo de sua inversa trivial.
Como j Visto, nmeros complexos aparecem naturalmente quando busca
mos razes de polinmios, assim, as demonstraes que seguem trabalharo
sempre com matrizes unitrias e hermitianas, que englobam o caso real de
matrizes ortogonais e simtricas, respectivamente.
O resultado seguinte nos garante que toda matriz quadrada similar a
uma matriz triangular superior T por meio de uma matriz unitria-U (ou, no
caso real, uma matriz ortogonal Q). Este resultado conhecido como Lema
de Scliar. Para demonstralo precisaremos do seguinte argumento, assegurado
pela Proposio 2.1 e pelo processo de GramSchmidt: a partir de qualquer
vetor no nulo v 6 (C", podemos conseguir uma base ortonormal do espao (C".
ParaISSO, basta normalizar V e obter uma base ortonormal de (span[v))
Vamos, ento, ao lema.
&ema5.1(Lema deSchur)DadaumamatrizquadradaA,pode-seencontra?
uma matriz unitria U (ou ortogonal Q, no caso real) e uma matriz T triangular:
,
superior tais que
A= UTU* . a x b s g l
=

Alilm disso, T possui os mesmos autovalores de A, que esto na diagonal.


;;.piim ipal de T.
Em outras palavras, qualquer matriz quadrada unitariamente (ou orto=
.., L......
caso
nualmente no real) similar
mmgwd =. nu./nim.
a uma
matriz triangularsuperior
...e L..:= Lu...-;:

Demonstrao. A prova utiliza induo matemtica sobre a dimenso da ma


triz A, Deveramos comear mostrando que o lema verdadeiro para uma
226 Autovalores Captulo 5

matriz 2 x 2 (primeiro passo da induo), mas, para que o leitor compreenda


melhor a demonstrao, iniciaremos com uma matriz A 4 >< 4.
A possui pelo menos um autovalor A1 e um autovetor (no nulo, portanto)
associado x linearmente independente, que pode ser normalizado dividindo-o
por sua norma. Chamemos esse vetor unitrio de xl. Podemos escolher trs ve
tores para completar uma base do C4 e ortonormalizla usando Gram-Schmidt
(comeando por xl, para no altera-lo). Formemos a matriz unitria U1 como
esses quatro vetores ortonormais, observando que Axl = Alxl representa a
igualdade das primeiras colunas em
| * * * | * * * A1 * * *
AU=A x
* * * = Ax
* * * =U
0 * * *
1 1 * * * 1 1 * * * 1 O * * * ,
| * * * | * * * 0 * * *
ou, escrevendo de outra forma,
A1 * * *
U_1AU=
0 * * *
1 1 0 * * * 7

0 * * *
com * representando sempre entradas cujos valores no nos interessam, por
no interferirem na demonstrao.
Consideremos agora a submatriz 3 >< 3 do canto inferior direito na matriz
Uf 1AU1 acima, chamandoa de A2:
A1***
0
UlIAUl :
0 A2
O
Essa submatriz A2 3 >< 3 e possui pelo menos um autovalor A2 e um
autovetor unitrio associado X2. Podemos tomar xz e completar uma base
do (C3 , ortonormalizandoa. Usando esses vetores ortonormais como colunas,
montamos uma matriz unitria Mg 3 >< 3. Agora, fazemos
1000 1000
0|**__0
U2= 0x2** 0 _-
M2
0|** 0
55,5 Teorema Espectral 227

U2 e uma matriz 4 >< 4 unitria, pois suas colunas so ortonormais, e, utilizando


multiplicao em blocos, como ensinado no Exerccio 1.1.7, obtemos

A1 * * * 1 0 0 0

( 1 1) 2 0 A2 O x2 * *
_ O 0 | * *
-1 * *
_ O | * *
O A2X2 * *
_ O | * *
1 O 0 0 A1 * * *
_ 0 | * * 0 A2 * *
_ 0 x2 * * 0 O * *
_0 | * * 0 O * *
Portanto,
A1 * * *
_ _
U21(U11AU1)U2= 00 A ** ** 02
O O * *
A submatriz A3 2 >< 2 no canto inferior direito da matriz
A1 * * *
O A * *
U2'1(U11AU1)U2 = 0 02 A
0 0 3

possui, pelo menos, um autovalor A3 e um autovetor unitrio associado x3.


Repete-se o processo, completando uma base do (C, usando GramSchmidt
para tornla uma base ortonormal, montando uma matriz 2 >< 2 unitria M3
e fazendo

i . C O D G t *O
0 O
O 0
U3 :
Ms
228 Autovalores Captulo 5

U3 tambm unitria e temos

UBTI(U2_1U11AU1U2)U3 = . * -X

*
O
O
O produto U = U1U2U3 uma matriz unitria, pois

U "1 = (UleUe-l = UlUlUfl = U;UJUI = (U1U2U3)* = U*.


Portanto, A = UTU 1 = UTU *, onde U unitria, T triangular superior
e, pela Proposio 5.9, A e T possuem os mesmos autovalores, que esto na
diagonal principal de T (ver Exerccio 5.5.1).
Vamos agora provar o Lema de Schur para uma matriz A qualquer.
A hiptese de induo que uma matriz A2 (n 1) >< (n 1) pode ser
decomposta no produto A2= 2T22, sendo T2 uma triangular superior e (72
uma matriz unitria.
Dada uma matriz A n >< n, encontramos um seu autovalor A1 com autovetor
associado normalizado xl. Completamos uma base do (C" para formar as
colunas da matriz unitria Ul. Assim, teremos

AU1=A X1 _ _ _ : 1X1 . . . =
| * * | * *
A1 * * A1 * *
0 * * O
=U1 .
:
. =
A2
O *. * 0

Pela hiptese de induo, A2= 2T22. Utilizando a matriz g, podemos


construir uma matriz unitria (ver Exerccio 5.5. 6) U2 n x 77. assim:
1 O O

U2= . = . (5.13)
55,5 Teorema Espectral 229

Ento, usando multiplicao em bloco,


PAI *


* 10 O1

(UflAU1)U2= (.)
' A2 : U2
,
=

L0 0 _
'1 O 0 A1 O 0
_ 0 O UT
. g : Tg _ 2 ,
10 0 _
ou seja,
UlUflAUlUg = T.
Como U1 e U2 so unitrias, U = U1U2 ser unitria, e teremos
A = UTU * ,

finalizando a induo matemtica. [:|

O Lema de Schur garante, ento, a similaridade de qualquer matriz qua


drada com uma matriz triangular, mas ainda queremos um resultado que nos
assegure a diagonalizao unitria (ou ortogonal) de uma matriz. Isso pos
svel em uma classe ampla de matrizes, chamadas de matrizes normais, mas
estas no apresentam muitas aplicaes prticas. Por outro lado, uma outra
classe de matrizes de fundamental importncia para a Estatstica e podemos
mostrar que essas matrizes so diagonalizveis. Vamos a elas.
De maneira bastante informal, consideremos um experimento de jogar dois
dados no viciados e anotar os resultados. Uma varivel aleatria , grosso
modo, uma funo que relaciona os resultados de um experimento probabils-
tico (como jogar dados) com um subconjunto dos nmeros reais. Assim, Xl
pode ser a varivel aleatria que relaciona a face do primeiro dado que cair
para cima com os nmeros 1, 2, 3, 4, 5 e 6. Analogamente, relacionamos a
varivel aleatria X2 com o resultado do segundo dado.
Mas podemos, ainda, criar a seguinte varivel aleatria: Yg relaciona a
soma dos resultados dos dois dados.
O valor esperado, ou mdia, de uma varivel aleatria (discreta) a mdia
dos valores possveis da varivel (cc,) ponderada por suas respectivas probabi-
230 Autovalores Captulo 5

lidades (p(a:,-)):
(X) = Ele = EMC),
sendo que i percorre todos os possveis resultados do experimento. Por exem-
plo:

E[X1]=1><+2x+3x+4x+5x+6x=3,5,
que se resume mdia aritmtica dos valores possveis, pois os resultados so
equiprovveis, com p(:c,) = %.
Mdias, no entanto, podem esconder aspectos relevantes do problema:
Numa turma (supondo que a nota mnima de aprovao seja 5,0) na qual
metade dos alunos tem nota 4,0 e a outra metade tem nota 10,0, haver repro
vao, apesar da mdia ser 7,0. Outra turma, em que todos tm notas entre
6,5 e 7,5, pode ter mesma mdia 7,0 e no ter nenhum aluno reprovado. O
conceito de varincia, que definida por

0200 = ElX MXN2 = ElXl 14002,


ajuda a diferenciar esses casos. A varincia d uma noo de espalhamento
dos dados, assim, a primeira turma do exemplo acima possui maior varincia
do que a segunda turma, isto , as notas daquela esto mais espalhadas, as
desta mais concentradas em torno da mdia 7,0.
Mas, podemos querer trabalhar com duas variveis aleatrias ao mesmo
tempo. No caso das variveis X 1 e X2 descritas anteriormente, basta fazermos

Hil H<X>=lzzl=lzi
a(x)
=
[5353 ] [33123] ,
=

pois os resultados dos dois dados so independentes.


2Apesar de no termos definido formalmente a independncia de variveis aleatrias, o
leitor deve perceber que as variveis aleatrias X 1 e X 2 devem ser independentes, mas que
X 1 e Y2 devem ser dependentes.
55.5 Teorema Espectml 231

ewas
Mas, X e Yz? Claramente, os resultados no so
Vrlvels 1
dentes e nao pdemos Prescindir de uma forma de medir como os resultados
indepen

co-varzam. A
' '
ISSO
,
dase .A. .
0 nome de covarzancza, definida por

cov(X, Y) = E[(X _ a(X))(Y ..e/))],


e que, juntamente com as varincias de cada varivel aleatria, forma a matriz
de covarincia:

2(X, Y) = lcolgf) (lgg/) ] , (5.14)

para o caso de duas variveis. No exemplo,


2,9167 2,9167
2,9167 5,8333
Pela definio de covarincia, a matriz de covarincia E sempre simtrica.
Com o problema acima, esperamos ter convencido o leitor da importncia
de estudarmos as matrizes simtricas: elas sempre aparecero em aplicaes
das cincias exatas que utilizem dados estatsticos.
Podemos agora enunciar e provar o Teorema Espectral, que garante a
diagonalizao das matrizes hermitianas, e, a fortiori, das matrizes simtricas
reais.

_, rffia 53 w(Trema Espectral); Toda" matriz hermitianap'od ser units;


iamente diagonalizvel. Isto , para cada matriz hermitiana A, existem um"

Se A for simtrica real, ento


A=QAQT,

rdgrtsonal W,, , __,


.W

Demonstrao. O Lema de Schur (5.1) nos garante que existe uma matriz
unitria U que torna A similar a uma matriz triangular superior T. Mas
T* = (U*AU)* = U*A*<U*>* = U*AU = T,
232 Autovalores Captulo 5

0 que significa que T uma matriz diagonal real, que podemos chamar de A.
E mais, se A for uma matriz n >< n e A1, ..., A,, forem os elementos da
diagonal principal de A, teremos:

| | | |
AU : All- 1 ... All:," : AULA ... AnU;,n : UA,

o que signiiica que A1, ..., A,, so os autovalores de A e u,,l, , um seus


respectivos autovetores associados.
Se A for uma matriz simtrica real (sendo, portanto, unitria), seus auto-
valores sero reais, pelo que j foi provado acima. Os autovetores associados
sero encontrados resolvendo-se sistemas lineares reais, sendo, assim, vetores
reais. Como as colunas de U so os autovetores de A e U unitria, ento
U = Q ortogonal. El
Um outro importante resultado de lgebra Linear que pode ser demons-
trado usando-se o Lema de Schur o Teorema de Cayley-Hamilton em
homenagem aos matemticos Arthur Cayley (*1821 J[1895) e William Rowan
Hamilton (*1805 T1865).

?QD/XyWAMWWVQMW swfwwsm wrm WWWW W M.,. %% l ' ...,xf; , ;_


5.4 (lle-orema de leyamilton*l.
L , _r W, ,.: ,,

= eorema
&

;:stico de uma matriz A n >< n. Ento *

Demonstrao. Os autovalores de A so A1, A2, ..., An, consideradas suas


multiplicidades. O polinmio caracterstico de A pode ser escrito como

pA(:c) = (a: A1)(x A2) . . . (cc An) .

Assim,
pA(A) = (A1[)(AQI)W.(Anl)
Considerando a decomposio A : U TU *, assegurada pelo Lema de Schur,
55,5 Teorema Espectml 233

podemos escrever

(A) = (UTU* A1I)(UTU* Agr) . . . (UTU* _ A,,I)


: (UTU* A1U1U*z)(UTU* _ A2U1U*) . . . (UTU* _ A,,UIU*)

= U (T A11)U*U(T _ A2I)U* . . . U(T _ A,,I)U*


= U(T A11)(T Agl) . . . (T _ A,,I)U*.

Como os elementos da diagonal principal de T so A1, A2, . . . , An, ento cada


fator (T Ai]) uma matriz triangular superior cujo elemento da posio (i, i)
zero. Mas, pelo resultado obtido no Exerccio 5.5.9, 0 produto dessas matriz
a matriz nula. Portanto, pA(A) = UOU* : 0. [___l

A bem da completude, gostaramos de finalizar esta seo com uma de


finio e um teorema que identificam quais so as matrizes que possuem um
conjunto completo de autovetores ortonormais, ou seja, quais so, exatamente,
as matrizes que so ortogonalmente (ou unitariamente) diagonalizveis.

Eenmo 7 mamatriz quadrads N chamada normalse comuta co


=
lla dintr; isto,. t, sse, N N .NfN '

rbposao510SeN?oruma matriz normalentao


wwe ew-"??;

IINXH = NXll,
rgaualsuer. s. 6. Rl? C): .. .
_

Demonstrao. Basta escrever

||Nx||2= (Nx, NX): (Nx)*Nx : x*N*Nx : x*NN*x :


-
*<N*x>N*x = <N*x,N*x> = ||N*x||. u

?mnomao5.11SeA,foruma matriz normal triangularentaoseru


? :

EMU/4 diagonal _ , , ., l
W., , '
wy,. -
234 Autovalores Captulo 5

Demonstrao. Suponhamos que A seja uma matriz n >< n triangular superlor


n
e tomemos el, 82, . . . , e,, os vetores da base canonica do IR . Entao,
A ''

14312 =|11]2 + |021|2 + - - - + [anll =|a11|2 + O + - - - + 0 = Ianl.


Por outro lado,
Neill2 = |n|2 + |a12|2 + - . + |a1n|2 .
Portanto, pela Proposio 5.10,
a12=a13=---=a1n=0.
Raciocinando agora com ez e usando os valores recm calculados, chegamos

a23=a24=--=a2n=0_
E assim sucessivamente, at concluirmos que A diagonal. EI

erefraw55 mfiatrrzquadradaseraunitariiiefitdiagnalii"
E,%?

111913139 Sg, for, _Hlfnlz ._


&

Demonstrao. Se A for uma matriz unitariamente diagonalizvel, ento A =


UAU *, da
AA* = UAU*(UAU*)* = UAU*UA*U* = UAA*U* =
= UA*AU* = UA*U*UAU* = (UAU*)*UAU* = A*A.
Reciprocamente, pelo Lema de Schur, A = UTU *, para alguma matriz
triangular superior T e alguma matriz unitria U. Assim,
TT* = U*AU(U*AU)* = U*AUU*A*U = U*AA*U =
U:
= U*A*AU = U*A*UU*AU = (U*AU)*U*AU = T*T
ento T normal. Pela Proposio 5.11, T ser diagonal e, portanto, A ser
diagonalizvel. []

Conseguimos assim estabelecer quais matrizes so unitariamente diagona-


lizveis. Uma outra linha de investigao seria buscar uma forma mnima que
as matrizes triangulares do Lema de Schur podem assumir. Isso nos levaria s
formas cannicas de Jordan de uma matriz, que foge do escopo deste livro.
55.5 Teorema Espectml 235

EXERCCIOS

5.5.1 Mostre que os autovalores de uma matriz diagonal so os elementos de sua


dlagonal principal.

5.5.2 Calcule uma forma de Schur da matriz

51
A[. sl,
seguindo os passos descritos na demonstrao do Lema de Schur, i.e., en
contre um autovalor e seu autovetor unitrio associado; monte uma matriz
unitria U1 com esse autovetor, completando uma base do R2; e assim por
diante.

5.5.3 Calcule uma forma de Schur para cada uma das matrizes abaixo.

7 1 1 9 2 1 3 2 1
a 1 5 1 b 3 4 1 c 2 3 1
O O 6 1 2 3 1 1 4

5.5.4 Considere as matrizes


2 O 5 O 1 0
A= 0 2 3 e P =. 1 O 0
O O 1 O O 1

Mostre que A uma forma de Schur dela mesma. Calcule PAPT e mostre
que este produto tambm uma forma de Schur de A. Isso mostra que a
forma de Schur de uma matriz no necessariamente nica.

5.5.5 Considere A uma matriz simtrica real 3 x 3 cujos autovalores so 1, 2 e 3,


e
_1 1
Xi : 1 e X2 = 2
1 1
X .
os autovetores associados respectivamente a 1 e a 2. Encontre o autovetor
associado a 3 e a matriz A.
5.5.6 Mostre que a matriz Uz delinida na equao (5.13) , de fato, unitria,
236 Autovalores Captulo 5

5.5.7 Mostre que uma matriz 2 >< 2 ou similar a


A1 O a A 1
'
0 A2 u 0 A

5.5.8 Mostre que o determinante de uma matriz n >< n dado pelo produto de
seus autovalores.
5.5.9 Considere a sequncia de matrizes n >< n triangulares superiores T1, T2, . . . ,
Tn, tais que o elemento da posio (75, i) da matriz T, zero. Mostre, usando
induo matemtica, que

T1T2...Tn : 0,
sendo 0 a matriz nula n >< n.
5.5.10 Mostre que as matrizes hermitianas so normais.
5.5.11 Seja A uma matriz triangular superior que no diagonal. Mostre que A
no normal.
5.5.12 Mostre que, se A for hermitiana, ento a matriz (A + iI)(A ')1 ser
unitria.
5.5.13 Seja A uma matriz hermitiana n >< n cujos autovalores so A1, A2, . . ., An.
Mostre que
(AA1])(A Agl)...(A A.,!) = 0.
5.5.14 Mostre que toda matriz normal A pode ser decomposta como A = B + iC ,
sendo que B e C so hermitianas e comutam.
5.5.15 Mostre que a matriz
1 1 0
T: O 1 0
0 0 1
diagonalizvel, mas no uma matriz normal. Encontre a decomposio
espectral de T. Isso viola o Teorema 5.5? Por qu?
5.5.16 Mostre que a matriz

A[1i 1 1+i
2 ]
normal, mas AAT # ATA.
55,5 Teorema Espectml 237

5517 Uma matriz hermitiana A dita positiva definida se x*Ax > 0, par qual
quer vetor no nulo x. Mostre que todos os autovalores de uma matriz
positiva definida so positivos.

5.5.18 Uma matriz hermitiana A dita positiva semidejm'da se x*Ax Z 0, Pr


qualquer vetor no nulo x. Mostre que todos os autovalores de uma matriz
positiva definida so no negativos.

5.5.19 Mostre que o determinante de uma matriz positiva definida positivo e que
o determinante de uma matriz positiva semideiinida no negativo.
238 Autovalores Captulo 5

5.6 Aplicao: Cadeias de Markov

Sabendo agora da importncia da diagonalizao de matrizes e munidos


das ferramentas tericas apropriadas, podemos atacar dois problemas praticos
cujas modelagem e resoluo envolvem um conhecimento razovel de Algebra
Linear.
A primeira aplicao refere-se s matrizes de Markov; a segunda, exposta
na Seo 5.7, trata da anlise e compresso de imagens digitais.
Locadoras de veculos trabalham sempre com diversas lojas espalhadas por
uma determinada regio de forma que seus clientes possam alugar um carro
em uma loja e depois devolvlo em outra. Suponhamos que uma locadora de
veculos tenha trs lojas, indexadas pelos nmeros 1, 2 e 3, para atendimento
de seus clientes e que seu gerente tenha observado as frequncias histricas
com que os carros retirados na loja j foram devolvidos na loja z' diariamente
para simplificar, consideramos que todos os carros so devolvidos no final do
dia. Ele pode, com isso, formar uma matriz de transio de estado de Markov,
M, na qual o elemento mij representa a probabilidade de um carro alugado na
loja j ser devolvido loja i:

alugado na loja
1 2 3
devolvido 1 0,8 0,1 0,3
2 0,1 0,7 0,1 = M. (5.15)
loja 3 0,1 0,2 0,6

A observao fundamental que, em uma matriz de transio de Markov, as


probabilidades (no negativas) em cada coluna devem somar 1.
Suponhamos que h, inicialmente, y) carros na loja 1, y) carros na loja
2 e y) carros na loja 3, (ou y() = [ym yg) y)]T, em forma vetorial).
Aplicar, ento, a matriz M ao vetor y() signiica encontrar a quantidade mais
provvel de carros em cada loja ao final de um perodo (no fim do dia, por
exemplo), utilizando as probabilidades da matriz M. Iniciaramos o perodo
seguinte com essa nova distribuio de carros nas lojas o estado no perodo
55.6 Aplicao: Cadeias de Markov 239

seguinte que podemos escrever em forma vetorial como y). Assim:

y) = My,
y(2) : My) : Mym) ,

yUc) : My(k_1) : . . . : Mky(0) .


A essa sequncia de estados dse o nome de cadeia de Markov, em homenagem
ao matemtico russo Andrey Markov (*1856 J[1922). Mas, o que acontecer
com o vetor y) no longo prazo?
Olhando para a matriz M em (5.15), a tarefa de calcular M parecenos
intimidadora. No entanto, se M for diagonalizvel, existiro uma matriz S
'
invertvel e uma matriz A diagonal tais que M = SAS1 e, ento,
M' = (SASW = SAs-ISAs-l . . . SAS1 = SA's-l
e, como A diagonal, N extremamente fcil de calcular, bastando elevar a
ksima potncia todas as entradas da diagonal principal de A.
Como M no simtrica, no podemos garantir sua diagonalizao pelo
Teorema Espectral. Mas, calculemos os autovalores de M:
1=1, 2=0,6 e 3=0,5,

com autovetores associados x1, x2 e x3, respectivamente.


Pelo Exerccio 4.2.15, j sabamos que M possua um autovalor unitrio,
mas agora temos que os trs autovalores so distintos, o que garante a diago-
nalizao de M, pelo Corolrio 5.1. Ento, podemos escrever:
ya) : Mky<0> : SMSly) = sms-Iw) = SA'b,
sendo b = S1y(). Desenvolvendo um pouco mais, obtemos:

| | | bl
ya) : SA'b : xfx, ,V2x2 A'gx3 b2 = bI/fol + b2,x'5x2 + ng'gxg.
| | | 53
A medida que o nmero de perodos k aumenta, teremos, no limite,
. - k:
MAIaw 1=
k__ ew k: -
v Jaws-,
k_
240 Autovalores Captulo 5

significando que o autovetor xl dominante sobre os outros, os quals se tornam


mais e mais irrelevantes.
Fazendo os clculos, um possvel valor para XI e

2/4 0,50
x.: 1/4 = 0,25 ,
1/4 0,25
que indica o percentual dos carros em cada loja.
Uma das propriedades mais importantes de uma matriz de transio de
Markov que um, e somente um, de seus autovetores sempre 1 e os outros so
sempre menores, em valor absoluto, do que 1. Isso significa que, se comearmos
com a quantidade correta de carros em cada loja o que corresponde as
componentes (normalizadas como acima) do autovetor associado ao autovalor
1 , essa quantidade tende a no se alterar, se repetirmos o processo muitas
vezes. De fato, Mxl = Alxl = 1x1 = xl.
Por fim, sabemos como alocar os 100 carros da locadora: 50 carros na loja
1, 25 carros na loja 2 e 25 carros na loja 3. difcil imaginarmos a soluo de
um problema similar envolvendo 1000 lojas sem um conhecimento razovel de
lgebra Linear.
Uma ltima indagao pode ainda ser feita pelo leitor: o que acontece com
o nmero de total de carros no autovetor x2, associado ao autovalor Az 0, 6?
Ou seja, haveria, neste caso, um decrscimo no nmero total de carros? A
resposta encontrase, logo abaixo, no Teorema de PerronFrobenius, mas, para
uma melhor compreenso, recomendamos que o estudante faa o Exerccio
5. 6. 3, calculando os autovetores xz e x3.
Encerramos a seo com 0 enunciado do Teorema de Perron-Frobenius,
observando que para uma matriz de transio de Markov comportar-se como
a matriz M do exemplo estudado acima, ela deve ser irredutvel:

,.?e'finlao X'Wmamatriz
''T-JW'
nW><n re'ati'uelse ex1st1ruma
.=.....
matriz
=... m......

.o'ermutao P, tal que

endo [B], [O], [D] e [0] submatrize. de dimensoes r >< r, r >< (n r) (n :)


><
=

"nf;,rlme, (n; r) respectwamente. Caso contrario,A dita azvedatwcl


= ><.
&
55.6 Aplicao: Cadeias de Markov 241

Exemplo 5.10. As matrizes

so redutveis. J a as matrizes
ll
0 1
2 0
so irredutveis. |:]

fcil ver que a matriz M em (5.15) irredutvel (ver Exerccio 5.6.1).


georema 5.6 (PerronFrobenius) Seja A uma matriz n ><n irredutvel cujo?
lementos so no negativos. Ento,

a. A possui um autovalor real positivo A1.


b. A1 tem multiplicidade algbrica ml = 1.
1
2 3 .
; c. As coordenadas do autovetor associado a A1 so todas positivas.
% d. Todos os outros autovalores A, de A satisfaro a condio |A | < A1 se,;

e somente se, existir um inteiro positivo p tal que todos os elementos de


Ap sejam positivos.

e. Se os elementos da diagonal principal de A forem todos positivos, ento


JA]<A1,parai71 .a
tiu: kg;y
Matm .

a; , :$. . '.=.i..r , _. .. '


. '...mg, _ .,. .; :, ,. ,,, a. -< .,. .., .J)? , .

EXERCCIOS
5.6.1 Explique por que uma matriz de transio de Markov com prbabilidades
estritamente positivas irredutvel.
5.6.2 Calcule os autovetores de M em (5.15).
5.6.3 Sendo A2 : 0,6 0 segundo autovalor da matriz M em (5.15) e X2 seu auto
vetor associado calculado no exerccio anterior, explique por que aplicar M
ao vetor x2 (resultando em Mxz = 0,6xz) no implica uma diminuio da
quantidade total de carros.
242 Autovalores Captulo 5

5.6.4 Utilizando o exemplo da locadora de veculos do texto e o Teorema


de
PerronFrobenius, use de lgica comum para mostrar que uma matriz de
transio de Markov positiva (i.e., mij > 0) n Pde possu1 um autovalor
). > 1.

5.6.5 Utilizando o resultado de exerccio anterior, o Exerccio 4.2.15 e o Teorema


de PerronFrobenius, mostre o seguinte corolrio.
Corolrio 5.1. Seja M uma matriz de transio de Markov positiva.
Ento,
a. A1 : 1 um autovalor de M.
b. A multiplicidade algbrica de A1 1.
c. As coordenadas do autovetor associado a A1 so todas positivas.
d. Todos os outros autovalores A,- de A satisfazem IA.-| < A1.
55.7 Aplicao: S VD e PCA 243

5,7 Aplicao: SVD e PCA


Diante da lmposmbilidade de diagonalizar qualquer matriz quadrada, con-
formamonos em encontrar uma matriz triangular T similar a uma dada matriz
quadrada A, mas exigimos que a matriz de similaridade fosse unitaria (ou
ortogonal, no caso real), isto ,

A=UTU*,

sendo U unitaria (ver o Lema de Schur, na seo 5.5).


No entanto, as matrizes triangulares no so to fceis de manipular como
as matrizes diagonais, por isso insistiremos na busca de uma decomposio
matricial que envolva uma matriz diagonal. Fatores unitrios (ou ortogonais)
eliminariam a necessidade de clculos aritmticos para a obteno de suas
inversas.
Assim, buscamos decompor uma matriz A m >< n na forma

A = UEV , (5.16)

sendo U uma matriz com colunas ortonormais, E uma matriz diagonal, e V


uma matriz unitaria (ou ortogonal, no caso real) n x n. Vale notar que (5.16)
no uma relao de similaridade.
A decomposio acima conhecida como decomposio de valor singular
(ou por sua sigla inglesa SVD, de singular value decomposition). Os vetores
(ortonormais) que formam as colunas de U so chamados de vetores singulares
esquerdos; as colunas (tambm ortonormais) de V so chamados de vetores
singulares direitos; e os elementos da diagonal principal de E so os valores
Singulares da matriz A. Em geral, os valores singulares (que so reais no
negativos, como veremos a seguir) so dispostos em ordem decrescente na
diagonal principal de E.
Interessamnos aqui os casos nos quais m 2 n, assim podemos obter U
m X n e 2 n >< n, que chamada de decomposio de valor singular reduzida,
ou U m >< m e E m >< n (sendo as ltimas m 72 linhas nulas), que Chamada
de decomposio de valor singular completa.
H. um teorema de existncia e unicidade da decomposio de valor singular:
244 Autovalores Captulo 5

Weorema
gular
5TToda matriz m >< n possui uma dCOmposio de'vaior
az,.:;

(completa)
a: UZV*
A .

lisendo U e V matrizes unitrias (ou ortogonais no caso real) e E uma matrig


diagonal, cujos elementos da diagonal principal os valores singulares o, nr

=

,egativos so unicamente determinados.


=

E Se A for uma matriz quadrada e todos seus valores singulares forem distinf,
,os, as colunas das matrizes U e V sero unicamente determinadas, a meno
ce sinais complexos (isto , a menos de fatores escalares complexos de valo.
'bSQlut l,) ._
. x.y-.; .. i..:? ., . .. .,.. qy M..... .. ..., ' ===-y * =1'

Uma observao geomtrica pode nos ajudar na compreenso do significado


da decomposio de valor singular. Consideremos a decomposio reduzida
A = U EV* na forma

AV : A V1 V2 ... V;, =
| I |
| I | | I |
= Av]L Av2 ... Av,. = olul 021.12 . . . anun :

_ | | | | | I

=
-
| |
111 112 . . .
|
u,,
01
., . : UZ _
_ | | | "
Un

Notemos que os vetores ortonormais v,- so levados em vetores ortogonais (T.-u,.


Podemos, ento, imaginar uma esfera (no R") centrada na origem e passando
pelas pontas dos vetores v.; e um elipsoide3 (no Rm) centrado na origem e
passando pelas pontas dos vetores oiui, como mostra a Figura 5.4, para o
caso no qual Rm = R" = R2.
3Ou seja, uma hipersuperfcie do Rm de equao
21 :L'22 2
'2+2'+'
a a2
+2m=1
am
l'
5557 Aplicao: SVD e PCA 245

Enfatizando: a decomposio de valor singular encontra uma base ortonor-


mal do R" ((vi, . - - ,an) que transformada por A numa base ortogonal do
Rm ([alula ' ' ,O'mum)).
'

/ Vl (72112 0111
A

& /
ri

V2

Figura 5.5: Decomposio de valor singular de uma matriz A 2 >< 2.

O clculo da decomposio SVD dse da seguinte maneira: a matriz B =


A*A hermitiana, o que garante sua decomposio espectral B = VAV*, com
V unitria e autovalores A. reais (pois B hermitiana) e no negativos, pois,
para um autovetor associado xi, temos

||Ax,||2 = x;.AAx, = xfoi = x;).ixi : ).,Hx,||2_


Pelo Teorema 5.7, A possui uma decomposio de valor singular A

_
:
UEV*. Assim,
mw : B A*A : (UEV*)*(UEV*) = VE*U*U2V* = vz*2v*,
0 que implica que a matriz dos vetores singulares direitos de A a matriz
(unitria) dos autovetores de B e os valores singulares de A so a raiz quadrada
dos autovalores (reais no negativos) de B. A matriz U calculada pela
equao
AV = U 2 ,
pdendo ou no ser nica. No aprofundaremos nosso estudo suficientemente
para conhecer os detalhes do clculo da decomposio de valor singular para
uma matriz qualquer.
246 Autovalores Captulo 5

A decomposio de valor singular o fundamento de um conjunto de tc-


nicas de larga aplicao conhecida por Anlise de Componentes Principais (ou
por sua sigla em ingls, PCA, de Principal Component Analysis). O experi-
mento a seguir exemplifrcalaa na compresso de imagens.

Um experimento no GNU Octave


Para termos uma ideia da quantidade de informao concentrada nos pri
meiros vetores singulares de uma matriz, consideremos uma fotografia4 em
escala de cinza (8 bits) com dimenses 512 >< 512, como a mostrada na Figura
5.7.a. Aps copiar a figura para o arquivo 1ena_gray . jpg na rea de trabalho
e iniciar o GNU Octave, O leitor deve executar os seguintes comandos:

Im = imread("lena_gray.jpg");
[m n] = size(Im);
limits = [o 255];
imshow(Im , limits)
[U S V] = sdeIm);
k = 3;
erro_re1ativo = S(k+1,k+1)/S(1,1)
razao_de_compressao = (m+n-k+1)*k/(m*n)
imshow(U(:,1:k)*S(1:k,1:k)*V(:,1:k)',limits)

A imagem 1ena_gray . jpg tratada como uma matriz (Im) 512 X 512 com
nveis de cinza entre 0 e 255. A decomposio de valor singular calculada na
quinta linha, obtendose Im = U SVT. Na sexta linha, selecionase o nmero
de valores e vetores singulares que comporo a imagem comprimida. Nesse
caso, k = 3 significa que foram escolhidos os 3 primeiros vetores sigulares
esquerdos (U(: , 1 :k)), os 3 primeiros valores singulares (S(1zk, 1 :k)) e os 3
primeiros vetores sigulares direitos (V(: , 1 :k)) para compor a imagem 512 ><
512 U(: ,1:k)*S(1:k,1:k)*V(: ,1zk) '.
O erro relativo (erro_re1ativo) uma medida de quanto a imagem com
primida difere da imagem original. J a razo de compresso (razao_de_com-
pressao) o quociente entre a quantidade de informao necessria para for
mar a imagem comprimida e a quantidade de informao na imagem original.
4O leitor pode realizar uma busca na internet com as palavras lena, gray, 512 x 512, 8
bits.
55,7 Aplicao: SVD e PCA 247

Repetindo a sequncia dos quatro ltimos comandos para k = 10, k = 20,


k = 60, k = 61 e k = 100, podemos comparar os resultados obtidos para o
erro relativo e para a razo de compresso.

,, 0.350
0,300

-)
0,250

=
0,200

0,150

compres
0,100

tax de
(-
' 0,050
20 30405060708090100

Figura 5.6: Razo de compresso e erro relativo para diversos valores de k.

Os grficos da Figura 5.6 mostram, para alguns valores de le, a evoluo


do erro relativo e da taxa de compresso, esta definida pelo quociente entre o
total de informao na imagem comprimida k(m + n 10 + 1), sendo

Wil_1_)
_
para a matriz U e Ln2_+_)
k 2 k 1
para a matriz SVT,

e o total de informao na imagem completa mn.


A Figura 5.7 mostra a imagem original e comprimida com diferentes razes
de compresso.
importante observar que conseguimos um erro relativo menor que 1%
para k = 61 com uma razo de compresso de 0,22, isto , menor que um quarto
dos dados necessrios. Em outras palavras, podemos transmitir um quarto das
informaes contidas na fotografia original e, ainda assim, o percentual de erro
no chegar a 1%.
248 Autovalores Captulo 5

Figura 5.7: Imagem original e comprimida com diferentes taxas.

EXERCCIOS

5.7.1 Encontre a decomposio de valor singular de cada matriz abaixo:

1 0 b 1 1 1 1
' ' '
a. 0 1 . 0 0 1 1
1 0

5.7.2 Mostre que, se A for uma matriz real, ento todas as matrizes de sua de
composio de valor singular sero reais.

5.7.3 Seja A uma matriz quadrada. Mostre que A*A unitariamente similar a
AA*.
5.7.4 Mostre que uma matriz quadrada A ser invertvel se, e somente se, no
possuir valores singulares nulos.
55.7 Aplicao: SVD e PCA 249

5.7.5 Considere a decomposio de valor singular (SVD) da matriz quadrad real


A = U EVT. Descreva como encontrar, caso exista, A4.
5.7.6 Calcule os valores singulares de uma matriz unitria A.
5.7.7 Um experimento no GNU Octave. Baixe uma imagem em nvel de cinza no
formato jpg e de tamanho razovel (512 x 512, por exemplo). Execute no
GNU Octave o experimento do texto para esta imagem e descubra a razo
de compresso mxima para obter um erro relativo inferior a 1%.
5.7.8 Calcule o nmero de condio, isto , o quociente entre o maior e o menor
valor singular, da matriz A, do Exerccio 1.4.3, e da matriz de Hilbert H,
do Exerccio 1.4.4.
6
Transformaes Lineares
Aps cinco captulos e alguns meses da lgebra Linear matricial, podemos
subir mais um degrau de abstrao e pensar nos vetores como os elementos de
um espao vetorial genrico e suas propriedades. Exemplificando: num nvel
de abstrao mais elevado, o produto interno possui somente as propriedades
da Definio 3.2, sem explicitar sua regra de clculo, como na definio do
produto interno euclidiano.
Precisamos, ento, de um ente matemtico que relacione, de uma determi
nada maneira, vetores de espaos vetoriais gerais, e isso feito pelas transfor-
maes lineares.
Neste captulo, apresentaremos as transformaes lineares, suas principais
propriedades e os teoremas mais importantes. Muitos desses teoremas j foram
enunciados e demonstrados anteriormente, o que nos permite indicar somente
as modificaes necessrias s provas. O captulo encerra ainda a demonstrao
de que todo espao vetorial de dimenso finita n pode ser representado pelo R"
(ou pelo (C") e que toda transformao linear entre espaos de dimenso finita
pode ser representada por uma matriz, justificando, dessa forma, a deciso de
estudar lgebra Linear utilizando somente matrizes. Uma aplicao prtica
conclui o captulo, como de praxe.

6.1 Transformaes Lineares


No Exemplo 5.6, da Seo 5.3, foi dito que a matriz

R:
cos( ) sen(
l o r a M
sen( ) cos( ):marel ll=l?l
251
252 Transformaes Lineares Captulo 6

gira os vetores do R2 em 90 no sentido antihorrio. De fato, um vetor

transformado, por meio da multiplicao pela matriz R, no vetor

_ R.. :
_
[cos(au.
sens>u2
sen(%)u1 + cos(%)u2
] [==] ,
=
ul

como podemos ver na Figura 6.1 abaixo.

Figura 6.1: Vetor u transformado no vetor v por uma rotao de 90.

J a na Seo 5.7, a Figura 5.5 mostra a transformao dos vetores singulares


direitos (VI e vz) de uma matriz A nos vetores olul e (72112, que so mltiplos
dos vetores singulares esquerdos.
As matrizes m >< n podem, ento, ser vistas como funes que transformam
vetores do R" em vetores do Rm. Mas, gostaramos de um conceito de funo
amplo o suficiente para transformar vetores de um espao vetorial genrico em
vetores de outro espao vetorial tambm genrico. Por espao vetorial genrico
queremos dizer que as nicas propriedades exigidas de seus vetores so aquelas
da Definio 2.1.
No entanto, queremos que essa funo entre espaos vetoriais preserve a
estrutura linear prpria dos espaos vetoriais, isto , queremos que a funo
preserve combinaes lineares:
56.1 Fansff'mes Lineares 253

gfino 6.. ejam e'v' dos"spao"s"?tiii50516567rrefri'ifp6""F


Tma transformao linear T de U em V (em smbolos, T : U => V) uma
,;
orrespondncia que associa a cada vetor em U um vetor em V (em smbolos


.u 6 U, Tu = v e V) tal que

a. T(u+v)=Tu+Tve

.. b. T(au) = CeTu ,

"uSlfeV Sm Kananga; escalr S IF- an..-... .


. m t z x a n r . a

*
'TWJRT
*
'"''kf' - '
.:.-M. kiwi-n'... LLRWA tnia._m.as

Devemos ter muita ateno quando trabalhamos com espaos vetoriais ge


nricos! Na definio acima, a soma u + V referese a adio vetorial definida
no espao vetorial U, j a soma Tu + Tv a adio vetorial definida no es-
pao vetorial V. De maneira anloga, ou a multiplicao por escalar no
espao U QTu a multiplicao por escalar definida no espao vetorial V.
No teorema a seguir, faremos essas distines usando smbolos diferentes para
as diferentes adies vetoriais e para as diferentes multiplicaes por escalar,
explicitandoas. Entretanto, evitaremos o uso frequente de smbolos como EB
por acreditarmos que eles mais confundem que esclarecem o leitor.
Exemplo 6.1. O exemplo, talvez, mais simples de uma transformao linear
a funo linear ] : R > R definida por
f(x) =azr,

para todo a real e sendo oz um nmero real fixo. Os espaos de sada e chegada
so o espao vetorial dos nmeros reais e o grfico uma reta que passa pela
origem.
Aproveitando este exemplo, note o leitor que a funo f (x) totalmente
caracterizada pelo nmero real a, o que serve como uma primeira justificativa
para a notao Tu, ao invs de T (u), para uma transformao linear. A escolha
dessa notao ficar. clara mais adiante. |:]

Exemplo 6.2. Se A for uma matriz real m >< n, ento A definir uma trans
formao linear que leva os vetores do R em vetores do Rm pela multiplicao
usual de matrizes. De fato, se 11 6 R", ento Au Rm e

A(u+v) : Au+ Av e A(au) : aAu,


254 Transformaes Lineares Captulo 6

para quaisquer u e v em U e qualquer escalar &. D

As transformaes lineares tambm so chamadas de aplicaes lineares e


ganham nomes especiais dependendo de seu contradomnio (espao de chegada
da funo). Quando os espaos de sada (domnio) e de chegada (contrado
mnio) so o mesmo, isto , V = U, a transformao linear chamada de
operador linear. Ainda: quando o espao de chegada o conjunto dos nmeros
reais ou o dos nmeros complexos (<p : U > V, com V = R ou V = (C), a
transformao linear recebe o nome de funcional linear.
Para determinarmos uma transformao linear necessrio e suficiente co-
nhecer sua ao numa base do espao vetorial domnio. E o que nos garante o
teorema a seguir.

Tm,
555535.wwiiiiai?

Demonstrao. Como B uma base de U, um vetor v e U escrito de forma


unvoca como
v=a1u1+a2u2+--+anun.
Definimos, ento, T : U > V por
Tv=a1v1+a2V2+--+anvn.
Analogamente,
TW=B1V1+2V2+"'+Ban
para W = 51111 + ,62112 + - + Bnun. Assim,
T(V + W) : (l + 51) + (G2 + B2)V2 + ' - - + (a,. + B.,)vn
=a1V1+CVZV2+"'+anvn+BIV1+B2V2+"'+;ann
=Tv+TW

T(VV) = 701V1 + 7042V2 + ' -


+ vanvn '

: 7<iV1 + 042V2 + - - + anvn) = 7Tv.


'
6.1 Transformaes Lineares 255

Ou seja, T uma transformao linear.


Para mostramos a unicidade de T, basta tomarmos uma transformao
linear S : U > V, tal que Su, = v,, para i = 1, 2, . . . ,n. Ento,

Sv=a1V1+--+anvn =TV,
para qualquer V & U. Portanto, S = T. E

Exemplo 6.3. Como qualquer funo, uma transformao linear pode ser
definida por uma regra. Por exemplo, T : R2 > R3 pode ser dada por

TxJ= a;
x+y . (6.1)
3; 2x+y

Mas, como encontrar a


regra da transformao linear se forem fornecidos
uma base do espao domnio e seus respectivos vetores transformados? Tome
mos os seguintes vetores:

TU1=T[ 1]: 1
1
2 =v1 e Tu2=T[ ]= 1
_1
1
0 =V2-
3 1

Claramente, ul e 112 formam uma base do R2, ento, qualquer vetor u 6 R2


pode ser escrito como

I
u=au1+5u2=
|
111 112 []=B[g],
em que B uma matriz invertvel, pois suas colunas so linearmente indepen-
dentes. Assim,
[g ] = B-lu. (6.2)

Por outro lado, como T uma transformao linear,

Tu=aTu1+BTu2=
| |
V1 V2 [5]: a | |
V1 V2 BU,
1
256 Transformaes Lineares Captulo 6

usando (6.2). Em nmeros:

Tu=T[$]=
y
1 1
2 0
3 1
% Vrl:
/ / y
r+y
25r+y
a;
,

que nos da a regra de definio de T, como em (6.1). |]

Como vemos pela Definio 6.1, uma transformao linear preserva a es-
trutura linear dos espaos vetoriais envolvidos, pois transformar linearmente a
adio de dois vetores somar os vetores parcelas transformados, bem como
transformar o mltiplo de um vetor tomar o mltiplo desse vetor transfor-
mado. Entretanto, a Definio 6.1 levanos a um resultado ainda mais pro
fundo: as prprias transformaes lineares formam um espao vetorial. o
que nos garante o teorema a seguir.

Eeorema 6.2Sejamumespao vetorialcom adiovetor1alGBemultipI


%cao por escalar , sobre o corpo lF, e V um outro espao vetorial, com adia
gvetorial EE e multiplicao por escalar E], tambm sobre o corpo lF. Sejam T
S duas transformaes lineares de U em V. Ento, a adio vetorial, definida
OI

(T + S)(u)
- Tu EEI Su,
uma transformao linear de U em V, tambm aT, definida por

(aT)(u) = a E! Tu,
, uma transformao linear de U em V. Alm disso, o conjunto das transforf

efmdaaglma formam,,um espaosretrnassem.,9 gggp IF ,


_
m aes lineares de U em V, com adio vetorial e multiplicao por escala
; g,,vgw_ * "'

Demonstrao. Como

(T+S)(uBv)=T(uBv)EBS(uBv)=TuEETvEElSuEElSV=
= (T+S)(u)EB(T+S)(v)
e

(T+S)(au) =T(ozu)EElS(au) =aElTuEEaE]Tu=aEl(T+S)(u),


56.1 Transformaes Lineares . 257

para quaisquer u e v em U e qualquer escalar a, ento T + S uma transfor


mao linear.
De maneira anloga,

(GT)(uBV)=aEIT(uBV)=ozEl(TuEETv) =
= a E] Tu 83 a [3 Tu = (aT)(u) EB (aT)(V)

(aT)(Bu)=aE]T(Bu)=aEl(Bl3Tu)=aBl3(Tu)=
=BB(0|3TH)=BJ(0T)(H),

para quaisquer u e v em U e quaisquer escalares & e B, ento aT uma


transformao linear.
Para provarmos que as transformaes lineares de U em V formam um es
pao vetorial, com as operaes definidas acima, precisamos mostrar cada uma
das propriedades da Deiinio 2.1. Acabamos de demonstrar as propriedades
de fechamento e deixamos as demais a cargo do estudante (ver Exerccio 6.1.3),
lembrando que a transformao linear nula aquela que leva qualquer vetor
de U no vetor nulo de V. E]

No teorema acima, como j havamos dito, explicitamos as trs adies


vetoriais: u 69 v, definida em U; Tu EEI Tv, definida em V; e T + S, definida
no espao vetorial das transformaes lineares de U em V, bem como as trs
multiplicaes por escalar, uma para cada espao vetorial. No entanto, para
no sobrecarregar a notao, evitaremos smbolos como 69 e 53, confiantes que
O leitor interpretar corretamente as operaes + e -

Existe uma notao prpria para o espao vetorial das transformaes li


neares de U em V, qual sej, (U V)- A notao Pr 0 espao Vetrial dos
operadores lineares simplificada de (V; V) para (V).
No caso do espao vetorial dos funcionais lineares, escrevemos U * ao in
vs de (U;]R) (ou L(U;(C)) e o chamamos de espao vetorial dual de U, Ou
Simplesmente 0 dual de U. .
Uma pergunta interessante: se dim(U ) =Nn e dim(V) = m, qual seria a
dimenso de g(U; V)? A resposta esta na Seao 6.3.
258 Transformaes Lineares Captulo 6

EXERCCIOS

w r c o.
6.1.1 J ustificando sua resposta, determine se a funo uma transformao linear.
. T:R3->R, T(rr,y,z)=w2y+3z.
. T:]RHRZ, T(x,y)=(w+1,2y).
. T : R3 > R3, T(x,y,z) = (em,ey,ez).
. T : V > IR, T(v) = (v, u), para u e V fixo e V real com produto
interno.
e. T : M,,><n + Man, T(A) = AB + BA, para E 6 Mnxn fixa.
f. T : ng2 > IR, T(A) = det(A).

6.1.2 Encontre uma frmula para a transformao linear T a partir das imagens
dos vetores da base [ul, . . . ,un].

'1 1 0 2 0 3
a.T( 0 )= 2 , T(1)= 7 , T( 0 )= 0
L0 2 0 1 1 1

c.T(
-
aw
])=
1
mas.
T([ ])=
3
0 , 1
5
1
-1 5 2 8
d. T(l) = 0, T(zr) = 1, T(x) : 2:13, T(w3) = 35132.

6.1.3 Conclua a demonstrao do Teorema 6.2 mostrando que o conjunto das


transformaes lineares de U em V, com adio vetorial e multiplicao por
escalar definidas acima, formam um espao vetorial sobre o corpo E
6.1.4 Um conjunto C dito convexo se, para quaisquer u, v e C, au+ (1 a)v &
C, com 0 5 a 5 1. Mostre que, se T : U > V uma transformao linear
e C um conjunto convexo em U, ento TC um conjunto convexo em V.
6.1.5 Demonstre, se a afirmao for verdadeira, d um contraexemplo, se falsa.
Seja T : U > V uma transformao linear entre espaos de dimenso finita.
&. Se Tx = O, ento x = 0.
b. Se Tx = 0 somente quando x = O, ento dim(U) = dim(V).
56.1 Transformaes Lineares 259

c. Se W e uma combinao linear de ul, . . ., un, ent TW uma com-


binaao linear de Tul, .. ., Tun

6.1.6 Sj T : U > V uma transformao linear. Mostre que, se Tul, ...,


Tun E V sao linearmente independentes, ento ul, ..., un 6 U tambm 0
sao. De um contraexemplo mostrando que a recproca no verdadeira.

6.1.7 Seja T : U > U um operador linear. Mostre que, se Tul, ..., Tun 6 V
geram U, ento ul, ..., u,, e U tambm geram U. D um contraexemplo
mostrando que a recproca no verdadeira.

6.1.8 Sejam T, R : U > V duas transformaes lineares e [ul, . . . , un) uma base
de U. Mostre que, se Tu,- : Rui, para i = 1,...,n, ento TW = RW,
VW 6 U.
6.1.9 Seja T : V > V um operador linear, com dim(V) = n finita e, para algum
xGV,
T"x=0 e Tm-lxso.
Mostre que
x, Tx, Tx, ..., T"1x
formam uma base de V.
6.1.10 Sejam T : U > V e S : U > V duas transformaes lineares entre espaos
vetoriais com produtos internos, tais que

(Tu, V) = (511, V) ,
para todo 11 6 U e todo V E V. Mostre que T = S.
6.1.11 Seja T ; V -> V uma funo sobre um espao vetorial com produto interno
tal que
(Tu,Tv) = (u,v), Vu,v & V.

Mostre que T um operador linear chamado de ortogonal.


6.1.12 Seja T um operador linear sobre um espao vetorial V, de dimenso finita n,
dotado de produto interno e com norma proveniente deste produto interno.
Mostre que as afirmaes abaixo so equivalentes:
a. T ortogonal.
b. ||Tv|| = ||v||, para todo v e V.
260 Transformaes Lineares Captulo 6

c. Se [v1,v2, . . . ,vn) uma base ortonormal de V, ento tambm o


[Tv1,TV2, . . . ,Tvn].
6.1.13 Seja V um espao vetorial com produto interno sobre o corpo R.
&. Fixe v 6 V e defina uma funo (pv : V > R pr

(IOV(u) : (ua V) ,
para todo u e V. Mostre que (pv um funcional linear para cada v.
b. Defina T : V > V* por
TV : (pv ) (6-3)
para todo v 6 V. Mostre que T uma transformao linear.
562 Dois Subespaos Fundamentais 261

6.2 Dois Subespaos Fundamentais


Na Seo 2.4, quatro subespaos vetoriais foram associados a cada matriz
m >< n: o espaolinha, o espaocoluna, o espaonulo e o espaonulo esquerdo.
O espao-linha e o espaonulo esquerdo so, respectivamente, o espao-coluna
e o eSpao-nulo da transposta (ou adjunta, no caso complexo) da matriz em
questo. Tambm as transformaes lineares possuem subespaos fundamen
tais associados: o ncleo e a imagem.
efimao6VWSejaTWWHVurritfaiisformaao inear. imagem .um-.- _.w .. "= %mmm...?
e
..,,meapague we...?

's subconjunto de V formado pelos vetores Tu, para todos os vetores u 6 U,


denotadoporWRT)
, &:'Ela-*.. as ,. fn- a. ...s-.a , .. me , ; gi-&' .. wk na. ...,? ..

Claramente, R(T) um subespao vetorial de V, pois, se u e v forem


vetores de U e a for um escalar, ento

Tu+Tv=T(u+v) = V,

pois Tu E V e Tv E V e V um espao vetorial. Tambm

aTu = T(au) = V.
mr
,eiirifo6; .Seja TW
- :x. wra. mw wauv : Vz:
formaao inear uma
mas ,, ,' xr <

[ ,

ubconjunto formado pelos vetores 11 6U , tais que Tu O, e denotado po 1 _

Mais que um subconjunto, N (T) um subespao vetorial de U, j que, se


u e v forem vetores de U e a for um escalar, ento

T(u+v)=Tu+Tv=0,

T(au) = aTu = aO = 0.
As notaes usadas para o ncleo e para a imagem de uma transformao
linear So as mesmas que as usadas para 0 espao-nulo e para o espaocoluna
de uma matriz, respectivamente. Isso bvio no caso de considerarmos uma
matriz que representa uma transformao linear, como no Exemplo 6.2. A
justificativa geral ser. apresentada n Seo 6-3-
262 Transformaes Lineares Captulo 6

Para completar a analogia, as dimenses do ncleo e da imagem de uma


transformao linear entre espaos vetoriais de dimenso finita so chamadas
de nulidade e posto, respectivamente.
Sendo funes, as transformaes lineares tambm podem ser classificadas
de acordo com os conceitos de sobrejetividade, injetividade e bijetividade.

'efmo 5,3 .Swvy-


uma transformawOTQHdear _ . wwe-am W ,

.
gravad , 5;an

TT
,,

soirey ,
[_

%WWSIZQIHOS que 6

" i" *
' *
"r "
-'
'
nsasawmu'
'
'
em.mw.ex&.sssammmsrmmwswusssnm

gfiiwqgnw, mwtfnsfrriiwlinear T TT -> V injefwa(.;


Armmgay . MJ,)! comfav
TV sem. ..re, __ue se-gsmmsia-MWMwamamwwtM&WLCL ,

rmaram.u6a.
.
..
*

efiniao

ma linea T %Ve cama:
A ,
ezsomo
transforma%% dwir,-air, ,?WW???

U ,.V ...So ditos.,aomqrfga


Vejamos alguns exemplos.
Exemplo 6.4. Consideremos as transformaes lineares TA, TB e T0 repre
sentadas, respectivamente, pelas matrizes

A_[0 1 0
ol: l?[023] 1 1 1
O
* P O
CDP'O
O operador linear TA : R2 > R2 no nem injetivo, pois

TAll=Alil=ll=All=TAll
e nem sobrejetivo, j que [1 1]T & R(A) (ver Exerccio 6.2.2).
A transformao TB : R3 -+ R2 no injetiva, pois

TB
1
3 =B
1
3 =[O]=B O 2
6 =TB
2
6
2 2 4 4
mas sobrejetiva. De fato, para qualquer vetor v 6 R2, podemos encontrar
pelo menos um vetor u do R3 tal que TBu = v, i.e., Bu = v, pois B tem posto
completo (ver Exerccio 6.2.3 e, tambm, o Corolrio 2.2).
562 Dis Subespaos Fundamentais 263

Por fim, a transformao TC e injetiva. De fato, tornando u #W 6 R2,


teremos

Tcuz
].0
O 1 [11,1]:
u ul
11,2 #
wl
102 =
O
].
O 1 [lezTOW.
w

0 0 0 0 0 0
Mas no sobrejetiva, considerando que TC : R > R3, pois, por exemplo,
[1 1 117" $ R(TC). []

J a podemos apresentar o primeiro resultado interessante:


a primeira parte
do Teorema Fundamental da Algebra Linear para transformaes lineares,
tambm conhecido por teorema do ncleo e da imagem.
* ;.u. x:;:...,-Bzawww(??;%%%&?Waw,

eorema 6.3 (TeoremaEmdanidiitldalgebra Linear). Seja T: U >


ma transformao linear entre dois espaos de dimenso finita, com d1m( U )
. Ento,
- n
tanins/tl)diquil +&me , _,
*

_ , ;
Demonstrao. Consideremos a base

BN : [11131127 ' ' ' , Hk]BR : (v17v2) ' - - yv'r)


do ncleo de T.
Se posto(T) : 0, ento T a transformao nula e o teorema est provado.
Caso contrrio, existem vetores uk, , un em U, tais que
[1117 1,12, ' ' ' auka uk+19 ' ' ' inn)

uma base de U.
Temos que provar que

BR : [Tuk+1, . . . ,Tun]
uma base de R(T)
fcil mostrar que os vetores Tu1,Tu2,---,Tuk,Tuk+1,--,Tun geram
R(T) (ver Exerccio 6.2.7). Como Tu1 - Tuz = = Tuk = O, ento
264 Transformaes Lineares Captulo 6

Tuk+1, . . . , Tun tambm geram ??,(T). Agora s falta mostrar que estes vetores
so linearmente independentes.
Consideremos

ak+1Tuk+1 + ak+2TUk+2 + ' ' ' + anTun : 07 (6'4)


0 que equivale a

T(ak+1uk+1 + ak+2uk+2 + "' + nun) : O'


Isso significa que o vetor W --
= ak+1uk+1 + ak+2uk+2 + ' + anun N(T) e
pode, portanto, ser escrito como uma combinao linear dos vetores da base
BN:
ak+1uk+1 + ' ' + anun : 51111 + ' ' ' + Bkuk'
Reescrevendo a ltima equao, obtemos

51111 _ ' ' '


(Bkuk + ak+1uk+1 + ' ' ' + anun : O,

que s pode valer se 61 =


= B,, = ak+1 = = a,, = 0, pois os vetores
acima formam uma base de U. Retornando a equao (6.4), fica provado que
BR uma base de R(T), e o teorema est demonstrado. El
Insistindo ainda no fato de transformaes lineares serem funes, pode-
mos definir a composio de transformaes lineares, que tambm ser uma
transformao linear.

?WTformaoe inea "

;
nto, ST: U> W, definida por

(ST)u = S(Tu) ,

Demonstrao. Tomemos u, v e U e a escalar, ento

(ST)(u+v) = S(T(u+v)) = S(Tu+Tv) = S(Tu)+S(Tv) = (ST)u+(ST)v

(ST)(au) = S(T(au)) = S(aeTu) = aS(Tu) = a(ST)u,


56.2 Dois Subespaos Fundamentais 265

que prova a proposio. [|

Se definirmos o operador identidade simbolizandoo por I como aquele


que leva um vetor nele mesmo (isto , lu : u), poderemos definir a transfor-
mao linear inversa.
enio 67- Sjia'T If U % V uma transformao-linear. Se existir uma?
(aplicao S : V > C. tal que
|

TSIV STZTU, %

sendo [U e IV os respectivos operadores identidade de U e V, dizermos que le


invertvel (ou no singular) e que S sua inversa, simbolizando-a porTflj
Uma transformao linear que no possuir inversa dita singular ou, sim-
plesmente, no invertvel.
E fcil mostrar que T_l, se existir, uma transformao linear. De fato,
se u1,u2 E V, podemos escrever
vl =Tu1 e V2=Tu2-
Assim, T_lvl = T_1(Tu1) = (TlT)u1 = Iul = ul e T_1v2 = uz, analoga
mente. Portanto,
T1(V1 + Vg) : T_1(TU1 + THQ) : T_1(T(u1 + Hz)) =
: (TIT)(111 + 112) = 111 + 112 : T_1V1 + T1V2

e
T_1(aV1) = T_1(aTu1) = T1(T(ozu1)) = (T_lT)(ozu1) = aul : (XTlvl,
O que mostra que T1 uma transformao linear.

Lembrando que, pela Definio 6.6, dois espaos so isomorfos se existir um


isomorfismo entre eles, encerramos esta seo com as seguintes equivalncias.
ETozma 6,4, 'Sjh U Vespaos vetoriais defdi'm'enSo finitaws'obrewmesm
$corpo. As seguintes afirmaes so equivalentes:
?,5,
,% &. Existe uma transformao linear T : U > V invertvel.
w t _ . l m n b u , A' M
E
i

b- U e V so espaos vetoriais isomorfos.

admU) i.?lieVl... um-... . . ....,..,__*...,_a...w.=..2.x;...-.nda..um -


u gl w n a r h m z
<

?.-
(

;.
266 Transformaes Lineares Captulo 6

Demonstrao. (a) =
(b) Se v e V, ento T'lv = u 6 RCF1) C U' Mas
v = TT'lv = Tu E 'R(T), logo V E 'R(T). Portanto, V C R(T)(C V), i.e., T
sobrejetiva.
Se Tu = TW, ento u = T_lTu = T'lTW = W. Portanto, T injetiva.
(b)= (a) Se T for um isomorfismo, para cada v E V, existir um nico
vetor u 6 U, tal que Tu : v. Consideremos a funo S : V > U que leva
cada V E V neste nico vetor u que satisfaz Tu : v. Claramente,

(ST)u : S(Tu) = S(v) = 11

(TS)V = T(Sv) = T(u) = v,


isto , S = T1. E, pela observao que antecede o teorema, S uma trans-
formao linear.
(b) => (0) Se U e V forem isomorfos, existir um isomorfismo T : U > V.
Por T ser um isomorfismo, T ser sobrejetiva, i.e., dim(V) = posto(T). Mas,
pelo Teorema Fundamental da lgebra Linear, posto(T) = dim(U)
(0) => (b) Se U e V forem espaos vetoriais de mesma dimenso finita
n sobre o mesmo corpo de escalares lF, ento, pelo Teorema 6.5 (que ser
demonstrado na prxima seo), U e V so ambos isomorfos a ]F". Assim,
existem isomorfismos R : U > IF" e S : ]F" > V. Claramente, a transformao
linear composta SR um isomorfismo (ver Exerccio 6.2.6). E

EXERCCIOS
6.2.1 D exemplos de transformaes lineares que so injetivas, mas no sobreje
tivas; sobrejetivas, mas no injetivas; e isomorfismos.
6.2.2 Mostre que [1 1]T $ R(TA), sendo TA a transformao linear representada
pela matriz A do Exemplo 6.4.
6.2.3 Encontre a soluo geral do sistema Bu = v, para v e R2, mostrando assim
que a transformao linear TB do Exemplo 6.4 sobrejetiva.
6.2.4 Demonstre, se a afirmao for verdadeira, d um contraexemplo, se falsa.
Seja T : U > V uma transformao linear entre espaos de dimenso finita.
&. Se U = V e 'R(T) N(T), ento T= 0.
56.2 Dois Subespaos Fundamentais 267

9" Se T for injetiva, ento dim(U ) dim(V).


Se dim(U) g dim(V), ento T ser injetiva.
.

Se T for sobrejetiva, ento dim(V) dim(U).


.-

e. Se dim(V) 5 dim(U), ento T ser sobrejetiva.


f. Se U : V, ento N(T) N(T2).

6.2.5 Complete a demonstrao do Teorema 6.3, mostrando que os vetores Tul,


Tug, ..., Tuk, Tui,, ..., Tun geram 'R.(T).

6.2.6 Mostre que a composio de isomorfismos um isomorfismo.


6.2.7 Seja T um operador linear em um espao vetorial V, no qual o operador
identidade I. Mostre que

N(T) g na - T) e R(T) g NU - T).

6.2.8 Seja T um operador linear em R3, tal que

Tv1 =v1, Tv2 =v1 +v2 e TV3 =v1 +V2+V3,


sendo que V1, V2 e V3 formam uma base do R3. Mostre que T invertvel
e calcule T1 .
6.2.9 Seja T um operador linear num espao vetorial de dimenso finita V e seja
W um subespao de V invariante sob T (isto , T (W) (_: W). Mostre que,
se existir o operador inverso T_l, ento T(W) = W = T1(W).
6.2.10 Seja T um operador linear sobre um espao de dimenso finita V. Mostre
que existe um inteiro positivo q, tal que

V = R(T) EBN(Tq) .

6.2.11 Mostre que a transformao linear T, definida pela equao (6.3), no Exer-
ccio 6.1.13, bijetiva. Encontre uma base para o espao V*.
268 Transformaes Lineares Captulo 6

6.3 Representao Matricial de Transforma-


es Lineares
Nas sees anteriores, vimos definies e resultados sobre transformaes
lineares muito semelhantes queles sobre matrizes. Na verdade, so mais do
que simples semelhanas: uma matriz m >< n a representao de uma trans-
formao linear entre espaos de dimenso finita, escolhidas suas respectivas
bases. Provar isso o objetivo desta seo.
Se U um espao vetorial de dimenso finita n, podemos escolher uma base
ordenada B = [ul, . . . ,un] e qualquer vetor u 6 U poder ser escrito como
u=a1u1+"'+anuna
para escalares al, . . . ,an, e essa representao nica, como vimos na Propo
sio 2.3.
Alm disso, se
u=a1u1+---+anun e v=61u1+---+Bnun,
com u 7 v, no podemos ter al = 51 e az = 62 e . . . e a,, = BT,, caso contrrio,
chegaramos a contradio
Oauv=(alBl)u1+...(anBn)un=0u1+---+Oun=0.
Podemos afirmar, portanto, que, uma vez escolhida uma base ordenada B
de um espao ndimensional U, qualquer vetor de U pode ser representado
pela nupla (041, . . . ,a) por meio de uma correspondncia injetiva.
E mais, como U um espao vetorial, todas as nuplas formadas por esca-
lares do corpo IF (ou seja, o F") correspondem representao de um vetor de
U na base ordenada B. A correspondncia , ento, sobrejetiva em F".

,,,_ _
Falta pouco para demonstrarmos o teorema abaixo.
,., _, , vmwar wrwgq; _ _ . ,,-,,, ,. _
5:39:51,va '.4iqu=;_an'$'l'', r v mu ', _,
W
eorema 63. Todo espao vetoriaTe dimensao mta n, sbre o corpo l'
. ,, , , -." , ,..
, ; 1
'
, .. ,
_
Somorfo a IF", isto , ao espao formado pelas nuplas de escalares do corp

Demonstrao. Tomemos uma base ordenada de U, 8 = [ul, . . . ,un]. Defi


nimos uma relao T : U > IF" da seguinte maneira: se 11 e U, u pode ser
escrito de forma unvoca como

u=a1u1+"'+anuna
56.3 Representao Matricial de Transformaes Lineares 269

e fazemos Tu : [i . . . CMT. Claramente, T uma transformao linear


e, pelas observaao acima, T injetiva e sobrejetiva, i.e., um isomorfismo. [|
Uma observao importante: apesar de espaos vetoriais isomorfos no se
rem idnticos, podemos conhecer propriedades de um deles estudando o outro.
A nfase que demos aos vetores do IR" nos captulos anteriores est assim jus-
tificada, devendo ficar claro, porm, que o estudo dos vetores abstratos tem a
vantagem de prescindir da escolha de bases.
Consideremos, agora, dois espaos vetoriais de dimenso finita U e V, com
as respectivas bases ordenadas BU = [ul, . . . , u,,] e BV = (Vl, . . . ,vm), e uma
transformao linear T : U > V, que leva um vetor u 6 U em um vetor
Tu = v 6 V. O vetor u pode ser representado univocamente por

u=a1u1+---+anun.

O vetor Tu, por estar em V, pode ser escrito, tambm univocamente, como

Tu=Blv1+-'-+Bmvm.

Aplicando-se a transformao linear T a cada um dos vetores da base BU,


obtemos vetores de V, que podem ser escritos como combinaes lineares dos
vetores da base BV, tambm de maneira unvoca:

Tul = a11V1 + az1V2 + ' ' ' + amivm,


Tu2 = 012V1 + a22V2 + ' ' ' + am2vm ,

Tun : alnvl + a2nv2 + ' ' ' + amnvm -


Da,

Tu = T(a1u1 + - - - + anun)
= alTul + - - - + anTun
- ---
a1(a11V1 + ' ' ' + amlvm) + ' + an(a1nvi + + am,,vm)

: (al/11 + ' ' ' + analn)vl + ' ' ' +(a1am1 + ' ' ' + anamn)Vm .

Mas, como Tu = v = Blvl + - - - + Bme e VI, . . . ,vm so vetores linear-


270 Dansformaes Lineares Captulo 6

mente independentes, temos, obrigatoriamente

51 = a1a11+ &26112 + ' ' '


+ analnv
52 = a1a21 + a2a22 + ' ' '
+ nazn,

Bm = alaml + azamz + '


- - + anamn-
As igualdades acima envolvem somente escalares, que podem ser postos na
forma de matriz e vetores (do F e do F) assim:

51 an 6112 --- aln 041


52 a21 (122 --. 0211 062

Bm aml am2 - - - amn an


Como a representao de todos os vetores unvoca, a matriz (chamemola
de A) acima nica, isto , conhecendose duas bases ordenadas de U e V
e como a transformao linear T : U > V atua em cada um dos vetores da
base ordenada de U, podemos saber como T atua em qualquer vetor u 6 U
usandose a matriz A. Isso est formalizado no teorema a seguir.

FTeoremaejarn" UeV espaos vet'or'aS''de dlmensofinita,co


;;;; ar: ,
*"

im(U ) = n e dim(V) = m, ambos sobre o corpo IF , e com respectivas bax


gses ordenadas BU e BV. Para cada transformao linear T : U > V, existe"?
g
uma matriz A m >< n sobre o corpo IF, tal que

[TUJBV = Afu13U=
WF
g'sendo que os subscritos dos colchetes informam em que base o vetor esta ret
_),

oresentado. Mais ainda, o espao vetorial das transformaes (U ; V) sobra.;


corpo IF, com as bases ordenadas acima, isomorfo ao espao das matrizes
k a_n at.li.uuN.Z' A
'

- '
"" -* "a &

Demonstrao. No exposto acima, construmos a matriz desejada e, pelo fato


das representaes dos vetores serem unvocas, a funo dada pela matriz
bijetiva. Falta somente mostrar que essa funo linear, para termos um
isomorfismo.
56,3 Representao Matricial de Transformaes Lineares

Para transformaes lineares T,S E (U ; V), com [Tulev : Mi; e


[Suhgv = E [11]Em e qualquer escalar a E lF, temos:
[(T + S)u+l3v : [Tu + 511ti : [Tuti + [811ti =
: A[u]BU + B[u]5U = (A + B)[u]BU ,

pelo que j foi provado e pela linearidade das transformaes lineares e das
matrizes. De maneira anloga,

[(aT)u]Bv = [a(TunBV = anna, anna,,


: : (aroma,, . E]

Uma segunda observao importante: por causa do isomorfismo entre o


espao das transformaes lineares (entre espaos de dimenso finita) e as
matrizes, pudemos desenvolver, nos captulos precedentes, toda a teoria da
lgebra Linear deste livro usando somente matrizes e vetores (do IR" ou do
(C"). No entanto, o leitor no deve menosprezar o poder da generalizao
obtida com as transformaes lineares e esperamos que este captulo d os
subsdios necessrios a futuros estudos de lgebra Linear.
Dito isso, podemos, agora, responder pergunta posta na Seo 6.1 sobre
a dimenso de [,(U; V). Se dim(U) = n e dim(V) = m, ambas finitas, ento
(U ; V) possuir a mesma dimenso do espao das matrizes m >< n, isto , mn,
j que esses espaos so isomorfos (ver Exerccio 6.3.8).
Exemplo 6.5. Considerando

vetores de uma base do R2,


2 O
v1= 6 e v2= 2
1 1
vetores de uma base do R3 e a transformao linear T : R2 > R3, tal que
Tu1 = v1 e Tu2 = vz, podemos escrever:
|| II
A 111 112 = V1 V2
272 Transformaes Lineares Captulo 6

A matriz que representa T em relao a essas bases , ento, dada por:

A=
1 1
2 4 =
2 0
6 2 [ 1
1
1 1
] 1
.
1 O 1 1
O que devemos fazer quando a matriz [ul u2] no for quadrada, no
possuindo, portanto, inversa? Ver Exerccio 6.3.3 . D

Findamos a seo com um resultado bastante interessante e que nos ser


til em breve.

T : +? > V,rim spao Wng
__,,,.
Fzf'f
-'OpOSla) 6.2. Sej
Pr , f' * ,

operadOrTine r,. ;;]:ffhm


s'bf'a
'W. ua.;
? gsm , %*??ng

EV de dimenso finita n. Ento, existem escalares A e n e um vetor no nula


tVitisqueen,.(TtQvufQz u, (17? "AT' uf)v=0

Demonstrao. No caso de T ser o operador nulo, a demonstrao trivial,


pois A = O e (T AI)v = 0, para qualquer V E V. Suponhamos, ento, que T
no seja o operador nulo.
Como a composio de operadores lineares um operador linear, se T E
(V), ento ], T, T2, . . . , T"2 estaro todos em (V). E mais, so linearmente
dependentes, j que dim((V)) = n. Assim, existem escalares BO, ..., 67,2,
no todos nulos (isto , alguns podem ser nulos, mas no todos), tais que
601 + BiT + BzT + - - + anT"? = 0 . (6.5)
Na equao acima, existe um coeficiente B;, no nulo correspondente maior
potncia (ou seja, os coeficientes correspondentes s potncias maiores que 19
so nulos). Ento, podemos formar o polinmio de grau k:
P(?) = Bkw' + [fk-153 + + 61:13 + 60 . -
Melhor ainda, como Bk # O, podemos dividir todos os coeficientes por B;, e
formar o polinmio mnico1 no constante
p(a:) = wk + ak_1xk_1 + - - + ala: + ao . (6.6)
Neste ponto conveniente dividir a demonstrao em duas partes: na pri
meira consideramos que o espao vetorial V definido sobre o corpo dos n
meros complexos; na segunda, sobre os reais.
1Polinmio mnico aquele cujo coeficiente correspondente ao termo com maior expoente
unitrio.
56.3 Representao Matricial de Transformaes Lineares 273

Corpo (C. O Teorema Fundamental da lgebra garante que o polinmio em


(6.6) pode ser decomposto como o produto de polinmios mnicos de grau 1:

ptr) = (CEal)(xa2)...(a:ak), (6.7)


sendo al, . . . , ak as razes complexas de (6.6).
Usando a decomposio acima na equao (6.5), obtemos
p(T) = (Ta11)(Ta21)...(Takl) = O,
o 0 representando o operador nulo, e, portanto, pelo menos um dos fatores no
pode ser um operador invertvel. Ento, existe um vetor no nulo v 6 V, tal
que
(T Al)v = O, (6.8)
para algum A e (C.
Corpo R. Se os coeficientes do polinmio em (6.6) so todos reais, o Teorema
Fundamental da lgebra assegura tambm a existncia de k razes (contadas
as multiplicidades) e que as complexas vm em pares conjugados. Assim,
a decomposio em (6.7) ainda vale e podemos agrupar os pares complexos
conjugados assim:

(717 + Z'Zj))( _ (r, _ Wi)) = 902 (2rj)sc + (rf. + z?) .


"

(?
Adaptando a decomposio em (6.7), podemos escrever p(T) como o produto
de operadores da forma (T AI ), ou da forma (T2 AT ,aI) Como p(T) : 0,
um desses fatores deve ser singular e, ento, existe um vetor no nulo v e V,
tal que
(TAl)v=0 ou (T2-ATlal)v=0,
para A e ,a reais. E est provada a proposio.

EXERCCIOS

6.3.1 Seja T um operador linear no R3, tal que


0 3 1 1
Tu1=T ]. = 2 , TU2=T 0 = 1 e
1 1 1 1
274 Transformaes Lineares Captulo 6

1 1
TU3=T ]. = 0
0 1
Encontre a matriz A que representa T na base [ul, 112, 113)-
6.3.2 Seja T : R2 + R3 uma transformao linear, tal que

Tu1=T[1]= 1 1
2 e Tu2=T[2]= 1 1
1
3 0

Encontre a matriz A que representa T na base [ul,uz].


6.3.3 Seja T : R3 > R2 uma transformao linear, tal que

TU1=T 1
1 =[ ] 1
2
e TU2=T 1
].
=[ ].
1
1
1 0

Encontre todas as matrizes A que representam T numa base que contm ul


e U2.
6.3.4 Considere o operador linear T : R2 > R2 definido por

T 561 = + 5132
5131
932 2:1:1 + 41132 .

&. Encontre a matriz A que representa T na base cannica do R2.


b. Encontre os autovalores A1 e A2 de A e seus respectivos autovetores
associados v1 e vz.
c. Encontre a matriz A que representa T na base [v1,v2], formada pelos
autovalores encontrados acima.

6.3.5 Seja D o operador derivada sobre o espao dos polinmios reais de grau
menor ou igual a n, P,,(az), definido por

Dp(a:) = D(ao + alan + azw + - ' - + anw")


= a1 + 2a2w + 3a3a'2 + - - + narni1

&. Mostre que D um operador linear.


56.3 Representao Matricial de Transformaes Lineares 275

b. Encontre as matrizes que representam D nas seguintes bases:


mn
C= (1,a:,a:2,...,cc"] e B=f1,$,%,- n,!
2
'

6.3.6 Sejam T um operador linear e A sua representao matricial. Mostre que


T um operador ortogonal (ver Exerccio 6.1.11) se, e somente se, A uma
matriz ortogonal.

6.3.7 Seja B uma matriz 77. x n. Considere o operador linear T sobre o espao das
matrizes n >< n definido por

TBA=ABBA.
Mostre que, se M uma representao matricial de TB, ento det(M) = 0.
6.3.8 Mostre que, se dois espaos vetoriais de dimenso finita U e V so isomorfos,
ento dim(U) = dim(V). A recproca verdadeira.
276 Transformaes Lineares Captulo 6

6.4 Operadores Autoadjuntos


Agora que sabemos que toda transformao linear possui uma representa
o matricial, uma vez escolhidas as bases dos espaos vetoriais envolvidos,
queremos estender os resultados dos Captulos 3 e 5 para operadores lineares.
Para isso, precisamos definir um anlogo da transposio de matrizes.
wiefinio 68. "Seja T >V uma tranSfOrmao linear entre. espaos veto
griais (om seus respectivos produtos internos. A transformao linear adjunta;
%T:* V > L tal que
> (Tu, v) = (u, T*V),
Quaisquerque sejamu 6 U e v E _V... ...-.

:'.AHEF>Wm _
'
r.
.o... , ai,.w. u...... _...w _. * wu A... WH._L,$M-..w-i..?:4.i_.m1sv__,_L..a_ f.,..._.,...,.,..,_,.,,.,,.a .., <>,f ,. . w;, sa.... , .

Vale observar que o primeiro produto interno o definido em V e o se-


gundo, em U. A existncia da transformao linear adjunta T* garantida
pelo resultado obtido no Exerccio 61.13 (e seu anlogo para o corpo dos n
meros complexos), bastando considerar, naquele exerccio, o funcional linear
T*v = gov, com <pv(u) = (Tu,v), para uma transformao linear fixa T e
qualquer u 6 U.
Com isso, a segunda parte do Teorema Fundamental da lgebra Linear
para transformaes lineares pode ser facilmente provada.

Teorema6,7(Teorema Fundamental da Algebra L1near)SejamTU>l


Luma transformao linear entre espaos vetoriais, com seus respectivos produ+
gtos internos, e T*: V > U sua adjunta. Ento,
%.
. &

Demonstrao.
_ _ (T=NT>
(iz (MTM: N<T>
Provemos inicialmente que (R(T*))+ C N (T)
._ , ,. ,
m . , at
Tomemos u 6 (R(T*))+. Como T*Tu & R(T*), ento
||Tu||2= (Tu, Tu)= (u,T*Tu) = 0.
Mas, ||Tu|| = O significa que Tu = O, ou seja, u 6 N(T).
Agora, provemos a incluso oposta N (T) C (R(T*))+. Se u 6 N (T), ento
Tu = 0. Para cada v E R(T*), existe W 6 V tal que T*w = v, logo

(u,v) = (u,T*W) = (Tu,w) = (0,w) = O,


56.4 Operadores Autoadjuntos 277

e, portanto, N(T) C (R(T*))+. E conclumos que N(T) = (R(T*))+


Para a segunda parte do teorema, basta ver que a adjunta de T* T. E
Nosso interesse recai, agora, sobre os operadores lineares T : V > V, pois
buscaremos os subespaos de V invariantes sob T. Analogamente Definio
5.2, um subespao W de um espao vetorial V invariante sob o operador
linear T : V > V se T(W) W. Ou seja, queremos saber quais so os
subespaos de V que no so alterados pelo operador linear T. Com esse
propsito, definimos:

ho 6.9; Seja'r V sv 'um Operador linear. Chama auioiiaii


% o escalar A, tal que
Tx = Ax,
ipara
o,.antovalor s...-,.-.,... .._. .
_
algum x E V, com x # O. Por sua vez, o vetor x o autovetor associad
.
,,4.,.


_. _,
.

Exemplo 6.6. O operador linear T : R2 > R2 que realiza a transformao


linear

possui autovalores A1 = 1 e A2 = 2, com respectivos autovetores associados


xl = [1 O]T e xz = [1 1]T.
Mas, se considerarmos o operador linear T : R2 > R2 (representado pela
matriz R do Exemplo 5.6) que gira vetores do plano real em 90 no sentido
anti-horrio, perceberemos que no existe v 6 R2 no nulo (nem escalar A)
que satisfaa Tv = Av.
No entanto, qualquer v e R2 obedece a Tv = 1v, pois, girando um vetor
em 180, obtemos seus oposto (o vetor v chamado de autovetor generalizado
de T, mas esse tpico foge do escopo deste livro). |]

Assim como aprendemos no caso das matrizes, autovetores linearmente


independentes formam bases para os subespaos invariantes. Ento, se h.
somente um autovetor linearmente independente x associado ao autovalor A,
o subespao span[xj invariante sob T. No caso de haver dois autovetores
X1 e xz linearmente independentes associados a A, o subespao invariante ser
Spanfxl, x], e assim por diante.
Nossa experincia, adquirida nos captulos anteriores, torna a prxima pr0_
posio de fcil compreenso.
278 Transformaes Lineares Captulo 6

:
groposio 6.3; Se T V ++" V for um Operador linear, sendo V d (lunensa
finita. ento )( ser um autovalor de T se. e somente HC. 0 (,)pvrmlol' hil?
_
? - Al for singular. _ _ _ _ _ _ _ _ _ _ ._
...

Demonstrao: Se x for um autovetor associado a A, ento Tx = )(x, i.e.,


(T AI)x = 0. Mas para que x # 0, como exige a Definio 6.9, o operador
(T Al ) no poder ser injetivo, no podendo ser, a fortiori, invertvel.
Reciprocamente, se (T AI ) no for invertvel, ento, pelo Teorema 6.4,
existir x # O no N(T), tal que (T Al)x = O, e, portanto, Tx = Ax. El
Sabemos da importncia da diagonalizao de matrizes, mas existiria um
conceito de diagonalizao similar para operadores lineares? A resposta
sim, porm temos de encontrar uma definio que no faa uso da diagonal
da matriz que representa o operador. Lembremos que uma matriz A n >< n
diagonalizavel quando possvel encontrar uma matriz diagonal A e uma
matriz invertvel S, tais que

A = SAS1

E mais, as colunas de S so os autovetores (linearmente independentes) de


A. Ora, A leva vetores do R em vetores do prprio R", ento encontrar um
conjunto completo de autovetores (linearmente independentes) significa achar
uma base do R" formada pelos 77. autovetores (linearmente independentes) de
A. Se a matriz no for diagonalizvel, seus autovetores no formaro uma base
do R".
Isso nos leva seguinte definio.

um
efimao6. .SejamTV+V operadorlineareV um
espaovetoria
de dimenso finita. Dizse que T diagonalizvel se existir uma base de Vf
rmdpelSdutvetresdeT _,
s
.

De maneira semelhante aquela quando tratamos com matrizes, temos o


seguinte resultado:

Tropomao 6.4. Se os autovetoresxl, x, x;, de um operador lineai


T V +) V estiverem asso(iados a autovalores distintos M, M, . . . , A;, (eaw(%
lvairienteentaoesses autovetores serao linearmente independente.. ,,.
hi,.f

...,
56,4 Operadores Autoadjuntos 279

A demonstrao tambm feita por induo matemtica, como na Propo


31ao 5.1, e e deixada como exerccio. Pela Definio 6.10, o corolrio abaixo
segue trivialmente.
ororro 6.1. se todos osautovaloresdeumoperadorlmearforem arames.
'
teleser,,siiaspnahzvel. . &..z.......... :; (>.. na, ,
.. .,... . ..__ mi- ( -:.. . ..,, , -. ...,..m, Lt.. . . ;; -.e, T..'1t.k.._ &: aitils'l;i...=:se=si.? VPN-wi?

No estudo sobre matrizes diagonalizveis, as matrizes ortogonais e unit


rias foram de grande utilidade. No ser surpresa se operadores ortogonais e
unitrios nos ajudarem com a diagonalizaes de operadores lineares.
Ressaltamos que, a partir de agora, o espao vetorial sobre o qual o operador
linear atua deve possuir um produto interno, pois utilizaremos o conceito de
operador adjunto.
_,..,. "-*'t' .W,,r,,_.;,.-_.

_.iiliiti'61Seja" 'um'espao vetorial?cgiriipfdtifitefn.



pe'ifg
_ near invertvel U : V > V chamado de operador unitrio se

U-1 = U* .
V eum apag yetrialsqbre 9. crpo, ds, reais. U ditosrerador .rfssgne
E fcil ver que o operador unitrio preserva normas e produtos internos.
De fato, para quaisquer v, W 6 V,
(UV, UW) = (v, U*UW) = (V, U_1UW) = (v,w).
Isso estende, imediatamente, as Proposies 5.6, 5.7 e 5.8 sobre matrizes uni-
trias. Ou seja, os autovalores de um operador unitrio tm valor absoluto
unitrio, e autovetores associados a autovalores distintos de um operador uni
trio so ortogonais. As demonstraes so deixadas para o leitor.
Uma observao: se retornar ao Captulo 5, o leitor perceber que, em
diversas demonstraes, utilizouse o produto interno euclidiano em passagens
como estas da Proposio 5.4:
= <Ax,y> = (Ax>*y = x*A*y Ay) : ...
= = (x,
-.-
x*Ay
Diversos resultados sobre transformaes lineares anlogos queles sobre ma
trizes no tero suas demonstraes alteradas em demasia, pois poderemos
escrever:
: (Tx,y) = (x,T*y) = (x,Ty) =
280 Transformaes Lineares Captulo 6

_
Esta seo no poderia terminar sem um resultado do porte do Teorema
Espectral (Teorema 5.3), ento necessrio definir um operador que seja seu
prprio adjunto, semelhana das matrizes hermitianas (ou simtrlcas reais).

iefiniao612SendcowVum espaovetorialdedimensao finita dotado.


.rodutointerno umoperador linear TV _+V edito autoadjuntose T_*___-=--T
Um resultado importante sobre operadores autoadjuntos que seus au
tovalores, se existirem, sero nmeros reais. De fato, se T um operador
autoadjunto e Tv = Av, para algum vetor no nulo v e um escalar A, ento

XllVl|2= _<VV=,> (v,V>=<TV3V)=<V,T*V>=


=(V TV)= <v,V>=<V,V)=l|V|I,
isto , )( 6 R.
Precisamos ainda da seguinte proposio.
'()rwaemy
7roposrao5SjWTV >V um operador hnearcom V dotado
rproduto interno. Se W for um subespao vetorial de V invariante sob T, ent;
il:raQLza L .(, 5

Demonstrao. Consideremos W 6 W e u 6 W+. Queremos provar que


T*u W+. De fato, como W invariante sob T, TW 6 W e, ento,

(W,T*u) = (TW, u) = 0,

pois TW 6 W e u & W+, e, portanto, T*u W-L. []

Voltando Seo 6.3, a Proposio 6.2 nos diz que, para qualquer operador
T : V > V, podese sempre encontrar escalares )( e ,a e um vetor no nulo
v 6 V, tais que ou (T A])v = O ou (T2 AT ,aI)v = O. O primeiro caso
significa apenas que o subespao span(v] invariante sob T. E, no segundo
caso, span[v, Tv] invariante sob T.
No caso de um operador autoadjunto T : V + V num espao complexo de
dimenso finita, a Proposio 6.2 garante um subespao de dimenso 1 invari
ante, ou seja, garante que T possui um autovalor (real, como j mostramos) e
um autovetor associado.
56,4 Operadores Autoadjuntos 281

Se V for um espao real de dimenso finita, podemos retornar a demonstra-


ao da Proposrao 6.2 e notar que, para o caso de razes complexas conjugadas,
o operador

(T (a + ib)l)(T (a - ib)1) : T2 - 2aT + (a + b)1


singular. Assim, existir v 6 V no nulo, tal que

(T (a + ib)l)(T (a - ib)l)v = 0.
Tomando o produto interno dos vetores de ambos os lados da equao acima
com o vetor v, obteremos
0 ((T (a + ib)l)(T (a - tb)!)v, v)
((T (a ib)l)v, (T (a + ib)l)*v)
((T (a ib)l)v, (T* (a ib)I)v)
( (T (a ib)I)v, (T (a ib)l)v)
||(T (a ib)1)V||2,
ento, (T (a ib)I)v = 0, ou seja, Tv = (a ib)v. Mas isto significa que
a ib um autovalor de T, implicando que b = 0, pois os autovalores de um
Operador autoadjunto so reais.
Agora estamos em condies de enunciar e provar O Teorema Espectral
para operadores autoadjuntos.

Eeorema(Teoremaspectralj Seja um espao vetoriareima


? nta com produto interno. Ento, todo operador autoadjunto T : V + V
'

sonahzavel e seus utovetreara um 10 W'


Demonstrao. Considerando dim(V) = n > 0, procederemos por induo
sobre a dimenso n.
Se n = 1, pela Proposio 6.2 e pela observao acima, existe v autovetor
de T associado ao autovalor A. Basta fazer x = TL,H e obtemos uma base
ortonormal de V.
Supomos, como hiptese de induo, que o teorema vlido para espaos
vetoriais (com produto interno) de dimenso n 1.
J mostramos que os autovalores de T so reais. Pela Proposio 6.2 e pela
observao acima, garantimos a existncia de um autovetor xl (normalizado)
282 Transformaes Lineares Captulo 6

associado ao autovalor real A. Tomemos W um subespao vetorial de V, com


dimenso 1, gerado pelo vetor unitrio xl. Claramente, W invariante sob T.
Pela Proposio 6.5, Wl invariante sob T* e tambm sob T, pois T* = T.
Considerando S : Wl > Wl o operador linear que a restrio de T a Wi,
a hiptese de induo assegura que S diagonalizvel e que os autovetores de
S formam uma base ortonormal de W'L.
Mas, se x2, . . . , xn so autovetores ortonormais de S, tambm so autoveto-
res ortonormais de T. E como Xl ortogonal a Wi, o conjunto (x1, x2, . . . ,xn)
uma base ortonormal de V, formada pelos autovetores de T. [1

Reiteramos nossa esperana de que esse estudo inicial sobre transformaes


lineares sirva de estmulo ao estudante para aprofundar seus conhecimentos de
lgebra Linear em nveis mais abstratos e mais poderosos.
Apresentaremos, na prxima seo, as transformaes lineares geomtricas
como aplicaes deste captulo rea de Computao Grfica.
Nos exerccios abaixo, considere V um espao vetorial com produto interno
e norma proveniente deste produto interno.

EXERCCIOS

6.4.1 Mostre a segunda parte do Teorema 6.7: ('R(T))l = N(T*)

6.4.2 Demonstre a Proposio 6.4.

6.4.3 Demonstre o anlogo da Proposio 5.6, utilizando a Deiinio 6.11: Seja


T: V > V um operador linear unitrio. Ento T preserva norma e produto
interno, isto , para quaisquer u, v e V,

(Tu,TV)=<u,V> e IITUI|=||u||

6.4.4 Demonstre o anlogo da Proposio 5.7, utilizando a Definio 6.11: Todo


autovalor A de um operador linear unitrio tem valor absoluto unitrio, isto
e, IAI = 1.
6.4.5 Demonstre o anlogo da Proposio 5.8, utilizando 3. Definio 6.11: Au-
tovetores associados a autovalores distintos de um operador linear unitarl
so ortogonais.
56.4 Operadores Autoadjuntos 283

6.4.6 Seja T um operador linear sobre um espao vetorial V dotado de produt


interno. Se
(Tu,v) = (u,Tv) , Vu,v & V,
e A for um autovalor de T, ento A ser um nmero imaginario puro ou
zero.
6.4.7 Considerando o operador derivada D do Exerccio 6.3.5, encontre os auto-
valores de D e os de D + I. O operador D diagonalizvel? Por que?
284 Transformaes Lineares Captulo 6

6.5 Aplicao: Transformaes Lineares


Geomtricas
Terminado o estudo da Seo 6.3, sabemos que as transformaes lineares
entre espaos vetoriais de dimenso finita possuem sempre uma representao
matricial e podemos finalizar este captulo, como de praxe, com uma aplicao
prtica, o que forosamente nos leva de volta s matrizes.
E por que no fechar o captulo mais abstrato do livro com uma apli-
cao geomtrica, visvel, digamos, a olho nu? As transformaes lineares
geomtricas so fundamentais na Computao Grfica e veremos como uma
transformao afim a translao, que no linear pode ser obtida por
uma multiplicao matricial.
Iniciaremos com transformaes geomtricas no R2, por serem mais fceis
de assimilar, mas que sero prontamente estendidas para o R3. E alm.

Rotao

x' = (r cos(b + 0), r sen(q + B))

x = (r cos (o, rsen o)

95 7 a:

Figura 6.2: Rotao de um vetor x em 0 radianos.

A rotao, mostrada na Figura 6.2, do vetor x e R2 de 0 radianos no


sentido anti-horrio, para obter o vetor x' , pode ser formalizada escrevendose
ambos os vetores em coordenadas polares,

,_
_ x __ rcoscp
X[mJ[rsencp] e X[x]_[rsen(b+9)]
m' _ rcos(q+0)
565 Aplicao: Transformaes Lineares Geomtricas 285

e usandose as formulas de seno e cosseno da soma e da diferena de ngulos:


[cos sen6] cos' sen0][TCOSJ
sen 0 cos 0 sen 9 cos 6 r sen <P
rcosbcos rsenbsent9
rcosbsen0+rsenqbcos0
rcos(d)+) _ ,
rsen(+9) _X'

Assim procedendo, descobrimos que o operador linear de rotao no R2


representado pela matriz
[cos sen9]
RW) : sen cos 6

que realiza uma rotao de um ngulo 9 no sentido antihorrio do plano, assim


R(9)x = x' . A Figura 6.3 mostra um exemplo de rotao no plano.

(a) (b)

Figura 6.3: Imagem original e rotacionada de 30.

No espao tridimensional, uma rotao em torno de qualquer reta pode ser


realizada compondo-se rotaes em torno dos eixos coordenados, que, por sua
VeZ, so expressas pelas matrizes
1 () 0 cos O sen9
R$(9)= O cos sen0 , BA): 0 1 O e
0 sen cos Sen9 0 cose
286 Transformaes Lineares Captulo 6

cos 0 sen 0 O
Rz(9) = sen (9 cos 0 0 ,
O O 1
sendo RAG), Ry(6) e Rz(9) rotaes em torno dos eixos x, g e z, respecti-
vamente. Ateno: na expresso para li,/(0), OS sinais dos senos no esto
trocados! O leitor pode confirmar isso fazendo os clculos.
Para descobrir o sentido positivo de rotao em torno de cada um dos eixos,
usamos a regra da mo direita, como mostrado na Figura 6.4. Assim, o sentido
positivo de rotao em torno do eixo z de x para y; em torno do eixo 3; de
2 para a:; e em torno do eixo a: de y para z.

/y
LE

Figura 6.4: Regra da mo direita.

Reflexo
A Figura 6.5 mostra um exemplo de reflexo no plano em relao ao eixo
das abscissas.

(a) (b)

Figura 6.5: Imagem original e refletiva em relao ao eixo :B.


56.5 Aplicao: Transformaes Lineares Geomtricas 287

Para realizar a reflexo de um ponto x = [5131 yllT d plano em relao


eixo a;, basta trocar o sinal da ordenada de x para obter X' = [131 yllT- A

matriz que representa essa transformao linear

F(0)=[(1)_(1)]
No caso mais geral da reflexo no plano em relao a uma reta que passa
pela origem e forma um ngulo 0 com o eixo das abscissas, podemos obter a
matriz Fg, que representa essa transformao linear, compondo uma rotao de
9 radianos com a reflexo FO seguida de outra rotao, agora, de 0 radianos.
Assim,

F(0)=R(0)F(0)R(0) : [ cosa sen0] [1


sen' cos O 1
OH sen]
cose
sen9 cosc9
:

cos2 0 sen2 9 2 cos 8 sen 6?__ cos 20 sen 20 (6.9)


2 cos 9 sen 0 sen2 0 cos2 9 _ sen 20 cos 20 '

Ou, se considerarmos n = [nl ng]T um dos vetores unitrios ortogonais


reta em relao a qual ser feita a reflexo, teremos (ver Exerccio 6.5.2):
__ [
1 2n 2n1n2
F(n) - 2n1n2 1 _ 2n . (6.10)

A matriz acima pode ser generalizada para uma reflexo (no espao) em
relao a um plano P que passa pela origem, com vetor normal unitrio n =
ln1 "2 n3]T:
1 - 2n
2n1n2 2n1n3
F(n) : 2n1n2 1 2n 2n2n3 . (6.11)
2n1n3 -2n2n3 1 2n
Uma maneira de encontrar a matriz F (ti) em (6.11) realizar duas rotaes
Pra que o vetor normal 11 coincida com o eixo z (fazendo plano P coincidir
com o plano xy), uma reflexo em relao ao plano mg e as inversas das rotaes
anteriores:

F(n)=Rm(8)Ry($)F(lO 0 llT)Ry(45)Rx(0), (6.12)


288 Transformaes Lineares Captulo 6

sendo

cos9=d, sen6=d%, cos<b=d senq=n1 e d=(/n%+n.

Um desenvolvimento detalhado dessa composio de transformaes lineares


pode ser encontrado no livro de Angel e Shreiner [I, pp. 169172] (ver Exerccio
6.5.3).
As rotaes e reflexes definidas acima so operadores ortogonais, o que im
plica que as matrizes que os representam so matrizes ortogonais (ver Exerccio
6.5.4). Como vimos na Proposio 5.6 e na Seo 6.4, operadores ortogonais
(e as matrizes que os representam) preservam normas e produtos internos,
portanto os vetores transformados mantm suas normas e os ngulos que for
mavam entre si antes da transformao.

Escalamento
Um problema prtico de Computao Grfica seria fazer uma animao
realstica de uma bola, de material elstico, que quica contra o cho. Utili
zando simetria, basta pensar em duas dimenses e o problema se resume em
transformar uma circunferncia em elipses cada vez mais excntricas e retornar
a forma circular, preservando a rea.
A Figura 6.6 mostra um exemplo de escalamento no plano no qual as abs-
cissas foram multiplicadas por 3 e as ordenadas por 1,5.

() (b)

Figura 6.6: Imagem original e aps escalamento, com 51 = 3 e 52 = 1,5.

O operador linear responsavel pela mudana de escala de vetores repre


56.5 Aplicao: Transformaes Lineares Geomtricas 289

sentado pela matriz de escalamento:


81 0 O
S(S) : O 82 O ,
O O 53

que multiplica a coordenada a: do vetor por 31, a coordenada y por 52 e a


coordenada z por 83.

Projeo
Aprendemos a projetar vetores ortogonalmente na Seo 3.3. Agora, nosso
interesse recai sobre matrizes 3 >< 3 que projetam um vetor V E R3 numa direo
5 sobre uma reta ou sobre um plano passando pela origem, definidos por uma
base ortonormal. A direo s de projeo nem sempre ortogonal reta ou
ao plano de projeo.
Iniciemos com projeo sobre uma reta cuja direo dada pelo vetor
unitrio a.

Figura 6.7: Projeo sobre uma reta.

Pela Figura 6.7, podemos inferir que

V=Pv+(vPv), Pv=aa e VPV=/BS,

para escalares a e B a serem determinados.


Manipulando produtos internos euclidianos, como na Seo 3.3, podese
encontrar o projetor:

P = (1 (aTs)2) aaT(I SST),


290 Transformaes Lineares Captulo 6

sendo a e s vetores unitrios.


No caso da projeo ser ortogonal, isto , 8 _L a, temos Simplesmente
P=aaT.
No caso de uma projeo numa direo 5, com ||s|| = 1, sobre um plano
definido por uma base ortonormal [al, az), esquematizado na F1gura 6.8, po-
demos repetir o raciocnio anterior e obter, depois de longas manipulaoes, o
projetor

P= [1 (afrs)2 (aZTstl (ala? [(1 (affs))l + ssT (agag I)] +


+ agaf [(1 (asz)2)I + ssT(a1aff I) .

spanlai, azi
'

Figura 6.8: Projeo sobre um plano.

H uma maneira mais elegante de escrever o projetor acima (vide Exerccio


6.5.12): se A for uma matriz 3 >< 2 cujas colunas so os vetores de uma base
do plano de projeo, e B for uma matriz 3 >< 2 cujas colunas so uma base de
(span[s))l, ento
P = A(BTArlBT .
O projetor que realiza a projeo ortogonal sobre um plano com base
(al, ag] dado por
P _' A(ATA)1AT,
56.5 Aplicao; Transformaes Lineares Geomtricas 291

5651qu matriz cujas colunas so al e az. No caso da base ser ortonormal,


0 pr0jetor ortogonal resumese trivialmente a

P=AAT.

Cisalhamento
Em um Cisalhamento em relao a um dos eixos coordenados, os pontos
de um objeto sao transladados paralelamente a este eixo de uma quantidade
proporcronal a sua distncia a este eixo. Esse efeito pode ser visto na Figura
6.9.

(a) (b)

Figura 6.9: Imagem original e com cisalhamento na direo cc.

No plano, a matriz de cisalhamento

mas: f] ou Cy(a)=[(1)]
J no espao tridimensional, as matrizes de cisalhamento tornam as formas
1 a B 1 0 0
Cw(0l,6)= O ]- 0 , Cy(av)= O! 1 B e
0 O 1 0 O 1
1 0 O
Cz(a,B)= O 1 0
04 B 1

Uma das propriedades mais interessantes do cisalhamento que ele no


altera o volume (no espao) ou rea (no plano) do objeto cisalhado.
292 Transformaes Lineares Captulo 6

Coordenadas homogneas e translao


Todos os operadores estudados at agora nesta seo so lineares, isto ,
T(au + BV) = aTu + BTV, para quaisquer vetores do R3 . Com eles podemos
simular vrios movimentos dos objetos virtuais nas aplicaes da Computao
Grfica. Um movimento importantssimo, no entanto, no um operador
linear do R3: a translao.
As coordenadas homogneas, da Geometria Projetiva, vm nos auxiliar para
resolver esse impasse. No cabe aqui uma exposio detalhada dos princpios
da Geometria Projetiva, e restringir-nosemos a relacionar a translao de um
vetor do R3 com um operador linear que atua no R4.
0 truque, digamos, criar a relao biunvoca entre os pontos [513 y z 1]T
do espao projetivo e os pontos [33 y le do R3.
Com isso a translao toma a forma simples
100131
_010152
TV)corr,,
0001

sendo t = [tl tg 23ng o vetor de translao, isto , o ponto do R3 para o qual


a origem do antigo sistema ser transladada, ou ainda, o ponto para o qual
queremos transladar o centroide do objeto.
A matriz de rotao Rw(9) pode ser adaptada para trabalhar com pontos
da forma [33 y z 1]T E R4 da seguinte maneira:

1 0 O O
0 cos 9 sen 9 0
Rs.-(0) = O sen 9 cos 9 O
O O 0 1
De forma anloga, podemos adaptar todos os operadores estudados nesta se-
o.

2Na verdade, a relao um pouco mais complexa e muito mais poderosa: os pontos do
esp projetivo [93 y :: w]T so levados nos pontos do R3 [a:/w y/ w z/w]T.
56.5 Aplicao: Transformaes Lineares Geomtricas 293

EXERCCIOS
6.5.1
Desenvolva os CICUIS Pra encontrar R(9) e F(9), respectivamente, a ro-
taao e a reflexo no plano,
6.5.2 Considerando n = [nl n2]T : [ sen9 cos 9]T um dos vetores normais
unitrios ortogonais reta que passa pela origem do plano e forma um
ngulo 9 com o eixo das abscissas, encontre a matriz de reflexo F (n), dada
n
em (6.10), a partir da matriz F(9), dada em (6.9). Note que n? + = 1-

6.5.3 Desenvolva os clculos necessrios para encontrar a matriz de reflexo no


espao F (n) dada em (6.11) utilizando a composio de transformaes
lineares na equao (6.12).

6.5.4 Mostre que as matrizes R(9), R$(9), Ry(9), Rz(9) e F(n) so ortogonais.
6.5.5 Encontre a inversa de Rx(9). Para que valor de 9, Rm(9) a identidade?
Os operadores de rotao formam, ento, um grupo, sob a operao de
composio. Para a definio de grupo ver, por exemplo, [9].

6.5.6 Encontre a inversa de F (n) Para que valor de n, F (n) a identidade?


Os operadores de reflexo formam, ento, um grupo, sob a operao de
composio.

6.5.7 Usando argumentos geomtricos, mostre que A = 1 autovalor da matriz


(ortogonal) de rotao Rx(9) (0 < 9 < 7r), com autovalor associado x =
[1 O DF, e que os outros dois autovalores no podem ser reais.
6.5.8 Quais os possveis valores dos autovalores de F(n)?
6.5.9 Mostre que, para projetar um vetor do IR sobre um subespao de dimenso
r, as matrizes A e B descritas no texto so ambas r x r.
6.5.10 Mostre que P : A(BTA)'1BT, construdo como no texto, um projetor.
6.5.11 Mostre que P : A(ATA)1AT, construdo como no texto, um projetor
ortogonal.
6.5.12 Para encontrar a expresso P = A(BTA)"IBT, considere A uma matriz
3 x 2 cujas colunas formam uma base para o plano de projeo e v e R3 o
vetor que desejamos projetar.
a. Mostre que v _ Ax & N (P), para algum par de coeficientes x.
294 Mnsformaes Lineares Captulo 6

. Mostre que dim((N(P))J-) = 2.


. SejaB uma matriz 3 x 2 cujas colunas formam uma base de (.A/(P))L.
Mostre que BTAx = BTV.
. Mostre que a matriz BTA 2 x 2 invertvel.
. Mostre que P = A(BTA)IBT o projetor desejado.
Apndices
A
MATLAB e GN U Octave
MATLAB (de MATria; LABoratory, ou laboratrio de matrizes) um am
biente interativo de computao numrica e uma linguagem de programao
de alto nvel. Desenvolvido na dcada de 1970 por Cleve Moler, o MATLAB
comercializado pela MathWorks, empresa fundada por Moler, Jack Little e
Steve Bangert em 1984. Em vinte anos, o MATLAB j possua mais de um mi-
lho de usurios, tanto na indstria, quanto na academia. Devido sua grande
aceitao no mundo acadmico, todas as grandes universidades do mundo ad
quirem e disponibilizam licenas para o uso de seus professores e estudantes
de Cincias Exatas e Engenharias.
Uma opo gratuita para o MATLAB, o GNU Octave foi concebido por
James B. Rawlings, da Universidade de WisconsinMadison, e John G. Ekerdt,
da Universidade do Texas, no final da dcada de 1980, e bastante compat-
vel com o MATLAB. O Octave distribudo livremente e possui uma Licena
Pblica Geral, ou GNU General Public License (GPL). Isso significa que o
programa pode ser livremente distribudo, modificado e usado para qualquer
propsito, tornando o GNU Octave muito popular entre os estudantes univer
sitarios.
Neste apndice, gostaramos de introduzir algumas funes do GNU Octave
e esperamos que o leitor o utilize para conferir seus clculos, executar alguns
exerccios propostos e desenvolver seus prprios programas, no somente na
disciplina de lgebra Linear, mas em muitas outras durante sua vida acad
mica.
A partir da pgina http://www.gnu.org/software/octave, o GNU Oc
tave pode ser instalado em qualquer sistema operacional. Um software grfico
+ WinPlot ou GNUPlot, dependendo do sistema acompanha a instalao,

297
298 MATLABQ e GNU Octave Apndice A

Feita a instalao, o programa pode ser iniciado. Um terminal aparecera


com um prompt na forma (os nmeros 3.2.3 representam a versao instalada):

octave3.2.3:1>

Para criar uma matriz, separase os elementos de cada linha por espaos ou
vrgulas (,) e as colunas por pontos e vrgulas (;), envolvendo-os com colchetes
([ ]), e digitamos:

A = [1 2;3 4]

seguido de um ENTER. A matriz

1 2

aparecer no terminal. Para transpor uma matriz basta fazer

E = [1 -1;3 11

para obter

3433].
Vetores so criados de maneira anloga: u = [1 2 3] retorna

u = 1 2 3

e v = [1 O 2] ' retorna

v = 1
O
2

Escalares so simplesmente:

c = 3.71

e as constantes mais fundamentais so obtidas com


299

pi
ans = 3.1416
9
ans = 2.7183

ans = O + Ii
O smbolo (:) pode ser usado de diversas maneiras, por exemplo:
u = [1:10]
criaovetoru=[1 2 3 4 5 6 7 8 9 10]. J

v = [1:O.2:2]
cria o vetor v = [1.0 1.2 1.4 1.6 1.8 2.0].
Considerando a matriz
1 2 3 4
C: 5 6 7 8
9 10 11 12 ,
13 14 15 16
O comando C(: ,2) retornar a segunda coluna da matriz C , assim como o
comando C(1, :) retornar sua primeira linha. Podemos, ainda, obter uma
submatriz de C fazendo:
D C(2:3,2:4)
D 6 7 8
10 11 12
As operaes aritmticas elementares so realizadas por +, , * e / , em que
as trs primeiras so as operaes usuais entre escalares ou entre matrizes de
dimenses compatveis. Para potncias e razes usa-se , como, por exemplo,
A

A3
ns = 37 54
81 118
Notemos que a matriz A ainda esta armazenada na memria at que saiamos
d Programa ou executemos comandos como clear A ou clear all.
Todas as operaes com matrizes podem ser realizadas elemento por ele-
mento, bastando, para isso, anteceder um ponto a operao. Por exemplo,
300 MATLABQ e GNU Octave Apndice A

A.*B
ans = 1 6
3 4
A.3
ans = 1 8
27 64

Algumas matrizes de grande utilidade podem ser facilmente criadas. A


matriz identidade 4 >< 4 criada com o comando eye (4); uma matriz 2 >< 3 de
zeros, por zeros(2,3); e uma matriz 5 >< 2 de uns, por ones(5,2).
Diversas decomposies matriciais so obtidas com um simples comando.
A decomposio LU realizada por
[L U P] = 1u(A)

que retorna as matrizes L, triangular inferior, U, triangular superior, e P, que


permuta linhas. Lembremos que, por motivo de estabilidade, a decomposio
LU sempre feita com pivotamento parcial.
J a decomposio QR calculada com
[Q R] = qr(A)

que realizada a decomposio QR completa, isto , se A m >< n, com m 2 n,


e
Q uma ortogonal m >< m e R uma triangular superior m >< n.
Para obter somente os autovalores de uma matriz A, basta executar eig (A),
mas se quisermos tambm os autovetores, devemos fazer

[S D] = eig(A)

que retorna a matriz dos autovetores S e a matriz diagonal com os autovalores


D.
Um dos pontos fortes do MATLAB e do GNU Octave permitir a cons
truo de scripts, que armazenam sequncias de comandos num arquivo com
extenso .m, que pode ser executado com uma simples chamada. Assim, po-
demos escrever o seguinte script (0 que ele faz?):
1: = [2:o.01:2];
x = exp(t).*cos(2*pi*t);
y = expC-t).*sin(2*pi*t);
comet(x,y);
301

Scripts no recebem valores, mas apenas executam uma sequncia de co


mandos. Se quisermos que o programa receba alguns valores e trabalhe com
eles, precisamos criar uma funo, ou function. A funo a seguir realiza a
decomposio LU de uma matriz de uma maneira bastante ingnua, pois no
funciona se o candidato a piv for zero.

function [L U] = my1u(A)
[m n] = size(A);
U = A;
1nvL = eye (m),
for _] = 1:n-1
AUX = eye(m),
for i = j+1zm
AUX(i,j) = U(i,j)/U(j,j);
end
invL = AUX*invL;
U = AUX*U;
end
L = inv(invL);

O arquivo deve ter o mesmo nome da funo, acrescido da extenso .,m neste
caso, mylu. m, e deve ser executado assim:
[L U] = my1u(A)

No pretendemos, nem remotamente, escrever um tutorial do MATLAB ou


do GNU Octave. O leitor encontrar diversos tutoriais na internet com uma
simples busca. Os exerccios a seguir apresentam algumas peculiaridades do
GNU Octave.

EXERCCIOS

A.1 Crie as matrizes

AM em
e execute A/B e AXB. O que esses comandos realizam?
302 MATLAB e GNU Octave Apndice A

.Au2 Seya
O 1 1
A5: () O 1
0 0 0
Mostre que A3 = 0. Faa expm(A) , que calcula a exponencial de uma matriz,
e compare com
I+A+5A.
1 2

.Au3 Saki
O 1
Ax= 1 0
1 1
Encontre a decomposio QR completa de A fazendo [Q RJ= qr(A) En
contre a decomposio QR reduzida de A (isto , A= QR, com Q 3 >< 2
e R 2 x 2) a partir das matrizes Q e R obtidas. Verifique que A: QR e
.A= (QR.
A.4 Sejam

14==
1 1
1 0 e P'==[ ? ].
0 1
Faa [U S V] = svd(A) e [Q L] = eigCA,*A). Para pr os autovalores de
ATA em ordem decrescente, faa L= P*L*inv(P), e ajuste os autovetores
com Q= Q*inv(P). Que relaes existem entre V e Q, e entre S e L?
A.5 Execute

t = [-2:0.01:2];
x = exp(t).*cos(2*pi*t);
y = expCt).*sin(2*pi*t);
comet(x,y);

e descreva o resultado.
B
Corpos
Na Definio 2.1, vimos que quatro ingredientes so necessrios para
compor um espao vetorial: um conjunto no vazio V, cujos elementos so
chamados de vetores; um corpo ]F, cujos elementos so chamados de escalares;
uma operao de adio de vetores, relacionando dois vetores de V a um vetor
tambm em V; e uma operao de multiplicao por escalar, que relaciona um
escalar de IF e um vetor de V a um vetor em V.
Durante todo o livro s nos referimos a dois corpos, o corpo dos nmeros
reais e o corpo dos nmeros complexos. Ao leitor mais interessado, porm,
apresentamos a seguir a definio geral de corpo. Nela podemos verificar que
os nmeros reais e os complexos so, de fato, corpos, mas que, alm deles,
os nmeros racionais Q tambm formam um corpo. No entanto, os nmeros
inteiros Z no so um corpo, j que nem todos os inteiros possuem inversos
multiplicativos_ inteiros.
'>fai'";;'<;'f.. ww, . .::.. lw/ii.

Definio B.1. Um conjunto numrico IF, dotado dasoperaes + e,


ns::-<= v n; (, zr.f-i'W:tv=$W1T'af E? ew-e
% Sr?"' '" '
?)?me .- .. . s:www uz r-w == .a.1

chamado de corpo se, para a, B e 7 em IF, temse a seguintes propriedades:

? a. a + [3 & F e a - B & IF; (fechamento) :


b,a+f3=6+aea-B=9a; (comutativa)
c. (a+9)+7=a+(5+7)(a'5)'7=t'(97); (associativa)
d. existe um (nico) elemento neutro da operao +, denominado zero :fu.:ne
e denotado por 0, isto , oz + 0 : oz;
. an
m 5.:

(elemento neutro)
..
,. 11.pj)p_* , ..n-
'
"..-5 A4). , ': .- , ,,,. .,.._ _ _... ,..." _x _
"JM-X)

303
304 Corpos Apndice B

MW.... 7... ..., u*v.WRMVM' m+fvw ':

e. paracadao e IFex1steum(un1co)elemenfo(=o) e IF tal que?


a + (a) = O;

f. existe um (nico) elemento neutro da operaao


dade e denotado por 1, isto , 1 a = &;
(inverso aditivo) :
-, denominado uni
(elemento
_%
neutro)
g. para cada a IF, com Oz # 0, existe um (nico) elemento oil E lF
(ou 1/) tal que a - oil = 1; (inverso multiplicativo)
'

% h. Oz - (B + 7) = a B + a - 'y.
.. x a ver' a'- .* _,.
(distributiva)

..pe. :.:-.
- , &Vm, . ;; i.; .*:r as; ' ".nwr'-43A' ex., 'bbimm

E fcil ver que, o elemento neutro da operao + nico. De fato, se O e


O' so elementos neutros da operao + de um corpo ]F, ento

0'=0'+0=0+0'=0.
As unicidades do elemento neutro da operao -, do inverso aditivo e do
inverso multiplicativo podem ser mostradas de maneira anloga e so deixadas
como exerccio para o leitor (ver Exerccios B.5 e B.6).
Com as propriedades da Definio B.1, podemos construir diversos exem
plos de corpos. Vejamos um deles.

Exemplo B.1. Consideremos o grupo quociente Zz, isto , o conjunto [O, 1)


com as operaes + e definidas por: -
0+0=0, 0+1=1, 1+0=1 e 1+1=0;

O-O=0, 01=O, 1-0=0 e 1-1=1-.


Ento, Zz um corpo. |]

EXERCCIOS
B.1 Mostre que os nmeros reais formam um corpo.
B.2 Mostre que os nmeros complexos formam um corpo.
305

B.3 Mostre que os nmeros racionais formam um corpo.


B.4 Mostre que os nmeros inteiros no formam um corpo.
-
B.5 Mostre que o elemento neutro da operao nico.
B.6 Mostre que os inversos aditivo e multiplicativo (se existir) so nicos para
cada elemento de um corpo lF.

B.7 Mostre que o conjunto Q + x/2Q forma um corpo. Os elementos deste


conjunto so da forma r1 + T2 x/, sendo r1 e T2 racionais, por exemplo,
%- + %J.
B.8 Mostre que Zz, como definido acima, forma um corpo.
B.9 Conhecendo Zz, defina um espao vetorial que contm exatamente dois
vetores. Explicite o corpo, o conjunto de vetores e as operaes de soma
vetorial e multiplicao por escalar deste espao.
B.10 Defina as operaes de soma e multiplicao no grupo quociente Zn, para
um nmero natural n > 1, e mostre que este conjunto forma um corpo.
C
Nmeros Oompleros
No sculo XVI, o matemtico italiano Girolamo Cardano (*1501 J[1576),
estudando equaes cbicas, concebeu a ideia de nmeros complexos, isto e,
nmeros que representam razes de nmeros reais negativos. O mundo, no
entanto, teve de esperar alguns sculos para conhecer uma prova definitiva do
Teorema Fundamental da lgebra, que podemos enunciar assim: um polinmio
de grau n, com n 2 1 (i.e., no constante), e coeficientes complexos possui n
razes complexas, contadas suas multiplicidades. Posto mais elegantemente, o
corpo dos nmeros complexos algebricamente fechado.
Os nmeros complexos so representados na forma a + ib, sendo a, b & IR
e i2 = 1. A parte real de z = a+ib Re(z) = a, e lm(z) = b a parte
imaginria de z. Se definirmos no conjunto desses nmeros as operaes de
adio
(a+ib)+ (c+id) = (a+c)+i(b+d)
e de multiplicao
(a+ib)(c+id) = (ac bd) +i(ad+bc),
formaremos o corpo dos nmeros complexos (ver Apndice B), denotado por
(C.
Apresentamos agora alguns fatos bsicos sobre (C.
Chamamos de conjugado complexo, ou simplesmente conjugado, do nmero
z = a + ib o nmero ? = a ib, e usamos uma barra sobre o nmero .s para
denotar a operao de conjugao. E claro que, se a: & IR, ento :?: = cc.
#
Para encontrarmos o inverso multiplicativo de a + bi 0, basta fazermos
1 _ 1 aib_aib_ a _
b
z a+ibaib_a2+b*a2+b2a2+b2z'
307
308 Nmeros Complexos Apndice C

O mdulo de um nmero complexo dado por:

|Z! = la+ib| =Va+b2= y/(a+ib)(aib) = JE?


H duas formas de representarmos os nmeros complexos. J. vimos a
primeira, z = a + ib, que pode ser visualizada como um ponto no plano
complexo, com a parte real no eixo das abcissas e com a parte imaginaria no
eixo das ordenadas. A segunda maneira escrever o nmero na forma polar,
isto , em funo da distncia p do ponto 2: origem dos eixos coordenados
O, e do ngulo 9 que o segmento Oz forma com o eixo das abcissas, medido
no sentido antihorrio e em radianos: z = p(cos9 + i sen 9). A Figura C.1
mostra as duas representaes.

Im Im
a+ib p(cos9+isen9)
() o
5 p

5' 9
a >R =Re
() (b)

Figura C.1: (a) Forma retangular de z e (b) forma polar de z.

H, entretanto, uma maneira mais elegante de escrever a forma polar de


um nmero complexo, mas para entendla, precisamos da frmula de Euler.
No a demonstraremos aqui, tentaremos somente convencer o leitor a aceitala
por meio de argumentos razoveis.
Conhecemos a funo exponencial real e, que tem por domnio os nmeros
reais e por imagem os reais positivos. Se quisermos estender a funo exponen
cial ao domnio dos nmeros complexos, precisamos manter algumas de suas
propriedades, em especial:
&. e= 1;
b. em, = ewey;
309

d $
o. da: (6 ) = e:B .
==

Se fizermos e+1b = eeib, teremos que definir o que vem a ser e), para
b e R e i2 = 1. Mas, fazendo

e9 =cos9+i sen9,
as trs propriedades acima so verificadas. De fato,
&. se9=0,
ei=c050+isen0=1.
b. Tambm,

ei(01+02) = cos(91 + 92) + isen(91 + 92)


= (cos 91 cos 92 sen 91 sen 92)+
+ i (sen 91 cos 92 + seu 92 cos 91)
: (cos 91 + i sen 91)(cos 92 + i sen 92)

: eileig _
c. E alm disso,
d
__ .
2
d os9+isen9
= . .
=sen9+icos9=
d ( ) de ( ) ,

= i(cos9 +i sen9) = ie.

Assim, definimos a funo eXponencial no domnio dos nmeros complexos


por .
6T+ : e'" el = er(cos9 + i sen9) ,
,

com r,9 6 IR. E a forma polar de um nmero complexo pode ser reescrita
cmo .0
l
pe ,
ondep,9eRepZO.
Notemos ainda que
lei] = |cos9+i sen9| = 1.
310 Nmeros Complexos Apndice C

Com a notao polar, a frmula de De Moivre facilmente expressa:


(pdf)" pn, ema
:

E,
por fim, podemos encontrar todas as razes nsimas de um numero
complexo da seguinte maneira: se w" = z = pe, ento
wn : pet (9+2mr) ,

para qualquer inteiro K.. Ento,

para
f<>f><
H: = O, 1, ..., n 1, j que, para li
n
9

2 n, os valores se repetem.
n
2

EXERCCIOS

C.1 Mostre que, se z e (C, com |z| = 1, ento E = %.


C.2 Considere as matrizes 2 >< 2

Anjo,] 1 O
...4, O]. O 1

a. Mostre que M? = M1.


b. Escreva a matriz
a b

como combinao linear das matriz M1 e M,. Calcule det(A).


c. Defina A = aM1 bMi e mostre que A = det(A)M1.
d. Seja

0=ll
Mostre que AC = (aM1+bM,-)(cM1+dM,v) = (acbd)M1+(ad+bc)Mz'
e. Calcule a inversa de A.
311

Usando essas matrizes podemos escrever o nmero complexo a+ bi na forma

b a m

C.3 Calcule todas as razes nsimas da unidade a seguir, isto , todos os nmeros
complexos w para os casos:

Represente em grficos as razes da unidade encontradas. Que figuras for


mam?
C.4 Utilize o exerccio anterior para calcular w para os casos:

w2=16, w3=32, w4=16, e w5=32.


C.5 Calcule w tal que 11)2 = 4 e z tal que ::3 = 27.
Bibliografia
[1] Angel, Edward e Dave Shreiner: Interactive Computer Graphics: A Top-
down Approach with Shader-based OpenGL. Addison-Wesley, Boston,
61 edio, 2012.
[2] Anton, Howard e Chris Rorres: lgebra Linear com Aplicaes. Bookman,
Porto Alegre, 81 edio, 2001. Traduo de Claus Ivo Doering.
[3] Boyce, William E. e Richard C. DiPrima: Equaes Diferenciais Elemen-
tares 6 Problema de Valores de Contorno. Guanabara, Rio de Janeiro,
Bl edio, 1988. Traduo de Antonio Carlos Campos de Carvalho e Car-
los Alberto Arago de Carvalho.
[4] Callioli, Carlos A., Hygino H. Domingues e Roberto C. F. Costa: lgebra
Linear e Aplicaes. Atual Editora, So Paulo, 1983.
[5] Carlson, David, Charles R. Johnson, David C. Lay e A. Duane Porter
(Editors): Linear Algebra Gems: Assets for Undergraduate Mathematics.
The Mathematical Association of America, Washington, DC, 2002.
[6] Carlson, David, Charles R. Johnson, David O. Lay, A. Duane Porter,
Ann Watkins e William Watkins (Editors): Resources for Teaching Linear,
Algebra. The Mathematical Association of America, Washington, DC,
1997.
[7] Demmel, James W.: Applied Numerical Linear Algebra. SIAM, Phila
delphia, 1997. _
[8] Dorier, Luc (Editor): On the Teaching of Linear Algebra. Kluwer
Jean
Academic Publishers, Dordrecht, The Netherlands, 2000.
[9] Garcia, Arnaldo Leite Pinto: Elementos de lgebra. IMPA, Rio de Janeiro,
2002.
313
314 Bibliograa

[10] Golub, Gene H. e Charles F. Van Loan: Matrix Computations. Johns


Hopkins, Baltimore, 31 edio, 1996.
[11] Gomes, Jonas e Luiz Velho: Computao Grfica, volume 1. IMPA, Rio
de Janeiro, 1998.
[12] Guidorizzi, Hamilton Luiz: Um Curso de Clculo, volume 1. LTC, Rio de
Janeiro, 51 edio, 2001.
[13] Halmos, Paul R.: Linear Algebra Problem Book. The Mathematical Asso
ciation of America, Washington, DC, 1995.
[14] Hill, Jr., Francis S. e Stephen M. Kelley: Computer Graphics using
OpenGL. Pearson Prentice Hall, Upper Saddle River, NJ, 3l edio, 2007.
[15] Hirsch, Morris W. e Stephen Smale: Diferential Equations, Dynamical
Systems, and Linear Algebra. Academic Press, San Diego, 1974.
[16] Hoffman, Kenneth e Ray Kunze: Linear Algebra. Prentice Hall, Upper
Saddle River, NJ, 21 edio, 1971.
[17] Kleiner, Israel: A History of Abstract Algebra. Birkhuser, Boston, 2007.
[18] Knobloch, E.: Determinants. Em Grattan-Guinness, I. (editor): Com
panion Encyclopedia of the History and Philosophy of the Mathematical
Sciences, volume 1, pginas 766774. Routledge, 1994.
[19] Kostrikin, Aleksei I.: Introduction to Algebra. SpringerVerlag, New York,
1982. Translated by Neal Koblitz.
[20] Kreyszig, Erwin: Introductory Functional Analysis with Applications. John
Wiley & Sons, New York, 1978.
[21] Lax, Peter D.: Linear Algebra. John Wiley &: Sons, Inc., New York, 1997.
[22] Leon, Steven J.: lgebraLinear com Aplicaes. LTC, Rio de Janeiro,
4l edio, 1998. Traduo de Valria de Magalhes Iorio.
[23] Lima, Elon Lages: lgebra Linear. IMPA, Rio de Janeiro, 2008.
[24] Lima, Elon Lages: Curso de Anlise, volume 1. IMPA, Rio de Janeiro,
121 edio, 2009.
Bibliografia 315

[25] Lima, Elon Lages: Espaos Mtricas. IMPA, Rio de Janeiro, 4l edio,
2009.

[26] LPSChUtZ, Seymour: Linear Algebra. McGrawHill, New York, 21 edio,


1991.
[27] Mood, Alexander M., Franklin A. Graybill e Duane C. Boes: Introduction
to the Theory of Statistics. McGrawHill, New York, Bl edio, 1974.
[28] Noble, Ben e James W. Daniel: Applied Linear Algebra. PrenticeHall,
Englewood Cliffs, NJ, 31 edio, 1988.

[29] Royden, H. L.: Real Analysis. Prentice-Hall, Englewood Cliffs, NJ, 3l edi-
o, 1988.

[30] Shilov, George E.: Linear Algebra. Dover, New York, 1977. Translated by
Richard A. Silverman.
[31] Stillwell, John: Naiue Lie Theory. Springer, New York, 2008.
[32] Strang, Gilbert: The fundamental theorem of linear algebra. American
Mathematical Monthly, 9(100):848855, 1993.
[33] Strang, Gilbert: Linear Algebra and Its Applications. Harcourt, Orlando,
Fl, 31 edio, 1998.
[34] Trefethen, Lloyd N. e David Bau, III: Numerical Linear Algebra. SIAM,
Philadelphia, 1997.
[35] Zhang, Fuzhen: Linear Algebra: Challenging Problems for Students. Johns
Hopkins, Baltimore, 21 edio, 2009.
, tol :

T.

.i 3
.

7.
.! .

. ,
.=

Ii
_

,
.
n

,.

iL
.l,

a
uie.! .: .

.
i :.
Respostas de Ezercicios
Selecionados
Captulo 1 Sistemas de Equaes Lineares
Seo 1.1 Matrizes e Vetores

AM] 41],
1 2 1 1
1147714461-
3 3 4 6

2 B deve ser m x n; C deve ter n linhas; e D deve ter m colunas.


3 a. Suponha A m >< n, B n x p e C p >< q, e use a equao (1.2) para obter:

((AB)C)ir : XX

(AB)ij)
jt ;(E ikbkj> 26%
Cjt
k: 1
(z bijjt) :

L M'
=1 k=1

auc ((BC)kr)
- (A(BC)).

1 I 3
4xTy=[2]exyT= 2 2 6 .
1 1 3

5a.Ay=[2 6 4]TeBx=[2 2 -1]T.


b. xTA=[2 1 3 1]exTB=[3 0 6].
C.
36 93 7624
3,4:60-3 3,BA=37 40,
33-33 11 11
3011 5111
B=038,ATB229
001 148
1-20
318 Respostas de Exerccios Selecionados

6 As linhas de A e xTA esto em R4, todos os outros esto em R3.

7
9 5 2
a. 5 7 13 . b.
35 15 1

8 Como as linhas de AB so combinaes lineares das linhas de B, uma dessas


combinaes tem todos os coeficientes nulos, portanto AB possui uma linha de zeros.

11 - ((ij)T)T = (jz')T = n-
12 Escreva A com seus vetores colunas e desenvolva (Ab)T e bTAT como combinaes
lineares de linhas e colunas, respectivamente.

13 Use o exerccio anterior.

14 Basta notar que A vezes a isima coluna de B igual a b,,- vezes a isima coluna de
A, que, por sua vez, um vetor-coluna formado de zeros e do nmero ai,-bi,- na i-sima
posio; e fazer o mesmo para BA.

15 Use o mesmo raciocnio do exerccio anterior.

16 Pela definio de trao:

tr(A + B)=(a11 + b11)+ ' ' ' + (ann + bnn) =


= (0,11 + ' ' ' + ann)+(b11 + ' ' ' + bnn) = tr(A) + tr(B) .

17 a. Verdadeira. Use (1.4). b. Verdadeira. c. Falsa. A = [ g (1 ) ]


d V
A _
(25)B 2(531
A
&
_
Falsa. A [ ].
O 1
0 0 f. Falsa.

19 Deve-se ter ,? : ai,-.

20 Se A for complexa, (A*A)* = A*(A*)* = A*A, i.e., A*A hermitiana.

21 Somente (a) verdadeira: (A + B)* = A* + B* = A + B.


Seo 1.2 Sistemas Lineares e o Mtodo de Eliminao de Gauss
1 Itens a, c e e.
Respostas de Exerccios SeIecionados 319

3 Trs planos interceptandose em um ponto: soluo nica. Feixe de 3 planos, ou de 2


com o terceiro coincidente, ou 3 coincidentes: infinitas solues. Dois (ou 3) paralelOS, ou 3
retas de interseo paralelas: sistema inconsistente.

%% 131 1 yl

mg x3 ] C yg

| _ l i H O
3

I
2
4 2 1
c 0 O ,x= 1 . d 0 0

I
_ _

><
0 0 (2) 2 0

'
'
14/3 1 '
1 3
7 a 4/3 b x=x2 1 +13 0 + O
O _ 1 0

2
1 O
C. mg 0
O 1
0000 9998
8 1903890 %% T e [0 11T' b 19999 W T [1 llT-
10 a + b c = O.

11 Inconsistente, se a = 4; infinitas solues, se a = 4; soluo nica, se 4 = a 76 4,

toniti riu-=M
, 1.
13 Se Ax = O, ento x = O sempre soluo.

14 Quando h mais incgnitas do que equaes vlidas (i.e., diferentes de 0 = 0.)

15 Todas so falsas. Contraexemplos:


320
1
1 21 1 21 1 0 2 1 213
Respostas de Exerccios Selecionados

1
1
# 2.

0 1 0 1 01 0 1 0 1 03 0 1 0 1 4 0 1 0 1
18 A matriz escalonada do sistema homogneo (A AI)x = 0 possui 3 pivs, se 1 76 A

Seo 1.3 Decomposio LU


0.1

01
NF_ 321132 10 01_10_
? h ]- _
__ 110 0
L1 01 03401 321 1 1_ 12
,

0 1 2
0 11/3
4

_
_ __

2 0
_25
__
_
F

U
|_

e
_
_
01
410
1

1 L 13
d L =

1 0 2 210 08
_ _
be.c
LL

/_
U
U,

e
1 X
:
,

1 425 5 1 4 .1
_

L 1 r _ |
%
01 /_

e
x

]_
_
1
4
30 .
/
1

1 2 0 1 0 1 0 2 0 1 5 014 0 12
rri-
10

g. LU=

[
5 Comece por mostrar que a ltima coluna do produto um mltiplo da ltima coluna da
primeira matriz.
Respostas de Exerccios Selecionados 321

7 A condio que o produto dos elementos da diagonal principal seja diferente de zero.
2000 [1000
0100 0100
0.AE=
1 A0010 bEA
:
1010A.
0001 _0001
"1000 '1100
_ 0001 _0100
'AEA 0010 d'EA 0-110 A
[0100_ _0101
"1000"
e.AEA0000
_ 0100

_0011_
11 1324 = E42(1)E24(1)E2(1)E42(1).
'
1 -1 -1
12a.x= 1 . b.x=% 5 . c.x= 2 .
1 1 0

13 (IA)1 =A+A2+A3+---+A-1.

14 Mostre inicialmente que J : nJ .

15 (I BA)(I+B(I AB)'1A) = : I+B(I+ (I AB)(I AB)1)A : I,

Seo 1.4 Eliminao com Pivotamento Parcial


2
1 a. x = 1 . b. No h soluo.

[ 2 17/2
1 0
c. x = 1172 0 + _1/2
_ 0 1 -2
2 Resolve-se inicialmente o sistema triangular inferior Ly : Pb e depois o sistema
triangular superior Ux : y, por retrossubstituio.

0 0 1 0 1 0 0 0 8 7 9 5
0 0 0 1 3/4 1 0 0 0 7/4 9/4 17/4
5 P 0 1 0 0 , 1/2 2/7 0 1 0 0 _6/7 _2/7
1 0 0 0 1/4 -3/7 1/3 1 0 0 0 2/3
322 Respostas de Exerccios Selecionados

6 |a|geq|d|, |g| e [ae - bd] _>_ lah _ bgl.


7 P23E21(3)P32.
8 P12E21(3)P21 .

10 P-l=(P,...P,)-1=Pfl...P,.-1=Pf...P,=(P,,...P,)T=PT.
11 Basta fazermos para E = Pig-AP,.EI. Notando que os outros elementos permanecem
inalterados, temos
Aii = & => (PijA)ii : 0 ) (3 = PijAPzglhi =,xj,
Aij = 0 ) (Fi,-A),,- = A,- ** (B = ls-APslh-j = 0,
Aju,; = 0 _) (Fi,-A),,- = A, ** (B = P,;jAPl) =(),
A,,- = A,- => (P,,A)jj = > (3 = PijAPz-bj = A,.
12 P35E32(7)P351,P35E52(1)P3g,1 e P35E42(2)P3"51.
Seo 1.5 Mtodo de Gauss-Jordan

la.lI[
d
1 -4
2 3
].
42 156 155 79
-4 48 -12 56
h
_10
8
3
1
1
7
2
3 3
I - il o G
1
_1_
e. No existe inversa.
'116 -10 4 1 5
8 20 -34 54
f. No existe inversa.

2R=[0 J?]. 1

0
2
&
0
4

3
3 Note que P23P14D = diag([a1 (12 a;; a4]), logo

D1=diag([i al
1
1 -1
G2 G3 a4
)P23P14=
O Q HI
olvOSI:>
OSI
o:
o
o

1 1 0 0
4 _ 1= 0 1/2 _1/2 0
A 0 0 1/3 _1/3
0 0 0 1/4
ReSpostas de Exerccios Selecionados 323

16 _120 240 _140


5 A4 120 1200 2700 1680
240 2700 6480 4200
_140 1680 4200 2800

7 Ela1 =Ro=[ cosO send].


sen9 cos

1 0 0 0
_02 1 0 0
8 A1 : as 0 1 0

an_1 0 0 ... 1

9 (A1)TAT =(AA1)T : IT = I.

11 So verdadeiras a, c e d.

12 Se (A AI ) for invertvel, ento o sistema homogneo (AAI)x = 0 possuir somente a


soluo trivial, pelo Exerccio 1511.

13 Note que todas as potncias A2, A3 , . . . possuem a mesma propriedade de A. Como h


somente um nmero finito de matrizes n >< n com essa propriedade, ento existem p e r,
com p < r, tais que AT = AP. Como as matrizes so invertveis,
Alp = ATAP : APAP : I.

Captulo 2 - Espaos Vetoriais


Seo 2.1 Espaos e Subespaos Vetoriais
I ' - de x e E'
4 O vetor nulo e' o numero 1 e o Simetrlco
! ) 1

5 lu = 1(u1,u2) = (1u1,0) # (U1,U2) = u, se 11,2 # 0.


6 A soma das matrizes singulares [ 0 00 ] + [ 00 ]
1
1
, . , .
e uma matriz nao Singular. O
conjunto das matrizes no singulares no possui o vetor nulo, que a matriz de zeros.

7 O vetor nulo, i.e., o polinmio identicamente nulo, no um polinmio de grau n.

8 Se v e -v' so os simtricos de v, ento


_v/=-v'+0=v'+v+(v)=0+(v)=_v_
324 Respostas de Exerccios Selecionados

9 So subespaos vetoriais a, b e e.

10 A(u + v) = Au + Av = 0 e A(au) : aAu = O, Vu, v tais que Au = AV = 0 qualquer


escalar &. J parabgo, A(u+v) =Au+Av=b+b7b.

12 V = [O, 1], F = [0,1], com a adio e multiplicao da lgebra booleana.

14 Para quaisquer X, Y e W e qualquer escalar a,


A(X+Y) = AX+AY = XA+YA= (X+Y)A e A(aX) = aAX = aXA= (aX)A.

16 Tome wl + W2 = w = v1 + vz, com w1,v1 E WI e W2,V2 E Wz, notando que


v1 w1 e Wl e W2 V2 6 Wg. Se wl #
v1, ento, como (wl V1) + (W2 V2) = , logo =

v1 wl : w vz Wz. Ento, V1 wl W1 O W2 = [O], i.e., v1 = w1,uma


#
contradio. Analogamente se w vz. Portanto a decomposio nica.

17 Considere V o plano fez e W o plano yz e tome

v1=[1 0 0]T, w1=[0 1 2]T, v2=[1 0 1]T e w2=[0 1 115.


Seo 2.2 Independncia Linear, Base e Dimenso
1 Que o sistema tenha soluo, pois as coordenadas de x so os coeficientes da
combinao linear que d b.

2 w : 2e1 + 3e2 + 0e3. Mas, o sistema abaixo inconsistente:


1 0 2 al 0
a1e1 + ageg + a3w : 0 1 3 em = 0 = e3 .
0 0 0 013 1

3 L.D., pois 1(u v) + 1(v w) + 1(w u) = O.

4 Reescreva a1(u) + a2(u + v) + a3(u + v + W) = 0, como


#
(011 + G2 + a3)u + (az + a3)v + agw = 0. Se 043 0, ento w ser uma combinao linear
de u e v, contradizendo a hiptese dos vetores u, v e W serem L.I. Portanto, a;; = 0.
# #
Analogamente para 042 0 e para al 0. Ento, os vetores so L.I.

7 Note que V;, combinao linear de V1,. . . ,vk_.1.

8 Tome u & span[V] D span[W], ento 11 = a1v1 + a2v2 e u = a3w1 + a4w2 + a5W3.
Mas, a1v1 + 012V2 agwl a4wz a5W3 = 0 somente se al = = as = 0, pois os 5
vetores so L.I.

..-,, 0110
, 10 01
ou. 010 Mw
00 00 . -
Respostas de Exerccios Selecionados 325

10 O subespao das matrizes reais simtricas 2 >< 2 tem dimenso 3 sobre o corp dos
reais. O espao das matrizes hermitianas 2 >< 2 tem dimenso 4 sobre IR. O conjunt das
matrizes hermitianas no um subespao vetorial do espao das matrizes complexas 2 X 2,
pois no fechado para a multiplicao por escalar complexo.

11 Base de 'P5 = (1,m,x,x3,x4,x5], dimenso 6.

12 Faa reductio ad absurdum em ambos os itens.

Seo 2.3 Base rdenada e Mudana de Base

1 a. Ma = [-2 317. b. MB, = [0 -1]T. c. MB, = [1 1/31T-


d. 84 no uma base do R2.

2 [u]B,=[0 1 217", [u]32=[1 -1


.
3]TeMB,_,52=]1 0]. 0

0
1 1
-1
1 1

4 3 3
3 H infinitas possibilidades de escolha para B e D, e. g.: DIB = 2 0 1 .
11 11 8

4 M;; = [3 1 0]T e McB = % [ t r O * P H O M D Q ]


, por exemplo.

5[V]B=%[1+i 1+i 1i]T.

6[A]B=[11]'
Seo 2.4 Os Quatro Subespaos Fundamentais
1 BRW) = [[1 0 0]T, [2 3 017", [1 2 _ 11/3]T],
&.
BRW, = [[1 - 2 117", [0 3 2]T, [0 0 11/31T],
BNw) = & Elx/(UT) = 9,
BR(A) 2111 2 31T, ["2 _ 1 _ 21T? [1 4 21T11
Em) : [[1 _ 2 n, [2 1 4]T, [3 2 217),
BN(A) = & BN(AT) : :
b. BRIU) = [[1 0 0]T, [1 2 0]T]', BR(UT) : [[1 ]_ T, [O
'- __ 2 _ 21:11),
Bmx!) = EMA) = il 1 llTl, BN(UT) = [[O 0 HT],
_ 1 _ 111"),
,

BRM) = [11 1 21T,11 1 llTla BRMT) = [[1 1 1]T, [1


"

BN(AT) = [13 _ 1 lTl'


326 Respostas de Exerccios Selecionados

- BR(U)=lll 0 DPJ5 14 l" [4 -5 llTl,


BR(UT)=([1 2 5 4]T,[0 0 14 -5]T,[0 0 0 117"),
BN<U>=BN(A)=il2 1 0 01T1,5N(UT)=BN(AT)=Z7
BR(A)=1[1 2 31Ta[_5 4 _11T?[4 3 81T17
BR<AT)=[[1 2 -5 4]T,[2 4 4 3]T,[3 6 1 8]T].

HOD OQ
1
2 0
0

3 Inspire-se na observao logo abaixo da demonstrao da Proposio 2.7.

5 A _ [ ]
1 1
O O .

6 Para a condio necessria, apte a demonstrao da Proposio 2.9. Para a condio


suficiente, proceda por absurdo: o sistema homogneo associado a uma matriz invertvel
possui somente a soluo trivial, mas, se as colunas da matriz forem L.D., existe uma sua
combinao linear no trivial que resulta no vetor nulo.

7 Considere Amxn, anp e V E 'R(B), ento v uma combinao linear das colunas de B:
--
v = alb,,1 + + apb p. Mas, como AB = 0,

Av = A(alb,,1 + - - - + apb,,p) = alAb,,1 + - - - + aipAb,,p = a10 + - - - + apo = O,


i.e., v & N(A).

9 posto(A) # minlm,n].
10 'R.(A) = span(colunas de A] = spanflinhas de A] = R(AT), pois AT = A. E, se
v e N(A), ento Av = 0, mas como AT = A, ATV = 0, portanto u 6 N(AT).

11 x,=[0 3 6 11 16]Te:rn=[1 6 -1 8 -4]T.


12 crc=[3 5 4]Temne=[4 4 2]T.
Seo 2.5 Subespaos Fundamentais, Sistemas Lineares e Invertibilidade

1Ax=[ oO CDF-o ][;]= ] =b.

Bl HO 118314831
O
Respostas de Exerccios Selecionados 327

4 Cada equao do sistema representa um plano. Os planos so concorrentes em um unico


ponto, a soluo do sistema. Se b = 0, a soluo representa a origem.

5 Os planos podem ser concorrentes, mas no em um nico ponto, se o sistema for


consistente. Caso contrrio, haver pelo menos dois planos paralelos distintos.

Seo 2.6 Aplicao: Grafos


1 0 0 0 0 1 0 0 0 1 1 0
1 1 0 0 0 0 1 0 O 1 1 -1
1 LU = 0 1 1 0 0 0 0 1 0 1 0 1
0 0 1 1 0 0 0 0 1 1 0 1
0 0 0 1 1 0 0 0 0 0 0 0

4 Somente os vetores nl, 112, n3, n1 + n2 e nl + 113, que correspondem, respectivamente,


aos circuitos fechados (Vl) > (1/2) > (V) + (V4) > (VE,) > (Vl),
(V1)>(Vz) > (Vs) >(V1), %) +(V3) >(V4) +(V7)+(Vz),
(V3)>(V4) + (V5) > (Ve) >(Ve,) e (VI)) (V7)>(Vs) >(V1)-
5 p=2[1[656 734 1085 972 0]T.

_
_11001
_1
1(1330111
8a 01100 b _
01-100_10
0000
10010 001
0011-1 1001
0001100

Captulo 3 rtogonalidade
Seo 3.1 Norma 9 Produto Interno
3 a. Regio quadrada com vrtices em (1,0), (0,1), (1,0) e (0, 1).
328 Respostas de Exerccios Selecionados

b. Crculo de raio unitrio.


e. Regio quadrada com vrtices em (1,1), (1, 1), (1,1) e (1, _1)-
d. No GNU Octave, faa:
1: = linspace (pi,3*pi) ; x = sign(cos (t)) .*abs(cos (t)) . (2/3);
y sign(sin(t)) .*abs(sin(t)) .(2/3); plot (x,y)

e. Regio elptica % + 342 = 1.


2 2

4 Use a desigualdade triangular em (H + w) + ((W V)) ||

5 Note que Anmmm) _ W


||Axll<m

6 (e1,v) = vl e (e2,v) = '02.

10 Teramos (u, u) = O, para u # O, o que violaria o item (1 da Definio 3.2.


11 uTu : [i 1] [z 1]T : O, contrariando o quarto requisito da definio de produto
interno.

13 Se ATAX = O, ento ||Ax||2 = (Ax,Ax) : (Ax)T(Ax) = XTATAX = O, logo Ax = O.

15 A condio d.

16 Para cada ai, tome ui = ill?


17 0 (IIHII VII)2 =||11|I2 + VII2 - 2IIUIIIIVI 5 Hll2 + ||V||2 _ 2|(u,V>|-
*

18 Desenvolva (11 + v, u + v) + (u v, 11 v).

Seo 3.2 Vetores e Subespaos Ortogonais


1 Escreva os vetores em coordenadas polares, i.e., 11 = ||u|| [cos(a + 0) sen(a + a)]T e
v = ||v||[cosa sen a]T.

2 Se os vetores forem L.D., um deles ser combinao linear dos outros. Sem perda de
generalidade: vl : 012V2 + ---
+ anvn. Ento, para i = 2, . . . ,n,
0 = (uvi) = (azvz + "'-l' aan'Ui) =,
portanto v1 = 0, uma contradio, pois ||v1|| = 1.

3 vi = O, para algum i, caso contrrio, faramos ui = "Aj-"; e usaramos o Exerccio 3.2.2.


1
Respostas de Exerccios Selecionados 329
' '
1 _1 1 1
4 &. span 1 , 1 . b. span -1 , 1
o 2 _ 0 _ =

c. span
_,
1 . d. spn
;1 ; __1
1 _ 1 _ 1

5 Se U = SpanHl 0 017") e V : span[[0 1 GP], ento U l V, mas Ui ,) Vl.


6 Tome v 6 U 0 W e expresseo como combinao linear dos vetores de uma base de U.
Depois, faa o produto interno dele com cada um dos vetores da base, mostrando que
v=0.

7 Se w (WJ-H, w _1_ v, Vv WJ, logo w e W. A incluso oposta similar.

-llllill bllll
10 Hu VII2 = IIHII2 + IIVII2 2(u,V> = 1 + 1 - -
-ll-ll
12 Trivialmente, se p = dim(V) = 0. Se p > 0, ento q = dim(W) > 1. Pelo Corolrio 2.1,
U=V$V+, ento Ele WnVl, comwyo. Da, wlv,Vv V.
Seo 3.3 Projees e o Processo de Gram-Schmidt

1
1 a. [ 21 , _1_
J
=?1 . b. Os vetores sao L.D.
e

1 1 1 1 1 _1
c.1
O1 ,-1-
s/
1,1
2 x/
1.
1 d.11,L
x/ 1 x/5 _21 ,_1_
x/5
01

1 1 10
1 1 1 "7 1 13
' 1 , 77% 5 , H 7
1 1 10

4 Basta que um dos vetores seja o vetor nulo.

5 Somente os vetores L.I. sero no nulos.

6113=[O 1 0]T.
330 Respostas de Exerccios Selecionados

a. 2_17,37
7l -hot , tol-> / 3711:
8 b. sen:ce lcosa).
Seo 3.4 Decomposio QR

% gal a . gg gg - f
[
3].
as

c
1/x/50 l/x/ x/5 f M 3f

[0
c. 0 1 0 0 1 1

d.
1/5 0
1/x/5 1/J 3/JE
1/J 1/J 3/m
4/5 0
[&
0

0
0
3x/5/2 3x/5
e/2 3J3_8/19
0 6/J3_8 um 0 0 x/19/19
2 Suponha que no e ponha um dos vetores como combinao linear dos outros, e.g.,
v1 = a2V2 +--'+anvn. Mas az = <V1,V2) =O, , a,, = (v1,vn) =O, i.e., v1 = 0, uma
contradio.
5 (PT)2= PTPT (PP)T_ (P2)T : PT

6 As colunas de P so os vetores da base cannica do IR", que so ortonormais, ento P


uma matriz ortogonal. Assim, P1 : PT.

7 Os vetores L.D. seriam levados no vetor nulo.

8 A inversa de uma matriz triangular inferior triangular inferior, ento, se Q matriz


ortogonal e triangular inferior, Q1 ser triangular inferior. Mas Q1 = QT, que
triangular superior, ento Q diagonal.

9 Tome el = [1 0 . . . O]T, ento ||Ae1|| = O, i.e., a primeira coluna de A o vetor nulo.


Continue para os outros vetores da base cannica do R.

10 HHT = HH = (I 2uuT)(I 2uuT) = I 2uuT 2uuT + 4u(uTu)uT =. I,


11 Note que AVB = vc = QvD, ento V'D = QTAVB = QTQRVB = RVB.
Seo 3.5 Aplicao: Mnimos Quadrados

? ml 1 yl

1Ax= 372_ 1_ b
, = yz
, =b.
mm mm 1 ym
Respostas de Exerccios Selecionados 331

2 Para encontrar a relao, lembre-se da 3 Lei de Kepler: o quadrado do perodo


proporcional ao cubo da distncia mdia ao sol.

3 (I-2P)(I2P)T =I2PT2P+4PPT=I2P2P+4P2 =I4P+4P=I.

4 P=P2=PP=PPT=PP1=I.
5 (I+P)-1 =I %P.

Captulo 4 Determinantes
Seo 4.1 Determinante de uma Matriz
1 a. 9. b. 24. c. 22.
d. 2. e. 43. f. 400.

.A: 011.34
1 O

O 0
bA=[1]eB=[oo]
O 0 O 1

3A3[1 2] [3 6]
1 1 3 3

7 H n! parcelas, logo h n! adies ou subtraes. Em cada parcela h (n 1)


multiplicaes.

8 Para A, A = 2 ou A = 3. Para B, A =3 (duplo) ou A = 4.

9 O termo :!:" aparece uma nica vez em (m a11)(a: (122) . . . (:B ann)- N segunda
parte, faa a: = 0 e considere os casos para n par e n impar.

10 No, pois no clculo do determinante s h adies, subtraes e multiplicaes, mas


no divises.

Seo 4.2 Propriedades dos Determinantes


1 a. 7. b O'

2 P23 = E2(1)E32(1)E23(1)E32(1)-
3 nul(AB) = n posto(AB) ?. n = PSt(A) = n _ n + nul(A) = nul(A) > 0.

4 det(A1) = .
332 Respostas de Exerccios Selecionados

5 det(P_1) : dep) = _11),, = (1)p : det(P) = det(PT).


6 det(Q) = 1 ou det(Q) = 1.

7 det(P) = 1 ou det(P) = 0.

8 Seja A n >< n antissimtrica. Se n for mpar, ento det(A) = 0. Se n for Pl, ento
det(A) pode assumir qualquer valor.

9 det(kA) = k" det(A).

12 a. 60. _ b. abc. c. abcd.

13 (1)"a1na2,n_1a3,n_2 . . . anl.

14 Note que a ltima linha pode ser escrita como uma combinao linear das anteriores.

15 A matriz A I como a matriz do exerccio anterior.

16 As 3 primeiras colunas geram um subespao de dimenso, no mximo, 2, no podendo


ser, portanto, linearmente independentes.

19 Como a + B = & + B e = d, ento det(A*) = det(F) = det(AT) = det(A).

20 det(A) = det(A*) = det(A), ento det(A) E R.

Seo 4.3 Aplicaes de Determinantes

141.542 1 _4
3]. b.-g
10
812.
3 3
1 7

3
d
1 2 -1
4 8
8 8
o
4
42 156 155 -79
-4 48 12 56 .
d. & _10 4 _1 5 . ,
e. Nao ex1ste.
8 20 34 54

2 a.x=[7 2 1]T. b.x=[6 1 5 317".


4 Aproximadamente 16 anos.

5 '(31)+(y+2)=2. b. w+(y+1)2+(z2)2=32.
Respostas de Exerccios Selecionados 333

Captulo 5 Autovalores
Seo 5.1 Sistemas Mecnicos

1 A1=332ez==25$
4 A=,/x+%vetgpzg,/'k,sex0960,ecp=%,semo=0.
5 Use a frmula do cosseno da soma de ngulos e faa A = A' cos(go) e B = A' sen(cp).

6 mal = k(a:1 mg), Mag = [C(1,-1 2x2 + 1133), mm;, = k(:t3 = 552)

Seo 5.2 Autovalores e Autovetores


1 a.,x1=1,x1=[3 1 3]T; A2=A3=3,X2=[1 -1 117.
b. A1=0,x1=[1 1 117"; A2=A3=1,x2=[3 1 0]T,x3=[3 1 GP.
c.A1=A2=3,x1=[1 1 0]T,x2=[1 0 1]T;,x3=5,x3=[1 2 117".
d. A1=A2=2;A3=1;A4=1.

3 det(AT AI) = det((A ADT) : det(A AI). Calcule os autovetores de A = [ (1 ) ] .


4 A ser singular se, e somente se, det(A OI) = det(A) : 0.

5 [ ]
O 1
O O

7 Como dim(W1 EB Wz) = p + q, basta mostrar que ul, . . . ,up,v1, . . . ,vq so L.I. De fato,
- --
reescrevendo a1u1 + + apup + 51V1 + - + %% = 0 como

041111 + . . . + apup+ : (61v1 + --- --


+ quq), ento alul + + apup = 0, pois est em
--
W1 n W2 : 9, Isso significa que al : = a,, = 0, pois os vetores so L.I. Analogamente,
51 == Hq = 0, portanto B base de W1 GBWg.
8 Todos os autovalores so nulos.

9 Todos os autovalores so nulos, pois, para x autovetor associado ao autovalor A,


0 = Aqx = AAx = AAx = = Ax. ---
10 Multiplique Ax = Ax por A"].

11 Use o Exerccio 42.14.

12 nul(A AI) : n posto(A AI) = n 7'.


334 Respostas de Exerccios Selecionados

seo 5.3 Matrizes Complexas


1 XTX = 5 lOz' e X'): = 15, assim devemos escolher "X = VX*X.
2 BN(A)=[[i 2z' 11T),BN(AT)=[[1' -7: 1]T,[0 1 ame
BN<A)=+[i i 1]T,[0 1 2i]T],
3 A*A uma matriz 3 >< 3 hermitiana.

4 Para 0 mltiplo de vr.

5 Ai = E = H = Xi.

7 (x*Ax)* = x*A*x = x*Ax.

9 ||Ax||2 = (x*A*)(Ax) = x*(A*Ax) = x*Ax = Allxll.

10 det(A*) = det(AT) = det(AT) = det(A).

11 Pelo exerccio anterior, det(A) = det(A*) : det(A.

12 A demonstrao similar a da Proposio 5.3, mas chega-se concluso que X = A.

13 Sim, so invertveis pois, caso contrrio, i e z' seriam autovalores de A.

15 [det(U)| = Wdetw) = det(U*) det(U) = det(U*U) = det(I) = 1.

16 No. Basta mostrar que o discriminante A 2 0. De fato,


A=(k1+k2+>2_4k1k2 >(k1 + k2)2_4k1k2 :
_
mz m1m2
=(L) +() +2k1k2 _4k1k2=(k1_k2)
ml ml 777.2 mlmg
2 2 2
20
ml ml m1m2 mlmg ml mz
Seo 5.4 Diagonalizao

1a.SA=[J[
c. Matriz no diagonalizvel. b.SA=

d. SA =
1 O 2
101
O 1 1
3 3 1
1 1 O
1 O 2
1

O
0 O
040.
O 2

1 O 0
O 1 O
O O 3
.
Respostas de Exerccios Selecionados 335

2 A = [AI-1. s-IAS = B. A = SBS1 = S(RCR-l)s-1 = (SR)C(SR)1-

=M iH
4 Note
ma ma .um1-
queTsimilaraJviaT1= E2(%)J1132(k). SeA= STS1, ento
A= SE2(% )JE2(k)S 1%(SEz( ))J(SE2(% ))"1
5 AT (S1)TATST= (SI)TAT((S1)T)1_

6 Basta notar que Fi,-AP,;1 troca os elementos A,- e A]- na diagonal principal de A.

7 Se A = SBS1, ento A2 = SBSSBS1 = SBS.

8 Note que N possu (pelo menos) uma coluna de zeros, N 2 possui (pelo menos) duas
colunas de zeros e assim sucessivamente.

9 Ver o exerccio anterior.

10 Como A e J possuem os mesmos autovalores distintos i e i, so similares mesma


matriz diagonal, sendo, portanto similares.

11 Se (A AI)x= O, ento ((A+I) (A+ 1)I)x= 0

12 A1 = (SAS1)1 = S'AS"1 = SAS1 = A

14 &. Falsa. Contraexemplo: [ 1 1


0 1 ].
b. Verdadeira. Note que, para uma matriz diagonal A, A ser a matriz nula se, e
somente se, A for a matriz nula.
c. Verdadeira. nul(A AI) = 4 posto(A - AI) = 4 1 = 3.
1 1 O 0
0 1 O 0
d. Falsa. Contraexemplo. 0 O 1 0
0 0 O 2

Seo 5.5 - Teorema Espectral


1 Basta calcular det(A AI ) = O.
336 Respostas de Exerccios Selecionados

6J60 62J6 0 600


3a060 b.0 62%)", c030
006 0 0 6 001

205 %
5A=023eX3=0
001
6 Calcule U2TU2 usando multiplicao em blocos.

7 Se A no for diagonalizvel, use o Exerccio 5.4.4.

11 Basta comparar os respectivos primeiros elementos das matrizes AA* e A*A.

12 Pelo Exerccio 5.3.13 , (A + il) e (A 'iI) so invertveis, ento, fazendo A = UAU *,


com U unitria, temse A :l: i] = U (A :l: il)U *. E, ainda,
(A + iI)(A z'I)1 = U((A + iI)(A iI)1)U*. Agora, basta provar que
((A + il)(A iI)1)* = (A il) (A + iI)1. De fato, como as matrizes so diagonais,
pode-se trabalhar apenas com os elementos das diagonais principais:

1 . Ajz' .
(((A + 2'1)(A ii)ll)37- = (M - i)1(A,- + i) = Aj+i(Az)A3+1(A_z)_
Xl 1
= ,x-z' = A-i.
( )Af+1 ( )(Aj+z)-1 _
= ((A _ iI)(A + iI)"1)
J

13 Escreva A = UAU * e note que A Ai] uma matriz diagonal cujo isimo elemento da
diagonal principal nulo.

14 Dica: Note que A = %(A + A) %(A A*).


17 Considere Ax = Ax, com ||x|| = 1. Ento, 0 < x*Ax = x*Ax = Ax*x = A.

19 Use os dois exerccios anteriores e o Exerccio 5.5.8.

Seo 5.6 Aplicao: Cadeias de Markov


1 No se pode agrupar os elementos nulos de uma matriz estritamente positiva, pois eles
no existem.

2x2=[2 1 1]TeX3=[1 0 1]T.


3 Note que os autovetores X2 e X3 no podem mais representar quantidades positivas, pois
possuem elementos de sinais opostos.
ReSpostas de Exerccios Selecionados 337

4 Se M e P0s1t1va, ento irredutvel. Pelo Teorema de PerronFrobenius, existe A1


pos1t1vo e seu autovetor associado xl tem todas as suas coordenadas positivas. Se A1 > 1,
entao, apos Cada periodo o nmero de carros aumentar, j que Mxl : Alxl.

Seo 5.7 Aplicao: SVD e PCA

M =
b?llll++l
Lg; mw]

2 Pelo Exerccio 5.3.9, os autovalores de ATA so no negativos, ento os valores


singulares de A sero reais no negativos. Os autovetores de ATA so reais, ento V real.
U tambm ser real, basta ver que AV : U 2.

3 Considere A = U EV* a SVD de A. Note que A, U, 2 e V so matrizes quadradas de


mesma dimenses. Ento, (A*A) = (VU*)(AA*)(VU*)*, 22? = 2*Z e o produto de
unitrias unitria.

4 det(A) = det(UEV*) : det(U) det(E) det(V*) = det(E).

5 A1 = (U23V*)1 : (V*)"121U1 = VE'IU', agora basta inverter os elementos da


diagonal principal de E.

6 Os autovalores de A*A = I so todos 1, portanto os valores singulares de A so 1.

8 a(A) := 1,82 x 105 e a(H) % 1,60 x 1013.

Captulo 6 Transformaes Lineares


Seo 6.1 Transformaes Lineares
1 So transformaes lineares: a, d e e.

2 a. T(m,y,z)=(x2y+3z,2m+7y,2x+y+z).
b. T(x,y)=(w+y,xy)-
c. T(zc,y) = (a: +2y,w = y,2w+3y)-
d. T(a0,a1,a2,a3) = (a1,22,3a3,0)'
4 Note que aTu + (1 a)Tv : T(au) + T((1 _ GOV) : T(au + (1 (UV) 6 TC.

=
338 Respostas de Exerccios Selecionados

5 &. Falsa. T(g:,y) = (3,0). b. Falsa. T(m,y) : (m,y,0). c. Verdadeira.

--- -
6 Se 0 = alul + +anun, ento 0 = T0 = T(a1u+ --+anun) = alTui + ' ' ' +anTun,
somente quando al = ---
= a,, = 0. Contraexemplo: a transformao identicamente nula.

9 Aplique sucessivamente T"1, Tn', ..., T a alx + - - - + anTnlx = O.

10 Como ((T S)u,v) = O, Vv e V, ento (T S)u = O, Vu & U, logo T S & T-L-


nula, i.e., T = S.

12 (& => b) Trivial. (b :> e):


2(TVivTVj> = llTVi Tlel2 llTVz'll2 llTlel = ||Vz' lel2 Vil!2 ||Vj||2 = 0-
= = = = = =

(c => a) Tome u e v como combinaes lineares de ul, . . . , u,, e calcule (Tu, Tv).

Seo 6.2 Dois Subespaos Fundamentais

1 Inspire-se no Exemplo 6.4.

2 Vu = [x y]T 6 R2, TAu = [a; 0]T # [1 1]T.

3 u = [u1 11.2 0317 = u3[1/2 3/2 n + [01 02/2 02/2 0]T.


4 a. Verdadeira. Vu 6 U, Tu R(T) N(T), i.e., Tu = 0.
b. Verdadeira. c. Falsa. T.L. id. nula.

d. Verdadeira. e. Falsa. T.L. id. nula.

5 Vv & R(T), existe u e U, tal que Tu = v. Mas u = a1u1 + - - - + anun, o que implica
--
v = alTul + + anTun

para escalares al, ..., an. Isto , Tul, . . . ,Tun geram R(T).

7 Note que x = Ax + (I A)x.

8 Tlvl = v1, Tvz = v1 + vz e T_1V3 = v2 + V3.

Seo 6.3 Representao Matricial de Transformaes Lineares

=133
1A= -113
111
Respostas de Exerccios Selecionados 339

1 O
2 A= 3 1
6 3

3 A= [B _B [
a 2a
1
1
O para escalares a e B.

4 .[_2 4].1 1
b.263. c-[O2 3]'O

8 Considere dim(U ) = n, dim(V) : m e um isomorfismo T : U > V. Tome uma base


(ul, . . . ,un] de U e mostre que Tul, ..., Tu,, so L.I. e, portanto, m 2 71. Agora, tome
uma base [VI, . . . ,vm] de V e mostre que T1v1, ..., Tvm so L.I. e, assim, n 2 m.

Seo 6.4 Operadores Autoadjuntos

3 (Tu, Tv) = (u, T*Tv) = (u, v).

4 Sejam Tu = Au, com T e u # 0. Ento, IAI = 1, pois |A|||u|| = ||Au|| = Tu = ||u||.


5 Utilize a Proposio 5.8 como modelo e o resultado do Exerccio 6.4.3.

6 Basta fazer 11 = v = x autovetor associado a A.

7 D(a0+a1x+'--+an$") =01+262$+"'+nan$"1 =(ao+a1w+-n+anw")


somente se A = 0. Os nicos vetores u tais que Du : Ou : 0 so os polinmios constantes,
assim, o nico autovetor L.I. associado a A = O p(a:) = 1. Ento, D no diagonalizvel,
pois seus autovetores no formam uma base de P,, (:c). Para o operador D + I, note que
(D+!)(0+"'+nmn) =0+1 +"'+n'3" =(0+"'+anm") somente se A: 1.
Seo 6.5 - Aplicao: Transformaes Lineares Geomtricas
2 Basta substituir cos = nz e sent? = m em (6.9) e notar que n n = 1 27% e que
riffn = 12n.
3 Para encontrar o ngulo 0 de rotao em relao ao eixo a:, projete o vetor normal n no
plano yz, encontrando o vetor d, que forma um ngulo 0 com o eixo z. Note que 0 o
ngulo de rotao (em torno do eixo as) necessrio para que o vetor d coincida com o eixo
z, Realizada a rotao R,,(B), o vetor 11 est sobre o plano mz e faz um ngulo qb com o
eixo z. Basta agora realizar a rotao Ry(q5) para que o vetor n Hque sobre o eixo z.

4 Basta notar que, por exempl, R$)1 = R(9)T-


340 Respostas de Exerccios Selecionados

5 RAG) = R$(9) e R,,(e = 0) = I.

6 F(n)1 = F(n), lembrando que n + n + n : 1, F(n) :[, se n = 0.

7 Girar qualquer vetor contido no eixo a: em torno desse eixo no alterar o vetor. Nenhum
outro vetor do R3 ter. essa propriedade, ento os outros autovetores devem ser complexos.

8 No R2, A1 = 1 e A2 = 1. No R3, A1 = 1 e A2 = A3 = 1 (dupla).


10

11
P = A(BTA)-IBTA(BTA)-IBT = AI(BTA)_1BT = A(BTA)-1BT = P.
P : . .. = P e pT : A[(ATA)1]TAT : A[(ATA)T]1AT : A(ATA)1AT _ P.

Apndices
Apndice A MATLAB e GNU Octave

1 A/B soluo de XB = A ou, se B for invertvel, AB_1. J AXB soluo de AX = B.


4 V = Q, a menos do sentido dos vetores, e S(l : 2, :)2 = L.

5 O resultado uma espiral sendo desenhada.

Apndice B - Corpos

4 Basta notar que 2 e Z no possui inverso multiplicativo.


5 Se 1 e 1' so elementos neutros da operao ' de IF,
1'=1-1'=1'-1=1.

6 Sejam ,B e 'y inversos aditivos de a e F. Ento,


7=7+0=7+(a+6) = (7+a)+B= (a+7)+B=O+B=B+0=B-
7 Supondo rl # O 74 T2 (casos triviais), como r # 27%, para T1, T2 e Q, ento o inverso
multiplicativo de rl + x/21'2
JMA/5733.
T12 _ 27'22 7.1 2T22
""
'
ReSpostas de Exerccios Selecionados 341

9 V = (O, 1], com adio vetorial denida por

0+0=0, 0+1=1, 1+0=1 e 1+1=0;


e multiplicao por escalar

0-O=0, 01=0, 1-0=0 e 1-1=1.

Apndice C Nmeros Complexos


1%: a+ib
1 _ 1
a+ib aib
=
aib_
=
aib
= a zb = E.
|+,-b|z

3 Tringulo equiltero, quadrado e pentgono regular, cada um com um vrtice no ponto


1.

4 Faa, por exemplo, w = 2%z, com z3 = 1.

5 w = :iz2i. Faa 2 = 3'u, com v = 1, e use as razes cbicas da unidade.


.

.:
fl
a.

&

.E! ;
ndice Remissivo
Amplitude, 194 Corpo, 2, 60, 61, 256, 265, 268, 270,
Anlise de Componentes Principais, 246 303, 307
Aplicao linear, veja. Transformao Covarincia, 231
linear Cramer, Gabriel, 184
Autoespao, 204, 206 Cramer, regra de, 16, 187
Autovalor, 191, 197, 199, 202, 211, _,
214, 220, 241, 242, 277, 278, Decmp
279 300 PA = LU, veja Decomposio LU
Autovetor, 191, 197, 199, 202, 211,
214 220, 241, 277, 278, 281,
d utvlr
eSpec r
ei Decompsm

300, de valor singular, 243, 244


'
dominante, 240 reduzida, 243
completa, 243

Base, 74, 75, 281 espectral, 215, 220, 245


cannica, 74, 83 LDU, 55
completamento de, 76 LU, 33, 43, 46, 47, 300
mudana de, 85 QR, 146, 300
ordenada, 82, 82, 268, 270 completa, 146
Bola fechada, 126 reduzida, 146
Dependncia linear, 72
Cadeia de Markov, 239 Desigualdade
Cardano, Girolamo, 307 de CauchySchwarz, 122, 124
Cauchy, Augustin-Louis, 122 triangular, 118
Cisalhamento, 291 Determinante, 165
Cofator, 165, 180 menor, 165
Combinao linear, 6, 71 Diagonal principal, 8, 46, 150, 175,
Complemento ortogonal, 132, 132, 134 176, 220, 241, 244
Conjunto convexo, 258 Distncia, 125
Constante de mola, 154, 192
Coordenadas, 6, 83, 241 Eliminao de Gauss, mtodo de
homogneas, 292 pivotamento completo, 40

343
344 Indice Remissivo

pivotamento parcial, 39, 40 n, veja, vrtice108


Equaes normais, 157, 159 vrtice, 108
Escalamento, 289 Gram, Jorgen Pedersen, 139
Escalar, 60, 303 Grupo, 293
Espao(s) vetorial(is), 59, 61 quociente, 304, 305
dimenso, 76, 257
dimenso finita, 74
Hermite, Charles, 10
dimenso infinita, 74
Hooke, Robert, 154
lei de, 154, 192
dual, 257
isomorfos, 262, 265, 268, 270 Imagem, 93, 261, 263
Espaocoluna, 92, 100, 103, 112, 132 Independncia linear, 72, 93, 94, 99,
Espao-linha, 90, 92, 100, 112, 132 104, 106, 158, 202, 220, 278
Espao-nulo, 95, 96, 100, 111, 132, Isomorfismo, 87, 262
157
Espaonulo esquerdo, 97, 100, 110, Jordan, Camille, 221
132, 157 Jordan, Wilhelm, 51
Estabilidade, 16, 47 Kernel, veja. ncleo 96
estatstica, 47
Laplace, Pierre Simon, 165
Fase, ngulo de, 194 expanso de, 165
Fibonacci, sequncia de, 167, 207 Lei de Kirchhoff
Flops, 190 das correntes, 112
Forma de Jordan, 221, 234 das voltagens, 113
Forma escalonada, 21, 92, 93 Leibniz, Gottfried Wilhelm, 161
reduzida por linhas, 51, 54, 106 Lema de Schur, 225, 232
Frmula de Leslie
De Moivre, 310 modelo de, 217
Euler, 308
Frequncia, 194 Markov, Andrey, 239
natural, 194 Matriz, 2
Funcional linear, 254, 260, 276 adjunta, 10
antihermitiana, 10, 216
Gauss, Karl Friedrich, 16 antissimtrica, 10, 14, 182
GaussJordan, mtodo de, 51 aumentada (do sistema), 18
GNU Octave, 297 autoadjunta, veja hermitiana
Grafo, 108 de covarincia, 231
aresta, 108 de incidncia, 109
Indice Remissivo 345

de Leslie, 217 triangular, 175, 233


de Markov, 238, 242 inferior, 9, 35, 36, 46
de mudana de base, 85 reversa, 182
de rotao, 210, 215, 285 superior, 9, 46, 146, 225
de transio, vejo. de mudana de unitaria, 213, 213, 214, 225, 231,
base 244
de transio de estado, 192 Mtodo das potncias, 209
diagonal, 8, 13, 176, 223, 231, 233, Multiplicao em bloco, 12, 183, 227
244 Multiplicidade
diagonalizvel, 218, 220, 231, 234 algbrica, 206, 241, 242
dos cofatores, 184 geomtrica, 206
elementar, 30, 31, 92, 106, 176,
177 Norma, 118, 122, 135, 213
esparsa, 181
induzida, 125
proveniente de produto interno, 122
exponencial de uma, 224, 302
Ncleo, 96, 261, 263
hermitiana, 10, 211, 231
Nulidade, 97, 262
idempotente, 150, 208
Nmero complexo
identidade, 30, 54, 106, 176, 300
complexo conjugado, 307
inversa, 31 forma polar, 308, 309
invertvel, 31, 31, 47, 54, 94, 99, inverso multiplicativo, 307
105, 106, 158, 178 mdulo, 308
irredutvel, 240, 241 parte imaginria, 307
mal condicionada, 48, 49 parte real, 307
no singular, veja, invertvel Nmero de condio, 47 , 249
nilpotente, 37, 208, 223, 224 Nmero de ouro, 197, 207
normal, 229, 233, 233, 234
ortogonal, 148, 225, 231 Operao
ps-multiplicao, 37 adio vetorial, 60
positiva definida, 127, 237 conjunto fechado na, 60
positiva semidefinida, 127, 237 elementar, 19
redutvel, 240 multiplicao por escalar, 60
reflexo de Householder, 153 Operador linear, 254, 272, 278280
simtrica, 9, 231 autoadjunto, 280, 281
similar, 218, 225 diagonalizvel, 278, 281
singular, 31 identidade, 265
transposta, 5, 179, 186 ortogonal, 259, 279
346 Indice Remissivo

unitrio, 279 invariante, 204, 277, 280


ortogonais, 131
Permutao catica, 19
soma de, 68
Piv, 21, 39, 92, 93
soma direta, 68, 78, 206
Polinmio
caracterstico, 200, 232 Tacoma, ponte do estreito de, 191
de Legendre, 144 Teorema
Posto, 95, 100, 103105, 262, 263 de Cayley-Hamilton, 232
completo, 104, 150 de Perron-Frobenius, 241
Processo de Gram-Schmidt, 139 Espectral, 231, 281
Produto interno, 119, 122, 135, 213 Fundamental da lgebra, 168, 200,
euclidiano, 120 307
euclidiano ponderado, 120 Fundamental da lgebra Linear,
Projeo, 150, 289, 290 100, 132, 263, 276
ortogonal, 137, 138, 152, 290 Trao, 13
Projetor, 150, 289, 290 Transformao linear, 253, 254, 256,
complementar, 151 263, 264, 270, 276
ortogonal, 152, 290 adjunta, 276
Reflexo, 287 espao das, 257
Regra do paralelogramo, 128 injetiva, 262
Relao de equivalncia, 222 inversa, 265
Retrossubstituio, 21 invertvel, 265, 265
Rotao, 285 singular, 265
sobrejetiva, 262
Schmidt, Erhard, 139 Translao, 292
Schwarz, Karl Hermann Amandus, 122
Srie de Fourier, 144 Valor esperado, 229
Sistema linear, 15 Valor singular, 243, 244
conjuntosoluo, 15 Varincia, 230
consistente, 15, 103, 103 Varivel
homogneo, 16, 104, 105 aleatria, 229
inconsistente, 15, 103 basica, 23, 100
no homogneo, 16 livre, 23, 100
soluo, 15, 104, 105 Vetor(es), 1, 61
soluo geral, 15 dos termos independentes, 15, 103
Subespao(s) vetorial(is), 66, 77 ortogonais, 129, 211, 214
gerado, 71, 142 ortonormais, 130
ndice Renmsivo 347

singular
direito, 243
esquerdo, 243
n. SBM
(continuao dos ttulos publicados)
Polinmios e Equaes Algbricas - A. Hefez e M.L. Villela
-
Bpicos de Historia de Matematica T. Roque e ]. Bosco Pitombeira
Recursos Computacionais no Ensino de Matematica V. Giraldo, P. Caetano e F. Mattos
Temas e Problemas Elementares - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado
Nmeros e Funes Reais - E. L. Lima
Aritmtica - A. Hefez
Geometria - A. Caminha
Avaliao Educacional - M. Rabelo
Geometria Analtica ]. Delgado, K. Frensel e L. Crissaff
Matemtica Discreta A. Morgado e P. C. P. Carvalho

COLEOINICIAO CIENTFIQI
Nmeros Irracionais e Iramcendentes - D. G. de Figueiredo
Nmeros Racionais e Irracionais - Ivan Niven
Topicos Especiais em lgebra - ]. F. S. Andrade

COLEO TEXTOS UNIVERSITRIOS


Introduo Computao Algbrica com o Maple - L. N. de Andrade
Elementos deAritmtica - A. Hefez

Mtodos Matemticos para a Engenharia E. C. de Oliveira e M. Tygel
Geometria Diferencial de Curvas e Superfcies - M. P. do Carmo
Matemtica Discreta L. Lovsz, ]. Pelikn e K. Vesztergombi
lgebra Linear: Um segundo Curso - H. P. Bueno
-
Introduo s Funes de uma Varivel Complexa C. S. Fernandez e N. C. Bernardes Jr.
Elementos de Topologia Geral - E. L. Lima
A Construo dos Nmeros - ]. Ferreira
Introduo Geometria Projetiva - A. Barros e P. Andrade

Analise Vetorial Classica F. Acker

Funes, Limites e Continuidade P. Ribenboim
-
Fundamentos deAndlise Funcional D. Pellegrino, E. Teixeira e G. Botelho

Ioria dos Nmeros Iranscendentes D. Marques

Introduo Geometria Htperblica - O modelo de Poincar P. Andrade
lgebra Linear: Horia eAplicaes - T.P. de Arajo

COLEO MATEMTICM APLICADA


-
Introduo Inferncia Estatstica H. Bolfarine e M. Sandoval
Dscretizao de Equaes Diferenciais Parciais - ]. Cuminato e M. Meneguette
DE SBM
(continuao dos ttulos publicados)
COLEAO OLIMPIADAS DE MATEMTICA
' Olimpadas Brasileiras de Matematica, la a 8a - E. Mega e R. Watanabe
' Olimpadas Brasileiras de Matemtica, 94 a 164 - C. Moreira, E. Morra, E. Tengan, L. Amncio, N- C
Saldanha e P. Rodrigues
21 Aulas de Matemtica Olmpica - C. Y. Shine
' Iniciao a Matemtica: Um curso com problemas e solues K. I. M Oliveira e A. ]. C. Fernandez

COLEO FRONTEIRAS DA MATEMTICA


' Fundamentos da Doria Ergdica - M.Viana e K. Oliveira
|) R 0
Grfica
E d Ito ra
Impresso em Agosto de 2014 por
DRQ GRFICA E EDITORA LTDA.
Rua So Janurio, 438 CEP 20921.003 1
Rj
Coleo Textus
L' nit enitrioe
destinase : esttuhmes universitrias cuia
formao deve incluir uma sl'uh base
nutentica. Os autores so Mm
com reeonhexida cultura nesta rea e
grande experincia didtica.
A Sociedade Brasileira de Matemtica.
ao tomar disponvel esta coleo. colabora
de malo eletivo na tarefa de criao de
uma moderna literatura cientfica
brasileira.