Mathematics">
Álgebra Linear II - Wilberclay
Álgebra Linear II - Wilberclay
Álgebra Linear II - Wilberclay
ii
2.2.2 Processo de Gram-Schmidt e Exemplos . . . . . . . . . . . . . . . . . 23
iii
5.2 Exercı́cios Propostos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8 Formas Bilineares 93
iv
8.1 Formas Bilineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
v
Capı́tulo 1
Caro aluno, no curso de Vetores e Geometria Analı́tica, você estudou um produto especial
entre dois vetores de R2 (ou de R3 ). Este é denominado produto escalar. Depois de es-
tudarmos Álgebra Linear 1, mostramos como podemos adicionar uma estrutura de espaço
vetorial a um conjunto não-vazio. Nesta disciplina, provaremos que estas idéias podem ser
interligadas para que possamos estender o produto escalar a um espaço vetorial arbitrário.
Veremos que os conceitos de norma de um vetor, ângulo e ortogonalidade entre dois vetores
em R2 (ou de R3 ) podem ser generalizados.
Definição 1.1 (Produto Interno em R). Seja V um espaço vetorial sobre R. Dizemos que
uma aplicação h·, ·i : V × V −→ R, que associa dois vetores u, v ∈ V um único número hu, vi
real, é um produto interno sobre V em R, se esta satisfaz as seguintes condições:
1
iv) (Positividade) hv, vi ≥ 0, ∀ v ∈ V ;
Quando munirmos o espaço vetorial V a um produto interno h·, ·i, dizemos que V é um
espaço vetorial com produto interno h·, ·i ou que V é um espaço Euclidiano.
Obs 1.1 (Nomenclatura). Quando não houver possibilidade de confusão de quem é o espaço
vetorial, diremos simplesmente produto interno para um produto interno sobre V em R.
Obs 1.2 (Produto Interno sobre C). Poderı́amos ter definido produto interno sobre um
espaço vetorial V em C (conjunto dos números complexos), chamado produto interno Her-
metiano, como sendo uma aplicação h·, ·i : V × V −→ C que verifica os itens i), ii), iv) e v),
mas ao invés do item iii), terı́amos a seguinte igualdade
i)
ii)
hλu, vi = hλ(x1 , x2 ), (y1 , y2 )i = h(λx1 , λx2 ), (y1 , y2 )i := (λx1 )y1 + (λx2 )y2
2
= λ(x1 y1 + x2 y2 ) =: λh(x1 , x2 ), (y1 , y2 )i = λhu, vi,
iii)
iv)
v)
ver item iv). Em particular, h(1, 0), (1, −1)i = 1·1+0(−1) = 1 e h(1, 0), (0, 1)i = 1·0+0·1 =
0. Quando não dissermos o contrário, este produto interno canônico será o produto interno
de R2 .
e
λ(x1 , x2 , ..., xn ) = (λx1 , λx2 , ..., λxn ), ∀ λ ∈ R.
3
o contrário, este produto interno canônico será o produto interno de Rn .
Exemplo 1.3 (Produto Interno Canônico para as Funções Contı́nuas). Seja V = C([a, b])
o espaço vetorial das funções reais contı́nuas em [a, b], isto é, V = C([a, b]) = {f : [a, b] −→
R; f é contı́nua}, aqui [a, b] ⊆ R é um intervalo, com as operações de soma de vetores e
multiplicação por escalar usuais, ou seja,
i)
Z b Z b Z b
hf + g, hi := [f + g](t)h(t)dt = [f (t) + g(t)]h(t)dt = [f (t)h(t) + g(t)h(t)]dt
a a a
Z b Z b
= f (t)h(t)dt + g(t)h(t)dt =: hf, hi + hg, hi.
a a
ii)
Z b Z b Z b
hλf, hi := (λf )(t)h(t)dt = λf (t)h(t)dt = λ f (t)h(t)dt =: λhf, hi.
a a a
iii)
Z b Z b
hf, hi := f (t)h(t)dt = h(t)f (t)dt =: hh, f i.
a a
iv)
Z b Z b
hf, f i := f (t)f (t)dt = f (t)2 dt ≥ 0.
a a
v)
Z b
hf, f i = 0 ⇔ f (t)2 dt = 0 ⇔ f (t) = 0, ∀ t ∈ [a, b] ⇔ f = 0,
a
4
ver item iv). Neste ponto, utilizamos o seguinte resultado para integrais: ϕ é contı́nua
Z b
ϕ(t) ≥ 0, ∀ t ∈ [a, b] e ϕ(t)dt = 0 ⇒ ϕ = 0 (consulte [5]).
a
Quando não dissermos o contrário, este produto interno canônico será o produto interno de
C([a, b]).
Exemplo 1.4 (Não é Produto Interno). Seja V = R2 o espaço vetorial com a soma de vetores
e multiplicação por escalar usuais. Defina h·, ·i : R2 × R2 −→ R por h(x1 , x2 ), (y1 , y2 )i :=
−2x1 y1 + x2 y2 . Afirmamos que h·, ·i não é um produto interno sobre R2 em R. Com efeito,
seja v = (1, 0) ∈ R2 , então
Proposição 1.1 (Propriedades do Produto Interno). Seja V um espaço vetorial com produto
interno h·, ·i. Então as seguintes afirmações são verdadeiras:
5
nestas igualdades utilizamos os itens iii), ii), iii), da Definição 1.1, respectivamente.
Agora, mostremos que o item ii) é verdadeiro. De fato, usando o item i) e a comutatividade
da Definição 1.1, obtemos
Obs 1.3 (Propriedades em C). Os itens ii), iii) e iv) da Proposição 1.1 continuam sendo
válidos em espaços vetoriais com produto interno em C, mas o item i) tem uma significante
modificação:
hu, λvi = λhu, vi, ∀ u, v ∈ V, ∀ λ ∈ C.
Pense nisso!!!
Exemplo 1.5. No exemplo 1.1, vimos que h(1, 0), (1, −1)i = 1. Consequentemente, uti-
lizando o item i) da Proposição 1.1, concluimos que h(1, 0), (2, −2)i = 2h(1, 0), (1, −1)i =
2 · 1 = 2.
Exercı́cios de Fixação
1. Considerando o espaço vetorial R3 , calcular hu, vi = 1, nos seguintes casos
i) u = ( 12 , 2, 1) e v = (4, 1, −3);
ii) u = (2, 1, 0) e v = (4, 0, 2);
iii) u = (1, 1, 1) e v = (2, −1, 5).
2. Usando o produto interno canônico de C([0, 1]) no espaço vetorial formado por polinômios
de grau menor ou igual a 2. Determine o produto escalar de:
6
i) f (t) = t e g(t) = 1 − t2 ;
1 1
¡ ¢
ii) f (t) = t − 2
e g(t) = 2
− t − 12 .
3. Seja V um espaço vetorial. Ponhamos por definição hu, vi = 0, ∀ u, v ∈ V. Prove que h·, ·i
é um produto interno sobre V.
4. Seja V = R2 . Sendo u = (1, 2) e v = (−1, 1) ∈ R2 , determine um vetor w deste espaço
tal que hu, wi = −1 e hv, wi = 3.
5. Sendo u = (x1 , x2 ) e v = (y1 , y2 ) ∈ R2 , definamos
x1 y1 x2 y2
hu, vi := + 2 ,
a2 b
7
iii) (Desigualdade Triangular) ku + vk ≤ kuk + kvk, ∀ u, v ∈ V ,
é chamada norma sobre V . Quando munirmos um espaço vetorial V a uma norma, dizemos
que V é um espaço vetorial normado.
Obs 1.4. Já que estamos estendendo o produto escalar de R2 (ou de R3 ), adotaremos que,
geometricamente, a norma de um vetor é o comprimento deste.
Obs 1.5. Note que o item i) da Definição 1.2 nos diz que, se kvk = 0 então v = 0.
A pergunta que surge é: A recı́proca deste fato é verdadeira? A reposta é afirmativa.
Vejamos a justificativa no
Ou seja, resumidamente, temos que kvk = 0 ⇔ v = 0. Em palavras, o único vetor que tem
comprimento nulo é o vetor nulo.
Para exemplificar a Definição 1.2 vamos, primeiramente, provar alguns resultados preli-
minares. Começemos com um dos Teoremas mais populares da Matemática.
Teorema 1.1 (Teorema de Pitágoras). Seja V um espaço com produto interno h·, ·i. Então
Demonstração. Primeiramente, observe que a raiz quadrada acima pode ser calculada com
a justificativa do item iv) da Definição 1.1.
8
na última igualdade usamos a hipótese do Teorema.
Portanto, das duas últimas igualdades, inferimos que kuk2 + kvk2 = kuk2 + 2hu, vi + kvk2 .
Cancelando os termos idênticos desta igualdade, obtemos 2hu, vi = 0. Por fim, hu, vi = 0,
como querı́amos demonstrar.
Obs 1.6. A recı́proca do Teorema de Pitágoras, isto é, hu, vi = 0 ⇐ ku + vk2 = kuk2 + kvk2
não é verdadeira no caso do produto interno ser Hermetiano. Tente justificar o por quê!!!
Exemplo 1.7. Seja V = R2 com o produto interno canônico, definido no exemplo 1.1. Seja
p
k · k := h·, ·i. Note que
k(1, 1)k2 = h(1, 1), (1, 1)i = 2, k(1, 0)k2 = h(1, 0), (1, 0)i = 1 e k(0, 1)k2 = h(0, 1), (0, 1)i = 1.
Assim sendo, k(1, 1)k2 = k(1, 0) + (0, 1)k2 = k(1, 0)k2 + k(0, 1)k2 . Usando o Teorema de
Pitágoras (ver Teorema 1.1), obtemos h(1, 0), (0, 1)i = 0.
Exemplo 1.8. Seja V = C([−1, 1]) com o produto interno canânico, definido no exemplo
p
1.3. Seja k · k := h·, ·i. Então, para f (t) = t e g(t) = 1, ∀ t ∈ [−1, 1], temos que
Z 1 Z 1
2 t3 2
kf k = hf, f i = 2
t dt = |1−1 = , kgk2 = hg, gi = 1dt = t|1−1 = 2
−1 3 3 −1
e Z 1
t2 ¯¯1
hf, gi = tdt = ¯ = 0.
−1 2 −1
2 8
Pelo Teorema de Pitágoras (ver Teorema 1.1), kf + gk2 = kf k2 + kgk2 =
+2= .
3 3
Teorema 1.2 (Desigualdade de Cauchy-Schwarz). Seja V um espaço com produto interno
h·, ·i. Então
|hu, vi| ≤ kukkvk, ∀ u, v ∈ V,
p
onde kuk := hu, ui, ∀ u ∈ V.
9
definição da aplicação k · k, obtemos
f (x) = ku − xvk2 = hu − xv, u − xvi = hu, ui − 2xhu, vi + x2 kvk2 = kuk2 − 2xhu, vi + x2 kvk2 .
Logo, kuk2 −2xhu, vi+x2 kvk2 ≥ 0. Note que o gráfico de f é uma parábola, a qual está acima
do eixo das abscissas (o vértice desta parábola pode tocar tal eixo). Portanto, ∆ = 4hu, vi2 −
4kuk2 kvk2 ≤ 0 (discriminante). Ou seja, hu, vi2 ≤ kuk2 kvk2 . Por fim, |hu, vi| ≤ kukkvk (aqui
√
usamos a2 = |a|). O Teorema está provado.
Obs 1.7. A desigualdade de Cauchy-Shwarz é válida para espaços vetoriais com produto
interno hermetiano. Você aluno está convidado a provar esta afirmação. Sugestão: Use
y = xhu, vi no lugar de x.
Exemplo 1.9. Seja V = C([0, 1]) com o produto interno canônico, definido no exemplo 1.3.
µZ 1 ¶2 µZ 1 ¶ µZ 1 ¶
2 2
Podemos mostrar que f (t)g(t)dt ≤ [f (t)] dt [g(t)] dt . Com efeito, pela
0 0 0
desigualdade de Cauchy-Shwarz (ver Teorema 1.2), temos que |hf, gi| ≤ kf kkgk, ∀ f, g ∈ V .
Com isso, hf, gi2 ≤ kf k2 kgk2 . Usando as definições de h·, ·i e k · k, encontramos o resultado
desejado.
Proposição 1.2 (Norma sobre um Espaço Euclidiano). Seja V um espaço vetorial com
p
produto interno h·, ·i. Então a aplicação k · k : V → R, definida por kvk := hv, vi, é uma
norma sobre V. Neste caso, dizemos que a norma k · k provém do produto interno h·, ·i.
p
i) Seja v 6= 0. Então, hv, vi > 0, pela Definição 1.1. Logo, kvk = hv, vi > 0.
10
iii) Vamos provar a desigualdade triangular. Note que
na última desigualdade usamos o Teorema 1.2. Logo, pelo item i), obtemos
ku + vk ≤ kuk + kvk, ∀ u, v ∈ V.
Exemplo 1.10 (Norma sobre R2 ). Seja V = R2 com o produto interno canônico, ver exemplo
p
1.1. Assim, k · k : R2 → R, dada por k(x, y)k = x2 + y 2 , é uma norma. Basta observar que
p p
k(x, y)k = h(x, y), (x, y)i = x2 + y 2 .
Exemplo 1.11 (Norma em Rn ). Seja V = Rn com o produto interno canônico, ver exemplo
p
1.2. Assim, k · k : R2 → R, definida por k(x1 , x2 , ..., xn )k = x21 + x22 + ... + x2n , é uma
norma. Com efeito,
p q
k(x1 , x2 , ..., xn )k = h(x1 , x2 , ..., xn ), (x1 , x2 , ..., xn )i = x21 + x22 + ... + x2n .
Exemplo 1.12 (Norma de Funções Contı́nuas). Seja V = C([a, b]) com o produto interno
canônico, ver exemplo 1.3. Logo, k · k : C([a, b]) → R, dada por
s
p Z b
kf k = hf, f i = [f (t)]2 dt,
a
é uma norma.
ii) k2(1, 0)k = k(2, 0)k = 22 +02 = 4. Por outro lado, |2|k(1, 0)k = 2k(1, 0)k = 2(12 +02 ) = 2.
Assim, k2(1, 0)k 6= |2|k(1, 0)k. Isto contradiz o item ii) da Definição 1.2.
Definição 1.3 (Vetor Unitário). Seja V um espaço vetorial normado. Dizemos que um vetor
v ∈ V é unitário se kvk = 1.
11
p
Obs 1.8. Note que v é unitário ⇔ kvk = 1 ⇔ hv, vi = 1, onde k · k = h·, ·i.
Obs 1.9. Podemos transformar qualquer vetor não-nulo v ∈ V em um vetor unitário. Basta
v
escolher u = . Para verificar a veracidade deste fato, basta utilizar o item ii) da Definição
kvk
1.2 e obter ° ° ¯ ¯
° v ° ¯ 1 ¯ 1
kuk = ° ° ¯ ¯
° kvk ° = ¯ kvk ¯ kvk = kvk kvk = 1.
√
Exemplo 1.14 (Vetor Unitário em R2 ). Vimos, no exemplo 1.10, que k(1, 0)k = 12 + 02 =
√ √
1 e que k(1, 1)k = 12 + 12 = 2. Logo, (1, 0) é um vetor unitário e (1, 1) não. Para
transformar (1, 1) em vetor unitário, basta realizar o seguinte processo
µ ¶
(1, 1) (1, 1) 1 1
= √ = √ ,√ ,
k(1, 1)k 2 2 2
Exemplo 1.15 (Vetor Unitário com Funções Contı́nuas). Seja V = C([0, 1]) com o produto
interno canônico
s definido no exemplo
s 1.3. Sejam f (t) = 1 s
e g(t) = t. Vimossno exemplo 1.12
Z 1 Z 1 Z 1 Z 1
1
que kf k = 2
[f (t)] dt = 1dt = 1 e que kgk = 2
[g(t)] dt = t2 dt = √ .
0 0 0 0 3
Logo, f é um vetor unitário e g não. Usando a observação 1.9, obtemos o vetor unitário
g t √
= 1 = 3t.
kgk √
3
Exercı́cios de Fixação
1. Sejam u, v ∈ V , onde V é um espaço vetorial com produto interno. Se kvk, kuk = 1, e
ku − vk = 2, determine hu, vi, onde kk é a norma que provém do produto interno.
2. Seja V um espaço vetorial formado pelos polinômios de grau menor ou igual a 2 com o
produto interno interno canônico para C([0, 1]). Calcular kf (t)k (kk é a norma que provém
do produto interno) nos seguintes casos:
i) f (t) = t;
ii) f (t) = −t2 + 1.
3. Num espaço vetorial com produto interno provar que
i) kuk = kvk ⇔ hu + v, u − vi = 0;
12
ii) ku + vk2 = kuk2 + kvk2 ⇔ hu, vi = 0.
4. Sejam u = (x1 , x2 ) e v = (y1 , y2 ) ∈ R2 .
i) Mostrar que hu, vi := x1 y1 − 2x1 y2 − 2x2 y1 + 5x2 y2 define um produto interno sobre R2 ;
ii) Determinar a norma de u = (1, 2) em relação ao produto interno usual e também em
relação ao produto definido em i).
√
5. Considere o espaço R3 . Determinar a ∈ R de maneira que kuk = 41, onde u = (6, a, −1),
onde k · k é a norma que provém do produto interno canônico.
6. Prove que a igualdade na Desigualdade de Cauchy-Schwarz é válida se, e somente se, os
vetores, lá presentes, são l.d. (linearmente dependente).
7. Sejam u = (1, 1, 0) e v = (0, 1, 2) ∈ R3 . Determinar os vetores w ∈ R3 tais que kwk = 1 e
hu, wi = hv, wi = 0.
8. Sejam u = (1, 2, 0, 1) e v = (3, 1, 4, 2) ∈ R4 . Determinar hu, vi, kuk e kvk, onde k · k
provém do produto interno canônico de R4 .
9. Sabendo que kuk = 3, kvk = 5, com u e v elementos de um espaço vetorial com produto
interno, determine t ∈ R de maneira que hu + tv, u − tvi = 0.
Exercı́cios:
1. Encontre um produto interno sobre R2 tal que h(1, 0), (0, 1)i = 2.
2. Defina h(x1 , y1 ), (x2 , y2 )i = 2x1 x2 − x1 y2 − x2 y1 + 2y1 y2 . Mostre que este é um produto
interno sobre R2 .
3. Seja V um espaço vetorial sobre R. Sejam h·, ·i1 , h·, ·i2 dois produtos internos sobre V.
Defina h·, ·i3 = h·, ·i1 + h·, ·i2 e h·, ·i4 = λh·, ·i1 , onde λ > 0. Prove que h·, ·i3 e h·, ·i4 são
produtos internos sobre V. h·, ·i5 = h·, ·i1 − h·, ·i2 define um produto interno sobre V ?
4. Seja h·, ·i o produto interno canônico de R2 .
i) Seja u = (1, 2) e v = (−1, 1). Se w é um vetor tal que hu, wi = −1 e hv, wi = 3, encontre
w;
ii) Mostre que para qualquer vetor v ∈ R2 , temos v = hv, (1, 0)i(1, 0) + hv, (0, 1)i(0, 1).
13
5. Seja h·, ·i o produto interno canônico de R2 e seja T : R2 → R2 dado por T (x, y) = (−y, x).
Mostre que h(x, y), T (x, y)i = 0, ∀ (x, y) ∈ R2 . Encontre todos os produtos internos sobre R2
que satisfazem esta mesma propriedade.
6. Seja A uma matriz 2 × 2 com entradas reais. Para X, Y matrizes 2 × 1 defina hX, Y iA :=
Y t AX, onde Y t é a transposta de Y. Mostre que h·, ·iA é um produto interno sobre o espaço
das matrizes 2 × 1, com entradas reais, se, e somente se, A = At , A11 , A22 , det(A) > 0, onde
A = (Aij ).
7. Seja V um espaço vetorial com produto interno h·, ·i. Considere sobre V a norma que
provém do produto interno. Prove a seguinte identidade de polarização:
1 1
hu, vi = ku + vk2 − ku − vk2 , ∀ u, v ∈ V.
4 4
8. Seja V um espaço com produto interno h·, ·i. A distância entre os vetores u e v em V é
dada por d(u, v) := ku − vk. Mostre que:
i) d(u, v) ≥ 0;
ii) d(u, v) = 0 ⇔ u = v;
iii) d(u, v) = d(v, u);
iv) d(u, v) ≤ d(u, w) + d(w, v).
9. Seja V um espaço vetorial com produto interno h·, ·i. Sejam u, v ∈ V . Mostre que
u = v ⇔ hu, wi = hv, wi, ∀ w ∈ V.
10. Seja V um espaço vetorial com produto interno h·, ·i. Seja U um espaço vetorial. Seja
T : U → V uma transformação linear injetora. Mostre que hx, yiU := hT (x), T (y)iV é um
produto interno sobre U. Conclua que qualquer espaço vetorial com dimensão finita possui
um produto interno.
Sugestão: Crie um isomorfismo entre um espaço vetorial de dimensão n e Rn .
11. Seja V um espaço vetorial com dimensão finita. Seja β = {v1 , v2 , ..., vn }. Seja h·, ·i um
produto interno sobre V. Sejam λ1 , λ2 , ..., λn ∈ R. Mostre que existe exatamente um vetor
v ∈ V tal que hv, vi i = λi , ∀ i = 1, 2, ..., n.
12. Seja V um espaço vetorial com produto interno h·, ·i. Considere sobre V a norma que
provém do produto interno. Prove a seguinte lei do paralelogramo
14
13. Use a Desigualdade de Cauchy-Schwarz em R3 para mostrar que, dados os números reais
estritamente positivos x1 , x2 , x3 , vale a desigualdade:
µ ¶
1 1 1
(x1 + x2 + x3 ) · + + ≥ 9.
x1 x2 x3
15
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LAGES, E., Curso de Análise vol. 1, Décima Segunda Edição, Rio de Janeiro, IMPA,
2008. 431p.
[6] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[7] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[8] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
16
Capı́tulo 2
Ortogonalidade e Processo de
Gram-Schmidt
Prezado aluno, nesta seção, mostraremos como estenter a idéia de vetores ortogonais, vista
no curso de Vetores e Geometria Analı́tica. A Desigualdade de Cauchy-Schwarz, vista no
Teorema 1.2, nos permite definir ângulo entre dois vetores quaisquer em um espaço vetorial
com produto interno em R. Procedemos da seguinte maneira:
Considere dois vetores u e v não-nulos em V , então |hu, vi| ≤ kukkvk. Portanto,
hu, vi
−kukkvk ≤ hu, vi ≤ kukkvk ⇒ −1 ≤ ≤ 1. (2.1)
kukkvk
hu, vi
Consequentemente, existe θ ∈ [0, π] tal que cos θ = .
kukkvk
Definição 2.1 (Ângulo entre vetores). Seja V um espaço vetorial com produto interno h·, ·i.
17
Sejam u, v ∈ V vetores não-nulos. Definimos o ângulo entre u e v por
µ ¶
hu, vi
θ = arccos .
kukkvk
¶ µ
hu, vi
Notação: ^(u, v) = θ = arccos .
kukkvk
µ ¶
hu, vi
Obs 2.1. Encontrar ^(u, v) = arccos é equivalente a encontrar o número ^(u, v)
kukkvk
hu, vi
tal que cos(^(u, v)) = .
kukkvk
Obs 2.2. Quando V é um espaço vetorial com produto interno hermetiano, o módulo de
hu, vi (encontrado no Teorema 1.2) não pode ser tratado como em (2.1), pois neste espaço,
|hu, vi| significa o módulo do número complexo hu, vi. Pense nisso!!!
Exemplo 2.1 (Ângulo em R2 ). Seja V = R2 com o produto interno canônico (ver exemplo
1.1), Sejam u = (1, 0) e v = (1, 1) ∈ V . Vamos encontrar ^(u, v). Note que
p √
hu, vi = h(1, 0), (1, 1)i = 1, kuk = k(1, 0)k = h(1, 0), (1, 0)i = 1 = 1
e
p√
kvk = k(1, 1)k =
h(1, 1), (1, 1)i = 2.
√
hu, vi 1 2 π
Portanto, cos(^(u, v)) = = √ = . Logo, ^(u, v) = . Seja w = (0, 1), então
kukkvk 1· 2 2 4
p √
hu, wi = h(1, 0), (0, 1)i = 0, kuk = k(1, 0)k = h(1, 0), (1, 0)i = 1 = 1
e
p √
kwk = k(0, 1)k = h(0, 1), (0, 1)i = 1 = 1.
hu, wi 0 π
Com isso, cos(^(u, w)) = = = 0. Logo, ^(u, w) = .
kukkwk 1·1 2
Exemplo 2.2 (Ângulo entre Funções Contı́nuas). Seja V = C([0, 1]) com o produto interno
canônico (ver exemplo 1.3), Sejam f (t) = t e g(t) = 1 ∈ V . É possı́vel calcular ^(f, g). Veja
que
s s
Z 1 p Z 1 p Z 1
1 1
hf, gi = tdt = , kf k = hf, f i = t2 dt = √ e kgk = hg, gi = 1dt = 1.
0 2 0 3 0
18
µ ¶ à ! Ã√ !
1
hf, gi 2 3 π
Portanto, ^(f, g) = arccos = arccos = arccos = .
kf kkgk √1 1 2 6
3·
Agora, estamos prontos para definir quando dois vetores em um espaço vetorial com produto
π
interno em R formam um ângulo de 90o ou radianos. Usando a Definição 2.1 e o fato que
2
^(u, v) ∈ [0, π], temos que
π hu, vi
^(u, v) = ⇔ cos(^(u, v)) = = 0 ⇔ hu, vi = 0.
2 kukkvk
Definição 2.2 (Vetores Ortogonais). Sejam u, v ∈ V . Dizemos que u e v são ortogonais (ou
perpendiculares) se hu, vi = 0.
Notação: u ⊥ v.
Obs 2.3 (Ortogonalidade em C). Se V é um espaço vetorial com produto interno hermetiano,
não podemos definir ângulo entre dois vetores como na Definição 2.1 (ver observação 2.2).
Porém, podemos definir vetores ortogonais, neste espaço, como na Definição 2.2.
Obs 2.4 (Reformulação do Teorema de Pitágoras). Caro aluno, tente reescrever o Teorema
de Pitágoras 1.1 com esta nova definição de ortogonalidade (Definição 2.2) e interprete
geometricamente!
Exemplo 2.3 (Ortogonalidade em R2 ). Vimos no exemplo 2.1 que (1, 0) ⊥ (0, 1) e que (1, 0)
e (1, 1) não são ortogonais, pois h(1, 0), (0, 1)i = 0 e h(1, 0), (1, 1)i 6= 0.
Exemplo 2.4 (Ortogonalidade com Funções Contı́nuas). Vimos no exemplo 2.2 que f (t) = t
e g(t) = 1 não são ortogonais, pois hf, gi 6= 0.
19
i) 0 ⊥ v, ∀ v ∈ V , em palavras, o vetor nulo é ortogonal a todo vetor;
ii) u ⊥ v ⇒ v ⊥ u;
iv) u ⊥ w e v ⊥ w ⇒ (u + v) ⊥ w;
v) u ⊥ v ⇒ (λu) ⊥ v, ∀ λ ∈ R.
Demonstração. Os itens i) e iii) é uma reformulação dos itens ii) e iv) da Proposição 1.1,
repectivamente. Verifique! Vamos verificar os itens que restaram.
ii)
u ⊥ v ⇒ hu, vi = 0 ⇒ hv, ui = hu, vi = 0,
Assim, (u + v) ⊥ w.
hλu, vi = λhu, vi = λ · 0 = 0,
20
Exercı́cios de Fixação
1. Achar o ângulo entre os seguintes pares de vetores do R3 :
i) u = (1, 1, 1) e v = ( 12 , −1, 12 );
ii) u = (1, −1, 0) e v = (2, −1, 2).
2. Achar o cosseno do ângulo entre u e v nos seguintes casos:
i) u = (1, 1, 1, 1) e v = (0, 0, 1, 1) com o produto interno canônica em R4 ;
ii) f (t) = 1 + t − t2 e g(t) = 3t2 , com o produto interno canônico para C([0, 1]);
à ! à !
1 1 0 1
iii) A = eB= com o produto interno hA, Bi = tr(At B), onde tr(X) =
0 0 1 0
X11 + X22 e At é a matriz transposta de A.
hu, vi
3. Seja V um epsaço vetorial com produto interno h·, ·i. Dados u, v ∈ V (v 6= 0) e λ = ,
kvk2
mostrar que (u − λv) ⊥ v.
4. Determinar m ∈ R a fim de que sejam ortogonais os vetores u = (1, m + 1, m) e v =
(m − 1, m, m + 1) do R3 .
5. Mostrar que se u e v são tais que ku + vk = ku − vk, então u ⊥ v.
6. Em R3 defina o produto interno hu, vi := x1 y1 + 2x2 y2 , onde u = (x1 , x2 ) e v = (y1 , y2 ).
Verificar se u ⊥ v, em relação a esse produto, nos seguintes casos:
i) u = (1, 1) e v = (2, −1);
ii) u = (2, 1) e v = (−1, 1);
iii) u = (3, 2) e v = (2, −1).
7. Consideremos em V espaço formado pelos polinômios de grau menor ou igual a 2 com
o produto interno canônico de C([0, 1]). Nessas condições, para que valor m ∈ R, (f (t) =
mt2 − 1) ⊥ (g(t) = t)?
8. Determinar todos os vetores do R3 de norma igual a 2 que sejam ortogonais simultanea-
mente a (2, 1, 2) e (−1, 3, 4).
Prezados alunos, nesta seção, trabalharemos para que uma base qualquer de um espaço ve-
torial, com produto interno, seja transformada em outra base onde os respectivos vetores são
21
dois a dois ortogonais e cada vetor, isoladamente, seja unitário. Esta nova base facilita, em
muitos casos, as demonstrações dos resultados que estão por vir e os cálculos que aparecerão
em vários exercı́cios deste material.
Definição 2.3 (Conjunto Ortonormal). Seja V um espaço vetorial com produto interno
h·, ·i. Dizemos que um subconjunto X ⊆ V é ortonormal se
i) u ⊥ v, ∀ u, v ∈ X distintos;
Obs 2.6 (Conjunto Ortogonal). Quando um subconjunto X satisfaz o item i) dizemos que
X é um conjunto ortogonal.
Obs 2.7. Note que X na Definição 2.3 não precisa ser subespaço de V .
Exemplo 2.6 (Conjunto Ortonormal em R2 ). A base canônica de R2 , X = {(1, 0), (0, 1)}, é
um conjunto ortonormal em R2 (veja o produto interno do exemplo 1.1), pois h(1, 0), (0, 1)i =
0, k(1, 0)k = k(0, 1)k = 1. O conjunto Y = {(1, 1), (1, −1)} é ortogonal, mas não é ortonor-
√
mal. De fato, h(1, 1), (1, −1)i = 1 − 1 = 0 e k(1, 1)k = 2 6= 1. Veja as explicações destes
cálculos no exemplos 1.1, 1.10 e 1.14.
Exemplo 2.7 (Conjunto Ortonormal com Funções Contı́nuas ). O subconjunto X = {1, 3t2 −
1} é um conjunto ortogonal, mas não ortonormal (veja o produto interno do exemplo 1.3),
pois Z 1
2
h1, 3t − 1i = [3t2 − 1]dt = 1 − 1 = 0
0
e s s
Z 1 Z 1
2 9
k3t − 1k = (3t2 − 1)2 dt = (9t4 − 6t2 + 1)dt = − 1 6= 1.
0 0 5
Exemplo 2.8 (Conjunto Ortonormal em Rn ). A base canônica de Rn ,
X = {(1, 0, ..., 0), (0, 1, 0, ..., 0), ..., (0, ..., 1)},
22
Definição 2.4 (Base Ortonormal). Seja V um espaço vetorial com produto interno e di-
mensão finita. Uma base de V é dita ortonormal se esta for um conjunto ortonormal. Ou
equivalentemente, se {v1 , v2 , ..., vn } é base de V , então
(
1, se i = j;
hvi , vj i =
0, se i 6= j.
Exemplo 2.9 (Base Ortonormal de R2 ). Vimos no exemplo 2.6 que a base canônica de R2
é uma base ortonormal.
Exemplo 2.10 (Base Ortonormal em Rn ). O conjunto X do exemplo 2.8 é uma base ortonor-
mal de Rn .
Exemplo 2.11 (Base Não-ortonormal). O conjunto Y do exemplo 2.6 é uma base. Porém
não é ortonormal.
A pergunta que surge, neste momento, é a seguinte: sempre existe uma base ortonormal para
qualquer espaço vetorial com produto interno e dimensão finita? A resposta é afirmativa. O
próximo resultado garante esta resposta.
Teorema 2.1 (Teorema de Gram-Schmidt). Seja V um espaço vetorial com produto interno
h·, ·i e dimensão finita n > 0. Seja β = {v1 , v2 , ..., vn } uma base de V. Então existe uma base
ortonormal γ = {u1 , u2 , ..., un } de V , onde
j−1
X
vj − hvj , ui iui
v1 i=1
u1 = e uj = ° ° , ∀ j = 2, ..., n. (2.2)
kv1 k ° j−1
X °
° °
°v j − hvj , ui iui °
° °
i=1
Demonstração. Faremos a prova por indução sobre n. Suponha que n = 1, assim, β = {v1 }.
Então faça u1 = kvv11 k . Logo, γ = {u1 } é uma base ortonormal de V . Considere que n > 1,
e que todo subespaço de V de dimensão n − 1 possui uma base ortonormal satsifazendo as
igualdades em (2.2). Como U = [v1 , v2 , ..., vn−1 ] é um subespaço de V com dimensão n − 1,
23
então existe {u1 , u2 , ..., un−1 } base ortonormal de U , onde
j−1
X
vj − hvj , ui iui
v1 i=1
u1 = e uj = ° ° , ∀ j = 2, ..., n − 1.
kv1 k ° j−1
X °
° °
v
° j − hv j , u iu
i i°
° °
i=1
Defina
n−1
X
vn − hvn , ui iui
i=1
un = ° °. (2.3)
° n−1
X °
° °
v
° n − hv n , u iu
i i°
° °
i=1
Afirmamos que γ = {u1 , u2 , ..., un−1 , un } é a base ortonormal procurada. Para isso, pre-
cisamos verificar que un ⊥ uj , ∀ j = 1, 2, ..., n − 1, pois kun k = 1 (ver observação 1.9).
n−1
X
Vamos primeiramente provar que (vn − hvn , ui iui ) ⊥ uj , ∀ j = 1, 2, ..., n − 1. Com efeito,
i=1
utilize a Definição 1.1 para obter
* n−1
+ * n−1 + n−1
X X X
vn − hvn , ui iui , uj = hvn , uj i − hvn , ui iui , uj = hvn , uj i − hvn , ui i hui , uj i
i=1 i=1 i=1
= hvn , uj i − hvn , uj i = hvn , uj i − hvn , uj i = 0, ∀ j = 1, ..., n − 1,
na antepenúltima igualdade usamos o fato que {u1 , u2 , ..., un−1 } é um conjunto ortonormal,
isto é, (
1, se i = j;
hui , uj i =
0, se i 6= j.
Resumidamente, encontramos
* n−1
+
X
vn − hvn , ui iui , uj = 0, ∀ j = 1, ..., n − 1.
i=1
n−1
X
Isto nos garante que, un ⊥ uj , ∀ j = 1, 2, ..., n−1, já que un é um múltiplo de vn − hvn , ui iui
i=1
(ver (2.3) e item iv) da Proposição 2.1). Logo, γ = {u1 , u2 , ..., un } é uma base ortonormal
24
de V . Isto conclui a prova.
Obs 2.8 (Processo de Gram-Schmidt). O processo que descreve como encontar os vetores
u1 , u2 , ..., un é chamado Processo de Gram-Schmidt. Detalhadamente, podemos obter estes
vetores através das fórmulas:
v1
u1 = ;
kv1 k
v2 − hv2 , u1 iu1
u2 = ;
kv2 − hv2 , u1 iu1 k
v3 − hv3 , u1 iu1 − hv3 , u2 iu2
u3 = ;
kv3 − hv3 , u1 iu1 − hv3 , u2 iu2 k
· · · · · · ····················· · · · · · · · · · · · · · · · · · ·
vn − hvn , u1 iu1 − hvn , u2 iu2 − hvn , u3 iu3 − ... − hvn , un−1 iun−1
un = .
kvn − hvn , u1 iu1 − hvn , u2 iu2 − hvn , u3 iu3 − ... − hvn , un−1 iun−1 k
( µ ¶ Ã √ √ !)
1 1 2 2
Logo, γ = u1 = √ ,√ , u2 = − , é uma base ortonormal de R2 .
2 2 2 2
Exemplo 2.13 (Processo de Gram-Schmidt em Polinômios). Seja V = P2 (R) = {a0 +a1 x+
a2 x2 : a0 , a1 , a2 ∈ R} = {polinômios com coeficientes em R de grau menor ou igual a 2}.
25
Considere que este espaço vetorial está munido ao produto interno do exemplo 1.3 para o
espaço C([0, 1]). Seja β = {1, x, x2 } a base canônica de P2 (R) (Verifique que é base!). Vamos
ortonormalizar β através do Processo de Gram-Schmidt. Sejam v1 = 1, v2 = x e v3 = x2 .
1
Assim, u1 = = 1 (ver exemplo 1.15),
k1k
e
√ √ √ √
v3 − hv3 , u1 iu1 − hv3 , u2 iu2 x2 − hx2 , 1i1 − hx2 , 2 3x − 3i(2 3x − 3)
u3 = = √ √ √ √
kv3 − hv3 , u1 iu1 − hv3 , u2 iu2 k kx2 − hx2 , 1i1 − hx2 , 2 3x − 3i(2 3x − 3)k
√ √ √ √
x2 − hx2 , 1i + [−2 3hx2 , xi + 3hx2 , 1i](2 3x − 3) x2 − x + 16
= √ √ √ √ = 2
kx2 − hx2 , 1i + [−2 3hx2 , xi + 3hx2 , 1i](2 3x − 3)k kx − x + 16 k
√ √ √
= 6 5x2 − 6 5x + 5.
√ √ √ √ √
Por fim, γ = {u1 = 1, u2 = 2 3x − 3, u3 = 6 5x2 − 6 5x + 5} é uma base ortonormal
de P2 (R).
Proposição 2.2. Seja V um espaço vetorial com produto interno h·, ·i. Seja X ⊆ V um
conjunto ortogonal tal que 0 6∈ X. Então X é l.i..
26
λ2 v2 + ... + λm vm = 0. Vamos provar que λ1 , λ2 , ..., λm = 0. Então
nesta última igualdade usamos a Proposição 1.1. Como X é um conjunto ortogonal, então
hvi , vj i = 0 sempre que i 6= j (ver observação 2.6). Através das propriedades da Proposição
1.2, obtemos
Mas hv1 , v1 i > 0, pois 0 6∈ X (ver Definição 1.1). Portanto, de (2.4), concluı́mos que λ1 = 0.
Analogamente, prova-se que λ2 , λ3 , ..., λm = 0. Isto garante que X é l.i..
Obs 2.10. Se X é um conjunto ortogonal de V com n vetores, onde dim V = n (dimensão
de V ), então pela Proposição 2.2 temos que X é uma base de V (pois, X é l.i.).
Exemplo 2.14. O conjunto X = {(1, 1), (1, −1)} é l.i., pois X é ortogonal (ver exemplo
2.6). Usando a observação 2.10, X é uma base de R2 , já que dim R2 = 2.
Exercı́cios de Fixação
1. Ortonormalizar a base {(1, 1, 1), (1, −1, 1), (−1, 0, 1)} do R3 , pelo Processo de Gram-
Schmidt.
2. Seja W = {(x, y, z) : x − 2y = 0}. Determinar uma base ortonormal de W.
3. Seja V o espaço formado pelos polinômios de grau menor ou igual a 2 munido pelo produto
interno canônico de C([0, 1]). Ortonormalizar utilizando o Processo de Gram-Schmidt a base
canônica {1, t, t2 }.
4. Determinar uma base ortonormal de cada um dos seguintes subespaços do R4 utilizando
o Processo de Gram-Schmidt:
i) W = [(1, 1, 0, 0), (0, 1, 2, 0), (0, 0, 3, 4)];
ii) W = [(2, 0, 0, 0), (1, 3, 3, 0), (3, −3, −3, 0)].
5. Determinar uma base ortonormal do subespaço W = {(x, y, z, t) : x − y − z = 0 e z − 2t =
0}.
6. Determinar uma base ortonormal do subespaço W = [(1, 1, 1), (1, −2, 3)] em relação ao
produto interno dado por hu, vi := x1 y1 + 2x2 y2 + x3 y3 , ∀ u = (x1 , x2 , x3 ) e v = (y1 , y2 , y3 ).
27
2.3 Exercı́cios Propostos
Exercı́cios:
1. Considere agora o espaço vetorial C([−π, π]) com o produto interno canônico. Mostre
que {1, sen t, cos t, sen 2t, cos 2t, ...} é um conjunto ortogonal. Este conjunto é ortonormal?
2. Sejam V um espaço vetorial com produto interno h·, ·i e β = {v1 , v2 , ..., vn } uma base
ortonormal de V . Sejam u, v ∈ V tais que u = x1 v1 + x2 v2 + ... + xn vn e v = λ1 v1 + λ2 v2 +
... + λn vn . Mostre que
i) v = hv, v1 iv1 + hv, v2 iv2 + ... + hv, vn ivn .;
ii) hu, vi = hu, v1 ihv, v1 i + hu, v2 ihv, v2 i + ... + hu, vn ihv, vn i;
iii) kuk2 = hu, v1 i2 + hu, v2 i2 + ... + hu, vn i2 .
3. Seja R4 com o produto interno canônico. Seja W o subespaço de R4 consistindo de todos
os vetores que são ortogonais aos vetores u = (1, 0, −1, 1) e v = (2, 3, −1, 2). Encontre uma
base ortonormal para W.
4. Aplique o Processo de Gram-Schmidt aos vetores u = (1, 0, 1) e v = (1, 0, −1), w =
(0, 3, 4), para obter uma base ortonormal de R3 .
5. Seja V um espaço vetorial com produto interno h·, ·i. Seja W um subespaço de V. Seja
{v1 , v2 , ..., vn } uma base ortonormal de W . Mostre que ∀ v ∈ V , vale a desigualdade de
Bessel n
X
hv, vj i2 ≤ kvk2 .
j=1
6. Seja V um espaço vetorial de dimensão finita com produto interno h·, ·i. Seja β =
{v1 , v2 , ..., vn } uma base ortonormal de V . Seja T : V → V um operador linear. Seja
[T ]β = (Aij ). Prove que Aij = hT vj , vi i.
7. Determinar uma base ortonormal do subespaço W de R3 dado por W = {(x, y, z) : x−y =
0}.
8. Seja {v1 , v2 , v3 } base ortonormal de R3 , definem-se os cossenos diretores de u em relação
hu, v1 i hu, v2 i hu, v3 i
à base dada por cos α = , cos β = e cos γ = . Provar que:
kuk kuk kuk
i) u = kuk((cos α)v1 + (cos β)v2 + (cos γ)v3 );
ii) cos2 α + cos2 β + cos2 γ = 1.
28
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
29
Capı́tulo 3
Caro aluno, nesta seção, discutiremos quando é possı́vel que um subespaço complemente
outro em um determinado espaço Euclidiano. Este complemento é denominado complemento
ortogonal.
Definição 3.1 (Complemento Ortogonal). Seja V um espaço vetorial com produto interno
h·, ·i. Seja U ⊆ V um subconjunto qualquer. Definimos o complemento ortogonal de U em
V como sendo o conjunto {v ∈ V : hv, ui = 0, ∀ u ∈ U }.
Notação: U ⊥ = {v ∈ V : hv, ui = 0, ∀ u ∈ U }.
30
Por fim, U ⊥ = [(1, 1)].
Teorema 3.1. Seja V um espaço vetorial com produto interno h·, ·i. Seja U um subespaço
de dimensão finita. Então
31
então, em particular, hv, vi = 0. Usando a Definição 1.1, encontramos v = 0. Logo,
U ∩ U ⊥ = {0}. Agora, verificaremos que V = U + U ⊥ . Como dim U é finita, então,
pelo Teorema 2.1, existe uma base ortonormal β = {u1 , u2 , ..., um } de U . Seja v ∈ V um
vetor qualquer. Provaremos que v é a soma de um vetor de U com um vetor de U ⊥ . Para isso,
Xm
escolha u = hv, ui iui ∈ U. Vimos na demonstração do Teorema 2.1 que, hv − u, uj i = 0,
i=1
∀ j = 1, 2, ..., m. Para comodidade do leitor, faremos a prova desta afirmação novamente.
* m + m
X X
hv − u, uj i = hv, uj i − hu, uj i = hv, uj i − hv, ui iui , uj = hv, uj i − hv, ui ihui , uj i
i=1 i=1
= hv, uj i − hv, uj i = 0,
Obs 3.1. Sob as hipóteses do Teorema 3.1, temos que dim V = dim U + dim U ⊥ , pois
V = U ⊕ U ⊥.
Definição 3.2 (Projeção Ortogonal). Sob as mesmas hipóteses do Teorema 3.1. Seja v ∈
V = U ⊕ U ⊥ . Definimos, a projeção ortogonal de v em U como sendo o vetor u, onde
v = u + u⊥ , u ∈ U, u⊥ ∈ U ⊥ .
Notação: PU (v) = u, onde v = u + u⊥ , u ∈ U, u⊥ ∈ U ⊥ .
Obs 3.2. Quando não houver possibilidade de confusão com o subespaço U , escreveremos,
simplesmente, P (v) = PU (v).
Obs 3.3 (Como Encontrar P (v)). Vimos na demonstração do Teorema 3.1 que
m
X
PU (v) = u = hv, ui iui = hv, u1 iu1 + hv, u2 iu2 + ... + hv, um ium ,
i=1
32
Exemplo 3.4 (Projeção Ortogonal de um Vetor). Seja U = {(x, y, 0) : x, y ∈ R}. Vamos
encontrar a projeção ortogonal de (1, 1, 1) em U . Note que
Note que U é subespaço de R3 e dim U = 2. Além disso, {u1 = (1, 0, 0), u2 = (0, 1, 0)} é uma
base ortonormal de U. Logo, usando a observação 3.3, obtemos
P (1, 1, 1) = h(1, 1, 1), u1 iu1 + h(1, 1, 1), u2 iu2 = h(1, 1, 1), (1, 0, 0)i(1, 0, 0)
+ h(1, 1, 1), (0, 1, 0)i(0, 1, 0) = (1, 1, 0).
Obs 3.4. No exemplo 3.4 a base encontrada para U é ortonormal. Nem sempre isso ocorre!
Quando encontrarmos uma base, a qual não é ortonormal, devemos, primeiramente, aplicar o
Processo de Gram-Schmidt para ortonormalizá-la. Depois do processo realizado, procuramos
a projeção ortogonal usando a observação 3.3. Veja o exemplo a seguir.
Exemplo 3.5 (Projeção Ortogonal de R2 ). Seja V = R2 . Seja U = [(1, 1), (0, 1)]. Logo,
β = {(1, 1), (0, 1)} é uma base U . Vamos encontrar P (1,n 2). Para
³ isso,´precisamos
³ √ de√uma´o
1 √1 2 2
base ortonormal de U. Vimos, no exemplo 2.12, que γ = u1 = √
2
, 2 , u2 = − 2 , 2
é uma base ortonormal de U. Logo, pela observação 3.3,
¿ µ ¶À µ ¶ * à √ √ !+ à √ √ !
1 1 1 1 2 2 2 2
= (1, 2), √ , √ √ ,√ + (1, 2), − , − ,
2 2 2 2 2 2 2 2
= (1, 2).
Definição 3.3 (Aplicação Projeção Ortogonal). Sob as mesmas hipóteses do Teorema 3.1
definimos a projeção ortogonal de V em U , P : V → U , a função que associa cada v ∈ V o
vetor PU (v) (projeção de v em U ).
Proposição 3.2 (Linearidade da Projeção Ortogonal). Considere que estamos sob as mes-
mas hipóteses do Teorema 3.1. Então a projeção ortogonal de V em U é uma aplicação
linear.
33
Demonstração. Sejam v1 , v2 ∈ V . Como V = U ⊕ U ⊥ , então existem únicos u1 , u2 ∈ U e
u⊥ ⊥
1 , u2 ∈ U
⊥
tais que v1 = u1 + u⊥ ⊥
1 e v2 = u2 + u2 . Portanto, para λ ∈ R, temos que
onde u1 + λu2 ∈ U e u⊥ ⊥
1 + λu2 (esta é a única maneira de escrever v1 + λv2 , ver Teorema
3.1), pois U e U ⊥ são subespaços de V (ver Teorema 3.1 e Proposição 3.1). Com isso,
Dessa forma,
P (v1 + λv2 ) = u1 + λu2 = P (v1 ) + λP (v2 ),
P (x, y, z) = h(x, y, z), u1 iu1 + h(x, y, z), u2 iu2 = h(x, y, z), (1, 0, 0)i(1, 0, 0)
+ h(x, y, z), (0, 1, 0)i(0, 1, 0) = x(1, 0, 0) + y(0, 1, 0) = (x, y, 0).
Exercı́cios de Fixação
1. Achar uma base do subespaço V ⊥ , onde V = [(1, 0, 1, 1), (1, 1, 2, 0)]. Ortonormalize esta
base.
2. Determinar a projeção ortogonal de u = (1, 1) no subespaço U = [(1, 3)].
3. Achar a projeção ortogonal de (1, 1, 1, 1) no subespaço U = [(1, 1, 0, 0), (0, 0, 1, 1)].
4. Determinar a projeção ortogonal de f (t) = 2t − 1 no subespaço U = [t], em relação ao
produto interno canônico de C([0, 1]).
5. Determinar uma base ortonormal de U ⊥ , onde U = {(x, y, z, t) : x + y = 0 e 2x + z = y}.
34
6. Seja V o espaço formado pelos polinômios de grau menor ou igual a 2 com o produto
interno canônico de C([0, 1]).
i) Ortonormalize {1, 1 + t, 2t2 };
ii) Achar o complemento ortogonal do subespaço U = [5, 1 + t].
7. Mostre que a projeção ortogonal, P : V → U , de V em U satisfaz:
i) P 2 := P ◦ P = P ;
ii) ker(P ) = U ⊥ (núcleo de P ) e Im(P ) = U ;
iii) V = ker(P ) ⊕ Im(P ).
8. Seja u = (1, 1, 1, 1). Encontre {u}⊥ . Determine uma base ortonormal para {u}⊥ .
Exercı́cios:
1. Seja V o espaço
Z vetorial formado pelos polinômios com grau ≤ 3. Equipe V com o produto
1
interno hf, gi = f (t)g(t)dt.
0
i) Encontre o complemento ortogonal do subespaço formado pelos polinômios constantes;
ii) Aplique o processo de Gram-Schmidt à base {1, x, x2 , x3 }.
2. Seja V o espaço vetorial de toads as matrizes n × n sobre R. Verifique que hA, Bi =
tr(AB t ), onde tr(X) = X11 + X22 + ... + Xnn (traço de X), é um produto interno sobre V .
Encontre o complemento ortogonal do subespaço formado pelas matrizes diagonais.
3. Seja V um espaço vetorial com produto interno h·, ·i. Seja W um subespaço de V
com dimensão finita. Seja P a projeção ortogonal de V em W . Mostre que hP (u), vi =
hu, P (v)i, ∀ u, v ∈ V .
4. Considere o espaço vetorial C([−1, 1]) com o produto interno canônico. Seja P ⊆
C([−1, 1]) o subespaço formado por todas as funções pares e I ⊆ C([−1, 1]) o subespaço
formado pelas funções ı́mpares. Mostre que P ⊥ = I.
5. Mostre que se U for um subespaço de dimensão infinita de um espaço vetorial V com
produto interno h·, ·i, então não é verdade, em geral, que V = U ⊕ U ⊥ . Portanto, se reti-
rarmos a hipótese de dimensão finita do subespaço, no Teorema 3.1, o Teorema deixa de ser
35
verdadeiro. ( )
∞
X
Sugestão: Considere que V = l2 (R) = (xn ) ⊆ R : x2n <∞ com o produto interno
n=1
∞
X
h(xn ), (yn )i := xn yn (verifique!). Seja U = [(1, 0, ...), (0, 1, 0, ...), ..., (0, 0, ..., 1, 0, ...), ...].
n=1
Prove que U ⊥ = {(0, 0, ...)}. Para concluir, mostre que V 6= U.
6. Seja W = [(3, 4)]. Seja h·, ·i o produto interno canônico de R2 . Encontre a projeção
ortogonal P de R2 em W, aÃmatriz !de P (em relação à base canônica), W ⊥ , uma base
1 0
ortonormal β tal que [P ]β = .
0 0
7. Sejam U1 , U2 subespaços de dimensão finita de um espaço vetorial com produto interno
h·, ·i. Mostre que (U1 + U2 )⊥ = U1⊥ ∩ U2⊥ e (U1 ∩ U2 )⊥ = U1⊥ + U2⊥ .
8. Seja V um espaço vetorial com produto interno h·, ·i. Seja U um subespaço de dimensão
finita de V. Então, para cada v ∈ V , tem-se
kv − P (v)k ≤ kv − uk, ∀ u ∈ U,
36
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
37
Capı́tulo 4
Caro aluno, nesta aula, mostraremos como, em alguns casos, é possı́vel obter, a partir de
um operador linear, uma aplicação linear chamada Adjunta. Veremos que propriedades este
novo operador satisfaz. A adjunta será responsável pela definição de operadores de grande
relevância para a Álgebra Linear.
O Teorema a seguir caracteriza todos os funcionais lineares reais sobre um espaço vetorial
com produto interno e dimensão finita. Antes de enunciá-lo relembre a definição de funcional
linear real.
Definição 4.1 (Funcional Linear). Seja V um espaço vetorial. Dizemos que uma aplicação
f : V → R é um funcional linear se f (λu + v) = λf (u) + f (v), ∀ u, v ∈ V e λ ∈ R. O conjunto
V ∗ = {f : V → R : f é linear} é um espaço vetorial chamado espaço dual de V.
Exemplo 4.1. A aplicação f : R2 → R, dada por f (x, y) = 2x + y, é um exemplo de
funcional linear.
Teorema 4.1 (Teorema da Representação de Riesz). Seja V um espaço vetorial com produto
interno h·, ·i e dimensão finita. Dado um funcional linear f : V → R, existe único v ∈ V tal
que f (u) = hu, vi, ∀ u ∈ V.
38
Demonstração. Pelo Teorema 2.1, sabemos que existe uma base ortonormal de V . Digamos
que {v1 , v2 , ..., vn } é esta base. Dado u ∈ V , pela definição de base, temos que
u = λ1 v1 + λ2 v2 + ... + λn vn .
Note que
hu, v1 i = hλ1 v1 + λ2 v2 + ... + λn vn , v1 i.
Defina v = f (v1 )v1 + f (v2 )v2 + ... + f (vn )vn . Portanto, f (u) = hu, vi, ∀ u ∈ V. Agora, vamos
provar a unicidade de v ∈ V. Suponha que existe w ∈ V tal que f (u) = hu, wi, ∀ u ∈ V. Com
isso, hu, wi = f (u) = hu, vi, ∀ u ∈ V . Daı́, hu, w − vi = 0, ∀ u ∈ V . Usando o item iv) da
Proposição 1.1, chegamos a w − v = 0. Logo, w = v. Isto porva a unicidade.
Exemplo 4.2 (Funcional Linear em R2 ). Seja f (x, y) = 2x + y o funcional visto no exemplo
4.1. Daı́, f (x, y) = h(x, y), (2, 1)i, ∀ (x, y) ∈ R2 . Logo, v = (2, 1) é o vetor relatado no
Teorema 4.1.
Corolário 4.2 (Isomorfismo entre V e V ∗ ). Seja V um espaço vetorial com produto interno
h·, ·i. e dimensão finita. Então V ∗ é isomorfo a V, isto é, existe um isomorfismo entre V ∗ e
V.
39
linear e injetora, ou seja, que T é linear e ker(T ) = {0}, para provar que T é um isomorfismo.
Primeiramente, vamos provar que T é linear. Com efeito, sejam f, g ∈ V ∗ e λ ∈ R. Então,
pelo Teorema 4.1, existem únicos v, w ∈ V tais que f (u) = hu, vi e g(u) = hu, wi, ∀ u ∈ V.
Portanto,
T (λf + g) = λv + w = λT (f ) + T (g).
Obs 4.1. Quando não hover possibilidade de confusão escreveremos, simplesmente, h·, ·i
para representar h·, ·iU e h·, ·iV , mas deve estar claro que estes produtos estão sobre U e V ,
respectivamente.
Exemplo 4.3 (Adjunta com Polinômios). Seja V o espaço dos polinômios sobre R com o
produto interno canônico de C([0, 1]) (ver exemplo 1.3). Fixe g ∈ V. Defina T : V → V
pondo T (f ) = f · g, ∀ f ∈ V. Vamos procurar a adjunta de T (caso esta exista). Observe
que
Z 1 Z 1
hf, T (h)i = hf, h · gi = f (t)[h(t)g(t)]dt = [f (t)g(t)]h(t)dt = hf · g, hi = hT (f ), hi,
0 0
∀ f, h ∈ V. Portanto, T ∗ (f ) = T (f ) ∀ f ∈ V. Ou seja, T ∗ = T.
As perguntas que surgem no exemplo 4.3 são: a adjunta existe sempre? E se existe, esta
é única? A resposta para a primeira pergunta é negativa, veremos um exemplo na lista de
40
exercı́cios propostos. A resposta para a segunda pergunta está na seguinte
Então,
hT ∗ (v), uiU = hv, T (u)iV = hS(v), uiU , ∀ u ∈ U, v ∈ V,
ou seja,
hT ∗ (v) − S(v), uiU = 0, ∀ u ∈ U, v ∈ V,
isto é, T ∗ (v) − S(v) = 0, ∀ v ∈ V (ver item iv) da Proposição 1.1). Por fim, S = T ∗ . Isto
garante a unicidade de T ∗ .
Note que, no exemplo 4.3 vimos que T ∗ = T , então como T é linear podemos concluir
que T ∗ é linear. Isto sempre ocorre? Ou seja, quando a adjunta existe, além de ser única,
esta é uma transformação linear? Confira a resposta na
hT ∗ (λv + w), uiU = hλv + w, T (u)iV = hλv + w, T (u)iV = λhv, T (u)iV + hw, T (u)iV
= λhT ∗ (v), uiV + hT ∗ (w), uiV = hλT ∗ (v) + T ∗ (w), uiV , ∀ u ∈ U,
ou seja,
Portanto,
hT ∗ (λv + w) − (λT ∗ (v) + T ∗ (w)), uiU = 0, ∀ u ∈ U.
41
Utilizando o item iv) da Proposição 1.1, chegamos a
Prezado aluno, será que existe alguma condição que estabelece a existência da adjunta?
Teorema 4.3 (Existência e Unicidade da Adjunta). Seja T : U → V uma transformação li-
near, onde U e V são espaços vetoriais com produtos internos h·, ·iU e h·, ·iV , respctivamente,
e dimensão finita. Então T ∗ existe, é única e linear.
f (λu + w) = hv, T (λu + w)iV = hv, λT (u)iV + hv, T (w)iV = λhv, T (u)iV + hv, T (w)iV
= λf (u) + f (w), ∀ u, w ∈ U.
Ou seja, f (λu + w) = λf (u) + f (w), ∀ u, w ∈ U. Isto nos diz que f é linear. Pelo Teorema
4.1, exite um único w ∈ U tal que f (u) = hu, wiU = hw, uiU , ∀ u ∈ U. Daı́,
42
Exemplo 4.5 (Adjunta em R2 ). Defina T : R2 → R2 por T (x, y) = (−y, x). Daı́,
h(a, b), T (x, y)i = h(a, b), (−y, x)i = −ay + bx = bx + (−a)y = h(b, −a), (x, y)i.
Logo, T ∗ (a, b) = (b, −a), ∀ (a, b) ∈ R2 , define a adjunta de T . Neste caso, T ∗ = −T.
Exemplo 4.6 (Adjunta em R2 ). Seja T : R2 → R2 dada por T (x, y) = (y, x). Note que
h(a, b), T (x, y)i = h(a, b), (y, x)i = ay + bx = bx + ay = h(b, a), (x, y)i, ∀ (x, y), (a, b) ∈ R2 .
Caros alunos, sabemos que a soma de duas transformações lineares é uma transformação
linear. Faz sentido, então, perguntar se existe ligação entre a adjunta de uma soma e as
adjuntas de cada uma das parcelas. O mesmo pode ser indagado sobre composição, multi-
plicação por escalar envolvendo transformações lineares. O próximo resultado estabelece as
propriedades da adjunta.
43
Demonstração. A existência e a unicidade destas adjuntas estão garantidas pelo Teorema
4.3.
i) Note que, usando a Definição 4.2, temos que
logo, I ∗ = I.
hv, (T + S)(u)i = hv, T (u) + S(u)i = hv, T (u)i + hv, S(u)i = hT ∗ (v), ui + hS ∗ (v), ui
= hT ∗ (v) + S ∗ (v), ui, ∀ u ∈ U, v ∈ V.
Daı́, (T + S)∗ = T ∗ + S ∗ .
hv, (λT )(u)i = hv, λT (u)i = λhv, T (u)i = λhT ∗ (v), ui = hλT ∗ (v), ui, ∀ u ∈ U, v ∈ V.
Assim, (λT )∗ = λT ∗ .
Portanto, (P ◦ T )∗ = T ∗ ◦ P ∗ .
Dessa forma, T ∗∗ = T.
44
pelo item iii) da Proposição 4.3, obtemos
Exemplo 4.8 (Adjunta da soma). Seja S : R2 → R2 dado por S(x, y) = (x − y, x + y). Note
que,
onde T está definida no exemplo 4.5 e I é a identidade de R2 . Vimos que T ∗ (a, b) = (b, −a).
Portanto, usando os itens i) e ii) da Proposição 4.3, encontramos
S ∗ (a, b) = (I +T )∗ (a, b) = (I ∗ +T ∗ )(a, b) = I ∗ (a, b)+T ∗ (a, b) = (a, b)+(b, −a) = (a+b, b−a),
Exemplo 4.9 (Inversa da Adjunta em R2 ). Seja T (x, y) = (−y, x). Vamos mostrar que
[T −1 ]∗ = −T −1 . Vimos no exemplo 4.5, que T ∗ = −T. Logo, pela Proposição 4.4,
45
Proposição 4.5 (Adjunta e Subespaço). Seja T : V → V um operador linear, onde V é um
espaço vetorial com produto interno h·, ·i. Seja U um subespaço T -invariante, isto é, T (U ) ⊆
U . Suponha que T ∗ : V → V existe, então U ⊥ é T ∗ -invariante, ou seja, T ∗ (U ⊥ ) ⊆ U ⊥ .
Exemplo 4.10. Seja T : V → V uma transformação linear tal que T = T ∗ (caso exista),
onde V é um espaço vetorial com produto interno h·, ·i. Seja U um subespaço T -invariante,
então U ⊥ é um subespaço T -invariante (ver Proposição 4.5).
Caros alunos, será que existe uma relação entre a matriz de uma transformação linear e a
matriz de sua adjunta, em relação a uma base qualquer? A resposta é negativa, mas se a
base for ortonormal obtemos o seguinte resultado.
Demonstração. Seja [T ]β = (Aij ). Note que T (vj ) = A1j v1 + A2j v2 + ... + Anj vn . Conse-
quentemente,
hT (vj ), vi i = hA1j v1 + A2j v2 + ... + Anj vn , vi i = A1j hv1 , vi i + A2j hv2 , vi i + ... + Anj hvn , vi i.
Como β é uma base ortonormal, então hT (vj ), vi i = Aij hvi , vi i = Aij (ver Definição 2.4).
Logo, hT (vj ), vi i = Aij , ∀ i, j = 1, 2, ..., n. Seja [T ∗ ]β = (Bij ). Analogamente ao que foi feito
nesta demonstração, temos que
ver Definição 4.2, isto é, Bij = Aji , ∀ i, j = 1, 2, ..., n. Isto nos diz que [T ∗ ]β = [T ]tβ .
46
2
Exemplo 4.11 Ã (Matriz! da Transformação e da Adjunta em R ). Seja T (x, y) = (−y, x).
0 −1
Daı́, [T ]c = é a matriz de T em relação à base canônica de R2 . Como esta base
1 0
2
é ortonormal, em à relação!ao produto interno canônico de R , então, usando o Teorema 4.4,
0 1
[T ∗ ]c = [T ]tc = . Portanto, T ∗ (a, b) = (b, −a).
−1 0
Exercı́cios de Fixação
1. Seja T : R2 → R2 dado por T (x, y) = (10x − y, y). Encontre T ∗ .
√
2. Seja T : R2 → R2 dado por T (x, y) = ( 3x, x − 4y). Encontre T ∗ .
3. Seja T : R3 → R3 dado por T (x, y, z) = (x − y, z, y + z). Encontre T ∗ .
4. Seja T : R3 → R3 dado por T (x, y, z) = (0, 0, z). Encontre T ∗ .
5. Em R3 verifique que h(x1 , x2 , x3 ), (y1 , y2 , y3 )i = 2x1 y1 + 3x2 y2 + 4x3 y3 define um produto
interno. Encontre a adjunta da aplicação linear T dada por
x 1 0 1 x
T y = 2 −1 3 y
z 3 −1 4 z
47
4.2 Exercı́cios Propostos
Exercı́cios:
48
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
49
Capı́tulo 5
Operadores Auto-adjuntos e
Antiauto-adjuntos
Caro aluno, nesta aula, trabalharemos com operadores denominados auto-adjuntos e antiauto-
adjuntos. Mostraremos a estreita relação existente entre o estudo dos autovetores, realizado
em Álgebra Linear 1, com tais operadores.
Definição 5.1 (Operadores Auto-adjuntos). Seja V um espaço vetorial com produto interno
h·, ·i. Dizemos que um operador linear T : V → V é auto-adjunto se T = T ∗ .
Exemplo 5.1 (Operador Auto-adjunto em R2 ). Seja T : R2 → R2 , dada por T (x, y) = (y, x).
Vimos, no exemplo 4.6, que T ∗ = T. Logo, T é um operador auto-adjunto.
50
Exemplo 5.2 (Operador Não-auto-adjunto). Seja T : R2 → R2 , dada por T (x, y) = (−y, x).
Vimos, no exemplo 4.5, que T ∗ (a, b) = (b, −a). Em particular,
Ou seja, T ∗ 6= T. Isto nos diz que T não é auto-adjunto (ver definição 5.1).
Exemplo 5.3 (Operador Auto-adjunto no Espaço dos Polinômios). Seja V o espaço dos
polinômios sobre R com o produto interno canônico de C([0, 1]) (ver exemplo 1.3). Fixe
g ∈ V. Defina T : V → V pondo T (f ) = f · g, ∀ f ∈ V. Vimos, no exemplo 4.3, que T = T ∗ .
Com isso, T é auto-adjunto (ver definição 5.1).
Exemplo 5.4 (Operador Auto-adjunto). Seja V um espaço vetorial com produto interno
h·, ·i. Seja v ∈ V um vetor fixo. Seja T : V → V definida por T (u) = hv, uiv, ∀ u ∈ V .
Vamos mostrar que T é auto-adjunto. De fato,
hv, T (u)i = hv, hv, uivi = hv, uihv, vi = hhv, viv, ui = hT (v), ui,
Exemplo 5.5 (Identidade Auto-adjunto). Seja V um espaço vetorial com produto interno
h·, ·i. Seja I : V → V definida por I(v) = v, ∀ v ∈ V. Vimos, no item i) da Proposição 4.3,
que I ∗ = I. Logo, I é auto-adjunto.
h(a, b), T (x, y)i = h(a, b), (2y, −x)i = (−b)x + (2a)y = h(−b, 2a), (x, y)i.
Assim, T ∗ (a, b) = (−b, 2a). Dessa forma, T (1, 0) = (0, −1) e T ∗ (1, 0) = (0, 2). Portanto,
−T 6= T ∗ . Logo, T não é antiauto-adjunto.
51
5.1.2 Resultados Importantes sobre Operadores Auto-adjuntos e
Antiauto-adjuntos
h(a, b), T (x, y)i = h(a, b), (x + y, x − y)i = a(x + y) + b(x − y) = x(a + b) + y(a − b)
= h(a + b, a − b), (x, y)i.
∗
Com isso, Tµ (a, b) = (a +¶b, a − b), ou seja, T ∗ = T, isto é, T é auto-adjunto. Mostre que
a+b a−b
T −1 (a, b) = , é a inversa de T . Pelo Teorema 5.1, T −1 é auto-adjunto.
2 2
ver Definição 1.1. Assim sendo, 2hv, T (v)i = 0, ∀ v ∈ V. Portanto, hv, T (v)i = 0, ∀ v ∈ V.
hu + w, T (u + w)i = hu + w, T (u) + T (w)i = hu, T (u)i + hu, T (w)i + hw, T (u)i + hw, T (w)i.
52
Por hipótese, hu, T (u)i = hw, T (w)i = hu + w, T (u + w)i = 0, assim,
0 = hu, T (w)i+hw, T (u)i = hu, T (w)i+hw, T (u)i = hT ∗ (u), wi+hT (u), wi = hT ∗ (u)+T (u), wi.
Utilizando a Proposição 1.1, concluı́mos que T ∗ (u) + T (u) = 0, ∀ u ∈ V . Por fim, T ∗ (u) =
−T (u), ∀ u ∈ V . Isto nos diz que T ∗ = −T. Com isso, T é antiauto-adjunto.
h(x, y), T (x, y)i = h(x, y), (−y, x)i = x(−y) + yx = 0, ∀ (x, y) ∈ R2 .
⇐) Suponha que [T ]β = [T ]tβ , onde β = {v1 , v2 , ..., vn } é uma base ortonormal de V. Conse-
quentemente, hT (vi ), vj i = hT (vj ), vi i, ∀ i, j, estas são as entradas das matrizes [T ]β e [T ]tβ ,
X X
respectivamente. Sejam u, v ∈ V , então, pela definição de base, u = xi v i e v = yj vj .
i j
53
Portanto,
* Ã !+
X X X X X X
hu, T (v)i = xi vi , T y j vj = xi yj hvi , T (vj )i = xi yj hT (vj ), vi i
i j i j i j
X X
= xi yj hT (vi ), vj i,
i j
na última igualdade usamos que hT (vi ), vj i = hvi , T (vj )i. Por fim,
* + * Ã ! +
X X X X
hu, T (v)i = xi T (vi ), yj vj = T xi vi , yj vj = hT (u), vi.
i j i j
Logo, usando a Proposição 1.1, temos que, T ∗ = T. Pela Definição 5.1, T é auto-adjunto.
Exemplo 5.11. Seja T (x, y, z) = (2x + 2z, x + z, x + z). Seja β = {(1, 1, 0), (1, 0, 0), (0, 0, 1)}
uma base de V (esta base não é ortonormal, verifique!). Note que
1 1 1
[T ]β = 1 1 1 .
1 1 1
hT (1, 0, 0), (0, 1, 0)i = h(2, 1, 1), (0, 1, 0)i = 1 e h(1, 0, 0), T (0, 1, 0)i = h(1, 0, 0), (0, 0, 0)i = 0.
Exemplo 5.12. Seja T : R2 → R2 dado por T (x, y) = (−y, x). Note que,
à !
0 −1
[T ]c = ,
1 0
onde c é a base canônica de R2 (a qual é ortonormal, ver exemplo 2.9). Veja que [T ]c não é
simétrica, logo, T não é auto-adjunto, pelo Teorema 5.1.
54
Exemplo 5.13. Seja T : R2 → R2 dado por T (x, y) = (y, x). Veja que
à !
0 1
[T ]c =
1 0
é uma matriz simétrica, onde c é a base canônica de R2 . Dessa forma, pelo Teorema 5.1, T
é auto-adjunto.
⇐) Reciprocamente, suponha que [T ]β = −[T ]tβ = [−T ]tβ , onde β = {v1 , v2 , ..., vn } é uma base
ortonormal de V. Consequentemente, hT (vi ), vj i = h−T (vj ), vi i, ∀ i, j, estas são as entradas
das matrizes [T ]β e [−T ]tβ , respectivamente. Logo,
ver demonstração do Teorema 5.1. Dessa forma, pela Proposição 1.1, obtemos T ∗ = −T.
Pela Definição 5.2, T é antiauto-adjunto.
à !
0 −1
Exemplo 5.14. Seja A = uma matriz. Veja que T : R2 → R2 , dado por
1 0
T (x, y) = (−y, x) é tal que [T ]c = A, onde c é a base canônica de R2 (ver exemplo 2.9).
Vamos mostrar que A é anti-simétrica. De fato,
à ! à !
0 1 0 −1
At = =− = −A.
−1 0 1 0
Isto nos diz que At = −A. Ou seja, A é uma matriz anti-simétrica. Pelo Teorema 5.2, temos
que T é antiauto-adjunto.
55
5.1.4 Teorema Espectral para Operadores Auto-adjuntos
Prezados alunos, para provarmos o Teorema Espectral para operadores auto-adjuntos, pre-
cisamos de alguns resultados preliminares.
Lema 5.1 (Operadores Auto-adjuntos e Autovetores). Seja V um espaço vetorial com pro-
duto interno h·, ·i. Seja T : V → V um operador linear auto-adjunto. Então autovetores
associados a autovalores distintos são ortogonais, isto é, se T v = λv e T w = µw (v, w 6= 0),
com λ 6= µ, então v ⊥ w.
Consequentemente,
(λ − µ)hv, wi = 0.
Demonstração. Seja β uma base ortonormal de V (existe pelo Teorema 2.1). Considere
que dim V = n > 0. Então, pelo Teorema 5.1, [T ]β = A = (Aij ) é simétrica, pois T é um
operador auto-adjunto. Considere o polinômio caracterı́stico de T , pA (x) = |xI − A|, onde
I é a matriz identidade n × n. Daı́, λ á autovalor de T ⇔ pA (λ) = |λI − A| = 0. Note que,
pelo Teorema Fundamental da Álgebra, este polinômio tem pelo menos uma raiz complexa
56
λ. Vamos mostrar que λ ∈ R. Como |λI − A| = 0, então AX = λX tem infinita soluções
não-nulas para X (matriz n × 1 com entradas complexas). Digamos que
y1
y2
Y =
..
.
yn
n
X
Com isso, multiplicando por yi , encontramos Aij yj yi = λyi yi , (i = 1, 2, ..., n). Somando
j=1
estes resultados, obtemos
n
X n
X n
X
Aij yj yi = λ yi yi = λ |yi |2 . (5.1)
i,j=1 i=1 i=1
(este módulo é o módulo de um número complexo). Observe que esta última soma resulta
Xn
em um número real. Vamos, agora, verificar que Aij yj yi ∈ R. Ou seja,
i,j=1
n
X n
X
Aij yj yi = Aij yj yi .
i,j=1 i,j=1
De fato,
n
X n
X n
X
Aij yj yi = Aij yj yi = Aij yj yi ,
i,j=1 i,j=1 i,j=1
na última igualdade usamos o fato que A é uma matriz real. Como A é simétrica, então
n
X n
X n
X n
X
Aij yj yi = Aji yj yi = Aij yi yj = Aij yj yi ,
i,j=1 i,j=1 i,j=1 i,j=1
57
n
X n
X
Aij yj yi ∈ R. Mas, |yi |2 ∈ R. Pelas igualdades em 5.1, concluı́mos que λ ∈ R. Dessa
i,j=1 i=1
forma, λ é um autovalor real de T . Associado a este autovalor, existe um autovetor de T.
Teorema 5.3 (Teorema Espectral para Operadores Auto-adjuntos). Seja V um espaço ve-
torial com produto interno h·, ·i e dimensão finita. Então um operador linear T : V → V é
auto-adjunto se, e somente se, existe uma base ortonormal de V formada por autovetores de
T.
⇐) Reciprocamente, seja β = {v1 , v2 , ..., vn } uma base ortonormal de V formada por autove-
tores de T. Digamos que T (vi ) = λi vi , ∀ i = 1, 2, ..., n. Vamos provar que T é auto-adjunta.
Note que
λ1 0 ··· 0
0 λ2 · · · 0
[T ]β = ...
0 0 0
0 0 · · · λn
é uma matriz simétrica, ou seja, [T ]β = [T ]tβ . Portanto, usando o Teorema 5.1, T é auto-
adjunto.
58
Vejamos uma aplicação (ou uma reformulação) do Teorema Espectral para matrizes.
uma matriz simétrica. Então existe P ∈ Mn (R) ortogonal tal que D = P t AP , onde D é uma
matriz diagoonal, constituı́da dos autovalores de A na diagonal (lembre que P é ortogonal se
P −1 = P t , isto é, P P t = P t P = I).
x11 x12 ... x1n x11 x21 ... xn1 hv1 , v1 i hv1 , v2 i ... hv1 , vn i
x21 x22 ... x2n x12 x22 ... xn2 hv2 , v1 i hv2 , v2 i ... hv2 , vn i
P P =
t
=
··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· ···
xn1 xn2 ... xnn x1n x2n ... xnn hvn , v1 i hvn , v2 i ... hvn , vn i
1 0 ... 0
0 1 ... 0
=
= I,
··· ··· ··· ···
0 0 ... 1
59
! Ã
1 2
Exemplo 5.15 (Potência de Matriz Simétrica de Ordem 2). Seja A = . Encontre
2 −2
An , ∀ n ∈ N. Note que A é uma matriz simétrica. Vamos encontrar os autovalores de A.
Para isto, basta encontrar as raı́zes do polinômio caracterı́stico. Veja que
¯ ¯
¯ x − 1 −2 ¯
¯ ¯
pA (x) = |xI − A| = ¯ ¯ = (x − 1)(x + 2) − 4 = x2 + 2x − x − 2 − 4
¯ −2 x + 2 ¯
= x2 + x − 6 = (x + 3)(x − 2)
60
λ2 = 2. Logo, Av = 2v. Isto é,
à !à ! à !
1 2 x x
=2 .
2 −2 y y
61
Colocando estes vetores em coluna encontramos a matriz ortogonal
1 2
√ √
5
P = −25 1 .
√ √
5 5
A matriz diagonal à !
−3 0
D=
0 2
(autovalores de A na diagonal) satisfaz D = P −1 AP, onde P −1 = P t . Consequentemente,
A = P DP −1 . Logo,
Ou seja,
à !à !à !
√1 √2 (−3)n 0 √1 −2
√
n n −1 n t 5 5 5 5
A = PD P = PD P = −2
√ √1 0 2n √2 √1
5 5 5 5
Veja que A é uma matriz simétrica. Vamos encontrar os autovalores de A. Note que
¯ ¯
¯ x−1 2 0 ¯
¯ ¯
¯ ¯
pA (x) = |xI − A| = ¯ 2 x−1 0 ¯ = (x + 1)2 (x − 3).
¯ ¯
¯ 0 0 x+1 ¯
62
autovetor qualquer de A associado ao autovalor λ1 = −1. Daı́, Av = −v. Ou seja,
1 −2 0 x x
−2 1 0 y = − y .
0 0 −1 z z
Logo o autoespaço associado ao autovalor λ1 = −1 é V−1 = [(1, 1, 0), (0, 0, 1)]. Agora,
x
considere o autovalor λ2 = 3. Seja v = y um autovetor qualquer de A associado ao
z
autovalor λ2 = 3. Logo, Av = 3v. Isto é,
1 −2 0 x x
−2 1 0 y = 3 y .
0 0 −1 z z
63
Este sistema é equivalente ao sistema
−2x − 2y = 0;
−2x − 2y = 0;
z = 0.
D ³ ´E ³ ´
(0, 0, 1) − (0, 0, 1), √1 , √1 , 0 √1 , √1 , 0
v2 − hv2 , u1 iu1 2 2 2 2 (0, 0, 1)
u2 = =°
°
D ³ ´E ³ ´° =
°
kv2 − hv2 , u1 iu1 k °(0, 0, 1) − (0, 0, 1), √12 , √12 , 0 √1 , √1 , 0 ° k(0, 0, 1)k
2 2
= (0, 0, 1) .
e
D ³ ´E ³ ´
(−1, 1, 0) − (−1, 1, 0), √1 , √1 , 0 √1 , √1 , 0
v3 − hv3 , u1 iu1 − hv3 , u2 iu2 2 2 2 2
u3 = =°°
D ³ ´E ³ ´°
°
kv3 − hv3 , u1 iu1 hv3 , u2 iu2 k ° (−1, 1, 0) − (−1, 1, 0), √1
, √1
, 0 √1
, √1
, 0 °
2 2 2 2
µ ¶
(−1, 1, 0) −1 1
= = √ , √ ,0 .
k(−1, 1, 0)k 2 2
n³ ´ ³ ´o
Dessa forma, √1 , √1 , 0 , (0, 0, 1), −1 √1
√ , 2, 0 é uma base ortonormal formada por au-
2 2 2
64
tovetores de A. Colocando estes vetores em coluna encontramos a matriz ortogonal
√1 0 −1
√
2 2
√1 √1
P = 2
0 2
.
0 1 0
A matriz diagonal
−1 0 0
D= 0 −1 0
0 0 3
(autovalores de A na diagonal) satisfaz D = P −1 AP, onde P −1 = P t .
Exercı́cios de Fixação
1. Seja T (x, y, z) = (x + y + z, x + y + z) um operador linear. Mostre que T é auto-adjunto.
Encontre os autovalores de T e uma base ortonormal formada por autovetores de T.
2. Explique por que para
1 −2 0
A = −2 1 0
0 0 −1
existe uma matriz ortogonal P tal que P t AP = D é diagonal. Encontre as matrizes P e D.
3. Explique por que para
2 2 0
A = 2 −1 0
0 0 2
existe uma matriz ortogonal P tal que P t AP = D é diagonal. Encontre os autovalores de A
e as matrizes P e D.
4. Explique por que para
0 1 1
A= 1 0 1
1 1 0
existe uma matriz ortogonal P tal que P t AP = D é diagonal. Encontre os autovalores de A
e as matrizes P e D. Determine A5 , usando o Corolário 5.4.
65
5. Explique por que para
0 1 1 −1
1 0 −1 1
A=
1 −1 0 1
−1 1 1 0
existe uma matriz ortogonal P tal que P t AP = D é diagonal. Encontre os autovalores de A
e as matrizes P e D.
6. Explique por que para
1 2 3
A= 2 3 4
3 4 5
existe uma matriz ortogonal P tal que P t AP = D é diagonal. Encontre as matrizes P e D.
7. Dados o vetores v = (2, −1, −2) e w = (3, −6, −6), determine o operador auto-adjunto
T : R3 → R3 tal que T (v) = (1, 1, 13) e T (w) = (3, 21, 33), sabendo que o traço de T é 5,
isto é, a11 + a22 + a33 = 5, onde [T ] = (aij ).
8. Seja
4 2 2
A = 2 4 2 .
2 2 4
Prove que A é simétrica e encontre P ortogonal tal que P t AP = D é uma matriz diagonal.
Exercı́cios:
1. Seja A uma matriz simétrica. Seja λ o autovalor de T de menor módulo. Mostre que A
é invertı́vel se, e somente se, λ 6= 0.
2. Sejam S, T : V → V operadores auto-adjuntos no espaço vetorial V com produto interno
e dimensão finita. Mostre que S ◦ T é auto-adjunto ⇔ S ◦ T = T ◦ S.
3. Seja T : V → V um operador auto-adjunto. Prove que T n (v) = 0, para algum n ∈ N ⇒
T (v) = 0.
66
4. Prove que os operadores auto-adjuntos S, T : V → V são iguais ⇔ hS(v), vi = hT (v), vi,
∀ v ∈ V.
67
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
68
Capı́tulo 6
Caro aluno, nesta seção, veremos mais duas outras classificações de operadores lineares.
Estes serão denominados operadores unitários e normais. Vamos utilizar, inicialmente, a
definição de aplicação isométrica para estabelecer que condições deve satisfazer um operador
unitário.
Definição 6.1 (Isometrias). Seja T : U → V uma aplicação, onde U, V são espaços vetoriais
com os respectivos produtos internos h·, ·iU , h·, ·iV . Dizemos que T é uma isometria se
Obs 6.1. Quando não houver possibilidade de confusão denotaremos por h·, ·i os produtos
h·, ·iU e h·, ·iV e por k · k as normas k · kU e k · kV .
Exemplo 6.1 (Translação é Isometria). Seja V um espaço vetorial com produto interno.
69
Seja T : V → V uma translação, isto é, T (v) = v + w, onde w ∈ V está fixo. Afirmamos que
T é uma isometria. Com efeito,
Exemplo 6.2. Seja T : R2 → R2 dada por T (x, y) = (y, x). Assim sendo,
kT (x, y) − T (a, b)k2 = k(y, x) − (b, a)k2 = (y − b)2 + (x − a)2 = (x − a)2 + (y − b)2
= k(x, y) − (a, b)k2 .
Logo,
kT (x, y) − T (a, b)k = k(x, y) − (a, b)k, ∀ (x, y), (a, b) ∈ R2 .
Exemplo 6.3. Seja T : R2 → R2 dada por T (x, y) = (1, y). Assim sendo,
Por outro lado, k(1, 1) − (0, 1)k = k(1, 0)k = 1. Daı́, kT (1, 1) − T (0, 1)k 6= k(1, 1) − (0, 1)k.
Logo, T não é uma isometria.
70
⇐) Reciprocamente, suponha que kT (u)kV = kukU , ∀ u ∈ U . Portanto, utilizando a
definição de aplicação linear, obtemos
Exemplo 6.4 (Isometria Linear em R2 ). Vejamos outra maneira de verificar que a aplicação
T (x, y) = (y, x) é uma isometria. Note que T é linear (verifique!). Além disso,
p p
kT (x, y)k = k(y, x)k = y 2 + x2 = x2 + y 2 = k(x, y)k, ∀ (x, y) ∈ R2 .
Obs 6.2. A Proposição 6.1 nos diz que um operador linear T : V → V é unitário se, e
somente se, kT (u)k = kuk, ∀ u ∈ V.
Exemplo 6.5 (Operador Unitário em R2 ). No exemplo 6.4, vimos que T (x, y) = (y, x) é
um operador unitário.
Logo, kT (1, 1)k 6= k(1, 1)k. Usando a Proposição 6.1, concluı́mos que T não é unitário (ver
Definição 6.2).
71
6.1.4 Alguns Resultados sobre Operadores Unitários
Caro aluno, agora vamos mostrar outras maneiras de definir operador unitário sobre espaços
vetoriais com produto interno.
i) T é um operador unitário;
Começemos com a implicação i) ⇒ ii). Assim sendo, suponha que T é um operador unitário.
Logo, pela Proposição 6.1, kT (u)k = kuk, ∀ u ∈ V. Portanto, usando a identidade de polari-
zação (ver exercı́cios da aula 01), obtemos
1 1 1 1
hu, vi2 = ku + vk2 − ku − vk2 = kT (u + v)k2 − kT (u − v)k2
4 4 4 4
1 1
= kT (u) + T (v)k − kT (u) − T (v)k = hT (u), T (v)i2 , ∀ u, v ∈ V.
2 2
4 4
ii) ⇒ iii) Se hu, vi = hT (u), T (v)i, ∀ u, v ∈ V, então, pela Definição 4.2, obtemos
iii) ⇒ i) Considere que T ∗ ◦ T = I. Note que, pela Definição 4.2, encontramos as igual-
dades
72
Portanto, pela Proposição 6.1, temos que T é um operador unitário.
Exemplo 6.8. Seja T : R2 → R2 dado por T (x, y) = (−y, x). Verifique que T é unitário.
Vimos que T ∗ = −T (ver exemplo 4.5). Logo, −T , definido por −T (x, y) = (y, −x), é um
operador unitário, pelo Corolário 6.2.
73
Exemplo 6.9. Seja T : R2 → R2 dado por T (x, y) = (−y, x). T é um operador unitário
(verifique!). Sabemos que {(1, 0), (0, 1)} é uma base ortonormal de R2 (ver exemplo 2.9).
Portanto, pelo Corolário, 6.3, {T (1, 0), T (0, 1)} = {(0, 1), (−1, 0)} é um conjunto ortonormal.
Demonstração. Seja v um autovetor de T , ou seja, seja v 6= 0 tal que T (v) = λv. Vamos
provar que λ = 1 ou λ = −1. Com efeito, sabemos que kT (v)k = kvk (ver Definição 6.2).
Com isso, pela Definição 1.1,
Assim, (|λ| − 1)kvk = 0. Como kvk > 0, então |λ| = 1. Por fim, λ = ±1.
Exemplo 6.10. Seja T : R2 → R2 dado por T (x, y) = (y, 2x). Note que
à !
0 1
[T ]c = ,
2 0
√
Com isso, os autovalores de T são ± 2. Pela Proposição 6.3, T não é unitário.
Prezado aluno, vejamos como definir operador unitário através da matriz deste operador,
em relação a uma base ortonormal.
74
Demonstração. ⇒) Suponha que T é unitário. Seja β base ortonormal de V . Vimos no
Teorema 4.4 que [T ∗ ]β = [T ]tβ . Como T é unitário, então T ∗ ◦ T = T ◦ T ∗ = I, (ver Definição
6.2) através do Teorema do Núcleo e Imagem. Logo,
[T ]β [T ]tβ = [T ]β [T ∗ ]β = [T ◦ T ∗ ]β = [T ∗ ◦ T ]β = [T ∗ ]β [T ]β = [T ]tβ [T ]β .
Além disso,
Portanto,
[T ]β [T ]tβ = [T ]tβ [T ]β = [I]β = I.
Isto nos diz que [T ]β é ortogonal (esta matriz tem entradas reais).
⇐) Suponha que [T ]tβ [T ]β = [T ]β [T ]tβ = I, onde β = {v1 , v2 , ..., vn } é uma base ortonormal de
V. Assim sendo, [T ∗ ◦ T ]β = [T ◦ T ∗ ]β = [I]β ( pelo que foi feito acima). Consequentemente,
Analogamente, Ã !Ã ! Ã !
0 1 0 1 1 0
At A = = = I.
1 0 1 0 0 1
Portanto, AAt = At A = I. Logo, A é uma matriz ortogonal. Com isso, pelo Teorema 6.4,
temos que o operador, definido por, T (x, y) = (y, x) é unitário, pois [T ]c = A (onde c é a
75
base canônica de R2 ).
Exercı́cios de Fixação
1. Seja T : U → V linear, onde U, V são espaços vetoriais de dimensão finita, com produto
interno e dim U = dim V . Sejam β e γ bases ortonormais de U e V , respectivamente. Mostre
que [T ]γβ é ortogonal ⇔ T é uma isometria.
2. Se uma matriz unitária é triangular superior, prove que ela é diagonal se seu quadrado é
igual à matriz identidade.
3. Entre as matrizes abaixo, determine quais são ortogonais.
9 −3 −6 1 2 3 1 0 0
3 9 6 , 3 2 2 e 0 −1 2 .
6 −6 9 2 3 5 0 −2 −1
4. Considere que a matriz P = (v1 v2 ...vn ), cujas colunas são os vetores {v1 , v2 , ..., vn } de
uma base ortonormal de Rn . Mostre que P é ortogonal.
5. Seja V = R2 , com produto interno canônico. Se T : V → V é um operador unitário,
mostre que a matriz de T em relação à base canônica é
à ! à !
cos θ −senθ cos θ senθ
ou ,
senθ cos θ −senθ cos θ
Prezados alunos, nesta seção, veremos que propriedades operadores que comutam com sua
adjunta satisfazem.
76
6.2.1 Definição e Exemplos de Operadores Normais
Exemplo 6.13. Seja T : R2 → R2 dada por T (x, y) = (x + y, −x + y). Vamos provar que T
é normal. Primeiramente vamos encontrar T ∗ .
h(a, b), T (x, y)i = h(a, b), (x + y, −x + y)i = a(x + y) + b(−x + y) = (a − b)x + (a + b)y
= h(a − b, a + b), (x, y)i.
Logo, T ◦ T ∗ = T ∗ ◦ T . Com isso, pela Definição 6.3, T é normal. Observe que T não é
auto-adjunto, não é antiauto-adjunto e também não é unitário (verifique!).
Exemplo 6.14 (Operador Não-normal). Seja T : R2 → R2 dado por T (x, y) = (y, 2x).
Vamos mostrar que T não é normal. De fato, T ∗ (x, y) = (2y, x) (verifique!). Logo,
77
6.2.2 Resultados Importantes sobre Operadores Normais
kT (v)k2 = hT (v), T (v)i = hv, T ∗ ◦T (v)i = hv, T ◦T ∗ (v)i = hT ∗ (v), T ∗ (v)i = kT ∗ (v)k2 , ∀ v ∈ V.
Consequentemente,
h[T ∗ ◦ T − T ◦ T ∗ ](u), wi = 0, ∀ u, w ∈ V.
78
Exemplo 6.15. Seja T : R3 → R3 definida por T (x, y, z) = (2x, x − y, 0). Vamos mostrar
que T não é normal. De fato, verifique que T ∗ (x, y, z) = (2x + y, −y, 0). Logo,
√
kT (0, 1, 0)k = k(0, −1, 0)k = 1 e kT ∗ (0, 1, 0)k = k(1, −1, 0)k = 2.
Consequentemente, kT ∗ (0, 1, 0)k 6= kT (0, 1, 0)k. Portanto, usando o Teorema 6.5, concluı́mos
que T não é normal.
Demonstração. Seja λ um autovalor de T , então existe v ∈ V , não-nulo, tal que T (v) = λv.
Assim, T (v) − λv = 0, isto é, (T − λI)(v) = 0. Portanto, pelo Teorema 6.5 e pela Proposição
4.3, temos que λ é autovalor de T associado a v se, e somente se,
Obs 6.3. Note que, na demonstração da Proposição 6.3, não provamos que T − λI é um
operador normal (hipótese do Teorema 6.5). Deixamos para o aluno este exercı́cio de fixação.
Prezado aluno, vamos mostrar que é possı́vel dar outra definição para um operador normal.
Faremos isto estabelecendo a relação de um operador deste tipo com sua matriz, em relação
a uma base ortonormal.
79
Logo,
[T ]β [T ]tβ = [T ]β [T ∗ ]β = [T ◦ T ∗ ]β = [T ∗ ◦ T ]β = [T ∗ ]β [T ]β = [T ]tβ [T ]β .
Isto nos diz que [T ]β é normal (esta matriz tem entradas reais).
⇐) Suponha que [T ]tβ [T ]β = [T ]β [T ]tβ , onde β = {v1 , v2 , ..., vn } é uma base ortonormal
de V. Assim sendo, [T ∗ ◦ T ]β = [T ◦ T ∗ ]β (pelo que foi feito acima). Consequentemente,
hT ∗ ◦ T (vi ), vj i = hT ◦ T ∗ (vj ), vi i, ∀ i, j, estas são as entradas das matrizes [T ∗ ◦ T ]β e
[T ◦ T ∗ ]β , respectivamente. Logo,
ver demonstração do Teorema 5.1. Dessa forma, pela Proposição 1.1, obtemos T ∗ ◦T = T ◦T ∗ .
Pela Definição 6.3, T é normal.
à !
1 1
Exemplo 6.16. Seja A = uma matriz. Note que
−1 1
à !à ! à !
1 1 1 −1 2 0
AAt = = .
−1 1 1 1 0 2
Analogamente, Ã !Ã ! Ã !
1 −1 1 1 2 0
At A = = .
1 1 −1 1 0 2
Isto nos diz que At A = AAt . Portanto, A é uma matriz normal (com coeficientes reais).
Utilizando o Teorema 6.5, concluı́mos que T : R2 → R2 , dado por T (x, y) = (x + y, −x + y),
é um operador normal, já que [T ]c = A onde c é a base canônica de R2 .
Exercı́cios de Fixação
1. Se T é um operador normal, prove que autovetores de T que estão associados a autovalores
distintos são ortogonais.
2. Seja T : V → V um operador linear sobre um espaço vetorial com produto interno e
dimensão finita. Prove que S é normal ⇔ kT (v)k = kT ∗ (v)k, ∀ v ∈ V.
3. Seja T : V → V um operador normal tal que dim V = n. Se T possui n autovalores
distintos, prove que T é auto-adjunto.
80
4. Entre as matrizes abaixo, determine quais são normais.
9 −3 −6 1 2 3 1 0 0
3 9 6 , 3 2 2 e 0 −1 2 .
6 −6 9 2 3 5 0 −2 −1
Exercı́cios:
81
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
82
Capı́tulo 7
Caros alunos, nesta seção exporemos as definições dos operadores positivos, negativos, não-
positivos, não-negativos e indefinidos. Almejamos, principalmente, encontrar a caracteri-
zação existente entre alguns destes operadores e seus autovalores.
Definição 7.1 (Operadores Definidos e Indefinidos). Seja V um espaço vetorial com produto
interno h·, ·i. Seja T : V → V um operador auto-adjunto (ver Definição 5.1). Então:
v) dizemos que T é indefinido, se existem u, v ∈ V tais que hT (v), vi > 0 e hT (u), ui < 0.
83
Os quatro primeiros itens acima nos dizem que T é um operador definido.
Obs 7.1. Note que, através da Definição 7.1, todo operador positivo (respectivamente nega-
tivo) é não-negativo (respectivamente não-positivo).
Exemplo 7.1 (Operador Indefinido em R2 ). Seja T (x, y) = (y, x), ∀ (x, y) ∈ R2 . Vimos que
T é auto-adjunto (ver exemplo 4.6). Além disso,
hT (1, −1), (1, −1)i = −2 < 0 e hT (1, 1), (1, 1)i = 2 > 0.
hT (x, y), (x, y)i = h(x + y, x + y), (x, y)i = (x + y)x + (x + y)y = (x + y)2 ≥ 0.
Isto nos diz que T ≥ 0 (ver Definição 7.1). Porém, hT (1, −1), (1, −1)i = (1 − 1)2 = 0.
Portanto, pela Definição 7.1, T não é positivo.
Mas, x2 + y 2 = 0 ⇔ x = y = 0. Assim,
Exemplo 7.4 (Operador Negativo em R2 ). Seja T (x, y) = (−x, −y). Note que T é auto-
84
adjunto, pois sua matriz, em relação à base canônica c, é dada por
à !
−1 0
[T ]c =
0 −1
Exemplo 7.5 (Operador Não-positivo em R2 ). Seja T (x, y) = (−x, −y). Vimos no exemplo
7.4 que
hT (x, y), (x, y)i ≤ 0, ∀ (x, y) ∈ R2 .
Logo, T ≤ 0.
Exercı́cios de Fixação
1. Seja V um espaço vetorial com dimensão finita e produto interno. Seja β = {v1 , v2 , ..., vn }
Xn Xn
uma base de V . Defina gij = hvi , vj i. Se u = xi v i e v = yi vi , mostre que vale
Pn i=1 i=1
hu, vi = i,j=1 gij xi yj . Verifique que G = (gij ) é uma matriz simétrica e positiva, isto
t
é, [u]β G[u]β , ∀ u 6= 0 em V. Reciprocamente, mostre que se G for uma matriz simétrica
positiva, então h·, ·i define um produto interno em V . A matriz G é chamada matriz de
Gram dos vetores v1 , v2 , ..., vn .
2. Entre as matrizes abaixo, determine quais são positivas.
9 −3 −6 1 2 3 1 0 0
3 9 6 , 3 2 2 e 0 −1 2 .
6 −6 9 2 3 5 0 −2 −1
85
7.2 Raiz Quadrada de Operadores Lineares
Logo,
T 2 (1, 0) = (−1, −1) e T 2 (0, 1) = (−1, −1).
Aplicando o Teorema 4.1 aos funcionais T1 (x, y) e T2 (x, y), onde T (x, y) = (T1 (x, y), T2 (x, y)).
Concluı́mos que T (x, y) = (ax + by, cx + dy), onde a, b, c, d ∈ R. Daı́, T (1, 0) = (a, c) e
T (0, 1) = (b, d). Portanto,
e
(−1, −1) = T 2 (0, 1) = T (b, d) = (ab + bd, cb + d2 ).
Consequentemente,
b(a + d) = −1;
c(a + d) = −1;
2
a + bc = −1.
Portanto, b = c (ver as duas primeiras equações do sistema acima). Substituindo este
resultado na terceira equação, obtemos 0 ≤ a2 + b2 = −1. Isto é um absurdo. Por fim, S não
86
possui raiz quadrada.
Exercı́cios de Fixação
1.
Prezados alunos, vejamos que condições devemos colocar em um operador para garantir a
existência e unicidade de uma raiz quadrada deste. Além disso, iremos responder a seguinte
pergunta: que condições esta raiz deve satisfazer?
Para responder esta indagação, primeiramente iremos estabelecer uma nova definição para
operadores definidos.
Lema 7.1 (Caracterização de Operadores Definidos). Seja V um espaço vetorial com produto
interno h·, ·i e dimensão finita. Seja T : V → V um operador auto-adjunto. Então
⇒) Suponha que T > 0 (ver Definição 7.1). Então hT (v), vi > 0, ∀ v ∈ V, com v 6= 0.
Seja λ autovalor de T . Logo, existe v 6= 0 tal que T (v) = λv. Assim sendo,
87
⇐) Reciprocamente, considere que os autovalores de T são positivos. Como T é auto-adjunto,
então, pelo Teorema 5.3, existe uma base ortonormal {v1 , v2 , ..., vn } de V formada por au-
tovetores de T , digamos T (vi ) = λi vi , ∀ i = 1, 2, ..., n. Sabemos que λi > 0, ∀ i = 1, 2, ..., n.
Xn
Seja v 6= 0 tal que v = xi vi (no mı́nimo um destes xi ’s é não-nulo). Vamos motrar que
i=1
hT (v), vi > 0. Com efeito,
* Ã n ! n + n n
X X X X
hT (v), vi = T xi v i , xj v j = xi xj hT (vi ) , vj i = xi xj hλi vi , vj i
i=1 j=1 i,j=1 i,j=1
n
X n
X
= λi xi xj hvi , vj i = λi x2i > 0,
i,j=1 i=1
na última igualdade usamos a Definição 2.4 e na desigualdade acima usamos o fato que
v 6= 0. Com isso, hT (v), vi > 0, ∀ v ∈ V , com v 6= 0. Portanto, T > 0 (ver Definição 7.1).
Obs 7.2. As demonstrações dos itens i), iii), iv), v) no Lema 7.1 são análogas a do item ii).
Convido o aluno a realização de tais provas como exercı́cio.
Obs 7.3. Note que o Lema 7.1 nos diz, implicitamente, que T é indefinido se, e somente se
possui autovalores positivo e negativo (se dim V > 1).
Exemplo 7.8. Seja T (x, y) = (x + y, x + y). Sabemos que T ≥ 0 (ver exemplo 7.2). Pelo
Lema 7.1, os autovalores de T são não-negativos. De fato, a matriz de T em relação à base
canônica c (ver exemplo 2.9) é dada por
à !
1 1
[T ]c = .
1 1
88
Logo, o polinômio caracterı́stico de T é dado por
¯ ¯
¯ x −2 ¯
¯ ¯
pT (x) = ¯ ¯ = x2 − 4 = (x + 2)(x − 2).
¯ −2 x ¯
Teorema 7.1 (Existência e Unicidade da Raiz Quadrada). Seja V um espaço vetorial com
produto interno h·, ·i e dimensão finita. Seja S : V → V um operador não-negativo. Então
existe uma (única) raiz quadrada não-negativa de T .
n p
X
T (v) = λi xi vi .
i=1
n
X
Verifique que T é linear. Vamos mostrar que T é auto-adjunto. Com efeito, para u = y i vi ,
i=1
temos que
* n n
+ n n p
X X p X p X
hu, T (v)i = y i vi , λj xj vj = λj xj yi hvi , vj i = λ i xi y i ,
i=1 j=1 i,j=1 i=1
89
√
Ou seja, os autovalores de T , são números não-negativos ( λi ≥ 0). Usando o Lema 7.1,
concluı́mos que T é não-negativo. Por fim, utilizando as definições de T e S acima, obtemos
à n ! n p n p n
Xp X X p X
T 2 (u) = T [T (u)] = T λi yi vi = λi yi T (vi ) = λi yi λ i vi = yi (λi vi )
i=1 i=1 i=1 i=1
n
à n !
X X
= yi S(vi ) = S y i vi = S(u).
i=1 i=1
√
Dessa forma, T 2 = S, ou seja, T = S.
Obs 7.4. A unicidade da raiz quadrada não foi provada no Teorema acima, por motivos de
simplificações na demonstração. Para ver a prova deste resultado consulte [4].
Obs 7.5. Note que na demonstração do Teorema 7.1, descrevemos como encontrar esta raiz
quadrada (ver definição de T ).
Exemplo 7.10. Seja S(x, y) = (x + y, x + y) um operador linear definido em R2 . O exemplo
7.2 nos diz que S ≥ 0. Pelo Teorema 7.1, existe uma única raiz quadrada para este operador.
Vamos encontrá-la. Primeiramente, precisamos dos autovalores de S. Vimos no exemplo 7.9
que λ1 = 0 e λ2 = 2 são os autovalores de T . Verifique que
µ ¶ µ ¶ µ ¶
−1 1 1 1 1 1
S √ ,√ = (0, 0) e S √ ,√ =2 √ ,√ ,
2 2 2 2 2 2
n³ ´ ³ ´o
−1 √1 1 √1
onde √
2
, 2
, 2, 2
√ é uma base ortonormal de R2 formada por autovetores de S
(utilize o método exposto no Corolário 5.4 para encontrar tais vetores). Seja T a raiz
quadrada de S. Vimos na demonstração do Teorema 7.1 que
√ µ ¶ √ µ ¶ √
2(y − x) √ −1 1 2(x + y) √ 1 1 2
T (x, y) = 0 √ ,√ + 2 √ ,√ = (x + y, x + y),
2 2 2 2 2 2 2
onde √ µ ¶ √ µ ¶
2(y − x) −1 1 2(x + y) 1 1
(x, y) = √ ,√ + √ ,√ .
2 2 2 2 2 2
√
Verifique que T = S.
Exercı́cios de Fixação
1. Mostre que são equivalentes as seguintes condições sobre um operador linear T : V → V .
90
i) T = P 2 , para algum P : V → V auto-adjunto;
ii) T = S ∗ ◦ S, para algum S : V → V auto-adjunto;
iii) T ≥ 0.
Exercı́cios:
1. Prove que todo operador linear T : V → V admite uma decomposição da forma T = P ◦R,
onde R : V → V é unitário e P : V → V é não-negativo. Esta decomposição chama-se
decomposição polar do operador T.
2. Obtenha a decomposição polar da matriz
√
2 1 1
√
A = − 2 1 1 .
0 1 −1
91
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
92
Capı́tulo 8
Formas Bilineares
93
e de multiplicação por escalar,
é um espaço vetorial.
Exemplo 8.1 (Forma Bilinear sobre R2 ). Seja f : R2 × R2 → R uma função definida por
Vamos mostrar que f é bilinear. De fato, para (x, y), (a, b) e (c, d) ∈ R2 e λ ∈ R, temos que
i)
f (λ(x, y), (a, b)) = f ((λx, λy), (a, b)) = 3(λx)a − 2(λx)b + 5(λy)a + 7(λy)b
= λ(3xa − 2xb + 5ya + 7yb) = λf ((x, y), (a, b)).
ii)
f ((x, y), λ(a, b)) = f ((x, y), (λa, λb)) = 3x(λa) − 2x(λb) + 5y(λa) + 7y(λb)
= λ(3xa − 2xb + 5ya + 7yb) = λf ((x, y), (a, b)).
iii)
iv)
94
Pela Definição 8.1, concluı́mos que f é uma forma bilinear.
Exemplo 8.2. Seja f : R2 × R2 → R dada por f ((x, y), (a, b)) = −2xb + 2ya. Sejam
(x, y), (a, b), (c, d) ∈ R2 e λ ∈ R. Note que
i)
f (λ(x, y), (a, b)) = f ((λx, λy), (a, b)) = −2(λx)b + 2(λy)a = λ(−2xb + 2ya)
= λf ((x, y), (a, b)).
ii)
f ((x, y), λ(a, b)) = f ((x, y), (λa, λb)) = −2x(λb) + 2y(λa) = λ(−2xb + 2ya)
= λf ((x, y), (a, b)).
iii)
f ((x, y), (a, b) + (c, d)) = f ((x, y), (a + c, b + d)) = −2x(b + d) + 2y(a + c)
= (−2xb + 2ya) + (−2xd + 2yc)
= f ((x, y), (a, b)) + f ((x, y), (c, d)).
iv)
f ((x, y) + (c, d), (a, b)) = f ((x + c, y + d), (a, b)) = −2(x + c)b + 2(y + d)a
= (−2xb + 2ya) + (−2cb + 2da)
= f ((x, y), (a, b)) + f ((c, d), (a, b)).
Exemplo 8.3 (Produto Interno como Forma Bilinear). Seja V um espaço vetorial com
produto interno h·, ·i. Vamos provar que h·, ·i : V × V → R é uma forma bilinear. Note que,
pela Definição 1.1,
95
iii) hu + w, vi = hu, vi + hw, vi, ∀ u, v, w ∈ V ;
ou seja, h·, ·i satisfaz todos os itens da Definição 8.1. Isto nos diz que h·, ·i é uma forma
bilinear.
Exemplo 8.4. Seja V um espaço vetorial com produto interno h·, ·i. Seja T : V → V um
operador linear. Seja
f (u, v) = hT (u), vi, ∀ u, v ∈ V.
Então,
f (2(1, 0), (0, 1)) = f ((2, 0), (0, 1)) = 1 e 2f ((1, 0), (0, 1)) = 2 · 1 = 2.
Com isso,
f (2(1, 0), (0, 1)) 6= 2f ((1, 0), (0, 1)).
Portanto, f não satisfaz o item i) da Definição 8.1. Dessa forma, f não é uma forma bilinear.
96
8.1.2 Formas Bilineares Simétrica e Anti-simétrica
Exemplo 8.6 (Forma Bilinear Não-simétrica). A forma bilinear do exemplo 8.1 não é
simétrica. Com efeito,
Portanto, f , definida no exemplo 8.1, não é uma forma bilinear simétrica (ver Definição 8.2)
Exemplo 8.7 (Produto Interno como Forma Simétrica). Seja V um espaço vetorial com
produto interno h·, ·i. Vimos no exemplo 8.3 que o produto interno é uma forma bilinear.
Pela Definição 1.1, temos que
Exemplo 8.8. Considere a forma bilinear f ((x, y), (a, b)) = −2xb + 2ya, vista no exemplo
8.2. Veja que
f ((x, y), (a, b)) = −2xb + 2ya = −(−2ay + 2bx) = −f ((a, b), (x, y)), ∀ (x, y), (a, b) ∈ R2 .
97
8.1.3 Resultados Importantes sobre Formas Bilineares
Caros alunos, veremos, nesta seção, que a recı́proca do exemplo 8.4 é verdadeira, mas para
isto precisamos da finitude da dimenensão do espaço vetorial em questão.
Teorema 8.1 (Caracterização de Formas Bilineares). Seja V um espaço vetorial com pro-
duto interno h·, ·i e dimensão finita. Seja f : V × V → R uma forma bilinear. Então
existe um único operador linear T : V → V tal que f (u, v) = hT (u), vi, ∀ u, v ∈ V. Além
disso, f é simétrica (respectivamente, anti-simétrica) se, e somente se, T é auto-adjunto
(respectivamente, antiauto-adjunto).
Vamos verificar que T é único. Suponha que existe um operador P : V → V linear tal que
Por conseguinte,
hP (u) − T (u), vi = 0, ∀ u, v ∈ V.
Pela Proposição 1.1, temos que P (u) − T (u) = 0, ∀ u ∈ V. Por fim, T (u) = P (u), ∀ u ∈ V.
Ou seja, T é único que satisfaz f (u, v) = hT (u), vi, ∀ u, v ∈ V. Além disso,
98
ver Definição 5.2.
Exemplo 8.9. Seja f : R2 → R dado por f ((x, y), (a, b)) = −2xb + 2ya. Vimos no exemplo
8.2, que f é uma forma bilinear. Seja T : R2 → R2 um operador linear definido por
T (x, y) = (2y, −2x), então
f ((x, y), (a, b)) = −2xb + 2ya = h(2y, −2x), (a, b)i = hT (x, y), (a, b)i, ∀ (x, y), (a, b) ∈ R2 .
Vimos no exemplo 8.8, que f é anti-simétrica. Portanto, pelo Teorema 8.1, T é um operador
antiauto-adjunto.
Corolário 8.2 (dim B(V )). Seja V um espaço vetorial com produto interno h·, ·i e dimensão
finita. Então B(V ) é isomorfo a L(V ). Em particular, dim B(V ) = dim L(V ) = (dim V )2 .
Demonstração. Seja f ∈ B(V ) (ver Definição 8.1). Pelo Teorema 8.1, existe um único
T ∈ L(V ) tal que f (u, v) = hT (u), vi, ∀ u, v ∈ V. Defina Φ : B(V ) → L(V ) por Φ(f ) = T.
Mostre que Φ é um isomorfismo, isto é, Φ é uma transformação linear bijetora. Em particular,
pelo Teorema do núcleo e imagem, temos que
Caro aluno, agora, vamos estabelecer a idéia de matriz de uma forma bilinear para um espaço
vetorial de dimensão finita.
Definição 8.3 (Matriz de uma forma). Seja V um espaço vetorial de dimensão finita. Seja
β = {v1 , v2 , ..., vn } uma base de V . A matriz da forma bilinear f : V × V → R em relação à
99
base β é dada por [f ]β = (f (vj , vi )), ou seja,
f (v1 , v1 ) f (v2 , v1 ) ... f (vn , v1 )
f (v1 , v2 ) f (v2 , v2 ) ... f (vn , v2 )
[f ]β =
.
··· ··· ··· ···
f (v1 , vn ) f (v2 , v1 ) ... f (vn , vn )
a forma bilinear do exemplo 8.1. Vamos encontrar a matriz de f em relação à base canônica
de R2 (ver exemplo 2.9).
à ! à !
f ((1, 0), (1, 0)) f ((0, 1), (1, 0)) 3 5
= .
f ((1, 0), (0, 1)) f ((0, 1), (0, 1)) −2 7
Obs 8.2. Seja V um espaço vetorial com produto interno h·, ·i e dimensão finita. Seja f
uma forma bilinear. Vimos, no Teorema 8.1, que existe um único T tal que
= [T ]β .
Teorema 8.3 (Teorema do Eixo Principal). Seja V um espaço vetorial com produto interno
h·, ·i e dimensão finita. Seja f : V × V → R uma forma bilinear simétrica. Então existe
uma base ortonormal de V tal que [f ]β é diagonal.
Demonstração. Usando o Teorema 8.1, temos que existe um único operador auto-adjunto T
tal que f (u, v) = hT (u), vi, ∀ u, v ∈ V, pois f é simétrica. Agora, utilizando o Teorema 5.3,
100
temos que existe uma base ortonormal β tal que [T ]β é diagonal. Mas, pela observação 8.2,
sabemos que [f ]β = [T ]β . Logo, [f ]β é diagonal.
é uma forma bilinear. Seja T (x, y) = (x + 2y, 2x − 2y) um operador linear (verifique). Veja
que, Ã !
1 2
[T ]c = ,
2 −2
onde c é a base canônica de R2 . Como [T ]c é simétrica, então pelo Teorema 5.1, T é auto-
adjunto. Mas,
f ((x, y), (a, b)) = hT (x, y), (a, b)i, ∀ (x, y), (a, b) ∈ R2
(verifique). Dessa forma, pelo Teorema 8.1, temos que f é uma forma bilinear simétrica.
Usando o exemplo 4.11 e a observação 8.2, concluı́mos que
à !
−3 0
[f ]β = [T ]β = ,
0 2
n³ ´ ³ ´o
onde β = √1 , √
−2
, √25 , √15 é uma base ortonormal.
5 5
Exercı́cios de Fixação
1. Seja f : V × V → R uma forma bilinear. Provar que
i) f (0, v) = f (v, 0) = 0;
à n ! n
X X
ii) f λ i vi , v = λi f (vi , v);
i=1 i=1
à m
! m
X X
iii) f v, λ j vj = λj f (v, vj );
j=1 j=1
à n m
! n X
m
X X X
iv) f β i vi , λj vj = βi λj f (vi , vj ).
i=1 j=1 i=1 j=1
2. Sejam u = (x1 , x2 ) e v = (y1 , y2 ) ∈ R2 . Quais das seguintes funções são formas bilineares:
101
i) f (u, v) = x1 y1 ;
ii) f (u, v) = x1 y2 ;
iii) f (u, v) = x1 (y1 + y2 );
iv) f (u, v) = 0;
v) f (u, v) = x21 + x2 y1 .
3. Calcular a matriz das formas bilineares da questão anterior em relação à base canônica.
4. Seja f : R2 × R2 → R dada por f ((x1 , x2 ), (y1 , y2 )) = x1 y1 + x2 y2 . Encontre a matriz de
f em relação a cada uma das bases abaixo:
Caros aluno, nesta seção, utilizaremos o método de Lagrange para diagonalizar formas
quadráticas simétricas. Além disso, enunciaremos e provaremos a Lei da Inércia proposta
por Sylvester.
Obs 8.3. Se q : V → R é uma forma quadrática sobre V , então diremos, simplesmente, que
q é uma forma quadrática, quando estiver claro quem é o espaço V .
102
Exemplo 8.12. f ((x, y), (a, b)) = 3xa − 2xb + 5ya + 7yb é uma forma bilinear (ver exemplo
8.2). Logo, q : R2 → R, dada por
Exemplo 8.13. Seja f ((x, y), (a, b)) = −2xb + 2ya, a forma bilinear do exemplo 8.2. Logo,
q : R2 → R, definida por
Exemplo 8.14. Seja V um espaço vetorial com produto interno h·, ·i. Vimos no exemplo
8.3 que o produto interno é uma forma bilinear. Logo q : V → R, dado por
Exemplo 8.15. Seja V um espaço vetorial com produto interno. A forma quadrática q(v) =
kvk2 , vista no exemplo 8.14 é simétrica, pois a forma bilinear que gera esta forma quadrática,
o produto interno, é uma forma bilinear simétrica (ver exemplo 8.7).
Exemplo 8.16. Vimos que a forma bilinear f ((x, y), (a, b)) = −2xb + 2ya é anti-simétrica
(ver exemplo 8.2). Portanto, a forma quadrática, definida por q(x, y) = 0 (ver exemplo 8.13),
é uma forma quadrática anti-simétrica.
103
a forma quadrática gerada pela forma bilinear
Vimos, no exemplo 8.6, que f não é simétrica. Logo, esta forma quadrática q não é simétrica.
Obs 8.4. Quando q satisfaz um dos quatro primeiros itens da Definição 8.6, dizemos que q
é uma forma quadrática definida em U.
pois x2 + y 2 = 0 ⇔ x = y = 0. Isto nos diz que q também é uma forma quadrática positiva
em R2 .
104
8.2.1 Resultados Importantes sobre Formas Quadráticas
Caros alunos, nesta seção, poderı́amos trabalhar em um espaço vetorial V com dimensão
finita n. Porém, este espaço é facilmente identificado, através do isomorfismo T : V →
Rn , definido por T (v) = [v]β (β é uma base ortonormal de V ), com Rn . Portanto, por
conveniência, as formas quadráticas que aparecem aqui estão definidas sobre Rn . Com estas
considerações, veremos dois importantı́ssimos Teoremas que trabalham com a diagonalização
de uma forma quadrática.
Antes de vermos a prova do Teorema 8.4, ilustremos com um exemplo o algoritmo que
será utilizado para diagonalizar formas quadráticas simétricas. Este algoritmo é chamado
Método de Lagrange.
Mostre que q é uma forma quadrática simétrica (veja como obter a forma bilinear que gerou
esta forma quadrática na lista de exercı́cios). Note que
q(a, b, c) = 2a2 − 3b2 + c2 − 2ab + 4ac − 4bc = 2(a2 − ab + 2ac) − 3b2 + c2 − 4bc
· µ ¶¸
2 b − 2c
= 2 a − 2a − 3b2 + c2 − 4bc
2
· µ ¶¸2 µ ¶2
b − 2c b − 2c
= 2 a− −2 − 3b2 + c2 − 4bc
2 2
· µ ¶¸2
b − 2c b2
= 2 a− − + 2bc − 2c2 − 3b2 + c2 − 4bc
2 2
· µ ¶¸2
b − 2c 7b2
= 2 a− − − 2bc − c2
2 2
· µ ¶¸2 µ ¶
b − 2c 7 2 2
= 2 a− − b + 2 bc − c2
2 2 7
105
· µ ¶¸2 ¶2 µ
b − 2c 2 7 2 2
= 2 a− b+ c + − c − c2
2 7 2 7
· µ ¶¸2 µ ¶2
b − 2c 7 2 5 2
= 2 a− − b+ c − c.
2 2 7 7
µ ¶
b − 2c 2
Dessa forma, para y1 = a − , y2 = b + c, y3 = c, obtemos
2 7
7 5
q(y1 , y2 , y3 ) = 2y12 − y22 − y32 .
2 7
7 5
Logo, q está na forma diagonal, onde d1 = 2, d2 = − , d3 = − .
2 7
Note que o Método de Lagrange pode ser resumido na técnica de completar quadrados.
Mas, para isso precisamos seguir algumas regras. Vejamos a prova do Teorema 8.4.
Demonstração. Seja {v1 , v2 , ..., vn } a base canônica de Rn . Então, pelas Definições 8.1 e 8.4,
obtemos
à n n
!
X X
q(x1 , x2 , ..., xn ) = f ((x1 , x2 , ..., xn ), (x1 , x2 , ..., xn )) = f xi v i , xj v j
i=1 j=1
n
X
= xi xj f (vi , vj ),
i,j=1
onde f é uma forma bilinear que gera q. Seja aij = f (vi , vj ). Assim,
n
X
q(x1 , x2 , ..., xn ) = aij xi xj . (8.1)
i,j=1
Se aij = 0, ∀ i, j, então q(x1 , ..., xn ) = 0, ou seja q está na forma diagonal com d1 = d2 = ... =
dn = 0. Afirmamos que podemos considerar que a11 6= 0. De fato, suponha que aii = 0, ∀ i
e que existam i, j tais que aij 6= 0, com i 6= j. Sem perda de generalidade, considere que
106
a12 6= 0. Daı́, as parcelas que contém x1 e x2 em (8.1) satisfazem
Como o termo que multiplica z12 é diferente de zero, podemos considerar que a11 6= 0. Com
isso, agrupando os termos que contém x1 , obtemos
n
à n
!
X 2x 1
X
a11 x21 + 2 a1j x1 xj = a11 x21 + a1j xj
j=2
a11 j=2
à n
!2 Ã n !2
1 X 1 X
= a11 x1 + a1j xj − a1j xj .
a11 j=2 a11 j=2
Sejam
n
1 X
y1 = x1 + a1j xj , y2 = x2 , ..., yn = xn .
a11 j=2
Portanto,
q(y1 , y2 , ..., yn ) = a11 y12 + q1 (y2 , y3 , ..., yn ),
onde q1 é uma forma quadrática simétrica. Repita o processo para q1 para concluir a diago-
nalização.
x+y y−x
x = y1 − y2 e y = y1 + y2 , ou seja , y1 = e y2 = .
2 2
Daı́,
q(y1 , y2 ) = (y1 − y2 )(y1 + y2 ) = y12 − y22 .
107
Teorema 8.5 (Teorema de Sylvester). Seja q : Rn → R uma forma quadrática simétrica. O
número de termos positivos, negativos e nulos entre os coeficientes di , da diagonalização de
q no Teorema 8.4, é sempre o mesmo.
Demonstração. Sabemos, pelo Teorema 8.4, que é possı́vel diagonalizar q. Digamos que
m+ = max{dim U : q > 0 em U },
Seja U + = {(y1 , y2 , ..., ym+ , 0, ..., 0)} um subespaço de Rn (verifique). Observe que
dim U + = m+
pois,
2
q(y1 , y2 , ..., ym+ , 0, ..., 0) = d1 y12 + d2 y22 + ... + dm+ ym +
+ dm+ +1 0 + ... + dn 0
2
= d1 y12 + d2 y22 + ... + dm+ ym +
> 0,
relembre a definição de máximo. Suponha que existe U subespaço de Rn tal que q > 0 em
U e dim U > m+ . Defina T : U → U + , por
Verifique que T é linear. Pela própria definição T é sobrejetiva, já que (y1 , y2 , ..., ym+ , 0, ..., 0)
108
define os elementos de U + . Como
então, pelo Teorema do núcleo e imagem, T não é injetiva. Dessa forma, existe
tal que
T (y1 , ..., yn ) = (0, ..., 0).
Consequentemente,
(y1 , y2 , ..., ym+ , 0, ..., 0) = (0, ..., 0).
2
q(y1 , y2 , ..., yn ) = q(0, ..., 0, ym+ +1 , ..., yn ) = dm+ +1 ym + +1
+ ... + dn yn2 ≤ 0,
m+ = max{dim U : q > 0 em U }.
Veja que nesta definição de máximo não interessa como q está diagonalizado. Analogamente,
prova-se que m− = max{dim U : q < 0 em U }. Mas m0 = n − m+ − m− . Isto conclui a prova
do Teorema.
Exemplo 8.21. Vimos no exemplo 8.20 que a forma quadrática q(x, y) = xy pode ser
diagonalizada. A diagonalização encontrada foi q(y1 , y2 ) = y12 − y22 . Aqui,
m+ = 1, m− = 1, m0 = 0,
Exercı́cios de Fixação
1. Seja f : V × V → R uma forma bilinear. Mostre que
1
f (u, v) + f (v, u) = [q(u + v) − q(u − v)], ∀ u, v ∈ V,
2
109
onde q : V → R é uma forma quadrática proveniente de f. Conclua que, se f é simétrica é
possı́vel encontrar f am função de q.
2. Seja q : R3 → R dada por q(x1 , x2 , x3 ) = x1 x2 + 2x1 x3 + x23 . Diagonalize q pelo método
de Lagrange.
3. Qual forma bilinear simétrica que dá origem à forma quadrática sobre R3 :
i) q(x1 , x2 , x3 ) = x21 + x22 + x23 − 2x1 x2 + 4x1 x3 − x2 x3 ;
ii) q(x1 , x2 , x3 ) = x21 − x22 + 4x2 x3 ;
iii) q(x1 , x2 , x3 ) = 2(x1 x2 + x1 x3 + x2 x3 ).
4. Reduzir à forma diagonal, pelo método de Lagrange, as seguint es formas quadráticas
sobre R2 :
i) x21 + x22 + 2x1 x2 ;
ii) x21 + x22 − 2x1 x2 ;
iii) x21 − x22 + 2x1 x2 ;
iv) x22 + 4x1 x2 ;
v) 4x1 x2 .
5. Chamamos de assinatura de uma forma quadrática simétrica o par p − n, onde p e n
são a quantidade de coeficientes positivos e negativos, respectivamente, na diagonalização
desta forma (ver Teorema 8.4). Encontre as assinaturas das formas quadráticas da questão
anterior.
Exercı́cios:
110
3. Seja f : V × V → R uma forma, onde V é um espaço vetorial com produto interno e
dimensão finita. Seja β uma base de V Seja A = [f ]β . Definimos o posto de f como sendo
o posto de A.
i) Mostre que o posto de uma forma está bem definido;
ii) Se o posto de f é 1, mostre que existem funcionais lineares g, h tais que f (u, v) =
g(u)h(v), ∀ u, v ∈ V.
4. Seja f : V × V → R uma forma bilinear. Mostre que
111
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
112
Capı́tulo 9
Caros alunos, vimos em Álgebra linear 1 que se V é um espaço vetorial de dimensão finita
n, então dim L(V ) = n2 , onde L(V ) = {T : V → V é um operador linear}. Considere
2
T ∈ L(V ). Assim sendo, o conjunto {I, T, T 2 , ..., T n } com n2 + 1 elementos é linearmente
dependente (l.d.), aqui T r = T ◦ T ◦ ... ◦ T, ∀ r ∈ N (r fatores), pois este conjunto possui mais
elementos que a dimensão do espaço L(V ). Seja m o menor natural tal que {I, T, T 2 , ..., T m }
é l.d.. Por esta minimalidade de m, T m é combinção linear dos operadores I, T, T 2 , ..., T m−1 ,
já que {I, T, T 2 , ..., T m−1 } é linearmente independente (l.i.). Logo, existem únicos (verifique)
a0 , a1 , ..., am−1 ∈ R, não todos nulos, tais que
Definição 9.1 (Polinômio Mı́nimo). Seja V um espaço vetorial com dimensão finita. Seja
T : V → V um operador linear. O polinômio
113
onde T m + am−1 T m−1 + am−2 T m−2 + ... + a0 I = 0, é chamado polinômio mı́nimo do operador
T.
Obs 9.1. Note que mT é mônico (coeficiente do termo de maior grau igual a 1).
pois I 1 − I = I − I = 0 (m = 1).
Definição 9.2 (Polinômios como Operadores Lineares). Sejam V um espaço vetorial com
dimensão finita, T : V → V um operador linear e
p(T )(v) := λm T m (v) + λm−1 T m−1 (v) + λm−2 T m−2 (v) + ... + λ0 I(v), ∀ v ∈ V.
Ou seja,
p(T ) := λm T m + λm−1 T m−1 + λm−2 T m−2 + ... + λ0 I.
satisfaz
mT (T ) = T m + am−1 T m−1 + am−2 T m−2 + ... + a0 I = 0.
Caro aluno, existe uma maneira mais simples de encontrar o polinômio mı́nimo de um
operador linear. Para isto precisaremos de alguns resultados preliminares.
114
Demonstração. ⇒) Suponha que p(T ) = 0. Dividindo o polinômio p por mT , encontramos
polinômios q, r tais que
(verifique). Daı́, r(T ) = 0. Com isso, ∂r ≥ ∂mT , pela minimalidade do grau de mT comen-
tada no exemplo 9.2. Assim, r = 0. Com isso, p = mT q, ou seja, mT |p.
⇐) Reciprocamente, suponha que mT |p. Logo, existe q tal que p = mT q. Assim sendo,
Proposição 9.2 (Raı́zes do Polinômio Mı́nimo). Seja V um espaço vetorial com dimensão
finita. Seja T : V → V um operador linear. Seja mT o polinômio mı́nimo de T . Então
mT (λ) = 0 ⇔ λ é autovalor de T.
Demonstração. ⇒) Seja
Suponha que mT (λ) = 0. Então, pelo Teorema Fundamental da Álgebra, existe polinômio q
tal que
mT (x) = (x − λ)q(x), ∀ x ∈ R,
mT (T ) = (T − λI)q(T ).
0 = mT (T ) = (T − λI)q(T ).
115
Como ∂q < m, então q(T ) 6= 0 (ver exemplo 9.2). Logo, existe u ∈ V tal que q(T )(u) 6= 0.
Para w = q(T )(u) 6= 0, temos que
Ou equaivalentemente,
T (w) = λw, com w 6= 0.
Obs 9.2. Sabemos, através do curso Álgebra Linear 1, que as raı́zes do polinômio carac-
terı́stico são, exatamente, os autovalores. Logo, os polinômios mı́nimo e caracterı́stico têm
as mesmas raı́zes (ver Proposição 9.2).
pT (x) = |A − xI|.
Desejamos provar que pT (A) = 0. Se qT (x) = |xI − A|, então basta provar que
qT (A) = 0.
116
Seja N = xI − A. Considere Q =Adj(N ) = (qij ), onde qij são os cofatores de N (relembre
Álgebra Linear 1). Portanto,
Verifique que
(Q0 + Q1 x + Q2 x2 + ... + Qn−1 xn−1 )(xI − A) = (a0 + a1 x + a2 x2 + ... + an−1 xn−1 + xn )I,
onde qT (x) = a0 + a1 x + a2 x2 + ... + an−1 xn−1 + xn (este é polinômio mônico de grau n).
Comparando os coeficientes desta última igualdade, temos que
a0 I = −Q0 A;
Q0 − Q1 A;
a1 I =
··· = ···;
an−1 I = Qn−2 − Qn−1 A;
I = Qn−1 .
117
obtemos
a0 I = −Q0 A;
Q0 M − Q1 A2 ;
a1 A =
··· = ···;
an−1 An−1 = Qn−2 An−1 − Qn−1 An ;
n
A = Qn−1 An .
Somando as equações deste sistema, encontranos
Com isso,
qT (A) = 0.
Obs 9.3. Através da Proposição 9.1 e do Teorema 9.1, concluı́mos que o polinômio carac-
terı́stico pT divide o polinômio mı́nimo mT . Lembre que a Proposição 9.2 nos diz que os
polinômios caracterı́stico pT e mı́nimo mT têm as mesmas raı́zes. Pelo Teorema 9.1, temos
que pT (T ) = 0, consequentemente, ∂mT < ∂pT (ver exemplo 9.2). Portanto, na decom-
posição dos polinômios mT e pT encontramos os mesmos fatores. Estes tendo um grau
inferior ou igual em mT . Além disso, mT (T ) = 0.
pA (x) = x2 − 2x − 8
A2 − 2A − 8I = 0 ⇒ A2 = 2A + 8I.
Caros alunos, vejamos por que podemos calcular o polinômio mı́nimo de um operador
118
linear através da matriz deste em relação a uma base qualquer.
Teorema 9.2. Sejam A e B matrizes semelhantes, isto é, existe P invertı́vel tal que B =
P AP −1 . Então A e B têm o mesmo polinômio mı́nimo.
ver Exemplo 9.2. Através do Lema 9.1, concluı́mos que mB |mA . Observe que
B n = P An P −1 ⇒ P −1 B n P = P −1 P An P −1 P = An ⇒ An = P −1 B n P, ∀ n ∈ N.
Realizando um processo análogo ao que foi feito acima, concluı́mos que mA |mB . Como mA
e mB são mônicos (ver Definição 9.1), então mA = mB .
119
verifique. Com isso, através das observações acima, os possı́veis polinômios mı́nimos são
Não importa os valores das outras entradas, essa matriz não é nula. Logo, (x + 1)(x − 3)
não é o polinômio mı́nimo. Portanto, o polinômio mı́nimo de A é
120
é o polinômio minimo.
1 1 1 1 1 1 0 0 0
(A − I)2 = −2 −2 −2 −2 −2 −2 = 0 0 0 .
1 1 1 1 1 1 0 0 0
mA (x) = (x − 1)2 .
Verifique que
mA (x) = (x + 1)3 (x + 4)
é o polinômio mı́nimo de A.
121
Exercı́cios de Fixação
1. Prove ou dê um contra exemplo para a seguinte afirmação: se A e B têm o mesmo
polinômio mı́nimo então A e B são semelhantes.
à !
1 1
2. Seja M = . Encontre o polinômio caracterı́stico de M. Mostre que M 2 =
9 1
2M + 8I, usando o Teorema de Cayley-Hamilton. Encontre M 3 e M 4 em função de M .
3. Seja T : V → V linear, onde V é um espaço vetorial com dimensão finita. Seja pT (x) =
(x − 1)2 (x − 4)3 (x + 2) o polinômio caracterı́stico de T . Então, qual a dimensão de V , quais
os autovalores de T e quais as possibilidades para o polinômio mı́nimo de T ?
4. Seja T : V → V linear, onde V é um espaço vetorial com dimensão finita 5. Seja
mT (x) = (x − 1)2 (x − 2) o polinômio mı́nimo de T . Quais as possibilidades para o polinômio
caracterı́stico de T ?
5. Seja T : R3 → R3 um operador linear tal que a matriz de T em relação à base canônica
é dada por
λ a 0
A = 0 λ a .
0 0 λ
Determine o polinômio mı́nimo de T quando a = 0 e a 6= 0.
6. Para as transformações lineares definidas pelas matrizes abaixo encontre o polinômio
caracterı́stico e o polinômio mı́nimo.
14 8 −1 −6 2
−12 −4 2 8 −1
i)
8 −2 0 −9 0 ;
8 8 0 0 2
−8 −4 0 4 0
0 2 −6 −6 2
1 −2 0 0 2
ii)
1 0 −3 −3 2 ;
1 −2 −1 −1 2
1 −4 −3 −3 4
122
2 −1 −2 −1 −2
0 3 2 1 2
iii)
−2 −1 0 1 −2 ;
−2 −3 −2 1 −2
0 −1 0 1 0
10 0 0 −7 1
0 0 −1 0 0
iv) 0 1 0 0 0 ;
13 0 0 −9 1
4 0 0 −3 1
2 1 1 −4 4
−1 0 −1 4 −4
v) 1 1 2 −3 4 ;
0 0 0 1 0
−2 −2 −2 1 −2
2 1 1 0 0
−1 0 −1 0 0
vi) 1 1 2 1 0 .
0 0 0 1 0
0 0 0 −1 2
Caros alunos, nesta seção, estudaremos operadores que possuem alguma potência nula.
123
Obs 9.5. Seja T : V → V um operador nilpotente com ı́ndice de nilpotência m, então, pela
minimalidade de m, T m−1 6= 0, isto é, existe v ∈ V tal que T m−1 (v) 6= 0.
Com isso,
Consequentemente,
Logo, através da Definição 9.3, concluı́mos que T é um operador nilpotente com ı́ndice de
nilpotência 3.
Exemplo 9.10 (Operador Nilpotente em P2 (R)). Seja P2 (R) o espaço vetorial constituı́do
dos polinômios com coeficientes reais de grau menor ou igual a 2. Sabemos que dim P2 (R) =
124
3. Seja T : P2 (R) → P2 (R) o operador derivada. Este é definido por
T (a0 + a1 x + a2 x2 ) = a1 + 2a2 x.
Com isso,
T 2 (a0 + a1 x + a2 x2 ) = T (a1 + 2a2 x) = 2a2 .
Por conseguinte,
Definição 9.4 (Matriz Nilpotente). Seja A uma matriz quadrada, com coeficientes reais, de
ordem n. Dizemos que A é nilpotente se existe k ∈ N tal que
Obs 9.6. Seja A uma matriz nilpotente com ı́ndice de nilpotência m, então, pela minimali-
dade de m, Am−1 6= 0.
125
Então,
0 1 0 0 1 0 0 0 0
A2 = A · A = 0 0 0 0 0 0 = 0 0 0 .
0 0 1 0 0 1 0 0 1
Assim,
0 1 0 0 0 0 0 0 0
A3 = A · A2 = 0 0 0 0 0 0 = 0 0 0 .
0 0 1 0 0 1 0 0 1
Podemos, indutivamente, verificar que
0 0 0
Ak = 0 0 0 , ∀ k ∈ N.
0 0 1
Caros alunos, vocês devem estar se perguntando: até quando devemos calcular potências de
um operador para sabermos se este é nilpotente? A resposta está no seguinte Teorema:
Teorema 9.3. Seja V um espaço vetorial com dimensão finita n. Seja T : V → V nilpotente.
Então T n = 0.
Obs 9.7. Note que o Teorema 9.3 nos diz que não é necessário calcular potências de expoente
maior que a dimensão do espaço V. Se o operador não zerar até a potência de expoente dim V ,
então este não é nilpotente.
126
Demonstração. Primeiramente, vamos provar que ker T j ⊆ ker T j+1 , ∀ j ∈ N. Seja v ∈
ker T j , então T j (v) = 0. Logo,
Agora, vamos mostrar que ker T m+k = ker T m+k+1 , ∀ k ∈ N. Já provamos que
(faça j = m + k). Reciprocamente, considere que v ∈ ker T m+k+1 . Logo, T m+k+1 (v) = 0.
Portanto,
0 = T m+k+1 (v) = T m+1 (T k (v)).
Isto nos diz que T k (v) ∈ ker T m+1 . Por hipótese, ker T m+1 = ker T m . Assim sendo, T k (v) ∈
ker T m . Logo,
0 = T m (T k (v)) = T m+k (v).
Por fim, v ∈ ker T m+k . Com isso, ker T m+k+1 ⊆ ker T m+k . Deste modo,
Lema 9.2. Seja V um espaço vetorial com dimensão n. Seja T : V → V linear. Então
Demonstração. Pelo Lema 9.1, sabemos que ker T n ⊆ ker T n+1 . Suponha, por absurdo, que
ker T n ( ker T n+1 . Novamente, pelo Lema 9.1, obtemos
127
Portanto,
n = dim V ≥ dim ker T n+1 ≥ dim ker T n + 1 ≥ dim ker T n−1 + 2 ≥ ... ≥ dim ker T + n
≥ dim ker T 0 + n + 1 = n + 1.
Exemplo 9.13. Vimos no exemplo 9.8, que o operador linear T : R3 → R3 , dado por
T (x, y, z) = (y, 0, z), satisfaz T 3 (x, y, z) = (0, 0, z). Como dim R3 = 3, então T não é nilpo-
tente, pois T 3 6= 0 (ver Terema 9.3). Não precisamos usar indução para chegarmos a esta
conclusão.
128
isto implica que, T m−1 (w) ∈ ker T e T m−1 (w) 6= 0. Isto nos diz que ker T 6= {0}. Dessa
forma, existe v 6= 0 em V tal que T (v) = 0 = 0v. Consequentemente, 0 é autovalor de T .
Suponha que λ seja autovalor de T , ou seja, T (u) = λu (u 6= 0). Indutivamente, temos que
T m (u) = λm u. Mas, T m (u) = 0, logo, λm u = 0. Como u 6= 0, então λ = 0. Ou seja, 0 é o
único autovalor de T.
Obs 9.8. Vimos, na demonstração do Teorema 9.4, que ker T 6= {0}, para todo operador
nilpotente T . Dessa forma, todo operador nilpotente é não-injetivo.
Demonstração. Como T é nilpotente, então existe k ∈ N tal que T k = 0. Isto nos diz que
V = ker T k (verifique). Sabemos, através do Lema 9.1, que
Escolha uma base β1 = {v11 , v21 , ..., vr11 } de ker T . Complete esta base a uma base β2 =
{v11 , v21 , ..., vr11 , v12 , v22 , ..., vr22 } de ker T 2 . Siga este processo até encontrar uma base
β = {v11 , v21 , ..., vr11 , v12 , v22 , ..., vr22 , ..., v1k , v2k , ..., vrkk }
de ker T k = V, onde
βi = {v11 , v21 , ..., vr11 , v12 , v22 , ..., vr22 , ..., v1i , v2i , ..., vri i }
129
é base de ker T i , ∀ i = 1, 2, ..., k. Verifique que
0 ∗ ∗
. .
[T ]β =
.. . . ∗ .
0 ··· 0
Exercı́cios de Fixação
1. Seja T : V → V um operador linear nilpotente, com dim V = n. Mostre que o polinômio
caracterı́stico de T é pT (x) = xn .
2. Seja T : R3 → R3 um operador linear tal que a matriz de T em relação à base canônica
é dada por
0 a 0
A= 0 0 a ,
0 0 0
onde a ∈ R. T é nilpotente? No caso afirmativo, determine seu ı́ndice de nilpotência.
3. Prove que toda matriz diagonal A é nilpotente se, e somente se, A = 0.
4. Considere a matriz
0 2 1
A = 0 0 3 .
0 0 0
A é nilpotente? No caso afirmativo, determine seu ı́ndice de nilpotência.
5. Quais das seguintes matrizes é nilpotente?
14 8 −1 −6 2
−12 −4 2 8 −1
i)
8 −2 0 −9 0 ;
8 8 0 0 2
−8 −4 0 4 0
130
0 2 −6 −6 2
1 −2 0 0 2
ii)
1 0 −3 −3 2 ;
1 −2 −1 −1 2
1 −4 −3 −3 4
2 −1 −2 −1 −2
0 3 2 1 2
iii)
−2 −1 0 1 −2 ;
−2 −3 −2 1 −2
0 −1 0 1 0
10 0 0 −7 1
0 0 −1 0 0
iv) 0 1 0 0 0 ;
13 0 0 −9 1
4 0 0 −3 1
2 1 1 −4 4
−1 0 −1 4 −4
v) 1 1 2 −3 4 .
0 0 0 1 0
−2 −2 −2 1 −2
Exercı́cios:
1. Seja A uma matriz de ordem n com entradas reais. Mostre que A e At têm o mesmo
polinômio mı́nimo.
2. Sejam A e B matrizes de ordem n com entradas reais. Mostre que o polinômio mı́nimo
da matriz de ordem 2n, em forma de blocos,
à !
A 0
C=
0 B
131
3. Seja A uma matriz de ordem 4 com entradas reais e autovalores 1 e −1. Escreva todas
as possibilidades para o polinômio caracterı́stico de A. Para cada possibilidade do polinômio
caracterı́stico de A, escreva os possı́veis polinômios minimais de A.
4. Seja T : V → V um operador linear nilpotente com ı́ndice de nilpotência m, onde
dim V = n. Mostre que o polinômio mı́nimo de T é pT (x) = xm . Conclua que o único
autovalor de T é 0.
132
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
133
Capı́tulo 10
134
que
pT (x) = [p1 (x)]s1 [p2 (x)]s2 · ... · [pk (x)]sk ,
onde pi (x) são fatores irredutı́veis, ∀ i = 1, 2, ..., k, com pi 6= pk , para i 6= k. Então seu
polinômio mı́nimo é
mT (x) = [p1 (x)]d1 [p2 (x)]d2 · ... · [pk (x)]dk ,
135
O Teorema 10.1, nos garante que
R5 = ker p1 (A) ⊕ ker p2 (A) ⊕ ker p3 (A)2 = ker A ⊕ ker(A2 + 1) ⊕ ker(A − I)2 ,
onde ker A, ker(A2 + 1) e ker(A − I)2 são subespaços invariantes por A. Vamos encontrar
tais espaços. Seja (x1 , x2 , x3 , x4 , x5 ) ∈ ker A, então
0 x1 10 0 0 −7 1 x1 10x1 − 7x4 + x5
0 x2 0 0 −1 0 0 x2 −x3
0 = A x3 = 0 1 0 0 0 x3 = x2 .
0 x4 13 0 0 −9 1 x4 13x1 − 9x4 + x5
0 x5 4 0 0 −3 1 x5 4x1 − 3x4 + x5
3 1
x2 = x3 = 0, x4 = x1 , x5 = x1 e x1 ∈ R.
2 2
Portanto,
½µ ¶¾ ½ µ ¶¾
3 1 3 1
ker A = {(x1 , x2 , x3 , x4 , x5 )} = x1 , 0, 0, x1 , x1 = x1 1, 0, 0, ,
2 2 2 2
= [(2, 0, 0, 3, 1)].
Agora, procuremos o espaço ker(A2 + I). Assim sendo, seja (x1 , x2 , x3 , x4 , x5 ) ∈ ker(A2 + I).
Daı́,
x1 0
x2 0
(A2 + I)
x3 = 0
.
x4 0
x5 0
Mas,
10 0 0 −7 1 10 0 0 −7 1 1 0 0 0 0
0 0 −1 0 0 0 0 −1 0 0 0 1 0 0 0
A +I =
2
0 1 0 0 0 0
1 0 0 0
+ 0 0 1 0 0
13 0 0 −9 1 13 0 0 −9 1 0 0 0 1 0
4 0 0 −3 1 4 0 0 −3 1 0 0 0 0 1
136
13 0 0 −17 4 1 0 0 0 0 14 0 0 −17 4
0 −1 0 0 0 0 1 0 0 0 0 0 0 0 0
=
0 0 −1 0 0
+ 0 0 1
0 0 = 0
0 0 0 0 .
17 0 0 −45 5 0 0 0 1 0 17 0 0 −44 5
5 0 0 −4 2 0 0 0 0 1 5 0 0 −4 3
Dessa forma,
0 x1 14 0 0 −17 4 x1 14x1 − 17x4 + 4x5
0 x2 0 0 0 0 0 x2 0
0 = (A + I)
2
x3 = 0 0 0 0 0 x3 = 0 .
0 x4 17 0 0 −44 5 x4 17x1 − 44x4 + 5x5
0 x5 5 0 0 −4 3 x5 5x1 − 4x4 + 3x5
ker(A2 +I) = {(0, x2 , x3 , 0, 0)} = {x2 (0, 1, 0, 0, 0)+x3 (0, 0, 1, 0, 0)} = [(0, 1, 0, 0, 0), (0, 0, 1, 0, 0)].
Dessa forma, pelo Teorema 10.1 (ver soma direta), temos que
β = {(2, 0, 0, 3, 1), (0, 1, 0, 0, 0), (0, 0, 1, 0, 0), (1, 0, 0, 0, 3), (0, 0, 0, 1, −2)}
137
onde à ! à !
0 −1 13 −9
(0), e
1 0 16 −11
Exercı́cios de Fixação
1. Para as transformações lineares definidas pelas matrizes abaixo encontre bases para Wi
(ver Teorema 10.1) e a decomposição da matriz que representa T na base associada aos Wi0 s.
10 0 0 −7 1
0 0 −1 0 0
i) 0 1 0 0 0 ;
13 0 0 −9 1
4 0 0 −3 1
2 1 1 −4 4
−1 0 −1 4 −4
ii)
1 1 2 −3 4 ;
0 0 0 1 0
−2 −2 −2 1 −2
2 1 1 0 0
−1 0 −1 0 0
iii)
1 1 2 1 0 .
0 0 0 1 0
0 0 0 −1 2
Caro aluno, nesta seção, mostraremos como encontrar a Forma Canônica de Jordan de uma
matriz utilizando os polinômios caracterı́stico e mı́nimo desta.
138
10.2.1 Definição de Forma Canônica de Jordan e Exemplos
Definição 10.2 (Bloco de Jordan). Seja A uma matriz quadrada de ordem n. Seja λ um
autovalor de A. A matriz quadrada de ordem r, onde r ≤ n,
λ 1 0 0 ··· 0
0 λ 1 0 ··· 0
0 0 λ 1 ··· 0
JA (λ) = .
· · · · · · · · · · · · .. · · ·
0 0 0 0 ··· 1
0 0 0 0 ··· λ
Teorema 10.2 (Forma Canônica de Jordan). Seja A uma matriz quadrada de ordem n.
Sejam λ1 , λ2 , ..., λr autovalores distintos de A. Sejam
pA (x) = (x − λ1 )m1 · (x − λ2 )m2 · ... · (x − λr )mr e mA (x) = (x − λ1 )l1 · (x − λ2 )l2 · ... · (x − λr )lr
i) existe pelo menos um bloco de Jordan JA (λi ) de ordem li , todos os outros têm ordem
menor ou igual a li ;
iii) A quantidade dos blocos de Jordan JA (λi ) é a multiplicidade geométrica de λi , isto é,
dim ker(A − λi I);
iv) A quantidade dos blocos de Jordan J(λi ) de uma ordem qualquer é unicamente deter-
minda por A.
139
Vimos no exemplo 9.4, que os polinômios caracterı́stico e mı́nimo de A são dados por
140
O outro bloco de Jordan de A associado ao autovalor 1 deve ter ordem menor ou igual a 2
(ver Teorema 10.2). Mas, não pode acontecer de ser 2, caso contrário, a ordem da matriz
Forma Canônica de Jordan de A, J, seria 4. Isto é um absurdo (a matriz J tem ordem 3).
Portanto, este último bloco tem ordem 1. Por fim, a Forma canônica de Jordan para A é
1 1 0
J = 0 1 0 .
0 0 1
141
ou podemos encontrar mais um bloco de dimensão dois, isto é,
à !
−1 1
JA (−1) = .
0 −1
Mas,
0 1 −1 −3 −1 7 0 1 −1 −3 −1 7
0 0 1 2 3 2 0 0 1 2 3 2
0 0 0 0 −2 1 0 0 0 0 1 −2
A+I = ∼
0 0 0 0 1 −2 1
0 0 0 0 −2
0 0 0 0 0
3 1
0 0 0 0 0
0 0 0 0 0 −3 0 0 0 0 0 1
0 1 −1 −3 −1 7 0 1 −1 −3 −1 7
0 0 1 2 3 2 0 0 1 2 3 2
0 0 0 0 1 −2 0 0 0 0 1 −2
∼ ∼ .
0 0 0 0 0 −3 0 0 0 0 0 1
0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0
Portanto, como existem duas linhas nulas no final destas congruências, então
dim ker(A + I) = 2.
Logo, só existem dois blocos de Jordan associados ao autovalor −1 (ver Teorema 10.2). Com
142
isso, a Forma Canônica de Jordan é dada por
−1 1 0 0 0 0
0 −1 1 0 0 0
0 0 −1 0 0 0
,
0 0 0 −1 1 0
0 0 0 0 −1 0
0 0 0 0 0 −4
pois a outra Forma possı́vel tem três blocos de Jordan para o autovalor −1.
Exemplo 10.7. Seja A uma matriz tal que os polinômios caracterı́stico e mı́nimo são
Assim sendo, o termo (x − 2) tem expoente 1 no polinômio mı́nimo, então o primeiro bloco
de Jordan associado ao autovalor 2 tem ordem 1 (ver Teorema 10.2). Como os outros blocos
de Jordan associados a este mesmo autovalor tem ordem menor ou igual a 1 (ver Teorema
10.2), logo, temos três (ver Teorema 10.2) blocos associados ao autovalor 2 de ordem 1, ou
seja, três blocos da forma ³ ´
JA (2) = 2 .
Da mesma forma, obtemos três blocos de Jordam idênticos associados ao autovalor 5, isto é,
³ ´
JA (5) = 5 .
Obs 10.1. Note que a ordem de uma matriz é o grau do seu polinôimo caracterı́stico e não
o grau do polinômio mı́nimo.
143
Exercı́cios de Fixação
1. Considere a matriz
0 2 1
A = 0 0 3 .
0 0 0
Determine a forma canônica de A.
2. Seja A uma matriz de ordem 5 com entradas reais, polinômios caracterı́stico e mı́nimo
pA (x) = (x − 2)3 (x + 7)2 e mA (x) = (x − 2)3 (x + 7), respectivamente. Determine a Forma
Canônica de Jordan de A.
3. Seja T : V → V um operador linear com polinômios caracterı́stico pT (x) = (x − 2)5 e
mı́nimo mT (x) = (x − 2)2 Determine as possı́veis Formas Canônicas de Jordan para T e a
dim V.
4. Seja T : V → V um operador linear com polinômio caracterı́stico pT (x) = (x − 2)5 . De-
termine as possı́veis Formas Canônicas de Jordan para T e a dim V. Em cada caso, determine
o polinômio mı́nimo de T.
5. Seja
0 1 1
A = 1 0 1 .
1 1 0
Encontre A10 usando a Forma Canônica de Jordan.
Exercı́cios:
1. Seja T : V → V linear, onde V é um espaço vetorial com dimensão finita. Se pT (x) = (x−
4)2 (x+2)4 é o polinômio caracterı́stico de T , então quais as possibilidades para dim ker(T −4I)
e dim ker(T + 2I)?
2. Seja T : V → V linear com autovalores distintos λ1 e λ2 , onde V é um espaço vetorial com
dimensão finita 6. Se dim ker(T − λ1 I) = 3 e dim ker(T − λ2 I) = 1, quais as possibilidades
para os polinômios caracterı́stico e mı́nimo de T ?
144
3. Seja T : V → V um operador linear com polinômio caracterı́stico pT (x) = (x+2)4 (x−1)2 .
Determine as possı́veis Formas Canônicas de Jordan para T e encontre a dim V.
4. Para as transformações lineares definidas pelas matrizes abaixo encontre o polinômio
caracterı́stico, o polinômio mı́nimo bases para Wi (ver Teorema 10.1) e a decomposição da
matriz que representa T na base associada aos Wi0 s.
14 8 −1 −6 2
−12 −4 2 8 −1
i) 8 −2 0 −9 0 ;
8 8 0 0 2
−8 −4 0 4 0
0 2 −6 −6 2
1 −2 0 0 2
ii)
1 0 −3 −3 2 ;
1 −2 −1 −1 2
1 −4 −3 −3 4
2 −1 −2 −1 −2
0 3 2 1 2
iii)
−2 −1 0 1 −2 .
−2 −3 −2 1 −2
0 −1 0 1 0
145
Referências Bibliográficas
[1] BUENO, H. P., Álgebra Linear - Um Segundo Curso, Primeira Edição, Rio de Janeiro,
SBM, 2006.
[3] COELHO, F. O., LOURENÇO, M. L., Um Curso de Álgebra Linear, Edição 2001,
São Paulo, EdusP, 2004.
[4] HOFFMAN, K., KUNZE, R., Linear Algebra, Second Edition, New Jersey, Prentice-
Hall, Inc., Englewood Cliffs, 1971.
[5] LANG, S., Álgebra Linear, Primeira Edição, New York, Ed. ciência Moderna, 2003.
[6] LIPSCHUTZ, S., Álgebra Linear, Terceira Edição, São Paulo, Schaum McGraw-Hill
Makron Books, 1994.
[7] SILVA, A., Introdução à Álgebra, Primeira Edição, Editora Universitária UFPB, João
Pessoa, 2007.
Professores Revisores
146