Professional Documents
Culture Documents
Bezerra
Fermn S. V. Bazn
lgebra Linear II
Florianpolis, 2008
Comisso Editorial
Antnio Carlos Gardel Leito
Albertina Zatelli
Elisa Zunko Toma
Igor Mozolevski
Luiz Augusto Saeger
Roberto Corra da Silva
Ruy Coimbra Charo
Ficha Catalogrfica
B574a
CDU 681.31:51
Sumrio
1 Produto Interno 9
1.1 Definio e exemplos 11
1.2 Norma definida a partir de um produto interno14
1.3 ngulo entre vetores 15
1.4 Ortogonalidade 16
1.4.1 Mtodo de Gram-Schmidt 17
1.5 Projeo ortogonal de um vetor sobre
um subespao vetorial 20
1.6 Matrizes ortogonais 22
1.7 Reflexes de Householder 24
1.8 Matriz de um produto interno em relao a uma base 28
3 Formas Multilineares 71
3.1 Formas bilineares 73
3.1.1 Forma bilinear simtrica: forma
quadrtica associada 76
3.2 Diagonalizao de formas quadrticas 77
3.3 A funo determinante 79
Apresentao
Caro aluno,
A lgebra Linear desenvolve-se dentro de espaos vetoriais, os quais
so estruturas muito simples, que contm apenas soma e produto por
escalar, e impressionante como a teoria desenvolve-se com to pouco. instigante descobrir como problemas associados ao cotidiano das
pessoas so descritos elegantemente pela lgebra Linear. Problemas
como distribuio de energia eltrica, ou de logstica para instalao
de telefones em grandes cidades, envolvem resoluo de sistemas lineares cujas matrizes so enormes; problemas de compresso de dados,
derivados tanto de udio como de imagem, tm o clculo de autovalores como ferramenta bsica para sua resoluo. A substituio do
analgico pelo digital embute a real substituio da realidade fsicoqumica pela simulao matemtica.
Pode-se perguntar por que um licenciado aprende lgebra Linear se
ele pretende principalmente atuar em escolas de ensino fundamental
e mdio. Respondemos a essa questo assim: com a lgebra Linear,
voc, licenciando, deixa as portas abertas para o futuro do conhecimento tecnolgico, ao mesmo tempo em que solidifica seu conhecimento do presente para atender s demandas dos vrios alunos que
lhe encontram, que esto a cada dia mais imersos nesse mundo veloz.
Cremos ser possvel viver em um mundo natural, com florestas, animais e pessoas tentando viver em harmonia, lendo livros (estes nunca sero substitudos por imagens digitais, assim como cinema no
incompatvel com teatro), com tempo para o cio e o prazer, com a
lgebra Linear resolvendo problemas de poluio ambiental, logstica
de policulturas agrcolas etc.
A disciplina lgebra Linear II a continuao natural da disciplina
lgebra Linear I, que lhe introduziu na teoria de matrizes e no desenvolvimento da estrutura algbrica dos espaos vetoriais sobre um
corpo. Desta vez, munimos os espaos vetoriais de um produto interno para que se configure neles uma geometria e possamos, dessa
maneira, falar de ngulo entre vetores, de tamanho de vetor etc. Na
seqncia, apresentamos mais um problema que a lgebra Linear tipicamente estuda: o problema dos autovalores de operadores lineares.
Finalmente, definimos a noo de formas multilineares para formalizar rigorosamente o estudo de determinantes.
Dividimos, assim, este livro em trs Captulos: produto interno, autovalores e formas multilineares. Esperamos que voc utilize este livro
como um mapa para descobrir um pouco da lgebra Linear.
Licio H. Bezerra
Fermn S. V. Bazn
Produto Interno
Produto Interno
v = x2 i + y2 j + z2 k , temos que
u , v = x1 x2 + y1 y2 + z1 z2 .
Por conseguinte, se w = x i + y j + z k , || w || = x 2 + y 2 + z 2 .
O conceito de produto interno generalizado para um espao vetorial qualquer de um modo usual em Matemtica: a partir da
abstrao de algumas propriedades de um modelo (no caso, o
produto interno de vetores do espao euclidiano).
Definio: Seja V um espao vetorial real. Se , :V V
uma funo tal que
1) (v V ) v, v 0 e v, v = 0 v = 0 ;
2) (v, w V ) v, w = w, v ;
11
n1
+ 4u2 2 = u12 + 2u1u2 + u2 2 + 3u2 2 = (u1 + u2 ) 2 + 3u2 2 0 . Alm disso, temos que
u , u = 0 (u1 + u2 ) 2 + 3u2 2 = 0 u1 + u2 = 0, u2 = 0 u1 = 0, u2 = 0 u = 0
u1 + u2 = 0, u2 = 0 u1 = 0, u2 = 0 u = 0
ii) u , v = u1v1 + u2 v1 + u1v2 + 4u2 v2 = v1u1 + v2u1 + v1u2 + 4v2u2 = v, u
iii) u , kv + v ' = u1 (kv1 + v '1 ) + u2 (kv1 + v '1 ) + u1 (kv2 + v '2 ) + 4u2 (kv2 + v '2 ) =
= ku1v1 + u1v '1 + ku2 v1 + u2 v '1 + ku1v2 + u1v '2 + k 4u2 v2 + 4u2 v '2 =
= k (u1v1 + u2 v1 + u1v2 + 4u2 v2 ) + u1v '1 + u2 v '1 + u1v '2 + 4u2 v '2 =
= k u, v + u, v '
Logo, a funo definida anteriormente um produto interno em
2.
12
f , g = f ( x) g ( x) dx .
a
( f ( x)) 2 dx m (b a ) ,
em que m o valor mnimo de f 2 no intervalo [a, b] . Para mostrar que f , f = 0 f = 0 (a recproca bvia), vamos supor
que f 0 . Assim, como f contnua, existe um intervalo [c, d ] ,
c < d , contido em [a, b] , tal que f ( x) 0 para todo x [c, d ] .
Logo, f 2 ( x) > 0 para todo x [c, d ] e, como f 2 tambm contnua, pelo Teorema do Valor Intermedirio, existem m, M > 0 tais
que m f 2 ( x) M para todo x [c, d ] . Assim,
13
d) u , v = u1v2 u2 v1 ;
m +1
u1v1 + u2 v1 + u1v2 + u2 v2 , em que m um inteiro
m
positivo;
e) u , v =
m +1
u1v1 u2 v1 u1v2 + u2 v2 , em que m um inteiro
m
positivo;
f) u , v =
g) u , v = 2u1v1 + 4u2 v2 ;
h) u , v = 2u1v1 .
u, u
Exemplo 5:
Seja V = 2 . Considere o produto interno entre dois vetores u = (u1 , u2 ) e v = (v1 , v2 ) definido por
u , v = u1v1 + u2 v1 + u1v2 + 4u2 v2 . A norma induzida por esse produto interno u = u12 + 2u1u 2 +4u2 2 .
Exemplo 6: Seja V = C [a, b] o espao das funes reais contnuas em [a, b] , a < b . Considere o produto interno usual de duas
b
funes de V , f e g (que dado por f , g = f ( x) g ( x) dx ). A
a
norma induzida por esse produto interno
f =
14
( f ( x)) 2 dx
w, w = w, v w,
u, v
u
u = v, v
u, v
u
= v 2
u , v v,
u, v
u
u, v
u
u, v
u
u, v
u, v
u +
= v
u, v
u
u,
u, v
temos que:
Ou seja,
u, v
u = v, v
u, v
u
u , v v,
u, v
2
u +
u =
. Como w, w = w 0 ,
u, v u v .
15
u, v
u
u,
1.4 Ortogonalidade
A definio de ngulo entre vetores permite-nos falar em conjuntos de vetores ortogonais, em que o ngulo entre cada dois
vetores igual a 2 .
Definio: Seja V um espao vetorial real munido de um produto interno , :V V . Sejam v1 ,..., vn vetores de V . Dizemos
que v1 ,..., vn so ortogonais se, para todos i e j tais que i j ,
vi , v j = 0 .
importante notar que a ortogonalidade depende do produto interno: dois vetores no-nulos podem ser ortogonais em relao a
um produto interno, mas o ngulo entre eles pode ser diferente
de 2 em relao a outro produto interno. Uma observao interessante que o vetor nulo o nico vetor ortogonal a todos os
vetores de um espao vetorial com produto interno. Um resultado
interessante o seguinte:
Proposio: Sejam v1 ,..., vn vetores no-nulos de V , um espao
vetorial real munido de um produto interno , :V V . Se
v1 ,..., vn so ortogonais (em relao a esse produto interno) ento
so linearmente independentes.
Prova:
Suponha
que
existam
a1 ,..., an
tais
que a1v1 + + an vn = 0 . Logo, para todo ndice i ,
a1v1 + + an vn , vi = 0, vi = 0 . No entanto,
2
a1v1 + + an vn , vi = a1 v1 , vi + ... + an vn , vi = ai vi , vi = ai vi ,
pois os vetores so ortogonais dois a dois. Assim, como os vetores so no-nulos, para todo ndice i , ai = 0 , isto , escreve-se o
vetor zero de uma nica maneira como combinao linear dos vetores v1 ,..., vn , que a combinao trivial. Dessa maneira, v1 ,..., vn
so linearmente independentes.
16
iii) w3 = v3
v2 , w1
w1
v3 , w1
w1
w1
w1
v3 , w2
w2
w2
...
n) wn = vn
vn , w1
w1
w1
vn , w2
w2
w2
vn , wn 1
wn 1
wn 1
Note que, para todo i , wi 0 , pois os vetores v1 ,..., vn so linearmente independentes. A prova de que esses vetores so ortogonais feita por induo:
17
I) w2 , w1 = v2
v2 , w1
2
w1
w1 , w1 = v2 , w1
v2 , w1
w1
w1 , w1 = 0
= vk , wi
= vk , wi
vk , w1
w1
vk , w1
w1
vk , wi
wi
w1
w1 , wi
vk , w2
w2
vk , w2
w2
w2
vk , wk 1
wk 1
w2 , wi
wk 1 , wi =
vk , wk 1
wk 1
wk 1 , wi =
wi , wi = 0
w3 = (0,1,1)
( 2 , 1 2 ,1) = ( 2 3 , 2 3 , 2 3 )
12 + 12 + 02
( 1 2 ) 2 + ( 1 2 ) 2 + 12
19
v = v, w1 w1 + + v, wn wn .
o
20
v1 , v1
v1 , vn
n passant locuo
adverbial; ligeira e
circunstancialmente. Ex:
Mencionou-lhe o nome en
passant.
vn , v1
b1 v, v1
=
vn , vn bn v, vn
Como esse sistema tem nica soluo (pois a projeo ortogonal existe e nica), essa matriz inversvel para qualquer base
= {v1 ,..., vn } (lembre-se que um sistema de n equaes lineares
a n variveis possvel e determinado se, e somente se, a matriz
de coeficientes inversvel). Essa matriz dita matriz de Gram
(note que a matriz de Gram definida em espaos vetoriais reais
uma matriz real e simtrica). Para achar v utilizando-se de uma
base no-ortonormal, temos que resolver o sistema apresentado,
o que muito trabalhoso se a matriz no for diagonal (note que a
matriz do sistema em questo diagonal se a base ortogonal).
En passant, demonstramos a seguinte proposio:
Proposio: Uma matriz de Gram uma matriz inversvel.
Outro modo de se provar essa proposio verificar que o sistema homogneo associado matriz G apresentada anteriormente
s admite a soluo zero. Realmente, Gx = 0 xT Gx = 0 . Note que
2
xT Gx = w , em que w = b1v1 + + bn vn e x = ( w) . Logo, w = 0 , ou
seja, b1v1 + + bn vn = 0 . No entanto, {v1 ,..., vn } uma base. Assim,
a nica soluo possvel b1 = = bn = 0 , isto , a nica soluo
possvel da equao matricial Gx = 0 a soluo trivial x = 0 . Por
conseguinte, G inversvel.
21
Observe que, se estamos trabalhando em m com o produto interno usual, o referido sistema no-homogneo pode ser reescrito como AT Ax = AT v , em que A a matriz cujas colunas so as
coordenadas cannicas dos vetores da base {v1 ,..., vn } e x a coluna formada por b1 , , bn . A soluo desse sistema dada por
x = ( AT A) 1 AT v . Logo, a projeo ortogonal de um vetor v sobre
um subespao [v1 ,..., vn ] dada por:
v = A ( AT A) 1 AT v .
Observe que, se v [v1 , , vn ] , v = v .
Exerccio 5: Em cada item a seguir so dados v1 ,..., vn e v , vetores
de V , um espao vetorial real munido de um produto interno
, :V V . Seja W = [v1 ,..., vn ] . Ache a projeo ortogonal de
v sobre W .
i) V = 2 , munido do produto interno usual, v1 = (1,1); v = (1, 2) ;
ii) V = 3 , munido do produto interno usual, v1 = (1,1,1) ;
v = (1, 2, 2) ;
iii) V = 3 , munido do produto interno usual, v1 = (1,1,1) ,
v2 = (1, 2,1) ; v = (1, 2, 2) ;
iv) V = 4 , munido do produto interno usual; v1 = (1,1,1,1) ,
v2 = (1, 0, 0,1) ; v = (3, 2, 0, 2) ;
v) V = 4 , munido do produto interno usual; v1 = (1,1,1,1) ,
v2 = (1, 0, 0,1) , v3 = (1, 2, 0, 2) ; v = (3, 2, 0, 2) ;
vi) V = C [1,1] , munido do produto interno usual, v1 ( x) = 1 ,
v2 ( x) = x ; v( x) = x 2 ;
vii) V = C [1,1] , munido do produto interno usual, v1 ( x) = 1 ,
v2 ( x) = x , v3 ( x) = x 2 ; v( x) = x 3 .
22
(verifique). Matrizes, cujas colunas so vetores ortonormais, partilham dessa propriedade. Note que, se A for uma matriz quadrada, AT a inversa de A . Essas matrizes so ditas ortogonais
(cuidado para no fazer confuso: matrizes ortogonais tm colunas ortonormais).
Definio: Uma matriz A nn ortogonal se AT . A = I .
Proposio: As seguintes sentenas so equivalentes:
a) A nn ortogonal;
b) As colunas de A nn so ortonormais;
c) As linhas de A nn so ortonormais;
d) A
nn
e (x n ) Ax = x ;
e) A nn e (x, y n ) yT AT Ax = yT x .
A prova dessa proposio pode ser vista, por exemplo, em
Hoffman e Kunze (1970). Note que a sentena (d) caracteriza uma
matriz ortogonal como sendo uma matriz que preserva a norma
de um vetor quando multiplicada por ele; a sentena (e) descreve
uma matriz ortogonal como uma matriz que preserva o produto interno de dois vetores (e, de quebra, preserva o ngulo entre
cada dois vetores).
Exerccio 6: Mostre que o produto de matrizes ortogonais uma
matriz ortogonal.
Exerccio 7: Mostre que a inversa de uma matriz ortogonal , tambm, ortogonal.
Exerccio 8: Mostre que, se Q nn uma matriz ortogonal, a
1 0
0 q11
matriz
0 qn1
q1n
, pertencente a ( n +1) ( n +1) , uma matriz
qnn
ortogonal.
23
n2
v2
v
n1
v1
||v||2 .e1
Vamos achar uma frmula para essas reflexes. Seja n uma das
normais descritas anteriormente, associada ao hiperplano .
Note que = [n] . Logo, n = [n] . Assim, dado um vetor u
qualquer, u pode ser escrito de uma nica forma como soma de
um vetor de com um vetor de [n] : u = u + u [ n ] . Dessa maneira,
Hu = u u [ n ] = u 2 u [ n ] , entretanto u [ n ] a projeo ortogonal de
u sobre [n] . Ou seja,
nnT
u [ n ] = n .(nT . n) 1 nT u = 2 u .
n
24
Logo, Hu = u 2
n . nT
n
u = (I 2
n . nT
n
H = I 2
n.nT
n
n1. n1T
n1
2
13 2 3
3
n1. n1T
n1. n1T 2
1
2
= I 2
=I
= 3
3;
3
12
6
2 2
1
3
3
3
H 2 = I 2 2 22 = I 2 2 2 = I 2 2 = 2 3 2 3 1 3 .
24
12
n2
2 1
2
3
3
3
Note que essas matrizes so ortogonais (verifique) e simtricas,
caractersticas das reflexes de Householder. Assim, se H uma
reflexo de Householder,
H = H T = H 1 .
Como j dissemos antes, uma aplicao das reflexes de Householder ortonormalizar bases. Por exemplo, vamos achar uma
base ortonormal para o subespao [ (1,1,1,1) , (0, 0,1,1) , (0, 0, 0,1) ]
do 4 . Para isso, primeiro construmos a matriz A , cujas co1
1
lunas so os vetores da base dada: A =
1
0
0
1
1
0
. Agora, va0
12 12 12 12
n nT
n nT
n nT 1 2 5 6 1 6 1 6
.
H = I 2 2 = I 2
=I
=
12 16 5 6 16
12
6
n
1
2 16 16 5 6
2 1 1 2
0 13 16
Logo, HA =
. Agora, vamos achar uma re2
0
16
3
5
2
3
6
0
flexo de Householder que reflita o vetor ( 1 3 , 2 3 , 2 3 ) na direo do primeiro vetor cannico do 3 . Vamos escolher
n1 = ( 1 3 , 2 3 , 2 3 ) + ( 1 3 , 2 3 , 2 3 ) (1, 0, 0) = ( 2 3 , 2 3 , 2 3 ) . A reflexo de
Householder correspondente a essa normal dada por:
H 1 = I 2
n1 n1T
n1
= I 2
n1 n1T
4
13 2 3 2 3
n1 n1T 2
= I 3
= 3 13 2 3 .
2
2 2
1
3
3
3
0
0
1 0
0 13 2 3 2 3
Considere a matriz H1 =
, ento
0 2 3 13 2 3
0 2 3 2 3 13
0
0 2 1 1 2
1 0
0 13 2 3 2 3 0 13 16
H1 HA =
, ou seja,
2
0 2 3 13 2 3 0
16
3
5
2
3
6
0 2 3 2 3 13 0
2 1 1 2
0 1 1 2
H1 HA =
. Finalmente, vamos achar uma re 0 0 12
1
2
0 0
flexo de Householder que reflita o vetor ( 1 2 , 1 2 ) na direo do primeiro vetor cannico do 2 . Vamos tomar
n2 = ( 1 2 , 1 2 ) + ( 1 2 , 1 2 ) (1, 0) = ( 2 2 1 2 , 1 2 ) . A reflexo de Householder correspondente a essa normal dada por:
n n T
n n T 2
H 2 = I 2 2 22 = I 4 2 2 = 2
2 2 22
n2
26
2
2
.
2
2
0
Considere a matriz H 2 =
0
0
1
0
H 2 H1 HA =
0
0
0
1
0
2
0
2
2
0 2
0
0
1
0
2
0
2
2
0 2
0
. Assim,
22
22
0 2 1 1 2 2 1 1 2
0 0 1 1 2 0 1 1 2
=
2 2 0 0 12 0 0 2
1
22 0 0
0
2
0 0
Logo,
2 1 1 2 1 2 1 2
0
1
1
1
0 1 2 2
0
2
=
A = HH1 H 2
2
0 0 2 12 12
2
2
1
1
0 2 2 2
0 0
0
12 12
1
2 12
0
=
2
12 12
2
1
2
2 12 2
2
2
0
0
2
2 1 1 2
1
0 1 2 =
0 0 2
0
0 0
2 1 1 2
1
0 1 2 = QR ,
0 0 2
27
Exerccio 9: Ache as duas reflexes de Householder que satisfazem o que pedido em cada item a seguir:
i) Que transformem o vetor (2,1, 2) em um vetor na direo do
vetor (1, 0, 0) ;
ii) Que transformem o vetor (2,1, 2) em um vetor na direo do
vetor (1,1,1) ;
iii) Que transformem o vetor (2,1, 2) em um vetor na direo
do vetor (1, 2, 2) ;
iv) Que transformem o vetor (2,1, 2) em um vetor na direo
do vetor (0, 0,1) .
Assim,
v, w =
ab
i , j =1
vi , v j = bT G a ,
em
5 1
b) A =
;
1 1
2 1
c) A =
;
1 1
29
2 1
d) A =
;
1 1
2 2
e) A =
;
2 1
4 1
g) A =
;
1 0
1 0
h) A =
.
0 1
4 2
f) A =
;
2 1
Resumo
Neste captulo vimos a definio de produto interno em um espao
vetorial real V. Conclumos que, dados um produto interno , em
V e uma base , existe uma nica matriz simtrica real A tal que,
quaisquer que sejam os vetores v e w de V, v, w = ( w) T A (v) .
Essa matriz inversvel e dita uma matriz de Gram. Definimos,
ainda, o ngulo entre dois vetores e vimos que dois vetores so
ortogonais em relao a um produto interno se o produto interno
entre eles zero.
Em seguida, apresentamos um procedimento que ortogonaliza
uma base de um espao vetorial real de dimenso finita, ou seja,
que resulta em um conjunto l. i. de geradores do espao que sejam ortogonais dois a dois. Definimos, depois, um conjunto de
matrizes ditas ortogonais, que so matrizes associadas a operadores lineares, definidos em espaos vetoriais reais com produto
interno, que preservam ngulos entre vetores (ex.: as reflexes de
Householder).
Por fim, terminamos o captulo dando uma caracterizao s matrizes de um produto interno em relao a uma base matrizes
simtricas definidas positivas.
30
Bibliografia Comentada
HOFFMAN, Kenneth; KUNZE, Ray. lgebra Linear. So Paulo:
Polgono, 1970.
Lcio H. Bezerra: esse livro um dos meus livros prediletos de
lgebra Linear. Infelizmente, ele est esgotado. Foi lanada uma
segunda edio desse livro no Brasil, com muitas alteraes, mas
prefiro a primeira edio. Procure-no em sebos e compre-o. O
tratamento rigoroso e as provas so elaboradas. Contm muitos
exerccios, alguns no muito fceis de resolver.
LIMA, Elon L. lgebra Linear. 3 ed. Rio de Janeiro: SBM, 1998.
H edies mais recentes desse livro, que apresenta a lgebra
Linear de forma clssica, como o livro de Hoffman e Kunze (1970).
Recomendo esse livro para uma biblioteca de Matemtica. Tem
muitos exerccios.
ANTON, Howard; RORRES, Chris. lgebra Linear com Aplicaes. 8
ed. Porto Alegre: Bookman, 2001.
Esse um livro moderno com tratamento clssico. um livro
muito bom para voc, leitor que deseja se inserir no mundo
tecnolgico, pois apresenta vrias aplicaes interessantes da
lgebra Linear: digitalizao de imagens, programao linear etc.
31
Autovalores e Autovetores
de um Operador Linear
Autovalores e Autovetores de
um Operador Linear
A partir da, algumas perguntas que surgem de maneira natural so: quantos autovetores podemos associar a um autovalor?
Quantos autovalores podemos encontrar? O que podemos fazer
para encontrar autovalores e autovetores? Com o intuito de responder a essas e outras perguntas que aparecero no decorrer do
captulo, comeamos com a observao de que se v um autovetor de T associado a , ento o mesmo acontece com v para
qualquer escalar arbitrrio no-nulo , j que
T (v) = v T ( v) = ( v).
Ou seja, qualquer mltiplo escalar de v tambm V um autovetor de T associado a .
Para ilustrarmos como achar autovalores e autovetores correspondentes apresentamos alguns exemplos a seguir.
Exemplo 1: Seja T : 2 2 , T ( x, y ) = (2 x , x + 3 y ) . Para procurar autovalores e autovetores de T resolvemos a equao
T ( x, y ) = ( x, y ) ou (pela definio de T ) (2 x , x + 3 y ) = ( x, y ) .
Igualando componentes obtemos o sistema de equaes:
2 x = x
x + 3 y = y
Note que y no pode ser zero, caso contrrio obteramos x = 0 e
da (x,y) = (0,0) (ou seja, o vetor nulo v = (0, 0) ), o que no pode
acontecer pela definio de autovetor. Agora podemos considerar
dois casos: x 0 e x = 0 . Se x 0 , da primeira equao obtemos
= 2 , e, com esse valor na segunda equao, x = - y . Assim, = 2
um autovalor de T e v = ( x, - x) = x (1, -1) , x 0 , um autovetor correspondente. Nesse caso, o subespao prprio associado a
= 2 V =2 = {x (1, -1) / x } = [(1, -1)] ou, em palavras, V =2 o
subespao de 2 gerado pelo autovetor v = (1, -1) que a reta no
plano que contm v .
Se x = 0 , da segunda equao segue que = 3 e y pode ser
arbitrrio (no-nulo). Portanto, = 3 outro autovalor de T ,
v = (0, y ) = y (0,1) um autovetor associado, e V=3 = [(0,1)] , que
a reta que passa pela origem e perpendicular ao eixo Y , o
subespao prprio associado.
36
O efeito de um operador linear determinado facilmente e simples de se interpretar geometricamente em 2 . Como ilustrao,
considere o operador T do exemplo 1 e os vetores v = (-1,1) , e
u = (1, 0) . Dessa forma, T (v) = (-2, 2) = 2 (-1,1) , isto , v transformado em um mltiplo de si mesmo, pois v um autovetor de
T associado ao autovalor = 2 (ver figura 3 a seguir). O efeito do
operador sobre u T (u ) = (2,1) . Obviamente, u no autovetor
do operador, pois T (u ) no mltiplo de u .
T (v) = 2v
T
v
u
x
T (u)
37
38
p ( ) = det ( A - I ) = det
a
ann -
n1
obtemos p ( ) = (a11 - ) (ann - ) + termos de grau menor
que n. Isso mostra que o polinmio caracterstico de A
de grau n .
importante observar que, se A uma matriz real n n ,
ento p ( ) tem coeficientes reais e, portanto, todas as suas
razes complexas vm em pares conjugados. Assim, se
= a + ib raiz de p ( ) , seu complexo conjugado = a - ib
( i = -1 ) tambm raiz de p ( ) . Formalmente, as razes
complexas de p ( ) so autovalores complexos da matriz
A interpretada como operador TA : n1 n1 , dado por
TA ( x) = Ax , x n1 . Dessa forma, se 1 , 2 , , n so os autovalores de A (reais ou complexos), ento o polinmio caracterstico p ( ) pode ser escrito como
p ( ) = ( 1 - ) ( 2 - ) ( n - ) .
Considerando agora que p ( ) = det ( A - I ) e tomando = 0
nessa equao, segue que
1 2 n = p (0) = det ( A) .
Outra concluso imediata, que provm de comparar o coeficiente de ( - n -1) da expresso, que resulta de avaliar o determinante det ( A - I ) , com o coeficiente de (- n -1) que aparece
aps desenvolver os produtos ( 1 - ) ( 2 - ) ( n - ) , que
39
j =1
j =1
j = a jj .
A soma dos elementos da diagonal principal de uma matriz quadrada A chamada de trao de A e denotada por
tr ( A) .
b) Para cada autovalor , os autovetores associados so solues no-triviais do sistema homogneo
( A - I ) x = 0.
Observao: Uma dificuldade de ordem prtica no clculo de autovalores para matrizes n n , n > 4 , que equaes polinomiais
de grau maior que 4 no so solveis por radicais, ou seja, essas
equaes no podem ser solucionadas usando frmulas anlogas
quelas usadas para equaes de segundo ou terceiro graus. Por
isso, na prtica, o clculo de autovalores feito computacionalmente atravs de mtodos iterativos. Mtodos iterativos que usam
transformaes ortogonais so implementados em muitos sistemas interativos como MATLAB, SCILAB, OCTAVE, MAPLE etc.
Os exemplos a seguir ilustram o procedimento para encontrar autovalores e autovetores associados.
3 -2
Exemplo 4: Considerando a matriz A =
, a equao carac1 0
terstica :
det ( A - I ) =
3 - -2
= 0 (3 - ) (0 - ) - 1(-2) = 0.
1
0-
0 - 1
1
x1 0
= .
x2 0
A = -1 2 -1 .
0 -1 3
Para esta matriz, a equao caracterstica :
3 - -1
0
det ( A - I ) = -1 2 - -1 = 0 - 3 + 8 2 - 19 + 12 = 0 .
0
-1 3 -
As razes da equao caracterstica fornecem os autovalores 1 = 1,
2 = 3 , 3 = 4 . Para encontrar o autovetor associado a 1 = 1 , resolvemos o sistema homogneo ( A - 1 I ) x = 0 , que nesse caso tem
a forma
(3 - 1 ) x1 - x2 = 0
- x1 + (2 - 1 ) x2 - x3 = 0
- x + (3 - ) x = 0
2
1
3
x2 - 2 x3 = 0
que possui grau de liberdade 1 (ou seja, h uma varivel livre).
Tomando x 3 como varivel livre, o autovetor associado a 1 = 1
x3
1
tem a forma x = 2 x3 = x3 2 , para x 3 no-nulo e arbitrrio. Pro
3
x3
cedendo analogamente, para 2 = 3 temos que o autovetor asso1
41
B k = BB k -1 = P -1 Ak P , k 1 .
Quando A no-singular, o mesmo ocorre com B , e a propriedade acima vale para qualquer inteiro negativo k . Se, em particular, B diagonal (ex.: B = ), ento Ak = P k P -1 , e o clculo da
k -sima potncia de A requer apenas o clculo das k -simas
potncias dos elementos diagonais de .
42
Definio: Uma matriz quadrada B dita semelhante a uma matriz A se existe uma matriz no-singular P tal que B = P -1 AP .
Se B semelhante a A , dito que B obtida de A por meio de
uma transformao de semelhana.
imediato observar que matrizes semelhantes tm o mesmo polinmio caracterstico, e que a noo de semelhana define uma
relao de equivalncia no conjunto das matrizes quadradas no sentido em que:
a) A semelhante consigo mesma;
b) Se B semelhante a A , ento A semelhante a B ; e
c) Se C semelhante a B e B semelhante a A , ento C semelhante a A .
A primeira parte da afirmao ser vista no contexto geral de
operadores lineares; a segunda parte simples de se demonstrar
e fica como um exerccio para voc, leitor.
Se observarmos os autovalores e autovetores correspondentes do
exemplo 5, na notao do item 2, a matriz A pode ser decomposta como A = PP -1 , com:
1
= 0
0
0
2
0
0 1 0 0
1 1 1
0 = 0 3 0 , P = [ p1 , p2 , p3 ] = 2 0 -1 .
3 -1 1
3 0 0 4
43
2 x1 + (1 - 1 ) x2 + 6 x3 = 0 .
2 x - x + (8 - ) x = 0
1
3
1 2
Aps escalonamento, o sistema reduz-se expresso
2 x1 - x2 + 6 x3 = 0 .
Da decorre que o sistema tem dois graus de liberdade (duas variveis livres). Sendo assim, o conjunto de solues no-triviais
pode ser escrito como
x1
1/ 2
-3
x = x2 = x2 1 + x3 0 ,
x3
0
1
sendo x2 e x3 arbitrrios, e ao menos um deles no-nulo. Assim,
para o autovalor repetido (duas vezes) = 2 podemos associar
um autovetor x que resulta de uma combinao linear de dois
vetores linearmente independentes:
v1 = [1/ 2 1 0 ] T , v2 = [ - 3 0 1] T .
Esses por sua vez tambm so autovetores associados ao mesmo
autovalor. possvel explicar tal afirmao devido ao fato de que,
para o autovalor repetido = 2 , podemos associar dois autovetores linearmente independentes.
Como j sabemos achar os autovalores e autovetores de uma matriz, vamos estudar agora como encontrar os autovalores de um
operador linear qualquer definido num espao vetorial real de
dimenso finita. A chave do assunto vem na proposio a seguir.
Proposio: Seja = {v1 , , vn } uma base de um espao vetorial
real V e T : V V um operador linear, ento T e a matriz de T
na base , [T ] , tm os mesmos autovalores.
44
Vejamos agora alguns exemplos que ilustram caractersticas associadas a autovalores e autovetores de operadores lineares ainda
no observadas nos exemplos anteriores.
Exemplo 7: Seja V o espao das funes polinomiais de grau menor ou igual a 1 e considere a base = {v1 , v2 } = {1 + x, 4 + x} . Seja
o operador linear definido por T (v1 ) = 5 + 2 x , e T (v2 ) = -2 (4 + x) .
Assim, j que T (v1 ) = v1 + v2 e T (v2 ) = -2v2 (verifique!), segue que
1 0
a matriz de T na base [T ] =
, portanto o polinmio
1 -2
caracterstico de T p ( ) = det ([T ] - I ) = (1 - ) (-2 - ) e os autovalores so 1 = 1 e 2 = -2 . A partir da observamos facilmente
que o autovetor de [T ] associado a 1 = 1 x = [3b b] T , com b
real no-nulo e arbitrrio. Usando o fato de que as componentes
do autovetor x so os coeficientes do autovetor de T expresso
como combinao linear dos vetores da base , o autovetor de T
associado a 1 = 1 v = 3bv1 + bv2 = b (3(1 + x) + (4 + x)) = b (7 + 4 x) ,
com b no-nulo e arbitrrio. Procedendo analogamente verificase que o autovetor de [T ] associado a 2 = -2 Ax = [0 b] t , com
b real no-nulo e arbitrrio. Assim, o autovetor de T associado a
2 = -2 x = 0v1 + bv2 = bv2 , b no-nulo, ou seja, o vetor v2 um
autovetor do operador associado ao autovalor 2 = -2 .
Exemplo 8: Suponha no exemplo anterior que, em lugar de
T (v2 ) = -2 (4 + x) , o operador T satisfaz T (v2 ) = (4 + x) . Proceden1 0
do da maneira usual, a matriz de T na base [T ] =
.
1 1
Logo, o polinmio caracterstico p ( ) = ( - 1) 2 e os autovalores
so 1 = 2 = 1 . Ou seja, o operador tem dois autovalores repetidos. Busquemos agora os autovetores associados. Seja x = [a b] T
o autovetor procurado. Logo,
(1 - 1 ) a + 0b = 0
([T ] - 1 ) x = 0
1a + (1 - 1 ) b = 0
e esse sistema se reduz expresso a = 0 . Dessa forma, o autovetor associado a 1 = 2 = 1 x = [0 b] T , em que b real e
no-nulo, e assim o autovetor de T associado a 1 = 2 = 1
v = 0v1 + bv2 = b (4 + x) . Note que, diferentemente do exemplo an46
Nesse caso, pode-se ver que o polinmio caracterstico p ( ) = - ( + 2) ( - 3) 2 . Pode-se ver tambm que
( B + 2 I ) ( B - 3I ) = 0 , e que ( B + 2 I ) 0 , e ( B - 3I ) 0 (verifique!), portanto o polinmio minimal da matriz B
pm ( ) = ( + 2) ( - 3) .
Os exemplos acima sugerem dois fatos:
1) em geral, p ( ) pm ( ) ;
2) ambos os polinmios tm as mesmas razes.
Uma prova formal do item 2 dada na proposio a seguir.
Proposio: Seja V um espao vetorial de dimenso n 1 e
T L (V , V ) , ento p ( ) e pm ( ) tm as mesmas razes a menos
de multiplicidades.
Prova: Sem perda de generalidade, vamos supor que todas as
razes do polinmio caracterstico p ( ) so reais. Logo, se
48
que os elementos de Adj ( A) so obtidos via clculo do determinante de certas submatrizes de A de ordem n - 1 . Continuando a
prova, seja B = Adj ( A - I ) . Da observao acima, segue que os
elementos bij de B so polinmios em de grau no mximo n - 1 ,
isto , para cada par i, j , temos
bij = bij(0) + bij(1) + + bij( n -1) n -1 .
Com essa notao a matriz B pode ser escrita como
B = B0 + B1 + + Bn -1 n -1 ,
em que ( Bk )i , j = bij( k ) , 0 k n - 1 . Usando a propriedade da adjunta clssica descrita acima, obtemos que
B ( A - I ) = det ( A - I ) I .
Agora, note que, enquanto o lado esquerdo dessa igualdade pode
ser escrito como
B0 A + ( B1 A - B0 ) + + ( Bn -1 A - Bn - 2 ) n -1 - Bn -1 n ,
o lado direito o polinmio caracterstico do operador T vezes
a matriz identidade: p ( ) I = a0 I + a1 I + + an -1 I n -1 + an I n .
Comparando os coeficientes de ambos os polinmios obtemos o
seguinte conjunto de igualdades:
a0 I
a1 I
a2 I
an -1 I
an I
=
=
=
B0 A
( B1 A - B0 )
( B2 A - B1 )
= ( Bn -1 A - Bn - 2 )
=
- Bn -1
Exerccios
1) Mostre que o conjunto formado pelos autovetores de um ope-
2)
4) Sejam A = 11
2
semelhante a
2
4 0
.
0 -1
1
1 a
e B=
. Ache uma matriz no-singu1
a 1
5) Seja A = -53
mum.
3
T
. Mostre que A e A tm um autovetor co5
6) Seja
7) No exemplo 7 vimos que os autovalores de uma matriz triangular inferior 2 2 eram os elementos da diagonal principal. Generalize esse resultado para uma matriz triangular inferior L
n n , isto , prove que os autovalores da matriz L so os elementos L jj da diagonal principal. Idem para matrizes triangulares
superiores.
8) Uma matriz A
n n dita idempotente se A2 = A .
a) Mostre que, se um autovalor de uma matriz idempotente, ento tem que ser igual a 0 ou 1.
b) Seja v um vetor unitrio em n1 (usando a norma euclideana) e A = vv T . Mostre que A idempotente e que v
51
c) Seja v =
9) Seja
10) Seja
11) Seja T :
13) Seja T : V V
52
0
[T ] =
0 0
2 0
.
0 n
53
2) V2 = N ( A + 2 I ) com A + 2 I = -4 2 4 . Como A + 2 I
3 -4 2
[T ] = 0 4 0 .
0 0 4
Exerccio
15) Decida se as matrizes so ou no diagonalizveis. Em caso
afirmativo, calcule uma base de autovetores
3 1
a) A =
-1 3
2 4
b) B =
4 2
4 -1
c) C =
1 2
0 -4
d) D =
3 7
- + 6 3( - )
A=
, , ,
2 ( - ) 6 -
17) Seja A = ac
b
, a d . Mostre que A diagonalizvel se e
d
somente se (a - d ) 2 - 4bc 0 .
18) Em cada uma das seguintes matrizes a seguir, use a fatorao A = PP -1 para calcular A6 :
56
b) A = 0
0
5 6
a) A =
-2 2
2 1
1 2
0 -1
2 -8
c) A =
1 -4
a 1 0
20)
a b 1
A = 0 c 0 .
0 0 1
n1 e sejam
1 , , n escalares. Defina A = 1 u1 u1T + + 1 un unT . Mostre que
A uma matriz simtrica com autovalores 1 , , n e que u j
um autovetor associado a j para cada j . Podemos concluir que
A diagonalizvel?
1
23) Seja T : V V
24) Sejam
57
| v1 |2 + + | vn |2 = v H v .
1
i
Como um exemplo, sejam v =
e w = . Assim:
2 - i
1
58
v, w = 1 i + (2 - i ) 1 = - i + (2 - i ) = 2 - 2i , v, w = 2 + 2i
(veja o item 2 da definio de produto interno),
|| v || =
|1|2 + | 2 - i |2 = 1 + 5 = 6 , e
|| w || =
| i |2 + |1|2 = 1 + 1 = 2 .
Baseado no conceito de produto interno, as noes de ngulo, ortogonalidade, base ortogonal etc, podem ser generalizados sem
dificuldades para o caso complexo.
Lembramos que, se A uma matriz complexa, AH , chamada de
hermitiana de A , a transposta da conjugada complexa de A ,
T
isto , AH = A .
Proposio: A transposta hermitiana de uma matriz tem as seguintes propriedades:
a) ( AH ) H = A ;
H
H H
b) ( AB) = B A ;
c) ( A + B) H = AH + B H ;
d) u , Av = AH u , v , em que , produto interno usual em n1.
Prova: A prova dos itens (a), (b) e (c) anloga prova das propriedades da transposta de uma matriz real e fica como um exerccio
para voc, leitor. Vejamos a prova do item (d). Usando a definio
do produto interno complexo usual e os itens (a) e (b) temos:
Av, u = u H ( Av) = (u H A) v = ( AH u ) H v = v, AH u .
Definio: Uma matriz complexa A dita hermitiana se AH = A.
Para
exemplificar,
como
-3 5 + 2i
A=
2
5 - 2i
satisfaz
-3
(5 - 2i )
AH =
= A , ento A hermitiana. Note que a
(5 + 2i )
2
2 -1
mesma concluso vale para B =
, pois B real e simtri -1 5
ca e, nesse caso, vale trivialmente B H = B . Esse exemplo mostra
59
v H
v H
v1H AW 1 b H
P H AP = 1 H A [v1 , W ] = 1 H [ 1v1 , AW ] = 1
=
.
H
W
W
0 W AW 0 C
Se n = 2 a proposio verdadeira, pois, tomando Q = P , Q H AQ
j est sob a forma exigida. Prosseguiremos a prova por induo.
Suponha, agora, que a proposio verdadeira para n - 1 . Assim,
existe uma matriz unitria U de ordem n - 1 tal que U H CU = 1
1 0
triangular superior. Note agora que a matriz V =
satis0 U
faz a propriedade
61
1 0
V HV =
H
0 U
1 0
0 U = I
=
=
H
H
1
0 U 0 C 0 U 0 U CU 0
1 0
( P AP) V =
H
0 U
H
1 b H 1 0 1 b H U 1 b H U
=,
=
=
H
1
0 C 0 U 0 U CU 0
em que triangular superior. A igualdade acima pode ser escrita como Q H AQ = T com Q = PV , e a prova da proposio,
no que diz respeito triangularizao, decorre do fato de que Q
unitria porque P e V so unitrias. Finalmente, como A e
tm os mesmos autovalores ( A e so semelhantes), e como
os elementos da diagonal principal de so seus autovalores, a
proposio est provada.
Na prtica, pode ser difcil achar a decomposio de Schur, pois
ela exige o conhecimento de autovalores e autovetores da matriz.
Mesmo assim, ela pode ser determinada seguindo o procedimento descrito na prova da proposio.
8 2 1
2
P = 2
0
62
2
2
2
2
0
0 , temos que
A1 = P H AP = 0
1
9
2
- 2
2 2.
2 2
(veja a prova da proposio). Os autovalores de
6
3
1
3
, podemos formar uma segunda matriz unitria
2 2
3
1
0
0
2 2
1
1
2 2
3
3
a A1 obtemos
desejada.
Quando a matriz A real e simtrica, seus autovalores e autovetores so reais. Assim, a matriz diagonalizante deve ser ortogonal.
Corolrio: Se A real e simtrica, ento existe uma matriz ortogonal Q tal que QT AQ = .
Pelo teorema espectral , toda matriz hermitiana A pode ser fatorada na forma A = Q H Q , com diagonal, os elementos diagonais em como os autovalores de A e as colunas de Q como os
autovetores de A . Por conseguinte, A diagonalizvel e tem um
conjunto de autovetores que formam uma base ortonormal para
n1 . Existem, entretanto, matrizes no-hermitianas que tambm
possuem uma base de autovetores ortonormais. Elas pertencem
classe especial de matrizes conhecidas como matrizes normais.
Definio: Uma matriz quadrada dita normal se AAH = AH A .
obvio que toda matriz hermitiana normal, pois, certamente, se
A normal, ento AAH = AA = AH A . Na verdade, alm das matrizes hermitianas, as matrizes normais tambm incluem as matrizes reais simtricas e as matrizes anti-simtricas, entre outras.
Proposio: Uma matriz A n n normal (por exemplo: real
simtrica, anti-simtrica, hermitiana, unitria) se e somente se A
tem um conjunto de n autovetores ortonormais.
Prova: Suponha que existe uma matriz de autovetores ortonormais
Q = [q1 , , qn ] , em que Q diagonaliza A , isto , A = Q H Q , e
AH A = (Q H H Q) (Q H Q) = Q H H Q ,
AAH = (Q H Q) (Q H H Q) = Q H H Q .
Como H = H , pois matrizes diagonais comutam, segue que
AAH = AH A e, portanto, A normal. Reciprocamente, suponha
que A normal. Pelo teorema de Schur, existe uma matriz unitria
Q e uma matriz triangular superior tais que = Q H AQ . Vamos
mostrar que normal. Com efeito, temos
T H T = Q H AH QQ H AQ = Q H AH AQ , e
TT H = Q H AQQ H AH Q = Q H AAH Q .
64
x H Ax = x1
-i 3
x1
x = x1
2
2 i x1
x2
= x1
-i 3 x2
2 x + ix2
2
x2 1
= 2 x1 + ix1 x2 - ix2 x
-ix1 + 3 x2
2 x + ix2
2
2
x2 1
= 2 x1 + ix1 x2 - ix2 x1 + 3 x2 .
-ix1 + 3 x2
Para continuar nossa prova, precisamos lembrar que, para todo
complexo z = a + ib = Re ( z ) + i Im ( z ) , vale:
a) z - z = i 2 Im ( z ) , e
b) Im ( z ) | z | .
65
x H Ax = 2 x1 + ix1 x2 - ix2 x1 + 3 x2
2
2 x1 - 2 x1 x2 + 3 x2
2
= x1 - 2 x1 x2 + x2 + x1 + 2 x2
2
= ( x1 - x2 ) 2 + x1 + 2 x2 > 0.
Isso prova que a matriz A definida positiva.
Obviamente, quando A simtrica real, na definio de matrizes
definidas positivas a transposta hermitiana deve ser substituda
pela transposta usual.
Exemplo 14: Mostre que a matriz a seguir definida positiva:
2 -1 0
A = -1 2 -1 .
0 -1 2
x Ax = [ x1
= [ x1
x2
x2
2 -1 0 x1
x3 ] -1 2 -1 x2
0 -1 2 x
3
2 x1 - x2
x3 ] - x1 + 2 x2 - x3
- x2 + 2 x3
Como essa expresso nunca igual a zero se x no-nulo, conclumos que a matriz A definida positiva.
66
Exerccios
25) Seja A uma matriz unitria. Mostre que:
a) A normal
b) Se um autovalor de A , ento | |= 1 .
26) Seja A = 1i
1
. Mostre que A uma matriz normal e
3 + 2i
encontre uma matriz P tal que P H AP seja diagonal.
2-i
1 - i 2
1
a) A =
b) B =
2 + i -1
2 3
c) C =
1
2
1
2
1
2
1
28)
-2 0 1
a) A = 0 -1 0
1 0 -2
1 2 1
b) A = 2 1 1
1 1 2
2 0 0
c) A = 0 5 3
0 3 5
67
definida positiva.
30) Se
positiva.
31) Seja A uma matriz definida positiva. Para cada par de vetores coluna x , y , defina x, y = x H Ay . Mostre que a operao ,
define um produto interno em n .
32)
Seja A uma matriz n n hermitiana com autovalores 1 , , n e autovetores ortonormais q1 ,.qn . Mostre que
A = 1 q1 q1H + 2 q2 q2H + + n qn qnH . Aplique esse resultado ma0 5
triz
.
5 0
1 -4
A=
normal mas no si1 1
mtrica, anti-simtrica nem unitria. Ache os autovalores e um
conjunto ortonormal de dois autovetores de A .
35) Se
A dita anti-hermitiana
se A = - A . Mostre que matrizes anti-hermitianas so normais.
H
38)
68
4 0 0
Resumo
Neste captulo, dado um operador linear em um espao vetorial
real V , T : V V , estudamos o problema de encontrar escalares
e vetores no-nulos v em V tais que Tv = v , o problema de
autovalores. O escalar em questo, quando existe, dito autovalor de T , e o vetor v chamado de autovetor de T associado
a . Vimos que se V de dimenso finita e uma base de V ,
ento o problema de autovalores se reduz a a) achar as razes de
uma equao polinomial associada matriz [T ] , e b) resolver
um sistema homogneo do tipo ([T ] - I ) v = 0 . Do ponto de
vista operacional, mostramos que o efeito do operador sobre um
vetor v determinado mais facilmente quando v uma combinao linear de autovetores, e que a matriz [T ] torna-se diagonal
quando o operador admite uma base de autovetores, um caso importante que nos levou ao conceito de diagonalizao. Na ltima
parte do captulo estudou-se a forma cannica de Schur e propriedades de autovalores e autovetores de matrizes que aparecem
em aplicaes prticas tais como matrizes hermitianas, normais,
unitrias, definidas positivas etc.
Bibliografia Comentada
BOLDRINI, Jos L.; COSTA, Sueli I. Rodrigues; FIGUEIREDO, Vera L.;
WETZLER, Henry G. lgebra Linear. 3 ed. So Paulo: HARBRA, 1996.
Livro bem escrito, com enfoque didtico, com muitos exerccios
resolvidos e uma boa quantidade de exerccios propostos. um
livro que serve bem como apoio no estudo da lgebra Linear.
COELHO, Flvio U.; LOURENO, Mary L. Um Curso de lgebra
Linear. So Paulo: USP, 2005.
Excelente fonte de consulta, com tratamento clssico. Ele
apresenta demonstraes rigorosas de quase todos os tpicos
abordados. A maioria dos exerccios no fcil. Esse um livro
que pode servir como fonte de consulta permanente e que fica
bem em uma biblioteca particular de Matemtica.
69
70
Formas Multilineares
Formas Multilineares
Neste captulo iremos identificar cnicas, cuja equao cartesiana geral ax 2 + bxy + cy 2 + dx + ey + f = 0 ,
via autovalores da matriz associada forma quadrtica q ( x, y ) = ax 2 + bxy + cy 2 . Tambm, introduziremos, de
modo rigoroso, o conceito de determinante de uma matriz
e o estenderemos a fim de se definir o determinante de um
operador em um espao vetorial de dimenso finita.
Apresentaremos o conceito introdutrio de formas multilineares, as quais so funes de V n em (em que V
um espao vetorial real) e possuem a propriedade de ser
funcionais lineares em relao a qualquer entrada do produto cartesiano, quando fixadas as outras n 1 entradas.
As propriedades dessas funes podem ser bem compreendidas estudando-se o caso n = 2 : as formas bilineares.
b) f : 2 2 dada por f (( x1 , x2 ) , ( y1 , y2 )) = x1 + y1 ;
2
2
c) f : dada por f (( x1 , x2 ) , ( y1 , y2 )) = x1 x2 + y1 y2 ;
2
2
d) f : dada por f (( x1 , x2 ) , ( y1 , y2 )) = x1 + x1 y2 ;
2
2
e) f : dada por f (( x1 , x2 ) , ( y1 , y2 )) = 4 x1 y1 + x1 y2 ;
f) f : 2 2 dada por
f (( x1 , x2 ) , ( y1 , y2 )) = x1 y2 + 4 x2 y1 + 2 x2 y2 ;
g) f : 2 2 dada por
f (( x1 , x2 ) , ( y1 , y2 )) = 3 x1 y1 x1 y2 + 4 x2 y1 + 2 x2 y2 .
Seja V um espao vetorial real de dimenso finita. Sejam = {v1 , , vn } e = {w1 , , wn } duas bases de V . Seja
f : V 2 uma forma bilinear. Considere dois vetores v
e w de V : v = a1v1 + + an vn e w = b1w1 + + bn wn , ento
f (v, w) =
a b
i , j =1
ab
i , j =1
74
f (vi , w j ) = (b1
a1
bn )[ f ] = ( w)T [ f ] (v) ,
a
n
0 1 x1
y2 )
= x1 y2 x2 y1 .
1 0 x2
Agora, se tomarmos = {(1,1) , (1, 1)} , temos que a matriz da forma bilinear f em relao s bases can e , nessa ordem, a ma 1 1
=
triz dada por [ f ] can
x1
y1 + y2
y2 )] [ f ] can
=
x2 2
x1
y1 + y2 y1 y2 1 1 x1
y2 )] [ f ] can
=
= x1 y2 x2 y1
2 1 1 x2
x2 2
y1 y2 1 1 x1
= x1 y2 x2 y1 .
2 1 1 x2
c) f : 2 2 definida por
f (( x1 , x2 ) , ( y1 , y2 )) = 3 x1 y1 x1 y2 + 4 x2 y1 + 2 x2 y2 ,
= = {(1, 2) , (1, 1)} ;
d) f : 3 3 dada por
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = x1 y1 + x1 y2 2 x2 y1 x2 y3 ,
= = cannica .
76
b) f : 2 2 tal que
f (( x1 , x2 ) , ( y1 , y2 )) = 4 x1 y2 + 4 x2 y1 + 2 x2 y2 ;
c) f : 2 2 tal que
f (( x1 , x2 ) , ( y1 , y2 )) = x1 y1 3 x1 y2 3 x2 y1 + 2 x2 y2 ;
d) f : 3 3 , tal que
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = x1 y1 + x1 y2 + x2 y1 + x2 y3 + x3 y2 x3 y3 ;
e) f : 3 3 , tal que
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = x1 y1 2 x1 y2 2 x2 y1 + 3 x2 y3 + 3 x3 y2 .
3
y)
2
2 x
. Os autovalores dessa matriz
2 y
3
y)
2
2 x
= (x
2 y
4 0
6
1
3 0
6
y) 3
3
3
77
q ( x, y ) = ( x
3
y)
2
2 x
= (x
2 y
= (z
z
em que =
w
6
3
3
6
6
y) 3
3
3
4 0
6
1
3 0
3
6
3
3
6
x
=
y
4 0 z
2
2
w)
= 4z + w ,
0 1 w
x x
= .
y y
i =1
w
4z2 + w2 = 1
x
z
3x 2 2 xy + 2y = 1
78
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = 2 x1 y1 + 2 x2 y2 + 2 x3 y3 + x1 y2 + x2 y1 + x1 y3 + x3 y1 + x2
f (( x1 , x2 , x3 ) , ( y1 , y2 , y3 )) = 2 x1 y1 + 2 x2 y2 + 2 x3 y3 + x1 y2 + x2 y1 + x1 y3 + x3 y1 + x2 y3 + x3 y2 .
A forma quadrtica associada
q ( x, y, z ) = 2 x 2 + 2 y 2 + 2 z 2 + 2 xy + 2 xz + 2 yz .
Na forma matricial, em relao base cannica do 2 ,
q ( x , y , z) = ( x
2 1 1 x
z ) 1 2 1 y . Os autovalores dessa ma1 1 2 z
1 2 1 =
1 1 2
3
3
3
3
3
2
2
6
6
4 0 0 33
0 1 0 0
0 0 1 63
3
2
6
3
2
6
22 .
6
6
3
f ((v1 ,..., v j ,..., v j ,..., vn )) + f ((v1 ,..., vi ,..., v j ,..., vn )) + f ((v1 ,..., v j ,.
f ((v1 ,..., v j ,..., v j ,..., vn )) + f ((v1 ,..., vi ,..., v j ,..., vn )) + f ((v1 ,..., v j ,..., vi ,..., vn )) =
= f ((v1 ,..., vi ,..., v j ,..., vn )) + f (v1 ,..., v j ,..., vi ,..., vn )) .
Por conseguinte,
= f ((v1 ,..., vi ,..., v j ,..., vn )) = f ((v1 ,..., v j ,..., vi ,..., vn )) ,
ou seja, f alternada.
Por esse lema, no caso de formas n-lineares alternadas a proposio reescrita da seguinte forma:
Proposio: Seja V um espao vetorial real de dimenso finita.
Seja = {v1 , , vn } uma base de V . Uma forma n-linear alternada f : V n fica bem definida se conhecemos f ((v1 , , vn )) ,
pois, dada uma permutao = (i1 , , in ) de {1,..., n} ,
f ((vi1 ,..., vin )) = (1) s ( ) f ((v1 ,..., vn )) , em que s ( ) o sinal da permutao : s ( ) = 1 , se a permutao for par e s ( ) = 1 se a
permutao for mpar.
Observao: Quando trocamos a posio de dois objetos numa
fila (a1 ,..., ai ,..., a j ,..., an ) , por exemplo, (a1 ,..., a j ,..., ai ,..., an ) , chamamos essa permutao de transposio. Um teorema interessante de combinatria o seguinte: se, para permutar uma fila de
81
n objetos F1 at chegarmos a uma fila F2 precisamos de um nmero par de transposies, ento qualquer outra forma, partindo
de F1 e chegando a F2 , precisar de um nmero par de transposies. Assim, classificamos as permutaes em pares e mpares.
Dessa maneira, como uma forma n-linear alternada troca de sinal
para cada transposio da n-upla, uma permutao par preserva
o sinal, enquanto uma permutao mpar faz trocar o sinal do
valor da forma.
Exemplo 8: Considere a permutao = (1, 4, 2,3) , isto , a funo de {1, 2,3, 4} em {1, 2,3, 4} tal que (1) = 1 , (2) = 4 , (3) = 2 ,
(4) = 3 . Verifique que a composta das transposies t 2,3 e
t 3,4 , nessa ordem.
Isto , = t 2,4 t 3,4 , em que t 3,4 a transposio que troca o 3 pelo
4 e t 2,4 a que troca o 2 pelo 4. Logo, par. Agora, a permutao (4,1, 2,3) impar ( s compor a transposio t1,4 com a
funo acima, nessa ordem).
Proposio: Seja V um espao vetorial real. Seja f : V n
uma forma n-linear alternada. Se {v1 ,..., vn } um conjunto l.d. de
V , ento f ((v1 ,..., vn )) = 0 .
n
Note
que,
pela
multiline-
j =1
(1)
Pn
s ( )
forma n-linear
Pn
v1 = (a11 ,..., a1n ) , ... , vn = (an1 ,..., ann ) , a forma n-linear que satisfaz
f (e1 ,..., en ) = .
Definio: Seja V = n . Seja {e1 ,..., en } a base cannica de n .
Considere a forma n-linear alternada det : V n definida por
det (v1 ,..., vn ) =
(1)
s ( )
Pn
(1)
s ( )
Pn
a1 (1) . . an ( n ) .
(1)
Pn
s ( )
a1 (1) . . an ( n ) .
83
Exerccio 7: Seja A uma matriz real 2 2 . Calcule det A pela definio anterior. Idem para uma matriz real A , de tamanho 3 3 .
Vamos listar, a seguir, algumas propriedades do determinante de
uma matriz quadrada A de ordem n .
Propriedades:
1) det kA = k n det A . Isso resulta do fato do determinante ser
uma forma n-linear. Em particular, det ( A) = (1) n det A .
2) Se B uma matriz obtida de A , substituindo-se alguma
linha de A pela soma dessa linha com um mltiplo de outra
linha, ento det B = det A . Isso decorre do fato de o determinante ser uma forma n-linear.
3) Se A singular, ento det A = 0 . s lembrar que uma matriz quadrada A singular se e somente se as linhas de A
so linearmente dependentes.
4) Se A uma matriz triangular ento det A = a11 . . ann .
Suponha, sem perda de generalidade, que A uma matriz
triangular inferior. Basta, ento, observar que, se uma
permutao diferente da identidade, existe i tal que (i ) > i
e, logo, ai (i ) = 0 . Por conseguinte,
det A =
(1)
s ( )
Pn
5) Se A uma matriz
a22
84
a11
a
do tipo 21
an1
a2 n
.
ann
0 0
a22 a2 n
, ento
an 2 ann
(1)
s ( )
Pn
det A =
(1)
Pn
s ( )
a1 (1) . . an ( n ) =
(1)
a1 (1) . . an ( n ) =
s ( )
Pn1
(1)
Pn1
s ( )
a2 (2) . . an ( n ) = a11.det A
(1)
Pn
s ( )
(1)
s ( )
Pn
det A =
(1)
Pn
s ( )
a1 (1) . . an ( n ) =
=
(1)
s ( )
Pn
(1)
Pn
a1 (1) . . an ( n ) =
(1)
Pn
s ( )
a 1 (1),1 . . a 1
a 1 (1),1 . . a 1 ( n ),n =
s ( )
an1
a12
a22
an 2
a1n
a11
a2 n
a
= 21
ann
an1
a11
a21
an1
0
a22
an 2
0
0
a2 n
a
+ 21
ann
an1
0 0
a12
a22 a2 n
a
22
an 2 ann
an 2
a12
a22
an 2
0
a2 n
++
ann
0 0
a21 a2 n
+ + (1) n 1
an1 ann
a1n
a2 n
ann
0
a21
an1
0
a22
an 2
a1n
a2 n
=
ann
0
0
a21 a2,n 1
.
an1 an ,n 1
, A(vi + .w) ,..., Avn ) = det ( Av1 ,..., Avi + . Aw ,..., Avn ) = det ( Av1 ,..., Avi ,..., Avn ) + det ( Av1 ,..., Aw ,..., Avn ) = D (v1 ,..., vi ,...
= det ( Av1 ,..., Avi ,..., Avn ) + det ( Av1 ,..., Aw ,..., Avn ) = D (v1 ,..., vi ,..., vn ) + .D (v1 ,..., w,..., vn )
( Av1 ,..., Aw ,..., Avn ) = D (v1 ,..., vi ,..., vn ) + .D (v1 ,..., w,..., vn ) .
fcil ver que essa funo tambm alternada. Ou seja, D
uma forma linear alternada. Logo, pelo Teorema de Representao de uma Forma n-Linear Alternada existe um nmero
real tal que, para toda matriz B (cujas linhas so v1 ,..., vn ),
D (v1 ,..., vn ) = .det (v1 ,..., vn ) , ou seja, det AB = .det B . Consideremos agora que B = I , ento det A = .det I = . Assim,
para toda matriz B , det AB = det A .det B .
86
1i < j n
1i n
1i < j n
i j ) x n 2 +
i j ) x n 2 + + (1) n 1 . . n .
87
Exerccios
8) Vamos representar as permutaes de {1,..., n} por n-uplas
ordenadas. Por exemplo: para n = 3 , (2,3,1) representa a permutao tal que (1) = 2 , (2) = 3 e (3) = 1 .
a) Nessa notao, liste os elementos de P3 , o conjunto de todas
as permutaes de {1, 2,3} (ou seja, todas as funes bijetoras de {1, 2,3} em {1, 2,3} ). Ache o sinal de cada uma das
permutaes, contando quantas transposies so necessrias para ir de (1, 2,3) at a tripla que a representa. Representando os elementos de uma matriz A por aij ( i , j = 1, 2,3 ),
calcule o determinante de A pela definio.
b) Idem para P4 (so 24 parcelas! Sugerimos utilizar rvores
para representar as parcelas).
9)
10)
1 2 3
1 2 3
6 = (1). 0 1 1 = (1). 0 1 1 = (1).1.1.(9) = 9
1
0 3 6
0 0 9
11)
12)
Idem para a matriz tridiagonal simtrica 5 5 , cujos elementos da diagonal principal so todos iguais a 2 e os elementos
das outras diagonais so todos iguais a -1.
2 3 4
a)
0 2 5
1 2 0
1
3
1
b)
2
7
2
0
1
7
0
1
0
1
2
21 22 23
c) 31 32 33
41 42 43
2 5 3 2
2 3 2 5
d)
1
3 2 2
1 6 4 3
1 2 2 3
1 0 2 0
e)
3 1 1 2
4 3 0 2
6 2 1 0 5
2 1 1 2 1
f) 1 1 2 2 3
3 0 2 3 1
1 1 3 4 2
a) 1 7 2
3 8 2
1 1 6
b) 3 2 1
3 2 5
1 4 1
c) 5 3 5
1 2 7
2 3 4
d) 0 3 7
0 0 5
16)
cipais A (1: k ,1: k ) , ditos menores principais, so positivos. Sugesto: para mostrar implicao no sentido direto, use o fato de
que as submatrizes principais de uma matriz simtrica definida
positiva so tambm simtricas definidas positivas e que o determinante de uma matriz o produto de seus autovalores; para
mostrar a recproca, use o fato de que uma matriz simtrica tem
decomposio LDLT se os seus menores principais so no-nulos,
no caso em que as entradas de D , diferentes de d11 , so razes
entre menores principais consecutivos.
Resumo
Neste captulo introduzimos funes multilineares, das quais so
exemplos notveis os produtos internos e a funo determinante. Aqui, invertemos o processo de definio de determinante em
relao a alguns livros, como por exemplo o livro de Lima (1998).
Primeiro, definimos o determinante de uma matriz. Depois, definimos o determinante de um operador linear em um espao vetorial de dimenso finita, como sendo o determinante da matriz do
operador em relao a uma base qualquer, pois o determinante
invariante em relao a uma mudana de base: ele o produto
dos autovalores, com suas multiplicidades algbricas.
Bibliografia Comentada
STRANG, Gilbert. Linear Algebra and its Applications. 3rd ed. Orlando:
Harcourt Brace Jovanovich, 1988.
Esse livro tem exerccios muito bons sobre determinante de matriz.
A demonstrao das propriedades de determinante primorosa.
HOFFMAN, Kenneth; KUNZE, Ray. lgebra Linear. So Paulo:
Polgono, 1970.
Excelente fonte de estudo de funes multilineares, tudo rigoroso,
bem apresentado, com exerccios que so proposies sobre
determinantes.
90
91