o

a çã
Álgebra Linear
or
Notas de Aula
ab
Diego Sebastián Ledesma
el

Atualizado 17/09/2023
Em
 o
a çã
or
ab
el
Em

The structure of the book is a modification of the "Legrange Orange Book"wich is a Latex template model
obtained at [Link] as and licensed under the Creative Commons Attribution-NonCommercial 3.0
Unported License ( [Link]
 o
Conteúdo

a çã
or
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
ab
I Espaços Vetoriais

2 Revisão de Matrizes e Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3 Espaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
el

3.1 Subespaço 28
3.2 Combinação linear 32
3.3 Soma de subespaços 35
3.4 Independencia linear. Base 36
Em

3.5 Coordenadas 45
3.6 Existência de Base 49

II Espaços Vetoriais

4 Transformações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5 Injetividade, sobrejetividade e isomorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

6 Operadores Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

7 Matriz de uma transformação linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

7.1 Funcionais Lineares 73

8 Autovalores e Autovetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
 III Espaços com Produto Interno

9 Espaços com produto interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

10 Operadores em Espaços com Produto interno . . . . . . . . . . . . . . . . . . . . . . . . . . 101

11 Operador Autoadjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

11.1 Aplicação à classificação de cônicas e quádricas. 113

o
12 Projeção ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

13 Operador unitario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

çã
14 Reflexão sobre um subespaço . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

a
or
ab
el
Em
 o
1. Introdução

a çã
or
Este texto é composto por minhas notas de aula que utilizo para ministrar Álgebra Linear.
O material teórico tem como principais referências os livros
• H. Anton, C. Rorres, Algebra Linear com Aplicações, Bookman, 8va Edição.
• Flávio Ulhoa Coelho, Mary Lilian Lourenço - Um Curso de Álgebra Linear.
ab
• P. Pulino, Álgebra Linear e suas Aplicações, Notas de aula disponível em [Link]
pulino/ALESA/.
• C.A. Callioli, H.H. Domingues, R.C.F. Costa. Álgebra Linear e Aplicações. 6ª ed. revisada, Saraiva S. A.
Livreiros Editores, 2003.
• E.L. Lima. Álgebra Linear. 7ª ed, Coleção Matemática Universitária, IMPA, 2004.
el

e foi modificado e adapatado da forma que achei conveniente para o ministério das aulas.
O texto é de ajuda e guia sobre os tópicos que irei abordando ao longo do semestre com a maior quatidade
de detalhes que consegui. No entanto, recomendo fortemente que seja feita sempre uma comparação com as
fontes acima citadas.
Em aritmética básica, estudamos primeiramente os números naturais, depois os números racionais e irracio-
Em

nais, e junto com estes, os números reais. Em particular, são estudadas as operações básicas definidas entre os
números e suas propriedades.
Em seguida, passamos a estudar as funções. Começamos com as mais simples, da forma f : R → R ou seja,
funções lineares da forma f (x) = ax. Depois, introduzimos as funções quadráticas e outras, cada uma com seu
grau de complexidade.
Fazendo uma analogia, em geometria analítica, exploramos um novo conjunto de elementos matemáticos
que, de certa forma, generalizam os números. Esse novo conjunto é o dos vetores. Nessa disciplina, estudamos
as operações com vetores e, em particular, as aplicações à geometria. Em álgebra linear, vamos estudar o
conjunto dos vetores como uma estrutura algébrica.
Vale destacar que, ao estudarmos os números naturais, incluímos esses números no conjunto dos números
inteiros. Eles se comportavam de forma similar e satisfaziam uma série de propriedades. Observamos, por
exemplo, que o conjunto dos números racionais contém o conjunto dos inteiros, mas nem todas as propriedades
satisfeitas pelos racionais são satisfeitas pelos inteiros. Portanto, as estruturas algébricas dos dois conjuntos são
diferentes.
Em álgebra linear, vamos considerar os vetores em um conjunto que respeita uma estrutura algébrica: os
espaços vetoriais. Veremos que, assim como acontece com os conjuntos numéricos, nem todos os espaços
vetoriais são iguais e, para isso, vamos procurar uma forma de diferenciá-los e, pela qual, possamos classificá-los.
6 Capítulo 1. Introdução

Em seguida, estudaremos as funções mais básicas que ocorrem entre os espaços vetoriais (assim como a
função f (x) = ax para os números). Essas são as mais simples e respeitam a estrutura dos espaços vetoriais e
são chamadas de transformações lineares.
No meio do caminho, teremos que utilizar outro objeto que estudamos em geometria analítica: as matrizes.
Embora não sejam o foco principal da disciplina, as matrizes desempenham um papel importante na álgebra
linear. Elas são uma representação conveniente e poderosa de certas estruturas algébricas, especialmente de
transformações lineares e sistemas de equações lineares. As matrizes permitem manipular e resolver esses
problemas de maneira eficiente.
Em resumo, a álgebra linear fornece uma base teórica para diversas áreas da matemática e tem aplicações em
muitos campos da ciência e da engenharia. O estudo da álgebra linear abrange muito mais do que será tratado

o
nesta disciplina. Aqui, apenas forneceremos os fundamentos do tópico.
Vamos agora percorrer esse caminho com alguns exemplos.

çã
■ Exemplo 1.1 Considere as equações de movimento de uma partícula uniformemente acelerada no plano, em
particular para a posição temos

x = x0 + vt
y = y0 + vt.

a
Podemos escrevé-las, na linguagem matricial, comoor
   
x − x0 1
= vt
y − y0 1

Aqui podemos pensar (x − x0 , y − y0 ) como sendo um vetor deslocamento. Agora, o deslocamento se dá numa
direção fixa, que é paralela ao vetor v = (1, 1). Podemos rotacionar nosso sistema de coordenadas de forma tal
ab
que a descrição do movimento da partícula se simplifique. Se (u, v) denota o sistema de coordenadas rotacionado
! 
√1 √1
 
u 2 2 x
= 1 1
v − √2 √2 y
el

Temos que
! 
√1 √1 √
   
u − u0 2 2 x 1
= = 2vt
v − v0 − √12 √1
2
y 0

Então, neste novo sistema de coordenadas temos que a equação de movimento é descrita por
Em

√
u = u0 + 2vt
v = v0 .

que é um sistema muito mais simples de tratar. ■

■ Exemplo 1.2 Considere duas masas m1 , m2 conectadas por molas como na figura. onde k é a constantes das
molas conectadas com a parede e κ a constante da mola entre as masas.
Denotemos por x o deslocamento da masa m1 do ponto de equilibrio, e por y o deslocamento da masa m2 do
ponto de equilibrio.
Se movimentamos a masa m1 do equilibrio temos uma força

F1 = −kx

associada a mola da parede com o sinal escolhido por se opor ao deslocamento.

Por outro lado, asociado a mola entre as masas teremos uma força

F2 = −κ(x − y)
 7

Chegamos então à equação

m1 ẍ = F1 + F2 = −(k + κ)x + κy

Da mesma forma, fazendo a análise sobre a m2 obtemos

m2 ÿ = −(k + κ)y + κx

Temos assim que as variáveis do sistema (x, y) medem um deslocamento, portanto são um elemento de R2
(que é um espaço vetorial). Por outro lado (ẍ, ÿ) é um vetor asociado a aceleração e é, portanto, um elemento que
assume valores R2 (que também é um espaço vetorial). Embora os dois lugares onde os vetores estão pareçam o

o
mesmo eles, na verdade são espaços diferentes. Mais ainda, há uma função que associa a cada vetor delocamento
um vetor aceleração e é dada pela expressão

çã
 
−(k + κ)x + κy −(k + κ)y + κx
(ẍ, ÿ) = , .
m1 m2

Veremos depois que essa função é o que se conhece como transformação linear.
Como dizemos antes, a linguagem matricial simplifica o tratamento dos objetos. Podemos escrever este

a
sistema, na linguagem matricial, como

d2 x
    
−(k + κ)/m1 x
2
dt y
=
κ/m2
κ/m1
−(k + κ)/m2
or
y

Vamos supor, para simplificar a situação que m1 = m2 = m. Observamos que a matriz

 
−(k + κ)/m
ab
κ/m
Ω=
κ/m −(k + κ)/m

é simétrica. Do que aprendemos em geometria analítica, Sabemos que existe uma matriz diagonal
 
ω1 0
ω=
el

0 ω2

é uma matriz ortogonal U tal que UωU T = Ω.

Em álgebra linear veremos que significam tais U e Ω. Veremos então que U está asociado a uma mudança
de base na qual escrevemos nossos vetores e Ω será a matriz associada descrição da transformação linear na
nova base.
Em

Vamos então achar ω. Para isto, calculamos os zeros de

 
−(k + κ)/m − x κ/m
det(Ω − xI) = det
κ/m −(k + κ)/m − x

Então
p
−2(k + κ) ± 4(k + κ)2 − 4((k + κ)2 − κ 2 ) (k + κ) ± κ (k + 2κ) k
x= = ⇒ ω1 = − , ω2 = − .
2m m m m
Calculamos U, para isto, escolhemos ω1 e resolvemos
   
u 0
(Ω − ω1 I) 1 =
u2 0

isto é
    
κ/m κ/m u1 0 1
= ⇒ (u1 , u2 ) = √ (1, −1).
κ/m κ/m u2 0 2
8 Capítulo 1. Introdução

Portanto
 
1 1 1
U=√
2 −1 1
Com isto, nossa equação fica

d2 x
      
1 1 1 ω1 0 1 −1 x
=
dt 2 y 2 −1 1 0 ω2 1 1 y

E, multiplicando a esquerda por U T , temos

o
d2 1
          
1 1 x ω1 0 1 1 −1 x
√ = √
dt 2 2 −1 1 y 0 ω 2 2 1 1 y

çã
Chamamos
    
u 1 1 −1 x
=√ .
v 2 1 1 y

a
Então, podemos escrever

d2 u
    
ω1 0 u ü = ω1 u
= ⇒ .
dt 2 v
Portanto
0 ω2 v
or
v̈ = ω2 v

r ! r 
(k + 2κ) κ
u = u0 cos t + φ0 v = v0 cos t + φ1
ab
m m

Estes u e v são os chamados modos normais de oscilação do sistema A solução do sistema será obtida ao fazer
q  q 
u0 (k+2κ) v0 κ
     x = 2 cos t
√ + φ 0 + √ cos t + φ 1
x 1 1 1 u m 2 m
el

=√ ⇒ q   .
y 2 −1 1 v
q
y = − √u02 cos t (k+2κ)m + φ 0 + v0
√
2
cos t κ
m + φ 1

■ Exemplo 1.3 Suponha que você é um analista financeiro responsável por um portfólio de investimentos
Em

composto por duas ações, A, B. Os retornos diários dessas ações são denotados por xi e yi para i = 0, 1, . . .,
respectivamente. e a evolução das ações são dadas em função de uma "recorrência"da seguinte forma
Assuma que temos um capital inicial que distribuimos por x0 para a ação A e y0 para a ação B, denote por
u0 = (x0 , y0 ). Então, para o primeiro dia teremos umcapital u1 = (x1 , y1 ) dado por
34 12
x1 = x0 + x0 − y0
25 25
12 41
y1 = y0 − x0 + y0
25 25
No segundo dia, teremos um capital
34 12
x2 = x1 + x1 − y1
25 25
12 41
y2 = y1 − x1 + y1
25 25
E assim, de forma geral, se vi = uTi temos

vi+1 = vi + Rvi = (I + R)vi

 9

para

34
− 12
 
R= 25 25
12 41
− 25 25

Obs. Os números não guardam, nem de perto, relação com a realidade!.

Aqui, o coeficiente R11 representa a taxa de crescimento (ou decrescimento) do retorno da ação A em relação
ao seu próprio retorno.
O coeficiente R12 representa a influência do retorno da ação B no retorno da ação A.
O coeficiente R21 representa a influência do retorno da ação A no retorno da ação B.

o
O coeficiente R22 representa a taxa de crescimento (ou decrescimento) do retorno da ação B em relação ao
seu próprio retorno.

çã
Assim, temos que

v1 = v0 + Rv0
v2 = v1 + Rv1 = (I + R)2 v0
v3 = v2 + 2Rv2 = (I + R)3 v0

a
.. .. ..
. . .
vn = (I + R)n v0

Queremos saber:
or
• Como podemos determinar a direção privilegiada na qual o portfólio tende a crescer?
• Dado um conjunto de valores iniciais x(0) e y(0), como podemos calcular os retornos das ações A e B em
ab
um determinado período de tempo n?
• Com base nos retornos calculados, como podemos avaliar se o portfólio teve um crescimento equilibrado
ou se houve uma direção privilegiada em relação aos retornos das ações?
Como a matriz R é simétrica, utilizamos o que aprendimos em geometria analítica. Diagonalizamos a matriz.
Para isso, calculamos primeiramente os autovalores
el

 34
− 12

−x
det 25 25 = x2 − 3x + 2 ⇒ x = 1, 2.
− 12
25
41
25 − x

Agora calculamos os autovetores {w1 , w2 }. Para o autovalor 1, temos

Em

9
− 12
 34
− 12
        
−1
25 25 u 0 25 25 u 0 1
= ⇒ = ⇒ w1 = (4, 3)
− 12
25
41
25 − 1 v 0 − 12
25
16
25 v 0 5

Portanto, para o autovalor x = 2 teremos w2 = 15 (−3, 4)

Com isto, temos que se
     
1 4 −3 1 0 1 0T
U= e D= temos que UU = e R = UDU T
5 3 4 0 2 0 1

Então,

(I + R) = U(I + D)U T e (I + R)n = U(I + D)nU T

Mais ainda, se

v0 = w1
10 Capítulo 1. Introdução

Temos
(I + R)n w1 = U T (I + D)nUw1
  n   
1 4 −3 2 0 4 3 4
=
125 3 4 0 3 −3 4 3
  n  
1 4 −3 2 0 1
=
5 3 4 0 3 0
2n 4
   n  
1 4 −3 2
= = = 2n w1
5 3 4 0 5 3

o
De forma similar, se

v0 = w2 ⇒ (I + R)n w2 = 3n w2 .

çã
Agora, se nossa estratégia é da forma
   
4a + 3b −3a + 4b
v0 = (a, b) = w1 + w2
5 5

a
No n−ésimo paso nossos investimentos serão da forma
vn = (I + R)n v0

=

4a + 3b
5

n
(I + R) w1 +

−3a + 4b
5

or
(I + R)n w2
 n   n 
2 (4a + 3b) 3 (−3a + 4b)
= w1 + w2
5 5
ab
E o dinheiro que teremos na conta será dado por
 n   n 
2 (4a + 3b) 7 3 (−3a + 4b) 1
Cn = +
5 5 5 5
a b
7 · 2n+2 − 3n+1 + (21 · 2n + 4 · 3n ) .


el

=
25 25
Então, como para n grande temos que

7 · 2n+2 − 3n+1 < (21 · 2n + 4 · 3n ) ,

Em

temos que v0 ̸= (a, 0) para ganhar dinheiro. O máximos será quando o investimento seja na forma v0 = (0, b).
De fato, por exemplo, observamos que, se investimos na forma v0 = (1, 0) então no 6 paso teremos que
 
1517 1596
vn = ,−
5 5
ou seja,
79
C6 = − ,
25
e estaremos perdendo dinheiro.
■

■ Exemplo 1.4 Assuma que temos uma população de rapossas e galinhas. Denotamos por Ri à quantidade de
raposas no tempo ti = i δt e por Gi à quantidade de galinhas em ti .
Assuma que as raposas, sem a presença de galinhas para se alimentar, vão morrer, portanto número de
raposas será menor com o paso do tempo e teremos, por exemplo que

Fj+1 = 0, 7Fj .
 11

Se há interção entre as raposas e as galinhas temos que, por exemplo, o número de raposas irá aumentar em
função da quantidade de galinhas que consigam comer, portanto teremos que
7 4
Fj+1 = Fj + G j
10 10
Por outro lado, podemos assumir que a população de galinhas, sem a presença das raposas, cresce a um ritmo
constante proporcional ao número de galinhas
12
G j+1 = G j.
10
Mas, com a presença das raposas, teremos que a população vai diminuir a um ritmo proporcional ao número de

o
raposas −aR j . temos então que
12 1
G j+1 = G j − Fj .

çã
10 10
Teremos assim que evolução do número de Raposas e Galinhas pode ser descrito por uma equação da forma
 G j+1 = 12 1

10 G j − 10 Fj
   12 1

Gj 10 − 10
⇒ se x j = A= 4 7 .
Fj

a
4 7 10 10
Fj+1 = 10 G j + 10 Fj


Podemos assim descrever a evolução como uma equação em termos da população inicial
x j+1 = Ax j = A2 x j−1 = A j+1 x0 .
or
Em particular observamos que se
   j
1 11
x0 = ⇒ x j+1 =
ab
x0
1 10
e tanto o número de raposas e galinhas vão aumentar com o tempo. Por outro lado, se
   j
1 8
x0 = ⇒ x j+1 = x0
4 10
el

e as duas populações vão diminuindo com o passar do tempo.

Como será nos outros casos? Observamos que
     
a (4a − b) 1 (b − a) 1
= +
b 3 1 3 4
Em

Então se
j  
(b − a) 8 j 1
      
a (4a − b) 11 1
x0 = ⇒ x j+1 = +
b 3 10 1 3 10 4
Em função disso, e modificando a e b vamos a poder estudar como vai ser a evolução do número de galinhas e
raposas para todo j.
Observamos aqui que a chave para fazer toda essa análise esteve no fato de ter achado
 
1 11
x0 = tal que Ax0 = x0
1 10
e
 
1 8
x0 = tal que Ax0 = x0 .
4 10
Estudar éste tipo de problemas, seu tratamento, e tentar generalizá-lo para casos em mais de n−variáveis é o
conteúdo desta disciplina.
■
Em
el
ab
or
açã
o
I
Espaços Vetoriais

o
a çã
or
ab
el
Em

2 Revisão de Matrizes e Sistemas Lineares 15

3 Espaços vetoriais . . . . . . . . . . . . . . . . . . . . 25
3.1 Subespaço
3.2 Combinação linear
3.3 Soma de subespaços
3.4 Independencia linear. Base
3.5 Coordenadas
3.6 Existência de Base
Em
el
ab
or
açã
o
 o
2. Revisão de Matrizes e Sistemas Lineares

a çã
Um sistema linear é um conjunto de equações da forma
or


 a11 x1 + a12 x1 + · · · + a1n xn = b1
 a21 x1 + a22 x2 + · · · + a2n xn = b2

ab
(1) .. ,


 .
am1 x1 + am2 x2 + · · · + amn xn = bm


onde os ai j ′ s e b j ′ s são números em R. Neste caso, chamamos a este conjunto de equações de sistema linear de
m equações com n incognitas.
el

Em particular, um sistema linear é dito homogêneo se

b1 = b2 = · · · = bm = 0,

isto é,

a11 x1 + a12 x1 + · · · + a1n xn = 0
Em



 a21 x1 + a22 x2 + · · · + a2n xn = 0

.. ,


 .
am1 x1 + am2 x2 + · · · + amn xn = 0


Procuramos então um método prático para achar ou garantir a existência de soluções para sistemas lineares.
Podemos reescrever o sistema (1) em notação matricial como

AX = B,

onde
     
a11 a12 ... a1n x1 b1
 a21 a22 ... a2n   x2   b2 
A= X = B= .
     
.. .. .. ..  ..  ..
 . . . .   .   . 
am1 am2 . . . amn xn bn
Um método para determinar soluções de sistemas lineares é o método de Gauss-Jordan que que passamos a
descrever:
16 Capítulo 2. Revisão de Matrizes e Sistemas Lineares

Considere o sistema de equações lineares

    
a11 a12 . . . a1n x1 b1
 a21 a22 . . . a2n   x2   b2 
..   ..  =  .
    
 .. .. .. ..
 . . . .   .   . 
am1 am2 . . . amn xn bn
i- Constrúa a matriz
 
a11 a12 . . . a1n | b1
 a21 a22 . . . a2n n | b2 
..  .
 
 .. .. .. ..

o
 . . . . | . 
am1 am2 . . . amn | bm

çã
ii- Faça operações elementares na matriz até levar a parte correspondente a A na sua forma escalonada
reduzida
M̃ = [D|B̃].
iii- Resolva, se possível, DX = B̃

a
iv- O conjunto solução de DX = B̃ é igual ao conjunto solução de AX = B.
Dado um sistema linear da forma AX = B, ao aplicarmos o método de Gauss-Jordan para resolvé-lo, podemos
chegar nos seguintes casos.
or
Caso 1. O sistema tem solução. Depois de aplicar as operações elementares sobre a matriz [A|B] temos que
a matriz resultante [D|B̃] não admite linhas da forma (0 · · · 0|k) com k ̸= 0.
Neste caso o sistema pode ter uma única solução ou infinitas soluções dependendo da matriz escalonada
reduzida D.
ab
A-) Se a matriz escalonada reduzida não tem colunas sem pivôs então ela é da forma
1 · · · 0 | b˜1
 
 .. . . .. . 
 . . . | .. 
 0 · · · 1 | b˜n 
 
 0 ··· 0 | 0 .
 
el

 
 .. .
 . · · · .. | 0 


0 ··· 0 | 0
O sistema, neste caso tem solução única, e igual a
b˜1
 
Em

S =  ...  .
 

b˜n
B-) Se a matriz D tem colunas sem pivôs então há mais variáveis do que equações e portanto existem variáveis
que podem assumir valores arbitrários. Por exemplo fica uma matriz da forma
1 0 0 0 · · · 0 | b˜1
 
 0 1 0 0 · · · 0 | b˜2 
 0 0 0 1 · · · 0 | b˜3 
 
 
 .. .. .. . . .. .. 
 . . . . . | . 
 0 0 0 0 · · · 1 | b˜k  .
 
 
 0 0 0 ··· 0 0 | 0 
 
 0 ··· ··· ··· ··· 0 | 0 
 
 . . .. .. .. .. .. 
 .. .. . . . . | . 
0 ··· ··· ··· ··· 0 | 0
para k < n. Neste caso temos infinitas soluções.
 17

Caso 2. O sistema não tem solução. Depois de aplicar as operações elementares sobre a matriz [A|B] temos que
a matriz resultante [D|B̃] admite linhas da forma (0, · · · , 0|k) com k ̸= 0. Neste caso fica uma equação da forma
0 = k ̸= 0,
o que constitui uma contradição.

■ Exemplo 2.1 1. ) Considere o sistema


 x + y + z = 1
x − z = 2 .

o
3x + y − z = 1


Este sistema não tem solução. De fato,

çã
   
1 1 1 | 1 1 1 1 | 1
 1 0 −1 | 2  ℓ3 − ℓ1 → ℓ3  1 0 −1 | 2 
−−−−−−−−→
3 1 −1 | 1 2 0 −2 | 0
 
1 1 1 | 1
ℓ3 − 2ℓ2 → ℓ3  1 0 −1 | 2  .

a
−−−−−−−−−→
0 0 0 | −2
Assim, o sistema equivalente obtido é

 x + y + z = 1
x − z = 2 ,
or
0 = −2


que não tem solução.

ab
2. ) Vamos procurar a solução do seguinte sistema

 x + y + z = 1
x − y + z = 1 .
x + y − z = 0

el

Construimos
   
1 1 1 | 1 1 1 1 | 1
M̃ =  1 −1 1 | 1  ℓ2 − ℓ1 → ℓ1  0 −2 0 | 0 
−−−−−−−−→
1 1 −1 | 0 1 1 −1 | 0
Em

   
1 1 1 | 1 1 1 1 | 1
1
ℓ3 − ℓ1 → ℓ3  0 −2 0 | 0  − ℓ2 → ℓ2  0 1 0 | 0 
−−−−−−−−→ 2
0 0 −2 | −1 −−−−−−−→ 0 0 −2 | −1
   
1 1 1 | 1 1 0 1 | 1
1
− ℓ3 → ℓ3  0 1 0 | 0  ℓ1 − ℓ2 → ℓ1  0 1 0 | 0 
−−−−−−−−→
−−2−−−−−→ 0 0 1 | 12 0 0 1 | 12
1 0 0 | 12
 

ℓ1 − ℓ3 → ℓ1 0 1 0 | 0  .

−−−−−−−−→
0 0 1 | 21
O sistema equivalente fica
 x = 12


y = 0 .
z = − 12


O conjunto soluçao é
S = {(1/2, 0, −1/2)}
18 Capítulo 2. Revisão de Matrizes e Sistemas Lineares

3. ) Se temos um sistema em que a matriz aumentada fica

 . 
1 0 1 0 .. 1
..  
  x + z = 1

 0 1 2 0 . 2 

⇒ y + 2z = 2 .
 0 0 0 1 ... 3  

  w = 3
.
0 0 0 0 .. 0
Temos infinitas soluções. Mais ainda o conjunto solução é
S = {(1 − z, 2 − 2z, z, 3) , z ∈ R} .

o
4. ) Se temos um sistema em que matriz aumentada fica
 
1 2 0 4 0 | 1

çã

 0 0 1 3 0 | 0   x + 2y + 4w = 1
 
 0 0 0 0 1 | 1 ⇒ z + 3w = 0 .
 
 0 0 0 0 0 | 0   v = 1
0 0 0 0 0 | 0
Temos infinitas soluções. Mais ainda o conjunto solução é

a
S = {(1 − 2y − 4w, y, −3w, w, 1) , y, w ∈ R} .
or ■

Em particular quando tratarmos de um sistema linear homogenêo, o caso 2 nunca acontece. Pois o sistema
sempre tem solução, de fato a solução trivial (todas as entradas nulas) sempre é solução.
Um outro tópico que precisamos relembrar é a inversa de uma matriz.
ab
Definição 2.1 Uma matriz quadrada A de tamanho (n × n) é dita invertível se existe uma matriz B tal que

AB = BA = In .

Neste caso, chamamos B de inversa de A e a denotamos por A−1 .

el

Em particular sabemos o seguinte.

Corolário 2.1 Seja A uma matriz invertível. Então a inversa é única.

A matriz A será invertível se existe uma matriz

 
b11 b12 · · · b1n
Em

 b21 b22 · · · b2n 

B= . ..  ,
 
.. . .
 .. . . . 
bn1 bn2 · · · bnn
tal que
    
a11 a12 · · · a1n b11 b12 · · · b1n 1 0 ··· 0
 a21 a22 · · · a2n  b21 b22 · · · b2n   0 1 ··· 0 
A= =
    
.. .. . . . .. .. . . . .. .. . . .. 
. .. . ..

 . .  . .   . . . . 
an1 an2 · · · ann bn1 bn2 · · · bnn 0 0 ··· 1
Isto significa que, para cada i, a coluna i da matriz B será a única solução do sistema
 
   0
a11 a12 · · · a1n x1  .. 
 a21 a22 · · · a2n   x2   . 
  
..   ..  =  1  ← i − ésima linha
 
 .. .. . . 
 . . . .  .   . 
 .. 

an1 an2 · · · ann xn
0
 19

Assim, aplicando simultáneamente o método de Gauss-Jordan para resolver todos estes sistemas lineares
temos um algoritmo para achar a inversa de uma matriz. A seguir o descrevemos: Seja A uma matriz invertível
dada por
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A= . ..  .
 
.. . .
 .. . . . 
an1 an2 · · · ann

i- Construa a matriz aumentada [A|In ] como segue

o
 
a11 a12 · · · a1n | 1 0 ··· 0
 a21 a22 · · · a2n | 0 1 ··· 0 

çã
[A|In ] =  .. .. . . ..  .
 
.. .. . . .
 . . . .. | . . . . 
an1 an2 · · · ann | 0 0 ··· 1

ii- Faça operações elementares até levar [A|In ] na sua forma escalonada reduzida.

a
 
1 0 · · · 0 | b11 b12 · · · b1n




0 1 · · · 0 | b21 b22 · · · b2n
.. .. . . ..
. .
.
. . | ..
.. . .
.
.
. ..
or 
.


0 0 · · · 1 | bn1 bn2 · · · bnn

iii- A matriz
ab
 
b11 b12 · · · b1n
 b21 b22 · · · b2n 
B= .
 
.. .. . . .
 . . . .. 
bn1 bn2 · · · bnn
el

É a inversa de A.

Obs. A matriz pode não ser inversível. Nesse caso, ao aplicar o algoritmo de Gauss-Jordan, do lado onde estava a
matriz A, em algum paso aparece uma fileira nula. Isto acontece pois, como explicamos acima, no podemos
Em

resolver o sistema linear associado AX = B para qualquer B.

■ Exemplo 2.2 • Vamos calcular a inversa de

 
1 0 0
A = 0 5 0
0 0 6

Por Gauss-Jordan

   
.. ..
1 0 0 . 1 0 0 1 0 0 . 1 0 0
 
  ℓ52 → ℓ2   1 0 0
.. ..
0 5 0 . 0 1 0 −−−−−−→ 1 ⇒ A−1 = 0 15 0 
   
0 1 0 . 0
2 0

.. .. 0 0 16
  
ℓ3
0 0 6 . 0 0 1 6 → ℓ3 0 0 1 . 0 0 16
−−−−−−→
20 Capítulo 2. Revisão de Matrizes e Sistemas Lineares

• Vamos calcular a inversa de

 
2 2 −1
A =  2 −1 2 
−1 2 2
Por Gauss-Jordan
   
.. ..
2 2 −1 . 1 0 0 2 2 −1 . 1 0 0
. ℓ2 − ℓ1 → ℓ2  0 −3 3 ... −1 1 0
 2 −1 2 .. 0 1 0
   
−−−−−−−−−→ 
.. ..
  

o
−1 2 2 . 0 0 1 −1 2 2 . 0 0 1
   
.. ..

çã
0 6 3 . 1 0 2 0 0 0 . −1 0 0
2ℓ3 + ℓ1 → ℓ1  0 −3 3 ... −1 1 0 2ℓ2 + ℓ1 → ℓ1 .
 0 −3 3 .. −1 1 2
   
−−−−−−−−−−→   −−−−−−−−−−→
.. .
 
−1 2 2 . 0 0 1 −1 2 2 .. 0 0 1

a
   
ℓ1 . ..
9 → ℓ1 1 .. −1 2 2 −1 2 2
0 0
−−−−−−→ 9 9 9  0 0 1 . 9 9 9
ℓ2 . 2ℓ2 + ℓ3 → ℓ3 0 1 −1 ...
−3 → ℓ2
0 1 −1 .. 1 −1 1 −1
   
0 0
−−−−−−→ 
ℓ3 → ℓ3
−−−−−−→
.
1 −2 −2 ..
3
0
or3
0 −1
 −−−−−−−−−−→ 
1 0 −4 ..
. 2
3

3
3
−2
3 1


   
. .
0 0 1 .. −1
9
2
9
2
9  1 0 0 .. 2
9 9
2 −1
9 
ℓ2 + ℓ1 → ℓ2
ab

−−−−−−−−−→  .. .
2 −1 2  ℓ3 ↔ ℓ1 
1 0 .. 2 −1 2 
  
ℓ3 + 4 × ℓ1 → ℓ3 0 1 0 . 9  −−−−→ 0

9 9 9 9 9 
−−−−−−−−−−−−→ . .
0 0 1 .. 2
9
2
9
−2
9 0 0 1 .. −1
9 9
2 2
9

2 2 −1 
el


9 9 9
 
−1 −1
 2 2

A =
 9 9 9


 
−1 2 2
9 9 9
Em

• A matriz pode não ser inversível. Nesse caso, ao aplicar o método de Gauss-Jordan, do lado onde estava a
matriz A, em algum paso aparece uma fileira nula.
 
2 2 0
A = 1 −4 −1
0 5 1
Por Gauss-Jordan
   
.. ..
2 2 0 . 1 0 0 2 2 0 . 1 0 0
 ..   .. 
1 −4 −1 . 0 1 0 ℓ2 − ℓ21 → ℓ2 
0 −5 −1 . 0 1 0

.. −−−−−−−−−→ ..
 
0 5 1 . 0 0 1 0 5 1 . 0 0 1
 
..
2 2 0 . 1 0 0
.
0 0 0 .. ⇒ A não é invertível.
 
ℓ2 + ℓ3 → ℓ2  0 1 0
−−−−−−−−−→ 
.

0 5 1 .. 0 0 1
 21

As vezes, não precisamos determinar a inversa de uma matriz, mas o fato dela ser ou não invertível. Nessa
direção aparece a teoria de determinantes.
Se n > 1 e A é uma matriz em M(n × n) denotamos por A(i| j) a matriz em M((n − 1) × (n − 1)) que é obtida
de A apagando-se a linha i e a coluna j. Isto é, se
 
a11 · · · a1 j−1 a1 j a1 j+1 · · · a1n
 .. .. .. .. .. .. .. 
 . . . . . . .

o

 
 ai−11 · · · ai−1 j−1 ai−1 j ai−1 j+1 · · · ai−1n 
 
A=  ai1 · · · ai j−1 ai j ai j+1 · · · ain 

 ai+11 · · · ai+1 j−1 ai+1 j ai+1 j+1 · · · ai+1n 

çã
 
 .. .. .. .. .. .. .. 
 . . . . . . . 
an1 ··· an j−1 an j an j+1 ··· ann
então

a
 
a11 · · · a1 j−1 a1 j+1 ··· a1n
 .. .. .. .. .. .. 
 . . . . . . 

 ai−11 · · · ai−1 j−1 ai−1 j+1
A(i| j) = 
 ai+11 · · · ai+1 j−1 ai+1 j+1

 .. .. .. ..
or · · · ai−1n
· · · ai+1n
.. ..


.



 . . . . . . 
an1 · · · an j−1 an j+1 · · · ann
ab
Para todo n a função det : M(n × n) → R definida por
det((a)) = a se n = 1
n
det(A) = ∑ (−1)i+ j Ai j (det(A(i| j)) se n > 1,
el

i=1
é chamado de determinante da matriz A.
Teorema 2.1 1. det(I) = 1.
2. det(At ) = det(A).
3. Se A é uma a matriz triangular superior de tamanho n × n então
Em

 
a11 a12 a13 · · · a1n
 0 a22 a23 · · · a2n 
 
det(A) = det  0
 0 a33 · · · a3n   = a11 a22 · · · ann .
 .. .. . . .. 
 . . . . 
0 0 0 · · · ann

4. Se A tem linha nula então det(A) = 0.

5. Se B é uma matriz obtida a partir de multiplicar uma linha de A por um escalar λ ̸= 0 então

det(B) = λ det(A).

6. Se B é uma matriz obtida a partir da troca de duas linhas de A então

det(B) = − det(A).

7. Se B é uma matriz obtida a partir de adicionar uma linha de A um múltiplo escalar de outra linha de A,
22 Capítulo 2. Revisão de Matrizes e Sistemas Lineares

então

det(B) = det(A).

Utilizando utilizar as propriedades acima, podemos elaborar um algoritmo para calcular determinantes, que
passamos a descrever:
• Seja A uma matriz quadrada.
• Faça sobre A, operações elementares para transformar A numa matriz triângular inferior ou triangular
superior.
• Em cada operação elementar aplicada denote por Ai para a matriz obtida ao fazer a i−ésima operação
elementar. Seja Am a matriz triângular obtida depois de fazer a última operação elementar.

o
• Calcule o determinante de Am multiplicando os elementos da diagonal e, em função das propriedades de
determinante listadas acima, calcule o determinante de A.

çã
Temos assim as seguintes equivalências para matrizes quadradas.
A é invertível ks +3 A ∼ In
KS KS

 
det(A) ̸= 0 ks +3 AX = B tem solução única

a
■ Exemplo 2.3 •



1
2
2
2
3
3
4
4
5
5


or 

1
2
2
2
3
3
4
4
5
5


 ℓ5 − ℓ4 → ℓ5 A2 = 
   
A=
 3 3 3 4 5  −−−−−−−−→  3 3 3 4 5 

 4 4 4 4 5   4 4 4 4 5 
5 5 5 5 5 1 1 1 1 0
ab
 
1 2 3 4 5
 2 2 3 4 5 
ℓ4 − ℓ3 → ℓ3 A3 =   ℓ3 − ℓ2 → ℓ3
 
3 3 3 4 5
−−−−−−−−→   −−−−−−−−→
 1 1 1 0 0 
el

1 1 1 1 0
   
1 2 3 4 5 1 2 3 4 5

 2 2 3 4 5 


 1 0 0 0 0 

A4 =  1 1 0 0 0  ℓ2 − ℓ1 → ℓ2 A5 =  1 1 0 0 0 .
  −−−−−−−−→  
 1 1 1 0 0   1 1 1 0 0 
Em

1 1 1 1 0 1 1 1 1 0
Observamos que
det(A) = det(A2 ) = det(A3 ) = det(A4 ) = det(A5 )
Calculando o determinante de A5 segundo a última coluna temos
 
1 0 0 0
 1 1 0 0 
det(A5 ) = (−1)1+5 × 5 × det 
 1 1 1 0 +0 = 5


1 1 1 1
Então det(A) = 5 ̸= 0 e, portanto, A é invertível.
• Achar os valores de x que tornam a matriz invertível.
   
1 0 1 0 1 0 1 0
 1 1 x 1  ℓ2 − ℓ4 → ℓ2  0 0 x−1 0 
A=  0 1 1 x  ℓ3 − ℓ4 → ℓ4 B1 = 
  
−1 0 0 x−1 
1 1 1 1 −−−−−−−−−→ 1 1 1 1
 23
   
1 0 1 0 1 0 1 0
 0 0 x−1 0   0 1 0 1 
ℓ4 − ℓ1 → ℓ4 B2 = 
 −1
 ℓ2 ↔ ℓ4 B3 =  
−−−−−−−−−→ 0 0 x−1  −−−−−−→  −1 0 0 x−1 
0 1 0 1 0 0 x−1 0
 
1 0 1 0
 0 1 0 1 
ℓ3 ↔ ℓ4 B4 =  
−−−−−−→  0 0 x−1 0 
−1 0 0 x−1
Como B será invertível se B4 for, calculamos o determinante de B4 , utilizando a fórmula a partir da terceira

o
linha e obtemos
 
1 0 0
1  = (x − 1)2 .

çã
det(B4 ) = (x − 1) det  0 1
1 0 x−1

Então, para x ̸= 1 temos que B será invertível.

■

a
or
ab
el
Em
Em
el
ab
or
açã
o
 o
3. Espaços vetoriais

a çã
or
Definição 3.1 Um corpo é uma tripla (F, +, ×) onde F formada por um conjunto de elementos (chamados
escalares) F munido de duas operações
a) a operação soma (+), que para quaisquer dois elementos a, b de F assocía um novo elemento de F, que
chamamos de soma de a e b e que denotamos por a + b,
ab
b) a operação produto (×), que para cuaisquer dois elementos a, b de F assocía um novo elemento de F
que chamamos produto de a e b e que denotamos por a × b,
e que satisfazem as seguintes propriedades para todo a, b, c em F
1) Comutatividade: a + b = b + a
2) Associatividade: a + (b + c) = (a + b) + c
el

3) Existe um único elemento 0, chamado de elemento nulo, em F tal que a + 0 = a para todo a ∈ F
4) para cada elemento a de F existe um elemento em F, que denotamos por (−a), tal que a + (−a) = 0
5) Comutatividade: a × b = b × a
6) Associatividade: (a × b) × c = a × (b × c)
7) Existe um único elemento 1, 1 ̸= 0, em F tal que a × 1 = a para todo a em F
8) Para cada a ∈ F, a ̸= 0 existe um único elemento em F, que denotamos por a−1 , tal que a × a−1 = 1
Em

9) Distributividade: a × (b + c) = a × b + a × c.

■ Exemplo 3.1 1. (Z, +, ×) onde + e × são a soma e o produto usual, não é um corpo,.
2. (R, +, ×), (C, +, ×) e (Q, +, ×) , onde + e × são a soma e o produto usual, são corpos.
3. (Z p , +, ×) com p primo, onde + e × são a soma e o produto nos conjuntos Z p , é um corpo.
■

Definição 3.2 Seja k um número inteiro não negativo. Um corpo é dito de caracteristica k se a soma de k
vezes o número 1 é igual a 0.
Em particular para um corpo de característica 0 a soma arbitraria de 1 nunca é igual a 0.

Definição 3.3 Um espaço vetorial sobre um corpo F, é uma tripla (V, +, ·) formada por um conjunto de
elementos (chamados vetores) V e duas operações
a) a operação soma (+), que para quaisquer dois elementos α, β de V assocía um novo elemento de V
que chamamos soma de α e β e que denotamos por α + β ,
b) a operação produto por escalar (·), que para cualquer elemento a de F e α de V assocía um novo
26 Capítulo 3. Espaços vetoriais

elemento de V chamado produto de α pelo escalar a e que denotamos por a · α,

e que satisfazem as seguintes propriedades para todo a, b, c em F
1) Comutatividade: α + β = β + α.
2) Associatividade: α + (β + γ) = (α + β ) + γ.
3) existe um elemento O em V, chamado vetor nulo, tal que α + O = α para todo α ∈ V.
4) para cada elemento α de V existe um elemento em V, que denotamos por (−α), tal que

α + (−α) = O.

5) Se 1 é a identidade do corpo então 1 · α = α.

6) Associatividade: (a × b) · α = a · (b · α).

o
7) Distributividade escalar: a · (α + β ) = a · α + b · β
8) Distributividade vetorial: (a + b) · α = a · α + b · α

çã
De agora em diante não faremos mais a distinção entre os produtos e somas envolvidos nos espacco vetorial e no
corpo subjacente. Cada operação é feita segundo corresponda e deixamos essa distinção a cargo do leitor.
Proposição 3.1 Seja (V, +, ·) um espaço vetorial. Então, para cada α ∈ V temos
• O elemento neutro O é único e, para cada α ∈ V temos 0 · α = O,

a
• para cada α ∈ V temos que o elemento inverso (−α) é único é igual a (−α) = (−1) · α.
• a·O = O
• a · α = O então a = 0 ou α = O.

Demonstração.
or
• Seja β um outro elemento tal que α + β = 0 para todo α ∈ V. Em particular, pela
propriedade que define 0 e β temos que

O = O+β = β.
ab
Por outro lado, dado α ∈ V temos, da propriedade distributiva, que

0 · α = (0 + 0) · α = 0 · α + 0 · α

Portanto
el

O = −(0 · α) + 0 · α = −(0 · α) + 0 · α + 0 · α = O + 0 · α = 0 · α.

Então 0 · α = O.
• Seja β um inverso de α. Então
Em

α +β = O
⇒ (−1) · α + α + β = (−1) · α + O
⇒ (−1) · α + 1 · α + β = (−1) · α
⇒ (−1 + 1) · α + β = (−1) · α
⇒ O+β = (−1) · α
⇒ β = (−1) · α.
De onde também segue a unicidade.
• Observamos que para todo β ∈ V temos

a · O + a · a−1 · β = a · (0 + a−1 · β ) = a · a−1 · β = β .

Portanto a · O = O.
• Assuma que a · α = O. Se a ̸= 0 então existe a−1 . Portanto

α = a−1 · a · α = a−1 · O = O.

■
 27

Neste texto o corpo F, embora escrito de forma genérica, deve ser sempre ser considerado como
F = R ou F = C, a menos que seja indicado explícitamente.

■ Exemplo 3.2 1. Os espaços Fn das n-uplas sobre um corpo qualquer F (em particular R, ou C), isto é,

V = {α = (x1 , . . . , xn ), xi ∈ F, ∀i = 1 . . . n}

com as operações

α + β = (x1 + y1 , . . . , xn + yn )

o
onde β = (y1 , . . . , yn ), e

çã
a · α = (a × x1 , . . . , a × xn ).

em particular F com a multiplicação e o produto do corpo é um espaço vetorial. Neste caso, o elemento
neutro é O = (0, . . . , 0) e o elemento inverso de

a
α = (x1 , . . . , xn ) ⇒ −α = (−x1 , . . . , −xn ).
or
2. Observar que ser espaço vetorial depende da definição das operações. De fato, por exemplo, o conjunto F2
com as seguintes opeações: dados al pha = (x1 , x2 ) e β = (y1 , . . . , yn ), e a ∈ F temos

α + β = (x1 + y1 , x2 + y2 )
ab
a · α = (a × x1 , 0).
Observamos que não é espaço vetorial pois, por exemplo, se α = (1, 1) então

1 · α = (1, 0) ̸= α.
el

3. O espaço
  
 a11 · · · a1m
 

 .. . . .
M (n × m, F) =  . . , a ∈ i = 1 . . . n, j = 1 . . . m

 . .  ij F,

an1 · · · anm
 
Em

isto é, o espaço das matrizes m × n sobre o corpo F (onde m e n são inteiros) com as operações

(A + B)i j = (Ai j + Bi j )

(a · A)i j = a × Ai j
formam um espalo vetorial. Neste caso, o elemento neutro é
 
0 ··· 0
O =  ... . . . ... 
 

0 ··· 0

e o elemento inverso de
   
a11 · · · a1m −a11 · · · −a1m
α =  ... . . . ..  ⇒ −α =  ... .. ..  .
 
.  . . 
an1 · · · anm −an1 · · · −anm
 28 Capítulo 3. Espaços vetoriais

4. O espaço PFn [x], dos polinômios de grau menor ou igual a n ∈ N sobre o corpo F, isto é

PFn [x] = {p : F → F; p(x) = a0 + a1 x + . . . + an xn , ai ∈ F}

munido com as seguintes operações

b · p(x) = (b × a0 ) + (b × a1 )x + . . . + (b × an )xn

p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + . . . + (an + bn )xn

o
onde q(x) = b0 + b1 x + . . . + bn xn . Neste caso, o elemento néutro é o polinômio O(x) = 0 para todo x. O
elemento inverso de

çã
p(x) = a0 + a1 x + . . . + an xn ⇒ −p(x) = (−a0 ) + (−a1 )x + . . . + (−an )xn .

5. O conjunto dos numeros Reais R, Complexos C e Racionais Q com a soma e o produto usual são espaços
vetoriais.
6. Seja Ω um conjunto. Considere

a
F (Ω, R) = { f : Ω → R, f função}
or
Definimos a soma e produto por escalar como segue: Sejam f , g ∈ F (Ω, R) e a ∈ R
• f + g ∈ F (Ω, R) tal que ( f + g)(x) = f (x) + g(x) para todo x ∈ Ω.
• a · f ∈ F (Ω, R) tal que (a · f )(x) = a( f (x)) para todo x ∈ Ω.
Neste caso, o elemento néutro é a função nula O(x) = 0 para todo x ∈ Ω. O elemento inverso de f é a
ab
função − f tal que (− f )(x) = − f (x) para todo x ∈ Ω.
7. Em particular, quando Ω = N a função X : N → R é chamado de sequência. Neste caso, denotamos por
xn = X(n) e à sequência X = (xn )n∈N . O espaço vetorial (definido como no item anterior) é chamado de
espaço das sequências e denotado por ℓ = F (N, R).
Neste caso, o elemento néutro é a sequência O = {0}n∈N e o elemento inverso de (xn )n∈N é a sequfunção
el

−(xn )n∈N = (−xn )n∈N

8. O espaço
√ √
Q[ 2] = {(a + b 2), a, b ∈ Q}

munido da soma e produto por escalar

Em

√ √ √
(a1 + b1 2) + (a2 + b2 2) = (a1 + a2 ) + (b1 + b2 ) 2
√ √
q · (a + b 2) = (qa + qb 2) ∀ q ∈ Q.
é um espaço sobre Q.
■

3.1 Subespaço
Fixamos o espaço vetorial (V, +, ·) é o corpo F que, no nosso caso, pode ser R ou C.
Sabemos determinar quando um conjunto (V, +, ·) é um espaço vetorial. Seja W ⊂ V um subconjunto. Será
que, por W ser subconjunto de V ele herda a estrutura de espaço vetorial?
Observamos que, dados α, β ∈ W e a ∈ F temos

α +β ∈ V e a · α ∈ V.

Isto porque as operações, embora ainda que sejam feitas com elementos de V não necessáriamente o resultado
delas é um elemento de W.
3.1 Subespaço 29

■ Exemplo 3.3 • Seja V = R2 . Considere

W = {(x, y) ∈ R2 , x2 = y}

Observamos que (1, 1), (−2, 4) ∈ W no entanto

2 · (1, 1) = (2, 2) ̸∈ W e (1, 1) + (−2, 4) = (−1, 5) ̸∈ W.

• Considere o espaço vetorial das funções F (Ω, R) e o subconjunto

W = { f ∈ F (R, R), f (0) = f (1)2 }.

o
Por exemplo f (x) = 1 e g(x) = cos(πx) estão em W no entanto f + g não. De fato

çã
( f + g)(0) = 1 + cos(π0) = 2 e [( f + g)(1)]2 = (1 + cos(π1))2 = 0.

portanto f + g ̸∈ W.
■

a
Um subconjunto qualquer não necesáriamente herdará a estrutura de espaço vetorial, isto é, não será um
subespaço.
Formalizamos o conceito de subespaço vetorial
or
Definição 3.4 Seja (V, +, ·) um espaço vetorial sobre o corpo F. Um subespaço de V é um subconjunto W
de V tal que ao ser munido com as operações de soma e multiplicação por escalar herdadas de V se torna, ele
mesmo, um espaço vetorial sobre F.
ab
■ Exemplo 3.4 Um subconjunto de um espaço vetorial pode não ser subespaço; No entanto, nada impede que
ele admita uma soma e produto por escalar, diferentes de aqueles herdados, que o tornam um espaço vetorial.
Por exemplo, seja W ⊂ R2 dado por

W = {(x, 1), x ∈ R}.

el

Claramente, se α = (1, 1) e β = (2, 1) são elementos de W mas

α + β = (1, 1) + (2, 1) = (3, 2) ̸∈ W.

Portanto W não pode ser subespaço de V.

Em

No entanto, é possível definir sobre W uma soma e produto por escalar

⊕ : W × W → W (x, 1) + (y, 1) = (x + y, 1)

⊙ : R × W → W k ⊙ (x, 1) = (kx, 1)
que torna (W, ⊕, ⊙) um espaço vetorial sobre R com elemento neutro O = (0, 1) e para todo α = (x, 1) temos
que seu inverso é −α = (−x, 1).
■

Teorema 3.1 Seja (V, +, ·) um espaço vetorial sobre um corpo F. Um subconjunto não vazio W de V é um
subespaço se, e somente se, para quaisquer dois vetores α e β em W e qualquer escalar a em F o vetor de
(a · α) + β de V está contido em W.

Demonstração. ⇒) Segue, da definição de subespaço, que para quaisquer dois vetores α e β em W e qualquer
escalar a em F o vetor

(a · α) + β ∈ W.
30 Capítulo 3. Espaços vetoriais

⇐) Assuma que para quaisquer dois vetores α e β em W e qualquer escalar a em F o vetor

(a · α) + β ∈ W.

Claramente O ∈ W. De fato, seja α ∈ W então, por hipótese, temos que

O = α + [(−1) · α] ∈ W.

Também, se α, β ∈ W e k ∈ F então

α +β = 1·α +β ∈ W e k · α = k · α + O ∈ W.

o
Com isto, temos que
1) Comutatividade: que α + β = β + α segue da hipótese e do fato de V ser espaço vetorial.

çã
2) Associatividade: α + (β + γ) = (α + β ) + γ também segue da hipótese e do fato de V ser espaço vetorial.
3) existe um elemento O em W, chamado vetor nulo, tal que α + O = α para todo α ∈ W segue do mostrado
acima e do fato de V ser espaço vetorial.
4) que para cada elemento α de W existe um elemento em W, que denotamos por (−α), tal que

a
α + (−α) = O.

segue da hipótese, da caracterização do elemento inverso −α como (−1) · α e do fato de V ser espaço

5)
vetorial.
or
Se 1 é a identidade do corpo então 1 · α = α segue da hipótese e do fato de V ser espaço vetorial.
6) Associatividade: (a × b) · α = a · (b · α) segue da hipótese e do fato de V ser espaço vetorial.
7) Distributividade escalar: a · (α + β ) = a · α + b · β segue da hipótese e do fato de V ser espaço vetorial.
ab
8) Distributividade vetorial: (a + b) · α = a · α + b · α segue da hipótese e do fato de V ser espaço vetorial.
■

Obs. Em alguns textos, aparece um resultado equivalente que se lê como segue: Seja (V, +, ·) um espaço vetorial
el

sobre um corpo F Um subconjunto não vazio W de V é um subespao̧ se, e somente se, para quaisquer dois
vetores α e β em W e qualquer escalar a em F temos que
• α +β ∈ W
• (a · α) ∈ W

Vejamos como isto facilida nosso trabalho de determinar que um conjunto é subespaço.
Em

■ Exemplo 3.5 1. Se (V, +, ·) é espaço vetorial sobre um corpo F, então

• 0/ ⊂ V não é subespaço.
• V é subespaço,
• W = {O} é subespaço.
De fato que W = 0/ não é subespaço pois não contém o vetor nulo O, entã não tem como ser espaço
vetorial.
Que V é subespaço segue inmediato da definição.
Que W = {O} é subespaço segue de aplicar o teorema 3.1. De fato, para qualquer a ∈ F temos que
O + aO = O ∈ W.
2. Em Fn , n > 2, o conjunto

W = {(x1 , . . . , xn ), x1 = 0}

é um subespaço de Fn . De fato, para todo k ∈ F temos que

(0, x2 , . . . , xn ) + k · (0, y2 , . . . , yn ) = (0, x1 + ky2 , . . . , xm + kyn ) ∈ W.

Pelo teorema 3.1 temos que W é subespaço.

3.1 Subespaço 31

3. Em M (n × n, mathbbC) o conjunto
H n = {A ∈ Cn×n , A = AT }
é um subespaço De fato a matriz nula está no conjunto e

[k · A + B]T = kAT + BT = kA + B
agora, pelo teorema 3.1, temos que W é subespaço.
4. Em PFn [x], n > 2 o subconjunto
W = {a0 + a1 x, a0 , a1 ∈ F}

o
é um subespaço. De fato, o polinômio p(x) = 0 ∈ W e para todo k ∈ F temos que

çã
(a1 + a2 x) + k · (b1 + b2 x) = (a1 + kb1 ) + (a2 + kb2 )x ∈ W.
Pelo teorema 3.1 temos que W é subespaço.
5. O conjunto das matrizes,
  
a 0
W= ∈ M (2 × 2, F), a, b ∈ F ,

a
0 b
é subespaço. De fato, para todo k ∈ F temos que

a 0
0 b

+k·

c 0
0 d
 
=
a + kc
0
or
0
b + kd

∈ W.

Pelo teorema 3.1 temos que W é subespaço.

6. O conjunto das matrizes,
ab
  
a 1
W= ∈ M (2 × 2, F), a, b ∈ F ,
1 b
não é subespaço. De fato
     
a 1 c 1 a + 2c 3
el

+2· = ̸∈ W.
1 b 1 d 3 b + 2d
Pelo teorema 3.1 temos que W não é subespaço.
7. Considere um sistema
    
a11 · · · a1n x1 0
Em

 .. . . ..   ..  =  .. 
 . . .  .  .
am1 · · · amn xn 0
A solução desse sistema pode ser vista como um elemento α = (s1 , . . . , sn ) ∈ Rn . Seja S o conjunto
solução do sistema acima. Vejamos que S é subespaço. Para isto, primeiramente observamos que
O = (0, . . . , 0) ∈ S pois o sistema é homogêneo. Seja
 
a11 · · · a1n
A =  ... .. ..  .

. . 
am1 · · · amn
Se α, β ∈ S, isto é
Aα T = OT e Aβ T = OT ,
e λ ∈ R então γ = a · α + β ∈ S. De fato
Aγ T = aAα T + Aβ T = aOT + OT = OT
Portanto S é subespaço.
 32 Capítulo 3. Espaços vetoriais

8. Seja W um subespaço de um espaço vetorial V. Sejam α e β vetores em V. Dizemos que α é congruente

com β modulo W se α − β ∈ W. Notação

α ≡ β, mod W.

É simples ver que ”≡” define uma clase de equivalencia. (i.e. é uma relação binaria, regra, que é reflexiva,
simetrica e transitiva). As clases de equivalencia para um vetor qualquer α será denotada por

[α] ou α + W

e o espaço total das clases de equivalência derá denotado por V/W. Portanto dizemos que [α] = [β ] se

o
α ≡β
Se introduzirmos as operações + e · em V/W definidas por

çã
[α] + [β ] = [α +V β ] e c · [α] = [c ·V α]

para todos α e β em V e c em F não é dificil ver que elas estão bem definidas e que ((V/W), +, ·) é um
F-espaço vetorial.
■

a
Teorema 3.2 Seja (V, +, ·) um espaço vetorial sobre um corpo F. A interseção de qualquer coleção de
subespaços de V é um subespaço de V.
or
Demonstração. Seja {Wi , i ∈ Λ} uma coleção de subespaços de V e considere
\
W= Wi .
ab
i∈Λ

Utilizamos o Teorema 3.1 para provar que W é subespaço. Seja α, β ∈ W e a ∈ F. Então, pelo fato de cada Wi
ser subespaço, temos que

(a · α) + β ∈ Wi ∀ i ∈ Λ.
el

De onde (a · α) + β ∈ W. Portanto W é subespaço. ■

3.2 Combinação linear

Definição 3.5 Seja (V, +, ·) um espaço vetorial. Um vetor β em V é dito uma combinação linear dos
Em

elementos α1 , . . . , αn de V, se existem escalares a1 , . . . , an em F tais que

β = a1 · α1 + · · · + an · αn .

Lema 3.1 Seja (V, +, ·) um espaço vetorial sobre um corpo F e S ⊂ V uma coleção vetores de V. Considere

W = {β = a1 · α1 + · · · + an · αn , n ∈ N, αi ∈ S , ai ∈ F, i = 1 . . . n}.

isto é, o conjunto das combinações lineares finitas de elementos de S . Então W é subespaço que contém S .

Demonstração. Observamos que W é não vazio pois, por exemplo se α ∈ S temos que

α = 1 · α ∈ W,

por ser uma combinação linear de um numero finito de elementos de S , neste caso, de um elemento. Com isto
também mostramos que S ⊂ W.
Por outro lado, se α, β ∈ W então existem a1 , . . . , ak , b1 , . . . , br ∈ F e {α1 , . . . , αk , β1 . . . , βr } ⊂ S tais que

α = a1 · α1 + · · · + ak · αk e β = b1 · β1 + · · · + br · βr
3.2 Combinação linear 33

Dado c ∈ F temos que

α + c · β = a1 · α1 + · · · + an · αn + (cb1 ) · β1 + · · · + (cbr ) · βr ∈ W

pois é combinação linear de finitos elementos de S . Agora, pelo teorema 3.1, temos que W é subespaço.
■

■ Exemplo 3.6 • Se S = {(−1, 1, 0), (1, 1, 1)} ⊂ R3 , um elemento típico do conjunto das combinações
lineares finitas de elementos de S é um elemento da forma

a(−1, 1, 0) + b(1, 1, 1) = (−a + b, a + b, b) a, b ∈ R.

o
• Se S = {1 + xn , n ∈ N} ⊂ F (R, R), um elemento típico do conjunto das combinações lineares finitas de
elementos de S é um elemento da forma

çã
(a1 (1 + xn1 ) + · · · + ak (1 + xnk ) = (a1 + · · · + ak ) + a1 xn1 + · · · + ak xnk

para {n1 , . . . , nk } ⊂ N finito.

■

a
Corolário 3.1 Seja (V, +, ·) um espaço vetorial sobre um corpo F e S ⊂ V uma coleção vetores de V.
Sempre existe um subespaço W que contém S
or
Definição 3.6 Seja (V, +, ·) um espaço vetorial sobre um corpo F e S uma coleção de vetores em V.
• O subespaço gerado por S é definido como a interseção de todos os subespaços de V que contem S .
Por convenção o conjunto 0/ gera {0}.
• S é um gerador de um subespaço W se o conjunto gerado por S é W.
ab
Denotamos por span{S } ao subespaço gerado por S .

Obs.
• Seja (V, +, ·) um espaço vetorial sobre um corpo F e S uma coleção de vetores em V, o subespaço
el

gerado por S é o menor subespaço que contém S . De fato, se W é um subespaço que contém S
então span{S } ⊂ W pois W será um dos conjuntos da interseção.
• Todo espaço vetorial tem um conjunto gerador, basta pegar todos seus elementos como S.
• Se S é um gerador de V então todo conjunto que contem S é gerador de V.

A definição de "gerador"e "subespaço gerado"está ali. No entanto queremos uma caracterização que seja
Em

mais útil para trabalhar e fazer contas. Podemos dar este tipo de caracterização utilizando o conjunto das
combinações lineares finitas.

Teorema 3.3 Seja (V, +, ·) um espaço vetorial sobre um corpo F. O subespaço gerado por um subconjunto
não vazio S de V, span{S }, é o conjunto de todas as combinações lineares dos elementos de S .

Demonstração. Seja W = span{S}, isto é, a interseção de todos o subespaços que contém S e L o conjunto de
todas as combinações lineares dos elementos de S.
Se α ∈ L então, da definição de L e do teorema 3.1, α está em todo subespaço que contém S, de onde
α ∈ W.
Por outro lado como S ⊂ L e L , pela sua definição e pelo teorema 3.1, é subespaço temos que W ⊂ L . ■

■ Exemplo 3.7 • O conjunto dos polinômios PRn [x] é gerado pelo conjunto S = {1, x, . . . , xn }.
• Os vetores S = {(1, 1, 1), (1, 2, 1), (2, 0, 2)} geram um subespaço W ⊂ R3 . No entanto, este subespaço
não é R3 . De fato, se (a, b, c) é um elemento qualquer de R3 temos que (a, b, c) ∈ W se existirem a, y, z ∈ R
tais que

x(1, 1, 1) + y(1, 2, 1) + z(2, 0, 2) = (a, b, c).

34 Capítulo 3. Espaços vetoriais

Esse problema é equivalente a dizer que o sistema

    
1 1 2 x a
1 2 0 y = b
1 1 2 z c

tem solução para quaisquer escolha de a, b, c. Mas, para que isso aconteça o determinante da matriz do
sistema teria que ser diferente de 0. No entanto
 
1 1 2
det 1 2 0 = 0

o
1 1 2

Por exemplo, neste caso, para a = 1, b = 0 e c = 0 o sistema não tem solução pois

çã
x + y + 2z = 1 e x + y + 2z = 0.

Teorema 3.4 Seja (V, +, ·) um espaço vetorial sobre um corpo F e considere S1 = {α1 , . . . , αk } e S2 =

a
{β1 , . . . , βr } dois conjuntos de vetores tais que or
span{S1 } = span{S2 }.

Então, cada elemento de S1 pode ser escrito como combinação linear dos elementos de S2 e viceversa.

Demonstração. ⇒) Assuma que span{S1 } = span{S2 }. Pelo teorema 3.3 temos que cada elemento de S1
ab
pode ser escrito como combinação linear dos elementos de S2 e viceversa.
⇐) Assuma que cada elemento de S1 pode ser escrito como combinação linear dos elementos de S2 e
viceversa. Então, pelo teorema 3.3 temos que para todo α ∈ S1 temos que α ∈ span{S2 } e, portanto, qualquer
combinação linear dos elementos de S1 estará também em span{S2 }. Portanto, span{S1 } ⊆ span{S2 }.
Análogamente, span{S2 } ⊆ span{S1 }.
el

■ Exemplo 3.8 Seja (V, +, ·) um espaço vetorial e W ⊂ V um subespaço. Quer saber como achar o conjunto de
geradores.
PAra isso, escrevemos como seria um elemento genérico e vemos como escrevélo como combinação linear
de alguns elementos fixos do espaço vetorial.
Em

Considere, por exemplo, o subespaço

W = {A ∈ M (3 × 3, R), AT = A}

Um elemento típico deste espaço é da forma

 
a b c
b d e 
c e f

e pode ser escrito como combinação linear de elementos fixos como segue
       
a b c 1 0 0 0 1 0 0 0 1
b d e  = a 0 0 0 + b 1 0 0 + c 0 0 0
c e f 0 0 0 0 0 0 1 0 0
     
0 0 0 0 0 0 0 0 0
+d 0 1 0 + e 0 0 1 + f 0 0 0
0 0 0 0 1 0 0 0 1
 3.3 Soma de subespaços 35

Então
           
 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 
S = 0 0 0 , 1 0 0 , 0 0 0 , 0 1 0 , 0 0 1 , 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1
 

é um conjunto de geradores de W e, mais ainda W = span{S }. ■

3.3 Soma de subespaços

Seja (V, +, ·) um espaço vetorial sobre um corpo F e W1 , W2 dois subespaços. Nos perguntamos se existe
um subespaço que contém os dois subespaços. Claramente a união dos dois espaços não necessariamente é

o
subespaço. Veja por exemplo o seguinte exemplo.
■ Exemplo 3.9 Em R3 com a soma e produto por escalar canônicos considere

çã
W1 = {(x, y, z) ∈ R3 , y = z = 0} e W2 = {(x, y, z) ∈ R3 , x = z = 0}
e seja W = W1 ∪ W2 . Por exemplo α = (1, 0, 0) ∈ W1 e β = (0, 1, 0) ∈ W2 , no entanto
γ = α + β = (1, 1, 0) ̸∈ W,

a
pois γ ̸∈ W1 e γ ̸∈ W2 . Portanto W não pode ser subespaço. ■

Então dado (V, +, ·) um espaço vetorial e W1 , W2 , se queremos construir o menor espaço vetorial que
or
contém W1 e W2 como subespaços, vamos considerar o espaço gerado por W1 ∪ W2 . Seja então
W = span(W1 ∪ W2 ).
Como W1 e W2 são espaços vetoriais, um elemento genérico γ ∈ W poderá ser escrito como
ab
γ = a1 · α1 + · · · + ak · αk + b1 · β1 + · · · + br · βr = α + β .
| {z } | {z }
=α∈W1 =β ∈W2

Portanto, cada elemento γ ∈ W pode ser escrito como soma de elementos α ∈ W1 e β ∈ W2 . Em particular,
fazendo α = O ou β = O, vemos cada Wi ⊂ W é subespaço.
Esta construção pode ser generalizada como segue.
el

Definição 3.7 Seja (V, +, ·) um espaço vetorial sobre um corpo F e W1 , . . . , Wn subespaços de V.

• O conjunto

W = {β ∈ V, β = α1 + · · · + αn , αi ∈ Wi , i = 1 . . . n}
Em

é chamado de soma dos subespaços W1 , . . . , Wn e é denotada por W = ∑ni=1 Wi .

• Dizemos que a soma dos subespaços é direta se para todo i ̸= j temos que Wi ∩ W j = {O}. Neste
caso denotamos a soma por ni=1 Wi
L

Corolário 3.2 Seja (V, +, ·) um espaço vetorial sobre um corpo F e W1 , . . . , Wn subespaços de V. Se a soma
Ln
dos espaços Wi for direta, então para cada β ∈ i=1 Wi existem únicos αi ∈ Wi tais que

β = α1 + · · · + αn .

Demonstração. É suficiente mostrálo para dois espaços.O caso geral segue por iterações do mesmo argumento.
Assuma que existem αi , γi ∈ Wi para cada i = 1, 2 tais que
β = α1 + α2 e β = γ1 + γ2 .
Então
(α1 − γ1 ) = −(αn − γn ) ∈ W1 ,
o que é uma contradição. ■
 36 Capítulo 3. Espaços vetoriais

■ Exemplo 3.10 • Em R3 com a soma e produto por escalar canônicos considere

W1 = {(x, y, z) ∈ R3 , y = z = 0} e W2 = {(x, y, z) ∈ R3 , x = z = 0}

Então, um elemento genérico de W1 + W2 será da forma

(a, 0, 0) + (0, b, 0) = (a, b, 0)

Então

W = {(x, y, z) ∈ R3 , z = 0}

o
• Considere em PR3 [x] os espaços

çã
W1 = {p(x) ∈ PR3 [x], p(0) = 0} e W2 = {p(x) ∈ PR3 [x], p(x) = 1 + x}

Então, um elemento genérico de W1 é da forma p(x) = bx + cx2 e um elemento genérico de W2 é

q(x) = a(1 + x) então um elemento genérico de W = W1 + W2 é

a
r(x) = a + (a + b)x + cx2 .
or
Observamos que, dependendo da escolha e b, a + b pode assuir qualquer valor. Portanto

W = {p(x) ∈ PR3 [x], p(x) = a + bx + cx2 , a, b, c ∈ R} = PR3 [x].

ab
• Considere C2 como espaço vetorial sobre o corpo R, e como espaço vetorial sobre o corpo C (isto é, os
escalares estão em R ou C segundo corresponda).
Se consideramos C2 como espaço vetorial sobre o corpo R, temos que um elemento genérico pode ser
escrito como

(a + ib, c + id) = a · (1, 0) + b · (0, i) + c · (0, 1) + d · (0, i).

el

Portanto

S = {(1, 0), (i, 0), (0, 1), (0, i)}

Em

gera C2 como espaço vetorial sobre o corpo R.

Se consideramos C2 como espaço vetorial sobre o corpo C, temos que um elemento genérico pode ser
escrito como

(a + ib, c + id) = (a + ib) · (1, 0) + (c + id) · (0, 1).

Portanto

S = {(1, 0), (0, 1)}

gera C2 como espaço vetorial sobre o corpo C.

■

3.4 Independencia linear. Base

Dado um espaço vetorial (V, +, ·) sabemos que existe um conjunto S que o gera. No entanto, precisamos um
critério de minimalidade sobre S para não utilizar elementos demais.
3.4 Independencia linear. Base 37

■ Exemplo 3.11 • Considere o espaço vetorial R2 e

S = {(1, 2), (3, 6), (−1, −1)}

Um vetor (a, b) pode ser escrito como combinação linear dos elementos de S de várias formas, por exemplo

(a, b) = (−a + b) · (1, 2) + 0 · (3, 6) + (−2a + b) · (−1, −1),

ou
(−a + b)

o
(a, b) = 0 · (1, 2) + · (3, 6) + (−2a + b) · (−1, −1),
3

• Considere o espaço vetorial dos polinômios de grau até 2, denotado por PR2 [x]. Um conjunto gerador pode

çã
ser dado por:
S = {1, 1 + x, x2 − x, x}
Vamos mostrar que qualquer polinômio em PR2 (R) pode ser escrito como uma combinação linear dos
polinômios em S. Escolhemos um polinômio arbitrário, por exemplo, p(x) = ax2 + bx + c e observamos
que

a
p(x) = c · 1 + 0 · (1 + x) + (b + a) · x + a · (x2 − x).

Também podemos escrever

or
p(x) = (c − b − a) · 1 + (a + b) · (1 + x) + 0 · x + a · (x2 − x)
ab
■

O critério de minimalidade que estamos procurando é o seguinte.

Definição 3.8 Seja (V, +, ·) um espaço vetorial sobre um corpo F e S um subconjunto de V.
• Dizemos que S é linearmente dependente se existe um subconjunto finito
el

U = {α1 , . . . , αn } ⊆ S ,

e escalares não nulos a1 , . . . , an tais que

a1 · α1 + . . . + an · αn = O.
Em

• Dizemos que S é linearmente independente quando não for linearmente dependente.

• Por convenção, o conjunto vazio é linearmente independente.

Obs.
• Todo conjunto que contém o vetor nulo O é linearmente dependente. De fato, sempre podemos
escrever 1 · O = O.
• Seja S = {α1 , . . . , αn } um conjunto de vetores linearmente independente. Assuma que a1 , . . . , an são
escalares, não todos nulos, tais que

a1 · αi + · · · + an αn = O.

Se, por exemplo, an ̸= 0 então

αn = (−a−1 −1
n × a1 ) · αi + · · · + (−an−1 × a1 )αn−1 .

Então S ′ = {α1 , . . . , αn−1 } gera o mesmo conjunto que S . Nesse sentido, o critério de independência
linear, é um critério de minimalidade.
38 Capítulo 3. Espaços vetoriais

■ Exemplo 3.12 • O subespaço W ⊂ R3 gerado por

S = {(1, 1, 1), (1, 2, 1), (−2, 4, −2)}
admite
S ′ = {(1, 1, 1), (1, 2, 1)}
como gerador. De fato, sempre teremos que o espaço gerado por S ′ estará contido em W. Por outro lado,
como
(−2, 4, −2) = −8 · (1, 1, 1) + 6 · (1, 2, 1),

o
para um α ∈ W qualquer sempre podemos escrever
α = a · (1, 1, 1) + b · (1, 2, 1) + c · (−2, 4, −2) = (a − 8c) · (1, 1, 1) + (b + 6c) · (1, 2, 1).

çã
e α estará sempre no espaço gerado por S ′ .
Vejamos agora que S ′ é linearmente independente. Para isto, vemos se existem escalares x, y, não todos
nulos, tais que
x · (1, 1, 1) + y(1, 2, 1) = (0, 0, 0).

a
Isto é equivalente a determinar soluções não nulas do sistema
   
1 1   0 
1 2 x = 0 ⇒
1 1
y
0
x+y = 0
x + 2y = 0
or ⇒ x = 0 = y.

Portanto, S ′ é linearmente independente.

• De modod geral, se queremos saber se um subconjunto de vetores
ab
S = {α1 = (a11 , . . . , a1n ), . . . , αk = (ak1 , . . . akn )}
é linearmente independente em Rn .
Para isto, devemos ver se existem escalares x1 , . . . , xk , não todos nulos, tais que
x1 · α1 + · · · + xk · αk = O,
el

ou, equivalentemente, se o sistema

 
a11 · · · ak1    
a12 · · · ak2  x1 0
  ..   .. 
.  .  = .

 .. . .
 . . .. 
Em

xk 0
a1n · · · akn
admite uma solução não trivial.
Em particular, se k = n então para mostrar que
S = {α1 = (a11 , . . . , a1n ), . . . , αn = (an1 , . . . ann )}
é linearmente independente, temos que ver se o determinante da matriz
 
a11 · · · an1
det  ... . . . ...  ̸= 0,
 

a1n · · · ann
pois, nesse caso, o sistema linear
    
a11 · · · an1 x1 0
 .. . . ..   ..  =  .. 
 . . .  .  .
a1n · · · ann xn 0
tem solução única, que é a solução nula.
3.4 Independencia linear. Base 39

• Sejam S = { f1 , . . . , fn } ⊂ F (R, R) tais que fi é diferenciável até ordem n. Queremos saber se o conjunto
S é linearmente independente. Queremos ver então se existem escalares a1 , . . . , an , não todos nulos, tais
que
a1 f1 + . . . an fn = 0.
Isto pode ser muito difícil de determinar, no entanto observamos que, se verivarmos a explessão acima n
vezes, teremos
a1 f 1 + . . . an f n = 0
a1 f1′ + . . . an fn′ = 0
a1 f1′′ + . . . an fn′′ = 0

o
.. .. ..
. . .
(n) (n)
a1 f1 + · · · + an fn = 0

çã
Portanto, se encontrarmos um valor de x0 tal que o sistema
a1 f1 (x0 ) + . . . an fn (x0 ) = 0
a1 f1′ (x0 ) + . . . an fn′ (x0 ) = 0
a1 f1′′ (x0 ) + . . . an fn′′ (x0 ) = 0

a
.. .. ..
. . .
(n) (n)
a1 f1 (x0 ) + · · · + an fn (x0 ) = 0
or
tenha solução única ai = 0 para todo i, teremos que o conjunto S é linearmente independente. Isto é
equivalente a mostrar que que a função Wronskiano
f1 (x) · · · fn (x)
 
 f1′ (x) · · · fn′ (x) 
ab
 ′′ ′′

W ( f1 , . . . , fn )(x) =  f1 (x) · · · fn (x) 
 
 .. .. 
 . ··· . 
(n) (n)
f1 (x) · · · fn (x)
seja diferente de 0 para algum x.
el

Por exemplo S = {cos(x), sin(x)} é linearmente independente, de fato

 
cos(x) sin(x)
W (cos(x), sin(x))(x) = =1
− sin(x) cos(x)
que é diferente de 0 para todo x.
Em

Corolário 3.3 Seja (V, +, ·) um espaço vetorial sobre um corpo F. Um subconjunto S = {α1 , . . . , αk } é
linearmente independente se, e somente se, para toda combinação linear

a1 · α1 + · · · + ak · αk = 0.

temos que ai = 0 para todo i.

Demonstração. ⇒) Assuma que S é linearmente independente. Considere a combinação linear

a1 · α1 + · · · + ak · αk = 0.
e assuma que existe um subconjunto {i1 , . . . , im } ⊂ {1, . . . , k} tal que a j ̸= 0, j ∈ {i1 , . . . , im }. Então
ai1 · αi1 + · · · + aim · αim = O portanto αi1 = −(a−1 −1
i1 ai2 ) · αi2 · · · · − (ai1 aim ) · αim = O,

de onde o conjunto S é linearmente dependente, o que é uma contradição.

⇐) Segue direto da definição. ■
40 Capítulo 3. Espaços vetoriais

Teorema 3.5 Seja (V, +, ·) um espaço vetorial sobre um corpo F e S = {α1 , . . . , αn } um gerador de V.
Então todo conjunto linearmente independente de vetores de V é finito e não contém mais de n elementos.

Demonstração. Assuma que B = {β1 , . . . , βm } é um conjunto linearmente independente de vetores de V com

m > n. Então

β j = ∑ a ji · αi .
i

Portanto para qualquer α ∈ span{B} temos que existem escalares bi tais que

o
!
m m n n m
α = ∑ bi · βi = ∑ ∑ (bi ai j ) · α j = ∑ ∑ bi ai j ·αj
i=1 i=1 j=1 j=1 i=1

çã
Em notação matricial, se
 
a11 · · · a1n
 .. .. .. 
B = (b1 , . . . , bm ), A= . . . 

a
am1 · · · amn

então, o termo
m
∑ bi ai j = [BA] j .
or
i=1

Observamos que, como A tem mais linhas do que colunas,AT tem mais colunas do que linhas. Então o sistema
ab
c1
homogêneo AT X = 0 admite uma solução não nula X0 =  ...  . Fazendo B = X0T temos que
 

cm

BA = (AT BT )T = (AT X0 )T = 0T
el

de onde tal B = (c1 , . . . , cm ) vai satisfazer

m
∑ ci · βi = 0.
i=1
Em

De onde o conjunto não pode ser linearmente independente. O que dá uma contradição. Portanto m ≤ n. ■

Lema 3.2 Seja (V, +, ·) um espaço vetorial sobre um corpo F e S um conjunto linearmente independente de
V. Se β é um vetor em V que não pertence ao subespaço gerado por S então o S ′ = S ∪ {β } é linearmente
independente.

Demonstração. Sejam a1 , . . . , an , b escalares tais que

0 = a1 · α1 + · · · + an · αn + b · β

Se b ̸= 0 então claramente β ∈ S o que é uma contradição. Portanto, b = 0, de onde

0 = a1 · α1 + · · · + an · αn

A independência dos elementos de S garante que todos os ai = 0. ■

3.4 Independencia linear. Base 41

Definição 3.9 Seja (V, +, ·) um espaço vetorial sobre um corpo F

• Uma base de V é um conjunto B de vetores linearmente independentes que geram V.
• O espaço V é dito de dimensão finita se tem base de cardinalidade finita.

Corolário 3.4 Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem de dimensão finita. Para quaisquer
duas bases de V o número de elementos de são iguais.

Demonstração. Sejam B1 = {α1 , . . . , αn } e B2 = {β1 , . . . , βm } duas bases. Então, pelo teorema 3.5, temos que
n ≤ m e, análogamente m ≤ n, segue que n = m ■

o
Definição 3.10 Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem de dimensão finita. A dimensão
de V é a cardinalidade de uma base qualquer de V.

çã
■ Exemplo 3.13 a) O subconjunto
 
i
 z}|{ 
S = ei = (0, . . . , 0, 1 , 0, . . . , 0) ∈ Fn , i = 1 . . . , n
 

a
gera o espaço vetorial Fn . De fato or
(a1 , . . . , an ) = a1 · e1 + · · · + an · en .

Mais ainda,

(0, . . . , 0) = a1 · e1 + · · · + an · en = (a1 , . . . , an ) ⇒ ai = 0 ∀i.

ab
Portanto S é base e Fn é um espaço vetorial de dimensão finita igual a n.
b) O conjunto S = {1, x, x2 , . . . , xn } é uma base de PFn [x]. Claramente, todo polinômio se escreve como
combinação linear dos elementos de S . Para ver que são linearmente independentes observamos que se o
polinômio nulo
el

O(x) = a0 · 1 + a1 · x + · · · + an · xn

então, derivando obtemos que

dn
0= O(x) = n!an ⇒ an = 0
Em

dxn
d n−1
0= O(x) = (n − 1)!an−1 ⇒ an−1 = 0
dxn−1
e assim seguindo, temos que todos os ai = 0. Portanto PFn [x] é um espaço vetorial de dimensão finita
igual a n.
• Seja S = {Ei j ∈ M (n × m, F), i = 1 . . . n, j = 1 . . . m} em que a matriz Ei j é a matriz cuja entrada na
posição i j é 1 e as entradas restantes são todas nulas. Claramente
 
a11 · · · a1m n m
 .. . . ..  =
 . . .  ∑ ∑ ai j · Ei j
i=1 j=1
an1 · · · anm

Portanto S gera e é linearmente independente. Portanto é base de M (n × m, F). De onde segue que a
dimensão de M (n × m, F) é n · m.
■

Agora cabe a pergunta, se o espaço vetorial (V, +, ·) é de dimensão finita. Como construímos uma base?
42 Capítulo 3. Espaços vetoriais

■ Exemplo 3.14 Considere em R4 o conjunto de vetores

S = {(1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0)}.

É fácil ver que S é linearmente independente. No entanto S não gera R4 . De fato (1, 0, 0, 0) ̸∈ span(S), pois
não existem escalares x, y, z ∈ R tais que.

x · (1, 1, 1, 1) + y · (1, 1, 1, 0) + z · (1, 1, 0, 0) = (1, 0, 0, 0)

Isto segue do fato que o sistema linear associado

   
1 1 1   1

o
1 1 1 x 0
1 1 0 y = 0
    
z
1 0 0 0

çã
não tem solução. Também observamos que S ∪ {(1, 0, 0, 0)} é base, isto segue do fato que
 
1 1 1 1
1 1 1 0
det   ̸= 0

a
1 1 0 0
1 0 0 0 or
portanto, para qualquer vetor (a, b, c, d), sempre podemos achar escalares x, y, z, y tais que

x · (1, 1, 1, 1) + y · (1, 1, 1, 0) + z · (1, 1, 0, 0) + u · (1, 0, 0, 0) = (a, b, c, d)

■
ab
Teorema 3.6 Seja (V, +, ·) um espaço vetorial sobre um corpo F que admite um número finito de geradores.
Então, para todo conjunto linearmente independente S ⊂ V existe uma base B de V contendo S .

Demonstração. Se W0 = span{S } é tal que V\W0 ̸= 0/ então seja β1 ∈ V\W0 portanto B1 = S ∪ {β1 } é
linearmente independente. Se W1 = span{B1 } é tal que V\W1 = 0/ então pronto, caso contrário existe um
el

β2 ∈ V\W1 e B2 = B1 ∪ {β2 } é linearmente indendente. Se W2 é tal que V\W2 = 0/ então pronto. Caso
contrário existe um β3 e assim seguindo. O processo para pois o espaço tem é finitamente gerado. ■

Teorema 3.7 Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem dimensão finita. Então V possui
uma base.
Em

Demonstração. Seja (V, +, ·) um espaço vetorial sobre um corpo F que é finitamente gerado. Seja S =
{α1 , . . . , αn }. Para cada k ≤ n construímos o conjunto Bk = {β1 , . . . , βk } como segue:
• B1 = {α1 }.
•
Bk ∪ {αk+1 } se αk+1 ̸∈ span{Bk }

Bk+1 =
Bk se αk+1 ∈ span{Bk }.
Assim, Bn é base. Observar que o número de elementos de Bn não é necessáriamente igual ao número de
elementos de S . ■

Corolário 3.5 Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem de dimensão finita n e B =
{α1 , . . . , αn } uma base de V.
a) cada elemento de V se escreve de forma única como combinação linear dos elemento de B.
b) qualquer subconjunto de V que contém mais de n vetores é linearmente dependente,
c) nenhum subconjunto de V con menos de n elementos pode gerar V.
3.4 Independencia linear. Base 43

Demonstração. a) Segue do fato de B ser base. Se, de fato existe um elemento que se escreve de duas
formas diferentes

γ = a1 · α1 + · · · + an · αn .

γ = b1 · α1 + · · · + bn · αn .
Então

O = γ − γ = (a1 − b1 ) · α1 + · · · + (an − bn ) · αn .

o
com ai − bi não todos nulos. O que contradiz o fato dos elementos de B serem linearmente independentes.

çã
Para mostrar os outros itens observamos o seguinte.
Seja S = {β1 , . . . , βm } um conjunto de elementos de V. Observamos que, como B é base, temos que para
cada i existem escalares ai j tais que

βi = ai1 · α1 + · · · + ain · αn .

a
Seja γ um elemento qualquer de V. Então or
γ = b1 · α1 + · · · + bn · αn .

Então γ ∈ span{S } se existem escalares x1 , . . . , xm tais que

γ = x1 · β1 + · · · + xn · βn ,
ab
substituindo cada βi pela expressão acima, isto se torna equivalente a dizer que
! !
m m
b1 · α1 + · · · + bn · αn = ∑ ai1 xi · α1 + · · · + ∑ an1 xi · αn
el

i=1 i=1

Como B é base, pelo item a), a equação acima pode ser escrita como,
!
m
bj = ∑ ai j xi
i=1
Em

ou, na notação matricial

    
a11 · · · a1m x1 b1
 .. . . ..   ..  =  ..  .
 . . .  .   . 
an1 · · · anm xm bn

Ou seja, as entradas x1 , . . . , xn que permitem escrever γ como combinação linear dos elementos de S são solução
do sistema linear acima. Agora, com isto analizamos o enunciado.
b) Se S tem m > n elementos então o sistema acima para o caso γ = O terá soluções não triviais.
c) Se S tem m < n elementos então o sistema acima terá uma matriz escalonada reduzida com a última
linha nula. Então, existe um

γ = b1 · β1 + · · · + bn · βn ,

tal que o sistema será sem solução.

■
44 Capítulo 3. Espaços vetoriais

Como B gera V vimos que, para cada vetor β em V, existem únicos escalares x1 , . . . , xn em F tais que
n
β = ∑ xi αi .
i=1

Estes escalares são unicos pois se z1 , . . . , zn são tais que

n
β = ∑ zi αi ,
i=1

então

o
n
∑ (xi − zi )αi = 0

çã
i=1

e pela independencia linear temos que xi = zi para todo i. Chamamos ao escalar xi de i-ésima coordenada do
vetor β na base ordenada B.

Teorema 3.8 Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem dimensão finita.

a
• Todo conjunto linearmente independente é parte de uma base de V.
• Se W é um subespaço proprio de V então dim(V) >dim(W).

Demonstração.
or
• Seja S0 um conjunto linearmente independente. Se S0 não é base então existe um β1 tal
que β1 ̸∈ span{S0 } e S1 = S0 ∪ {β1 } é linearmente independente. Se S1 é gera V então paramos, caso
contrário existe um β2 ̸∈ span(S1 ) tal que S2 = S1 ∪ {β2 } é linearmente independente. Caso S2 gere V
paramos, se não existe um β3 ... e assim podemos continuar o processo. Observamos que o processo para
ab
pois o espaço é de dimensão finita.
• Se W é subespaço próprio então existe um elemento de α ∈ V tal que α ̸∈ W. Portanto, se B é uma base
de W então B ∪ {α} é linearmente independente e, portanto, parte de uma base de V. De onde segue que
a dimensão de W é menor que a de V.
■
el

Teorema 3.9 Se W1 e W2 são subespaços de um espaço vetorial (V, +, ·) sobre um corpo F que tem dimensão
finita. Então W1 + W2 tem dimensão finita e

dim(W1 ) + dim(W2 ) = dim(W1 ∩ W2 ) + dim(W1 + W2 )

Em

Demonstração. Por uma lado, como V tem dimensão finita temos que W1 e W2 tem dimensão finita. De onde
segue que, a soma W1 + W2 tem dimensão finita pois um conjunto gerador da soma será, por exemplpo, a união
dos conjuntos geradores de W1 e W2 respectivamente.
Sabemos que W1 ∩ W2 é subespaço. Seja B = {α1 , . . . , αr } uma base de W1 ∩ W2 . Completamos B a uma
base de W1

B1 = {α1 , . . . , αr , β1 , . . . , βm }

Também completamos B a uma base de W2

B1 = {α1 , . . . , αr , γ1 , . . . , γn }

Observamos que caso βi ∈ W2 teriamos que βi ∈ W1 ∩ W2 e, portanto, seria combinação linear de α1 , . . . , αr o

que contradiz o fato de B1 ser base. Portanto βi ̸∈ W2 . Análogamente γi ̸∈ W1 .
Com isto, vemos que

B3 = {α1 , . . . , αr , β1 , . . . , βm , γ1 , . . . , γn }
 3.5 Coordenadas 45

é base de W1 + W2 . Então

dim(W1 ) + dim(W2 ) = (m + r) + (n + r)
= r + (m + n + r)
= dim(W1 ∩ W2 ) + dim(W1 + W2 )

3.5 Coordenadas

o
Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem dimensão finita e B uma base de V. Se nosso
espaço estiver modelando algum problema, cada elemento de B pode estar associado a um comando ou objeto
do modelo. Então, o primeiro que vamos fazer é organizar estes comandos ou objetos, isto é, colocar uma ordem

çã
na base B.
Definição 3.11 Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem dimensão finita. Uma base
ordenada de V é uma base B de V que tem uma ordem fixa nos elementos.

Seja (V, +, ·) um espaço vetorial sobre um corpo F. Considere B = {α1 , . . . , αn } uma base ordenada de V.

a
Como B gera V vimos que, para cada vetor β em V, existem únicos escalares x1 , . . . , xn em F tais que
or
β = x1 · α1 + . . . + xn · αn .

Se, como dizemos anteriormente, cada elemento da base representa um comando ou objeto do problema
que está sendo modelado em V, então os x1 , . . . , xn representa como deve ser executado esse comando ou a
quantidade de elementos desse objeto. Desta forma, os x1 , . . . , xn criptografam a informação.
ab
Definição 3.12 Seja (V, +, ·) um espaço vetorial sobre um corpo F. Considere B = {α1 , . . . , αn } uma base
ordenada de V. Seja β ∈ V, então

β = x1 · α1 + . . . + xn · αn .
el

A matriz de coordenadas de β na base ordenada B é definida por

 
x1
[β ]B =  ... 
 

xn
Em

■ Exemplo 3.15 • Considere em PR3 [x] a base

B = {1, 1 + x, 1 + x2 , x3 }.

Seja β = 2x + x3 , então
 
−2
2
β = (−2) · 1 + 2 · (1 + x) + 0 · (1 + x2 ) + 1 · x3 ⇒ [β ]B = 
 0 .


Por outro lado, se γ ∈ PR3 [x] tal que

 
−1
2
[γ]B = 
1
 ⇒ γ = (−1) · 1 + 2 · (1 + x) + 1 · (1 + x2 ) + (−2) · x3 = 2 + 2x + x2 − 2x3 .
−2
46 Capítulo 3. Espaços vetoriais

• Considere em M (2 × 2, R) a base
       
1 1 0 1 0 1 0 0
B= , , , .
0 0 1 0 0 0 0 1
Seja
 
          −2
−2 0 1 1 0 1 0 1 0 0 2
β= = (−2) · +2· +0· +1· ⇒ [β ]B = 
 0 .

2 1 0 0 1 0 0 0 0 1
1
Por outro lado, se γ ∈ M (2 × 2, R) tal que

o
 
−1          
2 1 1 0 1 0 1 0 0 −1 2

çã
[γ]B =  1  ⇒ γ = (−1)· 0 0 +2 · 1 0 +1 · 0 0 +(−2)· 0 1 = 2 −2 .


−2
• Em R3 considere as bases
B = {α1 = (1, 1, 1), α2 = (0, 1, 0), α3 = (0, 1, 1)},

a
B ′ = {β1 = (1, −1, −2), β2 = (1, 0, 0), β3 = (0, 1, 0)}.
Observamos que
β1 = 1 · α1 + 1 · α2 + (−3) · α3
or
β2 = 1 · α1 + 0 · α2 + (−1) · α3
β1 = 0 · α1 + 1 · α2 + 0 · α3
ab
Assuma, por enquanto, que existe uma matriz
 
p11 p12 p13
P =  p21 p22 p23 
p31 p32 p33
el

satisfazendo
[β ]B = P [β ]B′ ∀ β ∈ R3 .
Então, como
Em

          
1 p11 p12 p13 1 p11 1 p11
[β1 ]B = P [β1 ]B′ ⇒  1  =  p21 p22 p23  0 =  p21  ⇒  1  =  p21  .
−3 p31 p32 p33 0 p23 −3 p31
          
1 p11 p12 p13 0 p12 1 p12
[β2 ]B = P [β2 ]B′ ⇒  0  =  p21 p22 p23  1 =  p22  ⇒  0  =  p22  .
−1 p31 p32 p33 0 p32 −1 p32
          
0 1 1 0 0 p13 0 p13
[β3 ]B = P [β3 ]B′ ⇒  1 = 1
  0 1   0 = p23
   ⇒ 1 = p23  .
 
0 −3 −1 0 1 p33 0 p33
De onde segue que
 
1 1 0
P= 1 0 1
−3 −1 0
■

Vamos formalizar o exemplo acima.

3.5 Coordenadas 47

Teorema 3.10 Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem dimensão finita n.
1) Se B e B ′ são duas bases ordenadas de V entã existe uma única matriz P em M (n × n, F), necesaria-
mente invertivel, tal que

[β ]B′ = P [β ]B ∀ β ∈ V.

A matriz P é chamada de matriz de mudança de coordenadas da base B para a base B ′ .

2) Se P é uma matriz invertível em M (n × n, F) e B uma base ordenadade V então existe uma única base
ordenada B ′ tal que

o
[β ]B = P[β ]B′ ∀ β ∈ V.

Demonstração. 1) Sejam B ′ = {α1 , . . . , αn } e B = {γ1 , . . . , γn } duas bases ordenadas de V.

çã
Como as duas são bases, existem escalares Pi j e Qi j para i, j = 1 . . . n tais que
n
αi = ∑ Pji · γ j = P1i · γ1 + · · · + Pni · γn i = 1...n
j=1

a
n
γi = ∑ Q ji · γ j = Q1i · α1 + · · · + Qni · αn i = 1...n

Portanto
j=1
or
n n
αi = ∑ ∑ (Pji Qk j ) · αk
ab
j=1 k=1

Como a forma de escrever um vetor em termos da base é única, temos que

n n 
1 se i = k
∑ (Pji Qk j ) = ∑ (Qk j Pji ) = 0 se i ̸= k
el

k=1 k=1

Portanto a matriz P formada pelo Pji é uma matriz e a matriz Q formada pelos Q ji satisfazem PQ = I e,
portanto são, invertíveis. Mais ainda, se β é um vetor tal que
n n n
β = ∑ bi · αi = ∑ ∑ (Pji bi ) · γ j
Em

i=1 i=1 j=1

de onde

∑ni=1 Pi1 bi
    
P11 · · · P1n b1
. . . .
[β ]B′ = ..  =  .. . . . ..   ..  = P[β ]B
    

∑ni=1 Pin bi Pn1 · · · Pnn bn

2) Seja B = {γ1 , . . . , γn } uma base ordenada de V.

Dada a matriz P invertível basta definir
n
γi = ∑ Pji · α j = P1i · α1 + · · · + Pni · αn i = 1...n
j=1

e temos uma nova base {γ1 , . . . , γn } que satisfaz, utilizando um argumento similar ao do item anterior,
todo o pedido.
■
48 Capítulo 3. Espaços vetoriais

Obs. A matriz P é chamada de "matriz de mudança de coordenadas da base B para a base B "porque na equação
′

[β ]B′ = P [β ]B
inserimos, do lado direito, as coordenadas do vetor β na base B e obtemos, depois de fazer o produto, as
coordenadas do vetor β na base B ′ .

■ Exemplo 3.16 Considere, em R4 , a base

B = {α1 = (1, 1, 0, 0), α2 = (1, 0, 1, 0), α3 = (0, 1, 0, 1), α4 = (0, 0, 0, 1)}

E seja
W = {(x, y, z, w) ∈ R4 , x + y = 0 ∧ z − w = 0}

o
Observamos que

çã
B ′ = {β1 = (1, −1, 0, 0), β2 = (0, 0, 1, 1)}
é base de W. Também
(1, −1, 0, 0) = 1 · (1, 1, 0, 0) + (−2) · (0, 1, 0, 1) + (0) · (0, 1, 0, 1) + (−1)(0, 0, 0, 1)
(0, 0, 1, 1) = (−1) · (1, 1, 0, 0) + (1) · (1, 0, 1, 0) + (1) · (0, 1, 0, 1) + (0) · (0, 0, 0, 1)

a
Então
   
1 −1
−2
[β1 ]B = 
0

1
[β2 ]B = 
1

or
−1 0
Fazendo operações elementares sobre a matriz
ab
[β1 ]TB [γ1 ]TB
       
1 −2 0 −1 1 −2 0 −1
M= = ℓ2 + ℓ1 → ℓ2 =
[β2 ]TB −1 1 1 0 −− −−−−−−→ 0 −1 1 −1 [γ2 ]TB
Onde {γ1 = β1 , γ2 = β1 + β2 } continúa a ser uma base de W e, mais ainda, como
[γ1 ]TB
   
1 −2 0 −1
el

 [γ2 ]T  0 −1 1 −1
B
 [α3 ]T  = det 0 0 1 0  = −1 ̸= 0
det   
B
[α4 ]TB 0 0 0 1
Temos que {β1 , β2 , α3 , α4 } é uma base de V obtida de completar uma base de W ■
Em

Formalizamos o exemplo mostrando como podemos utilizar a matriz de coordenadas para completar uma
base. Seja (V, +, ·) um espaço vetorial sobre um corpo F que tem dimensão finita n. Seja B = {α1 , . . . , αn }
uma base ordenada de V e considere um conjunto de vetores ordenado C = {β1 , . . . , βk } para k < n que é base
de um subespaço W. Observamos que, para cada i = 1 . . . k temos que
 
ai1
 .. 
βi = ai1 · α1 + · · · + ain · αn ⇒ [βi ]B =  . 
ain
Colocamos todas as matrizes juntas dentro de uma matriz, e construímos
 
a11 · · · a1n
   . .. 
[β1 ]TB  .. . 
 ..   
M =  .  =  ai1 · · · ain 


 .. .. 
[βk ]TB  . . 
ak1 · · · akn
Observamos que, na matriz M
 3.6 Existência de Base 49

• multiplicar a linha i por escalar a é equivalente a substituir βi por a · βi

• trocar duas linhas i e j de lugar é equivalente a trocar dde lugar βi com β j
• Adicionar a uma linha i um múltiplo a da linha j é equivalente a substituir βi por βi + a · β j
Claramente, qualquer destas operações transformam o conjunto C em um conjunto C ′ que continua a ser base
de W.
Fazendo operações elementares, transformamos M numa matriz escalonada reduzida. Agora, como C tem k
elementos linearmente independentes, teremos que as k colunas da matriz escalonada reduzida serão não nulas.
Porém, teremos n − k colunas nulas associadas a sub-indices j1 , . . . , jn−k . Isto significa que os vetores da base
α j1 , . . . , α jn−k são linearmente independentes dos que geram W. Segue disto que

o
{β1 , . . . , βk , α j1 , . . . , α jn−k }

é base de V.

çã
3.6 Existência de Base
Definição 3.13 • Uma ordem parcial é uma relação binaria ≤ sobre um conjunto P é reflexida, antisi-
métrica e transitiva. Um conjunto com uma ordem parcial é dito parcialmente ordenado.
• P é totalemente ordenado por ≤, se se cumplem as seguintes para todo a, b e c em P

a
i- Se a ≤ b e b ≤ a então a = b
ii- Se a ≤ b e b ≤ c então a ≤ b
i- a ≤ b ou b ≤ a
or
• Um subconjunto S de P tem limite superior u se para todo s ∈ S temos s ≤ u.
• Um elemento m de P é dito maximal se para todo s em P tal que m ≤ s temos que m = s

Lema 3.3 (de Zorn) Todo conjunto parcialmente ordenado, no qual cada cadeia (subtonjunto totalemente
ab
ordenado) tem um limite superior, tem um elemento maximal.
Proposição 3.2 Seja (V, +, ·) um espaço vetorial sobre um corpo F. Todo conjunto que gera V contém um
subconjunto que é base de V

Demonstração. Seja A um conjunto que gera V. Seja S a coleção de todos os cojuntos linearmente independentes
el

de A. Observamos que S é não vazia. Seja A1 ⊆ A2 ⊆ ... uma cadeia de subconjuntos linearmente independentes
de A. Então a união destes é novamente um conjunto linearmente independente de A. Portanto, pelo Lemma de
Zorn, S tem um elemento maximal B. Em outras palavras, B é um conjunto linearmente independente de A. Seja
W = span(B) e assuma que W ̸= V. Como A gera V, existe um elemento b ∈ A que não está em W ( de outra
forma A debe estar contido em W o que garante W = V).
Em

Então B ∪ {b} é linearmente independeten, o que contradiz a maximalidade de B em S. Donde B gera V. ■

Corolário 3.6 Todo espaço vetorial admite uma base.

Demonstração. Pegamos V como conjunto gerador e aplicamos a propocição anterior. ■

Em
el
ab
or
açã
o
II
Espaços Vetoriais

o
a çã
or
ab
el
Em

4 Transformações Lineares . . . . . . . . . . . . . 53

5 Injetividade, sobrejetividade e isomor-

fismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

6 Operadores Lineares . . . . . . . . . . . . . . . . 63

7 Matriz de uma transformação linear . . 67

7.1 Funcionais Lineares

8 Autovalores e Autovetores . . . . . . . . . . . 75
Em
el
ab
or
açã
o
 o
4. Transformações Lineares

a çã
or
Até agora temos estudado nosso local de trabalho, que são os espaços vetoriais, e suas propriedades. Nos
concentramos nos subconjuntos de um espaço vetorial e, em particular, nos subespaços. Agora, se (V, +V , ·V )
e (W, +W , ·W ) são dois espaços vetoriais sobre um mesmo corpo F, vamos a estudar o tipo mais simples de
funções que preservam, de certa forma, a estrutura de espaço vetorial sobre sua imagem.
ab
Se pensamos o corpo F como espaço vetorial, a ideia que temos quando falamos de simplicidade é uma
generalização do mapa mais simples f : F → F definido por f (x) = k · x para algum k ∈ F. Observamos que
a imagem de este mapa tem uma estrutura de subespaço em F, de fato a imagem é não vazia pois f (F) está
contido nela e,
el

f (x + y) = f (x) + f (y) e f (a · x) = a · f (x).

Vamos então, generalizar essa ideia no contexto de espaços vetoriais.

Definição 4.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F. Uma
transformação linear de V para W é uma função T : V → W tal que
Em

T (a ·V α +V β ) = a ·W (T α) +W T β

para todo α, β ∈ V e a ∈ F.

■ Exemplo 4.1 • Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F.
Então
– A identidade IV : V → V dada por IV (α) = α é uma transformação linear.
– O mapa OW : V → W definido por OW (α) = OW para todo α ∈ V é chamado de transformação
linear nula.
• Seja A uma matriz a valores reais de tamanho m × n. Então o mapa T : Rn → Rm definido por
 
x1
 .. 
T (X) = AX ∀ X =  .  ∈ Rn ,
xn
é uma transformação linear. De fato

T (X + aY ) = A(X + aY ) = AX + aAY = T (X) + aT (Y ).

54 Capítulo 4. Transformações Lineares

Por exemplo
– Uma rotação T : R2 → R2 definida por
T (x, y) = (cos(θ )x + sin(θ )y, − sin(θ )x + cos(θ )y)
é uma transformação linear pois
      
x cos(θ ) sin(θ ) x cos(θ )x + sin(θ )y
T = =
y − sin(θ ) cos(θ ) y − sin(θ )x + cos(θ )y
– T (x, y) = (2x + 3y, x − y, x) é uma transformação linear pois
   
  2 3   2x + 3y
x x

o
T = 1 −1 =  x−y 
y y
1 0 x

çã
– T : R4 → R definido por
T (x1 , . . . , xn ) = a1 · x1 + · · · + an · xn ,
é uma transformação linear pois
   
x1 x1

a
 .. 
 . 
T  .  = a1 · · · an  ..  = a1 · x1 + · · · + an · xn
xn xn

     
or
– T (x, y, z) = (2x + 3y, x − y, z) é uma transformação linear pois

x 2 3 0 x 2x + 3y
T y = 1 −1 0 y =  x − y  .
z 0 0 1 z z
ab
• A projeção ortogonal T : R3 → R3 na direção de um vetor β , definida por
< β,α >
T (α) = β
||β ||2
é uma transformação linear, de fato
el

< β,α +a·γ >

T (α + a · γ) = β
||β ||2
 
< β,α > < β,γ >
= β +c· − β
||β ||2 ||β ||2
= T (α) + a · T (γ).
Em

Lema 4.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F e T : V → W
uma transformação linear. Então
• T (OV ) = OW .

• T ∑kj=1 a j ·V α j = ∑kj=1 a j ·W T (α j ).
Demonstração. • T (OV ) = T (0 ·V OV ) = 0 ·W T (OV ) = OW .
• Fazemos por indução.!Para k = 1 vale pela definição. Assuma
! que vale para k − 1. Então
k k−1
T ∑ a j ·V α j = T ∑ a j ·V α j + ak ·V αk
j=1 j=1
!
k−1
= T ∑ a j ·V α j + ak ·W T (αk )
j=1
k
= ∑ a j ·V T (α j ).
j=1
Portanto, a identidade vale para todo k ∈ N. ■
 55

Definição 4.2 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F e
T : V → W uma transfomração linear.
• O Núcleo ou Kernel de T é o conjunto

Ker(T ) = {α ∈ V, T (α) = 0W }

• A Imagem de T é o conjunto

Img(T ) = {β ∈ W, ∃ α ∈ V tal que T α = β }

Corolário 4.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F e

o
T : V → W uma transfomração linear, então
• Ker(T ) como Img(T ) são subespaços de V e W respectivamente.
• Se V tem base B = {α1 , . . . , αn } então B ′ = {T (α1 ), . . . , T (αn )} é gerador de Img(T ).

çã
Demonstração. • – Observamos que OV ∈ Ker(T ) pois T (OV ) = OW . Sejam α, β ∈ Ker(T ) ⊂ V e
a ∈ F. então

a
T (α + a · β ) = T (α) + a · T (β ) = OW + a · OW = OW .

– Observamos que OW ∈ Img(T ) pois T (OV ) = OW . Sejam α ′ , β ′ ∈ Img(T ) ⊂ W e a ∈ F. Então

or
existem α, β ∈ V tais que T (α) = α ′ e T (β ) = β ′ . Portanto

T (α) + a · T (β ) = α ′ + a · β ′ = T (α + a · β ) ∈ Img(T ).
ab
como Img(T ) são subespaços de V e W respectivamente.
• Assuma que B = {α1 , . . . , αn } é base de V. Seja β ∈ Img(T ) então existe α ∈ V tal que

T (α) = β .
el

Como

α = a1 · α1 + · · · + an · αn ⇒ β = T (α) = a1 · T (α1 ) + · · · + an · T (αn ).

de onde segue o resultado.

Em

Definição 4.3 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F e
T : V → W uma transfomração linear. Assuma V de dimensão finita.
• A Nulidade de T é a dimensão do Ker(T ).
• O Posto de T á dimensão da imagem de T .

■ Exemplo 4.2 • Considere T : R3 → R2 definida por

T (x, y, z) = (x, y + z)

Então, um elemento de (x, y, z) ∈ Ker(T ) é um elemento tal que

T (x, y, z) = (0, 0) ⇒x=0 y + z = 0.

Portanto, um elemento do núcleo será da forma

(0, y, −y) = y · (0, 1, −1) ⇒ Ker(T ) = span{(0, 1, −1)}.

56 Capítulo 4. Transformações Lineares

Por outro lado, para ver Img(T ), pegamos uma base de R3 e vemos o conjunto imagem de cada um dos
elementos.
T (1, 0, 0) = (1, 0)
T (0, 1, 0) = (0, 1)
T (0, 0, 1) = (0, 1).
Portanto Img(T ) = span{(1, 0), (0, 1)} = R2 .
• Considere T : R3 → PR3 [x] dada por
T (a, b, c) = a + (a − b)x + cx2 + ax3
Então, um elemento de (a, b, c) ∈ Ker(T ) é um elemento tal que

o

 a = 0
T (x, y, z) = 0 ⇒ (a − b) = 0

çã
c = 0.


Portanto, o único elemento do núcleo será (0, 0, 0). Portanto Ker(T ) = {(0, 0, 0)}.
Por outro lado, para ver Img(T ), pegamos uma base de R3 e vemos o conjunto imagem de cada um dos
elementos.
T (1, 0, 0) = 1 + x + x3

a
T (0, 1, 0) = −x
T (0, 0, 1) = x2 .
Portanto
or
Img(T ) = span{1 + x + x3 , x, x2 } = span{1 + x3 , x, x2 } ̸= PR3 [x].
• Seja T : M (2 × 2, R) → R3 uma transofmração linear tal que
ab
       
1 0 0 1 0 0 0 0
T = (1, 1, 1), T = (1, 1, 0), T = (1, 0, 0), T = (0, 1, 0),
0 0 0 0 1 0 0 1
Observamos
 que 
a b
T = a · (1, 1, 1) + b · (1, 1, 0) + c · (1, 0, 0) + d · (0, 1, 0)
el

c d
= (a + b + c, a + b + d, a)
Então o núcleo, Ker(T ), é dado pelas matrizes
 
a b
c d
Em

tais que
 
 a+b+c = 0  b+c = 0
a+b+d = 0 ⇒ b+d = 0
a = 0 a = 0
 

Portanto, um elemento de Ker(T ) é da forma

     
0 b 0 1 0 1
=b ⇒ Ker(T ) = span
−b −b −1 −1 −1 −1
Por outro lado, a imagem de T é gerada por
S = {(1, 1, 1), (1, 1, 0), (1, 0, 0), (0, 1, 0)}
Como
(0, 0, 1) = (1, 1, 1) − (1, 1, 0)
Temos que Img(T ) = R3 .
■
 57

Teorema 4.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F e
T : V → W uma transfomração linear. Então

Posto(T ) + Nulidade(T ) = dim(V).

Demonstração. Seja {α1 , . . . , αk } uma base de Ker(T ) e estendemos a uma base {α1 , . . . , αn } de V. Assim,
{T (αk+1 ), . . . , T (αn )} geram a imagem de T . Vamos mostrar que este conjunto é linearmente independente. De
fato, assuma que
ak+1 · T (α1 ) + · · · + an · T (αn ) = 0

o
então ak+1 · α1 + · · · + an · αn ∈ Ker(T ) o que não pode acontecer pois {α1 , . . . , αn } é base. ■

çã
Obs. Na demostração do resultado acima também temos mostrado o seguinte: Se {α1 , . . . , αk } uma base
de Ker(T ) e estendemos a uma base {α1 , . . . , αk , αk+1 , . . . , αn } de V. Então {T (αk+1 ), . . . , T (αn )} é um
conjunto linearmente independente que gera Img(T ), portanto, é uma base de Img(T ).

A seguir, mostramos uma aplicação clásica deste resultado.

a
Teorema 4.2 Seja A uma matriz de tamanho m × n com entradas em F, então o posto da matriz segundo as
linhas de A é igual ao posto de AT segundo as linhas.
or
Demonstração. Seja T : M (n × 1, F) → M (m × 1, F) a transformação linear dada por
T X = AX.
ab
Observamos que
• Ker(T ) é igual ao conjunto solução do problema AX = 0.
• Img(T )é igual ao conjunto de matrizes Y em M (m × 1, F) tais que AX = Y .
Sejam A1 , . . . , An as colunas de A então se
 
x1
el

X =  ... 
 

xn
temos
AX = x1 A1 + · · · + xn An
Em

portanto a Img(T ) é o conjunto gerado pelas colunas de A.

Nesse sentido, o posto de AT é é igual a quantidade de linhas não nulas da matriz escalonada reduzida
associada a AT , mas as linhas desta matriz são também as que geram a imagem de T . Desta forma, o posto de
AT é a dimensão da imagem de T .
Assim,
posto(AT ) = n − dim(Ker(T ))
Por outro lado, a dimensão do Ker(T ) conjunto solução do sistema AX = 0. Então, se M é a matriz
escalonada reduzida associada a A, temos que
dim(Ker(T )) = n − linhas não nulas de M = n − posto(A).
Juntando tudo temos,
posto(AT ) = n − dim(Ker(T )) = n − (n − posto(A)) = posto(A).
de onde temos o procurado. ■
Em
el
ab
or
açã
o
 o
5. Injetividade, sobrejetividade e isomorfismo

a çã
or
Vamos agora a classificar as transformações lineares em função de propriedades das mesmas. Começamos com
a definição destas propriedades.
Definição 5.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F e
ab
T : V → W uma transformação linear. Dizemos que T é
i) Injetora se T (α) = T (β ) ⇒ α = β .
ii) Sobrejetora se Img(T ) = W.
iii) Isomorphismo se for injetora e sobrejetora.
Se T for um isomorfismo dizemos que V e W são Isomorfos.
el

Corolário 5.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F e
T : V → W uma transformação linear. Então, T é injetora se, e somente se, Ker(T ) = {OV }

Demonstração. ⇒) Assuma que T é injetora e α ∈ Ker(T ). Como T (α) = T (OV ) temos que α = OV . Portanto
Ker(T ) = {OV }.
Em

⇐) Assuma que Ker(T ) = {OV }. Sejam α, β ∈ V tais que T (α) = T (β ). Então T (α − β ) = OW . De onde
α − β = OV . Portanto α = β . ■

■ Exemplo 5.1 • Seja T : R3 → R2 definida por

T (x, y, z) = (x + y − z, 0)

Observamos que

T (x, y, z) = (0, 0) ⇔ z = x+y ⇒ x=y=z=0

De onde Ker(T ) = {(1, 0, 1), (0, 1, 1)}. Por outro lado, como
T (1, 0, 0) = (1, 0)
T (0, 1, 0) = (1, 0)
T (0, 0, 1) = (−1, 0)
Temos que

Img(T ) = span{(1, 0)} ⊊ R2 .

60 Capítulo 5. Injetividade, sobrejetividade e isomorfismo

Portanto T não é injetora nem sobrejetora.

• Seja T : R3 → R4 definida por

T (x, y, z) = (x − z, x + y, x + y + z, z)

Observamos que


 x−z = 0
x+y = 0

T (x, y, z) = (0, 0, 0, 0) ⇔ ⇒ x=y=z=0

 x+y+z = 0
z = 0


o
De onde Ker(T ) = {(0, 0, 0)}. Por outro lado, como
T (1, 0, 0) = (1, 1, 1, 0)

çã
T (0, 1, 0) = (0, 1, 1, 0)
T (0, 0, 1) = (−1, 0, 1, 1)

Temos que

a
Img(T ) = span{(1, 0, 0, 0), (0, 1, 1, 0), (0, 0, 1, 1)} ⊊ R4 .
or
Portanto T é injetora mas não sobrejetora.
• Seja T : M (2 × 2, R) → R3 definida por
 
a b
T = (a − b, 2b − c, c − d)
c d
ab
Observamos que

   a−b = 0
a b
T = (0, 0, 0) ⇔ 2b − c = 0 ⇒ 2a = 2b = c = d
c d
c−d = 0

el

 
1 1
De onde Ker(T ) = . Por outro lado, como
2 2
 
1 0
T = (1, 0, 0)
0 0
Em

 
0 1
T = (−1, 2, 0)
0 0
 
0 0
T = (0, −1, 1)
1 0
 
0 0
T = (0, 0, −1)
0 1
Temos que

Img(T ) = span{(1, 0, 0), (−1, 2, 0), (0, −1, 1), (0, 0, −1)} ⊊ R3 .

Portanto T não é injetora mas sim sobrejetora.

• Seja T : R3 → PR2 [x] definida por

T (1, 0, 0) = 1 + x T (0, 1, 0) = −1 + x2 , T (0, 0, 1) = x − x2 .

Então

T (a, b, c) = (a − b) + (a + c)x + (b − c)x2

 61

Observamos que

 a−b = 0
T (x, y, z) = 0 ⇔ a+c = 0 ⇒ a = b = c = 0.
b−c = 0


De onde Ker(T ) = {(0, 0, 0)}. Por outro lado, como

{1 + x, −1 + x2 , x − x2 }

é linearmente independente e, portanto, é uma base de PR2 [x] temos que T é sobrejetora. Como ela é

o
inhjetora, temos que T é um isomorfismo.
■

çã
Definição 5.2 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F. Uma
função T : V → W é inversível se, e somente se, existe uma função U : W → V tal que TU = IV e UT = IW .

■ Exemplo 5.2 • Seja A ∈ M (n × n, R) uma matriz invertível. Então a transformação linear T : Rn → Rn

definida por T X = AX é invertível. A inversa é S : Rn → Rn definida por S(X) = A−1 X é dada por
S(T (X)) = A−1 AX = X = IRn (X).

a
• Sejam (V, +V , ·V ) um espaço vetorial sobre o corpo F. Uma involução é uma transformação linear
T : V → V tal que T 2 = IV . Então as involuções são invertíveis.
Por exemplo, seja V = R3 e
or
π = {(x, y, z) ∈ R3 , ax + by + cz = 0}

A reflexão respeito do plano π é o mapa T : R3 → R3 dado por

ab
2(ax + ay + az)
T (x, y, z) = (x, y, z) − (a, b, c)
a2 + b2 + c2
Observamos que  
2 2(ax + ay + az)
T (x, y, z) = T (x, y, z) − 2 (a, b, c)
el

a + b2 + c2
2(ax + ay + az)
= T (x, y, z) − 2 T ((a, b, c))
a + b2 + c2
2(ax + ay + az) 2(ax + ay + az)
= (x, y, z) − 2 (a, b, c) − 2 ((a, b, c) − 2(a, b, c))
a + b2 + c2 a + b2 + c2
Em

= (x, y, z).
Portanto T é uma involução e, portanto, invertível.
■

Teorema 5.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais de dimensão finita sobre um mesmo
corpo F e T : V → W uma transformação linear. Então
• T é isomorfismo se, e somente se, para qualquer base B = {α1 , . . . , αn } de V temos que B ′ =
{T (α1 ), . . . , T (αn )} é base de W.
• Se T é isomorfismo, a função inversa T −1 : W → V é uma transformação linear.

Demonstração. • Se B = {α1 , . . . , αn } é base de V considere B ′ = {T (α1 ), . . . , T (αn )}. Como T é iso-

morfismo

OW = a1 · T (α1 ) + · · · + an · T (αn ) = T (a1 · α1 + · · · + an · αn )

é, portanto equivalente,

a1 · α1 + · · · + an · αn = OV
 62 Capítulo 5. Injetividade, sobrejetividade e isomorfismo

Portanto se B = {α1 , . . . , αn } é base, temos que B ′ = {T (α1 ), . . . , T (αn )} de W.

Por outro lado, se T transforma uma base em outra base temos que ker(T ) = {OV } e Img(T ) = W.
Portanto é isomorfismo.
• Considere a função inversa T −1 : W → V. Seja β1 , β2 ∈ W e a ∈ F. Então existem α1 , α2 ∈ V tais que
T (α1 ) = β1 e T (α2 ) = β2 . Então, como
T −1 (a · β1 + β2 ) = T −1 (a · T (α1 ) + T (α2 )
= T −1 (T (a · α1 + α2 ))
= a · α1 + α2
= a · T −1 (β1 ) + T −1 (β2 ).
T −1

o
Temos que é uma transformação linear.
■

çã
Corolário 5.2 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais de dimensão finita sobre um mesmo
corpo F e T : V → W uma transformação linear injetora então para qualquer conjunto S = {α1 , . . . , αn }
linearmente independente de V temos que S ′ = {T (α1 ), . . . , T (αn )} é linearmente independente em W.

Demonstração. Se S = {α1 , . . . , αn } é linearmente independente em V considere S ′ = {T (α1 ), . . . , T (αn )}.

a
Como T é injetora e

OW = a1 · T (α1 ) + · · · + an · T (αn ) = T (a1 · α1 + · · · + an · αn )

é, portanto equivalente,
or
a1 · α1 + · · · + an · αn = OV
ab
Portanto a1 = · · · = an = 0. ■

Teorema 5.2 Sejam (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F. Então dim(V) = n
se, e somente se, V é isomorfo a Fn .
el

Demonstração. Seja B = {α1 , . . . , αn } uma base de V. Definimos a transformação linear T : Rn → V como

T (x1 , . . . , xn ) = x1 · α1 + · · · + xn · αn .

Como T transforma a base canônica de Rn na base de V temos que T é um isomorfismo. ■

Em

Uma transformação linear é não singular se T (α) = 0 see α = 0. É simples ver que uma t.l. não singular
transforma subconjuntos linearmente independentes em subconjuntos linearmente independentes.
Proposição 5.1 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais de dimensão finita sobre um mesmo
corpo F e T : V → W uma transformação linear. Assuma que dim(V) = dim(W). São equivalentes
i) T é isomorfismo,
ii) T é injetora ,
iii) T é sobrejetora.

Demonstração. i) ⇒ ii) Se T é isomorfismo então é injetora por definição.

ii) ⇒ iii) Se T é injetora então, da hipótese e do teorema do núcleo e da imagem,

dim(W) = dim(V) = dim(Ker(T )) + dim(Img(T )) = 0 + dim(Img(T )).

Isto, junto ao teorema anterior, garante que Img(T ) = W, portanto T é sobrejetora.

iii) ⇒ i) Se T é sobrejetora temos, pelo teorema do núcleo e da imagem que Ker(T ) = {OV }. Portanto T é
isomorfismo.
■
 o
6. Operadores Lineares

a çã
or
Estudamos agora as transformações lineares de um espaço vetorial em si mesmo.
Definição 6.1 Seja V um espaço vetorial sobre o corpo F. Um transformação linear T : V → V é chamada
de Operador Linear em V.
ab
O conjunto dos operadores lineares inversíveis com a composição forma um grupo.
Definição 6.2 Um grupo consiste de um conjunto G de elementos munidos de uma operação que associa a
cada par de elementos x e y de G um novo elemento xy de G e que satisfaz as seguintes propriedades
i) x(yz) = (xy)z,
ii) existe um elemento e ∈ G tal que ex = xe = x
el

iii) para cada x ∈ G existe x−1 ∈ G tal que xx−1 = x−1 x = e.

Seja (V, +V , ·V ) um espaço vetorial e T : V → V um operador linear. Então, pelo visto acima, T 2 = T ◦ T :
V → V é um operador linear. Anãlogamente
Tn = T
| ◦ ·{z
· · ◦ T} : V → V
Em

é um operador linear. Considere então o espaço PFn [T ] gerado por T = {IV , T, T 2 , · · · , T n }. Um elemento típico
deste espaço é da forma
a0 I + a1 T + · · · + an T n ,
em que a0 , a1 , . . . , an ∈ F. Mais ainda, todo polinômio p(x) ∈ PFn [x] da forma
p(x) = b0 + b1 x + · · · bn xn ,
define um elemento
p(T ) = b0 I + b1 T + · · · bn T n ∈ PFn [T ].
■ Exemplo 6.1 • Considere T : R2 → R2 dado por T (x, y) = (2x, x + y), então
2
T (x, y) = (4x, 2x + x + y) = (4x, 3x + y)
T 3 (x, y) = (8x, 7x + y)
.. ..
. .
T n (x, y) = (2n x, (2n − 1)x + y)
64 Capítulo 6. Operadores Lineares

• Considere T : R2 → R2 dado por T (x, y, z) = (0, x, y), então

T 2 (x, y, z) = (0, 0, x)
T 3 (x, y, z) = (0, 0, 0)
T n (x, y) = (0, 0, 0) ∀ n > 3
• Considere T : M (2 × 2, R) → M (2 × 2, R) dado por
   
a b a 0
T = ,
c d 0 d

então

o
     
2 a b a 0 a b
T = =T
c d 0 d c d
n
T = T ∀ n ≥ 2.

çã
■

Lema 6.1 Seja (V, +V , ·V ) um espaço vetorial e T1 , T2 , T3 : V → V operadores lineares em V e a um escalar

em F.
a) IV ◦ T1 = T1 ◦ IV = T1 ,

a
b) T1 ◦ (T2 + T3 ) = T1 ◦ T2 + T1 ◦ T3 e (T2 + T3 ) ◦ T1 = T2 ◦ T1 + T3 ◦ T1 ,
c) a(T1 ◦ T2 ) = (aT1 ) ◦ T2 = T1 ◦ (aT2 )

Demonstração. a) Seja α ∈ V, então

IV ◦ T1 (α) = T1 (α)
or
= T1 ◦ IV (α)
Portanto IV ◦ T1 = T1 ◦ IV = T1 .
ab
b) Seja α ∈ V, então
T1 ◦ (T2 + T3 )(α) = T1 (T2 (α) + T3 (α))
= T1 (T2 (α)) + T1 (T3 (α))
= T1 ◦ T2 (α) + T1 ◦ T3 (α).
Portanto T1 ◦ (T2 + T3 ) = T1 ◦ T2 + T1 ◦ T3 .
el

Análogamente se mostra que (T2 + T3 ) ◦ T1 = T2 ◦ T1 + T3 ◦ T1 .

c) Seja α ∈ V, então
a(T1 ◦ T2 )(α) = aT1 (T2 (α))
= (aT1 )(T2 (α))
= T1 (aT2 (α)
Em

= T1 ◦ (aT2 )(α).
■

Definição 6.3 Seja (V, +V , ·V ) um espaço vetorial e F = {T1 , . . . , Tk } uma familia de operadores lineares
sobre V. Se W é um subespaço de V, dizemos que W é invariante por F se para cada α ∈ W, T j α ∈ W
para todo j = 1, . . . , k.

■ Exemplo 6.2 • O espaço todo V e o subespaço nulo {0} são invariantes para qualquer operador linear.
• Se S, T : V → V são operadores lineares, então Ker(T ) ∩ Ker(S) é invariante por {T, S}.
• Para um operador T tanto o Ker(T ) quanto Img(T ) são invariantes por T .
■

Definição 6.4 Seja (V, +V , ·V ) um espaço vetorial e W ⊂ V um subespaço. Um operador linear P : V → V

é dito um um projetor sobre W se
• P2 = P,
• Img(P) = W.
 65

Obs. Observar que se T : V → V é um projetor e p(x) = x(1 − x) então p(T ) é o operador nulo.

■ Exemplo 6.3 • A projeção ortogonal T : R3 → R3 na direção de um vetor β , definida por

< β,α >
T (α) = β
||β ||2
é uma projeção. De fato, denote T (α) = λ β , então
< β , T (α) >
T 2 (α) = β
||β ||2
< β,β >

o
= λ β
||β ||2
= λβ

çã
= T (α).
• T: Rn → Rn definido, para k < n, por

T (x1 , . . . , xn ) = (x1 , . . . , xk , 0 . . . , 0)

De fato

a
T 2 (x1 , . . . , xn ) = T (x1 , . . . , xk , 0 . . . , 0) = (x1 , . . . , xk , 0 . . . , 0).

• T : P n [x] → P n [x] definido. para k < n por

or
T (a0 + a1 x + · · · + an xn ) = a0 + a1 x + · · · + ak xk

• T : M (2 × 3, R) → M (2 × 3, R) definida por
ab
   
a b c a 0 0
T =T .
d e f 0 e 0
■

Proposição 6.1 Seja (V, +V , ·V ) um espaço vetorial, W ⊂ V um subespaço e P : V → V um projetor sobre W.

el

Então
• para todo α ∈ W temos P(α) = α.
• Q = IV − P : V → V é um projetor sobre Ker(P).
• V = W ⊕ Img(IV − P).
Em

Demonstração. • Seja α ∈ W, então existe β ∈ V tal que P(β ) = α. Portanto

P(α) = P2 (β ) = P(β ) = α.

• Seja α ∈ Ker(P) então

Q(α) = α − P(α) = α ⇒ Ker(P) ⊂ Img(Q).

Por outro lado, seja α ∈ Img(Q), seja β ∈ V tal que α = Q(β ). Então

P(α) = P(Q(β )) = P(β ) − P2 (β ) = OV ⇒ α ∈ Ker(P).

De onde Ker(P) = Img(Q).

Também, para qualquer α ∈ V temos
Q2 (α) = Q(α − P(α)
= Q(α) − Q(P(α))
= Q(α) − (P(α) − P2 (α))
= Q(α) ⇒ Q2 = Q.
66 Capítulo 6. Operadores Lineares

• Sabemos que W + Img(IV − P) ⊂ V. Seja α ∈ V, então podemos escrever

α = [α − P(α)] + P(α) ⇒ V = W ⊕ Img(IV − P) ⇒ V = W + Img(IV − P)

Seja α ∈ W∩Img(IV −P), então existe β ∈ V tal que β −P(β ) = α. Mas, pelo visto acima, Img(IV −P) =
Ker(P), portanto P(β ) = OV . De onde segue que α = β , mas então β ∈ W e P(β ) = β . De onde segue
que β = OW . Portanto W ⊕ Img(IV − P) = V.
■

Proposição 6.2 Seja (V, +V , ·V ) um espaço vetorial e assuma que existem subespaços W1 , . . . , Wn tais que

o
V = W1 ⊕ · · · ⊕ Wn .

Então existem operadores lineares Pi : V → V que são projeções sobre Wi para cada i = 1 . . . n. Mais ainda,

çã
• Pi ◦ Pj = O para cada i ̸= j,
• IV = P1 + · · · + Pn .

Demonstração. Sabemos que, para cada α ∈ V existem únicos α1 , . . . , αn ∈ V tais que αi ∈ Wi e

a
α = α1 + · · · + αn

Definimos Pi : V → V, i = 1 . . . , n, por

Pi (α) = αi
or
Claramente Img(Pi ) ⊂ Wi . Por outro lado, para cada α ∈ Wi se escreve, de forma única, como
ab
i
z}|{
α = OV + · · · + OV + α +OV + · · · + OV ,

de onde Pi (α) = α e Img(Pi ) = Wi .

Também Pi2 = Pi por um argumento similar.
el

Como, para cada i, j = 1, . . . , n temos que se i ̸= j então Wi ∩ W j = {OV } então se β ∈ Wi então

Pj (β ) = OV ∀ j ̸= i.

Por ultimo, para cada α ∈ V existem únicos α1 , . . . , αn ∈ V tais que αi ∈ Wi e

Em

α = α1 + · · · + αn = P1 (α) + · · · + Pn (αn ).

■
 o
7. Matriz de uma transformação linear

a çã
or
Nesta seção vamos ver como associar a cada transformação linear uma matriz.
■ Exemplo 7.1 Considere os espalos vetoriais
• R2 , munido da base ordenada B = {(1, 1), (0, 1)},
• PR2 [x], munido da base ordenada B ′ = {1 + x, x, 1 + x2 }
ab
e seja T : R2 → PR2 [x] definida por

T (a, b) = a + bx + (a + b)x2

Observamos que
el

 
a
α = (a, b) = a · (1, 1) + (b − a) · (0, 1) ⇒ [α]B =
b−a
e que
Em

 
−1
T (1, 1) = 1 + x + 2x2 = (−1) · (1 + x) + 2 · x + 2 · (1 + x2 ) ⇒ [T (1, 1)]B′ =  2 
2
 
−1
T (0, 1) = x + x2 = (−1) · (1 + x) + 2 · x + 1 · (1 + x2 ) ⇒ [T (0, 1)]B′ = 2  .

1
De onde

T (a, b) = a · T (1, 1) + (b − a) · T (0, 1)

= a · (1 + x) + (b − a) · (x + x2 )
= [−a − (b − a)] · (1 + x) + [2a + 2(b − a)] · x + [2a + (b − a)](1 + x2 ).

Portanto
   
−a − (b − a) −1 −1  
a
[T (α)]B′ = 2a + 2(b − a) = 2
   2  = M · [α]B .
b−a
2a + (b − a) 2 1
68 Capítulo 7. Matriz de uma transformação linear
 
−1 −1
para M =  2 2 . ■

2 1
O que vimos no exemplo acima pode ser visto de modo geral.
Sejam
• (V, +V , ·V ) um espaço vetorial de dimensão finita n e sobre um corpo F e considere uma base ordenada
B = {α1 , . . . , αn } de V.
• (W, +W , ·W ) um espaço vetorial de dimensão finita k e sobre o mesmo corpo F e considere uma base
ordenada B ′ = {β1 , . . . , βk } de W.
• T : V → W uma transformação linear entre espaçoes vetoriais acima.

o
Observamos que se α é um elemento qualquer de V então, da definição de base ordenada, existem únicos
escalares x1 , . . . , xn tais que α = ∑ni=1 ai αi portanto

çã
n
T (α) = ∑ ai · T (αi )
i=1

O vetor T (αi ) é um elemento de W portanto, da definição de base ordenada, para cada i existem escalares
Ai1 , . . . , Aik tais que

a
k
T (αi ) = ∑ A ji · β j ,
assim, temos que
j=1
or
!
n k n
T (α) = ∑ ai · T (αi ) = ∑ ∑ A ji ai · β j.
ab
i=1 j=1 i=1

Ou na notação da matriz de coordenadas

[T (α)]B′ = [T ]B′ B [α]B

el

onde [T ]B′ B ∈ M(k × n, F) é a matriz tal que ([T ]B′ B )i j = A ji .

Definição 7.1 Com as hipóteses acima. A matriz A ∈ M(k × n, F) é a matriz de T relativa ao par de bases
ordenadas B e B ′ Denotamos esta matriz como [T ]B′ B .

■ Exemplo 7.2 • Seja (V, +, ·) um espaço vetorial sobre um corpo F, B e B ′ duas bases ordenada de V.
A matriz de mudança de base ordenada é a matriz da transformação linear identidade.
Em

• Seja T : PR1 [x] → PR2 [x] definida por

T (p(x)) = xp(x)

Considere as bases ordenada B = {1, x} e B ′ = {1, 1 + x, x − x2 } então

T (1) = x = (−1) · 1 + 1 · (1 + x) + 0 · (x − x2 )
T (x) = x2 = (−1) · 1 + 1 · (1 + x) + (−1) · (x − x2 )

então
 
−1 −1
[T ]B′ B =  1 1 .
0 −1

• Seja T : M (2 × 2, R) → R4 definida por

 
a b
T = (a + d, b, c, a − d).
c d
 69

Sejam
       
1 0 0 1 0 0 0 0
B= , , ,
0 0 0 0 1 0 0 1
e

B ′ = {(1, 0, 0, 1), (0, 1, 0, 0), (0, 0, 1, 0), (1, 0, 0, −1)}

Então  
1 0
T = (1, 0, 0, 1) = 1 · (1, 0, 0, 1) + 0 · (0, 1, 0, 0) + 0 · (0, 0, 1, 0) + 0 · (1, 0, 0, −1)
0 0

o
 
0 1
T = (0, 1, 0, 0) = 0 · (1, 0, 0, 1) + 1 · (0, 1, 0, 0) + 0 · (0, 0, 1, 0) + 0 · (1, 0, 0, −1)
0 0

çã
 
0 0
T = (0, 0, 1, 0) = 0 · (1, 0, 0, 1) + 0 · (0, 1, 0, 0) + 1 · (0, 0, 1, 0) + 0 · (1, 0, 0, −1)
1 0
 
0 0
T = (1, 0, 0, −1) = 0 · (1, 0, 0, 1) + 0 · (0, 1, 0, 0) + 0 · (0, 0, 1, 0) + 1 · (1, 0, 0, −1)
0 1
e

a
 
1 0 0 0
0
[T ]B′ B = 
0
0
1
0
0
0
1
0
0

0
1
or
■
ab
Definição 7.2 Sejam (V, +V , ·V ) e (W, +W , ·W ) dois espaços vetoriais sobre um mesmo corpo F.
Denotamos por Tl(V, W) ao conjunto das transformações lineares de V em W.

Sejam
• (V, +V , ·V ) um espaço vetorial de dimensão finita n e sobre um corpo F e considere uma base ordenada
B = {α1 , . . . , αn } de V.
el

• (W, +W , ·W ) um espaço vetorial de dimensão finita k e sobre o mesmo corpo F e considere uma base
ordenada B ′ = {β1 , . . . , βk } de W
• U, T : V → W duas transformações lineares e c um escalar no mesmo corpo sobre o qual estão os espaços
vetoriais.
Definimos a funções T +U : V → W e cT : V → W da seguinte forma
Em

(T +U)(α) = T α +Uα (cT )(α) = c(T α)

para todo α em V. É simples ver que T +U e cT são transformações lineares.

Mais ainda, se [T ]B′ B = A e [U]B′ B = B, como
k k k
(T +U)(αi ) = T (αi ) +U(αi ) = ∑ A ji · β j + ∑ B ji · β j = ∑ (A ji + B ji ) · β j ,
j=1 j=1 j=1

e
!
k k
(cT )(αi ) = c(T (αi )) = c ∑ A ji · β j = ∑ (cA ji ) · β j
j=1 j=1

temos

[T +U]B′ B = A + B e [cT ]B′ B = cA.

70 Capítulo 7. Matriz de uma transformação linear

Teorema 7.1 Se (V, +V , ·V ) e (W, +W , ·W ) são espaços vetoriais de dimensão finita sobre um mismo corpo
F. O espaço Tl(V, W) com a soma e o produto por escalar definido acima é um espaço vetorial de dimensão
igual a dim(V) × dim(W) isomorfo a M(dim(W) × dim(V), F).

Demonstração. Deixamos como exercício verificar que Tl(V, W) é espaço vetorial. Observamos, que neste
caso, a transformação linear nula é o elemento neutro da soma e que se T : V → W é transformação linear então
(−T )(α) = −(T (α)) para todo α ∈ V.
Assuma que dim(V) = n e dim(W) = m. Fixamos duas bases ordenada B = {α1 , . . . , αn } de V e B ′ =
{β1 , . . . , βm } de W. Definimos a função φ : Tl(V, W) → M (n × m, F) da seguinte forma φ (T ) = [T ]B′ B .
Observamos que

o
φ (cT ) = [cT ]B′ B = c[T ]B′ B
φ (T +U) = [T +U]B′ B = [T ]B′ B + [U]B′ B .

çã
Portanto φ é uma transformação linear. Observamos que se [T ]B′ B é a matriz nula, então T é a transformação
linear nula, pois leva todo elemento no elemento nulo. Por outro lado, dada uma matriz A ∈ M (dim(W) ×
dim(V), F) definimos a transformação linear T que leve cada elemento αi ∈ B ao elemento
T (αi ) = A1i · β1 + · · · + Ami · βm

a
Da definição de T segue que φ (T ) = A. Portanto φ é sobrejetora, de onde φ é isomorfismo.
or ■

Teorema 7.2 Sejam (V, +V , ·V ), (W, +W , ·W ) e (Z, +Z , ·Z ) espaços vetoriais de dimensão finita sobre um
mismo corpo F. Consideremos T : V → W e U : W → Z duas transformações lineares. A função U ◦T : V → Z
definida por (U ◦ T )(α) = U(T (α)) para todo α em V é uma transformação linear. Mais ainda, se B, B ′ e
B ′′ são bases ordenada de V, W e Z respectivamente então
ab
[U ◦ T ]B′′ B = [U]B′′ B′ [T ]B′ B .

Demonstração. Observamos que, para todo α, β ∈ V e c ∈ F temos

(U ◦ T )(α + c · β ) = U(T (α + c · β ))
el

= U(T (α) + c · T (β ))
= U(T (α)) + c ·U(T (β ))
= (U ◦ T )(α) + c · (U ◦ T )(β )).
De onde segue que U ◦ T é transformação linear.
Sejam B = {α1 , . . . , αn }, B ′ = {β1 , . . . , βm } e B ′′ = {γ1 , . . . , γk } bases ordenada de V, W e Z respectiva-
Em

mente e
[U]B′′ B′ = A e [T ]B′ B = B.
Para todo αi ∈ B temos
(U ◦ T )(αi ) = U (T (αi ))
!
m
= U ∑ B ji · β j
j=1
m
= ∑ B ji ·U(β j )
j=1
m k
= ∑ ∑ (B ji Al j ) · γl
j=1 l=1
!
k m
= ∑ ∑ Al j B ji · γl
l=1 j=1
 71

De onde segue que

[U ◦ T ]B′′ B = [U]B′′ B′ [T ]B′ B .

Corolário 7.1 Se T : V → W é uma transformação linear inversível então T −1 é uma transformação linear
cuja matriz associada vêm dada por [T −1 ]BB′ = ([T ]B′ B )−1

Demonstração. Segue do teorema anterior ao fazer U = T −1 e Z = V. ■

o
■ Exemplo 7.3 • Seja T : PR1 [x] → PR2 [x] definida por

T (p(x)) = xp(x)

çã
Considere as bases ordenada B = {1, x} e B ′ = {1, 1 + x, x − x2 } então
T (1) = x = (−1) · 1 + 1 · (1 + x) + 0 · (x − x2 )
T (x) = x2 = (−1) · 1 + 1 · (1 + x) + (−1) · (x − x2 )

a
então
 
−1 −1
[T ]B′ B =  1 1 .
0 −1
or
Seja U : PR2 [x] → R3 definida por
ab
U(a + bx + cx2 ) = (a, b, c + b)

Seja B ′′ = {(1, 0, 0), (0, 1, 0), (0, 1, −1)} Então temos que
U ◦ T (1) = U(x) = (0, 1, 1) = 0 · (1, 0, 0) + 2 · (0, 1, 0) + (−1) · (0, 1, −1)
U ◦ T (x) = U(x2 ) = (0, 0, 1) = 0 · (1, 0, 0) + 1 · (0, 1, 0) + (−1) · (0, 1, −1)
el

e, portanto,
 
0 0
[U ◦ T ]B′′ B =  2 1
−1 −1
Em

Por outro lado, como

U(1) = (1, 0, 0) = 1 · (1, 0, 0) + 0 · (0, 1, 0) + 0 · (0, 1, −1)

U(1 + x) = (1, 1, 1) = 1 · (1, 0, 0) + 2 · (0, 1, 0) + (−1) · (0, 1, −1)
U(x − x2 ) = (0, 1, −1) = 0 · (1, 0, 0) + 1 · (0, 1, 0) + 0 · (0, 1, −1)
      
1 1 0 1 1 0 −1 −1 0 0
[U]B′′ B′ = 0 2 1 ⇒ [U]B′′ B′ [T ]B′ B = 0 2 1  1 1 = 2 1  = [U ◦T ]B′′ B .
0 −1 0 0 −1 0 0 −1 −1 −1
• Seja T : V → W uma transformação linear e B = {α1 , α2 , α3 } e B ′ = {β1 , β2 , β3 , β4 } bases ordenada
de V e W respectivametne. Assuma que
 
1 1 1
1 −1 1
[T ]B′ B = 
0 2 0 


2 −4 2
72 Capítulo 7. Matriz de uma transformação linear

Observamos que um elemento α ∈ Ker(T ) terá coordenadas

 
x1
α = x1 · α1 + x2 · α2 + x3 · α3 ⇒ [α]B = x2  .
x3

Como T (α) = OW temos que

 
0
0
0 ⇒ x1 = −x3
[T ]B′ B [α]B =  x2 = 0


o
0

de onde Ker(T ) = span{α1 − α3 }.

çã
Por outro lado,para estudar a imagem de T, observamos que
  1
1 1
0 ⇒ T (α1 ) = β1 + β2 + 2β4
[T (α1 )]B′ = [T ]B′ B 0 =  
0
2

a
 
  1
0 −1
[T (α2 )]B′ = [T ]B′ B 1 = 
0
−4

or
 2  ⇒ T (α2 ) = β1 − β2 + 2β3 − 4β4

 
  1
0 1
ab
0 ⇒ T (α3 ) = β1 + β2 + 2β4
[T (α3 )]B′ = [T ]B′ B 0 =  
1
2
De onde segue que

Img(T ) = span{γ1 = β1 + β2 + 2β4 , γ2 = β1 − β2 + 2β3 − 4β4 }

el

Seja V um espaço vetorial de dimensão finita sobre um corpo F e B = {α1 , . . . , αn } e B ′ = {β1 , . . . , βn }

duas bases ordenadas do mesmo espaço V. Seja T : V → V um operador linear. Podemos escrever as matrices
associadas de T nas bases B e B′ respectivamente [T ]BB e [T ]B′ B′ . Nos interessa saber como relacionar [T ]BB e
Em

[T ]B′ B′ .
Sabemos que existe uma matriz P tal que

[α]B = P[α]B′ e [α]B′ = P−1 [α]B

para todo α ∈ V. Então, utilizando as seguintes relações

[T α]B = [T ]BB [α]B , [T α]B′ = [T ]B′ B′ [α]B′

junto com

[α]B′ = P−1 [α]B , [T α]B = P[T α]B′

Obtemos

[T ]B′ B′ = P−1 [T ]BB P

 7.1 Funcionais Lineares 73

Definição 7.3 Sejam A e B duas matrizes em M (n × n, F). Dizemos que A e B são equivalentes ou
similares se existe uma matriz inversível P ∈ M (n × n, F) tal que B = P−1 AP.

7.1 Funcionais Lineares

Vamos estudar aqui um tipo particular de transformação linear que são os funcionais lineares.
Definição 7.4 Seja (V, +, ·) um espaço vetorial sobre o corpo F. Um funcional linear é uma transformação
linear f : V → F onde F aqui é espaço vetorial. Denotamos o espaço dos funcionais lineares Tl(V, F) como
V∗ e o chamamos de espaço dual.

o
Caso V possua dimensão n então dim(V∗ ) =dim(tl(V, F) = 1 × n = n. Mais ainda se {α1 , . . . , αn } é uma
base ordenada de V então por um resultado anterior temos que existe uma transformação linear fi tal que
fi (α j ) = δi j .

çã
Observamos que { f1 , . . . , fn } são n elementos de V∗ linearmente independentes, de fato se
n
f = ∑ ci f i
i=1

a
é o funcional nulo em particular f (α j ) = 0 implica que c j = 0 para todo j. Portanto B∗ = { f1 , . . . , fn } é uma
base ordenada de V∗ .
or
Se α ∈ V então α = ∑nj=1 b j α j portanto fk (α) = bk assim temos que

n
α= ∑ f j (α)α j
j=1
ab
Esta ultima formula nos permite chamar a cada f j como a j−ésima função coordenada.
Definição 7.5 Seja (V, +, ·) um espaço vetorial sobre o corpo F e S um subconjunto de um espaço vetorial
V. O anulador de S, que denotamos como S0 , é o subconjunto de funcionais f tais que f (α) = 0 para todo
α ∈ S.
el

Teorema 7.3 Seja (V, +, ·) um espaço vetorial sobre o corpo F de dimensão finita e W é um subespaço de V
então

dim(W) + dim(W0 ) = dim(V).

Em

Demonstração. Seja {α1 , . . . , αk } uma base ordenada de W que completamos a uma base ordenada

{α1 , . . . , αk , αk+1 , . . . , αn }

de V. Seja { f1 , . . . , fn } a base ordenada associada de V∗ . Então, para cada i > k temos que fi (β ) = 0 para todo
β ∈ W.

dim(W) + dim(W0 ) = k + (n − k) = n = dim(V).

Seja T : V → W uma transformação linear entre espaços vetoriais sobre o mesmo corpo F. Então T induz
uma transformação linear T t : W∗ → V∗ definida da seguinte forma

T t f (α) = f (T (α))
74 Capítulo 7. Matriz de uma transformação linear

Como

T t ( f + c · g)(α) = ( f + c · g)(T (α))

= f (T (α)) + c · g(T (α))
= (T t f )(α) + c · (T t g)(α)
= (T t f + c · T t g)(α)

de onde segue que T t : W∗ → V∗ é transformação linear. Tal transformação é chamada de transformação

transposta ou adjunta de T .

Teorema 7.4 Sejam V e W dois espaços vetoriais de dimensão finita sobre um corpo F e B e B′ bases

o
ordenada de V e W respectivamente. Considere B∗ e B′∗ as respectivas bases ordenada duais. Seja T : V → W
uma transformacão linear. Então se A é a matriz [T t ]B′∗ B∗ e B é a matriz [T ]BB′ então Ai j = B ji para todo i e j.

çã
Demonstração. Exercício.
■

a
or
ab
el
Em
 o
8. Autovalores e Autovetores

a çã
or
Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F e seja T : V → V um operador linear.
Gostariamos de saber se existe uma base ordenada B = {α1 , . . . , αn } de V tal que existem escalares λ1 , . . . , λn ,
não necessáriamente distintos, tais que
ab
T (αi ) = λi · αi .

Isto é equivalente a perguntar se existe uma base ordenada B tal que

 
λ1 0 0 ··· 0
el

0 λ2 0 ··· 0
[T ]BB =  .
 
.. .. 
 .. . .
0 · · · · · · · · · λn

é diagonal.
Em

■ Exemplo 8.1 Seja T : R3 → R3 definida por

T (x, y, z) = (x − 2y + 8z, −y, −z)

Observamos que a matriz de T na base ordenada canônica C é

 
1 −2 8
[T ]C C = 0 −1 0  .
0 0 −1

No entanto, observamos que Seja B = {(1, 1, 0), (1, 0, 0), (−4, 0, 1)}, observamos que

T (1, 1, 0) = (−1) · (1, 1, 0) = (−1) · (1, 1, 0) + 0 · (1, 0, 0) + 0 · (−4, 0, 1)

T (1, 0, 0) = 1 · (1, 0, 0) = 0 · (1, 1, 0) + 1 · (1, 0, 0) + 0 · (−4, 0, 1)
T (−4, 0, 1) = (−1) · (−4, 0, 1) = 0 · (1, 1, 0) + 0 · (1, 0, 0) + (−1) · (−4, 0, 1)
.
76 Capítulo 8. Autovalores e Autovetores

portanto
 
−1 0 0
[T ]BB =  0 1 0  .
0 0 −1

Então existe uma base ordenada na qual a matriz associada de T é diagonal. Observamos que, por exemplo,
[T n ]C C = ([T ]C C )n pode ser uma conta tediosa, no entanto

(−1)n 0
 
0
[T n ]BB = ([T ]BB )n =  0 1 0 

o
0 0 (−1)n

çã
■

Definição 8.1 Seja (V, +V , ·V ) um espaço vetorial sobre um corpo F e T um operador linear em V.
• Um autovalor (ou valor característico) de T é um escalar λ ∈ F tal que existe um vetor não nulo α
em V satisfazendo T α = λ α.
• Se λ ∈ F é um autovalor, um vetor não nulo α tal que T (α) = λ α é chamado de autovetor (ou vetor

a
caracteristico)
• A coleção dos autovetores associados a um autovalor λ é chamada de autoespaço (ou espaço caracte-
or
ristico) associado ao autovalor λ e será denotada por Vλ , isto é

Vλ = {β ∈ V, T (β ) = λ β }

• O operador T será dito diagonalizável se existir uma base ordenada de V formada por autovetores de
ab
T.

Obs.
• O autoespaço Vλ é um subespaço. De fato O ∈ Vλ e, para todo a ∈ F e α, β ∈ Vλ temos que
el

T (a · α + β ) = a · T (α) + T (β ) = λ (a · α + β ).

De onde a · α + β ∈ Vλ .
• Se T : V → V não for injetor então 0 é autovalor de T e qualquer elemento do núcleo é autovetor.
• O operador T : R2 → R2 definido por T (x, y) = (y, −x) não possui autovalores. De fato

Em

λx = y
T (x, y) = λ (x, y) ⇔ ⇔ λ 2 x = −x. ⇔ λ 2 = −1.
λ y = −x

Lema 8.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F, T um operador linear em
V, λ1 , . . . , λk autovalores de T , distintos entre si, e α1 , . . . , αk autovetores associados. Então {α1 , . . . , αk } é um
conjunto linearmente independente. Em particular, os autoespaços Vλ1 ⊕ . . . ⊕ Vλk estão em soma direta.

Demonstração. Fazemos por indução. Vamos mostrar que se temos k autovalores distintos entre si então dados
k autovetores associados a estes autovalores formam um conjunto linearmente independente.
Assuma que

T (α1 ) = λ1 · α1 e T (α2 ) = λ2 · α2 .

Então se α2 = k · α1 temos que

λ2 · α2 = T (α1 ) = k · T (α1 ) = (kλ1 ) · α1 = λ1 · α2 ⇒ (λ1 − λ2 ) · α = OV .

o que gera uma contradição. Portanto {α1 , α2 } são linearmente independentes.

 77

Assuma que o enunciado vale para k vejamos para k + 1. Sejam então λ1 , . . . , λk+1 autovalores de T , distintos
entre si, e α1 , . . . , αk+1 autovetores associados. Suponha, sem perder generalidade, que

αk+1 = a1 · α1 + · · · + ak · αk .

com todos os ai ̸= 0 (caso contrário eliminamos esses termos). Então

λk+1 · αk+1 = T (αk+1 ) = a1 · T (α1 ) + · · · + ak · T (αk ) = a1 λ1 · α1 + · · · + ak λk · αk .

Portanto

a1 λk+1 · α1 + · · · + ak λk+1 · αk = λk+1 · αk+1 = a1 λ1 · α1 + · · · + ak λk · αk .

o
Como, por hipótese, temos que {α1 , . . . , αk } é linearmente independente, temos que

çã
ai (λk+1 − λi ) = 0,

O que gera uma contradição. O que prova o resultado. ■

Teorema 8.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F e T um operador

a
linear em V que é diagonalizável. Seja B uma base ordenada qualquer de V e A = [T ]BB . Então
(a) det(A) é igual ao produto dos autovalores de T .
(b) traço(A) é igual a soma dos autovalores de T .
or
Demonstração. Como T é diagonalizável temos que existe uma base ordenada B ′ e uma matriz invertível P tal
que

[α]B = P[α]B′ ∀ α ∈ V,
ab
e

[T ]B′ B′ = P−1 AP

é diagonal. Observamos que as entradas da matriz diagonal [T ]B′ B′ são precisamente os autovalores λ1 , . . . , λn
el

de T . Agora, como
λ1 · · · λn = det([T ]B′ B′ )
= det(P)−1 det(A) det(P)
= det(A).
Em

λ1 + · · · + λn = traço([T ]B′ B′ )
= traço(P−1 AP)
= traço(APP−1 )
= traço(A).
■

Teorema 8.2 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F e T um operador
linear em V. São equivalentes:
i) λ é um autovalor de T ,
ii) O operador λ I − T é não inversível,
iii) det([λ I − T ]BB ) = 0 para qualquer base ordenada B de V.

i) ⇒ ii) Se λ é um autovalor de T então existe um vetor α ∈ V, α ̸= 0, tal que T (α) = λ α.

Demonstração.
Portanto

(λ I − T )(α) = O ⇒ (λ I − T ) não é invertível.

 78 Capítulo 8. Autovalores e Autovetores

ii) ⇒ iii) Assuma que o operador S = λ I − T é não inversível, então existe α ̸= O tal que
S(α) = (λ I − T )(α) = O
, portanto existe uma base ordenada B de V tal que [S]BB tem uma coluna nula. Como, para qualquer
outra base ordenada B ′ existe uma matriz invertível P tal que
[α]B = P[α]B′ ∀ α ∈ V,
e
[S]B′ B′ = P−1 [S]BB P

o
Como
det([S]B′ B′ ) = det(P)−1 det([S]BB ) det(P) = 0

çã
temos que det([λ I − T ]BB ) = 0 para qualquer base ordenada B de V.
iii) ⇒ i) Assuma que det([λ I − T ]BB ) = 0 para qualquer base ordenada B de V. Então, se fixamos uma base
ordenada B, temos que [λ I − T ]BB não é invertível e, portanto, existe um X ∈ Rn , não nulo, tal que
[λ I − T ]BB X = 0. Este X determina as coordenadas na base ordenada B de um vetor α, não nulo, tal que
(λ I − T )(α) = O. Então, λ é um autovalor não nulo de T .

a
or ■

Obs. Do Item iii) obtemos que os autovalores estão associados aos elementos do corpo λ que zeram det([T −
λ I]BB ) = 0 para qualquer base ordenada B de V.

Consideremos o polinômio p ∈ F[X] definido por

ab
PT (x) = det(x[I]BB − [T ]BB )
Pelo item iii) do teorema acima temos que os autovalores de T estão em bijeção com os elementos λ ∈ F tais
que PT (λ ) = 0.

Corolário 8.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre o corpo C e T um operador
el

linear em V. Então T admite um autovalor.

Demonstração. Sabemos pelo Teorema fundamental da Álgebra temos que todo polinômio em C admite
raizes em C, portanto o polinômio PT (x), definido acima, admite uma raiz e, portanto, T tem autovalores. ■
Exemplo 8.2 Seja T : C2 → C2 definido por
Em

T (x, y) = (x + y, y).
Seja C = {(1, 0), (0, 1)} a base canônica de C2 , então
 
x − 1 −1
det(λ I − [T ]C C ) = det = (x − 1)2
0 x−1
Portanto λ = 1 é autovalor. Então os autovetores α = (x, y) ̸= (0, 0) devem satisfazer
(x + y, y) = T (x, y) = (x, y) ⇒ y=0
Portanto temos que os autovetores são todos múltiplos de α1 = (1, 0) e, portanto, T não é diagonalizável. ■

É importante notar que

• Da formula do determinante, vemos que PT é um polinomio mónico de grau n.
• O polonômio PT não depende da escolha da base ordenada B. De fato, seja B′ uma outra base ordenada de
V então existe uma matriz inversível P que realiza a mudança de coordenadas. Assim [T ]B′ B′ = P−1 [T ]BB P
e aplicando isto na forma do determinante obtemos o resultado.
Todo isto motiva a seguinte definição
 79

Definição 8.2 Seja (V, +, ·) um espaço vetorial sobre um corpo F, T : V → V um operador linear e B uma
base ordenada de V. O polinômio

PT (x) = det(x[I]BB − [T ]BB )

é chamado de polinômio característico de T .

■ Exemplo 8.3 • Seja T : R2 → R2 a transformação linear dada por

T (1, 0) = (0, −1) e T (0, 1) = (1, 0).
Então, como

o
 
0 1
[T ]C C = ,
−1 0

çã
temos
 
x −1
PT (x) = det = x2 + 1.
1 x
Então T não tem autovalores.

a
• Seja T : C2 → C2 a transformação linear dada por
T (1, 0) = (0, −1) e T (0, 1) = (1, 0).
Então, como
 
or
0 1
[T ]C C = ,
−1 0
ab
temos
 
x 1
PT (x) = det = x2 + 1.
−1 x
Então x = ±i são os autovalores de T . Neste caso B = α1 = (−1, i), α2 = (1, i)} é a base ordenada que
diagonaliza T , de fato,
el

T (−1, i) = (−i, −1) = i · (−1, i) + 0 · (i, 1)T (1, i) = (−i, 1) = 0 · (−1, i) + (−i) · (i, 1)
e
 
i 0
[T ]BB = .
0 −i
Em

• Seja T : Rn → Rn uma transformação linear da forma T (V ) = AV para todo V ∈ Rn , onde A ∈ M (n × n, R)

é uma matriz diagonal. Então se a11 , . . . , ann são as entradas da diagonal, temos que
PT (x) = (x − a11 ) · · · (x − ann ).
e, portanto, a11 , . . . , ann são os autovalores de T .
• Seja T : Rn → Rn uma transformação linear da forma T (V ) = AV para todo V ∈ Rn , onde A ∈ M (n×n, R).
Seja S : Rn → Rn a transformação linear transposta dada por S(V ) = AT V . Observamos que se λ é um
autovalor de T então (utilizando a base ordenada canônica) temos que se
PT (x) = det(xI − A) ⇒ PT (λ ) = 0.
Como
PT (x) = det(xI − A) = det((xI − A)T ) = det(xI − AT ) = PS (x)
tiramos que λ também é autovalor de S.
■
 80 Capítulo 8. Autovalores e Autovetores

Teorema 8.3 Seja T um operador linear sobre um espaço de dimensão finita V. Sejam λ1 , . . . , λk autovaores
distintos de T e W1 , . . . , Wk seus respectivos autoespaços. São equivalentes
i) T é diagonalizável,
ii) PT (x) = (x − λ1 )d1 · · · (x − λk )dk com di = dim(Wi )
iii) dim(V) = dim(W1 ) + . . . + dim(Wk )

i) ⇒ ii) Se T
Demonstração. é diagonalizável então existe uma base ordenada B tal que
 
λ1 0 ··· 0
0 λ2 · · · 0 
[T ]BB = 

o
 
.. 
 . 
0 0 · · · λn

çã
Portanto, o polinômio característico é

PT (x) = (x − λ1 ) · · · (x − λn ).

Pode acontecer que alguns dos λi ’s sejam iguais. Assuma, sem perder generalidade que os k ≤ n primiros

a
λi são diferentes (podemos reordenar a base ordenada para que fique desta forma). Seja

di = número de vezes que aparece λi em [T ]BB

or
Então λi estará associado a di vetores da base ordenada B e, portanto, di = dim(Wi ) (verificar!). De onde
segue que

PT (x) = (x − λ1 )d1 · · · (x − λk )dk .

ab
ii) ⇒ iii) Por outro lado, da expressão do polinômio característico, temos que

dim(V) = d1 + · · · + dk = dim(W1 ) + . . . + dim(Wk ).

Por polinômio característico é como em ii) então d1 + · · · + dk = dim(V). Portanto ii) garante iii).
el

iii) ⇒ i) Vimos anteriormente que a soma a seguir é direta

W = W1 ⊕ W2 ⊕ · · · ⊕ Wk

Por outro lado, como

Em

dim(W) = dim(W1 ) + · · · + dim(Wk ) = d1 + · · · + dk = dim(V),

tiramos que W = V. Agora, utilizando que os Wi são autoespaços, segue que T é diagonalizável.
■

■ Exemplo 8.4 • Seja T : Rn → Rn uma transformação linear da forma T (V ) = AV para todo V ∈ Rn , onde
 
5 −6 −6
A =  −1 4 2 
3 −6 −4

Então
 
x−5 6 6
PT (x) = det  1 x − 4 −2  = x3 − 5x2 + 8x − 4.
−3 6 x+4

É fácil ver que 1 e 2 são autovalores com multiplicidad 1 e 2 respectivamente. Calculamos os autovetores.
Para isto resolvemmos a equação (A − λ )X = 0 para λ = 1, 2.
 81

Para λ= 1    
4 −6 −6 u 0
−1 3 2   v = 0
  ⇒ α1 = (3, −1, 3).
3 −6 −5 w 0
Para λ= 2    
3 −6 −6 u 0
−1 2 2   v  = 0 ⇒ α2 = (2, 1, 0) e α3 = (2, 0, 1).
3 −6 −6 w 0
vemos então que na base ordenada

{(3, −1, 3), (2, 1, 0), (2, 0, 1)}

o
temos

çã
 
1 0 0
[T ]BB = 0 2 0 .
0 0 2

• Seja T : R3 → R3 uma transformação linear tal que

a
 
2 0 0
[T ]BB =  1 2 1
−1 0 1
or
para B = {(1, 1, 1), (0, 1, 0), (0, 0, 1)}.
Observamos que
ab
PT (x) = det(xI − [T ]BB ) = (x − 2)2 (x − 1)

Portanto os autovalores são x = 1 e x = 2. CAlculamos os autovetores. Para isto resolvemmos a equação

([T ]BB − λ )X = 0 para λ = 1, 2.
=2
Para x 
el

       
0 0 0 u 0 1 0
 1 0 1   v  = 0 ⇒ [α1 ]B =  0  e [α2 ]B = 1 .
−1 0 −1 w 0 −1 0
=1
Para x       
1 0 0 u 0 0
 1 1 1  v  = 0 ⇒ [α3 ]B =  1  .
Em

−1 0 0 w 0 −1
vemos então que a base ordenada de autovalores de T são
α1 = 1 · (1, 1, 1) + 0 · (0, 1, 0) + (−1) · (0, 0, 1) = (1, 1, 0)
α2 = 0 · (1, 1, 1) + 1 · (0, 1, 0) + 0 · (0, 0, 1) = (0, 1, 0)
α3 = 0 · (1, 1, 1) + 1 · (0, 1, 0) + (−1) · (0, 0, 1) = (0, 1, −1)

temos
 
2 0 0
[T ]BB = 0 2 0 .
0 0 1
■

Seja T um operador sobre o F- espaço vetorial V. Como Tl(V, V) tem dimensão (dim(V))2 temos que o
conjunto
2
{I, T, T 2 , . . . , T n }
82 Capítulo 8. Autovalores e Autovetores

é linearmente dependente e portanto existem escalares c0 , c1 , . . . , cn2 não todos nulos tais que
2
c0 I + c1 T + · · · + cn2 T n = 0

Considere em PF (x) o conjunto I definido por

I = {p ∈ F, p(T ) = 0}

Aqui p(T ) como o elemento asociado na álgebra das transformaçoes lineares.

Sabemos que PF (x) forma um anel, e podemos ver que

o
• I é não vazio (se V for finito dimensional)
• o polinômio nulo está em I
• se p(x) ∈ I e q(x) ∈ PF (x) então p(x) + q(x) ∈ I,

çã
• Se p(x) ∈ I então −p(x) ∈ I
•
de onde segue que I é um Ideal PF (x) que é chamado de ideal anulador de T . Pode ser visto que existe um
polinómio m(x) tal que I = m(x) · PF (x)
Definição 8.3 Seja T um operador sobre um F-espaço vetorial V finito dimensional. O polinomio minimal

a
de T , que denotamos por MT , é o único gerador mónico do ideal de polinômios que anula T .
or
Portanto o polinômio minimal está univocamente determinado pelas seguintes propriedades:
i) MT (T ) = 0
ii) MT é um polinômio monico em PF (x)
iii) Nenhum polinômio que anule T tem grau menor do que p.
ab
Teorema 8.4 — Cayley-Hamilton. O polinômio minimal divide ao polinômio característico.

Demonstração. Seja {α1 , . . . , αn } uma base ordenada de V, e seja A a matriz que representa T nessa base
ordenada. Então
n
el

T αi = ∑ A ji α j , 1 ≤ i ≤ n.
j=1

Seja

K (x) = {Bi j (x) ∈ PR [x], B ji (x) = δ ji x − A ji , i, j = 1 . . . n},

Em

e considere a matriz B cujas entradas são determinados pelos Bi j (x) onde i denota a coluna e j a linha, isto é
 
B11 (x) · · · Bn1 (x)
B =  ... .. ..  .

. . 
B1n (x) · · · Bnn (x)

Por exemplo, quando n = 2

 
x − A11 −A21
B=
−A12 −A22

e
f (x) = det(B) = (x − A11 I)(x − A22 I) − A12 A21
= x2 − (A11 + A22 )x + (A11 A22 − A12 A21 )
de onde segue que f (x) = PT (x) é o polonômio.
 83

Para n > 2 tambem é claro que det(B) = PT (x) pois PT é o determinante da matriz xI − A cujas entradas são
os polinômios

(xI − A)i j = xδi j − A ji = Bi j (x).

Queremos mostrar que PT (T ) = 0.

Lembramos que, se A é uma matriz e à é sua adjunta, temos que Aà = ÃA = det(A)I.
Neste caso, a adjunta, ad j(B(x)) é a matriz adjunta é
 
x − A22 −A21
B̃(x) = ,

o
−A12 x − A11

çã
 
det(B(x)) 0
B̃(x)B(x) = ,
0 det(B(x))

Da definição de B temos que os vetores α1 , . . . , αn satisfazem a equação

a
n
∑ Bi j (T )α j = 0 1 ≤ i ≤ n.
j=1

Quando n = 2, podemos escrever "formalmente"a equação acima como

or
         
B11 (T ) B21 (T ) α1 0 T − A11 I −A21 I α1 0
= ⇒ = .
B12 (T ) B22 (T ) 0 −A12 I T − A22 I 0
ab
α2 α2

de onde
        
det(B(T ))α1 α1 α1 OV
= B̃(T )B(T ) = B̃(T ) B(T ) = ,
det(B(T ))α2 α2 α2 OV
el

e, portanto, PT (T ) = 0.
Para o caso n > 2, por hipótese, temos que
  
α1 n
 . 
Em

B(T )  ..  = ∑ Bi j (T )α j = 0

j=1
αn i

Então, se B̃(x) = ad j(B(x)), calculamos

        
det(B(T ))α1 α1 α1 OV
.. ..  = B̃(T ) B(T )  ..  =  .. 
 = B̃(T )B(T ) 
  
 . .    .   . 
det(B(T ))αn αn αn OV

Portanto, PT (T ) = 0.
■

O polinômio minimal divide ao caracetrístico mas, será que eles tem as mesmas raizes? Por acontecer, por
exemplo que PT (x) = (x − 1)(x − 3)2 (x − 2)3 e MT = (x − 1)(x − 2)? Veremos que a resposta é não.

Teorema 8.5 O polinomio minimal MT e o polinômio caracteristico PT tem as mesmas raizes, mas não
necessariamente a mesma multiplicidade.
84 Capítulo 8. Autovalores e Autovetores

Demonstração. Seja MT o polinômio minimal de T e c um escalar. Vamos mostrar que MT (c) = 0 se, e somente
se c é um autovalor de T.
Como MT divide a PT temos que se MT (c) = 0 então PT (c) = 0 e, portanto, c é autovalor de T .
Assuma agora que c é autovalor de T e seja α tal que T α = cα. Então como
T n (α) = cn · α ∀ n ∈ N,
temos que, para todo polinômio q(x) vale
q(T )(α) = q(c) · α.
Em oarticular, MT (T )(α) = MT (c)α. Como MT (T ) = 0 então MT (c) = 0. ■

o
■ Exemplo 8.5 • Seja P : V → V um projetor. Vimos anteriormente que se p(x) = x(1 − x) então p(T ) = 0.
Como x = 0 e x = 1 são as unicas raizes do projetor, temos que p(x) é o polinômio minimal de P.

çã
• Se T : V → V é um operador nilpontente, isto é, existe n ∈ N tal que T n = O então q(x) = xn anula T .
Portanto o polinômio minimal MT (x) deve dividir q(x), portanto é da forma MT (x) = xk para k ≤ n.
• Seja T : R4 → R4 definido por T (X) = AX em que
 
0 1 0 1

a
 1 0 1 0 
A=  0 1 0 1 


1 0 1 0
or
Observamos que A3 − 4A = 0. Então p(x) = x(x + 2)(x − 2) zera T e observamos que todos os divisores
de p(x), isto é x, x − 2, x + 2, (x2 − 4), x(x + 2), x(x − 2) não zeram T .
■
ab
Resumindo:
• Seja (V, +, ·) um espaço vetorial sobre um corpo F e T : V → V um operador linear.
• Assuma que T é diagonalizável e que λ1 , . . . , λn são os diferentes autovalores de T .
• Para cada i seja Wi o espaço de autovetores associados ao autovalor λi
• Seja
el

Bi = {αi1 , . . . , αini }
uma base ordenada de Wi .
Então, colocando estas bases ordenada Bi lado a lado, obtemos uma base ordenada de V,
B = {B1 , . . . , Bn }.
Em

Em particular
dim(V) = dim(W1 ) + · · · + dim(Wn )
e
 
[λ1 ] 0 . . . 0
 0 [λ2 ] . . . 0 
[T ]BB = 
 
.. .. .. 
 . . . 
0 0 . . . [cn ]
Com cada [λi ] uma matriz diagonal com as entradas da diagonal iguais a λi .
Portanto, o polinômio característico é da forma
PT [x] = (x − c1 )d1 (x − c2 )d2 · · · (x − cn )dn
com di = dim(Wi ). O minimal será então da forma
MT [x] = (x − c1 )r1 (x − c2 )r2 · · · (x − cn )rn 1 ≤ ri ≤ di .
III
Espaços com Produto Interno

o
a çã
or
ab
el
Em

9 Espaços com produto interno . . . . . . . . 87

10 Operadores em Espaços com Produto in-

terno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

11 Operador Autoadjunto . . . . . . . . . . . . . 107

11.1 Aplicação à classificação de cônicas e quádricas.

12 Projeção ortogonal . . . . . . . . . . . . . . . . . 115

13 Operador unitario . . . . . . . . . . . . . . . . . . 121

14 Reflexão sobre um subespaço . . . . . . 125

Em
el
ab
or
açã
o
 o
9. Espaços com produto interno

a çã
or
Seja (V, +V , ·V ) um espaço vetorial. Podemos pensar o cojunto subjacente V como um conjunto de pontos.
Nesse caso V (como espaço vetorial) é uma fonte de deslocamentos no conjunto V. Vamos ver isso.
Para diferenciar, denotamos a cada ponto de V, visto como conjunto, por letras p, q, . . . e a cada ponto de V,
visto como espaço vetorial, por α, β , . . ..
ab
Então α age sobre V produzindo o deslocamento
(α, p) → q = p + α.
Queremos introduzir uma geomeria no nosso conjunto de pontos V. De modo geral, uma geometria precisa dos
pontos que, neste caso são os elementos do conjunto, e das retas, que podem ser vitas tomo subconjuntos da
el

forma
ℓ = {p + λ β , λ ∈ F}.
Neste caso dizemos que a reta passa pelo ponto p e tem α como vetor diretor.
O seguinte paso para definir uma geometria e dar uma forma de medir distâncias entre pontos e de uma
Em

forma de medir ângulos entre as retas. Dados dois pontos p, q ∈ V temos o vetor deslocamento α = q − p que
satisfaz
p+α = q
e, se duas retas se interseptam num ponto, então o ângulo entre elas pode ser definido a partir dos vetores
diretores delas.
Para lidar com este último paso e para dar as duas definições simultáneamente introduzimos o conceito de
produto interno.
Definição 9.1 Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F. Um produto interno sobre V
é uma função < , >: V × V → F, que associa para cada par de vetores α, β um escalar < α, β > em F, de
forma tal que para todo α, β , γ ∈ V e c ∈ F temos
i) < α +V β , γ >=< α, γ > +F < β , γ >;
ii) < cα, β >= c < α, β >;
iii) < α, β >= < β , α >;
iv) < α, α >= 0 se e só se α = 0
Um espaço vetorial com produto interno é um espaço vetorial (V, +V , ·V ) munido de um produto
88 Capítulo 9. Espaços com produto interno

interno < , >.

Obs. Das propriedades do produto interno segue que

i) < α, β >= Re(< α, β >) + i Im(< α, β >)
ii) Para todo numero complexo z temos que Im(z) = −Re(i z) portanto < α, β >= Re(< α, β >) +
i Re(< α, i β >)
iii) < α, O >= 0 para todo α ∈ V.

■ Exemplo 9.1 i) O produto interno canonico em Rn é definido como segue: se

α = (a1 , . . . , an ) e β = (b1 , . . . , bn ),

o
temos que

çã
< α, β >= a1 b1 + · · · + an bn .

Vamos mostrar que, de fato, é produto interno. Seja k ∈ R,

α = (a1 , . . . , an ), β = (b1 , . . . , bn ) e γ = (c1 , . . . , cn )

a
então
–
or
< α + β , γ > = (a1 + b1 )c1 + · · · + (an + bn ) · cn
= < α, γ > + < β , γ >
–
< k · α, γ > = (ka1 )c1 + · · · + (kan ) · cn
ab
= k < α, γ >
–
< α, β > = (a1 · b1 ) + · · · + (an · bn )
= < β,α >
–
el

< α, α > = a21 + · · · + a2n ≥ 0.

Claramente < α, α >= 0 se, e somente se, α = (0, . . . , 0).
ii) Em M (n × n, R) considere

< A, B >= traço[ABT ].

Em

Vejamos que, de fato, é um produto interno. Sejam A, B, C ∈ M (n × n, R) e k ∈ R, então

–
< A +C, B > = traço[(A +C)BT ]
= traço[ABT ] + traço[CBT ]
= < A, B > + < C, B > .
–
< kA, B > = traço[kABT ]
= ktraço[ABT ]
= k < A, B > .
–
< A, B > = traço[ABT ]
= traço[ABT ]
= traço[(ABT )T ]
= traço[BAT ]
= < B, A >
 89

– Observamos que
n n
(AAT )ii = ∑ Ai j ATji = ∑ A2i j
j=1 j=1

de onde
n
< A, A >= ∑ A2i j
i, j=1

de onde segue que

o
< A, A >= 0 ⇔ A = 0.

çã
iii) Seja (V, < , >) é um espaço com produto interno e (W, +W , ·W ) um espaço vetorial. Seja T : W → V
uma transformação linear injetora. Definimos um produto interno por

<< α, β >>=< T (α), T (β ) > ∀ α, β ∈ W.

iv) No espaço vetorial das funções continuas em f : [0, 1] → R com definimos o produto interno

a
Z 1
< f , g >= f (x)g(x) dx.

v) Em R3 a função
0
or
< (x1 , x2 , x3 ), (y1 , y2 , y3 ) >= x1 y1 + x2 y3
ab
não é produto interno. De fato, ele satisfaz todas as propriedades menos a última pois

< (0, 1, 0), (0, 1, 0) >= 0 + 0 = 0.

Então existe α = (0, 1, 0) ̸= (0, 0, 0) tal que < α, α >= 0.

el

Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F munido de um produto interno < , >. Considere
uma base ordenada B = {α1 , . . . , αn } de V. Sejam

α = x1 · α1 + · · · + xn · αn e β = y1 · α1 + · · · + yn · αn
Em

Então, das propriedades de produto interno, temos

n
< α, β > = ∑ xi y j < αi , α j > .
i, j=1

Portanto se
 
< α1 , α1 > · · · < α1 , αn >
A=
 .. .. .. 
. . . 
< αn , α1 > · · · < αn , αn >

então, podemos escrever

  
< α1 , α1 > · · · < α1 , αn > y1

 .
.. . .. .
.. .
< α, β >= x1 . . . xn    .. 
 

< αn , α1 > · · · < αn , αn > yn

90 Capítulo 9. Espaços com produto interno

Definição 9.2 Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F munido de um produto interno
< , >. Considere uma base ordenada B = {α1 , . . . , αn } de V. A Matriz do produto interno < , > é a
matriz
 
< α1 , α1 > · · · < α1 , αn >
A=
 .. .. .. 
. . . 
< αn , α1 > · · · < αn , αn >

T
Obs. A matriz do produto interno é Hermitiana, isto é, A = (A) . Isto segue da identidade < αi , α j >= < α j , αi >.

o
No caso F = R a matriz A é simétrica.

Definição 9.3 Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F munido de um produto interno

çã
< , >. Dado α ∈ V definimos a norma de α como sendo
√
||α|| = < α, α >

a
Obs. A norma é um mapa || || : V → F que satisfaz as seguintes identidades polarização
• (Identidade de Polarização) No caso F = C temos
or
||α ± β ||2 = ||α||2 + ±2Re(< α, β >) + ||β ||2

Demonstração.
||α ± β ||2 = < α ±β,α ±β >
= ||α||2 ± (< α, β > + < β , α >) + ||β ||2
ab
= ||α||2 + ±2Re(< α, β >) + ||β ||2
■
• (Identidade de Polarização) No caso F = R temos

||α ± β ||2 = ||α||2 ± 2 < α, β > +||β ||2

el

Demonstração.
||α ± β ||2 = < α ±β,α ±β >
= ||α||2 ± (< α, β > + < β , α >) + ||β ||2
= ||α||2 + ±2(< α, β >) + ||β ||2
Em

■
• ||c · α|| = |c|||α||
Demonstração. Segue de observar que

||c · α||2 =< c · α, c · α >= cc̄ < α, α >= |c|2 ||α||2 .

■
• ||α|| > 0 para α ̸= 0.
Demonstração. Segue da definição de produto interno e norma. ■
• Desigualdade de Cauchy-Scwartz: Para todo α, β ∈ V,

| < α, β > | ≤ ||α|| ||β ||.

A igualdade vale se, e somente se, β = k · α para algum k ∈ F.

Demonstração. Observamos que o resultado vale se α = 0. Se α ̸= 0 escrevemos

< β,α >

γ =β− α,
||α||2
 91

então < α, γ >= 0 e

| < β , α > |2
0 ≤ ||γ||2 = ||β ||2 − .
||α||2
Claramente, a igualdade é válida se, e somente se, ||γ|| = 0. Mas isto acontece se, e somente se,
< β,α >
β= α.
||α||2
■
• ||α + β || ≤ ||α|| + ||β ||
Demonstração. Utilizamos Cauchy-Schwartz e vemos que

o
||α + β ||2 = ||α||2 + ||β ||2 + 2Re < α, β >
≤ ||α||2 + ||β ||2 + 2||α|| ||β ||

çã
= (||α|| + ||β ||)2 .
■

Seja então (V, +V , ·V ) um espaço vetorial e considere V como conjunto subjacente. Dados dois pontos P e
Q em V, como podemos considerá-los como vetores, temos definido o que é

a
α = P−Q como vetor no espaço vetorial V. or
■ Exemplo 9.2 Em R2 como espaço vetorial, temos o produto interno canônico: se α = (x1 , x2 ) e β = (y1 , y2 )
então
< α, β >= x1 y1 + x2 y2 .
Agora, no conjunto R2 definimos a distância entre dois pontos
ab
P = (p1 , p2 ) e Q = (q1 , p2 )
definimos
q
d(P, Q) = (q1 − p1 )2 + (q2 − p2 )2 .
el

Os dois conceitos, produto interno e distância, se relacionam como segue: construímos o vetor
αPQ = P − Q = (q1 − p1 , q2 − p2 ).
Em

então
p
d(P, Q) = < αPQ , αPQ > := ||αPQ ||
Por outro lado, para definir o ângulo, temos que utilizar o teorema do cosseno. De fato, considere o ângulo
[ para O = (0, 0)
formado por QOP
92 Capítulo 9. Espaços com produto interno

o
çã
Então, pelo teorema do cosseno temos que

d(P, Q)2 = d(O, P)2 + d(O, Q)2 − 2d(O, P)d(O, Q) cos(θ )

Trabalhamos um pouco esta expressão

a
q q
(q1 − p1 )2 + (q2 − p1 )2 = p21 + p22 + q21 + q22 − 2 p21 + p22 q21 + q22 cos(θ )
q q
or
−2(p1 q1 + p2 q2 ) = 2 p21 + p22 q21 + q22 cos(θ )
(p1 q1 + p2 q2 )
q q = cos(θ )
p1 + p2 q21 + q22
2 2
ab
De onde obtemos que
< αOP , αOQ >
cos(θ ) = .
||αOP || ||αOQ ||
el

Observamos que o que foi feito aqui em R2 pode ser generalizado para Rn . Isto decorre do fato de que,
dados três pontos distintos O, P, Q em Rn sempre podemos considerar o subespaço

W = span{αOP , αOQ }

que é naturalmente isomorfo a R2 e fazer as mesmas contas alí para obter um resultado similar.
Em

Podemos generalizar o visto acima para um espaço vetorial qualquer, isto é, podemos definir uma geometria
a partir do produto interno definindo distância e ângulo como no exemplo acima
Definição 9.4 Seja (V, +V , ·V ) um espaço vetorial e considere o próprio V como conjunto. Dados P, Q ∈ V
definimos o vetor

αPQ = Q − P

• a distância entre P e Q como

d(P, Q) = ||αPQ ||.

[ como sendo o número real θ ∈ [0, π] tal que

• Dados três pontos O, P, Q definimos o ângulo POQ
< αOP , αOQ >
cos(θ ) = .
||αOP || ||αOQ ||
 93

• Dados dois vetores α, β ∈ V definimos o ângulo entre eles como sendo o θ ∈ [0, π] tal que

< α, β >
cos(θ ) =
||α|| ||β ||

Obs.
• A desigualdade de Cauchy-Schwartz nos garante que
| < α1 , α2 > |
∈ [0, 1].
||α1 || ||α2 ||

o
Definição 9.5 Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F munido de um produto < , >.
• dois vetores α e β vetores em V em um espaço vetorial com produto interno (V, <, >). Dizemos que

çã
α e β são ortogonais se < α, β >= 0.
• seja S um conjunto de vetores em V, dizemos que S é um conjunto ortogonal se todo par de vtores
em α, β ∈ S são ortogonais.
• um conjunto S é um conjunto ortonormal se, alem de ser ortogonal, temos que todos seus vetores tem
norma igual a 1.

a
Obs. Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F munido de um produto < , >. O vetor nulo OV
or
é o único vetor ortogonal a todo vetor de V. De fato, se γ ̸= OV temos que < γ, γ ≯= 0 e, portanto, não
pode ser ortogonal a ele mesmo.

■ Exemplo 9.3 • O conceito de ortogonalidade depende da definição do produto interno. Por exemplo
considere R2 com o produto interno
ab
< (x1 , x2 ), (y1 , y2 ) >= x1 y1 + (x1 y2 + x2 y1 ) + 2x2 y2 .

Neste caso α = (1, 0) e β = (0, 1) não são ortogonais visto que

el

< α, β >= 1.

• No espaço M (2 × 2, R) com o produto interno dado pelo traço as matrizes

   
1 0 0 1
A= e B= ,
0 0 0 0
Em

são ortogonais. De fato, como

 
T 0 0
AB = ⇒ Traço(ABT ) = 0.
0 0

Mais ainda,
 
T 1 0
||A|| = Traço(AA ) = Traço = 1.
0 0
 
T 1 0
||B|| = Traço(BB ) = Traço = 1.
0 0
Portanto, {A, B} é um conjunto ortonormal. De forma similar, podemos ver que
       
1 0 0 1 0 0 0 0
B= , , , ,
0 0 0 0 1 0 0 1

é um conjunto ortonormal.
94 Capítulo 9. Espaços com produto interno

• No espaço vetorial das funções contínuas f : [0, 1] → R com definimos o produto interno
Z 1
< f , g >= f (x)g(x) dx.
0

Vamos mostrar que, de fato, a função acima é um produto interno. Sejam f , g, h : [0, 1] → R três funções
contínuas quaisquer e k ∈ R.
– Z 1
< f + g, h > = ( f + g)(x)h(x) dx
0
Z 1 Z 1

o
= f (x)h(x) dx + g(x)h(x) dx
0 0
= < f , h > + < g, h >

çã
– Z 1
< k · f,h > = k f (x)h(x) dx
0
= k < f,h >
– Z 1

a
< f,h > = k f (x)h(x) dx
0
Z 1
=
0
= < h, f >
kh(x) f (x) dx
or
– Z 1
< f, f > = f (x)2 dx ≥ 0.
ab
0
Claramente se f = 0 então < f , f >= 0. Por outro lado, se f ̸= 0 existe x0 ∈ [0, 1] tal que f (x0 ) =
s0 ̸= 0. Da continuidade de f dado ε > 0 existe um δ > 0 tal que se x ∈ (x0 − δ , x0 + δ ) temos que
f (x) ∈ (s0 − ε, s0 + ε). Portanto f (x)2 > (s0 − ε)2 para todo x ∈ (s0 − δ , s0 + δ ), de onde
Z 1 Z x0 +δ
< f , f >= f (x)2 dx ≥ f (x)2 dx > 0.
el

0 x0 −δ

Portanto < f , f >= 0 se, e somente se, f = 0.

O conjunto das funções
√ √
F = {h(x) = 1, } ∪ { fn = 2 cos(2πnx), n ∈ N, n > 0} ∪ {gn = 2 sin(2πnx), n ∈ N, n > 0}
Em

são ortogonais.
• No espaço vetorial dos polinômios PR2 [x] definimos o produto interno
Z 1
< p(x), q(x) >= p(x)q(x) dx.
−1

Em particular, a matriz do produto interno na base B = {p1 (x) = 1, p2 (x) = x, p3 (x) = x2 } é dada pelas
relações

< p1 , p1 >= 2 < p1 , p2 >= 0 < p1 , p3 >= 2/3

< p2 , p1 >= 0 < p2 , p2 >= 2/3 < p2 , p3 >= 0
< p3 , p1 >= 2/3 < p3 , p2 >= 0 < p3 , p3 >= 2/5.

Então, por exemplo, se

p(x) = 2 + x = 2p1 + p2 e q(x) = x − x2 = p2 − p3 ,

 95

temos que
< p(x), q(x) > = < 2p1 + p2 , p2 − p3 >
= 2 < p1 , p2 > −2 < p1 , p3 > + < p2 , p2 > − < p2 , p3 >
= 2 · 0 − 2 · (2/3) + (2/3) − 0
= −2/3.
■

Teorema 9.1 Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F munido de um produto interno
< , >. Todo conjunto S = {α1 , . . . , αn } ⊂ V de vetores não nulos e ortogonais é linearmente independente.
Mais ainda, se β é um vetor que é combinação linear de vetores α1 , . . . , αn então

o
n
< β , αi >
β=∑ αi .

çã
i=1 ||αi ||

Demonstração. Seja S um conjunto de vetores ortogonais e assuma que β é uma combinação linear de um
número finito deles, isto é

a
β = a1 α1 + · · · + ak αk

observamos que, para todo i,

< β , αi >= ai ||αi ||2

or
donde ai = 0 se, e somente se, < β , αi >= 0. ■
ab
Teorema 9.2 Considere um espaço vetorial (V, +V , ·V ) sobre um corpo F munido de um produto interno
< , >. Seja S = {β1 , . . . , βn } um conjunto de vetores linearmente independentes que gera um subespaço
W ⊂ V. Então podemos construir vetores ortogonais α1 , . . . , αn em V tais que o conjunto S ′ = {α1 , . . . , αk }
é uma base ordenada e ortogonal de W.
el

Demonstração. Primeiramete ordenamos o conjunto S = {β1 , . . . , βn }. Agora, para provar o resultado cons-
truimos um jogo:
α1 = β1
j
< β j+1 , αk >
α j+1 = β j+1 − ∑ αk .
Em

k=1 ||αk ||2

Observamos que α j+1 ̸= 0, de fato como
< α j+1 , αi > = < β j+1 , αi > − < β j+1 , αi >= 0
temos que α j+1 não é combinação linear dos αi ’s com i ≤ j. Obsercamos que podemos obter todos os αi ’s como
combinação linear de {β1 , . . . , βi } e viceversa. Portanto, os dois conjuntos são base de W.
■

Decorre da demostração do resultado anterior seguea construção de um algoritmo para obter um conjunto
ortonormal a partir de um conjunto linearmente independente. Este algoritmo é conhecido como processo de
Gram-Schmidt e passamos a descrevé-lo. Considere um espaço vetorial de dimensão finita (V, +V , ·V ) sobre
um corpo F munido de um produto interno < , >. Seja S = {β1 , . . . , βn } um conjunto de vetores linearmente
independentes . Construímos S ′ = {α1 , . . . , αn } pelo jogo

α1 = β1
j
< β j+1 , αk >
α j+1 = β j+1 − ∑ αk ∀ j ≤ n − 1.
k=1 ||αk ||2
96 Capítulo 9. Espaços com produto interno

e finalmente, construímos,
 
′′ 1 1
S = · α1 , . . . , · αn .
||α1 || ||αn ||

e obtemos assim um conjunto ortonormal S ′′ tal que

span{S } = span{S ′′ }.

■ Exemplo 9.4 • Considere no espaço vetorial R3 , munido com o produto interno canônico, o conjunto

o
S = {α1 = (1, 0, 0), α2 = (1, 2, 0), α3 = (0, 1, 4)} .

Sejam

çã
β1 = α1 ⇒ ||β1 ||2 = 1
< α2 , β1 >
β2 = α2 − β1 = (0, 2, 0) ⇒ ||β2 ||2 = 4
||β1 ||2
< α3 , β2 > < α3 , β1 >
β3 = β3 − β2 − β1 = (0, 0, 4) ⇒ ||β3 ||2 = 16
||β2 ||2 ||β1 ||2

a
E, por fim, fazendo
1
γ1 =
||βi ||
· βi ∀ i = 1, 2, 3.
or
temos

S ′ = {γ1 = (1, 0, 0), γ2 = (0, 1, 0), γ3 = (0, 0, 1)}

ab
• Considere no espaço vetorial M (2 × 2, R) munido com o produto interno

< A, B >= Traço(ABT ),

el

o conjunto
      
1 0 1 1 0 0
S = A1 = , A2 = , A3 =
0 1 0 0 0 1

Sejam
Em

B1 = A1 ⇒ ||B1 ||2 = 2
 
< A2 , B1 > 1/2 1
B2 = A2 − B1 = ⇒ ||B2 ||2 = 3/2
||B1 ||2 0 −1/2
 
< A3 , B2 > < A3 , B1 > −1/3 1/3
B3 = A3 − B2 − B1 = ⇒ ||B3 ||2 = 1/3
||B2 ||2 ||B1 ||2 0 1/3
E, por fim, fazendo
1
C1 = ·Ci ∀ i = 1, 2, 3,
||Ci ||
temos
  √   √   √ √ 
′ 1/ 2 0√ 1/ 6 1√ −1/ 3 1/ 3
S = C1 = , C2 = , C3 =
0 1/ 2 0 −1/ 6 0 1/3
■
 97

Definição 9.6 Considere um espaço vetorial de dimensão finita (V, +V , ·V ) sobre um corpo F munido de
um produto interno < , >. Um conjunto S é um conjunto ortonormal se S for ortogonal e todos seus
elementos tem norma 1. Em particular, uma base ortonormal é uma base que, como conjunto, é ortonormal.

Corolário 9.1 Considere um espaço vetorial de dimensão finita (V, +V , ·V ) sobre um corpo F munido de um
produto interno < , >. Então V admite uma base ortonormal ordenada.

Demonstração. Segue de aplicar o processo de Gram-Schmidt a uma base ordenada qualquer. ■

Teorema 9.3 Seja

o
 
a11 · · · a1n
A =  ... . . . ...  ∈ M (n × n, F).
 

çã
an1 · · · ann

Então, o mapa f : Fn × Fn → F definido por

  
a11 · · · a1n y1

a

 . . .
. . ..   ... 



f ( x1 · · · xn , y1 · · · yn ) = x1 · · · xn  ..
 

an1 · · · ann yn
or
é um produto interno se, e somente se, existe uma matriz invertível P tal que A = P P
T

Demonstração. ⇒) Como vimos anteriormente se B = {α1 , . . . , αn } e B′ = {β1 , . . . , βn } são bases distintas do

ab
espaço vetorial V e P é uma matriz invertível tal que
n
β j = ∑ Pi j αi .
i=1

Por outro lado se f : Fn × Fn → F é um produto interno, seja

el

 
f (α1 , α1 ) · · · f (α1 , αn )
A=
 .. .. .. 
. . . 
f (αn , α1 ) · · · f (αn , αn )

então
Em

T
(PAP ) jk = ∑ Pjr Ars (P̄T )sk
r,s

= ∑ Pjr f (αr , αs )Pks

r,s
 
= f ∑ Pr j αr , ∑ Psk αs
r s
= f (β j , βk )

T
De onde segue que [ f ]B′ = PAP .
T
Se f é um produto interno ent ao, existe uma base ortonormal e, portanto existe uma base na qual PAP = I.
Seja Q = P−1 então
T T T
QQ = QPAP Q
= A,
de onde segue o pedido.
98 Capítulo 9. Espaços com produto interno
T
⇐) Seja A = QQ e B a base canônica de Fn . Defina
T
f (α, β ) = [α]B A[β ]B = ([α]B Q) · ([β ]B Q)T .

Agora só resta verificar que tal f é um produto interno, o que fica como exercício.
■

Definição 9.7 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e S um subconjunto de V. O complemento ortogonal de S, que denotamos por S⊥ , é

S⊥ = {α ∈ V, α é ortogonal a todo vetor de S}.

o
■ Exemplo 9.5 • Em R3 com o produto interno canônica, seja

çã
S = {(x, y, z) ∈ R3 , x + y = z}

Então

S = span{(1, 0, 1), (0, 1, 1)}

a
Portanto α = (a, b, c)
inS⊥ se

0 =< (a, b, c), (1, 0, 1) >= a + c,

or
e

0 =< (a, b, c), (0, 1, 1) >= b + c.

ab
Então α = (a, a, −a). De onde segue que

S⊥ = {(a, a, −a) ∈ R3 , a ∈ R}.

• Sobre o espaço das matrizes M (2 × 2, R) considere o produto interno

el

< A, B >= Traço(BT A).

Seja
    
1 1 1 −1
S = span B1 = , B2 =
Em

0 1 0 0
 
a b
Observamos que um elementos A = estará em S⊥ se
c d
  
1 0 a b
0 =< A, B1 >= Traço = a+b+d
1 1 c d
  
1 0 a b
0 =< A, B2 >= Traço = a−b
−1 0 c d
Portanto
 
a a
A=
c −2a
e
  
a a
S⊥ = , a, c ∈ R
c −2a
 99

• Em PR2 [x] com o produto interno

Z 1
< p(x), q(x) >= p(x)q(x) dx,
0

considere

S = {p1 (x) = 1, p2 (x) = x − x2 }

Então, se q(x) = a + bx + cx2 ∈ S⊥ temos que

Z 1
b c
0 =< p1 , q >= (a + bx + cx2 ) dx = a + + .

o
0 2 3
Z 1
5a 7b 9c
0 =< p2 , q >= (a + bx + cx2 )(x − x2 ) dx = + + .

çã
0 6 12 20
De onde

S⊥ = {q(x) = 11c − 62cx + 60cx2 , c ∈ R}.

a
■

Corolário 9.2 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e W ⊂ V um subconjunto. Então
i) W⊥ é subespaço.
or
ii) Se W é subespaço, então V = W ⊕ W⊥ . Mais ainda, se α = γ1 + γ2 com γ1 ∈ W e γ2 ∈ W⊥ então vale
o Teorema de Pitágoras
ab
||α||2 = ||γ1 ||2 + ||γ2 ||2 .

Demonstração. i) Claramente OV ∈ W⊥ pois, OV é ortogonal a todo vetor de V e, em particular, a todo

vetor de W. Sejam α, β ∈ W⊥ e k ∈ F. Então, para todo γ ∈ W temos
el

< k · α + β , γ >= k < α, γ > + < β , γ >= 0 + 0 = 0.

Portanto k · α + β ∈ W⊥ e W⊥ é subespaço.
ii) Seja B1 = {α1 , . . . , αk } uma base ortonormal de W. Completamos a uma base ortonormal de V (podemos
primeiro completar a uma base de V e, depois, aplicar Gram-Schmidt).
Em

B = {α1 , . . . , αk , αk+1 , . . . , αk }

Seja U = span{αk+1 , . . . , αn }. Então V = W + U. Observamos que, da definição de base ortonormal,

temos que

< αk+ j , γ >= 0 ∀ γ ∈ W j > 0.

Portanto U ⊆ W⊥ e V ⊆ W + W⊥ . Por outro lado, se α ∈ W ∩ W ⊥ então

< α, α >= 0

pois α seria ortogonal a ele mesmo. De onde α = OV e V = W ⊕ W.

Finalmente, calculamos
||α||2 = < α, α >
= < γ1 + γ2 , γ1 + γ2 >
= ||γ1 ||2 + < γ1 , γ2 > + < γ2 , γ1 > +||γ2 ||2
= ||γ1 ||2 + ||γ2 ||2 .
■
100 Capítulo 9. Espaços com produto interno

Proposição 9.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e W1 , W2 ⊂ V subconjuntos. Então
• (W1 ∩ W2 )⊥ = W⊥ 1 + W2
⊥

• Se W1 ⊂ (W⊥ ⊥
1 ) e se W1 for subespaço então a igualdade vale.

Demonstração. • Se α ∈ (W1 ∩ W2 )⊥ então α ∈ W⊥ ⊥

1 e α ∈ W2 . De onde segue que (W1 ∩ W2 ) ⊂
⊥

W⊥ ⊥
1 + W2 .
Por outro lado, se α ∈ W⊥1 temos que < α, γ >= 0 para todo γ ∈ W1 . Portanto α ∈ (W1 ∩ W2 ) .
⊥
⊥ ⊥ ⊥
Análogamente se α ∈ W2 . Portanto W1 + W2 ⊂ (W1 ∩ W2 ) . ⊥

• Se α ∈ W1 então < α, γ >= 0 para todo γ ∈ W⊥ ⊥ ⊥ ⊥ ⊥

1 . Portanto α ∈ (W1 ) . Isto mostra que W1 ⊂ (W1 )
⊥ ⊥ ⊥ ⊥

o
Se W1 for subespaço então, por um lado, V = W ⊕ W e, também V = W ⊕ (W ) . De onde segue
que W = (W⊥ )⊥ .
■

çã
■ Exemplo 9.6 • Seja R3 munido do produto interno

< (x, y, z), (u, v, w) >= xu + 2yv + zw.

Seja

a
π = {(x, y, z) ∈ R3 , x + y = z}. or
Então π = span{(1, 0, 1), (0, 1, 1)}. Se (a, b, c) ∈ π ⊥ temos que
0 =< (a, b, c), (1, 0, 1) > = a + 2c ⇒ a = −2c
0 =< (a, b, c), (0, 1, 1) > = 2b + 2c ⇒ b = −c
portanto
ab
π ⊥ = {c · (−2, −1, 1), c ∈ R}.

Observamos que
∈π ∈ π⊥
z }| { z }| {
B = {(1, 0, 1), (0, 1, 1), (−2, −1, 1)}
el

forma uma baser, de fato

 
1 0 1
det  0 1 1 = 4 ̸= 0
−2 −1 1
Em

De onde segue que

R3 = π ⊕ π ⊥

Também, por exemplo,

−1 1 −3
α = (1, 1, −1) = · (1, 0, 1) + · (0, 1, 1) + (−2, −1, 1)
2 4 4
Se
   
−1 1 −1 1 −1 −3 3 3 −3
γ1 = · (1, 0, 1) + · (0, 1, 1) = , , e γ2 = (−2, −1, 1) = , ,
2 4 2 4 4 4 2 4 4
Então α = γ1 + γ2 e
1 9
||α||2 = 5, ||γ1 ||2 = , ||γ2 ||2 = ⇒ ||α||2 = ||γ1 ||2 + ||γ2 ||2 .
2 2
■
 o
10. Operadores em Espaços com Produto interno

a çã
Considere
or
• um espaço vetorial de dimensão finita (V, +V , ·V ) sobre um corpo F munido de um produto interno < , >,
• uma base ortonormal ordenada de V
ab
B = {α1 , . . . , αn },

• um operador linear T : V → V e seja A = [T ]BB a matriz tal que

T (αi ) = A1i · α1 + · · · + Ani · αn .

el

Corolário 10.1 Sob as hipóteses acima, temos que

([T ]BB )ik =< T (αk ), αi > .

Em

Demonstração. Como B é uma base ortonormal, tiramos que

α = ∑ < α, αi > αi ,
i

para todo α em V. Portanto

T αk = ∑ < T αk , αi > αi ,
i

Se A = [T ]BB a matriz tal que

T (αk ) = A1k · α1 + · · · + Ank · αn .

Temos que Aik =< T αk , αi >, de onde

([T ]BB )ik =< T (αk ), αi > ∀ i, k.

■
102 Capítulo 10. Operadores em Espaços com Produto interno

A partir do operador linear T : V → V tal que

T (αi ) = A1i · α1 + · · · + Ani · αn .

para

B = {α1 , . . . , αn },

uma base ortonormal ordenada de V, vamos construir um operador linear T ∗ : V → V.

Lembramos que só precisamos determinar a imagem de cada elemento da base B. Definimos então
T ∗ : V → V como sendo o operador linear tal que

o
T ∗ (αi ) = Ai1 · α1 + · · · + Ain · αn
= < T (α1 ), αi > · α1 + · · · + < T (αn ), αi > · αn

çã
= < αi , T (α1 ) > ·α1 + · · · + < αi , T (αn ) > ·αn .

Observamos que
n

a
< T (αi ), α j > = ∑ Aki < αk , α j >
k=1
= A ji

∗
< αi , T (α j ) > =
*
n
αi , ∑ A jk · αk
+
or
k=1
= A ji .
ab
De onde segue que

< T (αi ), α j >=< αi , T ∗ (α j ) > ∀ i, j,

Então, para qualquer α, β ∈ V temos que

el

n
< T (α), β > = ∑ ai b j < T (αi ), α j >
i, j=1
n
= ∑ ai b j < αi , T ∗ (α j ) >
i, j=1
= < α, T ∗ (β ) > .
Em

Teorema 10.1 Considere um espaço vetorial de dimensão finita (V, +V , ·V ) sobre um corpo F munido de
um produto interno < , >. Dado um operador T : V → V, existe um único operador T ∗ em V tal que
< T α, β >=< α, T ∗ β >. Mais ainda, [T ∗ ]B′ B′ = ([T ]B′ B′ )T para toda base ortonormal B ′ .

Demonstração. Vimos anteriormente que, dado um operador T : V → V e uma base ortonormal ordenada B,
existe um operador T ∗ em V tal que

< T α, β >=< α, T ∗ β > .

Com isto, se B ′ = {β1 , . . . , βk } é uma outra base ortonormal temos que

([T ∗ ]B′ B′ ) jk = < T ∗ (β j ), βk >
= < β j , T (βk ) >
= < T (βk ), β j >
= ([T ]B′ B′ )k j .
 103

De onde segue que [T ∗ ]B′ B′ = ([T ]B′ B′ )T .

Vejamos então a unicidade. De fato, se existir outro S : V → V temos que

< α, T ∗ (β ) >=< T (α), β >=< α, S(β ) >,

de onde segue que

< α, (T ∗ − S)(β ) >= 0 ∀ α, β ∈ V.

em particular, vemos que se α = (T ∗ − S)(β ) temos que

o
||(T ∗ − S)β || = 0 ∀β .

de onde T ∗ = S. ■

çã
Definição 10.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e T : V → V um operador, O operador adjunto de T , que denotamos por T ∗ é um
operador T ∗ : V → V tal que < T α, β >=< α, T ∗ β > para todo α, β ∈ V.

a
Obs. Pelo teorema 10.1, se V é um espaço de dimensão finita o operador adjunto. Isto continua a ser válido ainda
or
em espaços vetoriais com produto interno de dimensão infinita.

■ Exemplo 10.1 • Considere, no espaço das funções contínuas C([0, 1], R) munido do produto interno
Z 1
ab
< f , g >= f (x)g(x) dx f , g ∈ C([0, 1], R).
0

O operador T ( f )(x) = x f (x) é autoadjunto. De fato,

Z 1
< T ( f ), g > = x f (x)g(x) dx
0
el

Z 1
= f (x)(xg(x)) dx
0
Z 1
= f (x)T (g)(x) dx
0
= < f , T (g) > .
Em

• Considere R3 munido do produto interno canônico. Então

T (x, y, z) = (y, x, 2z),

é autoadjunto. De fato
< T (x, y, z), (u, v, w) > = < (y, x, 2z), (u, v, w) >
= uy + vx + 2zw
= < (x, y, z), (v, u, 2w) >
= < (x, y, z), T (u, v, w) > .
■

Proposição 10.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , >, T e U dois operadores em V e c é um escalar então
i) (T +U)∗ = T ∗ +U ∗ ;
ii) (cT )∗ = c̄T ∗ ;
iii) (T ◦U)∗ = U ∗ ◦ T ∗
iv) (T ∗ )∗ = T
104 Capítulo 10. Operadores em Espaços com Produto interno

Demonstração. Vamos a utilizar o que se S, T : V → V dois operadores tais que

< S(α), β >=< T (α), β > ∀ α, β ∈ V,

então T = S. Isto segue do fato que

< S(α), β >=< T (α), β > ⇒ < (S − T )(α), β >= 0 ∀ α, β ∈ V.

De onde ||(S − T )(α)||2 = 0 e, portanto, S = T .

i) Para quaisquer α, β ∈ V observamos que

o
< (T +U)∗ (α), β > = < α, (T +U)(β ) >
= < α, T (β ) > + < α,U(β ) >

çã
= < T ∗ (α) +U ∗ (α), β >
= < (T ∗ +U ∗ )(α), β > .
Portanto (T +U)∗ = T ∗ +U ∗ .
ii) Para quaisquer α, β ∈ V observamos que
< (cT )∗ (α), β > = < α, (cT )(β ) >

a
= c < α, T (β ) >
= c < T ∗ (α), β >

Portanto (cT )∗ = cT ∗ .
or
= < (cT ∗ )(α), β > .

iii) Para quaisquer α, β ∈ V observamos que

< (T ◦U)∗ (α), β > = < α, (T ◦U)(β ) >
ab
= < α, T (U(β )) >
= < T ∗ (α),U(β ) >
= < U ∗ (T ∗ (α)), β >
= < (U ∗ ◦ T ∗ )(α), β > .
el

Portanto (T ◦U)∗ = U ∗ ◦ T ∗ .
iv) Para quaisquer α, β ∈ V observamos que
< (T ∗ )∗ (α), β > = < α, (T ∗ )(β ) >
=< α, T (β ) >
= < T (α), β > .
Em

Portanto (T ∗ )∗ = T .
■

■ Exemplo 10.2 • Sobre Rn com o produto interno canônico considere o operador T : Rn → Rn dado por
T (X) = AX para A ∈ M (n × n, R). Como, para todo X, Y ∈ Rn temos que
< T (X),Y > = (AX)T Y
= X T AT Y.
Então T ∗ : Rn → Rn definido por T ∗ (X) = AT X é o único operador tal que

< T (X),Y >=< X, T ∗ (Y ) > .

• Sobre o espaço das matrizes M (n × n, R) definimos o produto interno

< A, B >= Traço(BT A).

Seja M uma matriz fixa, de tamanho n × n, então considere a transformação linear T (A) = MA. Podemos
 105

ver que T ∗ (A) = M T A.. De fato,

< T (A), B > = Traço(BT MA)
= Traço((BT MA)T )
= Traço((MA)T B)
= Traço(AT M T B)
= Traço((AT M T B)T )
= Traço((M T B)T A)
= < A, T ∗ B > .
• Sobre o espaço dos polinômios definimos o produto interno

o
Z 1
< f , g >= ¯ dt.
f (t)g(t)
0

çã
Seja h um polinômio e defina T ( f ) = h f então T ∗ ( f ) = h̄ f .
• O adjunto de um operador, nos espaços de dimensão infinita, não sempre existe. De fato, sobre o mesmo
espaço anterior definimos o operador D =derivada em x. Então, integração por partes garante
< D f , g >= f (1)g(1) − f (0)g(0)− < f , Dg >

a
Fixamos g e procuramos D∗ g é um polinômio tal que < D f , g >=< f , D∗ g >. Nesse caso, temos que
para todo f
or
< f , D∗ g >=< D f , g >= f (1)g(1) − f (0)g(0)− < f , Dg >
de onde
ab
< f , D∗ g + Dg >= f (1)g(1) − f (0)g(0)
Fixamos uma g qualquer e definimos o funcional L( f ) = f (1)g(1) − f (0)g(0). Pelas propriedades acima,
se D∗ g existe,
L( f ) =< h, f >
el

para h = D∗ g + Dg. Observamos que se f = x(1 − x)h (aqui entra que a dimensão não é finita pois muda
o grau) então f (0) = f (1) = 0 e L(x(x − 1)h(x)) = 0. Por outro lado,
Z 1
L(x(1 − x)h) = x(1 − x)h(x)2 dx ≥ 0
0
Em

temos que h = 0 e, portanto D∗ g = −Dg. Mas então,

− < f , Dg >=< f , D∗ g >=< D f , g >= f (1)g(1) − f (0)g(0)− < f , Dg >
⇒ f (1)g(1) − f (0)g(0) = 0
para todo par de polinômios f , g, o que é um absurdo.
■

Teorema 10.2 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , >, T : V → V um operador linear e W ⊂ V um subespaço. Se W é invariante por T , isto
é,

T (α) ∈ W ∀ α ∈ W

então W⊥ é invariante por T ∗ , isto é

T ∗ (β ) ∈ W⊥ ∀ β ∈ W⊥ .
106 Capítulo 10. Operadores em Espaços com Produto interno

Demonstração. Observamos que o fato de W ser invariante por T não significa que para cada vetor α ∈ W
temos que T α ∈ W. Seja β ∈ W⊥ . então para todo α ∈ W temos que

< α, T ∗ β >=< T α, β >= 0

donde T ∗ β ∈ W⊥ .
■

■ Exemplo 10.3 Considere R3 com o produto interno canônico. Seja T : R3 → R3 tal que

o
T (1, 0, 0) = (1, 2, 1), T (0, 1, 0) = (1, 1, 0) e T (0, 0, 1) = ((1, 0, 1)

isto é

çã
T (x, y, z) = (x + y + z, 2x + y, x + z).

Então, se C é a base canônica, temos

   
1 1 1 1 1 1

a
[T ]C C = 2 1 0 ⇒ [T ∗ ]C C = 2 1 0
1 0 1 1 0 1

de onde

or   
1 2 1 x x + 2y + z
[T ∗ (x, y, z)]C = [T ∗ ]C C [(x, y, z)]C = 1 1 0 y =  x + y 
ab
1 0 1 z x+z

Portanto

T ∗ (x, y, z) = (x + 2y + z, x + y, x + z)
el

Observamos que se

π = {(x, y, z) ∈ R3 , x = 0, y = z} = span{(0, 1, −1)}

então, como T (0, 1, −1) = (0, 1, −1) temos que T (π) ⊂ π. Por outro lado
Em

π ⊥ = span{(1, 0, 0), (0, 1, 1)}.

como

T ∗ (1, 0, 0) = (1, 1, 1) = 1 · (1, 0, 0) + 1 · (0, 1, 1) ∈ π ⊥

T ∗ (0, 1, 1) = (2, 1, 1) = 2 · (1, 0, 0) + 1 · (0, 1, 1) ∈ π ⊥

temos que T ∗ (π ⊥ ) ⊂ π ⊥ . ■
 o
11. Operador Autoadjunto

a çã
or
Começamos nossa discussão sobre alguns tipos específicos de operadores sobre espaços vetoriais com produto
interno.
Definição 11.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e T : V → V um operador. Dizemos que T é hermitiano ou autoadjunto se T = T ∗ .
ab
■ Exemplo 11.1 • Considere, no espaço das funções contínuas C([0, 1], R) munido do produto interno
Z 1
< f , g >= f (x)g(x) dx f , g ∈ C([0, 1], R).
0
el

O operador T ( f )(x) = x f (x) é autoadjunto. De fato,

Z 1
< T ( f ), g > = x f (x)g(x) dx
0
Z 1
= f (x)(xg(x)) dx
0
Em

Z 1
= f (x)T (g)(x) dx
0
= < f , T (g) > .
• Considere R3 munido do produto interno canônico. Então

T (x, y, z) = (y, x, 2z),

é autoadjunto. De fato
< T (x, y, z), (u, v, w) > = < (y, x, 2z), (u, v, w) >
= uy + vx + 2zw
= < (x, y, z), (v, u, 2w) >
= < (x, y, z), T (u, v, w) > .
■

Teorema 11.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e T : V → V um operador autoadjunto. Então todo autovalor é real e os autovetores
108 Capítulo 11. Operador Autoadjunto

asociados a autovalores distintos são ortogonais.

Demonstração. Seja λ ∈ F um autovalor associado ao autovetor α, então

λ ||α||2 = < T α, α >
= < α, T ∗ α >
= < α, T α >
= λ ||α||2 .
donde c = c, e portanto real.
Se T α1 = λ1 α1 e T α2 = λ2 α2 então

o
(λ1 − λ2 ) < α1 , α2 > = < T α1 , α2 > − < α1 , T α2 >
= 0

çã
donde < α1 , α2 >= 0.
■

Teorema 11.2 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um

a
produto interno < , > e T : V → V um operador autoadjunto. Então T possui um autovetor não nulo.
or
Demonstração. Como V tem dimensão finita temos uma base ortonormal finita B sobre V e a matriz A = [T ]BB
é tal que A∗ = A. O polinômio característico do operador é dado por

PT (x)(x) = det(xI − A).

ab
Se F = C temos que o polinômio deve ter raizes e estas raizes, por estarem associadas a autovalores do operador
autoadjunto T , devem ser reais. De onde segue que T tem um autovetor não nulo.
Se F = R, observamos que A ∈ M (n × n, R) e que A = AT pois T é autoadjunto. Considere agora A ∈
M (n × n, C) e defina S : Cn → Cn por S(X) = AX. Se consideramos a base canônica C , que é uma base
ortonormal para o produto interno canônico de Cn , temos que [S]C C = A. Como
el

A = AT ⇒ S é autoadjunto.

Com isto, o polinômio característico de S será

PS (x)(x) = det(xI − A) = PT (x).

Em

e, terá raizes que são reais pois S é autoadjunto. Mas essas raizes reais serão também autovalores de T . Portanto
T admite um autovetor não nulo. ■

Teorema 11.3 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e T : V → V um operador linear um operador linear autoadjunto. Então existe uma
base ortonormal ordenada que diagonaliza T .

Demonstração. Assuma que dim(V) > 0. Sabemos pelo teorema anterior que T tem um autovetor não nulo α.
1
Seja α1 = ||α|| α tal que α1 é autovetor de T com ||α1 || = 1. Se dim(V) = 1 acabamos. Se não procedemos
por indução na dimensão do espaço.
Suponha que o teorema é verdadeiro para espaçõs de dimensão menor que a dimensão de V. Sabemos que o
subespaçõ W gerado por α1 é invariante por T . Pelo teorema anterior W⊥ é invariante por T ∗ = T. Agora W⊥ é
um espaço vetorial com produto interno de dimensão menor que V. Seja U o operador linear induzido em W⊥
por T , isto é a restrição de T a W⊥ definida por

U : W⊥ → W⊥ U(β ) = T (β ) ∈ W⊥ .
 109

Observamos que U é autoadjunto, de fato, para todo β1 , β2 ∈ W⊥ temos que

U(βi ) = T (βi ) = T ∗ (βi ) ∈ W⊥ .

Então
< U(β1 ), β2 > = < T (β1 ), β2 >
= < β1 , T ∗ (β2 ) >
= < β1 , T (β2 ) >
= < β1 ,U(β2 ) > .

o
Agora, a hipótese indutiva garante a existência de uma base ortonormal {α2 , . . . , αn } formada por autovetores de
U que, no caso, também o serão de T . Como V = W ⊕ W⊥ temos que {α1 , α2 , . . . , αn } é a base procurada. ■

çã
■ Exemplo 11.2 Considere R3 com o produto interno canônico Seja T : R3 → R3 definido por

T (x, y, z) = (4x + 2y + 2z, 2x + 4y + 2z, 2x + 2y + 4z).

Se C é a base canônica então

a
 
4 2 2
[T ]C C = 2 4 2
2 2 4
or
Observamos que como o espaço vetorial está sobre R e a matriz de T numa base ortonormal é simétrica, temos
que T ∗ = T . Calculamos os autovalores, para isso observamos que
 
x − 4 −2 −2
ab
det(xI − [T ]C C ) = det  −2 x − 4 −2  = (x − 8)(x − 2)2
−2 −2 x − 4

Portanto, os autovalores são x = 8 (com multiplicidade 1) e x = 2 (com multiplicidade 2). Calculamos os

autovetores.
el

No caso x = 8 temos que o autoespaço associado V8 será o conjunto solução do sistema ([T ]C C − 8I)X = 0,
isto é
    
−4 2 2 x 0
 2 −4 2  y = 0 ⇒ x = y = z
2 2 −4 z 0
Em

Portanto

V8 = {λ (1, 1, 1), λ ∈ R}

e uma base ortonormal de V8 é

 
1 1 1
B1 = √ ,√ ,√
3 3 3
No caso x = 2 temos que o autoespaço associado V2 será o conjunto solução do sistema ([T ]C C − 2I)X = 0, isto
é
    
2 2 2 x 0
2 2 2 y = 0 ⇒ z = −x − y
2 2 2 z 0
Portanto

V2 = span{(1, 0, −1), (0, 1, −1)}

110 Capítulo 11. Operador Autoadjunto

e, aplicando Gram-Schmidt aos geradores de V2 , temos que uma base ortonormal de V2 é

   
1 1 1 2 1
B2 = √ , 0, − √ , √ , − √ , √
2 2 6 6 6
Com isto temos que a base
      
1 1 1 1 1 1 2 1
B = α1 = √ , √ , √ , α2 = √ , 0, − √ , α3 = √ , − √ , √
3 3 3 2 2 6 6 6
é uma base ortonormal ordenada tal que

o
T (α1 ) = 8α1 , T (α2 ) = 2α2 , e T (α3 ) = 2α3 .

Portanto,

çã
 
8 0 0
[T ]BB = 0 2 0 .
0 0 2

a
Neste caso, se
√1 √1 √1 √1 √1 √1
   
3 2 6 3 3 3
[I]C B =
 √1
 3
√1
3
0
− √12
− √26 
√1
6
 ⇒
or
[I]BC = [I]−1
CB =
 √1
 2
√1
6
0
− √26
− √12 
√1
6


temos que
ab
[T ]BB = [I]BC [T ]C C [I]C B .

Definição 11.2 • Uma matriz U ∈ M (n × n, C) é dita unitaria se U T ·U = ICn .

• Uma matriz U ∈ M (n × n, R) é dita ortogonal se U T ·U = IRn .
el

Teorema 11.4 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e T : V → V um operador linear. Sejam B1 e B2 duas bases ortonormais. Então,
• se F = C existe uma matriz unitaria U, tal que
Em

U T [T ]B1 B1 U = [T ]B2 B2 .

• se F = R existe uma matriz ortogonal U, tal que

U T [T ]B1 B1 U = [T ]B2 B2 .

Demonstração. Provamos o caso F = C pois o caso mF = R é análogo e segue de observar que todas as entradas
são reais.
Assuma que B1 = {α1 , . . . , αn } e que B2 = {β1 , . . . , βn } são as bases ortonormais. Então, sabemos que
existem escalares ai j ∈ C tais que

βi = a1i · α1 + · · · + ani · αn .

Mais ainda, como

 
a1i
 .. 
[βi ]B1 =  . 
ani
 111

e a base B2 é ortonormal, temos que

 
a1 j 

 .  T T 1 se i = j
a1i · · · ani ·  ..  = [βi ]B1 · [β j ]B1 = [βi ]B1 · [β j ]B1 = < βi , β j > =
0 se i ̸= j.
an j

Considere então
 
a11 · · · a1n
U = [IV ]B1 B2 =  ... . . . ... 
 

o
an1 · · · ann

Observamos que, pelo visto acima,

çã
 
1 ··· 0
U T ·U =  ... . . . ... 
 

0 ··· 1

a
e, portanto, U é unitária. Decorre disto que

[IV ]B2 B1 = [IV ]−1 T

B1 B2 = U ,
or
e que
ab
U T [T ]B1 B1 U = [IV ]B2 B1 [T ]B1 B1 [IV ]B1 B2 = [T ]B2 B2 .

Análogamente se prova o caso F = R.

■
el

Corolário 11.1 Seja A ∈ M (n × n, R) uma matriz simétrica, então existe uma matriz ortogonal O ∈
M (n × n, R) e uma matriz diagonal D ∈ M (n × n, R) tal que

OT AO = D
Em

Demonstração. Segue de construir o operador linear T : Rn → Rn , para Rn munido do produto interno canônico,
como T (X) = AX. Então, na base canônica C temos que [T ]C C = A e, portanto, é simétrica. De onde segue
que T é autoadjunto e, portanto, diagonalizável. Seja B a base ortonormal ordenada que diagonaliza T e
D = [T ]BB a matriz diagonal formada pelos autovalores associados aos autovetores seguindo a ordem. Pelo
teorema anterior, existe uma matriz ortogonal O tal que

OT AO = D.

Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um produto interno
< , > e f : V × V → R uma função tal que
• f (kα + β , γ) = k f (α, γ) + f (β , γ),
• f (α, β ) = f (β , α),
para todo α, β , γ ∈ V e k ∈ F. Vamos mostrar que existe um único operador T : V → V tal que

f (α, β ) =< T (α), β > .

112 Capítulo 11. Operador Autoadjunto

Demonstração. Seja {α1 , . . . , αn } uma base ortonormal. Definimos

T (α) = f (α, α1 ) · α1 + · · · + f (α, αn ) · αn .

Observamos que para α, β ∈ V temos

f (α, β ) = f (α, < β , α1 > ·α1 + · · · + < β , αn > ·αn )
= < β , α1 > · f (α, α1 ) + · · · + < β , αn > · f (α, αn )
= f (α, α1 )· < α1 , β > + · · · + f (α, αn )· < αn , β >
= < T (α), β > .

o
Assuma que existe U : V → V tal que f (α, β ) =< U(α), β >, então

< T (α), β >=< U(α), β > ⇒ < (T −U)(α), β >= 0

çã
de onde segue que T = U.
■

■ Exemplo 11.3 Seja V = M (2 × 2, R) o espaço vetorial munido do produto interno

a
< A, B >= Traço(BT A). or
Seja f : V × V → R definida por

f (A, B) = [A]11 [B]11 + [A]12 [B]12 .

Observamos que f verifica

ab
• f (kA + B,C) = k f (A,C) + f (B,C),
• f (A, B) = f (B, A),
para toda A, B e C em V e k ∈ R.
Sejam
         
a b 1 0 0 1 0 0 0 0
el

A= , E1 = , E2 = , E3 = e E4 = .
c d 0 0 0 0 1 0 0 1

Calculamos

f (A, E1 ) = a, f (A, E2 ) = b, f (A, E3 ) = 0, f (A, E4 ) = 0,

Em

Portanto
      
a b a b 1 0 a b
T = a · E1 + b · E2 = =
c d 0 0 0 0 c d

Agora, é fácil verificar que

f (A, B) =< T (A), B >,

e fica como exercício.

■

Corolário 11.2 — Teorema dos eixos principais. Seja (V, +V , ·V ) um espaço vetorial de dimensão finita
sobre um corpo F munido de um produto interno < , > e f : V × V → F uma função tal que
• f (kα + β , γ) = k f (α, γ) + f (β , γ),
• f (α, β ) = f (β , α).
Então existe uma base ortonormal B = {α1 , . . . , αn } de V tal que f (αi , α j ) = 0 se i ̸= j.
 11.1 Aplicação à classificação de cônicas e quádricas. 113

Demonstração. Seja T o operador linear tal que f (α, β ) =< T (α), β > para todo α, β ∈ V. Então, como

f (α, β ) = f (β , α)

e, para todo α, β ∈ V temos

< T (α), β > = f (α, β )
= f (β , α)
= < T (β ), α >

o
= < α, T (β ) > .
Segue então que T = T ∗ . Assim temos que existe uma B = {α1 , . . . , αn } de V e escalares λ1 , . . . , λn em F tais

çã
que tal que T (αi ) = λi · αi , de onde segue o resultado. ■

11.1 Aplicação à classificação de cônicas e quádricas.

Nosso local de trabalho seŕa Rn . Vamos fazer geometria então vamos considerar o produto interno canônico

a
< (x1 , . . . , xn ), (y1 , . . . , yn ) >= x1 y1 + · · · + xn yn .

Seja
or
C = {e1 = (1, 0 . . . , 0), . . . , en = (0, . . . , 0, 1)}

A base canônica que é, naturalmente uma base ortonormal e, claramente, cada ponto do espaço P = (x1 , . . . , xn )
ab
pode ser visto como o vetor deslovamento de O = (0, . . . , 0) até P da seguinte forma

OP = x1 · e1 + · · · + xn · en .

Associamos a cada vetor e j = (0, . . . , 0, 1, 0, . . . , 0) o subespaço ou eixo coordenado

el

x̂ j = {P ∈ Rn , OP = λ · e j , λ ∈ R},

de modo tal que, cada entrada do ponto P = (x1 , . . . , xn ) é tal que a projeção ortogonal

Px̂ j (OP) = x j · e j .
Em

Considere, em Rn , uma função h : Rn → R da forma

n n
h(x1 , . . . , xn ) = ∑ ai j xi x j + ∑ b j x j + c
i, j=1 j=1

onde ai j = a ji para todo i, j = 1 . . . n.

A função define um conjunto geométrico por

G = {(x1 , . . . , xn ) ∈ Rn , h(x1 , . . . , xn ) = 0}.

A pergunta é, podemos clasificar os conjuntos G ? e, se sim de quantas formas diferentes eles são.
Para esboçar uma resposta, podemos escrever, em notação matricial
    
a11 · · · a1n x1 x1
 .. . . . .
 . 
h(x1 , . . . , xn ) = (x1 , . . . , xn )  . . ..   ..  + b1 · · · bn  ..  + c
  

an1 · · · ann xn xn
114 Capítulo 11. Operador Autoadjunto

Defininido
   
a11 · · · a1n x1
A =  ... . . . ... 
 .. 

X = .  e B = b1 · · · bn
 

an1 · · · ann xn
Podemos escrever, em notação matricial,

h(X) = X T AX + BX + c

Agora, como A é uma matriz simétrica sabemos que existe uma matriz ortogonal O tal que se

o
 
λ1 · · · 0
D =  ... . . . ...  ⇒ OT DO = A.
 

çã
0 · · · λn
Observamos que a transformação linear T : Rn → Rn definida por

T (X) = OX

a
é bijetora, com inversa T −1 (X) = OT X e que satisfaz
< T (X), T (Y ) > = (T (X))T · T (Y )
= X T OT OY
= XTY
or
= < X,Y > .
Isto significa que T preserva ângulos e comprimentos. Mais ainda, se consideramos a base ortonormal B =
ab
{α1 , . . . , αn } tal que

[I]BC = O

Básicamente, se O j é a linha j−ésima de O, temos que

el

O j = T (e j ).

Com isto, associamos a cada vetor α j o subespaço ou eixo coordenado

ŷ j = {P ∈ Rn , OP = λ · α j , λ ∈ R},
Em

de modo tal que, cada entrada do ponto P = (y1 , . . . , yn ) é tal que a projeção ortogonal

Pŷ j (OP) = y j · e j .

Observamos que Com isto, observamos que

h(X) = X T AX + BX + c = (OX)T D(OX) + (BOT )(OX)
= (T (X))T D(T (X)) + (BOT )(T (X)) + c.
Então, se denotamos por Y = (T (X) e B̃ = BO podemos escrever

h(T −1 (Y )) = Y T DY + B̃Y + c,

Observamos que, o lado direito da equação pode ser escrito como segue
n
∑ (λi y2i + b̃i yi ) + c
j=1

Que é muito mais simples de clasificar.

FALTA: Escrever o que acontece em R2 e R3 e cônicas e quádricas.
 o
12. Projeção ortogonal

a çã
or
Estudaremos agora um operador autoadjunto particular que é o operador Projeção ortogonal.
Definição 12.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e W um subconjunto de V e β um vetor em V que não está em W.
ab
Um vetor α em W é dito a melhor aproximação de β se para todo γ em W temos que

||β − α|| ≤ ||β − γ||.

Teorema 12.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , >, W um subespaço de V e seja β um vetor em V.
el

i) O vetor α em W é a melhor aproximação de β se β − α é ortogonal a todo vetor em W.

ii) Se a melhor aproximação de β existe ela é unica.
iii) Se W é de dimensão finita e {α1 , . . . , αn } é uma base ortogonal de W então o vetor
n
< β , αi >
α=∑
Em

2
αi
i=1 ||αi ||

é a melhor aproximação de β

Demonstração. i- Seja γ ∈ V e α ∈ W, a melhor aproximação de β . Então

β − γ = (β − α) + (α − γ)
e
||β − γ||2 = ||β − α||2 + 2Re(< β − α, α − γ >) + ||α − γ||2 .
Observamos que
– se β − α é ortogonal a qualquer vetor em W, segue então que, se γ ∈ W e α ̸= γ então
||β − γ||2 = ||β − α||2 + ||α − γ||2 > ||β − α||
– se
||β − γ|| ≥ ||β − α||
116 Capítulo 12. Projeção ortogonal

para todo γ ∈ W. Então temos, pela primeira equação, que

2Re(< β − α, α − γ >) + ||α − γ||2 ≥ 0

para todo γ ∈ W.
Como todo vetor τ em W pode ser escrito como τ = α − γ com γ ∈ W, observamos que

2Re(< β − α, τ >) + ||τ||2 ≥ 0

para todo τ ∈ W. Em particular se γ ∈ W e γ ̸= α podemos escolher

< β − α, α − γ >

o
τ =− (α − γ).
||α − γ||2
Substituindo na expressão acima obtemos

çã
| < β − α, α − γ > |2 | < β − α, α − γ > |2 | < β − α, α − γ > |2
− = −2 + ≥0
||α − γ||2 ||α − γ||2 ||α − γ||2
o que ocorre se, e somente se, < β − α, α − γ >= 0. De onde segue que β − α é ortogonal a todo vetor

a
em W.
ii) Pelo que vimos no item anterior, a condição de ortogonalidade é satisfeita no máximo por um vetor. De
fato se existir um α ′ ∈ W tal que α ′ ̸= α e que também é a melhor aproximação de β então poderíamos
construir um τ como acima tal que
or
| < β − α, α − γ > |2
− ≥0
||α − γ||2
ab
o que gera uma contradição.
iii) Sabemos que W tem uma base ortogonal {α1 , . . . , αn }. Então, β − α é ortogonal a todo αi . Portanto,

< β − α, αi >= 0 ⇒ < β , αi >=< α, αi > .

Agora, como
el

n n
< α, αi > < β , αi >
α=∑ 2
αi temos que α = ∑ 2
αi .
i=1 ||αi || i=1 ||αi ||

■
Em

Definição 12.2 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , >, W um subespaço de V e β ∈ V. A projeção ortogonal em W de β é o vetor α ∈ W
que faz a melhor aproximação de β . Se todo vetor possui projeção ortogonal em W, a função PW : V → V
que associa a cada vetor de V sua projeção ortogonal é chamada de projeção ortogonal de V em W.
Em particular, se {α1 , . . . , αn } é uma base ortogonal de W então
n
< β , αi >
PW (β ) = ∑ 2
αi .
i=1 ||αi ||

Teorema 12.2 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e W um subespaço de V. Considere PW é a projeção ortogonal de V em W. Então,
• PW é um projetor em W e um operador linear autoadjunto.
• O mapa I − PW é uma projeção ortogonal de V em W⊥ e, portanto, o projetor PW⊥ = I − PW . Em
particular

I = PW + PW⊥ .
 117

Demonstração. • Seja B = {α1 , . . . , αn } é uma base ortogonal de W, β1 , β2 ∈ V e k ∈ F, então

n
< k · β1 + β2 , αi >
PW (k · β1 + β2 ) = ∑ αi
i=1 ||αi ||2
n
k < β1 , αi > + < β2 , αi >
= ∑ αi
i=1 ||αi ||2
n n
< β1 + β2 , αi > < β2 , αi >
= k·∑ 2
α i + ∑ αi
i=1 ||α i || i=1 ||αi ||2
= k · PW (β1 ) + PW (β2 ).

o
Portanto PW : V → V é uma transformação linear.
Como PW (β ) ∈ W temos que Img(PW ) ⊂ W. Por outro lado, visto que PW (αi ) = αi para αi ∈ B temos
que W ⊂ Img(PW ), portanto Img(PW ) = W.

çã
Também, temos que se α um vetor em W então PW (α) é a melhor aproximação de α que está em W. Em
particular PW (α) = α quando α ∈ W. Então, como PW (α) ∈ W para todo α ∈ V, temos que

PW (PW (α)) = PW (α) para todo al pha ∈ V,

a
2 =P .
isto é PW W
Finalmente, vejamos que PW é autoadjunto. Se α, β ∈ V temos que
n
< α, αi >
< PW (α), β > = ∑
i=1 ||αi ||
n
2
or
< αi , β >

< α, < β , αi > αi >

= ∑
i=1 ||αi ||2
ab
= < α, PW (β ) > .
• Seja α ∈ V um vetor arbitrário então α − PW (α) está em W⊥ , e para todo γ ∈ W⊥ , temos que

α − γ = PW α + (α − γ − PW α).

Como PW α está em W e α − γ − PW (α) ∈ W⊥ segue que

el

||α − γ||2 = ||PW α||2 + ||(α − γ − PW (α))||2 = ||PW α||2 ≥ ||(α − (α − PW (α))||2

com desigualdade estricta quando α − PW (α) ̸= γ. Então α − PW (α) é a melhor aproximação de α por
vetores de W⊥ .
■
Em

■ Exemplo 12.1 • Considere um subespaço W de R3 dado por

W = span{(1, 1, 0), (0, 1, 1)}

Então, aplicamos Gram-Schmidt sobre os geradores para ter uma base ortogonal {α1 , α2 }. Temos que
α1 = (1, 1, 0), ||α1 ||2 = 2
 
< (1, 1, 0), (0, 1, 1) > 1 1 3
α2 = (1, 1, 0) − · (1, 1, 0) = − , , 1 , ||α2 ||2 = .
2 2 2 2
Calculamos
< (x, y, z), α1 > = x + y
2z − x + y
< (x, y, z), α2 > =
2

Com isto,
   
x+y 2z − x + y 1 1 4x + 2y − 2z 2x + 4y + 2z 2y − 2x + 4z
PW = (1, 1, 0) + − , ,1 = , ,
2 2 2 2 6 6 6
118 Capítulo 12. Projeção ortogonal

• Considere um subespaço W de R3 que seja um plano, isto é

W = {(x, y, z) ∈ R3 , ax + by + cz = 0}

Vamos calcular PW . Pelo visto acima temos que

IR3 = PW + PW⊥

Neste caso, sabemos que

W⊥ = {λ (a, b, c), λ ∈ R}.

o
Portanto

çã
< α, ν >
PW⊥ (α) = ·ν
||ν||2

para ν = (a, b, c). Decorre então que

< α, ν >

a
PW (α) = IR3 (α) − PW⊥ (α) = α − ·ν
||ν||2
or
• Considere um subespaço W de R4 dado por

W = span{(1, 1, 0, 0), (0, 1, 0, 0), (0, 0, 1, 1)}

Observamos que
ab
W⊥ = span{0, 0, 1, −1)}

Então
 
< (a, b, c, d), (0, 0, 1, −1) > c−d d −c
el

PW⊥ (a, b, c, d) = (0, 0, 1, −1) = 0, 0, ,

||(0, 0, 1, −1)||2 2 2

Então,
 
c+d c+d
PW (a, b, c, d) = (a, b, c, d) − PW⊥ (a, b, c, d) = a, b, , .
Em

2 2

• Considere um subespaço W de PR (x) dado por

W = span{q(x) = 1 + x}

Observamos que
Z 1
7
||q(x)||2 = (1 + x)2 dx = .
0 3
e que

18a + 10b + 7c
< (a + bx + cx2 ), q(x) >= (1 + x).
12
Portanto
18a + 10b + 7c
PW (a + bx + cx2 ) = (1 + x).
28
 119

• Considere um subespaço W de M (2 × 2, R) dado por

    
0 1 1 1
W = span γ1 = , γ2 = .
1 0 1 0

Aplicamos Gram-Schmidt sobre os geradores para ter uma base ortogonal {α1 , α2 }. Temos

α1 = γ1 , ||α1 ||2 = 2,
1
 
< γ2 , γ1 > 1 5
α2 = γ2 − γ1 = 1
2 , ||α2 ||2 = .
||γ1 ||2 − 1 2

o
2
Também observamos que
   

çã
a b 0 1
, = c+b
c d 1 0
1
   
a b 1 2
2a + 2d + b − c
, = .
c d − 12 1 2

a
Com isto,
1
     
a b c+b 0 1 2a + 2d + b − c 1
PW
c d
=
2
·
1 0
+
5
·
− 12
or 2
1
■

Corolário 12.1 — desigualdade de Bessel. Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre
ab
um corpo F munido de um produto interno < , > e {α1 , . . . , αn } um conjunto de vetores ortogonais não
nulos de V. Se β ∈ V, então
n
| < β , αk > |2
||PW (β )|| = ∑ ||αk ||2 ≤ ||β ||2 .
k=1
el

A igualdade vale se, e somente se,

n
< β , αk >
β= ∑ 2
αk
k=1 ||αk ||
Em

Demonstração. Seja
n
< β , αk >
γ= ∑ 2
αk .
k=1 ||αk ||

Então β = γ + δ onde < γ, δ >= 0. Portanto

||β ||2 = ||γ||2 + ||δ ||2 .

Agora só resta mostrar que

n
| < β , αk > |2
||γ||2 = ∑ ||αk ||2
k=1

que é uma conta simples de ser feita e fica como exercício. ■

2
Obs. Seja α, β ∈ R dois vetores, então podemos decompor α = β1 + β2 em que β1 ⊥ β2 e β1 = λ · β .
120 Capítulo 12. Projeção ortogonal

Observamos que se W = span{β } temos que

PW (α) = α1 .

o
Então, a desigualdade de Bessel básicamente está dizendo que

çã
||PW (α)|| = ||α1 || ≤ ||α||,

isto é, que o comprimento da hipotenusa é maior que qualquer um dos catetos.

Teorema 12.3 — Resolução Espectral. Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um

a
corpo F munido de um produto interno < , > e T um operador autoadjunto. Sejam
• λ1 , . . . , λk os autovalores de T , diferentes entre si
or
• W1 , . . . , Wk os autoespaços associados aos autovalores λi′ s
• P1 , . . . , Pk as projeções ortogonais de V em W′i s.
Então
i) Wi ⊥ W j se i ̸= j
ii) V = W1 ⊕ · · · ⊕ Wk
ab
iii) T = λ1 PW1 + · · · + λk PWk

Demonstração. Pelo visto anteriormente sobre operadores autoadjuntos, sabemos que Wi ⊥ W j se i ̸= j e que
V tem uma base ortonormal que diagonaliza T e, mais ainda, que está associada à decomposição
el

V = W1 ⊕ · · · ⊕ Wk .

Desta decomposição segue que

IV = PW1 + · · · + PWk .
Em

Então, dado α ∈ V temos que

α = α1 + · · · + αk ⇒ PWi (α) = αi

De onde

T ◦ PWi (α) = T (αi ) = λi · αi = λi · PWi (α),

portanto T ◦ PWi = λi · PWi e

T = T ◦ IV
= T (PW1 + · · · + PWk )
= λ1 PW1 + · · · + λk PWk .
■
 o
13. Operador unitario

a çã
or
Passamos a estudar agora operadores entre espaços vetoriais
Definição 13.1 Sejam
• (V, g) e (W, h) dois espaços vetoriais com produto interno sobre um mesmo corpo F.
ab
• T : V → W uma transformação linear
Dizemos que T preserva produtos internos, ou que T é uma isometria, se

h(T α, T β ) = g(α, β ) para todo α, β ∈ V.

Um isomorfismo entre espaços com produtos internos (V, g) e (W, h) é um isomorfismo entre os
el

espaços vetoriais que preserva os produtos internos.

Se existe um isomorfismo T : V → W, entre espaços com produto interno, dizemos que V e W são ditos
Isomorfos ou Isométricos.

Teorema 13.1 Sejam (V, g) e (W, h) dois espaços vetoriais com produto interno sobre um mesmo corpo F e
Em

da mesma dimensão. Seja T : V → W uma transformação linear. São equivalentes:

i) T preserva produtos internos.
ii) T é um isomorfismo entre espaços com produtos internos.
iii) T transforma toda base ortonormal em uma base ortonormal.
iv) T transforma alguma base ortonormal numa base ortonormal.

Demonstração. i) → ii) Se T preserva produto interno então ||T α||W = ||α||V de onde segue que T v = 0 se, e
somente se, α = 0. Portanto, T é isomorfismo.
ii) → iii) Seja T um isomorfismo e {α1 , . . . , αn } uma base ortonormal de V. Como T é um isomorfismo e dim(W) =
dim(V) temos que {T (α1 ), . . . , T (αn )} é uma base de W. Como T preserva produto interno temos que

< T (α j ), T (αi ) >=< α j , αi > .

iii) → iv) Segue direto do anterior.

iv) → i) Seja {α1 , . . . , αn } uma base ortonormal de V e {T (α1 ), . . . , T (αn )} a base ortonormal de W induzida por
T. Então

h(T (αi ), T (α j )) = g(αi , α j )

122 Capítulo 13. Operador unitario

Sejam α, β ∈ V então α = a1 · α1 + · · · + an · αn e β = b1 · α1 + · · · + bn · αn então temos que

g(α, β ) = ∑ ai bi
i

e
h(T (α), T (β )) = ∑ ai b j h(T (αi ), T (α j ))
i, j

= ∑ ai bi = g(α, β ).
i
■

o
Corolário 13.1 Sejam (V, g) e (W, h) dois espaços vetoriais com produto interno sobre um mesmo corpo F.
Então existe um isomorfismo entre V e W que preserva produtos internos se, e somente se, tem a mesma

çã
dimensão.

Demonstração. Claramente, pelo teorema anterior, se existir um isomorfismo que preserva produtos internos
devem ter a mesma dimensão.
A volta segue de escolher uma base ortonormal ordenada em cada espaço e constuir uma transformação
linear que leve cada elemento da base de V em um elemento da base de W correspondente na ordem. ■

a
Teorema 13.2 Sejam (V, g) e (W, h) dois espaços vetoriais com produto interno sobre um mesmo corpo F e T
or
uma transformação linear de V em W. Então T preserva produtos internos se, e somente se, ||T α||W = ||α||V
para todo α ∈ V.

Demonstração. A ida segue inmediatamente a partir das definições envolvidas.

ab
Assuma então que ||T α||W = ||α||V para todo α ∈ V. Calculamos
||α + β ||V = ||α||2V + 2g(α, β ) + ||β ||2V
||T (α + β )||W = ||T (α)||2W + 2h(T (α), T (β )) + ||T (β )||2W .
agora, o resultado segue de comparar e utilizar que
el

||α + β ||V = ||T (α + β )||W , ||α||2V = ||T (α)||2W e ||β ||2V = ||T (β )||2W .

Vejamos que acontece agora quando os espaços são iguais e, no caso, T é um operador.
Em

Teorema 13.3 Seja (V, < , >) um espaço vetorial com produto interno sobre um corpo F e T : V → V um
operador linear. Então T preserva produto interno se, e somente se, T ∗ T = IV . Mais ainda, para qualquer base
ortonormal ordenada B de V temos que

[T ]−1 T
BB = [T ]BB

Demonstração. Da definição de operador adjunto temos que

g(α, β ) = g(T α, T β ) = g(α, T ∗ T β )

para todo α e β . Portanto T preserva produtos internos se, e somente se, T ∗ T = IV . ■

■ Exemplo 13.1 Considere em Fn , munido do produto interno canônico, a transformação linear T (X) = MX
para M ∈ M (n × n, F). Observamos que
T
T ∗ T = IFn ⇒ M M=I

■
 123

Definição 13.2 Seja (V, < , >) um espaço vetorial com produto interno sobre um corpo F e T um operador
linear de V que preserva produto interno.
• Se F = C dizemos que T é Unitário.
• Se F = R dizemos que T é Ortogonal

Obs.
• Um operador T é unitario se, e somente se, a matriz de T numa base ortonormal ordenada é uma
matriz unitaria.
• Que uma matriz seja unitaria significa que as colunas de M forman uma base orthonormal no espaço
Fn com respeito ao produto interno canonico g(X,Y ) = X T Y .

o
• Os operadores unitários formam um grupo com a compocição. Este grupo é chamado de grupo
unitario. Observamos que para o caso real é o grupo ortogonal.

a çã
or
ab
el
Em
Em
el
ab
or
açã
o
 o
14. Reflexão sobre um subespaço

a çã
or
Estudaremos agora outro operador autoadjunto particular que também é uma isometria: o operador Reflexão
respeito de um subespaço.
■ Exemplo 14.1 Considere um subespaço W de R3 que seja um plano, isto é
ab
W = {(x, y, z) ∈ R3 , ax + by + cz = 0}

Se queremos fazer a reflexão de um ponto α respeito do plano π teremos que decompor

α = PW (α) + PW⊥ (α)

el

Então

R(α) = PW (α) − PW⊥ (α)

Agora, como
Em

IR3 = PW + PW⊥

temos que

PW⊥ (α) = α − PW (α)

de onde

R(α) = 2 · PW (α) − α.

Isto motiva a seguinte definiçaõ.

Definição 14.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e W um subespaço de V. Considere PW : V → V a projeção ortogonal sobre W. O
operador RW : V → V definido por

RW (α) = 2 · PW (α) − α ∀α ∈V
126 Capítulo 14. Reflexão sobre um subespaço

é chamado de Reflexão respeito do subespaço W.

Vejamos agora algumas propriedades da Reflexão.

Teorema 14.1 Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um
produto interno < , > e W um subespaço de V. Considere o operador RW isto é, a reflexão respeito de W.
Então
• RW (α) = α para todo α ∈ W
• R2W = IV .
• RW é autoadjunto.
• < RW (α), RW (β ) >=< α, β >, isto é, RW é uma isometria.

o
Demonstração. • Seja α ∈ W, então
RW (α) = 2 · PW (α) − α

çã
= 2 · α − α = α.
Portanto RW (α) = α para todo α ∈ W
• Seja α ∈ V, então
R2W (α) = 2 · PW (RW (α)) − RW (α)
= 2 · PW (2 · PW (α) − α) − 2 · PW (α) + α

a
= 4 · PW (α) − 2 · PW (α) − 2 · PW (α) + α
= α.
Portanto R2W = IW .
• Sejam α, β ∈ V então
or
< RW (α), β > = < 2 · PW (α) − α, β >
= 2· < PW (α), β > − < α, β >
ab
= 2· < α, PW (β ) > − < α, β >
= < α, 2 · PW (β ) − β >
= < α, RW (β ) > .
Portanto RW é autoadjunto.
el

• Sejam α, β ∈ V então
< RW (α), RW (β ) > = < α, R2W (β ) >
= < α, β > .
■

Exemplo 14.2 • Considere um subespaço W de R3 dado por

Em

W = span{(1, 1, 0), (0, 1, 1)}

Vimos anteriormente que
 
x+y 2z − x + y 1 1
PW = (1, 1, 0) + − , ,1
2 2 2 2
Então
 
1 1
RW (x, y, z) = (x + y)(1, 1, 0) + (2z − x + y) − , , 1 − (x, y, z)
2 2
• Considere um subespaço W de R3 que seja um plano, isto é
W = {(x, y, z) ∈ R3 , ax + by + cz = 0}
Vimos anteriormente que
< α, ν >
PW (α) = IR3 (α) − PW⊥ (α) = α − ·ν
||ν||2
 127

Então
< α, ν >
RW (α) = α − 2 ·ν
||ν||2

• Considere um subespaço W de PR (x) dado por

W = span{q(x) = 1 + x}

Vimos anteriormente que

18a + 10b + 7c

o
PW (a + bx + cx2 ) = (1 + x).
28
Portanto,

çã
18a + 10b + 7c
RW (a + bx + cx2 ) = (1 + x) − (a + bx + cx2 )
14
• Considere um subespaço W de M (2 × 2, R) dado por

a
    
0 1 1 1
W = span γ1 = , γ2 = .
1 0 1 0

Vimos anteriormente que

or
1
     
a b c+b 0 1 2a + 2d + b − c 1 2
PW = · + ·
c d 2 1 0 5 − 12 1
ab
Portanto,
1
       
a b 0 1 4a + 4d + 2b − 2c 1 2 a b
RW = (c + b) · + · −
c d 1 0 5 − 21 1 c d
el

Seja (V, +V , ·V ) um espaço vetorial de dimensão finita sobre um corpo F munido de um produto interno
< , > e W um subespaço de V. Considere o operador RW isto é, a reflexão respeito de W. Se B = {α1 , . . . , αn }
é uma base ortonormal ordenada de V de forma tal que {α1 , . . . , αk } é uma base ortonormal de W, temos que

RW (αi ) = αi ∀i≤k
Em

RW (αi ) = OV − αi = −αi
Portanto, os autovalores de RW são λ = ±1 e a matriz [RW ]BB é diagonal com k entradas igual a 1 e n entradas
iguais a −1 na diagonal.