100% acharam este documento útil (1 voto)

26 visualizações347 páginas

Fundamentos de Álgebra Linear

Enviado por

Marcella Alves Athaydes

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

100% acharam este documento útil (1 voto)

26 visualizações347 páginas

Fundamentos de Álgebra Linear

Enviado por

Marcella Alves Athaydes

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

Álgebra Linear e

Multilinear
1
Rodney Josué Biezuner
Departamento de Matemática
Instituto de Ciências Exatas (ICEx)
Universidade Federal de Minas Gerais (UFMG)

17 de agosto de 2021

1
E-mail: biezunerufmg@[Link]; homepage: [Link]
Sumário

Capa i

Sumário v

1 Espaços Vetoriais 1
1.1 Estruturas Algébricas Fundamentais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Corpos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Bases e Dimensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Álgebras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6.1 A Álgebra de Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.7 Matriz de Mudança de Base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.8 Somas de Subespaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.9 Somas Diretas de Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2 Lineomorfismos 23
2.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.1 Existência e Unicidade de Lineomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.2 Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Espaço Quociente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3 Teorema do Núcleo e da Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 Representações Matriciais de Morfismos Lineares . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 A Álgebra dos Operados Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.6 Álgebras de Lie das Matrizes e dos Operadores Lineares . . . . . . . . . . . . . . . . . . . . . 36
2.7 Funcionais Lineares e o Espaço Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.8 O Morfismo Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.8.1 Núcleo e Imagem do Morfismo Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.8.2 Representação Matricial do Morfismo Dual . . . . . . . . . . . . . . . . . . . . . . . . 44

3 Determinantes 46
3.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Existência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Unicidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.1 Grupo de Permutações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.2 Demonstração da Unicidade da Função Determinante . . . . . . . . . . . . . . . . . . 54
3.3.3 Fórmula do Determinante através de Permutações . . . . . . . . . . . . . . . . . . . . 57
3.4 Propriedades do Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.5 Regra de Cramer e Fórmula da Inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

i
SUMÁRIO

4 Operadores Diagonalizáveis e Triangularizáveis 63

4.1 Álgebra dos Polinômios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Autovalores, Autovetores e Autoespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3 Operadores Diagonalizáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4 Ideais de Polinômios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.5 Polinômio Mı́nimo e o Teorema de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . . . 75
4.6 Subespaços Invariantes e Operadores Triangularizáveis . . . . . . . . . . . . . . . . . . . . . . 77
4.7 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.8 Projeções e Decomposição em Soma Direta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.9 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.10 Fatoração de Polinômios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.11 Teorema da Decomposição Primária e Teorema Espectral . . . . . . . . . . . . . . . . . . . . 91
4.12 Decomposição de um Operador na sua Parte Diagonal e Nilpotente . . . . . . . . . . . . . . . 93
4.13 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

5 Forma Canônica de Jordan 96

5.1 Forma de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.1.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.1.2 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.1.3 Existência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2 Cálculo e Unicidade da Forma de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.3 Base de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.4 Complexificação de um Espaço Vetorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.5 Forma de Jordan Real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.6 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

6 Formas Bilineares e Espaços Vetoriais Métricos 124

6.1 Formas Bilineares e Métricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
6.1.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
6.1.2 Matriz de uma Forma Bilinear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.1.3 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
6.2 Formas Quadráticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6.3 Espaços Vetoriais Normados Reais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.4 O Subespaço Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
6.5 Existência de Bases Ortonormais e Teorema de Sylvester . . . . . . . . . . . . . . . . . . . . . 141
6.5.1 Existência de Bases Ortonormais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.5.2 Teorema de Sylvester para Métricas Reais . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.5.3 Teorema de Sylvester para Formas Bilineares Reais Simétricas . . . . . . . . . . . . . 145
6.6 Algumas Propriedades Geométricas do Espaço de Minkowski . . . . . . . . . . . . . . . . . . 147
6.7 Coordenadas em Espaços Vetoriais Métricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
6.8 Projeções Ortogonais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
6.9 Processo de Ortogonalização de Gram-Schmidt . . . . . . . . . . . . . . . . . . . . . . . . . . 153

7 Metrolineomorfismos 156
7.1 Operadores Lineares Métricos e Grupo Ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . 156
7.2 Rotações e Reflexões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
7.3 Isometrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
7.4 Operadores Adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
7.4.1 Teorema da Representação de Riesz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
7.4.2 Morfismo Adjunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
7.4.3 Alternativa de Fredholm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

ii
SUMÁRIO

7.5 Diagonalização de Operadores Autoadjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

7.6 Operadores Normais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.7 Teoria Espectral para Operadores Autoadjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . 175
7.8 Métodos Variacionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

8 Espaços Hermitianos 182

8.1 Produto Hermitiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
8.2 Espaços Normados Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
8.3 Operadores Adjuntos e Operadores Hermitianos . . . . . . . . . . . . . . . . . . . . . . . . . . 188
8.3.1 Teorema da Representação de Riesz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
8.3.2 Morfismos Adjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
8.3.3 Alternativa de Fredholm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
8.4 Operadores Unitários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
8.5 Diagonalização de Operadores Hermitianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
8.6 Operadores Normais Complexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
8.6.1 Caracterização Geométrica de Operadores Normais Complexos . . . . . . . . . . . . . 196
8.6.2 Diagonalização de Operadores Normais Complexos . . . . . . . . . . . . . . . . . . . . 198
8.7 Teoria Espectral para Operadores Normais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
8.8 Formas Sesquilineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202

9 Tensores 205
9.1 Tensores como Funcionais (k, l)-lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
9.1.1 Tensores Escalares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
9.1.2 Tensores Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
9.2 Produto Tensorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
9.3 Tensores Covariantes e Contravariantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
9.3.1 Mudança de Coordenadas em V e V ∗ . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
9.3.2 Covetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
9.3.3 Mudança de Coordenadas de Tensores . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
9.4 Traço de Tensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
9.5 Tensores em Espaços Vetoriais Métricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
9.5.1 Isomorfismos Musicais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
9.6 Produto Tensorial de Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216

10 Formas Exteriores 218

10.1 Tensores Simétricos e Tensores Alternados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
10.2 Simetrização e Alternação de Tensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
10.3 Produto Simétrico e Produto Exterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
10.4 Formas Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
10.5 Produto Exterior de Formas Vetoriais com valores em uma Álgebra . . . . . . . . . . . . . . . 229

11 Álgebra Tensorial 232

11.1 Produto Tensorial de Espaços Vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
11.1.1 Propriedade Universal do Produto Tensorial . . . . . . . . . . . . . . . . . . . . . . . . 233
11.1.2 Unicidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
11.1.3 Espaços Vetoriais Livres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
11.1.4 Construção do Produto Tensorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
11.1.5 Base do Produto Tensorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
11.1.6 Segunda Construção do Produto Tensorial . . . . . . . . . . . . . . . . . . . . . . . . . 240
11.2 A Álgebra Tensorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240

iii
SUMÁRIO

12 Álgebra Exterior 242

12.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
12.1.1 Propriedade Universal do Produto Exterior . . . . . . . . . . . . . . . . . . . . . . . . 243
12.1.2 Unicidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
12.1.3 Construção do Produto Exterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
12.1.4 Base do Produto Exterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
12.1.5 Segunda Construção do Produto Exterior . . . . . . . . . . . . . . . . . . . . . . . . . 248
12.1.6 A Álgebra Exterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
12.2 Produto Exterior – Blades e Multivetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
12.2.1 2-blades e Bivetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
12.2.2 3-blades e Trivetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
12.2.3 Blades, k-vetores e Multivetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
12.2.4 Escalares ou 0-blades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
12.2.5 Representação de Subespaços por Blades . . . . . . . . . . . . . . . . . . . . . . . . . 257
12.3 A Álgebra Graduada de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
12.4 Reversão e Involução de Grau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
12.5 Álgebra Exterior Métrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
12.6 Contração na Álgebra Exterior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
12.6.1 Contração à Esquerda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
12.6.2 Interpretação Geométrica da Contração . . . . . . . . . . . . . . . . . . . . . . . . . . 270
12.6.3 Contração à Direita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
12.6.4 Inverso de um Blade em relação ao Produto Contração . . . . . . . . . . . . . . . . . . 273
12.6.5 Aplicação: Solução de Equações Lineares . . . . . . . . . . . . . . . . . . . . . . . . . 274
12.7 Dualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
12.7.1 Representação Dual de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
12.7.2 Projeção Ortogonal de Subespaços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
12.7.3 Produto Vetorial em Espaços Vetoriais de Dimensão 3 . . . . . . . . . . . . . . . . . . 277

13 Álgebra Geométrica 279

13.1 A Idéia do Produto Geométrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
13.2 Produto Geométrico de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
13.2.1 Inversos e Divisão de Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
13.3 A Álgebra Geométrica ou Álgebra de Clifford de V . . . . . . . . . . . . . . . . . . . . . . . . 284
13.3.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
13.3.2 Relação entre o Produto Geométrico e o Produto Interno . . . . . . . . . . . . . . . . 285
13.3.3 Isomorfismo Linear entre a Álgebra Geométrica e a Álgebra Exterior . . . . . . . . . . 287
13.3.4 Relação entre o Produto Geométrico e o Produto Exterior . . . . . . . . . . . . . . . . 288
13.3.5 Inversos de Blades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
13.3.6 Produtos através do Operador Grau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
13.4 Projeções e Rejeições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
13.5 Reflexões e Rotações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
13.6 Quatérnions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
13.6.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
13.6.2 Representação Matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
13.6.3 Norma e Inverso de Quatérnions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
13.6.4 Rotações do Espaço Tridimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
13.6.5 Rotações do Espaço Quadridimensional . . . . . . . . . . . . . . . . . . . . . . . . . . 303
13.7 Reflexões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
13.8 Rotações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
13.8.1 Rotores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
13.8.2 Rotores e Rotações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307

iv
SUMÁRIO

13.8.3 Composição de Rotações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308

13.8.4 Rotações no Plano e Números Complexos . . . . . . . . . . . . . . . . . . . . . . . . . 309
13.8.5 Rotações no Espaço Tridimensional e Quaternions . . . . . . . . . . . . . . . . . . . . 310
13.8.6 Rotações no Espaço n-dimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
13.9 Versores e Produto Versorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312

14 Álgebra de Clifford 315

14.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
14.2 Existência e Unicidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
14.3 A Álgebra de Clifford é isomorfa à Álgebra Exterior . . . . . . . . . . . . . . . . . . . . . . . 320

15 Álgebras de Clifford e Morfismos Métricos 323

15.1 Automorfismos e Autoantimorfismos Involutivos . . . . . . . . . . . . . . . . . . . . . . . . . . 323
15.2 A Subálgebra Par da Álgebra de Clifford . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
15.3 Grupo de Clifford . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
15.4 O Mapa Norma na Álgebra de Clifford . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
15.5 Grupos Pin e Spin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336

16 Classificação de Álgebras de Clifford 339

Referências Bibliográficas 341

v
Capı́tulo 1

Espaços Vetoriais

1.1 Estruturas Algébricas Fundamentais

1.1.1 Corpos
1.1 Definição. Um corpo K é um conjunto munido de duas operações binárias K × K −→ K, soma e
produto, que satisfazem as seguintes propriedades:
Soma:
Associatividade: para todos x, y ∈ K vale

x + (y + z) = (x + y) + z.

Comutatividade: para todos x, y, z ∈ K vale

x + y = y + x.

Existência de Identidade: existe um elemento 0 ∈ K tal que para todo x ∈ K temos

x + 0 = 0 + x = x.

Existência de Inversa: para todo x ∈ K existe −x ∈ K tal que

x + (−x) = (−x) + x = 0.

Produto:
Associatividade: para todos x, y ∈ K vale

x (yz) = (xy) z.

Comutatividade: para todos x, y, z ∈ K vale

xy = yx.

Existência de Identidade: existe um elemento 1 ∈ K tal que para todo x ∈ K temos

x1 = 1x = x.

1
1.2. ESPAÇOS VETORIAIS

Existência de Inversa: para todo x ∈ K, x ̸= 0, existe x−1 ∈ K tal que

xx−1 = x−1 x = 1.

Distributividade: Para todos x, y, z ∈ K

x (y + z) = xy + xz.

□
Em outras palavras, um corpo tem duas estruturas de grupo comutativo e estas estruturas são compatı́veis.
No caso do produto, K como um todo é um grupo apenas quando o zero é excluı́do, isto é, (K, produto)
não é um grupo pois o 0 não possui inverso, mas (K∗ , produto) é, onde

K∗ = K\ {0} .

Como 0 não possui inverso e 1 possui inverso 1, em particular segue que 0 ̸= 1 e um corpo K possui pelo
menos dois elementos. O corpo Z2 possui exatamente os dois elementos 0 e 1.
1.2 Definição. A caracterı́stica de um corpo K é o menor inteiro n tal que

1 + · · · + 1 = 0,
| {z }
p vezes

se n existir. Caso contrário, dizemos que K tem caracterı́stica zero. □

1.3 Exemplo. Z2 , Zp (p primo), Q, R, C. Os primeiros dois são exemplos de corpos finitos com caracterı́stica
não zero, isto é,
1 + ··· + 1 = p · 1 = 0
| {z }
p vezes

enquanto que os três últimos são corpos de caracterı́stica zero. □

Neste texto usualmente temos em mente

K=R ou K = C,

mas a maioria dos resultados valerá para todos os corpos e apenas uma minoria para corpos de caracterı́stica
diferente de 2 e uma minoria ainda menor apenas para corpos de caracterı́stica zero.

1.2 Espaços Vetoriais

1.4 Definição. Um K-espaço vetorial (ou espaço vetorial sobre um corpo K) é um conjunto V
munido de duas operações, soma de vetores V × V −→ V e produto de vetores por escalares K × V −→ V
que satisfazem as seguintes propriedades:
Soma de Vetores:
Associatividade: para todos v, w ∈ V

u + (v + w) = (u + v) + w.

Comutatividade: para todos u, v, w ∈ V

v + w = w + v.

2
1.2. ESPAÇOS VETORIAIS

Existência de Identidade: existe um elemento 0 ∈ V (vetor nulo) tal que para todo v ∈ V temos

v + 0 = 0 + v = v.

Existência de Inverso: para todo v ∈ V existe −v ∈ V tal que

v + (−v) = 0.

Produto de Vetores por Escalares:

Identidade: Para todo v ∈ V vale
1v = v.

Associatividade: para todos x, y ∈ K e para todo v ∈ V vale

x (yv) = (xy) v.

Distributividade:
(i) Para todos v, w ∈ V e para todo x ∈ K

x (v + w) = xv + xw.

(ii) Para todo v ∈ V e para todos x, y ∈ K

(x + y) v = xv + yv.

Os elementos de V são chamados vetores, e os elementos de K são chamados escalares.

Se K = R dizemos que V é um espaço vetorial real e se K = C dizemos que V é um espaço vetorial
complexo. □
1.5 Proposição. As seguintes afirmativas são válidas
(i) x0 = 0.
(ii) 0v = 0.
(iii) xv ̸= 0 se x ̸= 0 e v ̸= 0.
(iv) (−1) v = −v.
(v) Unicidade do vetor nulo.
Prova: (i) Temos
x0 = x (0 + 0) = x0 + x0,
donde

x0 + (−x0) = (x0 + x0) + (−x0)

= x0 + (x0 + (−x0))
= x0,

ou seja,
0 = x0.
(ii) Temos
0v = (0 + 0) v = 0v + 0v,

3
1.2. ESPAÇOS VETORIAIS

donde, somando −0v a ambos os lados desta equação,

0v + (−0v) = (0v + 0v) + (−0v)

= 0v + (0v + (−0v))
= 0v,

ou seja,
0 = 0v.
(iii) Suponha que exista x ∈ K, x ̸= 0, tal que xv = 0 para algum v ∈ V , v ̸= 0. Então

x−1 (xv) = x−1 0.

Mas o lado esquerdo desta equação é

x−1 (xv) = x−1 x v

= 1v
= v,

enquanto que por (i) o lado direito é

x−1 0 = 0,
donde
v=0
uma contradição.
(iv) Temos

0 = 0v
= [1 + (−1)] v
= 1v + (−1) v
= v + (−1) v.

isto é,
0 = v + (−1) v.
Somando −v a ambos os lados, segue que

−v + 0 = −v + [v + (−1) v]
= (−v + v) + (−1) v
= 0 + (−1) v,

ou seja,
−v = (−1) v.
(v) Se 0 são dois vetores nulos 0′ , por definição

0′ = 0′ + 0 = 0.

1.6 Corolário. Se um K-espaço vetorial possui um vetor não nulo, então ele possui pelo um número de
vetores igual à cardinalidade de K.

4
1.2. ESPAÇOS VETORIAIS

Prova: Por (iii), se v ̸= 0 e x ̸= y, então xv ̸= yv. ■

Em geral denotaremos o vetor nulo por 0 ao invés do sı́mbolo em negrito 0, a menos que achamos
necessário fazer uma distinção.
1.7 Exemplo. O espaço vetorial nulo V = {0} .□
1.8 Exemplo (Espaços das n-uplas de escalares em K). Os espaços

Kn = x 1 , . . . , x n : x 1 , . . . , x n ∈ K ,

ou seja,

Rn = x1 , . . . , x n : x1 , . . . , x n ∈ R ,

Cn = z 1 , . . . , z n : z 1 , . . . , z n ∈ C ,

com a soma e produto por escalar usuais são K-espaços vetoriais. Assim também o espaço das ∞-uplas

K∞ = x0 , x1 , x2 , . . . : xi ∈ K para todo i ∈ N ,

1.9 Exemplo (Espaço das K-matrizes m × n). O espaço das matrizes m × n com elementos em K com
a soma e produto escalar usuais é um K-espaço vetorial, que denotaremos Mm×n (K). □
1.10 Exemplo (Espaços de Polinômios com coeficientes em K). Os espaços de polinômios com
coeficientes em K ( n )
X
K [x] = ai x : a0 , . . . an ∈ K, n ∈ N ,
i

i=0

ou seja
( n )
X
R [x] = ai x : a0 , . . . an ∈ R, n ∈ N ,
i

i=0
( n )
X
C [x] = ai x : a0 , . . . an ∈ C, n ∈ N .
i

i=0

com a soma e produto por escalar usuais são K-espaços vetoriais. Assim também os espaços de polinômios
com coeficientes em K até grau n:
( n )
X
Kn [x] = ai xi : a0 , . . . an ∈ K .
i=0

□
1.11 Exemplo (Espaços de Funções). Os espaços F (X; K) de funções com domı́nio em um conjunto X
e com valores em K com a soma e produto por escalar de funções usuais são K-espaços vetoriais.
Assim também, se X ⊂ Rn é um aberto, o espaço das funções contı́nuas C 0 (X; R), o espaço das funções
k-continuamente diferenciáveis C k (X; R), o espaço das funções suaves C ∞ (X; R), o espaço das funções
p-integráveis Lp (X; R), e vários outros espaços de funções.
Ao invés de funções tomando valores em K podemos considerar também funções tomando valores em Kn .
□

5
1.3. BASES E DIMENSÃO

1.3 Bases e Dimensão

1.12 Definição. Seja S ⊂ V um subconjunto qualquer de um espaço vetorial V . Uma combinação linear
de vetores de S é qualquer soma finita

k
X
x i vi = x 1 v1 + . . . + x k vk
i=1

com x1 , . . . , xk ∈ K e v1 , . . . , vk ∈ S. □
1.13 Definição. Dizemos que um conjunto S ⊂ V é linearmente dependente (LD) se existir um número
finito de vetores v1 , . . . , vk ∈ S e escalares x1 , . . . , xk ∈ K não todos nulos tais que

x1 v1 + . . . + xk vk = 0,

ou seja, o vetor nulo pode ser escrito como uma combinação linear não trivial de elementos de S.
Caso contrário, isto é, se
x 1 v 1 + . . . + x k vk = 0
só for possı́vel quando
x1 = . . . = xk = 0
dizemos que S é linearmente independente (LI). □
1.14 Exemplo. O subconjunto infinito
S = xk : k ∈ N

é LI em K [x]. □
Um subconjunto LI não pode conter o vetor nulo, pois

x0 = 0

é uma combinação linear não trivial quando x ̸= 0.

1.15 Proposição. Um subconjunto S ⊂ V é LD se e somente se algum elemento de S puder ser escrito
como combinação linear de outros elementos de S.
Prova. Se S é LD, então existem vetores v1 , . . . , vk ∈ S e escalares x1 , . . . , xk não todos nulos tais que

x1 v1 + . . . + xk vk = 0.

Suponha que xi ̸= 0. Então podemos escrever

k
x1 xi−1 xi+1 xk X xj
vi = v 1 + . . . + v i−1 + v i+1 + . . . + v k = vj ,
xi xi xi xi j=1
xi
j̸=i

isto é, vi é combinação linear dos outros elementos de S.

Reciprocamente, se v0 , v1 , . . . , vk ∈ S e x1 , . . . , xk ∈ K são tais que

v0 = x 1 v1 + . . . + x k vk ,

então
v0 − x 1 v1 − . . . − x k vk = 0
é uma combinação linear não-trivial de elementos de S, pois o coeficiente de v0 é o escalar não nulo 1. ■

6
1.3. BASES E DIMENSÃO

1.16 Definição. Dizemos que um conjunto S ⊂ V gera o espaço V se para todo v ∈ V existirem vetores
v1 , . . . , vk ∈ S e escalares x1 , . . . , xk ∈ K tais que

v = x 1 v1 + . . . + x k vk .

Denotaremos
V = ⟨v1 , . . . , vk ⟩ .

□
1.17 Definição. Dizemos que um conjunto B ⊂ V é uma base para o espaço V se:
(i) B gera V e
(ii) B é LI.
□
1.18 Exemplo. Bases canônicas de Kn , Mm×n (K) e K [x]. ■
1.19 Teorema. Todo espaço vetorial não nulo possui uma base.

Prova. Pelo axioma da escolha ou equivalente (para mais detalhes, ver o livro do Halmos). ■
Quando um K-espaço vetorial possui uma base, ele possui uma quantidade de bases pelo menos igual à
cardinalidade de K, pois podemos substituir qualquer elemento da base por um múltiplo escalar não nulo
dele, obtendo um vetor diferente (pelo Corolário 1.6), mas mantendo as propriedades de uma base.
1.20 Definição. Dizemos que V é um espaço vetorial de dimensão finita se V possui uma base com
um número finito de elementos e também no caso especial V = {0}. □
1.21 Exemplo. K [x], C k (X; R) e Lp (X; R) são espaços vetoriais de dimensão infinita. Uma base para
K [x] é
B = xk : k ∈ N .

Uma base explı́cita para C k (X; R) ou Lp (X; R) é desconhecida. □

O número de elementos nas bases de um espaço vetorial é um invariante do espaço vetorial. Para provar
isso, provamos primeiro o seguinte resultado:

1.22 Proposição. Suponha que S = {v1 , . . . , vk } gera o espaço vetorial V e que S ′ = {w1 , . . . , wl } é um
subconjunto LI de V . Então
l ⩽ k.
Prova. Suponha por absurdo que l > k. Como S gera V e S ′ é LI (em particular, S ′ não contém o vetor
nulo) temos
w1 = x11 v1 + . . . + xk1 vk
para alguns escalares x11 , . . . , xk1 não todos nulos. Podemos supor x11 ̸= 0, reordenando os ı́ndices, se ne-
cessário. Afirmamos que podemos então substituir v1 por w1 , isto é, que o conjunto

S1 = {w1 , v2 , . . . , vk }

gera V . De fato, podemos escrever

1 x2 xk
v1 = 1
w 1 − 1 v2 − . . . − 1 vk ,
x x x
de modo que se
v = y 1 v1 + y 2 v2 + . . . + y k vk ,

7
1.3. BASES E DIMENSÃO

então
k
y1 2

1x 1x
v= w1 + y 2
− y v 2 + . . . + y k − y vk .
x1 x1 x1
Agora, como S1 gera V e S ′ é LI, temos

w2 = x12 w1 + x22 v2 + . . . + xk2 vk

para alguns escalares x12 , x22 , . . . , xk2 , com x22 , . . . , xk2 não todos nulos (caso contrário, w2 seria um múltiplo
escalar de w1 ). Supondo x22 ̸= 0, reordenando os ı́ndices se necessário, usamos o mesmo argumento acima
para concluir que podemos substituir v2 por w2 , de modo que o conjunto

S2 = {w1 , w2 , v3 , . . . , vk }

gera V . Repetindo este procedimento sucessivamente, concluı́mos que podemos substituir todos os vetores vi
por um número equivalente de wi (já que, por hipótese de absurdo, l > k), e assim obter que o subconjunto
próprio
Sk = {w1 , . . . , wk }
de S ′ gera V . Mas então, por definição de conjunto gerador, existem escalares x1k+1 , . . . , xkk+1 tais que

wk+1 = x1k+1 w1 + . . . + xkk+1 wk

contrariando o fato que S ′ é LI. ■

1.23 Teorema. Todas as bases de um espaço vetorial de dimensão finita possuem o mesmo número de
elementos.
Prova. Sejam

B1 = {v1 , . . . , vk } ,
B2 = {w1 , . . . , wl } ,

duas bases do espaço vetorial de dimensão finita V . Aplicando a proposição anterior ao conjunto gerador
B1 e ao conjunto LI B2 concluı́mos que l ⩽ k; aplicando a proposição anterior ao conjunto gerador B2 e ao
conjunto LI B1 concluı́mos que k ⩽ l. Portanto, k = l. ■
1.24 Definição. O número de elementos de uma base qualquer de um espaço vetorial de dimensão finita V
é chamada a dimensão do espaço e denotada dim V .
Se V = {0}, então definimos dim V = 0. □
1.25 Corolário. Se dim V = n, então todo subconjunto de V com mais de n vetores é LD.
Prova. Segue imediatamente da Proposição 1.22. ■

1.26 Teorema. Todo espaço vetorial não nulo gerado por um subconjunto finito possui uma base finita.
Prova. Suponha que S seja um subconjunto finito que gera o subespaço vetorial não-nulo V . Se S for LI,
então S é a base procurada e não precisamos fazer nada. Caso contrário, se S é LD, podemos retirar um
elemento de S e o conjunto resultante ainda gerará V (retire um elemento que seja combinação linear dos
demais). Se o conjunto restante for LI, então ele será uma base finita para V . Caso contrário, repetimos o
procedimento, até obter um conjunto LI. ■
1.27 Lema. Seja S um subconjunto LI de um espaço vetorial V . Suponha que v é um vetor de V que não
pertence ao subespaço gerado por S. Então S ∪ {v} é LI.

8
1.4. SUBESPAÇOS VETORIAIS

Prova. Suponha que v1 , . . . , vk ∈ S e existem escalares x1 , . . . , xk , x tais que

x1 v1 + . . . + xk vk + xv = 0.

Então x = 0, caso contrário

x1 xk
v= v1 + . . . + vk ,
x x
o que implicaria que v pertence ao subespaço gerado por S, contrariando a hipótese. Mas então

x1 v1 + . . . + xk vk = 0,

e como S é LI, segue que x1 = . . . = xk = 0. ■

1.28 Teorema. Todo subconjunto LI de um espaço vetorial de dimensão finita pode ser completado até uma
base do espaço.
Prova. Suponha que
S = {v1 , . . . , vk }
seja um subconjunto LI de V . Se S não é uma base para V , ou seja, se k < n, então existe um vetor vk+1 ∈ V
tal que vk+1 não é uma combinação linear de elementos de S. Segue que o conjunto

S1 = {v1 , . . . , vk , vk+1 }

é LI. Se k + 1 < n, repetimos o processo. Se dim V = n, repetimos este processo n − k vezes até encontrar
um subconjunto
Sn−k = {v1 , . . . , vk , vk+1 , . . . , vn }
que é uma base para V . ■

1.4 Subespaços Vetoriais

1.29 Definição. Seja V um K-espaço vetorial. Um subespaço de V é um subconjunto W ⊂ V que é ele
próprio um K-espaço vetorial com as operações de soma e produto por escalar induzidas de V . □
1.30 Proposição. Um subconjunto não vazio W ⊂ V é um subespaço de V se e somente se ele é fechado
com relação às operações de soma e produto por escalar.
Em outras palavras, W ⊂ V é um subespaço de V se e somente se xv + yw ∈ W para todos v, w ∈ W e
para todos x, y ∈ K.
Prova. Suponha que W ⊂ V , W ̸= ∅, é fechado com relação às operações de soma e produto por escalar.
Como as operações de soma e produto por escalar definidas em W são herdadas das operações definidas em
V , comutatividade, associatividade e distributividade são imediatamente válidas e 1v = v para todo v ∈ W .
Basta apenas verificar as duas propriedades seguintes:

• 0 ∈ W : pois se v ∈ W é qualquer vetor (lembre-se que W ̸= ∅), então 0v = 0 ∈ W .

• Se v ∈ W , então −v ∈ W : pois −v = (−1) v ∈ W.

A recı́proca é óbvia. ■
1.31 Exemplo. Se W1 , W2 são dois subespaços de V tais que

W 1 ⊊ W2 ,
W 2 ⊊ W1 ,

9
1.4. SUBESPAÇOS VETORIAIS

então W1 ∪ W2 não é um subespaço vetorial de V . De fato, tomando

w1 ∈ W1 \W2 ,
w2 ∈ W2 \W1 ,

o vetor v = w1 + w2 não está em W1 ∪ W2 , apesar de w1 e w2 estarem. □

1.32 Teorema. A interseção de qualquer famı́lia de subespaços de um espaço vetorial V é um subespaço de
V.
Prova. Seja {Wλ }λ∈Λ uma coleção de subespaços de V e
\
W = Wλ
λ∈Λ

sua interseção. Como cada Wλ contém o vetor nulo, segue que W também contém o vetor nulo, em particular
é não vazio e podemos usar a Proposição 1.30 para provar que W é um subespaço.
De fato, dados quaisquer v, w ∈ W , temos que v, w ∈ Wλ para cada ı́ndice λ ∈ Λ (por definição de
interseção de conjuntos), logo xv + yw ∈ Wλ para todos x, y ∈ K (pela Proposição 1.30, pois cada Wλ é um
subespaço de V ), portanto xv + yw ∈ W para todos x, y ∈ K (novamente, pela definição de interseção de
conjuntos). Segue da Proposição 1.30 que W é um subespaço. ■
Segue deste resultado que dado um subconjunto de um espaço vetorial, existe um menor subespaço que o
contém:
1.33 Proposição. Seja V um espaço vetorial e S um subconjunto não vazio de V . O subespaço W = ⟨S⟩
gerado por S é a interseção de todos os subespaços de V que contém S.
Prova. Denote por W ′ a interseção de todos os subespaços de V que contém S. Pela Proposição 1.30, como
S ⊂ W ′ , segue que
W ⊂ W ′.
Por outro lado, pela Proposição 1.32 o conjunto W ′ é um subespaço de V , portanto fechado com relação a
combinações lineares de seus elementos, em particular dos elementos de S que ele contém, logo

W ′ ⊂ ⟨S⟩ = W.

Assim W ′ = W . ■
1.34 Teorema. Se W é um subespaço próprio de um espaço vetorial de dimensão finita V , então W também
tem dimensão finita e dim W < dim V .
Prova. Seja n = dim V . Qualquer subconjunto S ⊂ W LI em W é também LI em V , por definição de
independência linear. Como V tem dimensão finita, S não pode conter mais que n elementos, pela Proposição
1.25.
O resultado deste teorema é óbvio se W é o subespaço nulo. Se W não é o subespaço nulo, existe v1 ∈ W ,
v1 ̸= 0. Tome
S1 = {v1 } ,
de modo que S1 é um subconjunto LI de W . Estendemos S1 a uma base para W da seguinte forma: se S1
já é uma base para W , então não é necessário fazer mais nada; caso contrário, se S1 não gera W , usamos o
Lema 1.27 para encontrar um vetor v2 ∈ V \ ⟨S1 ⟩ tal que

S2 = S1 ∪ {v2 } = {v1 , v2 }

é LI. Se S2 já é uma base para W , então não é necessário fazer mais nada; caso contrário, se S2 não gera W ,
usamos o Lema 1.27 novamente para encontrar um vetor v3 ∈ V \ ⟨S2 ⟩ tal que

S3 = S2 ∪ {v3 } = {v1 , v2 , v3 }

10
1.5. COORDENADAS

é LI. Continuando desta forma, obteremos necessariamente um conjunto LI Sk que gera W para algum k;
na pior das hipóteses obteremos no final um conjunto LI

Sn = {v1 , . . . , vn−1 }

que gera W , pois V não contém nenhum subconjunto LI com mais que n vetores e W ⊊ V . ■

1.5 Coordenadas
A existência de bases permite identificar vetores de um espaço vetorial com um número finito de escalares,
o que permite lidar com vetores de maneira numerica e computacional:
1.35 Proposição. Sejam V um espaço vetorial e B uma base para V .
Todo vetor de V se escreve de maneira única como uma combinação linear de vetores de B.
Prova. Se V é um espaço vetorial de dimensão finita, isso é mais fácil de ver. Suponha que B = {e1 , . . . , en }
é uma base para V e que v ∈ V pode ser representado por duas combinações lineares de vetores de B:

v = v 1 e1 + . . . + v n en ,
′ ′
v = v 1 e1 + . . . + v n en .

Então ′
′

v1 − v1 e1 + . . . + v n − v n en = 0,
′ ′
e como B é LI, segue que v 1 = v 1 , . . . , v n = v n .
Suponha agora que V é um espaço vetorial de dimensão arbitrária e B = {ei }i∈I é uma base para V .
Dado v ∈ V , suponha que v pode ser representado por duas combinações lineares de vetores de B:

v = v λ1 eλ1 + . . . + v λk eλk ,
v = v µ1 eµ1 + . . . + v µl eµl ,

Então
k
X l
X
v λi eλi − v µj eµj = 0.
i=1 j=1

Como B é LI, se λi ̸= µj para todo j, então v λi = 0 e, analogamente, se µj ̸= λi para todo i, então v µj = 0;

se λi = µj para algum par de ı́ndices i, j, então v λi = v µj . ■
1.36 Definição. Sejam V um espaço vetorial de dimensão finita e B = {e1 , . . . , en } uma base para V . Dado
v ∈ V , se
v = v 1 e1 + . . . + v n en ,

os escalares v 1 , . . . , v n são chamados as coordenadas de v com relação à base B.

Denotamos
[v]B = v 1 , . . . , v n .

□
1.37 Definição. Sejam V um espaço vetorial de dimensão arbitrária e B = {ei }i∈I uma base para V . Dado
v ∈ V , se X
v= v i ei ,
i∈I

11
1.6. ÁLGEBRAS

os escalares v i , i ∈ I, são chamados as coordenadas de v com relação à base B.

Denotamos
[v]B = v λ λ∈Λ .

□
Observe que a soma X
v= v i ei ,
i∈I

é sempre uma soma finita porque, com a exceção de um número finito de ı́ndices, todos os escalares são
nulos, logo não temos que nos preocupar com problemas de convergência.

1.6 Álgebras
1.38 Definição. Um K-espaço vetorial V munido de uma operação binária K-bilinear

∗ : V × V −→ V

é chamado uma álgebra. A operação é chamada produto de vetores.

Dizemos que a álgebra é associativa se

u ∗ (v ∗ w) = (u ∗ v) ∗ w

para todos u, v, w ∈ V .
Dizemos que a álgebra é comutativa se

v∗w =w∗v

para todos v, w ∈ V .
Dizemos que a álgebra possui uma identidade se existe um vetor e ∈ V tal que

e∗v =v∗e=v

para todo v ∈ V . □
Dizer que a operação produto é bilinear é equivalente a dizer que ela satisfaz a propriedade de distributividade,
isto é,

(xu + yv) ∗ w = x (u ∗ w) + y (v ∗ w) ,
u ∗ (xv + yw) = x (u ∗ v) + y (u ∗ w) ,
(xv) ∗ w = x (v ∗ w) = v ∗ (xw) ,

para todos u, v, w ∈ V e para todos x, y ∈ K. Quando existir, a identidade é única, pois se e, e′ ∈ V são duas
identidades, então por definição de identidade

e = ee′ = e′ .

1.39 Exemplo. K [x] com o produto usual de polinômios é uma álgebra associativa, comutativa e com
identidade. □
1.40 Exemplo. R3 com o produto vetorial usual é uma álgebra não associativa, não comutativa e sem
identidade (o produto vetorial de dois vetores é sempre um terceiro vetor ortogonal a ambos). □

12
1.6. ÁLGEBRAS

1.6.1 A Álgebra de Matrizes

Matrizes são instrumentos para fazer operações computacionais com vetores expressos em coordenadas em
espaços vetoriais de dimensão finita.
1.41 Definição. Uma matriz m × n sobre um corpo K é uma função

A : {1, . . . , m} × {1, . . . , n} −→ K.

As entradas (ou elementos) da matriz A são os escalares A (i, j) que denotaremos por Aij ; a matriz A
também frequentemente é denotada por A = Aij e representada graficamente por uma tabela retangular

com m linhas e n colunas, com a entrada Aij ocupando a linha i e a coluna j.

Uma matriz m × 1 é chamada uma matriz coluna e uma matriz 1 × n é chamada uma matriz linha.
O conjunto das matrizes m × n sobre o corpo K será denotado por

Mm×n (K)

e, quando m = n, simplesmente por

Mn (K).
□
1.42 Definição. Definimos em Mm×n (K) as operações de soma e produto por escalar
i
(A + B)j := Aij + Bji ,
i
(xA)j := xAij .

□
1.43 Proposição. Mm×n (K) é um K-espaço vetorial com dimensão mn.
Prova: Uma base para Mm×n (K) é dada por

B = {Eij : 1 ⩽ i ⩽ m e 1 ⩽ j ⩽ n}

onde
k ij
(Eij )l = δkl .

■
1.44 Definição. Dadas duas matrizes sobre o corpo K, Am×p e Bp×n , o produto AB é a matriz m × p
definida por
p
X
i
(AB)j = Air Bjr .
r=1

□
1.45 Proposição. O produto de matrizes satisfaz as seguintes propriedades
(i) (Associatividade) Para todas matrizes A ∈ Mm×p (K), B ∈ Mp×q (K) e C ∈ Mq×n (K) vale

A(BC) = (AB)C.

(ii) (Distributividade) Para todas matrizes A, B, C ∈ Mm×n (K) vale

A(B + C) = AB + AC,
(A + B)C = AC + BC.

13
1.6. ÁLGEBRAS

(iii) (Distributividade com relação à multiplicação por escalar) Para toda matriz A ∈ Mm×n (K) e para
todo escalar α ∈ K vale
α(AB) = (αA)B = A(αB).
(iv) (Existência de identidade) Se In ∈ Mn (K) := Mn×n (K) denota a matriz

1 0 ··· 0
 
 0 1 ··· 0 
In =  . . . ,
 
 .. .. . . ... 

0 0 ··· 1

isto é,
i
(In )j = δji .
Então, para toda matriz A ∈ Mm×n (K) vale

AIn = Im A = A.

Em particular, Mn (K) é uma álgebra associativa com identidade.

Prova: (i) De fato, se A ∈ Mm×p (K), B ∈ Mp×q (K) e C ∈ Mq×n (K), então os produtos estão todos definidos
e nós temos
p p q
!
X r
X X
[A(BC)]j =
i
Ar (BC)j =
i
Ari r s
Bs Cj
r=1 r=1 s=1
p X
X q p X
X q
= Air Bsr Cjs = Air Bsr Cjs

r=1 s=1 r=1 s=1
q X
p q p
!
X X X
= Air Bs r
Cjs = Air Bsr Cjs

s=1 r=1 s=1 r=1
q
X i
= (AB)s Cjs = [(AB)C]ij .
s=1

A demonstração fica mais fácil de ver usando a convenção de Einstein:

r i
[A(BC)]ij = Air (BC)j = Air Bsr Cjs = Air Bsr Cjs = (AB)s Cjs = [(AB)C]ij .

(ii), (iii) e (iv) ficam como exercı́cio. ■

1.46 Definição. Uma matriz quadrada A ∈ Mn (K) é invertı́vel se existe uma matriz B ∈ Mn (K) tal que

AB = BA = I.

B é chamada a inversa de A. □
1.47 Proposição. Valem os seguintes fatos:
(i) Se uma matriz possui uma inversa, então esta inversa é única.
(ii) Se A é invertı́vel, então A−1 também é e (A−1 )−1 = A.
(iii) Se A, B são invertı́veis, então AB também é e

(AB)−1 = B −1 A−1 .

14
1.7. MATRIZ DE MUDANÇA DE BASE

Prova: (i) Suponha que

AB1 = B1 A = I.
AB2 = B2 A = I.

Tomando a equação B1 A = I, por exemplo, e multiplicando ambos os lados desta equação à direita por B2 ,
obtemos
(B1 A)B2 = IB2 ⇒ B1 (AB2 ) = B2 ⇒ B1 I = B2 ⇒ B1 = B2 .
(iii) Para verificar isso, temos que mostrar que

(AB)B −1 A−1 = I,
B −1 A−1 (AB) = I.

Provaremos a primeira identidade, já que a demonstração da segunda é análoga. De fato,

(AB)B −1 A−1 = A(BB −1 )A−1 = AIA−1 = AA−1 = I.

■
Questões: Se A e B são matrizes n × n tais que o produto AB é invertı́vel, então A e B também são
necessariamente invertı́veis? E se A e B são matrizes tais que o produto AB é invertı́vel, então A e B
também são necessariamente invertı́veis? Estas questões serão resolvidas no próximo capı́tulo.

1.7 Matriz de Mudança de Base

1.48 Definição. Dado um espaço vetorial V de dimensão finita, e uma base B = {e1 , . . . , en } para V ,
representamos um vetor v de V com relação à base B através de uma matriz coluna
 1 
v
[v]B =  ... 
 

onde as entradas v 1 , . . . , v n são as coordenadas de v com relação à base B. □

1.49 Lema. Se A ∈ Mn (K) é tal que para toda matriz coluna X ∈ Mn×1 (K) vale

AX = X,

ou para toda matriz linha C ∈ M1×n (K) vale

Y A = Y,

então A = I.

Prova: Se
AX = X
para toda matriz coluna X, em particular tomando X = Ej obtemos

Aj = AEj = Ej .

onde Aj denota a j-ésima coluna de A. O segundo resultado segue do primeiro tomando transpostas. ■

15
1.7. MATRIZ DE MUDANÇA DE BASE

1.50 Teorema. Sejam

B = {e1 , . . . , en } ,
B′ = {e′1 , . . . , e′n } ,

duas bases para o espaço vetorial V . Então existe uma única matriz invertı́vel P tal que

[v]B′ = P [v]B ,
[v]B = P −1 [v]B′ ,

para todo vetor v ∈ V , chamada a matriz de mudança de base de B para B′ , denotada também

P = PB→B′ ,

de modo que
[v]B′ = PB→B′ [v]B .

Em particular, tomando v = ei , segue que as colunas de P são dadas pelas coordenadas dos vetores da
base B com relação à base B′ , ou seja,
Pi = [ei ]B′ .

para i = 1, . . . , n.
Prova: Suponha que os vetores da base B se escrevem em coordenadas com relação à base B′ na forma
n
X
ej = Pji e′i ,
i=1

para cada j = 1, . . . , n, para certos escalares Pji ∈ K. Dado um vetor v ∈ V , suas coordenadas em relação
às bases B e B′ são, respectivamente,
n
X
v= v j ej ,
j=1
n
X ′
v= v i e′i .
i=1

Como
n
X
v= v j ej
j=1
n n
!
X X
= v j
Pji e′i
j=1 i=1
 
n
X n
X
=  Pji v j  e′i ,
i=1 j=1

segue da unicidade das coordenadas em relação a uma base que

n
X
vi′ = Pji v j ,
j=1

16
1.8. SOMAS DE SUBESPAÇOS VETORIAIS

ou seja,
[v]B′ = P [v]B
para a matriz P = Pj ∈ Mn (K). Analogamente, existe uma matriz Q ∈ Mn (K) tal que
i

[v]B = Q [v]B′ .

Em particular

[v]B′ = P [v]B = P Q [v]B′ ,

[v]B = Q [v]B′ = QP [v]B ,

para todo v ∈ V . Pelo lema segue que

P Q = QP = I,
ou seja, Q = P −1 . ■

1.8 Somas de Subespaços Vetoriais

1.51 Definição. Sejam S1 , . . . , Sk subconjuntos de um espaço vetorial V . Definimos a soma dos subcon-
juntos S1 , . . . , Sk como sendo o conjunto
k
X
Si = S1 + . . . + Sk
i=1
= {v1 + . . . + vk : vi ∈ Si para i = 1, . . . k} .

□
1.52 Proposição. Se W1 , . . . , Wk são subespaços de um espaço vetorial V , então a sua soma W1 + . . . + Wk
também é um subespaço vetorial de V e contém cada um dos subespaços Wi , i = 1, . . . k.

Prova. Usando a Proposição 1.30, se

v = w1 + . . . + wk ,
v ′ = w1′ + . . . + wk′ ,

são dois vetores quaisquer de W1 + . . . + Wk , com wi , wi′ ∈ Wi para cada i, e x, y são escalares quaisquer,
segue que

xv + yv ′ = (xw1 + yw1′ ) + . . . + (xwk + ywk′ )

∈ W1 + . . . + Wk .

A última afirmação do enunciado é óbvia, pois o vetor nulo esta em cada um dos subespaços. ■
1.53 Teorema. Se W1 , W2 são dois subespaços de dimensão finita de um espaço vetorial V , então W1 + W2
também tem dimensão finita e

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

Prova. Pelos Teoremas 1.32 e 1.34, W1 ∩ W2 é um subespaço vetorial de V , e portanto também de W1 , W2 ,

que tem uma base finita
{e1 , . . . , en } .

17
1.8. SOMAS DE SUBESPAÇOS VETORIAIS

Pelo Teorema 1.28, esta é parte de uma base

B1 = {e1 , . . . , en , f1 , . . . , fk }

para W1 e parte de uma base

B2 = {e1 , . . . , en , g1 , . . . , gl }
para W2 . O subespaço W1 + W2 é gerado pelo conjunto

B = {e1 , . . . , en , f1 , . . . , fk , g1 , . . . , gl } .

Basta provar que B é LI para terminar a demonstração, pois então B será uma base para W1 +W2 e portanto

dim W1 + dim W2 = (n + k) + (n + l)
= (n + k + l) + n
= dim (W1 + W2 ) + dim (W1 ∩ W2 ) .

De fato, suponha que

n
X k
X l
X
xi ei + y i fi + z i gi = 0.
i=1 i=1 i=1

Escrevendo
l
X n
X k
X
w := z i gi = − xi ei − y i fi ,
i=1 i=1 i=1

vemos que w ∈ W2 e que também w ∈ W1 , ou seja, w ∈ W1 ∩ W2 . Em particular, existem escalares

w1 , . . . , wn tais que
Xn
w= w i ei .
i=1

Subtraindo as duas expressões para w, obtemos

n
X l
X
i
w ei − z i gi = 0,
i=1 i=1

e como {e1 , . . . , en , g1 , . . . , gl } é LI, concluı́mos que

w1 = . . . = wn = z 1 = . . . = z l = 0.

Mas então w = 0 e
n
X k
X
xi ei + y i fi = 0;
i=1 i=1

como {e1 , . . . , en , f1 , . . . , fk } é LI, segue que

x1 = . . . = xn = y 1 = . . . = y k = 0.

■
1.54 Definição. Sejam W1 , W2 dois subespaços de um espaço vetorial V . Se W1 ∩ W2 = {0}, dizemos que
os subespaços W1 , W2 são LI e sua soma W1 + W2 é chamada soma direta e denotada

W1 ⊕ W2 .

18
1.8. SOMAS DE SUBESPAÇOS VETORIAIS

1.55 Corolário. Se W = W1 ⊕ W2 , então

dim W = dim W1 + dim W2 .

Prova. Segue imediatamente do Teorema 1.53 quando se observa que

dim (W1 ∩ W2 ) = dim {0} = 0.

■
1.56 Proposição. W = W1 ⊕ W2 se e somente se todo vetor w ∈ W se escreve de maneira única na forma

w = w1 + w2

com w1 ∈ W1 e w2 ∈ W2 .

Prova. Assuma que W1 ∩ W2 = {0}. Seja w ∈ W e suponha que

w = w1 + w2
w = w1′ + w2′

w1 , w1′ ∈ W1 e w2 , w2′ ∈ W2 . Então

(w1 − w1′ ) + (w2 − w2′ ) = 0,
donde
(w1 − w1′ ) = − (w2 − w2′ ) .
Mas então (w1 − w1′ ) ∈ W1 ∩ W2 e (w2 − w2′ ) ∈ W1 ∩ W2 , logo w1 − w1′ = 0 e w2 − w2′ = 0, ou seja, w1 = w1′
e w2 = w2′ .
Reciprocamente, assuma que todo elemento w ∈ W se escrever de maneira única como uma soma w =
w1 + w2 , com w1 ∈ W1 e w2 ∈ W2 , e suponha por absurdo que exista um vetor v ∈ W1 ∩ W2 tal que v ̸= 0.
Então o vetor nulo é um vetor de W que se escreve pelo menos de duas maneiras diferentes como a soma de
vetores de W1 e W2 :

0 = v + (−v) ,
0 = 0 + 0.

■
1.57 Teorema. Seja V um espaço vetorial de dimensão finita de dimensão n. Então todo subespaço W ⊂ V
de dimensão k possui um complemento em V , isto é, existe um subespaço Z ⊂ V de dimensão n − k tal que

V = W ⊕ Z.

Prova. Se W = {0} ou W = V , tome Z = V ou Z = {0}, respectivamente.

Caso contrário, seja
{e1 , . . . , ek }
uma base para W . Complete esta base até uma base para V :

B = {e1 , . . . , ek , ek+1 , . . . , en } .

Então tomamos como Z o subespaço gerado pelos vetores ek+1 , . . . , en , isto é,

Z = ⟨ek+1 , . . . , en ⟩ .

19
1.8. SOMAS DE SUBESPAÇOS VETORIAIS

De fato, se W ∩ Z ̸= {0}, tomando um vetor não-nulo v ∈ W ∩ Z, terı́amos escalares v 1 , . . . , v k , v k+1 , . . . , v n

não todos nulos tais que
k
X
v= v i ei ,
i=1
Xn
v= v i ei ,
i=k+1

donde
k
X n
X
v i ei − v i ei = 0
i=1 i=k+1

seria uma combinação linear não trivial produzindo o vetor nulo, contradizendo o fato que B é LI. ■
1.58 Exemplo. Se ( n )
X
K par
[x] = ai x 2i
: a0 , . . . an ∈ K, n ∈ N ,
i=0

é o subespaço dos polinômios pares e

( n
)
X
K ı́mpar
[x] = ai x 2i+1
: a0 , . . . an ∈ K, n ∈ N ,
i=0

é o subespaço dos polinômios ı́mpares (note que o polinômio nulo é simultaneamente par e ı́mpar), então

K [x] = Kpar [x] ⊕ Kı́mpar [x] .

□
1.59 Exemplo. Se
Fpar = {f : R −→ R : f (x) = f (−x)} ,
é o subespaço das funções reais pares e

Fı́mpar = {f : R −→ R : f (x) = −f (−x)} ,

é o subespaço das funções reais ı́mpares, então

F (R; R) = Fpar ⊕ Fı́mpar ,

pois todo função f ∈ F (R; R) se escreve de forma única como uma soma f = g + h de uma função par g e
uma função ı́mpar h; basta tomar

f (x) + f (−x)
g (x) = ,
2
f (x) − f (−x)
h (x) = ,
2
e a função nula é a única função simultaneamente par e ı́mpar. □
Generalizamos a Definição 1.54 e os resultados que lhe seguem para um número arbitrário de subespaços
de V :

20
1.9. SOMAS DIRETAS DE ESPAÇOS VETORIAIS

1.60 Definição. Seja V um espaço vetorial. Dizemos que os subespaços vetoriais W1 , . . . , Wk de V são LI
se
w1 + . . . + wk = 0
implicar
w1 = . . . = wk = 0.
Neste caso sua soma é chamada uma soma direta e denotada
W1 ⊕ . . . ⊕ Wk .
□
1.61 Proposição. Todo vetor de W = W1 ⊕ . . . ⊕ Wk se escreve de maneira única na forma
w = w1 + . . . + wk
com wi ∈ Wi para todo i.
1.62 Proposição. Sejam V um espaço vetorial e W1 , . . . , Wk subespaços de V . As seguintes afirmações são
equivalentes:
1.63 Lema. (i) W1 , . . . , Wk são LI.
(ii) Para cada 2 ⩽ j ⩽ k nós temos
(W1 + . . . + Wj−1 ) ∩ Wj = {0} .
(iii) Se Bi é uma base para Wi então B = {B1 , . . . , Bk } é uma base para W1 + . . . + Wk .
Prova: (i) ⇒ (ii) Seja w ∈ (W1 + . . . + Wj−1 ) ∩ Wj . Então temos simultaneamente
w ∈ Wj ,
w = w1 + . . . + wj−1 ,
para alguns vetores wi ∈ Wi . Como
w1 + . . . + wj−1 − w + 0 + . . . + 0 = 0
concluı́mos que w1 = . . . = wj−1 = w = 0.
(ii) ⇒ (i) Suponha que
w1 + . . . + wk = 0
com wi ∈ Wi para cada i. Se existe algum wj não nulo, seja j o maior inteiro tal que wj ̸= 0. Então
w1 + . . . + wj = 0 e
wj = −w1 − . . . − wj−1
contradizendo (W1 + . . . + Wj−1 ) ∩ Wj = {0}.
(i) ⇔ (iii) Óbvio. ■

1.9 Somas Diretas de Espaços Vetoriais

1.64 Definição. Sejam V, W dois K-espaços vetoriais. A soma direta (ou espaço vetorial produto)
V ⊕ W de V e W é o produto cartesiano V × W com as operações de soma e produto por escalar definidas
por
(v1 , w1 ) + (v2 , w2 ) := (v1 + v2 , w1 + w2 ) ,
x (v, w) := (xv, xw) .
□

21
1.9. SOMAS DIRETAS DE ESPAÇOS VETORIAIS

1.65 Proposição. Vale

dim (V ⊕ W ) = dim V + dim W.

Prova. Se

BV = {e1 , . . . , en } ,
BW = {f1 , . . . , fm } ,

são bases de V e W , respectivamente, então

B = {(e1 , 0) , . . . , (en , 0) , (0, f1 ) , . . . , (0, fm )}

é uma base para V ⊕ W . ■

22
Capı́tulo 2

Lineomorfismos

2.1 Definição
Definida uma estrutura matemática sobre conjuntos (e portanto a especificação de uma determinada classe
de conjuntos, ou seja, aqueles que possuem esta estrutura, chamados objetos), o estudo desta estrutura só
é completo quando se estuda também as funções entre estes conjuntos que preservam esta estrutura, isto é,
os morfismos com respeito a esta estrutura (morfismos entre objetos). A classe de objetos (conjuntos que
possuem esta estrutura) juntamente com o conjunto de morfismos (funções que preservam esta estrutura)
é chamada uma categoria. Na Álgebra Linear, o objetivo é estudar a categoria dos espaços vetoriais sobre
o corpo K, caracterizados por uma estrutura linear, isto é, a capacidade de somar vetores e multiplicá-los
por escalares em K (em outras palavras, a capacidade de tomar combinações lineares). Os morfismos que
preservam esta estrutura linear são chamados aplicações lineares, mapas lineares, transformações lineares
ou, simplesmente, morfismos lineares ou lineomorfismos. Neste texto escolhemos estes últimos dois nomes.
2.1 Definição. Sejam V, W dois espaços vetoriais sobre um mesmo corpo K.
Uma função T : V −→ W é chamado um lineomorfismo ou morfismo linear se

T (xv + yw) = xT (v) + yT (w)

para todos v, w ∈ V e x, y ∈ K.
Quando V = W , um morfismo linear T : V −→ V é chamado um operador linear. □
Morfismos lineares preservam portanto as operações que definem um espaço vetorial, que são a soma de
vetores e a multiplicação de vetores por escalares, isto é, morfismos lineares preservam combinações lineares.
Preservar combinações lineares significa que a imagem de uma combinação linear de vetores é a mesma
combinação linear das imagens destes vetores.
2.2 Proposição. Se

T : V −→ W,
S : W −→ Z,

são morfismos lineares, então sua composta

S ◦ T : V −→ Z

também é um morfismo linear.

23
2.1. DEFINIÇÃO

Prova: Por linearidade,

(S ◦ T ) (xv + yw) = S [T (xv + yw)]

= S [xT (v) + yT (w)]
= xS [T (v)] + yS [T (w)]
= x (S ◦ T ) (v) + y (S ◦ T ) (w) .

■
Um lineomorfismo T : V −→ W leva a identidade do espaço vetorial V na identidade do espaço vetorial
W:
2.3 Proposição. Seja T : V −→ W um morfismo linear. Então T (0V ) = 0W .

Prova: Observe que estamos usando notações diferentes para os vetores nulos de cada espaço por motivos
de clareza. Temos
T (0V ) = T (00V ) = 0T (0V ) = 0W .
■

2.1.1 Existência e Unicidade de Lineomorfismos

2.4 Teorema. Um lineomorfismo é completamente determinado pelos valores que ele toma em uma base.

Prova: Sejam T : V −→ W um morfismo linear e B = {ei }i∈I uma base para V . Dado um vetor v ∈ V , ele
se escreve como uma combinação linear

v = v i1 ei1 + . . . + v in ein

para alguns vetores ei1 , . . . , ein ∈ B. Logo,

n
! n
X X
Tv = T ii
v e ii = v ii T (eii ) .
i=1 i=1

■
Podemos dizer ainda mais: para definir um morfismo linear T : V −→ W basta estipular os seus valores em
uma base e estender linearmente aos demais vetores de V :
2.5 Teorema. Sejam V um espaço vetorial, B = {ei }i∈I uma base para V e {fi }i∈I um conjunto de vetores
arbitrários de um espaço vetorial W .
Existe um único morfismo linear T : V −→ W tal que

T ei = fi

para todo i ∈ I.

Prova: Primeiro, o caso de dimensão finita: sejam B = {e1 , . . . , en } uma base para V e f1 , . . . , fn ∈ W
vetores arbitrários. Como todo vetor v ∈ V se escreve como uma combinação linear de maneira única

v = v 1 e1 + . . . + v n en ,

definimos T : V −→ W por
T v = v 1 f1 + . . . + v n fn .

24
2.1. DEFINIÇÃO

Para ver que T é um morfismo linear, escrevendo vetores quaisquer v, w ∈ V na forma

n
X
v= v i ei ,
i=1
n
X
w= wi ei ,
i=1

para todos escalares x, y ∈ K temos

n n
!
X X
T (xv + yw) = T x v ei + y
i i
w ei
i=1 i=1
n
!
X
=T xv + yw ei
i i

i=1
n
X
= xv i + ywi fi

i=1
Xn n
X
=x v i fi + y wi fi
i=1 i=1
= xT (v) + yT (w) .
A unicidade de T decorre do teorema anterior.
No caso em que V, W tem dimensões arbitrárias, como todo vetor v ∈ V se escreve como uma combinação
linear de maneira única X
v= v i ei ,
i∈I

onde apenas um número finito dos escalares v i são não nulos, definimos a aplicação T : V −→ W por
X
Tv = v i fi .
i∈I

Escrevendo vetores quaisquer v, w ∈ V na forma

X
v= v i ei ,
i∈I
X
w= w i ei ,
i∈I

onde apenas um número finito dos escalares v , w são não nulos, para todos escalares x, y ∈ K temos
i i
!
X X
T (xv + yw) = T x v ei + y
i i
w ei
i∈I i∈I
!
X
=T xv i + yw ei i

i∈I
X
= xv i + ywi fi

i∈I
X X
=x v i fi + y w i fi
i∈I i∈I
= xT (v) + yT (w) .
■

25
2.1. DEFINIÇÃO

2.6 Definição. Sejam V, W K-espaços vetoriais. Denotamos o conjunto dos morfismos lineares de V em W
por Hom (V, W ).
Definimos uma estrutura de K-espaço vetorial em Hom (V, W ) por

(T + S) (v) := T (v) + S (v) ,

(xT ) (v) := xT (v) ,

para todo v ∈ V .
Se V = W , denotamos Hom (V, W ) simplesmente por Hom(V ). □

2.1.2 Isomorfismos
2.7 Definição. Dizemos que dois espaços vetoriais V e W são isomorfos quando existe um lineomorfismo
bijetivo T : V −→ W cujo inverso é linear.
Neste caso, T é chamado um isomorfismo. □
Como a composta de isomorfismos é um isomorfismo, dois espaços vetoriais serem isomorfos é uma relação
de equivalência. Assim, do ponto de vista da álgebra linear, dois espaços isomorfos são indistinguı́veis.
2.8 Proposição. Se T : V −→ W é um lineomorfismo injetivo, então a inversa T −1 : T (V ) −→ V é
automaticamente linear.
Prova: Dados w1 , w2 ∈ T (V ), sejam v1 , v2 ∈ V tais que

T (v1 ) = w1 ,
T (v2 ) = w2 .

Dados x, y ∈ K, segue que

T (xv1 + yv2 ) = xT (v1 ) + yT (v2 )

= xw1 + yw2 .

Portanto,
T −1 (xw1 + yw2 ) = xv1 + yv2 = xT −1 (w1 ) + yT −1 (w2 ) .
■
2.9 Proposição. Um lineomorfismo é injetivo se e somente se T −1 (0) = 0.
Prova: Assuma T −1 (0) = 0. Se T (v) = T (w), por linearidade segue que T (v − w) = 0, logo v − w = 0 e
portanto v = w, ou seja, T é injetivo.
Reciprocamente, assuma T : V −→ W injetivo. Por linearidade T (0) = 0. Se T (v) = T (w), por
linearidade T (v − w) = 0, logo segue da injetividade de T que v − w = 0, ou seja v = w. ■
2.10 Teorema. Todo K-espaço vetorial de dimensão n é isomorfo a Kn .
Prova: Denote por ei o i-ésimo vetor da base canônica de Kn , isto é, o j-ésimo elemento da n-upla ei é

eji = δij ,

o delta de Kronecker. Sejam V um espaço vetorial de dimensão n e B = {v1 , . . . , vn } uma base para V .
Usando o Teorema 2.5, definimos um lineomorfismo T : V −→ Kn por

T (vi ) = ei ,

É fácil ver que T é um isomorfismo. ■

26
2.2. ESPAÇO QUOCIENTE

2.11 Teorema. Se n ̸= m, então Kn não é isomorfo a Km .

Prova: Suponha n > m e assuma por absurdo que T : Kn −→ Km é um isomorfismo. Mostraremos que
{T e1 , . . . , T en } é um conjunto LI no espaço Km de dimensão m < n, uma contradição. De fato, se

0 = x1 T (e1 ) + . . . + xn T (en ) = T x1 e1 + . . . + xn en ,

então
x1 e1 + . . . + xn en = 0
porque T é injetivo, o que por sua vez implica x1 = . . . = xn = 0. ■

2.12 Corolário. Sejam V e W espaços vetoriais isomorfos. Então dim V = dim W .

Prova: Segue dos Teoremas 2.10 e 2.11 e do fato de que a composta de um isomorfismo é um isomorfismo.
■

2.2 Espaço Quociente

2.13 Definição. Seja U um subespaço do espaço vetorial V . Se v, w ∈ V , dizemos que v é equivalente a
w módulo U se
v − w ∈ U.

Denotamos isso por

v∼w
e por v ∼U w ou ainda por v ∼ w (mod U ) quando for necessário explicitar o subespaço U .□
A relação de equivalência módulo subespaço é uma relação de equivalência em V , como pode ser facilmente
verificado. Denotaremos a classe de equivalência do vetor v por [v], isto é,

[v] = {w ∈ V : w ∼ v} .

Observe que a classe de equivalência do vetor nulo é exatamente o subespaço U :

[0] = U.

2.14 Definição. Seja U um subespaço do espaço vetorial V . As operações de soma e produto por escalar de
V induzem de forma natural operações de soma e produto por escalar no conjunto das classes de equivalência
módulo U por

[v] + [w] := [v + w] ,
x [v] := [xv] .

Com estas operações, o conjunto das classes de equivalência módulo U torna-se um espaço vetorial, chamado
o espaço quociente de V por U e denotado por

V /U.

□
Verifique que as operações estão bem definidas e que V /U satisfaz as propriedades de um espaço vetorial.

27
2.2. ESPAÇO QUOCIENTE

2.15 Exemplo. Se V = R3 e U é um subespaço de dimensão 2 (isto é, um plano passando pela origem),
então as classes de equivalência de V /U são planos paralelos a U . Note que dois vetores v, w ∈ V pertencem
à mesma classe de equivalência, isto é, ao mesmo plano paralelo a U se sua diferença v − w (dada pela regra
do triângulo) é paralela ao plano U . □
2.16 Teorema. Seja
V =U ⊕Z
e seja
π: V −→ V /U
v 7→ [v]
a aplicação quociente.
Então π é um lineomorfismo e a restrição

π|Z : Z −→ V /U

é um isomorfismo canônico (isto é, independe da escolha de bases).

Em particular, se tem V dimensão finita, então o espaço quociente V /U tem dimensão finita e

dim (V /U ) = dim V − dim U.

Prova: A linearidade de π segue de

π (xv + yw) = [xv + yw]

= [xv] + [yw]
= x [v] + y [w]
= xπ (v) + yπ (w) .

Para ver que π|Z é injetiva, note que

π (v) = 0
é equivalente a
[v] = [0] = U
o que significa que v ∈ U . Então v ∈ U ∩ Z = {0}, logo v = 0.
Para ver que π|Z é sobrejetiva, seja [v] ∈ V /U qualquer. Temos v = w + z, com w ∈ U e z ∈ Z. Daı́,
v − z = w, ou seja, [v] = [z], donde [v] = π (z).
Como V /U é isomorfo a Z e V = U ⊕ Z, temos, respectivamente,

dim (V /U ) = dim Z,
dim V = dim Z + dim U,

donde segue a última afirmativa. ■

Outra maneira de definir o isomorfismo canônico é através da propriedade de que ele é o único lineomorfismo
que faz o diagrama seguinte virar comutativo:
ı
Z ,→ V
↘ ↓π
V /U

2.17 Exemplo. No Exemplo 2.15, Z é qualquer reta passando pela origem não paralela a U . □

28
2.3. TEOREMA DO NÚCLEO E DA IMAGEM

2.3 Teorema do Núcleo e da Imagem

2.18 Proposição. Seja T : V −→ W um lineomorfismo.
Se U é um subespaço de V , então T (U ) é um subespaço de W .
Reciprocamente, se Z é um subespaço de W , então T −1 (Z) é um subespaço de V .
Prova: Como 0 ∈ U , temos T (U ) ̸= ∅. Sejam w1 , w2 ∈ T (U ) e u1 , u2 ∈ U tais que

T (u1 ) = w1 ,
T (u2 ) = w2 .

Para todos x, y ∈ K segue que

xw1 + yw2 = xT (u1 ) + yT (u2 ) = T (xu1 + yu2 ) ,

e como xu1 + yu2 ∈ U , concluı́mos que xw1 + yw2 ∈ T (U ).

Reciprocamente, sejam v1 , v2 ∈ T −1 (Z). Então

T (v1 ) =: z1 ∈ Z,
T (v2 ) =: z2 ∈ Z.

Para todos x, y ∈ K segue que

T (xv1 + yv2 ) = xT (v1 ) + yT (v2 ) = xz1 + yz2 ∈ Z,

logo concluı́mos que xv1 + βv2 ∈ T −1 (Z). ■

Segue deste resultado que o conjunto imagem im T de um lineomorfismo T : V −→ W entre espaços vetoriais
é um subespaço de W e que o conjunto T −1 (0) é um subespaço de V ; este último é chamado o núcleo do
lineomorfismo T e denotado ker T .
2.19 Teorema (Teorema do Núcleo e da Imagem). Seja T : V −→ W um lineomorfismo.
Os subespaços
V / ker T e im T
são isomorfos.
Em particular, se V tem dimensão finita,

dim V = dim (ker T ) + dim (im T ) .

Prova 1: Definimos o isomorfismo ϕ : V / ker T −→ im T da maneira mais natural possı́vel

ϕ : V / ker T −→ im T
[v] 7−→ T (v)

Observe que ϕ está bem definido, porque se [v] = [w], então v − w ∈ ker T , isto é, T (v − w) = 0, donde
T v = T w. Além disso, ϕ é linear porque

ϕ (x [v] + y [w]) = ϕ ([xv + yw])

= T (xv + yw)
= xT (v) + yT (w)
= xϕ ([v]) + yϕ ([w]) .

ϕ é injetivo porque se ϕ ([v]) = T (v) = 0, então v ∈ ker T , logo [v] = 0 em V / ker T . Finalmente, ϕ é
sobrejetivo, porque dado w ∈ im T , temos w = T v para algum v ∈ V , logo w = ϕ ([v]).

29
2.3. TEOREMA DO NÚCLEO E DA IMAGEM

Prova 2: Embora a segunda afirmativa decorra da primeira e do Teorema 2.16, já que

dim (im T ) = dim (V / ker T ) = dim V − dim (ker T ) ,

vamos dar-lhe uma demonstração independente, já que ela é a mais freqüentemente usada nas aplicações e
não necessita da introdução do conceito de espaço quociente.
Seja {e1 , . . . , ek } uma base para ker T e complete este conjunto LI até uma base {e1 , . . . , ek , ek+1 , . . . , en }
para V . Afirmamos que
B = {T ek+1 , . . . , T en }
é uma base para im T . De fato, dado
n
X
v= xi ei ,
i=1

temos
n
X
Tv = xi T ei ,
i=k+1

já que T e1 = . . . = T ek = 0, portanto B gera im T . Para provar que B é LI, suponha que
n
X
xi T ei = 0.
i=k+1

Então, !
n
X
T i
x ei = 0,
i=k+1
n
o que implica que xi ei ∈ ker T . Como a interseção entre os subespaços ker T e ⟨ek+1 , . . . , en ⟩ é o vetor
P
i=k+1
n
nulo, por construção, segue que xi ei = 0 e portanto xk+1 = . . . = xn = 0. Em particular,
P
i=k+1

dim V = dim (ker T ) + dim (im T ) .

■
Observe que o isomorfismo ϕ definido na demonstração do teorema torna o diagrama abaixo comutativo:
T
V −→ im T
↓π ↗
ϕ
V / ker T

2.20 Corolário. Sejam V e W espaços vetoriais com a mesma dimensão. Então um lineomorfismo T :
V −→ W é injetivo se e somente se ele é sobrejetivo.

Prova: Pois
dim W = dim V = dim (ker T ) + dim (im T ) ,
logo dim (ker T ) = 0 se e somente se dim (im T ) = dim W . ■

30
2.4. REPRESENTAÇÕES MATRICIAIS DE MORFISMOS LINEARES

2.4 Representações Matriciais de Morfismos Lineares

Seja T ∈ Hom (V, W ) um lineomorfismo entre espaços vetoriais de dimensão finita. Escolha bases

BV = {e1 , . . . , en } ,
BW = {e′1 , . . . , e′m }

para V e W , respectivamente. Então, cada vetor v ∈ V se escreve

n
X
v= v j ej ,
j=1

donde  
n
X n
X
Tv = T  v j ej  = v j T (ej ) .
j=1 j=1

Escreva os vetores T e1 , . . . , T en em relação à base BW na forma

m
X
T (ej ) = Aij e′i ,
i=1

isto é, na forma de matriz coluna:

A1j
 

T (ej ) =  ...  = Aj .
 

Amj

Em outras palavras, as colunas de A são dadas por

Aj = [T (ej )]BW .

A matriz A = Aij m×n é chamada a representação matricial do lineomorfismo T com relação às bases

BV e BW . Esta representação de T também será denotada por

A = [T ]BV ,BW .

No caso em que V = W e T ∈ Hom (V ) é um operador linear, se B é uma base de V podemos denotar o

representante matricial de T com relação à base B simplesmente por

A = [T ]B

e vale
[T v]B = [T ]B [v]B .

2.21 Teorema. Sejam V , W e Z espaços vetoriais de dimensão finita com bases

BV = {e1 , . . . , en } ,
BW = {e′1 , . . . , e′m } ,
BW = e′′1 , . . . , e′′p ,

31
2.5. A ÁLGEBRA DOS OPERADOS LINEARES

respectivamente. Sejam

T : V −→ W,
S : W −→ Z,

morfismos lineares. Então

[S ◦ T ]BV ,BZ = [S]BW ,BZ [T ]BV ,BW .

Em particular, se V = W = Z e BV = BW = BZ = B, então

[S ◦ T ]B = [S]B [T ]B .

Prova: Sejam

[T ]BV ,BW = Am×n ,

[S]BW ,BZ = Bp×m .

Temos
m
! m
X X
(S ◦ T ) (ej ) = S [T (ej )] = S Aij e′i = Aij S (e′i )
i=1 i=1
p p
m m
!
X X X X
= Aij Bik e′′k = Bik Aij e′′k
i=1 k=1 k=1 i=1
p
X k
= (BA)j e′′k .
k=1

2.5 A Álgebra dos Operados Lineares

2.22 Definição. Hom (V ) com o produto entre dois operadores lineares T, S definido por

TS = T ◦ S

é uma álgebra associativa (pois a composição de funções é associativa), não comutativa se dim V ⩾ 2
(exercı́cio) e com identidade (o operador identidade). □
2.23 Definição. Um morfismo entre álgebras (V, ∗) e (W, ·) é um lineomorfismo ϕ : V −→ W que
preserva o produto, isto é,
ϕ (v ∗ w) = ϕ (v) · ϕ (w)

para todos v, w ∈ V .
Um morfismo entre álgebras com identidade também preserva a identidade, ou seja,

ϕ (1V ) = 1W .

32
2.5. A ÁLGEBRA DOS OPERADOS LINEARES

Em outras palavras, um morfismo entre álgebras preserva as duas estruturas que caracterizam uma álgebra:
a estrutura linear e o produto entre vetores.
2.24 Corolário. Fixe bases BV e BW para os K-espaços vetoriais V e W , respectivamente, com dim V = n
e dim W = m. Então a aplicação
Φ : Hom (V, W ) −→ Mm×n (K)
definida por
T 7→ [T ]BV ,BW
é um isomofismo entre espaços vetoriais. Em particular,

dim Hom (V, W ) = dim V dim W.

Se V = W , então Φ é um isomorfismo entre álgebras lineares com identidade.

Prova: Verificar que Φ é um isomorfismo entre espaços vetoriais é deixado como exercı́cio. O fato que Φ
preserva o produto segue do Teorema 2.21 e é fácil verificar que Φ leva a aplicação identidade na matriz
identidade. ■
2.25 Teorema. Sejam B,B′ duas bases para o espaço vetorial V e PB→B′ a matriz de mudança de base de
B para B′ . Se T ∈ Hom (V ) é um operador linear, então

[T ]B′ = PB→B′ [T ]B PB′ →B .

Em outras palavras, se P = PB→B′ , então

[T ]B′ = P [T ]B P −1 .
Prova: Pelo Teorema 1.50, para todo vetor v ∈ V vale
[T ]B′ [v]B′ = [T v]B′
= PB→B′ [T v]B
= PB→B′ [T ]B [v]B
= PB→B′ [T ]B PB′ →B [v]B′
logo
[T ]B′ = P [T ]B P −1 .
■
Observe que a matriz P = PB→B′ nada mais é que a matriz que representa o lineomorfismo U que leva
a base B′ na base B em relação à base B′ :
U e′i = ei ,
pois
Pi = [ei ]B′ = [U e′i ]B′ .
Em outras palavras,
PB→B′ = [U ]B′ .
Consequentemente,
−1
P −1 = [U ]B′ = U −1 B .

Assim, o resultado do teorema anterior também pode ser expresso na forma

−1
[T ]B′ = [U ]B′ [T ]B [U ]B′ .

33
2.5. A ÁLGEBRA DOS OPERADOS LINEARES

2.26 Definição. Sejam A, B ∈ Mn (K) duas matrizes quadradas. Dizemos que A e B são semelhantes se
existe uma matriz invertı́vel P ∈ Mn (K) tal que

B = P −1 AP.

□
Segue do Teorema 2.25 que duas matrizes são semelhantes se em um K-espaço vetorial elas representam o
mesmo lineomorfismo em relação a duas bases (possivelmente) distintas. Observe que similaridade é uma
relação de equivalência em Mn (K).
Podemos dizer mais: se dois operadores lineares distintos possuem a mesma matriz em relação a bases
diferentes, então eles diferem apenas por conjugação de um isomorfismo, como provado a seguir.
2.27 Teorema. Sejam V um espaço vetorial de dimensão finita e T, S ∈ Hom (V ) operadores lineares.
Existem bases B, B′ de V tais que
[T ]B = [S]B′
se e somente se existe um operador linear U ∈ Hom (V ) tal que

T = U SU −1 .

Solução: Suponha que existem bases

B = {e1 , . . . , en } ,
B′ = {e′1 , . . . , e′n } ,

de V tais que
[T ]B = [S]B′ =: A.
Defina U ∈ Hom (V ) por
U e′i = ei .
Temos

U SU −1 ei = U Se′i
 
X n
=U Aji e′i 
j=1
n
X
= Aji U (e′i )
j=1
n
X
= Aji ei
j=1

= T ei ,

de modo que
U SU −1 = T.
Reciprocamente, suponha que exista U ∈ Hom (V ) tal que

T = U SU −1 .

Dada uma base de V

B′ = {e′1 , . . . , e′n } ,

34
2.5. A ÁLGEBRA DOS OPERADOS LINEARES

seja
A := [S]B′
e defina outra base de V
B = {e1 , . . . , en }
por
ei = U e′i .
Então,

T ei = U SU −1 ei
= U Se′i
 
X n
j
=U Ai e′i 
j=1
n
X
= Aji U (e′i )
j=1
n
X
= Aji ei .
j=1

de modo que
A = [T ]B .
■
2.28 Teorema (Forma Canônica de um Morfismo Linear). Sejam V, W espaços vetoriais de dimensão
finita com

dim V = n,
dim W = m,

e T ∈ Hom (V, W ). Então existem bases BV , BW tais que [T ]BV ,BW tem a forma em blocos

0

I
[T ]BV ,BW = .
0 0

Mais precisamente,
0r×(n−r)

Ir
[T ]BV ,BW = ,
0(m−r)×r 0(m−r)×(n−r)
onde r = dim im T .
Prova: Pelo Teorema do Núcleo e da Imagem,

dim ker T = n − r.

Seja
Bker T = {er+1 , . . . , en }
uma base para o núcleo de T e
BV = {e1 , . . . , er , er+1 , . . . , en }

35
2.6. ÁLGEBRAS DE LIE DAS MATRIZES E DOS OPERADORES LINEARES

o seu completamento até uma base de V . Então

Bim T = {T (e1 ) , . . . , T (er )}

é uma base para im T como vimos na demonstração do Teorema 2.19.

Denotando
fi = T (ei ) para i = 1, . . . , r,
completamos Bim T até uma base
BW = {f1 , . . . , fr , fr+1 , . . . , fn }
para W . Segue que

T (e1 ) = f1 ,
..
.
T (er ) = fr ,
T (er+1 ) = 0,
..
.
T (en ) = 0,

donde segue o resultado.■

2.6 Álgebras de Lie das Matrizes e dos Operadores Lineares

2.29 Definição. Uma álgebra de Lie é uma álgebra com um produto de vetores chamado colchete de
Lie, denotado por [·, ·], que satisfaz
(i) Anticomutatividade:
[v, w] = − [w, v] .

(ii) Identidade de Jacobi:

[u, [v, w]] + [v, [w, u]] + [w, [u, v]] = 0.

□
A anticomutatividade, quando K é um corpo com caracterı́stica zero implica que

[v, v] = 0.

Observe que a identidade de Jacobi é uma identidade cı́clica que está no lugar da associatividade. De fato,
o colchete de Lie não é em geral associativo. A associatividade de [, ] é equivalente a

[u, [v, w]] = [[u, v] , w] ,

mas isso implicaria pela identidade de Jacobi que

[[u, v] , w] + [v, [w, u]] + [w, [u, v]] = 0,

e, como o colchete de Lie é anticomutativo, o primeiro termo se cancelaria com o terceiro, restando

[v, [w, u]] = 0

36
2.6. ÁLGEBRAS DE LIE DAS MATRIZES E DOS OPERADORES LINEARES

para todos v, w, u, o que em geral não é válido.

Observe também que uma álgebra de Lie V sobre K não trivial não pode ter uma identidade, isto é, um
vetor 1 ∈ V tal que
[1, v] = [v, 1] = v,
se K tem caracterı́stica maior que 2, por causa da anticomutatividade:
[1, v] = − [v, 1]
implicaria
v = −v
e isso só vale em um espaço vetorial sobre Z2 . Em geral, a identidade de Jacobi proibe que uma álgebra
de Lie não trivial sobre qualquer corpo possua sequer identidades laterais. Suponha que (V, [·, ·]) seja uma
álgebra de Lie e que 1 ∈ V é uma identidade à esquerda, isto é,
[1, v] = v
para todo v ∈ V . Pela identidade de Jacobi, para todos v, w ∈ V vale
[1, [v, w]] + [v, [w, 1]] + [w, [1, v]] = 0,
donde
[v, w] − [v, w] + [w, v] = 0,
e daı́
[w, v] = 0.
2.30 Exemplo. R3 com o produto vetorial é uma álgebra de Lie (exercı́cio). Note que em geral v×(w × u) ̸=
0. □
2.31 Proposição. Se V é uma álgebra com produto associativo ∗, então

[v, w] = v ∗ w − w ∗ v

define um colchete de Lie em V .

Portanto, se V é uma álgebra associativa, V possui naturalmente uma estrutura adicional induzida de
álgebra de Lie.
Prova: Claramente a anticomutatividade é satisfeita. Para provar a identidade de Jacobi observe que temos
(omitimos o sinal ∗ para facilitar a visualização)
[u, [v, w]] = u [v, w] − [v, w] u
= u (vw − wv) − (vw − wv) u
= u (vw) − u (wv) − (vw) u + (wv) u,
[v, [w, u]] = v (wu) − v (uw) − (wu) v + (uw) v.
[w, [u, v]] = w (uv) − w (vu) − (uv) w + (vu) w.
A associatividade do produto ∗ permite cancelar os termos na soma (abaixo, os termos que se cancelam
estão identificados pelo mesmo superescrito)
[u, [v, w]] + [v, [w, u]] + [w, [u, v]]
= uvw1 − uwv 2 − vwu3 + wvu4
+ vwu3 − vuw5 − wuv 6 + uwv 2
+ wuv 6 − wvu4 − uvw1 + vuw5 .

37
2.6. ÁLGEBRAS DE LIE DAS MATRIZES E DOS OPERADORES LINEARES

■
Assim, a existência de um produto associativo em V automaticamente permite definir um colchete de Lie
em V e V possui duas estruturas de álgebra: uma álgebra associativa e sua álgebra de Lie derivada desta.
Note que se a álgebra ∗ de V for comutativa, então a álgebra de Lie derivada é trivial:

[v, w] = v ∗ w − w ∗ v = v ∗ w − v ∗ w = 0

para todos v, w ∈ V .

2.32 Definição. Definimos o colchete de Lie em Mn (K) por

[A, B] = AB − BA.

Analogamente, definimos o colchete de Lie em Hom (V ) por

[T, S] = T S − ST = T ◦ S − S ◦ T.

□
2.33 Proposição. Mn (K) e Hom (V ) munidos do produto colchete são álgebras de Lie isomorfas.
O colchete de Lie de matrizes [A, B] também é chamado de comutador, pois mede o quanto as matrizes
A, B não comutam.

2.34 Exemplo. Álgebras de Lie podem se comportar de maneiras bem diferentes. Enquanto que em R3
com o produto vetorial, todo vetor u pode ser escrito como o produto vetorial de dois outros vetores, isto é,
existem vetores v, w tais que u = v × w, isso não é verdade para Mn (K). Dada uma matriz A, se existirem
matrizes B, C tais que A = [B, C], como o traço é um funcional linear e
n n n
!
X i
X X
tr (AB) = (AB)i = i k
Ak B i
i=1 i=1 k=1
Xn Xn
= Aik Bik = Bik Aik
i,k=1 i,k=1
n n
! n
X X X k
= Bik Aik = (BA)k
k=1 i=1 k=1
= tr (BA) ,

segue que se A = [B, C] então

tr A = tr (BC) − tr (CB) = 0.
De fato, pode-se provar o seguinte: se V denota o subespaço vetorial gerado pelas matrizes que são
colchete de Lie de outras matrizes:

V = ⟨C ∈ Mn (K) : C = [A, B] para A, B ∈ Mn (K)⟩ .

então V é precisamente o subespaço W das matrizes de traço nulo:

W = {C ∈ Mn (K) : tr C = 0} .

Veja [HK], p. 107, Exercı́cio 17, para sugestões para a prova deste resultado. □

38
2.7. FUNCIONAIS LINEARES E O ESPAÇO DUAL

2.7 Funcionais Lineares e o Espaço Dual

2.35 Definição. Seja V um espaço vetorial sobre um corpo K. Um lineomorfismo f : V −→ K é chamado
um funcional linear.
O espaço dos funcionais lineares L (V, K) é denotado por V ∗ e chamado o espaço dual de V .

Observe que pelo Corolário 2.24, como dim K = 1, segue que

dim V ∗ = dim V.

2.36 Definição. Sejam V um espaço vetorial sobre um corpo K e B = {e1 , . . . , en } uma base para V .
A base dual de B é a base B∗ = {e∗1 , . . . , e∗n } para V ∗ definida por

e∗i (ej ) = δij .

□
2.37 Proposição. B∗ = {e∗1 , . . . , e∗n } é uma base para V ∗ .
De fato, para todo funcional linear f ∈ V ∗ nós temos

n
X
f= f (ei ) e∗i ,
i=1

ou seja, as coordenadas de f na base dual são f (e1 ) , . . . , f (en ), e para todo vetor v ∈ V nós temos

n
X
v= e∗i (v) ei ,
i=1

ou seja, as coordenadas de v são e∗1 (v) , . . . , e∗n (v). Portanto, os funcionais e∗i são simplesmente as
funções coordenadas.
Prova: B∗ é de fato um conjunto linearmente independente pois, se
n
X
xi e∗i = 0,
i=1

então !
n
X n
X n
X
xj = xi δij = xi [e∗i (ej )] = xi e∗i (ej ) = 0 (xj ) = 0
i=1 i=1 i=1

para todo j.
Para provar que B∗ gera V ∗ , seja f ∈ V ∗ . Então, para todo j vale
n n
" n #
X X X
f (ej ) = f (ei ) δij = f (ei ) [ei (ej )] =
∗
f (ei ) ei (ej ) ,
∗

i=1 i=1 i=1

e como
n
X
f (ei ) e∗i
i=1

39
2.7. FUNCIONAIS LINEARES E O ESPAÇO DUAL

define um funcional linear (combinação linear dos funcionais lineares e∗i ) por unicidade de um lineomorfismo
definido em uma base, segue a primeira fórmula do enunciado.
A segunda fórmula do enunciado segue do fato de que se
n
X
v= xi ei ,
i=1

então por linearidade e definição da base dual

n
! n n
X X X
e∗j (v) = e∗j i
x ei = xi e∗j (ei ) = xi δji = xj .
i=1 i=1 i=1

■
2.38 Definição. O espaço dos funcionais lineares L (V ∗ , K) definidos no dual de V é denotado por V ∗∗ e
chamado o bidual de V . □
2.39 Teorema. Seja V um espaço vetorial de dimensão finita. Então V e V ∗∗ são canonicamente isomorfos.
Mais precisamente, o isomorfismo canônico Φ : V −→ V ∗∗ é definido por

Φ (v) = Lv ,

onde Lv ∈ V ∗∗ é definido por

Lv (f ) = f (v) .
Prova: O funcional Lv é de fato linear, pois

Lv (xf + yg) = (xf + yg) (v)

= xf (v) + yg (v)
= xLv (f ) + yLv (g) .

Φ é linear porque
Φ (xv + yw) = Lxv+yw = xLv + yLw
pois para todo f ∈ V ∗
temos

Lxv+yw (f ) = f (xv + yw)

= xf (v) + yf (w)
= xLv (f ) + yLw (f )
= (xLv + yLw ) (f ) .

Φ é injetivo porque Lv = 0 se e somente se f (v) = 0 para todo f , o que ocorre se e somente se v é o

vetor nulo, pois se v não é o vetor nulo existe pelo menos um funcional que leva v em um escalar não-nulo:
basta tomar o funcional coordenada apropriado.
A sobrejetividade de Φ decorre da sua injetividade e do fato que
∗
dim V = dim V ∗ = dim (V ∗ ) = dim V ∗∗ .

■
2.40 Corolário. Seja V um espaço vetorial de dimensão finita. Se L ∈ V ∗∗ então existe um único vetor
v ∈ V tal que
L (f ) = f (v)
para todo f ∈ V ∗ .

40
2.8. O MORFISMO DUAL

2.41 Corolário. Seja V um espaço vetorial de dimensão finita. Toda base para V ∗ é o dual de alguma base
para V .
Prova: Seja B∗ = {f1 , . . . , fn } uma base qualquer para V ∗ . Seja B∗∗ = {L1 , . . . , Ln } sua base dual em V ∗∗ ,
ou seja,
Li (fj ) = δij .
Usando o corolário anterior, sejam e1 , . . . , en ∈ V os únicos vetores tais que

Li (f ) = f (ei )

para todo f ∈ V ∗ , para todo i. Usando a notação do Teorema 2.39, segue que o isomorfismo Φ leva B em
B∗∗ , isto é,
Li = Lei ,
e como isomorfismos levam bases em bases, concluı́mos que B = {e1 , . . . , en } é uma base para V . Daı́,

fj (ei ) = Li (fj ) = δij ,

de modo que fj = e∗j e B∗ é a base dual de B. ■

Denotaremos
v ∗∗ = Lv .
Assim,
v ∗∗ (f ) = f (v) .

Também é frequente denotar o funcional dual v ∗∗ simplesmente por v, identificando V com V ∗∗ , já que o
isomorfismo dado pelo Teorema 2.39 é natural. Desta maneira, podemos escrever

v (f ) = f (v) .

2.8 O Morfismo Dual

2.42 Teorema. Sejam V, W espaços vetoriais. Para cada lineomorfismo

T : V −→ W

existe um único lineomorfismo

T ∗ : W ∗ −→ V ∗
tal que
T ∗g = g ◦ T

para todo g ∈ W ∗ .
Prova: De fato, se g é um funcional linear em W , a fórmula

f = g ◦ T,

define f um funcional linear em V , composta de dois morfismos lineares, como no diagrama comutativo
abaixo:
f
V −→ R
↓T ↗
g
W

41
2.8. O MORFISMO DUAL

Além disso, T ∗ é linear porque

[T ∗ (xg + yh)] (v) = (xg + yh) (T v)

= xg (T v) + yh (T v)
= x (T ∗ g) (v) + y (T ∗ h) (v)
= [x (T ∗ g) + y (T ∗ h)] (v)

para todo v ∈ V . ■

2.8.1 Núcleo e Imagem do Morfismo Dual

2.43 Definição. Seja V um espaço vetorial e U ⊂ V um subespaço. O anulador de U é o subespaço U 0
do espaço dual V ∗ constituı́do pelos funcionais lineares que anulam U , isto é,

U 0 = {f ∈ V ∗ : f |U = 0} .

□
Em outras palavras,
U 0 = {f ∈ V ∗ : f (u) = 0 para todo u ∈ U } .
Note que

V 0 = 0,
00 = V ∗ .

2.44 Proposição. Se V é um espaço vetorial de dimensão finita e U ⊂ V é um subespaço, então

dim U + dim U 0 = dim V.

Prova: Seja ı : U −→ V o lineomorfismo inclusão e considere o seu dual ı∗ : V ∗ −→ U ∗ . Note que

ker ı∗ = U 0 ,
im ı∗ = U ∗ ,

como é fácil ver pelo diagrama comutativo:

f |U
U −→ R
↓ı ↗
f
V

Pelo Teorema do Núcleo e da Imagem,

dim im ı∗ + dim ker ı∗ = dim V ∗ ,

donde
dim U ∗ + dim U 0 = dim V ∗ .
Como

dim U ∗ = dim U,
dim V ∗ = dim V,

segue o resultado. ■

42
2.8. O MORFISMO DUAL

2.45 Teorema. Sejam V , W espaços vetoriais de dimensão finita e T ∈ Hom (V, W ). Então valem
(i)
0
ker T ∗ = (im T ) .
0
im T ∗ = (ker T ) .

(ii)
dim ker T ∗ = dim ker T + (dim W − dim V ) .
dim im T ∗ = dim im T.

Em particular, se V = W e T ∈ Hom (V ) é um operador linear, vale

dim ker T ∗ = dim ker T.

dim im T ∗ = dim im T.

0
Prova: (i) ker T ∗ ⊂ (im T ) : se g ∈ ker T ∗ , então

0 = T ∗ (g) = g ◦ T
0 0
e portanto g ∈ (im T ) . A recı́proca (im T ) ⊂ ker T ∗ segue da mesma equação.
0
im T ∗ ⊂ (ker T ) : se f ∈ im T ∗ , então existe g ∈ W ∗ tal que

f = T ∗ (g) = g ◦ T.

Se v ∈ ker T , então
f (v) = g (T (v)) = g (0) = 0,
0
de modo que f ∈ (ker T ) . Para provar que eles são iguais, basta mostrar que eles tem a mesma dimensão.
Pelo item (ii) a seguir, cuja demonstração independende da equação que queremos demonstrar (ele depende
da primeira equação do presente item), pelo Teorema do Núcleo e da Imagem e pela Proposição 2.44 temos

dim im T ∗ = dim im T
= dim V − dim ker T
0
= dim (ker T ) .

(ii) Temos pela primeira equação do item (i), pela Proposição 2.44 e pelo Teorema do Núcleo e da Imagem,
0
dim ker T ∗ = dim (im T )
= dim W − dim im T
= dim W − (dim V − dim ker T )
= dim ker T + dim W − dim V.

De modo semelhante, temos pelo Teorema do Núcleo e da Imagem, novamente pela primeira equação do
item (i) e pela Proposição 2.44

dim im T ∗ = dim W ∗ − dim ker T ∗

0
= dim W − dim (im T )
= dim im T.

43
2.8. O MORFISMO DUAL

2.46 Corolário. T é sobrejetivo se e somente se T ∗ é injetivo.

T é injetivo se e somente se T ∗ é sobrejetivo.
Prova: Pela primeira equação do item (i) do teorema anterior,
T é sobrejetivo ⇔ im T = W
0
⇔ (im T ) = 0
⇔ ker T ∗ = 0
⇔ T ∗ é injetivo.
Pela segunda equação do item (i) do teorema anterior
T é injetivo ⇔ ker T = 0
0
⇔ (ker T ) = V ∗
⇔ im T ∗ = V ∗
⇔ T ∗ é sobrejetivo.
■

2.8.2 Representação Matricial do Morfismo Dual

2.47 Definição. Seja T : V −→ W um lineomorfismo. O dual de T é o lineomorfismo T ∗ : W ∗ −→ V ∗
definido no Teorema 2.42. □
Isso significa que o funtor dual (isto é, o funtor que associa a cada espaço vetorial o seu espaço dual) é um
funtor contravariante na categoria dos espaços vetoriais:
T
V −→ W
↓ ↓
T∗
V∗ ←− W∗
2.48 Teorema. Sejam V , W espaços vetoriais de dimensão finita. Sejam BV e BW bases para V e W ,
respectivamente e B∗V e B∗W suas respectivas bases duais. Seja T : V −→ W um lineomorfismo. Se

A = [T ]BV ,BW

é a matriz de T com respeito às bases BV e BW , então a matriz do morfismo dual T ∗ com respeito às
bases duais B∗W e B∗V é a transposta de A, isto é,

At = [T ∗ ]B∗ ,B∗ .
W V

Prova: Sejam
BV = {v1 , . . . , vn } , BW = {w1 , . . . , wn } ,
B∗V = {v1∗ , . . . , vn∗ } , B∗W = {w1∗ , . . . , wn∗ } .
Denote por B a matriz do morfismo dual em relação às bases duais. Então, por definição,
m
X
T vj = Aij wi , j = 1, . . . , n,
i=1
Xn
T ∗ wj∗ = Bji vi∗ , j = 1, . . . , m.
i=1

44
2.8. O MORFISMO DUAL

Daı́, de um lado
m
! m m
X X X
T wj (vi ) =
∗ ∗
wj∗ (T vi ) = wj∗ Aki wk = Aki wj∗ (wk ) = Aki δjk = Aji ,

k=1 k=1 k=1

e por outro lado

n
! n n
X X X
∗
wj∗ (vi ) = Bjk vk∗ (vi ) = Bjk vk∗ (vi ) = Bjk δki = Bji ,

T
k=1 k=1 k=1

logo
i
Bji = Aji = At j
.
■

2.49 Definição. Seja A ∈ Mm×n (K).

A dimensão do subespaço em Kn gerado pelas linhas de A é chamado o posto de A e denotado por
rank A.
A dimensão do subespaço em Kn solução do sistema homogêneo AX = 0 é chamado a nulidade de A e
denotado por nul A. □

2.50 Corolário. Seja A ∈ Mm×n (K). Então

rank A = rank At .

Em particular, se A ∈ Mn (K), vale também

nul A = nul At .

Prova: Se T : Kn −→ Km denota o lineomorfismo representado por A em relação às bases canônicas de

Kn e Km , então o subespaço gerado pelas linhas de A é exatamente o subespaço im T . Como a transposta
∗ ∗
At é a representação matricial do morfismo dual T ∗ em relação às bases canônicas duais de (Km ) e (Kn ) ,
segue que o subespaço gerado pelas colunas de A, que é o subespaço gerado pelas linhas da transposta At ,
é exatamente o subespaço im T ∗ . Pelo Teorema 2.45 (ii), temos dim T = dim T ∗ .
Como

nul A = dim ker T,

nul At = dim ker T ∗ ,

a segunda afirmação segue da primeira e do Teorema do Núcleo e da Imagem. ■

45
Capı́tulo 3

Determinantes

Determinante é volume com sinal. Se queremos uma função vol [v1 , . . . , vn ] dos lados de um paralelepı́pedo
que se comporta como um volume, vol deve assumir o valor 1 no cubo unitário, ou seja, devemos ter
vol [e1 , . . . , en ] = 1, ela deve ser linear em relação a cada um dos lados separadamente (multiplicar um lado
por algum escalar deve multiplicar o volume do paralelepı́pedo por este mesmo escalar; mais geralmente,
substituir um lado por uma combinação linear de outros vetores deve ter um efeito correspondente linear
no volume) e devemos ter vol [v1 , . . . , v, . . . , v, . . . , vk ] = 0, ou seja, sempre que dois lados correspondem ao
mesmo vetor v (pois isso corresponde a tomar um paralelepı́pedo (n − 1)-dimensional, que deve ter volume n-
dimensional igual a zero). Como veremos, esta última condição é algebricamente equivalente à função volume
ser alternada, isto é, trocando dois vetores de posição, o volume muda de sinal. Isso explica a definição da
função determinante como uma função n-linear, alternada, que tem valor 1 na base {e1 , . . . , en }. Note que
podemos falar de volume sem falar de métrica, mas a definição é dependente de fixar uma base que fará o
papel de cubo unitário, logo ela depende de coordenadas.

3.1 Definição
Definiremos a função determinante a partir das propriedades que queremos que ela satisfaça. Provaremos
depois que de fato existe uma função que satisfaz estas propriedades.
3.1 Definição. Identificaremos o espaço das matrizes quadradas Mn (K) com o espaço Kn × . . . × Kn ,
identificando colunas de uma matriz com vetores de Kn . Uma função determinante é uma função

det : Kn × . . . × Kn −→ K

satisfazendo as seguintes propriedades:

(D1) det é um funcional n-linear:

det (A1 , . . . , xAi + yA′i , . . . , An )

= x det (A1 , . . . , Ai , . . . , An ) + y det (A1 , . . . , A′i , . . . , An )

para todos i = 1, . . . , n, A1 , . . . , An , A′1 , . . . , A′n ∈ Kn , x, y ∈ K.

(D2) det é alternada:

det (A1 , . . . , Ai , . . . , Aj , . . . , An ) = − det (A1 , . . . , Aj , . . . , Ai , . . . , An )

para todos i, j = 1, . . . , n, A1 , . . . , An ∈ Kn .

46
3.1. DEFINIÇÃO

(D3)
det I = 1.

Além de escrever det A ou det (A1 , . . . , An ) para a matriz A cujas colunas são A1 , . . . , An , também usaremos
a notação mais compacta

det (xAi + yBi ) = x det (Ai ) + y det (Bi ) ,

det (Ai , Aj ) = − det (Aj , Ai ) ,

quando estiver claro do contexto que as outras colunas são mantidas fixas; em geral, em uma função k-linear
qualquer destacaremos apenas as colunas que não estiverem fixas ou que desempenharem um papel relevante
nas demonstrações.
3.2 Proposição. Sejam K um corpo de caracterı́stica diferente de 2 e D : Kn × . . . × Kn −→ K um funcional
n-linear.
As afirmativas seguintes são equivalentes:
(i) D é alternado, isto é, para todo par de ı́ndices i, j

D (Ai , Aj ) = −D (Aj , Ai ) .

(ii) Se Ai = Aj para algum par de ı́ndices i ̸= j, então D (A1 , . . . , An ) = 0, isto é,

D (A, A) = 0
i j

(iii) Se Ai = Ai+1 para algum i, então D (A1 , . . . , An ) = 0, isto é,

D (A, A) = 0
i i+1

Prova: (i) ⇒ (ii) Pois

D (A, A) = −D (A, A)
implica
D (A, A) = 0
em um corpo com caracterı́stica zero.
(ii) ⇒ (i) Temos, representando apenas as colunas que ocupam as posições i, j,

0 = D (Ai + Aj , Ai + Aj ) (ii)
= D (Ai , Ai ) + D (Ai , Aj ) + D (Aj , Ai ) + D (Aj , Aj ) (n-linearidade)
= D (Aj , Ai ) + D (Ai , Aj ) , (ii)

logo
D (Ai , Aj ) = −D (Aj , Ai ) .
(ii) ⇒ (iii) Imediato.
(iii) ⇒ (ii) Por hipótese de indução, suponha que provamos que sempre que

Ai = Ai+j

47
3.2. EXISTÊNCIA

para algum i e para todo j = 1, . . . , k vale

D (A1 , . . . , An ) = 0

(note que o caso k = 1 é precisamente (iii)). Vamos provar que isso implica que se

Ai = Ai+k+1

então D (A1 , . . . , An ) = 0 também.

De fato, representando apenas as colunas que ocupam as posições i, i + k e i + k + 1, temos

D (Ai , Ai+k , Ai+k+1 )

= D (Ai , Ai+k , Ai+k + Ai+k+1 ) − D (Ai , Ai+k , Ai+k ) (n-linearidade)
= D (Ai , Ai+k , Ai+k + Ai+k+1 ) (iii)
= D (Ai , Ai+k + Ai+k+1 , Ai+k + Ai+k+1 ) − D (Ai , Ai+k+1 , Ai+k + Ai+k+1 ) (n-linearidade)
= D (Ai , Ai+k + Ai+k+1 , Ai+k + Ai+k+1 ) (indução)
= 0. (iii)

(Observe que a hipótese de indução pôde ser usada, na passagem da antepenúltima linha para a penúltima
linha, porque no segundo termo da antepenúltima linha a (i + k)-ésima coluna é Ai+k+1 = Ai e a hipótese
de indução é válida para j = k.) ■
Para matrizes sobre um corpo K arbitrário, a propriedade (D2) na definição de determinante é trocada pela
condição (ii) ou (iii) da Proposição 3.2 (elas são equivalentes para quaisquer corpos), e obtemos a mesma
teoria de determinantes para corpos arbitrários.

3.2 Existência
3.3 Definição. Seja A ∈ Mn (K). O menor A (i|j) é a matriz em Mn−1 (K) obtida ao se eliminar a i-ésima
linha e a j-ésima coluna de A. □
3.4 Teorema (Existência da Função Determinante). Existe pelo menos uma função determinante.
Prova: A função determinante é construı́da indutivamente. Em M1 (K) = K definimos simplesmente
det A = A11 . Em M1 (K), definimos

A11 A12

det A = det = A11 A22 − A12 A21 .
A21 A22

É fácil verificar que estas funções satisfazem as condições (D1)-(D3) da Definição 3.1.
Em geral, tendo definido uma função determinante em M1 (K) , . . . , Mn−1 (K), definimos uma função
determinante em Mn (K) através da fórmula

n
X i+j
det A = (−1) Aij det A (i|j) .
j=1

fixando algum i (por exemplo, i = 1). Esta é a chamada fórmula do determinante através da expansão em
cofatores segundo a i-ésima linha de A. Esta será uma definição recursiva do determinante. Vamos verificar
por indução que a função assim definida satisfaz as propriedades (D1)-(D3):

48
3.2. EXISTÊNCIA

(D1) Sejam

A = (C1 , . . . , Ak , . . . , Cn ) ,
B = (C1 , . . . , Bk , . . . , Cn ) ,
L = (C1 , . . . , xAk + yBk , . . . , Cn ) .

Temos que provar que

det L = x det A + y det B.
Note que, com exceção da k-ésima coluna, as matrizes A, B, L possuem colunas idênticas. Temos
n
X i+j
det L = (−1) Lij det L (i|j)
j=1
n
X i+j i+k
= (−1) Lij det L (i|j) + (−1) Lik det L (i|k)
j=1
j̸=k
X n
i+j i+k
= (−1) Cji det L (i|j) + (−1) xAik + yBki det L (i|k) .

j=1
j̸=k

Por hipótese de indução, o primeiro termo da última linha é

onde na última linha usamos o fato que

Cji = Aij = Bji se j ̸= k.

O segundo termo, usando o fato que

L (i|k) = A (i|k) = B (i|k) ,

é
i+k i+k i i+k i
(−1) xAik + yBki det L (i|k) = x (−1) Ak det L (i|k) + y (−1) Bk det L (i|k)

i+k i+k
= x (−1) Aik det A (i|k) + y (−1) Bki det B (i|k) .

Portanto,
n
X n
X
i+j i+j
det L = x (−1) Aij det A (i|j) + y (−1) Bji det B (i|j)
j=1 j=1

= x det A + y det B.

49
3.3. UNICIDADE

(D2) Em vista da Proposição 3.2, basta provar que se A tem duas colunas adjacentes iguais então det A = 0.
Seja A = (A1 , . . . , An ) e suponha que Ak = Ak+1 . Se j ̸= k e j ̸= k + 1, então a matriz A (i|j) tem duas
colunas iguais, logo por hipótese de indução det A (i|j) = 0 e
i+k i+k+1
det A = (−1) Aik det A (i|k) + (−1) Aik+1 det A (i|k + 1)
i+k i
= (−1) Ak det A (i|k) − Aik+1 det A (i|k + 1) .

Como Ak = Ak+1 , temos Aik = Aik+1 e A (i|k) = A (i|k + 1), portanto det A = 0.
(D3) Se In é a matriz identidade n × n, então In (i|i) = In−1 é a matriz identidade (n − 1) × (n − 1). Logo,
n
X i+j 2i
det In = (−1) δji det In (i|j) = (−1) det In−1 = 1.
j=1

3.3 Unicidade
Para estabelecer a unicidade da função determinante e algumas de suas propriedades especiais, precisaremos
reescrever a sua definição de uma forma não recursiva. Nesta introdução, queremos apenas desenvolver a
intuição para o que virá a seguir.
 
A11 A12 A13 A14
 A21 A22 A23 A24 
 
 
 A3 A33 A34 
 1 A32 
4 4 4 4
A1 A2 A3 A4

A primeira coisa a notar é que o determinante de uma matriz pode ser descrito como sendo simplesmente
a soma de n! termos, cada um deles um produto de n elementos da matriz, cada um dos elementos deste
produto ocupando uma linha e uma coluna que nenhum outro elemento do produto ocupa, multiplicado por
um certo sinal positivo ou negativo. Por exemplo, na matriz acima destacamos o termo

A11 A32 A23 A44

e ignoramos o sinal dele por enquanto.

Em geral, para entender como estes termos são obtidos, expandimos em cofatores a partir da primeira
linha; desprezando os sinais, os termos são da forma

A1j1 det A (1|j1 )

para j1 variando entre 1 e n. Cada um dstes termos pode por sua vez ser expandido, por exemplo em
cofatores a partir da primeira linha do menor (que está na segunda linha de A), cada termo sendo da forma
(mais uma vez desprezando os sinais)

A1j1 A2j2 det A (1|j1 ) (2|j2 )

para j2 entre 2 e n; o sı́mbolo A (1|j1 ) (2|j2 ) significa que primeiro removemos a linha 1 e a coluna j1 da
matriz A e depois removemos da matriz resultante a linha 2 e a coluna j2 (contadas em relação à matriz A),
obtendo uma matriz (n − 2) × (n − 2). Continuando este processo obtemos n! termos da forma

A1j1 A2j2 A3j3 . . . Anjn

50
3.3. UNICIDADE

multiplicados pelo sinal +1 ou −1, dependendo de alguma forma da bijeção j : {1, . . . , n} −→ {1, . . . , n}
escolhida. Portanto o determinante é da forma
X
det A = (sign j) A1j1 . . . Anjn
n! bijeções j

onde sign j = ±1. Vamos formalizar isso melhor, descobrir como calcular o sinal de cada bijeção e prin-
cipalmente desenvolver uma boa notação na qual poderemos explicar de maneira mais clara e desenvolver
de forma mais rápida os argumentos que serão usados para provar a unicidade e demais propriedades do
determinante.

3.3.1 Grupo de Permutações

3.5 Definição. Seja I = {1, . . . , n}. Uma permutação de grau n é uma bijeção p : I −→ I.
O conjunto das permutações de grau n é denotado por Sn . □
Uma permutação p pode ser representada pela matriz

1 2

... n
p=
p1 p2 . . . pn

mas a representação mais útil é a seguinte.

3.6 Definição. A matriz da permutação p é a matriz A definida por

1 se i = pj ,

Aij =
0 se i =
̸ pj .

Denotaremos por An o conjunto das matrizes de permutação. □

Ou seja, na coluna j da matriz da permutação p, o valor 1 é colocado na entrada da linha pj , os demais
valores da coluna sendo iguais a 0.
3.7 Definição. A permutação de grau 5
1 2 3 4 5

p=
4 2 5 3 1
tem como matriz de permutação
0 0 0 0 1
 
 0 1 0 0 0 
A= 0 0 0 1 0
 

1 0 0 0 0
 
 
0 0 1 0 0
□
Note que o conjunto das matrizes de permutação An é simplesmente o conjunto das matrizes cujas entradas
em todas as linhas e colunas são 0 exceto em uma única posição em cada linha e cada coluna, em que o valor
é 1.
3.8 Definição. Se B = {e1 , . . . .en } denota a base canônica de Kn , a representação matricial da permutação
p é também a representação matricial do operador linear T : Kn −→ Kn definido por

T ej = epj

j = 1, . . . , n. T é chamado o operador da permutação p e o conjunto dos operadores de permutação será

denotado Tn . □

51
3.3. UNICIDADE

Apesar da primeira representação matricial para permutações considerada acima tornar imediata a vi-
sualização da permutação, a segunda representação matricial é muito mais útil porque a composta de
permutações equivalerá à multiplicação das suas matrizes de permutação (ou, equivalentemente, de seus
operadores de permutação), como veremos mais adiante.
3.9 Definição. Um grupo é um conjunto G munido de uma operação binária

G × G −→ G
(g, h) 7→ gh

que satisfaz as seguintes propriedades:

(i) (Associatividade) Para todos g, h, k ∈ G vale

g (hk) = (gh) k.

(ii) (Identidade) Existe um elemento e ∈ G tal que para todo x ∈ G vale

eg = ge = g.

(iii) (Inverso) Para todo elemento g ∈ G existe um elemento g −1 ∈ G tal que

gg −1 = g −1 g = e.

Dizemos que o grupo é comutativo (ou abeliano) se

gh = hg

para todos g, h ∈ G. □
3.10 Exemplo. Qualquer corpo é um grupo comutativo com relação à operação de soma e, eliminando o
zero, é um grupo comutativo com relação à operação produto.
Qualquer espaço vetorial V é um grupo comutativo com relação à operação de soma de vetores.
O conjunto das matrizes invertı́veis n × n com relação à operação usual de produto de matrizes é um
grupo, não comutativo se n ⩾ 2, chamado o grupo linear e denotado GLn (K). Ele não é um grupo com
relação ao produto colchete de Lie, porque este não é associativo.
O conjunto das matrizes de permutação An é um grupo com relação ao produto de matrizes, não co-
mutativo se n ⩾ 3. O conjunto dos operadores de permutação An é um grupo com relação ao produto de
operadores (composição), não comutativo se n ⩾ 3.
Dado um conjunto S, o conjunto de todas as bijeções de S em S sob a operação de composição de funções
é um grupo não comutativo (se S contém mais que dois elementos).
O conjunto dos operadores linear invertı́veis GL (V ) sob a operação de composição de operadores é um
grupo, não comutativo se dim V ⩾ 2. □

Em particular, do penúltimo exemplo segue que:

3.11 Proposição. O conjunto Sn das permutações de grau n sob a operação de composição de permutações
é um grupo, não comutativo se n ⩾ 2.
3.12 Exemplo. Se
1 2 3 4 5 1 2 3 4 5

p= eq= ,
4 2 5 3 1 2 1 5 4 3

52
3.3. UNICIDADE

então
1 2 3 4 5 1 2 3 4 5

qp = ep −1
= .
4 1 3 5 2 5 2 4 1 3
Se
1 2 3 1 2 3

p= eq= ,
1 3 2 2 1 3
então
1 2 3

pq =
3 1 2
1 2 3

qp =
2 3 1
□
3.13 Definição. Dados dois grupos G e H, um homomorfismo entre eles é um mapa ϕ : G −→ H que
preserva a operação de grupo, isto é,
ϕ (gh) = ϕ (g) ϕ (h) .

Dizemos que ϕ é um isomorfismo quando ϕ for um homomorfismo bijetivo. □

De fato, como no caso de morfismos lineares, a inversa de um homomorfismo quando estiver definida (a
imagem de um grupo sob um homomorfismo é um subgrupo, isto é, um subconjunto que é um grupo com a
operação induzida) é também um homomorfismo: dados h1 , h2 ∈ ϕ (G), sejam g1 , g2 ∈ G tais que
ϕ (g1 ) = h1 ,
ϕ (g2 ) = h2 ;
segue que
ϕ (g1 g2 ) = ϕ (g1 ) ϕ (g2 ) = h1 h2 ,
donde
ϕ−1 (h1 h2 ) = g1 g2 = ϕ−1 (h1 ) ϕ−1 (h2 ) .
3.14 Proposição. Os grupos Sn , An e Tn são isomorfos.
Prova: Um isomorfismo entre An e Tn é dado pela restrição do isomorfismo entre álgebras com identidade
Mn (K) e L (Kn ) a An , esquecendo a estrutura de espaço vetorial e levando em conta apenas a preservação do
produto, já que An é precisamente o conjunto das representações matriciais dos operadores em Tn (matrizes
de permutações são as representações matriciais dos operadores de permutação). O grupo Sn é isomorfo ao
grupo Tn através do isomorfismo
1 ... n

e1 . . . e n
p= 7→ Tp = .
p1 . . . p n e p1 . . . e pn
■
3.15 Corolário. A matriz de permutação da composta de duas permutações é o produto das matrizes destas
duas permutações.
3.16 Definição. Uma transposição é uma permutação τ : I −→ I que satisfaz

τi = j,
τj = i,
τk = k para todo k ̸= i, j.

53
3.3. UNICIDADE

3.17 Exemplo. A permutação de grau 7

1 2 3 4 5 6 7

τ=
1 2 6 4 5 3 7

cuja matriz é
1 0 0 0 0 0 0
 
 0 1 0 0 0 0 0 
0 0 0 0 0 1 0
 
 
A= 0 0 0 1 0 0 0
 

0 0 0 0 1 0 0
 
 
0 0 1 0 0 0 0
 
 
0 0 0 0 0 0 1
é uma transposição. □
Note que, embora a identidade seja uma transposição e a inversa de uma transposição seja ela própria

τ −1 = τ

porque
τ 2 = id,
a composta de transposições não é uma transposição, e portanto o subconjunto das transposições não é um
subgrupo de Sn . Na realidade, provaremos na próxima seção que toda permutação pode ser decomposta
como um produto de transposições (não de forma única), o que é intuitivamente fácil de ver.
Como última observação, note que se já sabemos que τ é uma transposição, para determinar τ basta
definir o valor de τ em um ı́ndice que é transposto por τ ; no exemplo anterior, basta saber que τ3 = 6 , já
que pelo fato de τ ser uma transposição imediatamente segue que τ6 = 3 e τk = k para k ̸= 3, 6.

3.3.2 Demonstração da Unicidade da Função Determinante

3.18 Lema. Se D1 , D2 são duas funções n-lineares alternadas tais que

D1 (I) = D2 (I) ,

então
D1 (A) = D2 (A)
para toda matriz de permutação A.
Prova: Seja A a matriz da permutação p. Um número finito de trocas de colunas (no máximo n − 1)
transforma a matriz A na matriz identidade: transponha o vetor e1 para a primeira coluna (se ele já não for
a primeira coluna), obtendo uma matriz A1 ; depois transponha o vetor e2 para a segunda coluna (se ele já
não for a segunda coluna), obtendo a matriz A2 e assim sucessivamente.
Mais precisamente, cada matriz Ai é a matriz de uma permutação pi ; trocar duas colunas de Ai equivale
a obter a matriz da permutação pi+1 que é o produto da permutação pi pela transposição τ que troca as
colunas Aii+1 e a coluna igual a ei+1 . De fato, se no primeiro passo

p1 = j1 ̸= 1,
pk1 = 1,

54
3.3. UNICIDADE

ou seja, o vetor e1 ocupa a coluna k1 > 1 da matriz de permutação A, consideramos a transposição τ 1

definida por τ11 = k1 , de modo que a permutação
p1 = pτ 1
satisfaz
(pτ )1 = p (τ1 ) = pk1 = 1,
e portanto a matriz A da permutação p possui o vetor e1 na primeira coluna. Por indução, se através de
1 1

multiplicar pelas transposições apropriadas obtivemos uma permutação

pi = pτ 1 . . . τ i
cuja matriz Ai possui os vetores e1 , . . . , ei nas colunas 1, . . . , i, respectivamente, se a coluna i+1 está ocupada
pelo vetor eji+1 ̸= ei+1 e o vetor ei+1 ocupa a coluna ki > i, isto é, a permutação pi satisfaz

pii+1 = ji+1 ̸= i + 1,
piki = i + 1,

consideramos a transposição τi+1

i+1
= ki , de modo que se definirmos

pi+1 = pi τ i+1
então
i+1 = p τ
pi+1 = pi τi+1 = ki = i,
i i+1 i+1

i+1

e a matriz Ai+1 da permutação pi+1 possui o vetor ei+1 na coluna i + 1.

Resumindo, se forem necessárias k transposições para transformar a matriz A na matriz identidade, temos
A0 = matriz da permutação p = A,
A1 = matriz da permutação pτ 1 ,
A2 = matriz da permutação pτ 1 τ 2 ,
..
.
Ak−1 = matriz da permutação pτ 1 τ 2 . . . τ k−1 ,
Ak = matriz da permutação pτ 1 τ 2 . . . τ k−1 τ k = id
= I,

Em particular, este argumento mostra que dada uma permutação p, existem transposições τ 1 , . . . , τ k tais
que
pτ 1 . . . τ k = id .
Como a inversa de uma transposição é ela própria, concluı́mos que
p = τ k . . . τ 1,
isto é, toda permutação é um produto de transposições.
Concluı́mos que, se D é uma função n-linear alternada, então
D (A) = (−1) D (A1 )
2
= (−1) D (A2 )
= ...
k−1
= (−1) D (Ak−1 )
k
= (−1) D (I) ,

55
3.3. UNICIDADE

Assim, o valor de uma função n-linear alternada de qualquer matriz de permutação é caracterizado pelo
valor que ela assume na matriz identidade. Em particular,
k
D1 (A) = (−1) D1 (I) ,
k
D2 (A) = (−1) D2 (I) ,

donde segue o resultado. ■

3.19 Teorema (Unicidade da Função Determinante). Se D1 , D2 são duas funções n-lineares alternadas
tais que
D1 (I) = D2 (I) ,
então
D1 = D2 .
Em particular, existe uma única função determinante.
Prova: Sejam A1 , . . . , An ∈ Kn vetores arbitrários. Escrevendo estes vetores em termos da base canônica
de Kn :
Xn
Aj = Aij ei ,
i=1

e utilizando a n-linearidade das funções D1 e D2 , segue que

n n
!
X X
D1 (A1 , . . . , An ) = D1 Ai11 ei1 , . . . , Ainn ein
i1 =1 in =1
n
X
= Ai11 . . . Ainn D1 (ei1 , . . . , ein ) ,
i1 ,...,in =1
X n
D2 (A1 , . . . , An ) = Ai11 . . . Ainn D2 (ei1 , . . . , ein ) .
i1 ,...,in =1

Como as funções são alternadas, temos que

D1 (ei1 . . . ein ) = D2 (ei1 . . . ein ) = 0

sempre que a função i : I −→ I não for uma permutação, isto é, sempre que i for tal que ik = il para algum
par de ı́ndices k ̸= l. Logo,
X p
D1 (A1 , . . . , An ) = A11 . . . Apnn D1 (ep1 . . . epn ) ,
p∈Sn
X
D2 (A1 , . . . , An ) = Ap11 . . . Apnn D2 (ep1 . . . epn ) ,
p∈Sn

e o resultado segue do lema. ■

3.20 Corolário. O cálculo do determinante de uma matriz pode ser feito através da expansão em cofatores
a partir de qualquer linha da matriz.

3.21 Corolário (Fatoração das Permutações). Toda permutação é um produto de transposições.

Além disso, se p = τ1 . . . τk é uma fatoração de p em um produto de transposições, então
k
det (Ap1 , . . . , Apn ) = (−1) det (A1 , . . . , An ) .

56
3.3. UNICIDADE

Em outras palavras, quando as posições das colunas de uma matriz são trocadas através de uma per-
mutação, o sinal do determinante não se altera se esta permutação é um número par de transposições e o
sinal muda se ela é um número ı́mpar de transposições.
Em particular, embora a fatoração de uma permutação p em transposições não seja única, o número
destas transposições é sempre par ou sempre ı́mpar.
Prova: Segue da demonstração do Lema 3.18. ■

3.3.3 Fórmula do Determinante através de Permutações

3.22 Definição. O sinal de uma permutação p é definido por

sign p = det A

onde A é a matriz de permutação de p. □

3.23 Proposição. Se p = τ1 . . . τk é uma fatoração de p como um produto de k transposições, então

k
sign p = (−1) .

Prova: Pois se A = (ep1 , . . . , epn ), segue do Corolário 3.21 que

k k k
sign p = det (ep1 , . . . , epn ) = (−1) det (e1 , . . . , en ) = (−1) det I = (−1) .

■
3.24 Corolário (Fórmula do Determinante através de Permutações). Vale

X
det (A1 , . . . , An ) = (sign p) Ap11 . . . Apnn .
p∈Sn

Prova: Pela demonstração do Teorema 3.19, temos

X p
det (A1 , . . . , An ) = A11 . . . Apnn det (ep1 . . . epn ) .
p∈Sn

O resultado segue da Proposição 3.23. ■

3.25 Proposição. O sinal de uma permutação satisfaz as seguintes propriedades:

(i) Se id é a permutação identidade, então sign id = 1.
(ii) Se τ é uma transposição, então sign τ = −1.
(iii) Se p, q são permutações, então sign (pq) = sign p sign q.
(iv) Se p é uma permutações, então sign p−1 = sign p.
Consequentemente,
sign : Sn −→ Z2
é um homomorfismo entre grupos.

57
3.4. PROPRIEDADES DO DETERMINANTE

Prova: (iii) Se p = τ1 . . . τk e q = σ1 . . . σl , então pq = τ1 . . . τk σ1 . . . σl , portanto

k+l k l
sign (pq) = (−1) = (−1) (−1) = sign p sign q.

(iv) Como vimos na demonstração do Lema 3.18, se

p = τk . . . τ1

então
p−1 = τ 1 . . . τ k ,
de modo que p e p−1 tem o mesmo número de transposições. ■

3.4 Propriedades do Determinante

3.26 Proposição (Determinante da Transposta).

det (At ) = det A.

Prova: Temos X
det A = (sign p) Ap11 . . . Apnn .
p∈Sn
pi j
Agora, observe que se pi = j, então i = p−1
j , logo Ai = Ap−1 . Como sign p = sign p
−1
, segue que
j

X
det A = sign p−1 A1p−1 . . . Anp−1

1 n
p−1 ∈Sn
X
= (sign q) A1q1 . . . Anqn
q∈Sn
X q 1 qn
= (sign q) At 1
. . . At n
q∈Sn

= det At .

■
3.27 Corolário. O cálculo do determinante de uma matriz pode ser feito através da expansão em cofatores
a partir de qualquer coluna da matriz.
3.28 Proposição (Determinante do Produto).

det (AB) = det A det B.

Prova: Denote as colunas de A, B e AB respectivamente por Aj , Bj e (AB)j . Como

n
X
i
(AB)j = Air Bjr ,
r=1

podemos escrever
n
X
(AB)j = Bjr Ar .
r=1

58
3.4. PROPRIEDADES DO DETERMINANTE

Portanto, !
n
X n
X
det (AB) = det B1r Ar , . . . , Bnr Ar .
r=1 r=1

Usando a n-linearidade e alternalidade do determinante da mesma forma como no Teorema 3.19, obtemos
X p
det (AB) = B1 1 . . . Bnpn det (Ap1 , . . . , Apn )
p∈Sn
X
= (sign p) B1p1 . . . Bnpn det (A1 , . . . , An )
p∈Sn
X
= (sign p) B1p1 . . . Bnpn det A
p∈Sn
 
X
= det A  (sign p) B1p1 . . . Bnpn 
p∈Sn

= det A det B.

■
3.29 Corolário (Determinante da Inversa). Se A for invertı́vel, então det A ̸= 0 e

1
det A−1 =

.
det A

Prova: Pois
det AA−1 = det A det A−1

e
det AA−1 = det I = 1.

3.30 Corolário. Matrizes semelhantes possuem o mesmo determinante.

Prova: Pois, se B = P −1 AP , então
1
det B = det P −1 AP = det P −1 det A det P = det A det P = det A.

det P
■
Como consequência deste resultado e do fato dos representantes matriciais de um operador linear em
relação a diferentes bases serem matrizes semelhantes, podemos definir o determinante de um operador
linear:

3.31 Definição. Se T ∈ Hom (V ), definimos

det T = det A,

onde A é qualquer representante matricial de T . □

59
3.5. REGRA DE CRAMER E FÓRMULA DA INVERSA

3.5 Regra de Cramer e Fórmula da Inversa

Seja A uma matriz n × n e b ∈ Kn um vetor. Considere o um sistema linear

AX = b.

Suponha que
n
X
X= xj ej
j=1

seja uma solução para esta equação. Se Aj denota a j-ésima coluna da matriz A, temos
 
Xn Xn Xn
b = AX = A  xj ej  = xj Aej = x j Aj .
j=1 j=1 j=1

Denote por A [k|b] a matriz obtida de A através da substituição da k-ésima coluna de A pelo vetor b. Então

A (k|b) = (A1 , . . . , Ak−1 , b, Ak+1 , . . . , An )

 
X n
= A1 , . . . , Ak−1 , xj Aj , Ak+1 , . . . , An  ,
j=1

de modo que
 
n
X
det A (k|b) = det A1 , . . . , Ak−1 , xj Aj , Ak+1 , . . . , An 
j=1
n
X
= xj det (A1 , . . . , Ak−1 , Aj , Ak+1 , . . . , An )
j=1

= xk det (A1 , . . . , Ak−1 , Ak , Ak+1 , . . . , An )

= xk det A.

Portanto, se det A ̸= 0 e existir uma solução x para o sistema Ax = b, então esta solução é única e é dada
por
det A (k|b)
xk = .
det A

Podemos dizer mais: se det A ̸= 0, então a expressão acima fornece a única solução para o sistema AX = b
(veja Teorema 3.33 a seguir). Esta é a chamada regra de Cramer.
3.32 Definição. A adjunta clássica da matriz A é definida como sendo a matriz transposta da matriz de
cofatores da matriz A, isto é,
i i+j
(adj A)j = (−1) det A (j|i) .

□
3.33 Teorema (Fórmula da Inversa). Temos

(adj A) A = A (adj A) = (det A) I.

60
3.5. REGRA DE CRAMER E FÓRMULA DA INVERSA

Em particular, se det A ̸= 0, então A é invertı́vel e

adj A
A−1 = .
det A

Prova: Denote B = A [i|Aj ], isto é, a matriz B é obtida a partir da matriz A quando substituı́mos a i-ésima
coluna de A pela sua j-ésima coluna. Temos então
n
X
i i
[(adj A) A]j = (adj A)r Arj
r=1
n
X i+r
= (−1) det A (r|i) Arj
r=1
n
X i+r
= (−1) Arj det A (r|i)
r=1
n
X i+r
= (−1) Bir det B (r|i)
r=1
= det B.

Se i ̸= j, a matriz B possui duas colunas iguais e det B = 0. Concluı́mos que

i
[(adj A) A]j = 0 se i ̸= j.

Se i = j, então
n
X n
X
i+r i+r
(−1) Arj det A (r|i) = (−1) Ari det A (r|i)
r=1 r=1
= det A .

Em outras palavras,
i
[(adj A) A]j = (det A) δij ,
ou seja,
(adj A) A = (det A) I.
Para provar que A (adj A) = (det A) I, observe que
t
At (i|j) = A (j|i) ,

de modo que
i i+j
adj At j = (−1) det At (j|i)

j+i t
= (−1) det A (i|j)
j+i
= (−1) det A (i|j)
h ij
t
= (adj A) ,
i

ou seja, a adjunta clássica da transposta de A é a transposta da adjunta clássica de A:

t
adj (At ) = (adj A) .

61
3.5. REGRA DE CRAMER E FÓRMULA DA INVERSA

Já sabemos pela primeira parte da demonstração que

adj At At = det At I,

donde
t
(adj A) At = (det A) I.
Tomando a transposta de ambos os lados, obtemos o resultado desejado. ■
Este resultado em conjunto com o
3.34 Corolário. Uma matriz é invertı́vel se e somente se o seu determinante é diferente de zero.

3.35 Corolário (Regra de Cramer). Se det A ̸= 0, então o sistema linear AX = b tem solução única
dada por
(adj A) b
X= .
det A

ou seja,
det A [j|b]
xj = .
det A

Prova: Se AX = b, então
(adj A) AX = (adj A) b,
e pelo Teorema 3.33
(det A) X = (adj A) b.
Se det A ̸= 0, temos que
(adj A) b
X= ,
det A
ou seja,
n
1 X j
xj = (adj A)i bi
det A i=1
n
1 X i+j
= (−1) bi det A (i|j)
det A i=1
1
= det A [j|b] .
det A
■

62
Capı́tulo 4

Operadores Diagonalizáveis e
Triangularizáveis

4.1 Álgebra dos Polinômios

4.1 Definição. Seja K um corpo. O espaço vetorial das sequências f : N −→ K com valores em K é
denotado por K∞ [x]. □
Os vetores em K∞ [x] nada mais são que sequências de K-escalares:

f = (f0 , f1 , f2 , . . .) .

(Sequências são simplesmente funções definidas no conjuntos dos números naturais.) Definimos um produto
em K∞ [x] associando a cada par de vetores f, g o vetor f g definido por

n
X
(f g)n := fi gn−i
i=0

n = 0, 1, 2, . . . Deste modo K∞ [x] torna-se uma K-álgebra associativa, comutativa e com identidade: o vetor

1 = (1, 0, 0, . . .)

é a identidade. O vetor (0, 1, 0, . . .) desempenha um papel fundamental e é denotado por x:

x := (0, 1, 0, . . .) .

Observe que

x2 = (0, 0, 1, 0, . . .) ,
x3 = (0, 0, 0, 1, 0, . . .) ,

e em geral

xn = 0, 0, 0, 0, . . . , 0, 1, 0, . . . .
n

63
4.1. ÁLGEBRA DOS POLINÔMIOS

Denotamos
x0 := 1.

Desta forma, um elemento f = (f0 , f1 , f2 , . . .) também pode ser denotado na forma

∞
X
f= fn xn ,
n=0

e por este motivo a álgebra K∞ [x] é também chamada a álgebra das séries formais sobre K. Observe
que o conjunto 1, x, x , . . . é um conjunto linearmente independente mas não é uma base para K∞ [x], já
2

que um elemento genérico de K∞ [x] (uma sequência infinita) não pode ser escrito como uma combinação
linear finita de elementos deste conjunto.
4.2 Definição. A álgebra dos polinômios sobre K é o subespaço K [x] de K∞ [x] gerado por 1, x, x2 , . . .. Um
elemento de K [x] é chamado um polinômio com coeficientes em K, ou simplesmente um K-polinômio.
O grau de um polinômio f ̸= 0, denotado grau f , é o inteiro n tal que fn ̸= 0 e fi = 0 para todo i > n.
□
Na linguagem de álgebras, 1 e x geram a álgebra dos polinômios no sentido de que todo elemento da álgebra
é uma combinação linear de produtos finitos de 1 e x. Ou seja, todo polinômio f ∈ K [x] se escreve na forma

f = f0 + f1 x + f2 x2 + . . . + fn xn .

Os escalares f0 , f1 , f2 , . . . , fn ∈ K são chamados os coeficientes do polinômio f . Um polinômio f de grau

n é chamado um polinômio mônico se fn = 1 e um polinômio escalar se fn = 0 para todo n > 0.
4.3 Lema. Sejam
n
X m
X
f= fi xi e g= gj xj
i=0 j=0

Então
j
n+m
! m
n X
X X X
fg = fi gj−i xj = fi gj xi+j .
j=0 i=0 i=0 j=0

4.4 Proposição. Sejam f, g polinômios não nulos sobre K. Então

(i) f g é um polinômio não-nulo.
(ii)
grau (f g) = grau f + grau g.

(iii) Se f, g são mônicos, então f g é mônico.

(iv) f g é um polinômio escalar se e somente se f, g são polinômios escalares.
(v) Se f + g ̸= 0, então
grau (f + g) ⩽ max (grau f, grau g) .
Prova: Suponha que f e g tem graus n e m, respectivamente, ou seja,
n
X m
X
f= fi xi e g= gi xi ,
i=0 i=0

com
fn ̸= 0 e gm ̸= 0.

64
4.1. ÁLGEBRA DOS POLINÔMIOS

Pelo lema anterior, se k é um natural, temos

n+m+k
X
(f g)n+m+k = fi gn+m+k−i .
i=0

Para que tenhamos

fi gm+n+k+i ̸= 0,
é necessário que i ⩽ n (pois fi = 0 se i > n) e que n+m+k −i ⩽ m (pois gn+m+k−i = 0 se n+m+k −i > m),
ou seja, i ⩾ n + k. Assim, se fi gm+n+k+i ̸= 0, então n + k ⩽ i ⩽ n, o que implica k = 0 e i = n. Portanto,

(f g)n+m = fn gm (4.1)

e
(f g)n+m+k = 0 se k > 0. (4.2)
As afirmações (i), (ii) e (iii) seguem destes dois fatos. A afirmação (iv) é uma consequência de (ii) e a
afirmação (v) é óbvia. ■
4.5 Corolário. K [x] é uma K-álgebra associativa, comutativa e com identidade.
4.6 Corolário. Sejam f, g, h polinômios sobre K tais que f ̸= 0 e f g = f h. Então g = h.
Prova: O resultado segue imediatamente da Proposição 4.4 (i) pois f g = f h é equivalente a f (g − h) = 0.
■
4.7 Definição. Seja A uma K-álgebra com identidade e para cada elemento a ∈ A adote a convenção a0 = 1,
n
onde 1 é a identidade de A. A cada polinômio f = fi xi sobre K associamos um elemento f (a) ∈ A pela
P
i=0
regra
n
X
f (a) = fi ai .
i=0

□
f (a) é o que chamamos o valor do polinômio f calculado em a.
4.8 Proposição. Seja A uma K-álgebra com identidade. Sejam f, g polinômios sobre K, a ∈ A e α, β ∈ K.
Então
(i) (αf + βg) (a) = αf (a) + βg (a) .
(ii) (f g) (a) = f (a) g (a) .
Prova: Provaremos apenas (ii). Sejam
n
X m
X
f= fi xi e g= gj xj .
i=0 j=0

de modo que
n,m
X
fg = fi gj xi+j .
i,j=0

65
4.1. ÁLGEBRA DOS POLINÔMIOS

Então,
n,m
X
(f g) (a) = fi gj ai+j
i,j=0

n
! m 
X X
= fi ai  gj aj 
i=0 j=0

= f (a) g (a) .

■
4.9 Corolário. Seja p um K-polinômio que se fatora no produto de polinômios

p = f g.

Se V é um K-espaço vetorial e T ∈ Hom (V ), então

p (T ) = f (T ) g (T ) .

Analogamente, se A ∈ Mn (K), então

p (A) = f (A) g (A) .

Em particular, se
p = (x − r1 ) . . . (x − rn ) ,
então

p (T ) = (T − r1 I) . . . (T − rn I) ,
p (A) = (A − r1 I) . . . (A − rn I) .

Prova: Segue do ı́tem (i) do teorema anterior, pois Hom (V ) e Mn (K) são ambas K-álgebras com identidade.
■
4.10 Lema. Sejam p, d polinômios não nulos tais que grau d ⩽ grau p. Então existe um polinômio q tal que
ou
p − dq = 0,
ou
grau (p − dq) < grau p.
Prova: Escreva
n−1
X
p = pn xn + pi xi ,
i=0
m−1
X
d = dm xm + di xi ,
i=0

com
pn ̸= 0 e dm ̸= 0.
Então m ⩽ n e ou
pn
p− xn−m d = 0,
dm
66
4.1. ÁLGEBRA DOS POLINÔMIOS

ou
pn
grau p − x n−m
d < grau p.
dm
Tomamos
pn
q= xn−m .
dm
■

4.11 Teorema (Divisão de Polinômios). Se p, d são polinômios, com d ̸= 0, então existem polinômios
únicos q, r tais que
p = dq + r

com ou
r=0
ou
grau r < grau d.

Prova: Se p = 0 ou grau p < grau d, podemos tomar q = 0 e r = d.

No caso em que f ̸= 0 e grau d ⩽ grau p, existe um polinômio q1 tal que

p − dq1 = 0

ou
grau (p − dq1 ) < grau f.
Se grau (p − dq1 ) < grau d, tomamos q = q1 e r = p − dq1 . Caso contrário, usamos novamente o lema anterior
e encontramos um polinômio q2 tal que ou

(p − dq1 ) − dq2 = p − d (q1 + q2 ) = 0

ou
grau [p − d (q1 + q2 )] < grau (p − dq1 ) .
Continuamos assim obtendo sucessivamente polinômios q1 , . . . qk até chegar o momento em que

p − d (q1 + . . . qk ) = 0

ou
grau [p − d (q1 + . . . qk )] < grau r.
Aı́ tomamos q = q1 + . . . qk .
Para provar a unicidade dos polinômios q e r, suponha que também existam outros polinômios q′, r′ tais
que
p = dq ′ + r′
com r′ = 0 ou grau r′ < grau d. Então dq + r = dq′ + r′, donde

d (q − q′) = r′ − r.

Se q ̸= q′, então
grau d + grau (q − q′) = grau (r′ − r) ,
mas isso contradiz grau (r′ − r) < grau d. Portanto q = q1, o que implica r = r′. ■

67
4.2. AUTOVALORES, AUTOVETORES E AUTOESPAÇOS

4.12 Definição. Dados polinômios p, d com d ̸= 0, se existe um polinômio q tal que p = dq, dizemos que d
é um divisor de p e que q é o quociente de p por d.
Se p = dq + r com r ̸= 0, dizemos que r é o resto da divisão de p por q. □
4.13 Corolário. Seja p um K-polinômio e a ∈ K. Então p é divisı́vel por x − a se e somente se p (a) = 0.
Prova: Pelo Teorema 4.11, p = (x − a) q + r, onde r é um polinômio escalar (isto é, ou r = 0 ou grau r <
grau (x − a) = 1, isto é, grau r = 0). Segue da Proposição 4.8 que

p (a) = (a − a) q (a) + r (a) = r (a) = r.

Portanto, r = 0 se e somente se p (a) = 0. ■

4.14 Definição. Dado um polinômio p sobre K, dizemos que a ∈ K é uma raiz de p se p (a) = 0. Se a
r
é uma raiz de p, a multiplicidade de a como uma raiz de p é o maior inteiro positivo r tal que (x − a)
divide p. □
4.15 Proposição. Um K-polinômio de grau n tem no máximo n raı́zes.
Prova: Por indução em n. O resultado é obviamente verdadeiro para polinômios de grau 0 e de grau 1.
Assuma o resultado verdadeiro para polinômios de grau n − 1. Se p possui grau n e a é uma raiz de p então

p = (x − a) q

e q é um polinômio de grau n − 1, que tem no máximo n − 1 raı́zes, pela hipótese de indução. Como

p (b) = (b − a) q (b) = 0

se e somente se a = b ou b é uma raiz de q, segue o resultado. ■

4.16 Teorema (Teorema Fundamental da Álgebra). Todo polinômio complexo possui pelo menos uma
raiz.
4.17 Corolário. Todo polinômio complexo p pode ser fatorado, a menos de uma constante complexa, como
o produto de polinômios de grau 1, ou seja,

p = α (x − r1 ) . . . (x − rn ) .

Prova: Pelo Teorema Fundamental da Álgebra, se p tem grau n, temos

p = (x − r1 ) q1

e q1 tem grau n − 1. Podemos aplicar novamente o Teorema Fundamental da Álgebra ao polinômio q.

Procedendo desta forma, chegamos a

p = (x − r1 ) . . . (x − rn ) qn ,

com grau qn = 0, isto é, qn = α ∈ C. ■

4.2 Autovalores, Autovetores e Autoespaços

4.18 Definição. Seja V um K-espaço vetorial e T ∈ Hom (V ) um um operador linear. Dizemos que λ ∈ K
é um autovalor de T se existe um vetor não nulo v ∈ V tal que

T v = λv.

68
4.2. AUTOVALORES, AUTOVETORES E AUTOESPAÇOS

Se λ é um autovalor de T e v é qualquer vetor (mesmo nulo) tal que T v = λv, dizemos que v é um autovetor
de T associado a λ.
O subespaço vetorial
Vλ = {v ∈ V : T v = λv} = ker (T − λI)

dos autovetores de T associados ao autovalor λ é chamado o autoespaço de T associado a λ. □

Como λ é um autovalor de T se e somente se o operador T − λI não é injetivo, segue que λ é um autovalor
de T se e somente se
det (T − λI) = 0.
4.19 Definição. O polinômio
pc (x) = det (xI − T )

é chamado o polinômio caracterı́stico de T . □

O polinômio caracterı́stico de T é um polinômio mônico de grau n, como pode-se ver da fórmula para o
determinante em termos de permutações, e os autovalores de T são exatamente as raı́zes do seu polinômio
caracterı́stico (o nome polinômio caracterı́stico vem do fato de que autovalores eram também chamados
valores caracterı́sticos na terminologia antiga).
Este último fato também implica que a análise de um operador linear depende muito do corpo sobre
o qual o espaço vetorial está definido, pois se um polinômio possui raı́zes em um corpo K, estas raı́zes
podem não estar presentes em um subcorpo K′ ; assim, o mesmo operador T : V −→ V pode não possuir
autovalores quando V é considerado sobre K′ , ao invés de ser considerado sobre K. Em particular, ele pode
ser diagonalizável (conceito definido mais adiante) quando considerado sobre K, mas não quando considerado
sobre K′ .
4.20 Proposição. Um operador linear sobre um espaço de dimensão n possui no máximo n autovalores
distintos.
Prova: Pois um polinômio de grau n em K [x] possui no máximo n raı́zes. ■
4.21 Proposição. Um operador linear sobre um espaço vetorial complexo possui pelo menos um autovalor.
Prova: Pois todo polinômio em C [x] possui pelo menos uma raiz.
Vamos dar uma segunda demonstração deste resultado sem usar o polinômio caracterı́stico. Seja T :
V −→ V um um operador linear sobre um espaço vetorial complexo V de dimensão n. Então, dado v ̸= 0, os
vetores v, T v, . . . , T n v são linearmente dependentes em V (pois constituem um conjunto com n + 1 vetores),
logo existem escalares a0 , a1 , . . . , an não todos nulos tais que

a0 v + a1 T v + . . . + an T n v = 0.

Considere o polinômio em C [z] com estes coeficientes, isto é,

a0 + a1 z + . . . + an z n .

Em C [z] este polinômio pode ser fatorado em um produto de termos lineares:

a0 + a1 z + . . . + an z n = c (z − λ1 ) . . . (z − λm )

(se an ̸= 0, terı́amos exatamente n termos e c = an ). Segue que

0 = (a0 I + a1 T + . . . + an T n ) v = an (T − λ1 I) . . . (T − λm I) v.

Em particular, necessariamente temos que pelo menos algum operador T −λj I não é injetivo (pois a composta
de bijeções é uma bijeção), e neste caso λj é um autovalor para T . ■

69
4.3. OPERADORES DIAGONALIZÁVEIS

4.22 Definição. O conjunto dos autovalores de T é chamado o espectro de T e será denotado por spec T .
A multiplicidade algébrica de um autovalor de T é a sua multiplicidade como raiz do polinômio
caracterı́stico, isto é, d é a multiplicidade algébrica do autovalor λ se o polinômio caracterı́stico de T se
escreve na forma
d
pc (x) = (x − λ) q (x)
e q (x) não possui λ como raiz. □
De maneira análoga definimos os autovalores e o polinômio caracterı́stico de uma matriz. É claro que os
autovalores e o polinômio caracterı́stico de um operador são os autovalores e o polinômio caracterı́stico de
qualquer uma de suas representações matriciais:
4.23 Proposição. Matrizes semelhantes possuem os mesmos autovalores.
Prova: Pois se B = P −1 AP , então
det (xI − B) = det xI − P −1 AP

= det P −1 (xI − A) P

= det P −1 det (xI − A) det P

= det (xI − A) .
■
4.24 Exemplo. A matriz
0

−1
A=
1 0
possui o polinômio caracterı́stico
1

x
det (xI − A) = det = x2 + 1.
−1 x
Se A é considerada uma matriz sobre C, então A possui dois autovalores distintos, ±i, enquanto que
sobre R A não possui autovalores. □

4.3 Operadores Diagonalizáveis

A importância do estudo de autovalores em álgebra linear está contida na próxima definição:
4.25 Definição. Dizemos que um operador linear T ∈ Hom (V ) é diagonalizável se existir uma base para
V formada por autovetores de T . □
Se B = {v1 , . . . , vn } é uma base para V constituı́da de autovetores de T , isto é, se
T vi = λi vi
para i = 1, . . . , n, então a matriz de T com relação a esta base é uma matriz diagonal, com os autovalores
de T ocupando a diagonal principal da matriz:
λ1 0 . . . 0
 
 0 λ2 . . . 0 
[T ]B =  . .. . . ..  .
 
 .. . . . 
0 0 ... λn
Observe que os autovalores de T não precisam ser distintos para isso acontecer; de fato, eles podem ser todos
iguais, caso em que o operador T é um múltiplo escalar da identidade, o múltiplo escalar sendo precisamente
o único autovalor de T .

70
4.3. OPERADORES DIAGONALIZÁVEIS

4.26 Proposição. Um conjunto de autovetores não nulos correspondentes a autovalores dois a dois distintos
é LI.
Prova: Por indução sobre o número de autovetores. Suponha o resultado provado para um conjunto de
k − 1 autovetores. Sejam λ1 , . . . , λk um conjunto de autovalores de T com λi ̸= λj se i ̸= j, e v1 , . . . , vk
autovetores não nulos correspondentes a estes autovalores. Suponha
k
X
xi vi = 0. (4.3)
i=1

Aplicando T a esta equação obtemos

k
X
xi T vi = 0,
i=1
donde
k
X
xi λi vi = 0. (4.4)
i=1
Por outro lado, se ao invés de aplicar T à equação (4.3) como fizemos, nós a multiplicarmos pelo autovalor
λk obtemos
X k
xi λk vi = 0. (4.5)
i=1
Subtraindo (4.5) de (4.4), obtemos
k−1
X
xi (λi − λk ) vi = 0. (4.6)
i=1
Pela hipótese de indução v1 , . . . , vk−1 são LI, logo
xi (λi − λk ) = 0
para i = 1, . . . , k − 1. Como λk − λi ̸= 0 para todo i ̸= k, segue que
x1 = . . . = xk−1 = 0.
Da equação (4.3) segue agora que
xk vk = 0,
logo xk = 0 também. ■
4.27 Corolário. Seja V um espaço vetorial de dimensão n. Se o operador linear T : V −→ V possui n
autovalores distintos, então ele é diagonalizável.
Prova: Sejam λ1 , . . . , λn os autovalores de T e v1 , . . . , vn autovetores correspondentes. Pelo resultado
anterior, {v1 , . . . , vn } é um subconjunto LI de V , logo uma base para V . ■
4.28 Exemplo. A matriz
0 0 0
 
−1
 1 0 0 0 
A=
 0 0 0 −1 


0 0 1 0
possui polinômio caracterı́stico
1 0 0
 
x
 −1 x 0 0 
 = x2 + 1 2 .
det (xI − A) = det 

 0 0 x 1 
0 0 −1 x

71
4.3. OPERADORES DIAGONALIZÁVEIS

Se A é considerada uma matriz sobre C, então A possui dois autovalores distintos, ±i, enquanto que sobre
R A não possui autovalores. Apesar disso, A é diagonalizável sobre C, possuindo 4 autovetores distintos:

0
   
−i
 0   1 
 −i  ,  0  associados ao autovalor − i,
   

1 0
e
0
   
i
 0   1
 associados ao autovalor i

 i , 0
  

1 0
□
4.29 Exemplo. A matriz
0 1

A=
0 0
possui o polinômio caracterı́stico

x −1
det (xI − A) = det = x2 .
0 x

Tanto faz se A for considerada uma matriz sobre R ou sobre C, A possui apenas um autovalor e o
autoespaço associado a este autovalor tem dimensão 1, com o vetor (1, 0) sendo um autovetor associado ao
autovalor 0. Portanto, A não é diagonalizável. □
4.30 Lema. Se T v = λv e p é um polinômio qualquer, então p (T ) v = p (λ) v.

4.31 Lema. Sejam T ∈ Hom (V ), λ1 , . . . , λk os autovalores distintos de T e Wi o autoespaço associado a

λi .
Se W = W1 + . . . + Wk , então
W = W1 ⊕ . . . ⊕ Wk ,
isto é, autoespaços correspondentes a autovalores distintos são LI.
Equivalentemente, se Bi é uma base para Wi , então B = {B1 , . . . , Bk } é uma base para W e

dim W = dim W1 + . . . + dim Wk .

Prova: Para provar que os autoespaços de T são LI, precisamos mostrar que dados vi ∈ Wi tais que

v1 + . . . + vk = 0,

então vi = 0 para todo i. Se p é um polinômio qualquer, temos

0 = p (T ) 0
= p (T ) (v1 + . . . + vk )
= p (T ) v1 + . . . + p (T ) vk
= p (λ1 ) v1 + . . . + p (λk ) vk .

Escolha polinômios p1 , . . . , pk tais que

pi (λj ) = δij ,

72
4.3. OPERADORES DIAGONALIZÁVEIS

por exemplo,
Y x − λj
pi = .
λi − λj
j̸=i

Então
n
X n
X
0 = pi (T ) 0 = pi (λj ) vj = δij vj = vi .
j=1 j=1
■
4.32 Teorema. Sejam T ∈ Hom (V ), λ1 , . . . , λk os autovalores distintos de T e Wi o autoespaço associado
a λi .
As seguintes afirmações são equivalentes:
(i) T é diagonalizável.
(ii) O polinômio caracterı́stico de T é

d1 dk
f = (x − λ1 ) . . . (x − λk )

e dim Wi = di para todo i.

(iii)
dim V = dim W1 + . . . + dim Wk .

(iv)
V = W1 ⊕ . . . ⊕ W k .

Prova: (i) ⇒ (ii) Se T é diagonalizável, então T possui uma representação matricial em blocos na forma
0 0
 
λ1 I1 ...
 0 λ 2 I2 . . . 0 
[T ]B =  . . . .. 
 
 .. .. .. . 
0 0 ... λ k Ik
em relação a alguma base B de V , onde cada bloco identidade Ii tem tamanho di . Segue imediatamente que
o polinômio caracterı́stico de T é
d1 dk
det (xI − T ) = (x − λ1 ) . . . (x − λk ) .
Como a matriz [T − λi I]B tem exatamente di zeros em sua diagonal principal, segue que dim Wi = di .
d d
(ii) ⇒ (iii) Se f = (x − λ1 ) 1 . . . (x − λk ) k , então
dim V = grau f = d1 + . . . + dk .
(iii) ⇒ (iv) Segue do lema anterior que V = W1 ⊕ . . . ⊕ Wk .
(iv) ⇒ (i) Pois V possui uma base formada por autovetores de T . ■
4.33 Exemplo. A matriz
5
 
−6 −6
A =  −1 4 2 
3 −6 −4
2
possui o polinômio caracterı́stico det (xI − A) = (x − 2) (x − 1), com autoespaços
W1 = ⟨(3, −1, 3)⟩ ,
W2 = ⟨(2, 1, 0) , (2, 0, 1)⟩ .
Portanto, A é diagonalizável. □

73
4.4. IDEAIS DE POLINÔMIOS

4.34 Exemplo. Determine se a matriz

6 −3
 
−2
B =  4 −1 −2 
10 −5 −3

é diagonalizável sobre R e sobre C. Encontre bases para os autoespaços de B. □

4.4 Ideais de Polinômios

4.35 Definição. Seja K um corpo. Um ideal em K [x] é um subespaço M de K [x] tal que f g ∈ M sempre
que f ∈ K [x] e g ∈ M . □
Em outras palavras, um ideal de polinômios é um subespaço vetorial de K [x] que é fechado com relação à
multplicação, não só de seus próprios elementos, mas também por outros elementos de K [x]. Ele não é uma
subálgebra de K [x] porque não precisa conter a identidade; de fato, se ele contém a identidade, ele é igual a
K [x].
4.36 Exemplo. Dado d ∈ K [x], o conjunto M = dK [x] de todos os múltiplos polinomiais de d é um ideal.
De fato, M é não-vazio pois contém d e se f, g ∈ K [x] e α, β ∈ K, então

α (df ) + β (dg) = d (αf + βg) ,

f (dg) = d (f g) .

M é chamado o ideal principal gerado por d. □

4.37 Teorema. Seja K um corpo. Se M é um ideal não nulo de K [x], então existe um único polinômio
mônico d em K [x] tal que M é o ideal principal gerado por d, isto é,

M = dK [x] .

Prova: Por hipótese, M contém um polinômio não nulo. Entre todos os polinômios não nulos de M existe
um polinômio d de grau mı́nimo, que podemos assumir mônico (basta multiplicar d pelo polinômio escalar
apropriado, se necessário). Se f ∈ M , então

f = dq + r

com r = 0 ou grau r < grau d. Como d ∈ M , dq ∈ M e f − dq = r ∈ M também. Por escolha de d (não

existe polinômio não-nulo em M de grau menor que d), concluı́mos que r = 0. Portanto M = dK [x].
Se d′ fosse outro polinômio mônico em K [x] tal que M = d′ K [x], então existem polinômios não nulos
f, g tais que d = d′ f e d′ = dg. Logo, d = dgf e daı́

grau d = grau d + grau f + grau g,

donde
grau f = grau g = 0.
Como f, g são mônicos, segue que f = g = 1 e portanto d = d′ . ■

74
4.5. POLINÔMIO MÍNIMO E O TEOREMA DE CAYLEY-HAMILTON

4.5 Polinômio Mı́nimo e o Teorema de Cayley-Hamilton

Sejam V um K-espaço vetorial de dimensão finita e T ∈ Hom (V ). Considere as primeiras n2 + 1 potências
de T : 2
I, T, T 2 , . . . , T n .
Como o espaço Hom (V ) tem dimensão n2 , estes vetores são LD, logo existem escalares a0 , a1 , . . . , an2 ∈ K
tais que
2
a0 I + a1 T + . . . + an2 T n = 0.
Em outras palavras, o polinômio
2
p = a0 + a1 x + . . . + an2 xn ∈ K [x]

anula o operador T , isto é,

p (T ) = 0.
4.38 Proposição. O conjunto dos polinômios que anulam um operador é um ideal não nulo em K [x].
Prova: Se f, g anulam T e α, β ∈ K, então

(αf + βg) (T ) = αf (T ) + βg (T ) = 0

e se f ∈ K [x] e g anula T ,
(f g) (T ) = f (T ) g (T ) = 0.
■
4.39 Definição. Sejam V um espaço vetorial de dimensão finita e T ∈ Hom (V ). O polinômio mı́nimo
para T é o gerador mônico do ideal dos polinômios anuladores de T .
Assim, se um polinômio anula T , ele é um múltiplo polinomial do polinômio mı́nimo.
4.40 Teorema. Os polinômios mı́nimo e caracterı́stico de um operador linear possuem as mesmas raı́zes,
exceto possivelmente por multiplicidades.
Prova: Seja p o polinômio mı́nimo de T . Provar o teorema é mostrar que p (λ) = 0 se e somente se λ é um
autovalor de T .
Se p (λ) = 0 para algum λ ∈ R, então
p = (x − λ) q,
donde
0 = p (T ) = (T − λI) q (T ) .
Como grau q < grau p, pela definição de polinômio mı́nimo não podemos ter q (T ) = 0. Seja v um vetor tal
que q (T ) v = w ̸= 0. Então,
0 = (T − λI) q (T ) v = (T − λI) w
e portanto λ é um autovalor de T .
Reciprocamente, se λ é um autovalor de T , então existe v ̸= 0 tal que T v = λv. Pelo Lema 4.30,

0 = p (T ) v = p (λ) v,

donde p (λ) = 0. ■
4.41 Corolário. Se T é diagonalizável e λ1 , . . . , λk são os seus autovalores distintos, então seu polinômio
mı́nimo é o polinômio
p = (x − λ1 ) . . . (x − λk ) .

75
4.5. POLINÔMIO MÍNIMO E O TEOREMA DE CAYLEY-HAMILTON

Prova: Por definição, existe uma base para V consistindo apenas de autovetores de T , logo qualquer vetor
v ∈ V escreve-se na forma
v = v1 + . . . + vk
com vj um autovetor associado a λj . Como

p (T ) vj = (T − λ1 I) . . . (T − λk I) vj = 0

para todo j, porque (T − λj I) vj = 0 e polinômios em T comutam, segue que para todo v ∈ V temos

p (T ) v = 0.

■
Veremos na próxima seção que o polinômio mı́nimo de T ser um produto de fatores lineares distintos é de
fato equivalente a T ser diagonalizável.
4.42 Exemplo. Encontre o polinômio mı́nimo para a matriz

5 −6 −6
 

A =  −1 4 2 .
3 −6 −4
2
Vimos no Exemplo 4.33 que A possui o polinômio (x − 2) (x − 1) como polinômio caracterı́stico e que
A é diagonalizável. Logo seu polinômio mı́nimo é p = (x − 2) (x − 1) = x2 − 3x + 2. Em particular,
A2 − 3A + 2I = 0. □
4.43 Exemplo. Encontre o polinômio mı́nimo sobre R para a matriz

0 −1

B= .
1 0

Vimos no Exemplo 4.24 que B possui o polinômio x2 + 1 como polinômio caracterı́stico e que B não é
diagonalizável sobre R, pois seu polinômio caracterı́stico não possui raı́zes reais. No entanto, sobre C, o
polinômio caracterı́stico se fatora x2 + 1 = (x + i) (x − i) e B possui dois autovalores distintos, e portanto é
diagonalizável. Assim, o polinômio mı́nimo sobre C para esta matriz é x2 + 1. Como este polinômio possui
coeficientes reais, ele também é o polinômio mı́nimo para B sobre R. □
4.44 Teorema (Teorema de Cayley-Hamilton). O polinômio caracterı́stico de um operador linear anula
este operador.
Em particular, o polinômio caracterı́stico de um operador é divisı́vel pelo polinômio mı́nimo deste opera-
dor.

Prova: A demonstração será por indução sobre n = dim V , onde V é o espaço vetorial no qual o operador
linear está definido. Se n = 1, o resultado é óbvio. Como hipótese de indução, assuma o resultado válido
para qualquer operador linear definido sobre qualquer espaço vetorial de dimensão n − 1.
Seja T ∈ Hom (V ) com dim V = n. Escolha uma base B = {e1 , . . . , en } para V e seja A = [T ]B , ou seja,
n
X
T ej = Aij ei
i=1

para j = 1, . . . , n. Equivalentemente,
n
X
δji T − Aij I ei = 0.

i=1

76
4.6. SUBESPAÇOS INVARIANTES E OPERADORES TRIANGULARIZÁVEIS

Considere matrizes sobre a álgebra comutativa com identidade K [T ] dos polinômios em T ; em outras
palavras, matrizes sobre K [T ] possuem polinômios em T como entradas. Considere em particular a matriz
B definida por
Bji = δij T − Aji I.
Então
det B = pc (T )
onde pc é o polinômio caracterı́stico de T , porque o polinômio caracterı́stico de T é o determinante da matriz
xI − A, cujas entradas são polinômios da forma
j
(xI − A)i = δij x − Aji I,

e o determinante não se altera se considerarmos a transposta desta matriz.

Logo, para mostrar que pc (T ) = 0, basta mostrar que

(det B) ek = 0 para k = 1, . . . , n.

Por definição de B, os vetores e1 , . . . , en satisfazem as equações

n
X
Bij ei = 0 para j = 1, . . . , n.
i=1

Seja B = adj B a adjunta clássica de B, de modo que BB = (det B) I. Da equação acima, para cada par de
ı́ndices k, j temos
n n
kX j X k
0 = Bj Bi ei = B j Bij ei .
i=1 i=1

Logo, somando em j, temos

n
n X
X k
B j Bij ei = 0,
j=1 i=1

donde
 
n n
X X k
0=  B j Bij  ei
i=1 j=1
n
X k
= BB i
ei
i=1
Xn
= δik (det B) ei
i=1
= (det B) ek .

■
Na próxima seção daremos outra demonstração do Teorema de Cayley-Hamilton sem usar determinantes.

4.6 Subespaços Invariantes e Operadores Triangularizáveis

4.45 Definição. Seja T ∈ Hom (V ). Dizemos que um subespaço W ⊂ V é invariante por T se T (W ) ⊂ W .
□

77
4.6. SUBESPAÇOS INVARIANTES E OPERADORES TRIANGULARIZÁVEIS

4.46 Exemplo. O subespaço nulo e o espaço todo são invariantes por qualquer operador linear T . O núcleo
de T e a imagem de T também são invariantes por T . □
4.47 Exemplo. Considere o espaço vetorial K [x] e o operador linear derivada D. Então o subespaço dos
polinômios de grau menor que ou igual a n, onde n é um inteiro não-negativo qualquer, é invariante por D.
□
4.48 Exemplo. Qualquer autoespaço de T é invariante por T . □
4.49 Exemplo. O operador linear em R2 representado na base canônica pela matriz

0 −1

B=
1 0

não possui outros subespaços invariantes além dos triviais, isto é, além do subespaço nulo e do espaço todo
R2 , porque qualquer subespaço invariante de dimensão 1 seria um autoespaço de B, mas B não possui
autovalores reais, como vimos no Exemplo 4.43. □
Quando um subespaço W ⊂ V é invariante por T , T induz um operador linear sobre W , o operador
restrição
T |W : W −→ W.
Denotaremos o operador restrição por TW . Seja

BW = {e1 , . . . , em }

uma base para W e

B = {e1 , . . . , em , em+1 , . . . , en }
um completamento desta base até uma base para V . Seja A = [T ]B a representação matricial do operador
T com relação a B, de modo que
n
X
T ej = Aij ei para j = 1, . . . , n.
i=1

Como W é invariante por T , vale também

m
X
T ej = Aij ei para j = 1, . . . , m,
i=1

isto é, Aij = 0 para i > m, se j ⩽ m. Em outras palavras, A tem a forma em blocos

Bm×m Cm×(n−m)
A= ,
0(n−m)×m D(n−m)×(n−m)

com o bloco B sendo a representação matricial do operador restrição TW com relação à base BW de W , isto
é,
B = [TW ]BW .
4.50 Proposição. Seja W um espaço invariante de V por T . Então os polinômios mı́nimo e caracterı́stico
para TW são divisores respectivamente dos polinômios mı́nimo e caracterı́stico para T .
Prova: Usando a representação matricial de T obtida na discussão acima

B C
A= ,
0 D

78
4.6. SUBESPAÇOS INVARIANTES E OPERADORES TRIANGULARIZÁVEIS

segue imediatamente que

det (xIn − A) = det (xIm − B) det (xIn−m − D)
o que prova a afirmação sobre polinômios caracterı́sticos.
Para provar a afirmação sobre polinômios mı́nimos, note que
k
B Ck
Ak = ,
0 Dk

para todo k, para alguma matriz (Ck )m×(n−m) . Logo, se p é um polinômio qualquer, temos

p (B)

C
p (A) =
ek
0 p (D)

para alguma matriz C
ek . Portanto, qualquer polinômio que anula A também anula B (e mesmo
m×(n−m)
D). ■

4.51 Definição. Seja W um subespaço invariante de V por T e v ∈ V . O conjunto dos polinômios

condT (v; W ) = {f ∈ K [x] : f (T ) v ∈ W }

é chamado o T -condutor de v para W . □

4.52 Proposição. Seja W um espaço invariante de V por T . Então W é invariante por qualquer polinômio
em T .
Em particular, para qualquer v ∈ V , o T -condutor de v para W é um ideal.
Prova: Se w ∈ W , então T w ∈ W e por indução T k w ∈ W para todo k; tomando combinações lineares
(porque W é um subespaço vetorial), concluı́mos que f (T ) w ∈ W para todo polinômio f .
condT (v; W ) é um subespaço vetorial, pois se f, g ∈ condT (v; W ) então

(αf + βg) (T ) v = α [f (T ) v] + β [g (T ) v] ∈ W.

Se f ∈ K [x] e g ∈ condT (v; W ), então

[(f g) (T )] v = [f (T ) g (T )] v = f (T ) [g (T ) v] ∈ W

porque g (T ) v ∈ W e W é invariante por qualquer polinômio em T . ■

O único gerador mônico do ideal condT (v; W ) é chamado o polinômio T -condutor de v para W .
4.53 Corolário. Todo polinômio T -condutor é um divisor do polinômio mı́nimo para T .
Prova: Pois todo ideal T -condutor contém o polinômio mı́nimo por definição, porque este leva v no vetor
nulo 0 ∈ W . ■
4.54 Lema. Sejam V um espaço vetorial de dimensão finita e T ∈ Hom (V ) tal que o polinômio mı́nimo
para T é um produto de fatores lineares
r rk
p = (x − λ1 ) 1 . . . (x − λk ) .

Seja W um subespaço próprio de V invariante por T . Então existe um vetor v ∈ V \W tal que
(T − λI) v ∈ W para algum autovalor λ de T .
Em outras palavras, existe um vetor v ∈ V \W tal que o seu polinômio T -condutor para W é um polinômio
linear.

79
4.6. SUBESPAÇOS INVARIANTES E OPERADORES TRIANGULARIZÁVEIS

Prova: Seja z ∈ V \W um vetor qualquer. Seja f o polinômio T -condutor de z para W . Então f divide o
polinômio mı́nimo de T . Como z ∈
/ W , f não é um polinômio escalar. Portanto,
s sk
f = (x − λ1 ) 1 . . . (x − λk )

onde sj < rj e pelo menos algum sj ̸= 0. Escolha um ı́ndice j tal que sj ̸= 0 e escreva

f = (x − λj ) g.

Por definição de f , o vetor v = g (T ) z ∈

/ W , mas

(T − λj I) v = (T − λj I) g (T ) z = f (T ) z ∈ W.

4.55 Definição. Uma matriz A é triangular se Aij = 0 sempre que i < j (triangular inferior) ou se
Aij = 0 sempre que i > j (triangular superior). □
4.56 Definição. Dizemos que T ∈ Hom (V ) é triangularizável se existe uma base de V tal que a matriz
de T em relação a esta base é uma matriz triangular. □

4.57 Teorema. Um K-operador linear T em um espaço vetorial de dimensão finita é triangularizável se e

somente se o seu polinômio mı́nimo é um produto de fatores lineares sobre K.
Prova: Se T é triangularizável, então existe uma base B = {e1 , . . . , en } para V tal que
 1
A12 A13 . . . A1n

A1
 0 A22 A23 . . . A2n 
[T ]B =  0 0 A33 . . . A3n 
 
.

 .. .. .. .. .. 
 . . . . . 
0 0 0 . . . Ann

Segue que o polinômio caracterı́stico de T é o produto de fatores lineares

det (xI − T ) = x − A11 . . . (x − Ann ) .

Como o polinômio mı́nimo é um divisor do polinômio caracterı́stico, ele também é um produto de fatores
lineares.
Reciprocamente, se o polinômio mı́nimo para T se escreve na forma
r rk
p = (x − λ1 ) 1 . . . (x − λk ) ,

aplicamos o Lema 4.54 repetidamente da seguinte forma para encontrar uma base B = {e1 , . . . , en } para V
em relação à qual a matriz de T é triangular. Primeiro aplique aquele lema ao subespaço invariante W = {0}
para obter o vetor e1 . Como
(T − λ1 I) e1 = 0
para algum autovalor λ1 , segue que o subespaço

W1 = ⟨e1 ⟩

é invariante por T . Podemos então aplicar novamente o lema ao subespaço W2 para obter o vetor e2 ∈ V \W1 .
Em particular, {e1 , e2 } é LI, e como
(T − λ2 I) x2 ∈ W1

80
4.6. SUBESPAÇOS INVARIANTES E OPERADORES TRIANGULARIZÁVEIS

para algum autovalor λ2 , segue que o subespaço

W2 = ⟨x1 , x2 ⟩

é invariante por T ; observe que

T e2 = A12 e1 + λ2 e2
para algum escalar A12 . Continuando desta forma, em cada passo j encontramos vetores e1 , . . . , ej linearmente
independentes tais que
T ej = A1j e1 + . . . + Ajj−1 ej−1 + λj ej
e o subespaço
Wj = ⟨e1 , . . . , ej ⟩
é portanto invariante por T . ■
4.58 Corolário. Todo operador complexo é triangularizável.
Obteremos agora uma terceira caracterização para operadores diagonalizáveis em termos do polinômio
mı́nimo:
4.59 Teorema. Um K-operador linear T é diagonalizável se e somente se o seu polinômio mı́nimo sobre K
é um produto de fatores lineares distintos

p = (x − λ1 ) . . . (x − λk ) .

Prova: Já vimos no Corolário 4.41 que se T é diagonalizável, então seu polinômio mı́nimo é um produto de
fatores lineares distintos. Reciprocamente, suponha que o polinômio mı́nimo de T é o produto

p = (x − λ1 ) . . . (x − λk )

de fatores lineares distintos e suponha por absurdo que T não é diagonalizável. Então, se

W = W 1 + . . . + Wk

é a soma dos autoespaços Wi associados a λi T , segue que W ̸= V . Mas W é um subespaço invariante por
T , logo pelo Lema 4.54 existe um vetor v ∈ V \W e um autovalor λj tal que

w = (T − λj I) v ∈ W,

isto é
x − λj ∈ condT (v; W ) .
Escreva
p = (x − λj ) q.
de modo que q que não possui λj como raiz. Como

0 = p (T ) v = (T − λj I) q (T ) v,

segue que q (T ) v ∈ ker (T − λj I) = Wj , de modo que também

q ∈ condT (v; W ) .

Mas o polinômio T -condutor de v para W divide ambos x − λj e q e estes não tem fatores em comum,
contradição. ■
Assim, para determinar se T é diagonalizável, basta encontrar os autovalores distintos λ1 , . . . , λk de T e
determinar se o operador (T − λ1 I) . . . (T − λk I) é o operador nulo ou não. Se T satisfaz uma equação

81
4.6. SUBESPAÇOS INVARIANTES E OPERADORES TRIANGULARIZÁVEIS

polinomial, se esta se fatora em fatores lineares distintos, concluı́mos imediatamente que T é diagonalizável:
por exemplo, se T 2 = I ou T 2 = T .
Demonstração alternativa do Teorema de Cayley-Hamilton. Pelo Teorema 4.57 basta provar o
Teorema de Cayley-Hamilton para operadores triangularizáveis. De fato, pelo Teorema 4.57 todo operador
linear em um espaço vetorial sobre um corpo algebricamente fechado é triangularizável (um corpo K é
algebricamente fechado se todo K-polinômio possui uma raiz ou, equivalentemente, se todo K-polinômio
é um produto de fatores lineares); pela teoria de corpos, todo corpo K′ é um subcorpo de um corpo K
algebricamente fechado. O fato do polinômio caracterı́stico anular A ∈ Mn (K′ ) quando considerada uma
K-matriz, continua obviamente valendo quando ela é considerada uma K′ -matriz, pois os coeficientes do
polinômio caracterı́stico estão em K′ .
[Observe que para provar a afirmação do Teorema 4.57 que se o polinômio mı́nimo de um operador se
fatora como um produto de fatores lineares então o operador é triangularizável, não foi usado o teorema de
Cayley-Hamilton. Ele foi usado no Teorema 4.57 para provar a recı́proca desta afirmação, que não entra no
presente argumento.]
É fácil provar o teorema de Cayley-Hamilton para operadores triangularizáveis. De fato, se B =
{e1 , . . . , en } é uma base para V em relação à qual T é representada por uma matriz triangular A, então o
polinômio caracterı́stico para A é
f = x − A11 . . . (x − Ann ) .

Para provar que f anula T , isto é, que

T − A11 I . . . (T − Ann I)

é o operador nulo sobre V , procedemos por indução na dimensão de V . O resultado é claramente válido
para n = 1. Assuma o resultado válido para n − 1 e escreva a matriz A em blocos

B(n−1)×(n−1) C(n−1)×1
A=
01×(n−1) Ann

Observe que
(T − Ann I) V ⊂ ⟨e1 , . . . , en−1 ⟩ =: W.
W é um subespaço invariante por T de dimensão n − 1, com

[TW ]{e1 ,...,en−1 } = B,

e TW tem como polinômio caracterı́stico exatamente

f = x − A11 . . . x − An−1

n−1 .

Logo, por hipótese de indução,

TW − A11 In−1 . . . TW − An−1

n−1 In−1

é o operador nulo sobre W . Portanto a composta

n−1
T − A11 I . . . T − An−1 I (T − Ann I)

= TW − A11 In−1 . . . TW − An−1n−1 In−1 (T − An I)

é o operador nulo sobre V (observe que os vetores de W têm as últimas coordenadas nulas, logo faz sentido
aplicar o lado direito a vetores de V , apesar das matrizes identidades possuı́rem tamanho n − 1). ■

82
4.7. EXERCÍCIOS

4.7 Exercı́cios
4.60 Exercı́cio. Seja T o operador linear em R4 representado na base canônica pela matriz

0 0 0 0
 
 a 0 0 0  .
 0 b 0 0 


0 0 c 0

Sob que condições em a, b e c o operador T é diagonalizável?

4.61 Exercı́cio. Sejam A, B ∈ Mn (K). Prove que se I − AB é invertı́vel, então I − BA também é invertı́vel
e
−1 −1
(I − BA) = I + B (I − AB) A.
Use este resultado para provar que se A, B ∈ Mn (K) são duas matrizes quaisquer, então AB e BA possuem
os mesmos autovalores. Será que AB e BA possuem o mesmo polinômio caracterı́stico? Será que AB e BA
possuem o mesmo polinômio mı́nimo?
4.62 Exercı́cio. Seja A ∈ Mn (K) uma matriz diagonal com polinômio caracterı́stico
d1 dk
f = (x − λ1 ) . . . (x − λk )

onde λ1 , . . . , λk são distintos. Mostre que subconjunto em Mn (K) das matrizes B tais que AB = BA é um
subespaço vetorial de dimensão
d21 + . . . + d2k .
4.63 Exercı́cio. Seja A ∈ Mn (K) e considere o operador linear T : Mn (K) −→ Mn (K) definido por
T (B) = AB. Será verdade que A e T possuem os mesmos autovalores? Será que A e T possuem o mesmo
polinômio caracterı́stico? Será que A e T possuem o mesmo polinômio mı́nimo?
4.64 Exercı́cio. Seja K um corpo arbitrário e a, b, c ∈ K. Considere a matriz

0 0 c
 

A =  1 0 b .
0 1 a

Mostre que o polinômio caracterı́stico para A é p = x3 − ax2 − bx − c e que este também é o polinômio
mı́nimo para A.
4.65 Exercı́cio. Seja A a matriz real

1 1 0 0
 
 −1 −1 0 0 
A=
2 1 

 −2 −2
1 1 −1 0
2
Mostre que o seu polinômio caracterı́stico é p = x2 (x − 1) e que este também é o seu polinômio mı́nimo.
Se A for considerada uma matriz complexa, A é diagonalizável?
4.66 Exercı́cio. Seja T o operador linear sobre R2 cuja matriz na base canônica é

1 −1

A= .
2 2

Prove que os únicos subespaços de R2 invariantes por T são os triviais. Se U é um operador sobre C2 cuja
matriz na base canônica é A, mostre que U possui um subespaço invariante unidimensional.

83
4.8. PROJEÇÕES E DECOMPOSIÇÃO EM SOMA DIRETA

4.67 Exercı́cio. Seja

0 1 0
 

A= 2 −2 2  .
2 −3 2
A é semelhante sobre o corpo dos números reais a uma matriz triangular? Se for, encontre uma tal matriz
triangular.
4.68 Exercı́cio. Prove que toda matriz A tal que A2 = A é semelhante a uma matriz diagonal.
4.69 Exercı́cio. Seja T : V −→ V um operador linear tal que todo subespaço de V é invariante por T .
Mostre que T é um múltiplo escalar do operador identidade.
4.70 Exercı́cio. Seja A uma matriz real 3 × 3. Mostre que se A não é semelhante sobre R a uma matriz
triangular, então A é semelhante sobre C a uma matriz diagonal.
4.71 Exercı́cio. A seguinte afirmação é falsa ou verdadeira? Se uma matriz triangular é semelhante a uma
matriz diagonal, então ela já é diagonal.
4.72 Exercı́cio. Seja T um operador linear sobre um espaço vetorial V sobre K de dimensão finita e
f ∈ K [x]. Prove que Λ é um autovalor de f (T ) se e somente se Λ = f (λ) para algum autovalor λ de T .

4.8 Projeções e Decomposição em Soma Direta

4.73 Definição. Seja V um espaço vetorial. Uma projeção de V é um operador linear E ∈ Hom (V ) tal
que
E 2 = E.
□
4.74 Proposição. Seja E ∈ Hom (V ) uma projeção. Então
V = im E ⊕ ker E,
com a decomposição de um vetor v ∈ V como soma direta dada por
v = Ev + (I − E) v.
Em particular, v ∈ im E se e somente se
Ev = v.
Além disso, se V = W ⊕ Z, existe uma única projeção E tal que W = im E e Z = ker E.
Prova: Suponha que v ∈ im E ∩ ker E, de modo que Ev = 0 e v = Ew para algum w ∈ V . Logo,
0 = Ev = E 2 w = Ew = v,
e portanto ker E e im E são LI.
Observe que
E [(I − E) v] = Ev − E 2 v = Ev − Ev = 0,
portanto (I − E) v ∈ ker E.
Se V = W ⊕ Z, então cada vetor v ∈ V se escreve de maneira única na forma v = w + z para alguns
vetores w ∈ W e z ∈ Z, logo podemos definir um operador linear E : W ⊕ Z −→ V por
E(w + z) = w.
E é portanto um operador linear bem definido e para todo vetor v ∈ V vale
E 2 v = E (Ev) = Ew = w = Ev.
■

84
4.8. PROJEÇÕES E DECOMPOSIÇÃO EM SOMA DIRETA

4.75 Definição. Na notação da proposição anterior, se W = im E e Z = ker E, dizemos que E é a projeção

de V sobre W na direção de Z. □

4.76 Proposição. Se V é espaço vetorial de dimensão finita e E ∈ Hom (V ) é uma projeção, então E é
diagonalizável e existe uma base B para V tal que

Im 0

[E]B = .
0 0

Prova: E é diagonalizável porque o polinômio mı́nimo de E é um produto de fatores lineares distintos:

como E 2 = E, segue que
x2 − x = x (x − 1)
anula E.
Se
B′ = {e1 , . . . , em }
é uma base para im E e
B′′ = {em+1 , . . . , en }
é uma base para ker E, então
B = {e1 , . . . , en }
é uma base para V tal que
0

Im
[E]B = .
0 0
■
O próximo resultado generaliza a Proposição 4.74 (veja os Exercı́cios 4.85 e 4.102).

4.77 Teorema (Decomposição em Soma Direta). Se V = W1 ⊕ . . . ⊕ Wk , então existem k projeções

E1 , . . . , Ek ∈ Hom (V ) tais que
(i) Para todo i,
im Ei = Wi .

(ii) Se i ̸= j,
Ei Ej = 0.

(iii)
E1 + . . . + Ek = I.

Reciprocamente, se existem k operadores lineares E1 , . . . , Ek ∈ Hom (V ) que satisfazem as condições

(i)-(iii), então eles são projeções e V = W1 ⊕ . . . ⊕ Wk .
Prova: Suponha V = W1 ⊕ . . . ⊕ Wk . Dado v = w1 + . . . + wk com wi ∈ Wi , defina

Ej v = wj .

Então Ej é um operador linear bem definido e Ej2 = Ej , isto é, Ej é uma projeção. Além disso, para todo j
vale

im Ej = Wj ,
ker Ej = W1 + . . . + W
cj + . . . + Wk ,

85
4.8. PROJEÇÕES E DECOMPOSIÇÃO EM SOMA DIRETA

de modo que Ei Ej = 0 se i ̸= j. Como

v = w1 + . . . + wk
= E1 v + . . . + Ek v
= (E1 + . . . + Ek ) v,

temos I = E1 + . . . + Ek .
Reciprocamente, suponha existirem k operadores lineares E1 , . . . , Ek ∈ Hom (V ) que satisfazem (i)-(iii).
Obtemos que eles são projeções multiplicando (iii) por cada Ei e usando (ii). Como, por (iii),

v = E1 v + . . . + Ek v

temos que
V = W1 + . . . + Wk .
Além disso, esta expressão para v é única. De fato, se v = w1 + . . . + wk com wi ∈ Wi , temos, usando (ii) e
o fato que eles são projeções,
k
X k
X
Ej v = Ej wi = Ej Ei wi = Ej2 wj = Ej wj = wj .
i=1 i=1

■
As decomposições em soma direta V = W1 ⊕ . . . ⊕ Wk mais úteis de um espaço vetorial V são aquelas
em que cada um dos subespaços Wi são invariantes por algum operador linear T . Denote

Ti = TWi : Wi −→ Wi .

Se
v = w1 + . . . wk
é a expressão única de v como a soma de vetores dos subespaços invariantes Wi , temos

T v = T w1 + . . . + T wk
= T1 w1 + . . . + Tk wk .

Dizemos que T é a soma direta dos operadores T1 , . . . , Tk e escrevemos

T = T1 ⊕ . . . ⊕ Tk .

Observe, porém, que a expressão T1 + . . . + Tk não tem o sentido usual de soma de operadores, já que cada
operador Ti tem domı́nio diferente dos demais. Se Bi é uma base para Wi , de modo que B = {B1 , . . . , Bk }
é uma base para V , temos
[T1 ]B1 0 0
 
...
 0 [T2 ]B2 . . . 0 
[T ]B =  .. .. . . .
 
 . . . . .
. 
0 0 . . . [Tk ]Bk
O objetivo é encontrar uma decomposição do espaço V em soma direta de subespaços invariantes por T de
tal forma que os operadores Ti tenham uma forma simples.
4.78 Lema. Sejam T um operador linear e E uma projeção. O núcleo e a imagem de E são invariantes
por T se e somente se
T E = ET,

isto é, se e somente se [T, E] = 0.

86
4.8. PROJEÇÕES E DECOMPOSIÇÃO EM SOMA DIRETA

Prova: Suponha que T E = ET . Dado w ∈ im E, então Ew = w e

T w = T (Ew) = E (T w) ,
de modo que T w ∈ im E e portanto im E é invariante por T . Dado z ∈ ker E, temos Ez = 0 e
E (T z) = T (Ez) = T 0 = 0,
de modo que T z ∈ ker E e portanto ker E também é invariante por T .
Reciprocamente, suponha im E e ker E invariantes por T . Seja v ∈ V um vetor qualquer. Então,
v = Ev + (I − E) v,
onde Ev ∈ im E e (I − E) v ∈ ker E. Temos
T v = T Ev + T (I − E) v.
Pela invariância de im E por T , temos
T Ev = Ew
para algum vetores w ∈ im E e
T (I − E) v ∈ ker E.
Logo,
ET v = E (T Ev + T (I − E) v) = E 2 w = Ew = T Ev.
■
4.79 Teorema (Decomposição em Soma Direta de Subespaços Invariantes). Sejam T ∈ Hom (V )
e V = W1 ⊕ . . . ⊕ Wk uma decomposição em soma direta de subespaços invariantes.
Existem k projeções E1 , . . . , Ek ∈ Hom (V ) tais que
(i) Para todo i,
im Ei = Wi .

(ii) Se i ̸= j,
Ei Ej = 0.

(iii)
E1 + . . . + Ek = I.

(iv) Para todo i,

T Ei = Ei T

Reciprocamente, se existem k operadores lineares E1 , . . . , Ek ∈ Hom (V ) que satisfazem as condições

(i)-(iv), então eles são projeções, Wi é invariante por T e V = W1 ⊕ . . . ⊕ Wk .
Prova: Em vista do Teorema 4.77, basta provar que obtemos uma decomposição em soma direta de su-
bespaços invariantes se e somente se T comuta com cada Ei .
Suponha que T comuta com Ei . Segue imediatamente do lema anterior que im Ei é invariante por T .
Reciprocamente, suponha que cada Wi é invariante por T . Observando que
im Ei = Wi ,
ker Ei = W1 + . . . + W
cj + . . . + Wk

são invariantes por T , segue do lema anterior que T comuta com Ei . ■

No próximo resultado, descreveremos um operador diagonalizável na linguagem de decomposição em soma
direta de subespaços invariantes, o que ajudará a entender outros teoremas mais profundos de decomposição
em soma direta que veremos neste e no próximo capı́tulo.

87
4.8. PROJEÇÕES E DECOMPOSIÇÃO EM SOMA DIRETA

4.80 Teorema (Decomposição em Soma Direta de Subespaços Invariantes para Operadores

Diagonalizáveis). Seja T ∈ Hom (V ).
Se T é diagonalizável, λ1 , . . . , λk são os autovalores distintos de T e W1 , . . . , Wk são os autoespaços
respectivamente correspondentes a estes autovalores, então existem k projeções E1 , . . . , Ek ∈ Hom (V ) tais
que
(i) Para todo i,
im Ei = Wi .

(ii) Se i ̸= j,
Ei Ej = 0.

(iii)
E1 + . . . + Ek = I.

(iv)
T = λ1 E1 + . . . + λk Ek .

Reciprocamente, se existem k operadores lineares não nulos E1 , . . . , Ek ∈ Hom (V ) e k escalares distintos

λ1 , . . . , λk que satisfazem as condições (ii)-(iv), então T é diagonalizável, λ1 , . . . , λk são os autovalores distin-
tos de T , W1 , . . . , Wk são os autoespaços respectivamente correspondentes a estes autovalores, os operadores
são projeções e a condição (i) também é satisfeita.
Prova: Suponha T diagonalizável. Pelo Teorema 4.32 V = W1 ⊕ . . . ⊕ Wk . Então o fato que os operadores
Ei são projeções e as condições (i)-(iii) seguem do Teorema 4.79. Para verificar (iv), observe que para cada
vetor v ∈ V temos
v = E1 v + . . . + Ek v,
logo

T v = T E1 v + . . . + T Ek v
= λ1 E1 v + . . . + λk Ek v.

Reciprocamente, suponha que existam operadores lineares E1 , . . . , Ek ∈ Hom (V ) e escalares distintos

λ1 , . . . , λk que satisfazem as condições (ii)-(iv). Como na demonstração do Teorema 4.77 o fato que cada Ei
é uma projeção segue de (ii) e (iii).
Multiplicando (iv) por Ei , obtemos T Ei = λi Ei , o que mostra que

im Ei = Wi ⊂ ker (T − λi I) .

Como Ei ̸= 0 por hipótese, isso prova que Wi ̸= {0}, ou seja, λi é um autovalor de T . Em particular, como os
subespaços Wi estão contidos em autoespaços associados a autovalores distintos, eles são LI. Portanto, segue
de (iii) que V = W1 ⊕ . . . ⊕ Wk . Concluı́mos que T é diagonalizável, pois V possui uma base de autovetores
de T . Não existem outros autovalores de T além de λ1 , . . . , λk , pois se λ é um autovalor de T , então

T − λI = (λ1 − λ) E1 + . . . + (λk − λ) Ek ,

de modo que se (T − λI) v = 0, devemos ter

(λi − λ) Ei v = 0

para todo i. Se v ̸= 0, então Ej v ̸= 0 para algum j por (iii) e pelos Wi serem LI, logo λ = λj .

88
4.9. EXERCÍCIOS

Só falta mostrar que Wi = ker (T − λi I) para todo i. Se v ∈ ker (T − λi I), isto é, se T v = λj v, então

0 = (T − λj I) v = (λ1 − λj ) E1 v + . . . + (λk − λj ) Ek v,

donde (λi − λj ) Ei v = 0 para todo i, logo Ei v = 0 para todo i ̸= j. Daı́, segue que

v = E1 v + . . . + Ek v = Ej v ∈ Wj .

4.9 Exercı́cios
4.81 Exercı́cio. Seja T ∈ Hom (V ) um operador linear e E uma projeção. Prove que a imagem de E é
invariante por T se e somente se ET E = T E.

4.82 Exercı́cio. Seja T ∈ Hom (V ) um operador linear que comuta com toda projeção de V . O que você
pode dizer sobre T ?
4.83 Exercı́cio. Se E é uma projeção e f um polinômio, então f (E) = aI + bE. Encontre uma expressão
para a e b em termos dos coeficientes de f .
4.84 Exercı́cio. Mostre que se E é a projeção sobre W na direção de Z, então I − E é a projeção sobre Z
na direção de W .
4.85 Exercı́cio. Sejam E1 , . . . , Ek : V −→ V operadores lineares tais que E1 + . . . + Ek = I.
1. Prove que se Ei Ej = 0 sempre que i ̸= j, então cada Ei é uma projeção.
2. Prove a recı́proca no caso k = 2, isto é, se E1 , E2 são projeções tais que E1 + E2 = I, então E1 E2 = 0.
3. Prove a recı́proca no caso geral, isto é, se E1 , . . . , Ek são projeções tais que E1 + . . . + Ek = I, então
Ei Ej = 0 sempre que i ̸= j, assumindo que V é um espaço vetorial sobre um subcorpo dos complexos.
(Sugestão para este último: use a função traço; qual é o traço de uma projeção?)

4.10 Fatoração de Polinômios

No Teorema 4.37, provamos que se M é um ideal de K [x], então existe um único polinômio mônico d em
K [x] tal que M é o ideal principal gerado por d, isto é, M = dK [x]. Como consequência, vale o seguinte
resultado:
4.86 Corolário. Se p1 , . . . , pk são polinômios sobre K, não todos nulos, então existe um único polinômio
mônico d ∈ K [x] tal que
(i) d está no ideal gerado por p1 , . . . , pk , isto é, d ∈ p1 K [x] + . . . + pk K [x] ;
(ii) d é um divisor de cada um dos polinômios p1 , . . . , pk .
Além disso, qualquer polinômio d que satisfaz (i) e (ii) satisfaz
(iii) d é um múltiplo polinomial de qualquer polinômio divisor dos polinômios p1 , . . . , pk .
Prova: Seja d o gerador mônico do ideal p1 K [x] + . . . + pk K [x]. Como cada membro do ideal é divisı́vel
por d, em particular cada pi é divisı́vel por d, o que prova (i) e (ii).
Suponha que f é um polinômio que divide p1 , . . . , pk . Então existem polinômios g1 , . . . , gk tais que
pi = f gi para cada i. Também, como d ∈ p1 K [x] + . . . + pk K [x], existem polinômios q1 , . . . , qk tais que
d = p1 q1 + . . . + pk qk . Logo
d = f (g1 q1 + . . . + gk qk ) .
Se d′ é outro polinômio que satisfaz (i) e (ii), segue da definição de d que d′ = f d para algum polinômio
f , logo satisfaz (iii). Se d′ é mônico, segue que d′ = d. ■

89
4.10. FATORAÇÃO DE POLINÔMIOS

4.87 Definição. Sejam p1 , . . . , pk polinômios sobre um corpo K, não todos nulos. O gerador mônico d do
ideal p1 K [x] + . . . + pk K [x] é chamado o máximo divisor comum de p1 , . . . , pk , denotado

d = mdc (p1 , . . . , pk )

Dizemos que os polinômios p1 , . . . , pk são relativamente primos se mdc (p1 , . . . , pk ) = 1. □

Observe que dizer que p1 , . . . , pk são relativamente primos é equivalente a dizer que o ideal gerado por eles é
todo o anel K [x]. Em vista do Corolário 4.86 (iii), quando os polinômios p1 , . . . , pk são relativamente primos,
eles não são simultaneamente divisı́veis por nenhum outro polinômio diferente de 1.
4.88 Definição. Dizemos que um polinômio f ∈ K [x] é redutı́vel sobre K se existem polinômios g, h ∈ K [x]
de grau maior ou igual a 1 tais que
f = gh.
Caso contrário, dizemos que f é irredutı́vel sobre K. Um polinômio irredutı́vel não-escalar também é
chamado um polinômio primo sobre K. □
Em outras palavras, dizer que p é primo equivale a dizer que os únicos divisores de p são p e 1.

4.89 Proposição. Suponha que p é um polinômio primo que é um divisor do produto f g. Então p é um
divisor de f ou p é um divisor de g.
Prova: Sem perda de generalidade podemos assumir que p é mônico. Seja d = mdc (p, f ). Como p é primo,
segue que d = 1 ou d = p. Se d = p, então p divide f . Caso contrário, mostraremos que d divide g. Como
mdc (p, f ) = 1, existem polinômios h1 , h2 tais que

1 = ph1 + f h2 .

Logo, multiplicando esta equação por g, obtemos

g = p (gh1 ) + (f g) h2 ,

Denote k1 = gh1 . Como p divide f g, temos f g = ph3 para algum polinômio h3 . Portanto, se k2 = h3 h2 ,
temos
g = pk1 + pk2 = p (k1 + k2 ) .
■
4.90 Corolário. Se p é um polinômio primo que é um divisor do produto f1 . . . fk , então p é um divisor de
algum dos polinômios f1 , . . . , fk .

4.91 Teorema. Se K é um corpo, então todo polinômio mônico não-escalar sobre K pode ser fatorado como
um produto de polinômios primos mônicos sobre K de uma única maneira (a menos da ordem dos fatores).
4.92 Proposição. Seja f um polinômio mônico não-escalar sobre K tal que

f = pr11 . . . prkk

é a fatoração prima de f . Para cada i, defina

k
p Y r
fi = = pj j .
pri i j=1
j̸=i

Então f1 , . . . , fk são relativamente primos.

90
4.11. TEOREMA DA DECOMPOSIÇÃO PRIMÁRIA E TEOREMA ESPECTRAL

4.11 Teorema da Decomposição Primária e Teorema Espectral

Para operadores em geral, mesmo aqueles que não possuem nenhum autovalor, vale o seguinte resultado
fundamental:
4.93 Teorema (Teorema da Decomposição Primária). Seja T ∈ Hom (V ) um K-operador linear com
polinômio mı́nimo
p = pr11 . . . prkk
expresso como um produto de fatores primos distintos sobre K. Seja

Wi = ker pri i (T ) .

Então
(i) V = W1 ⊕ . . . ⊕ Wk .
(ii) Cada Wi é invariante por T .
(iii) O polinômio mı́nimo de Ti = T |Wi é pri i .
Prova: Usaremos o Teorema 4.79, encontrando as projeções Ei sobre Wi que comutam com T . Para isso,
sabendo que operadores que são polinômios em T sempre comutam com T , encontraremos polinômios hi tais
que hi (T ) é a identidade em Wi e nulo nos outros Wj ; hi (T ) será a projeção Ei .
Para cada i, defina
k
p Y r
fi = ri = pj j .
pi j=1
j̸=i

Como são fatores primos distintos, os polinômios f1 , . . . , fk são relativamente primos. Logo,
pr11 , . . . , prkk
existem polinômios g1 , . . . , gk sobre K tais que
k
X
fi gi = 1.
i=1

Defina
hi = fi gi .
e
Ei = hi (T ) .
Como h1 + . . . + hk = 1, segue que E1 + . . . + Ek = I. Notando que se i ̸= j então o polinômio fi fj é um
múltiplo polinomial do polinômio mı́nimo p (porque este produto contém todos os fatores de p), segue que

Ei Ej = [fi gi (T )] [fj gj (T )]
= fi (T ) fj (T ) gi (T ) gj (T )
= (fi fj ) (T ) gi (T ) gj (T )
= 0gi (T ) gj (T )
=0

se i ̸= j. Segue dos Teoremas 4.77 e 4.79 que os operadores Ei são projeções e

V = im E1 ⊕ . . . ⊕ im Ek .

Para provar (i) e (ii), basta mostrar que im Ei = Wi .

91
4.11. TEOREMA DA DECOMPOSIÇÃO PRIMÁRIA E TEOREMA ESPECTRAL

Para provar isso, observe primeiro que im Ei ⊂ Wi , pois se v = Ei v então

pri i (T ) v = pri i (T ) Ei v
= pri i (T ) fi (T ) gi (T ) v
= p (T ) gi (T ) v
= 0.

Reciprocamente, Wi ⊂ im Ei . De fato, seja v ∈ ker pri i (T ). Se j ̸= i, então fj gj é um múltiplo polinomial de

pri i , logo Ej v = 0. De E1 + . . . + Ek = I segue imediatamente que Ei v = v, logo v ∈ im Ei .
Para terminar a demonstração do teorema, observe que pri i (Ti ) = 0, já que por definição Wi = ker pri i (T ),
logo o polinômio mı́nimo de Ti divide pri i . Reciprocamente, se psi i , si ⩽ ri , é tal que psi i (Ti ) = 0, então
psi i (T ) fi (T ) = 0. Em particular, psi i fi é divisı́vel pelo polinômio mı́nimo de T , isto é, p = pri i fi divide psi i fi ,
donde pri i divide psi i e portanto si = ri . ■

4.94 Corolário. Se E1 , . . . , Ek são as projeções associadas com a decomposição primária de T , então cada
Ei é um polinômio em T .
Consequentemente, se um operador linear S comuta com T , então S comuta com cada Ei , isto é, cada
subespaço Wi é invariante por S. Em particular, T e S possuem a mesma decomposição em soma direta por
subespaços invariantes.

4.95 Corolário (Teorema da Decomposição Espectral). Seja T ∈ Hom (V ) um K-operador linear com
polinômio mı́nimo fatorável como um produto de fatores lineares sobre K
r rk
p = (x − λ1 ) 1 . . . (x − λk )

com λ1 , . . . , λk distintos. Seja

r
Wi = ker (T − λi I) i .
Então
(i) V = W1 ⊕ . . . ⊕ Wk .
(ii) Cada Wi é invariante por T .
r
(iii) O polinômio mı́nimo de Ti = T |Wi é (x − λi ) i .
Além disso, se
d d
p = (x − λ1 ) 1 . . . (x − λk ) k
é o polinômio caracterı́stico de T , então dim Wi = di .
Prova: À exceção da última afirmação, o Teorema da Decomposição Espectral é o Teorema da Decomposição
Primária para operadores cujos polinômios mı́nimos são completamente fatoráveis. Para provar esta última,
r e
note que como o polinômio mı́nimo de Ti é (x − λi ) i , o polinômio caracterı́stico de Ti é (x − λi ) i onde
ei = dim Wi . Usando a matriz em blocos [Ti ]Bi de T , onde Bi é uma base para Wi , é fácil ver que o polinômio
caracterı́stico de T é o produto dos polinômios caracterı́sticos dos operadores Ti . Portanto, necessariamente
ei = di . ■
4.96 Definição. O subespaço
ri
Wi = ker (T − λi I)

é chamado o autoespaço generalizado associado ao autovalor λi e seus elementos são chamados autove-
tores generalizados. ■
4.97 Corolário. Operadores complexos possuem bases de autovetores generalizados.

92
4.12. DECOMPOSIÇÃO DE UM OPERADOR NA SUA PARTE DIAGONAL E NILPOTENTE

4.98 Corolário. Sejam T, S ∈ Hom (V ) operadores lineares cujos polinômios mı́nimos são produtos de
fatores lineares. Se
T S = ST,
então T e S possuem a mesma decomposição em soma direta por subespaços invariantes.
Em particular, se T, S são operadores diagonalizáveis, então T e S são simultaneamente diagonalizáveis
se e somente se T S = ST .
Prova: A primeira parte segue do Corolário 4.94. A recı́proca da segunda segue do fato de que se dois
operadores são simultaneamente diagonalizáveis, isto é, se existe uma mesma base em relação à qual as
matrizes de ambos os operadores são diagonais, então os operadores comutam, pois matrizes diagonais
comutam. ■
Este resultado é verdadeiro para um conjunto com um número arbitrário de operadores: eles são simultane-
amente diagonalizáveis se e somente se todos eles comutam dois a dois.

4.12 Decomposição de um Operador na sua Parte Diagonal e Nil-

potente
Seja T ∈ Hom (V ) um operador cujo polinômio mı́nimo é um produto de fatores lineares
r rk
p = (x − λ1 ) 1 . . . (x − λk )

com λ1 , . . . , λk distintos. Se E1 , . . . , Ek são as projeções associadas à decomposição espectral de T , defina

um operador D ∈ Hom (V ) por
D = λ1 E1 + . . . + λk Ek .
Pelo Teorema 4.80, D é um operador diagonalizável. Considere o operador

N = T − D.

Como T = T E1 + . . . + T Ek , segue que

N = (T − λ1 I) E1 + . . . + (T − λk I) Ek .

Usando os fatos que Ei2 = Ei , Ei Ej = 0 se i ̸= j, e que as projeções comutam com T , segue que
2 2
N 2 = (T − λ1 I) E1 + . . . + (T − λk I) Ek ,
..
.
r r
N r = (T − λ1 I) E1 + . . . + (T − λk I) Ek .

Em particular, se r ⩾ ri , concluı́mos que

N r = 0.
4.99 Definição. Dizemos que N ∈ Hom (V ) é nilpotente se existe algum inteiro r tal que N r = 0. □
4.100 Teorema. Seja T ∈ Hom (V ). Suponha que o polinômio mı́nimo de T é um produto de fatores
lineares. Então existe um único operador diagonalizável D ∈ Hom (V ) e um único operador nilpotente
N ∈ Hom (V ) tais que
T =D+N
e
DN = N D.

Além disso, cada um deles é um polinômio em T .

93
4.13. EXERCÍCIOS

Prova: Em vista da discussão anterior, só falta provar a unicidade da decomposição (que D e N comutam
segue do fato de ambos serem polinômios em T ). Suponha que T = D′ + N ′ , com D′ diagonalizável e N ′
nilpotente, satisfazendo D′ N ′ = N ′ D′ . Mostraremos que D′ = D e N ′ = N .
Como D′ e N ′ comutam entre si e T = D′ + N ′ , segue que D′ e N ′ comutam com T e portanto com
qualquer polinômio em T , em particular com D e N . De D + N = D′ + N ′ , segue que

D − D′ = N ′ − N.

D − D′ é um operador diagonalizável. Como D e D′ comutam, eles são simultaneamente diagonalizáveis.

Como N e N ′ comutam e são nilpotentes, segue que N ′ − N também é nilpotente, pois
r
r
X i r r−i
(N ′ − N ) = (−1) (N ′ ) Ni
i=0
i

de modo que se r é suficientemente grande, todo termo no lado esquerdo da expressão será nulo, porque ou
r−i
(N ′ ) = 0 ou N i = 0 (ou ambos).
Em particular, D −D′ é um operador diagonalizável que também é nilpotente. Como o polinômio mı́nimo
de um operador nilpotente é xr para algum r e o polinômio mı́nimo de um operador diagonalizável é um
produto de fatores lineares, segue que o polinômio mı́nimo de D − D′ é x, ou seja, D − D′ é o operador nulo.
Portanto, 0 = D − D′ = N ′ − N . ■
4.101 Corolário. Se T é um operador linear complexo, então T se decompõe de maneira única como a soma
de um operador diagonalizável e um operador nilpotente que comutam. Além disso, eles são polinômios em
T.

4.13 Exercı́cios
4.102 Exercı́cio. Seja V um espaço vetorial de dimensão n e N : V −→ V um operador nilpotente. Então
N n = 0.
4.103 Exercı́cio. Dê um exemplo de duas matrizes 4 × 4 nilpotentes que possuem o mesmo polinômio
mı́nimo mas que não são semelhantes.

4.104 Exercı́cio. Seja V um espaço vetorial de dimensão finita e suponha que T : V −→ V é um operador
que comuta com todo operador diagonalizável. Mostre que T é um múltiplo escalar do operador identidade.
4.105 Exercı́cio. Sejam V um espaço vetorial de dimensão finita sobre C, T : V −→ V um linear e D sua
parte diagonal. Mostre que se f ∈ C [x], então a parte diagonal de f (T ) é f (D).

4.106 Exercı́cio. Dada A ∈ Mn (K), considere o operador linear T : Mn (K) −→ Mn (K) definido por

T (B) = [A, B] = AB − BA.

Mostre que se A é uma matriz nilpotente, então T é um operador nilpotente.

4.107 Exercı́cio. Ache os autovalores e correspondentes autoespaços das matrizes seguintes sobre R e sobre
C. Encontre os seus polinômios mı́nimos. Determine se a matriz é diagonalizável sobre R e sobre C. Se não

94
4.13. EXERCÍCIOS

for, encontre a sua decomposição primária.

1 2 3
 
1 2 1 1

(a) (b) (c)  0 1 2 
0 −1 1 1
0 0 1

0 1 0 1 1 −1 3
     
−3 −4
(d)  0 0 1  (e)  0 1 0  (f)  0 3 5 
−1 0 0 1 0 1 0 0 −1

2 0 1 0 0 1 0 0
   
6 −3
 
−2  0 2 0 1  0 0 1 0 
(g)  4 −1

−2  (h) 
 12 0 3 0 (i) 
 0 0 0 1 
 
10 −5

−3
0 −1 0 0 1 0 0 0

0 1 0 1 1 1 0 0
   
 1 0 1 0   −1 −1 0 0 
(j) 
 0 (k) 
1 0 1   −2 −2 2 1 
 

1 0 1 0 1 1 −1 0

4.108 Exercı́cio. Sejam

1 2 1 1 3 1
   

A =  0 −1 1  e B= 0 2 0 .
0 0 −1 0 0 3

Calcule os autovalores e correspondentes autoespaços de AB e BA.

4.109 Exercı́cio. Calcule o polinômio mı́nimo das matrizes seguintes sobre R e sobre C.

3 0 0 2 1 0 0
   
−4  
 0 a b c
3 5 0   0 2 0 0 
(a) 
 0 (b)  (c)  0 d e 
0 0   0 0 2 0 
 
−1
0 0 f
0 0 0 −1 0 0 0 3

95
Capı́tulo 5

Forma Canônica de Jordan

5.1 Forma de Jordan

Dado um operador linear, o objetivo de obter uma representação matricial para este operador a mais dia-
gonal possı́vel é alcançado através da forma de Jordan. Nesta seção mostraremos que todos os operadores
lineares cujos polinômios caracterı́sticos se fatoram completamente, o que inclui operadores complexos, são
representados por uma matriz na forma de Jordan.

5.1.1 Definição
O fato de um operador linear cujo polinômio caracterı́stico é completamente fatorável deixar de ser diagona-
lizável não pode ser atribuı́do à falta de autovalores, já que todas as raı́zes do polinômio caracterı́stico estão
presentes. O problema está na falta de autovetores suficientes para produzir uma base para o espaço. Se
existe um número suficiente de autovetores, então o operador é diagonalizável por definição e a sua forma
de Jordan coincide com a sua forma diagonal. Caso contrário, para cada autovetor que faltar a forma de
Jordan terá um escalar 1 acima da diagonal, acima do autovalor correspondente.
5.1 Definição. Seja J uma matriz sobre um corpo K e λ1 , . . . , λk seus autovalores distintos. Dizemos que
J está na forma de Jordan se
J1 0 . . . 0
 
 0 J2 . . . 0 
J = . .. . . .. 
 
 .. . . . 
0 0 . . . Jk
com cada bloco Ji na forma em blocos
0 0
 
Ji,1 ...
 0 Ji,2 ... 0 
Ji =  .. .. .. ..
 
. . . .

 
0 0 ... Ji,ni
e cada bloco Ji,k tem a forma
1 0 0
 
λi ... ...
 0 λi 1 ... ... 0 
..
 
 0 0 . 0 
 
λi ...
Ji,k =
 . .. .. 
.. .. ..

 .. . . . . . 
 0 0 0 λi 1 
 
...
0 0 ... ... 0 λi

96
5.1. FORMA DE JORDAN

com seu tamanho igual ou decrescendo à medida que k aumenta.

O bloco Ji é chamado um bloco de Jordan associado ao autovalor λi e Ji,k é chamado um bloco de
Jordan fundamental.
Se uma matriz A é semelhante a uma matriz J na forma de Jordan, dizemos que J é a forma de Jordan
de A. □
Cada bloco de Jordan fundamental Ji,k é uma matriz triangular com apenas um autovalor da matriz A,
o autovalor λi , e apenas um autovetor associado, correspondente à primeira coluna da matriz. Quando o
bloco tem tamanho di,k , o autovalor λi é repetido di,k vezes na diagonal e existem di,k − 1 1’s acima da
diagonal. O mesmo autovalor λi aparecer nos blocos Ji,1 , . . . , Ji,ni , o número ni de blocos distintos em que
ele aparece correspondendo ao número de autovetores LI associados a λi . Em outras palavras, o número ni
de blocos de Jordan que aparece na matriz Ji corresponde à dimensão do autoespaço associado ao autovalor
λi :
ni = dim ker (T − λi I) .
Esta descrição ainda não permite determinar o tamanho dos diversos blocos de Jordan Ji,k que aparecem
em Ji . Isto será visto mais tarde neste capı́tulo.
Note que cada bloco Ji,k se escreve na forma

Ji,k = Di,k + Ni,k ,

onde  
λi

 λi 

 λi 
Di,k = ..
 
.

 
 
 λi 
λi
é uma matriz diagonal e
0 1 0 ... 0
 
...
 0 1 ... ... 0 
..
 
0 . ... 0 
 
=

Ni,k . 
.. ..

. . .. 


0 1 
 

0
é uma matriz nilpotente diagonal, com tamanhos iguais a di,k . Em particular, como Di,k é um múltiplo
escalar da identidade, elas comutam:
Di,k Ni,k = Ni,k Di,k .
Como o tamanho de Ni,k é di,k , seu grau de nilpotência é exatamente di,k . Os polinômios caracterı́stico e
mı́nimo do bloco Ji,k são os mesmos, iguais a
di,k
m = pc = (x − λi )
pi,k i,k
.

Como os blocos Ji estão em forma dos blocos Ji,k (que comutam), também vale

Ji = Di + Ni ,
Di Ni = Ni Di ,

para matrizes diagonal Di e nilpotente Ni de tamanhos iguais a

di = di,1 + . . . + di,ni

97
5.1. FORMA DE JORDAN

com o grau de nilpotência de Ni sendo o máximo dos graus de nilpotência dos blocos Ji,1 , . . . , Ji,ni , ou seja,

ri = max {di,1 , . . . , di,ni } .

O polinômio caracterı́stico de Ji é
d
pic = (x − λi ) i .
e o seu polinômio mı́nimo é
r
pim = (x − λi ) i .
Ou seja, Ji é uma matriz que representa o operador restrição de T ao autoespaço generalizado
r
Wi = dim ker (T − λi I) i .

Finalmente, para a matriz de Jordan J vale

J = D + N,
DN = N D,

com D diagonal e N nilpotente diagonal de tamanho iguais a

n = d1 + . . . + dk

e o grau de nilpotência de N igual a

r = max {r1 , . . . , rk } .
O polinômio caracterı́stico de J é
k
Y d1 dk
pc = pic = (x − λi ) . . . (x − λi ) .
i=1

e o seu polinômio mı́nimo é

k
Y r rk
pm = pim = (x − λi ) 1 . . . (x − λi ) .
i=1

Em consequência, temos o seguinte resultado:

5.2 Proposição. Sejam
d1 dk
pc = (x − λ1 ) . . . (x − λk ) ,
r1 rk
pm = (x − λ1 ) . . . (x − λk ) ,

com ri ⩽ di para todo i. Então existe uma matriz que possui pc como polinômio caracterı́stico e pm como
polinômio mı́nimo.
Prova: Basta tomar uma matriz em forma de Jordan em que o bloco associado ao autovalor λi tem tamanho
di e possui o seu primeiro bloco de Jordan Ji,1 de tamanho ri , pois os outros blocos Ji,k tem tamanho menor
r
ou igual a ri e consequentemente o polinômio mı́nimo de Ji é exatamente (x − λi ) i . ■

98
5.1. FORMA DE JORDAN

5.1.2 Exemplos
5.3 Exemplo. As matrizes

1 2 2 1 0

−1
A= , B= e C=
0 1 1 0 1 1

têm a mesma forma de Jordan

1 1

J= .
0 1
De fato, todas estas matrizes tem apenas o autovalor 1 e o autoespaço correspondente com dimensão 1.
Logo, como as matrizes são 2 × 2, existe apenas um bloco de Jordan. De fato, vemos que as únicas formas
de Jordan para matrizes 2 × 2 são

λ1 0 λ 1

ou .
0 λ2 0 λ

O primeiro caso corresponde a uma matriz diagonalizável, enquanto que o segundo corresponde a uma matriz
que possui um único autovalor com autoespaço correspondente de dimensão 1. Uma matriz real que não
possui autovalores evidentemente não possuirá uma forma de Jordan. □
5.4 Exemplo. A matriz
0 1 2
 

A= 0 0 1 
0 0 0
tem a forma de Jordan
0 1 0
 

J = 0 0 1 .
0 0 0
De fato, o único autovalor de A é 0 e a dimensão de seu autoespaço é 1. □

5.5 Exemplo. A matriz

0 0 1
 

B= 0 0 0 
0 0 0
tem a forma de Jordan
0 1 0
 

J = 0 0 0 .
0 0 0
De fato, o único autovalor de B é 0 e a dimensão de seu autoespaço é 2. Os Exemplos 5.4 e 5.5 ilustram que
também é fácil determinar as formas de Jordan de matrizes 3×3, bastando para isso encontrar os autovalores
da matriz e as dimensões dos autoespaços associados. De fato, as únicas formas de Jordan possı́veis para
matrizes 3 × 3 são
λ1 0 0 λ1 1 0 λ 1 0
     
 0 λ2 0  ,  0 λ1 0  ou  0 λ 1  .
0 0 λ3 0 0 λ2 0 0 λ
O primeiro caso corresponde a uma matriz diagonalizável (os três autovalores podem ser distintos ou iguais,
ou apenas dois dos autovalores são distintos); o segundo caso corresponde a um único autoespaço (se λ1 = λ2 )
ou dois autoespaços (se λ1 ̸= λ2 ) com dimensão total 2, o terceiro caso corresponde a um único autoespaço
com dimensão 1. □

99
5.1. FORMA DE JORDAN

5.6 Exemplo. Para matrizes 4×4 em diante, a estratégia de contar as dimensões dos autoespaços associados
aos autovalores é em geral insuficiente para determinar a forma de Jordan de uma matriz. Por exemplo, as
matrizes a seguir, já dadas na forma de Jordan,
0 1 0 0 0 1 0 0
   
 0 0 1 0   0 0 0 0 
J1 =  0 0 0 0  e J2 =  0 0 0 1 
  

0 0 0 0 0 0 0 0
têm ambas apenas um único autovalor, 0, cujo autoespaço tem dimensão 2, mas são formas de Jordan
distintas por definição. De fato, J1 e J2 não são semelhantes porque J1 tem polinômio mı́nimo x3 , enquanto
que J2 tem polinômio mı́nimo x2 . □
5.7 Exemplo. Por outro lado, as matrizes 4 × 4 abaixo estão em forma de Jordan distintas
2 1 0 0 2 1 0 0
   
 0 2 0 0  0 2 0 0 
A=  0 0 2 1  e B=

,
0 0 2 0 
 

0 0 0 2 0 0 0 2
4 2
têm o mesmo polinômio caracterı́stico (x − 2) e o mesmo polinômio mı́nimo (x − 2) . Como elas representam
formas de Jordan distintas, elas não são semelhantes. De fato, o autoespaço de A associado ao autovalor 2
tem dimensão 2, enquanto que o autoespaço de B associado ao autovalor 2 tem dimensão 3. □

5.1.3 Existência
Seja T ∈ Hom (V ) e suponha que T possa ser representado na forma de Jordan J em relação a alguma base
B de V . Considere um dos blocos de Jordan de J associados ao autovalor λ:
λ 1 0 ... 0
 
 0 λ 1 ... 0 
 0 0 λ ... 0 
 
Jλ =  . . .
. . . . . ... 
 
 .. .. 
 0 0 ... λ 1 
 

0 0 ... 0 λ
Seja B′ ⊂ B a base do subespaço invariante W associado a este bloco. Se B′ = {v1 , . . . , vr }, então
T v1 = λv1 ,
T vj = vj−1 + λvj para j = 2, . . . , r.
Dizemos que os vetores v1 , . . . , vr formam uma cadeia de Jordan de comprimento r. Observe que isso é
equivalente a
(T − λI) v1 = 0,
(T − λI) vj = vj−1 para j = 2, . . . , r.
Portanto,
r
(T − λI) vr = 0,
r−1
(T − λI) vr−1 = 0,
..
.
2
(T − λI) v2 = 0,
(T − λI) v1 = 0.

100
5.1. FORMA DE JORDAN

r r
Temos (T − λI) v = 0 para todo v ∈ W , o que implica que (x − λ) é o polinômio mı́nimo para T |W . Isso
motiva a seguinte definição:
5.8 Definição. Seja S ∈ Hom (V ). Dizemos que v ∈ V , v ̸= 0, é um vetor S-cı́clico se existir um inteiro
positivo r tal que
S r v = 0.
O menor inteiro positivo com esta propriedade é chamado o perı́odo de v relativo a S. □
Observe que dizer que r é o perı́odo de v relativo ao operador S é equivalente a dizer que o polinômio
S-anulador de v (isto é, o polinômio S-condutor para o subespaço nulo) é xr .
5.9 Lema. Se v é S-cı́clico com perı́odo r, então os vetores
v, Sv, . . . , S r−1 v,
são LI.
Prova: Os vetores v, Sv, . . . , S r−1 v serem LD é equivalente à existência de um polinômio não nulo
f = a0 + a1 x + . . . + ar−1 xr−1
de grau r − 1 tal que
f (S) v = 0,
o que contradiz o fato de x ser o S-anulador de v. ■
r

5.10 Definição. Dizemos que W ⊂ V é um subespaço vetorial S-cı́clico se existir algum vetor v ∈ W
tal que v é S-cı́clico de perı́odo r e W é gerado por
v, Sv, . . . , S r−1 v.
□
Segue do Lema 5.9 que se W é um subespaço cı́clico gerado pelo vetor (T − λI)-cı́clico v de perı́odo r, então
n o
r−1
B = (T − λI) v, . . . , (T − λI) v, v

é uma base para W . Em relação à base B, a matriz de T |W é um bloco de Jordan. De fato, denotando
r−1
v1 = (T − λI) v,
r−2
v2 = (T − λI) v,
..
.
r−j
vj = (T − λI) v,
..
.
vr−1 = (T − λI) v,
vr = v,
temos
r−1
T v1 = T (T − λI) v
r−1
= (T − λI + λI) (T − λI) v
r r−1
= (T − λI) v + λ (T − λI) v
= λv1

101
5.1. FORMA DE JORDAN

e, para cada j = 2, . . . , r,
r−j
T vj = T (T − λI) v
r−j
= (T − λI + λI) (T − λI) v
r−(j−1) r−j
= (T − λI) v + λ (T − λI) v
= vj−1 + λvj .

Provar a existência da forma de Jordan para um operador linear T ∈ Hom (V ) é portanto equivalente a
encontrar uma decomposição em soma direta de V por subespaços cı́clicos. Procedemos a esta tarefa agora:

5.11 Teorema (Forma de Jordan). Seja T ∈ Hom (V ) um operador linear cujo polinômio caracterı́stico
se escreve como um produto de fatores lineares.
Então existe uma base para V em relação à qual T é representado por uma matriz na forma de Jordan.
A forma de Jordan de T é única a menos da ordem de seus autovalores.
Prova: (Existência) Sejam λ1 , . . . , λk os autovalores distintos de T e
r rk
p = (x − λ1 ) 1 . . . (x − λk )
r
o polinômio mı́nimo de T . Pelo Teorema da Decomposição Espectral, se Wi = ker (T − λi I) i então Wi é
r
invariante por T , V = W1 ⊕ . . . ⊕ Wk e (x − λi ) i é o polinômio mı́nimo de Ti = T |Wi . Para demonstrar o
teorema, basta provar que cada subespaço Wi é a soma direta de subespaços (Ti − λi I)-cı́clicos. No que se
segue, denotaremos
Ni = Ti − λi I.
Observe que Ni é um operador nilpotente com polinômio mı́nimo xri .
A prova será por indução na dimensão de Wi . Seja n = dim Wi e assuma que o teorema válido para todo
espaço vetorial de dimensão menor que n (para n = 1 o resultado é trivial, pois toda matriz 1 × 1 já está na
forma de Jordan). O subespaço
im Ni = Ni (Wi )
tem dimensão estritamente menor que a de Wi , pois dim ker Ni ⩾ 1 porque λi é autovalor de Ti e pelo
Teorema do Núcleo e da Imagem que

dim Wi = dim im Ni + dim ker Ni

> dim im Ni .

[Note, porém, que em geral Wi ̸= im Ni ⊕ ker Ni porque a imagem de vetores correspondentes à segunda
coluna de um bloco de Jordan fundamental de Ji é um autovetor associado a λi .] Podemos então usar a
hipótese de indução e escrever
Ni (Wi ) = U1 ⊕ . . . ⊕ Um , (5.1)
onde cada subespaço Uj é Ni -cı́clico, gerado por algum vetor Ni -cı́clico uj ∈ Uj de perı́odo sj ⩽ ri .
Seja vj ∈ Wi tal que
Ni vj = uj .
s s +1
Então cada vetor vj também é um vetor Ni -cı́clico, pois se Ni j uj = 0 então Ni j vj = 0. Seja Vj o
subespaço Ni -cı́clico D E
s −1 s
Vj = vj , Ni vj , . . . , Ni j vj , Ni j vj . (5.2)

Afirmamos que os subespaços cı́clicos V1 , . . . , Vm são LI. De fato, suponha que w1 ∈ V1 , . . . , wm ∈ Vm são
tais que
w1 + . . . + wm = 0.

102
5.1. FORMA DE JORDAN

Para verificar que cada wj = 0, observe que por definição de Vj ,

wj = fj (Ni ) vj

para algum polinômio fj de grau ⩽ sj . Logo, podemos escrever

f1 (Ni ) v1 + . . . + fm (Ni ) vm = 0. (5.3)

Aplicando Ni e observando que

Ni fj (Ni ) = fj (Ni ) Ni ,
obtemos
f1 (Ni ) u1 + . . . + fm (Ni ) um = 0.
Como os espaços U1 , . . . , Um são LI, isso implica que

f1 (Ni ) u1 = . . . = fm (Ni ) um = 0.

Segue que o polinômio mı́nimo xsj divide fj ; em particular, x é um fator de fj , ou seja, fj = xgj para algum
polinômio gj , o que implica
fj (Ni ) = Ni gj (Ni ) = gj (Ni ) Ni .
Substituindo esta expressão em (5.3), obtemos

g1 (Ni ) u1 + . . . + gm (Ni ) um = 0

e, novamente,
g1 (Ni ) u1 = . . . = gm (Ni ) um = 0.
s +1
Segue que xsj também divide gj , o que por sua vez implica que xsj +1 divide fj e, como Ni j vj = 0,
concluı́mos que
f1 (Ni ) v1 = . . . = fm (Ni ) vm = 0.
Afirmamos que
Wi = V1 ⊕ . . . ⊕ Vm + ker Ni . (5.4)
De fato, note em primeiro lugar que

Ni (Wi ) = Ni (V1 ⊕ . . . ⊕ Vm )

pois, como visto acima, para alguns polinômios fi todo vetor de Ni (Wi ) é da forma

f1 (Ni ) u1 + . . . + fm (Ni ) um = Ni [f1 (Ni ) v1 + . . . + fm (Ni ) vm ] .

Daı́, dado v ∈ Wi , temos

Ni v = Ni v ′
para algum vetor v ′ ∈ V1 ⊕ . . . ⊕ Vm e portanto

Ni (v − v ′ ) = 0,

donde v − v ′ ∈ ker Ni . Escrevendo v = v ′ + (v − v ′ ) prova (5.4).

Esta soma, no entanto, não é em geral direta. Porém, tomando uma base de Jordan B′ para V1 ⊕ . . . ⊕
Vm , podemos estender B′ a uma base para Wi adicionando vetores v1 , . . . , vs ∈ ker Ni . Cada vj satisfaz
(Ti − λi I) vj = 0, logo é um autovetor de T e o espaço de dimensão 1 gerado por vj é obviamente um espaço
cı́clico. Obtemos então a decomposição em soma direta de subespaços cı́clicos de Wi desejada:

Wi = V1 ⊕ . . . ⊕ Vm ⊕ ⟨v1 ⟩ ⊕ . . . ⊕ ⟨vs ⟩

103
5.2. CÁLCULO E UNICIDADE DA FORMA DE JORDAN

A unicidade da forma de Jordan será provada na seção a seguir (veja o Teorema 5.16 e a discussão que
lhe precede). ■
Observe que como a demonstração do Teorema 5.11 foi por uma indução não construtiva, ele ainda não
nos diz como obter a forma de Jordan no caso geral (e muito menos a base de vetores de V em relação à
qual o operador T é representado por uma matriz na forma de Jordan; em outras palavras, ele não nos diz
como obter as cadeias de Jordan), apenas garante que todo operador linear cujo polinômio caracterı́stico é
completamente fatorável possui uma forma de Jordan.
5.12 Corolário. Seja A uma matriz complexa. Então A é semelhante a uma matriz na forma de Jordan,
única a menos da ordem de seus autovalores.
5.13 Corolário. Matrizes que possuem formas de Jordan são semelhantes se e somente se elas possuem a
mesma forma de Jordan.

5.2 Cálculo e Unicidade da Forma de Jordan

Seja T um operador com polinômio caracterı́stico
d1 dk
pc = (x − λ1 ) . . . (x − λk )
e polinômio mı́nimo
r rk
pm = (x − λ1 ) 1 . . . (x − λk ) ,
onde λ1 , . . . , λk são os autovalores distintos de T . Usando o Teorema da Decomposição Primária, sabemos
que existe uma base B = {B1 , . . . , Bk } para T em relação à qual a matriz de T assume a forma diagonal em
blocos de Jordan
J1 0 . . . 0
 
 0 J2 . . . 0 
J = . .. . . . .
 
 .. . . .. 
0 0 ... Jk
Cada bloco de Jordan Ji é a representação matricial de T |Wi com relação à base Bi de Wi , onde Wi =
r
ker (T − λi I) i é o autoespaço generalizado associado ao autovalor λi e dim Wi = di ; portanto, cada bloco
Ji tem tamanho di × di . Queremos escrever cada bloco de Jordan Ji na forma diagonal em blocos de Jordan
fundamentais Ji,k
0 0
 
Ji,1 ...
 0 Ji,2 . . . 0 
Ji =  . . . .. 
 
 .. .. .. . 
0 0 ... Ji,ni
em que cada bloco de Jordan fundamental Ji,k tem a forma
1 0 0
 
λi ... ...
 0 λi 1 ... ... 0 
..
 
 0 0 . ... 0 
 
λi
Ji,k = 
 . ..
.
.. 
 .. .. .. .
. . . .. . 
 0 0 0 1 
 
... λi
0 0 ... ... 0 λi

5.14 Definição. Para cada i = 1, . . . , k e para cada j = 1, . . . , ri definimos o ı́ndice de deficiência δji do
autovalor λi por
j
δji = dim ker (T − λi I) = nul Jij .

104
5.2. CÁLCULO E UNICIDADE DA FORMA DE JORDAN

Observe que
δ1i = dim ker (T − λI)
é exatamente a dimensão do autoespaço associado ao autovalor λi , isto é, o número máximo de autovetores
LI associados a λi , e cada autovetor LI dá origem a um bloco de Jordan fundamental Ji,k , enquanto que
ri
δri i = dim ker (T − λi I) = di

é a dimensão do autoespaço generalizado Wi associado a λi . O ı́ndice de deficiência δj é o número de colunas

nulas no produto Jij do bloco de Jordan multiplicado j vezes, daı́ o nome; esta matriz tem tamanho di × di ,
e o número de deficiência varia desde o número mı́nimo δ1 até o número máximo δr = di , caso em que a
matriz de Jij é a matriz nula.
Na discussão que se segue omitiremos o ı́ndice i para maior clareza. Defina para cada j = 1, . . . , r

µj = número de blocos de Jordan fundamentais de tamanho j × j em Ji ,

Sabemos que não existem blocos de Jordan fundamentais de tamanho maior que r porque o polinômio
r
mı́nimo de Ji é (x − λ) .
5.15 Exemplo. Suponha que o bloco de Jordan Ji de T associado ao autovalor λi = 3 seja a seguinte matriz
12 × 12
3 1 0 0
 
 0 3 1 0 
 0 0 3 1
 

 0 0 0 3
 

3 1
 
 
0 3
 
Ji = 
 
.
 3 1 
0 3
 
 
3
 
 
3
 
 
3
 
 
3
12
Em particular, o fator (x − 3) aparece no polinômio caracterı́stico de T . Temos

µ1 = 4,
µ2 = 2,
µ3 = 0,
µ4 = 1.

Como o tamanho máximo de um bloco de Jordan fundamental de Ji é 4, segue que o polinômio mı́nimo de
4
Ji é (x − 3) , isto é, r = 4. Contando os autovalores independentes de Ji , isto é, a base para Ti − 3I, vemos
que
δ1 = 7.
Temos 3 vetores nas segundas colunas de blocos de Jordan fundamentais (os três primeiros blocos; os demais
blocos tem tamanho 1, logo não possuem segundas colunas), que juntos com os autovetores formam uma
2
base para (Ti − 3I) , logo
δ2 = 10.

105
5.2. CÁLCULO E UNICIDADE DA FORMA DE JORDAN

Temos 1 vetor na terceira coluna de um bloco de Jordan fundamental (o primeiro bloco; os demais blocos
tem tamanho < 3, logo não possuem terceiras colunas), que junto com os vetores encontrados anteriormente
3
formam uma base para (Ti − 3I) , logo
δ3 = 11.
Por fim, temos 1 vetor na quarta coluna de um bloco de Jordan fundamental (o primeiro bloco; os de-
mais blocos tem tamanho < 4, logo não possuem quartas colunas), que junto com os vetores encontrados
4
anteriormente formam uma base para (Ti − 3I) = 0, logo

δ4 = 12.

□
Temos
δ1 = µ1 + µ2 + . . . + µr , (5.5)
pois δ1 é o número total de blocos de Jordan presentes em Ji e cada autovetor LI é a primeira coluna de um
bloco de Jordan. Em seguida, considere
2
δ2 = dim ker (T − λI) .
2
Cada bloco de Jordan 1×1 contribui um vetor para a base ker (T − λI) , cada bloco de Jordan 2×2 contribui
2
dois vetores para ker (T − λI) , enquanto que blocos j × j com j ⩾ 3 contribuem também dois vetores; de
fato,
2
(T − λI) v1 = 0 (T − λI) v1 = 0
2
(T − λI) v2 = v1 , (T − λI) v2 = 0,
(T − λI) v3 = v2 , 2
(T − λI) v3 = v1 ,
(T − λI) v4 = v3 , =⇒ (T − λI) v4 = v2 , .
2
.. ..
. .
(T − λI) vj = vj−1 2
(T − λI) vj = vj−2 .
Portanto,
δ2 = µ1 + 2µ2 + . . . + 2µr . (5.6)
Considere agora
3
δ3 = dim ker (T − λI) .
3
Cada bloco de Jordan 1×1 contribui um vetor para a base ker (T − λI) , cada bloco de Jordan 2×2 contribui
3 3
dois vetores para ker (T − λI) , cada bloco de Jordan 3×3 contribui três vetores para ker (T − λI) , enquanto
que blocos j × j com j ⩾ 4 contribuem também três vetores; de fato,
2 3
(T − λI) v1 =0 (T − λI) v1 =0 (T − λI) v1 =0
2 3
(T − λI) v2 = v1 , (T − λI) v2 = 0, (T − λI) v2 = 0,
(T − λI) v3 = v2 , (T
2
− λI) v3 = v1 , (T
3
− λI) v3 = 0,
(T − λI) v4 = v3 , ⇒ (T 2
− λI) v4 = v2 , ⇒ (T 3
− λI) v4 = v1 , .
.. .. ..
. . .
(T − λI) vj = vj−1 2
(T − λI) vj = vj−2 .
3
(T − λI) vj = vj−3 .

Assim,
δ3 = µ1 + 2µ2 + 3µ3 + . . . + 3µr . (5.7)
Em geral,
j−1
X r
X
δj = µ1 + 2µ2 + 3µ3 + . . . + jµj . . . + jµr = lµl + j µl . (5.8)
l=1 l=j

106
5.2. CÁLCULO E UNICIDADE DA FORMA DE JORDAN

Desta forma, obtemos um sistema com r equações a r incógnitas:

µ1 + µ2 + . . . + µr =

 δ1
1 + 2µ2 + . . . + 2µr =

µ δ2



 µ1 + 2µ2 + 3µ3 + . . . + 3µr =

δ3

.. .. .

 . .
µ + 2µ2 + 3µ3 + . . . + (r − 1) µr−1 + (r − 1) µr =

δr−1

 1


µ1 + 2µ2 + 3µ3 + . . . + (r − 1) µr−1 + rµr =

δr

Os valores dos ı́ndices de deficiência δ1 , δ2 , . . . , δr devem ser calculados diretamente a partir do operador T ,
j
ou seja, determinando a dimensão do espaço solução do sistema homogêneo (T − λi I) X = 0. A matriz do
sistema acima
1 1 1 ... 1
 
 1 2 2 ... 2 
 1 2 3 ... 3 
 
 .. .. .. . . . 
 
 . . . . .. 
1 2 3 ... r
possui inversa com uma forma bastante simples

2 0 ... ... ... 0

 
−1
 −1 2 −1 0 ... ... 0 
 0 2 −1 0 ... 0
 
−1 
.. .. . . .. .. .. ..
 
. . . . . . . ,
 

 0 0 −1 2 −1 0
 
... 
 0 0 −1 2 −1
 
... ... 
0 ... ... ... 0 −1 1

ou seja, uma matriz tridiagonal com −1’s nas diagonais secundárias e 2’s na diagonal principal, exceto pelo
último elemento da diagonal principal que é igual a 1. Por exemplo, para r = 5, a matriz do sistema e sua
inversa são
1 1 1 1 1 2 −1 0 0 0
   
 1 2 2 2 2   −1 2 −1 0 0 
 1 2 3 3 3  e  0 −1 2 0
   
−1 .
 1 2 3 4 4   0 0 −1 2 −1 
   

1 2 3 4 5 0 0 0 −1 1
A verificação deste fato pode ser feita diretamente, multiplicando as duas matrizes e obtendo a matriz
identidade (e também pode-se provar que ambas as matrizes possuem determinante igual a 1; verifique,
calculando o determinante por escalonamento). Em particular, existe uma única solução µ1 , µ2 , . . . , µr para
o sistema, o que prova a unicidade da forma de Jordan. Resumimos a discussão acima no seguinte
teorema:
5.16 Teorema. Seja T ∈ Hom (V ) um operador linear cujo polinômio caracterı́stico é
d1 dk
pc = (x − λ1 ) . . . (x − λk )

e cujo polinômio mı́nimo é

r rk
pm = (x − λ1 ) 1 . . . (x − λk ) .
Então a forma de Jordan de T é completamente determinada pelos ı́ndices de deficiência dos autovalores de
T
j
δji = dim ker (T − λi I) , j = 1, . . . , ri , i = 1, . . . , k.

107
5.2. CÁLCULO E UNICIDADE DA FORMA DE JORDAN

Mais precisamente, se µij é o número de blocos de Jordan de tamanho j × j associados ao autovalor λi , para
j = 1, . . . , ri , temos

2 −1
 i    i 
µ1 δ1
 µi2   −1 2 −1   δ2i 
2
 i    i 
 µ3

 
  −1 −1   δ3



 .. . . . .
= .. .. ..   .. .
    
 .
2 −1
    
 µi −1 i
  δri −2 
    
 ri −2  
 µir −1  
i
−1 2 −1   i
δri −1 
i
µri −1 1 δri i

5.17 Exemplo. Encontre a forma de Jordan para a matriz

0 −1 −2 −1
 
 1 2 1 1 
A=  0
.
0 1 0 
0 0 1 1
4
O polinômio caracterı́stico de A é (x − 1) . Temos
 
−1 −1 −2 −1
 1 1 1 1 
A−I =  0
,
0 0 0 
0 0 1 0

de modo que o autoespaço associado ao autovalor 1 tem base {(1, −1, 0, 0) , (1, 0, 0, −1)} e portanto δ1 = 2.
Em seguida,
0 0 0 0
 

2 0 0 0 0 
(A − I) = 

,
 0 0 0 0 
0 0 0 0
2
de modo que δ2 = 4 e o polinômio mı́nimo de A é (x − 1) . Segue que não há blocos de Jordan de tamanho
maior que 2 e
2 −1 2 −1 2 0

µ1 δ1
= = = .
µ2 −1 1 δ2 −1 1 4 2
Concluı́mos que a forma de Jordan da matriz A é

1 1 0 0
 
 0 1 0 0 
.
 0 0 1 1 


0 0 0 1

□
5.18 Exemplo. Encontre a forma de Jordan para a matriz

0 −2 −1 −1
 
 1 2 1 1 
B=  0
.
1 1 0 
0 0 0 1

108
5.2. CÁLCULO E UNICIDADE DA FORMA DE JORDAN

4
O polinômio caracterı́stico de B é (x − 1) . Temos
 
−1 −2 −1 −1
 1 1 1 1 
B−I =  0
,
1 0 0 
0 0 0 0

de modo que o autoespaço associado ao autovalor 1 tem base {(1, −1, 0, 0) , (1, 0, 0, −1)} e portanto δ1 = 2.
Em seguida,  
−1 −1 −1 −1
2  0 0 0 0 
(B − I) =  1
,
1 1 1 
0 0 0 0
de modo que δ2 = 3. Finalmente,
0 0 0 0
 

3  0 0 0 0 
(B − I) = 
 0 0 0 0 


0 0 0 0
3
donde δ3 = 4 e o polinômio mı́nimo de B é (x − 1) . Segue que não há blocos de Jordan de tamanho maior
que 3 e
2 −1 0 2 −1 0 2 1
        
µ1 δ1
 µ2  =  −1 2 −1   δ2  = −1 2 −1  3  =  0  .
µ3 0 −1 1 δ3 0 −1 1 4 1
Concluı́mos que a forma de Jordan da matriz B é

1 1 0 0
 
 0 1 1 0 
.
 0 0 1 0 


0 0 0 1

□
5.19 Exemplo. Encontre a forma de Jordan para a matriz

3 −1 1 1 0 0
 
 1 1 −1 −1 0 0 
 0 0 2 0 1 1 
 
C=  0
.
0 0 2 −1 −1 
 0 0 0 0 1 1 
 

0 0 0 0 1 1
5
O polinômio caracterı́stico de C é x (x − 2) . É claro que temos um único bloco de Jordan de tamanho 1
para o autovalor 0. Para o autovalor 2 temos

1 −1 1 1 0 0
 
 1 −1 −1 −1 0 0 
 0 0 0 0 1 1
 
C − 2I = 

,
0 0 0 0

−1 −1 
 0 0 0 0 −1 1 
 

0 0 0 0 1 −1

109
5.3. BASE DE JORDAN

de modo que o autoespaço associado ao autovalor 2 tem base {(1, 1, 0, 0, 0, 0) , (0, 0, 1, −1, 0, 0)} e portanto
δ1 = 2. Em seguida,

0 0 2 2 0 0
 
 0 0 2 2 0 0 
0 0 0 0 0 0 
 
2
(C − 2I) =   , de modo que δ2 = 4;

 0 0 0 0 0 0 

 0 0 0 0 2 −2 


0 0 0 0 −2 2

0 0 0 0 0 0
 
 0 0 0 0 0 0 
0 0 0 0 0 0
 
3
(C − 2I) =  , de modo que δ3 = 5.
 
 0 0 0 0 0 0 
0 0 0 0 4
 
 −4 
0 0 0 0 4 −4
Como a dimensão do autoespaço generalizado associado ao autovalor 2 é 5, concluı́mos que o polinômio
3
mı́nimo do operador representado pela matriz C restrito a este subespaço é (x − 2) . Segue que não há
blocos de Jordan de tamanho maior que 3 associados ao autovalor 2 e

2 −1 0
    
µ1 δ1
 µ2  =  −1 2 −1   δ2 
µ3 0 −1 1 δ3
2 −1 0 2
  

=  −1 2 −1   4 
0 −1 1 5
0
 

=  1 .
1

Concluı́mos que a forma de Jordan da matriz C é

0 0 0 0 0 0
 
 0 2 1 0 0 0 
 0 0 2 1 0 0
 

.
 0 0 0 2 0 0


 0 0 0 0 2 1
 

0 0 0 0 0 2

5.3 Base de Jordan

Nas aplicações, muitas vezes é necessário também obter uma base de Jordan, isto é, uma base em relação
à qual a matriz do operador está na forma de Jordan. Isso deve ser feito separadamente para cada autovalor.
O trabalho é facilitado se a forma de Jordan do operador é obtida antecipadamente, através do algoritmo
obtido na seção anterior, de modo que sabemos exatamente quais e quantos são os blocos de Jordan de
determinado tamanho da forma de Jordan do operador. A partir daı́, um procedimento para obter uma
base de Jordan para cada bloco de Jordan é encontrar o vetor cı́clico que gera o bloco, começando pelo(s)
bloco(s) de maior tamanho. Vejamos alguns exemplos:

110
5.3. BASE DE JORDAN

5.20 Exemplo. Encontre a forma de Jordan e sua respectiva base de Jordan para a matriz

2 1 0
 

A= 0 2 0 .
0 −1 2
3
O polinômio caracterı́stico de A é (x − 2) . Temos

0 1 0
 

A − 2I =  0 0 0 ,
0 −1 0
0 0 0
 
2
(A − 2I) =  0 0 0  .
0 0 0

Logo δ1 = 2, δ2 = 3 e
2 2 1

µ1 −1
= = ,
µ2 −1 1 3 1
de modo que a forma de Jordan da matriz A é

2 1 0
 

J= 0
 2 0 
0 0 2

Uma base para ker (A − 2I) é dada pelos vetores

1 0
   

u1 =  0  e u2 =  0  .
0 1
2
Buscamos um vetor v2 ∈ ker (A − 2I) = R3 tal que v2 ∈ / ker (A − 2I), mas (A − 2I) v2 ∈ ker (A − 2I), isto
é, tal que v2 não seja um autovetor mas (A − 2I) v2 é um autovetor. Então {v1 = (A − 2I) v2 , v2 } será uma
base para o bloco de Jordan
2 1

.
0 2
Resolvendo a equação
(A − 2I) v = a1 u1 + a2 u2
para v = (x1 , x2 , x3 ), obtemos    
x2 a1
 0 = 0 
−x2 a2
donde x2 = a1 e x2 = −a2 , isto é, a1 = −a2 . Ou seja,
 
a
v= b 
−a

é o formato de um vetor v cuja imagem por A − 2I é um autovetor. Escolhendo a = 0 e b = 1, segue que

0 1
   

v2 =  1  e v1 = (A − 2I) v2 =  0  .
0 −1

111
5.3. BASE DE JORDAN

Para completar, escolhemos algum autovetor que seja linearmente independente de v1 , por exemplo u1 .
Portanto, uma base de Jordan para A é dada por
1 0 1 
     

B =  0 , 1 , 0  .
−1 0 0
 

Em particular,
1 0 1
 

P = 0 1 0 
−1 0 0
é a matriz de mudança de coordenadas, de modo que J = P −1 AP , isto é,
2 1 0 0 0 −1 2 1 0 1 0 1
     
 0 2 0 = 0 1 0  0 2 0  0 1 0 .
0 0 2 1 0 1 0 −1 2 −1 0 0
□
5.21 Exemplo. Vimos no Exemplo 5.17 que a forma de Jordan para a matriz
0 −1 −2 −1
 
 1 2 1 1
A=

0 0 1 0
 

0 0 1 1
é
1 1 0 0
 
 0 1 0 0 
J =
 0
.
0 1 1 
0 0 0 1
Uma base para o núcleo de  
−1 −1 −2 −1
 1 1 1 1 
A−I =
 0
,
0 0 0 
0 0 1 0
é dada pelos vetores
1 1
   
 −1   0
u1 = 
 0  e u2 =  0

  .

0 −1
Além disso, vimos também que
2
(A − I) = 0.
2
Buscamos vetores linearmente independentes v2 , v4 ∈ ker (A − I) = R4 tal que v2 , v4 ∈ / ker (A − I), mas
(A − I) v2 , (A − I) v4 ∈ ker (A − I), isto é, tal que v2 , v4 não sejam autovetores mas (A − I) v2 , (A − I) v4
são autovetores. Então {v1 = (A − I) v2 , v2 } e {v3 = (A − I) v4 , v4 } serão bases para os dois blocos de Jordan

1 1

0 1
que aparecem na forma de Jordan de A. Resolvendo a equação

(A − I) v = a1 u1 + a2 u2

112
5.3. BASE DE JORDAN

para v = (x1 , x2 , x3 , x4 ), temos

−x1 − x2 − 2x3 − x4 1 1
        
−1 −1 −2 −1 x1
 x1 + x2 + x3 + x4   1 1 1 1   x2  −1   0
=  = a1 
 0  + a2  0
 
 0   0 0 0 0   x3
    
 
x3 0 0 1 0 x4 0 −1
a1 + a2
 
 −a1 
= .
 0 
−a2
Escolhendo a1 = 1 e a2 = 0, obtemos
−x1 − x2 − 2x3 − x4 1
   
 x1 + x2 + x3 + x4   −1 
=
 0   0 
 

x3 0
e daı́, escolhendo x1 = −1 e x4 = 0 obtemos x2 = x3 = 0. Segue que
1
   
−1
 0   −1 
v2 =  0  e v1 = (A − I) v2 =  0  .
  

0 0
Escolhendo agora a1 = 0 e a2 = 1, obtemos
−x1 − x2 − 2x3 − x4 1
   
 x1 + x2 + x3 + x4   0 
=
0   0 
 

x3 −1
e daı́, escolhendo x1 = 1 e x4 = 0 obtemos x2 = 0 e x3 = −1. Segue que
1 1
   
 0   0
 −1  e v3 = (A − I) v4 =  0
v4 = 

  .

0 −1
Portanto, uma base de Jordan para A é dada por
1 1 1
       
 −1 
  0   0   0
 
−1
 
B=   0 , 0
  ,
  0  ,  −1
   .


0 0 0
 
−1
 

Em particular,
1 1 1
 
−1
 −1 0 0 0 
P =
 0 0 0 −1 


0 0 −1 0
é a matriz de mudança de coordenadas, de modo que J = P −1 AP , isto é,
1 1 0 0 0 −1 0 0 0 −1 −2 −1 1 1 1
     
−1
 0 1 0 0   −1 −1 −1 −1  1 2 1 1   −1 0 0 0 
= .
 0 0 1 1   0 0 0 −1  0 0 1 0  0 0 0 −1 
  

0 0 0 1 0 0 −1 0 0 0 1 1 0 0 −1 0
□

113
5.3. BASE DE JORDAN

5.22 Exemplo. Vimos no Exemplo 5.18 que a forma de Jordan para a matriz

0 −2 −1 −1
 
 1 2 1 1
B=

 0 1 1 0


0 0 0 1

é
1 1 0 0
 
 0 1 1 0 
J =
 0
.
0 1 0 
0 0 0 1
Uma base para o núcleo de  
−1 −2 −1 −1
 1 1 1 1 
B−I =
 0
,
1 0 0 
0 0 0 0
é dada pelos vetores
1 1
  
 0   0 
u1 =  
 −1  e u2 = 
 0 .


0 −1
Uma base para o núcleo de  
−1 −1 −1 −1
2 0 0 0 0 
(B − I) = 

,
 1 1 1 1 
0 0 0 0
é dada pelos vetores
1

 −1 
u1 , u2 e u3 = 
 0 .


0
Além disso, vimos também que
3
(B − I) = 0.
3
Buscamos um vetor linearmente independente v3 ∈ ker (B − I) = R4 tal que v3 ∈
/ ker (B − I) e v3 ∈
/
2 2 2
ker (B − I) mas (B − I) v3 ∈ ker (B − I) e (B − I) v3 ∈ ker (B − I). Então
n o
2
v1 = (B − I) v3 , v2 = (B − I) v3 , v3

será uma base para o bloco de Jordan

1 1 0
 
 0 1 1 
0 0 1
que aparece na forma de Jordan de B. Resolvendo as equações

(B − I) v = a1 u1 + a2 u2 + a3 u3 ,
2
(B − I) v = a4 u1 + a5 u2 ,

114
5.3. BASE DE JORDAN

para v = (x1 , x2 , x3 , x4 ), temos

−x1 − 2x2 − x3 − x4 1 1 1
          
−1 −2 −1 −1 x1
 x1 + x2 + x3 + x4   1 1 1 1  0
 + a2  0  + a3  −1 
  x2 
=
  x3  = a1  −1
    
  0 1 0 0  0   0 
   
 x2 
0 0 0 0 0 x4 0 −1 0
a1 + a2 + a3
 
−a3
=
 
,
 −a1 
−a2

1 1
        
−x1 − x2 − x3 − x4 −1 −1 −1 −1 x1
 0   0
= 0 0 0   x2

 = a4  0  + a5  0
    
 x1 + x2 + x3 + x4   1 1 1 1   x3  0
 
  −1  
0 0 0 0 0 x4 0 −1
a4 + a5
 
0
=
 
 .
−a4 
−a5

Obtemos as relações a2 = a5 = 0, a4 = −a3 e

x2 = −a1 ,
−x1 − 2x2 − x3 − x4 = a1 + a3 ,
x1 + x2 + x3 + x4 = −a3 ,

o que se simplifica para

x2 = −a1 ,
x1 + x3 + x4 = a1 − a3 .

Escolhendo a1 = 1 e a3 = 1, podemos tomar x1 = 0, x3 = 0 e segue que x2 = −1, x4 = 0.

0 2 1
     

 0
 −1   −1  2
v3 = 
 0  , v2 = (A − I) v3 =  −1  e v1 = (A − I) v3 =  −1
 
   .

0 0 0

Finalmente, escolhemos um autovetor v4 linearmente independente de v1 :

1
 
 0 
v4 = 
 0 .


−1

Portanto, uma base de Jordan para B é dada por

1 2 0 1
       
 
0    −1   0
 
  −1 
B=    ,  , ,
  0   0
 .
 −1   −1 
0 0 0
 
−1
 

115
5.4. COMPLEXIFICAÇÃO DE UM ESPAÇO VETORIAL

Em particular,
1 2 0 1
 
 0 −1 −1 0 
P =
0 0 

 −1 −1
0 0 0 −1
é a matriz de mudança de coordenadas, de modo que J = P −1 BP , isto é,

1 1 0 0 0 −2 −1 0 −2 −1 −1 1 2 0 1
     
−1
 0 1 1 0   1 0 1 1  1 2 1 1  0 −1 −1 0 
= .
 0 0 1 0   −1 −1 −1 −1  0 1 1 0   −1 0 0 
  
−1
0 0 0 1 0 0 0 −1 0 0 0 1 0 0 0 −1

□
Um algoritmo pra encontrar uma base de Jordan pode ser descrito em linhas gerais da seguinte forma:

1. Primeiro encontramos uma base v11 , . . . , vδ11 para ker (T − λI), isto é, vetores linearmente indepen-

dentes que geram o autoespaço associado ao autovalor λ.

2. Em seguida, se δ2 > δ1 , encontramos uma base V11 , . . . , Vδ11 para ker (T − λI) tal que

(T − λI) vj2 = Vj1

tem δ2 − δ1 soluções linearmente independentes v12 , . . . , vδ22 −δ1 . Então

V11 , . . . , Vδ11 ∪ v12 , . . . , vδ22 −δ1

2
é uma base para ker (T − λI) .
2
3. Se δ3 > δ2 , encontramos uma base V12 , . . . , Vδ22 para ker (T − λI) tal que

(T − λI) vj3 = Vj2

tem δ3 − δ2 soluções linearmente independentes v13 , . . . , vδ33 −δ2 .

−δ1
δ2P −δ1
δ2P
Se, para j = 1, . . . , δ2 − δ1 , temos Vj2 = aji vi2 , tome Vej1 = aji Vi1 . Para j = δ2 − δ1 + 1, . . . , δ1
j=1 j=1
tome Vej1 = Vj1 . Então
n o
Ve11 , . . . , Veδ1 ∪ V12 , . . . , Vδ2 −δ ∪ v13 , . . . , vδ33 −δ2

1 2 1

3
é uma base para ker (T − λI) .
4. Continue este processo até obter uma base para W .

5.4 Complexificação de um Espaço Vetorial

5.23 Definição. Seja V um espaço vetorial real. A complexificação de V é o espaço vetorial complexo

VC = {u + iv : u, v ∈ V }

116
5.4. COMPLEXIFICAÇÃO DE UM ESPAÇO VETORIAL

com a soma de vetores e produto de um vetor por um escalar complexo definidos de maneira natural, isto é,

(u1 + iv1 ) + (u2 + iv2 ) = (u1 + u2 ) + i (v1 + v2 )

e
(x + iy) (u + iv) = (xu − yv) + i (yu + xv) .

Vetores w = u + iv em VC tais que u, v ∈ V e v = 0 são chamados vetores reais; se u = 0, eles são chamados
vetores imaginários puros. Definimos o vetor conjugado de w por

w = (u + iv) = u − iv.

□
5.24 Exemplo. Temos
RC = C
e
R2C = C2 .
□
5.25 Proposição. Seja V um espaço vetorial real. Então toda base de V é uma base de VC .
Em particular,
dim V = dim VC .

Prova: Se {e1 , . . . , en } é uma base para V , todos os vetores u, v de V se escrevem como combinação linear
de e1 , . . . , en , digamos

u = u1 e1 + . . . + un en ,
v = v 1 e1 + . . . + v n en ,

logo o mesmo vale para todos os vetores u + iv de VC , pois

u + iv = u1 + iv 1 e1 + . . . + (un + iv n ) en .

Além disso, e1 , . . . , en são também linearmente independentes em VC , pois se existem escalares complexos
x1 + iy 1 , . . . , xn + iy n tais que

x1 + iy 1 e1 + . . . + (xn + iy n ) en = 0,

então
x1 e1 + . . . + xn en + i (y1 e1 + . . . + y n en ) = 0,

donde

x1 e1 + . . . + xn en = 0,
y 1 e1 + . . . + y n en = 0,

e portanto

x1 = . . . = xn = 0,
y 1 = . . . = y n = 0.

117
5.4. COMPLEXIFICAÇÃO DE UM ESPAÇO VETORIAL

5.26 Definição. Dado um subespaço vetorial de W de VC , definimos o subespaço conjugado como sendo
o subespaço vetorial
W = {w : w ∈ W } .

Dizemos que W é invariante por conjugação se

W = W.

Em outras palavras, W é invariante por conjugação se w = u + iv ∈ W implica w = u − iv ∈ W também.

Note que W é um subespaço vetorial de VC apesar do operador conjugação T : VC −→ VC definido por

T (w) = w

não ser um operador linear. De fato, se z ∈ C e α ∈ VC vale

T (zw) = zw = zw = zT (w) .

5.27 Proposição. Um subespaço W de VC é invariante por conjugação se e somente se W possui uma base
formada por vetores reais.

Prova: Suponha que W possui uma base {e1 , . . . , en } de vetores reais. Se

v = v 1 e1 + . . . + v n en ∈ W,

então

v = v 1 e1 + . . . + v n en
= v 1 e1 + . . . + v n en
= v 1 e1 + . . . + v n en
= v 1 e1 + . . . + v n en
∈ W.

Reciprocamente, suponha que W é invariante por conjugação. Seja {w1 , . . . , wk } uma base para W , com

wj = uj + ivj

e uj , vj ∈ V para todo j. Como wj ∈ W segue que

wj + wj
uj = ∈ W,
2
wj − wj
vj = ∈ W.
2
Como os vetores wj são combinações lineares dos vetores uj , vj , concluı́mos que u1 , . . . , uk , v1 , . . . , vk são
vetores reais que geram W . Dentre estes vetores podemos escolher um subconjunto minimal LI que ainda
gera W , obtendo uma base de vetores reais para W . ■
5.28 Corolário. Um subespaço W de VC é invariante por conjugação se e somente se ele é a complexificação
de algum subespaço Z de V , isto é,
W = ZC .

118
5.4. COMPLEXIFICAÇÃO DE UM ESPAÇO VETORIAL

Prova: Se W = ZC , pela Proposição 5.25 uma base para Z é uma base para ZC , e ela é portanto formada
por vetores reais, logo o resultado segue imediatamente da proposição anterior
Reciprocamente, suponha W invariante por conjugação. Pela proposição anterior, W possui uma base
{e1 , . . . , ek } formada por vetores reais. Considere o subespaço

Z = ⟨e1 , . . . , ek ⟩

de V gerado pelos vetores e1 , . . . , ek . Como todo vetor de W se escreve como uma combinação linear

x1 + iy 1 e1 + . . . + (xn + iy n ) en

= x1 e1 + . . . + xn en + i (y1 e1 + . . . + y n en ) ,

segue que W = ZC . ■

5.29 Exemplo. O subespaço

W = ⟨u + iv⟩
de VC gerado pelo vetor u + iv com u, v ∈ V , u, v ̸= 0 e u não sendo um múltiplo escalar de v, não é a
complexificação de nenhum subespaço de V , porque ele não é invariante por conjugação: o vetor u − iv ∈
/ W.
De fato, os vetores de W são da forma (x + iy) (u + iv) para x, y ∈ R, logo um vetor tı́pico de W é da forma

(xu − yv) + i (yu + xv) .

Para que tenhamos u − iv ∈ W , é necessário que existam x, y ∈ R tais que

xu − yv = u

.
yu + xv = −v

Se y = 0, terı́amos x = 1 na primeira equação e x = −1 na segunda, um absurdo. Se y ̸= 0, segue da

primeira e da segunda equação, respectivamente, que
x−1
v= u,
y
x+1
u=− v.
y
Isso contraria o fato que u e v não são múltiplos escalares um do outro. □
O espaço vetorial complexo VC tem dimensão complexa n = dim V . Porém, o espaço vetorial VC também
pode ser visto como um espaço vetorial real. Neste caso, dim VC = 2n. De fato, se

{e1 , . . . , en }

é uma base de V , então

{e1 , . . . , en , ie1 , . . . , ien }
é uma base para VC sobre R.
5.30 Definição. Seja V um espaço vetorial real e T ∈ Hom (V ) um operador linear. A complexificação
de T é o operador linear TC ∈ L (VC ) definido por

TC (u + iv) = T u + iT v.

119
5.5. FORMA DE JORDAN REAL

5.31 Proposição. Sejam V um espaço vetorial real e T ∈ Hom (V ). Então a matriz de T em relação à
base B de V é a matriz de TC em relação a B considerada como base para VC :

[TC ]B = [T ]B .

Consequentemente, os polinômios caracterı́sticos de T e TC são iguais e os polinômios mı́nimos de T e

TC são iguais.
Além disso, λ é um autovalor de TC se e somente se o seu conjugado λ é um autovalor de TC e as
multiplicidades algébricas de λ e λ são iguais.
Prova: A primeira afirmação segue do fato de que qualquer base B para V é uma base para VC que consiste
apenas de vetores reais e TC u = T u quando u é um vetor real.
Se λ é um autovalor de TC então λ é uma raiz do polinômio caracterı́stico p de TC de modo que p (λ) = 0.
Mas o polinômio caracterı́stico de TC é também o polinômio caracterı́stico de T , logo p é um polinômio com
coeficientes reais e portanto p (λ) = p λ . Assim, tomando o conjugado em ambos os lados da equação

p (λ) = 0, concluı́mos que p λ = 0. Além disso, dividindo sucessivamente por (x − λ) x − λ , concluı́mos

que a multiplicidade algébrica de λ e λ é a mesma. ■

Nem todo operador linear sobre VC é a complexificação de um operador linear real sobre V : é só considerar
operadores complexos S ∈ L (VC ) tais que seus polinômios caracterı́sticos tem coeficientes complexos e λ é
um autovalor de S mas o seu conjugado λ não é.

5.5 Forma de Jordan Real

5.32 Exemplo. Se a, b ∈ R e
a b
A= ,
−b a
então o polinômio caracterı́stico de A é x2 − 2ax + a2 + b2 e seus autovalores complexos são

λ = a + bi,
λ = a − bi.
Portanto A é diagonalizável e é semelhante sobre os complexos à matriz diagonal
λ 0

D= .
0 λ
A matriz
1 0
 
a b
 −b a 0 1 
B=
 0 0

a b 
0 0 −b a
tem polinômio caracterı́stico e mı́nimo
2 2 2
x − 2ax + a2 + b2 = (x − λ) x − λ ,
2

de modo que a forma de Jordan (complexa) de B é

1 0 0
 
λ
 0 λ 0 0 
J =  0
.
0 λ 1 
0 0 0 λ
□

120
5.5. FORMA DE JORDAN REAL

5.33 Teorema (Forma de Jordan Real). Seja T ∈ Hom (V ) um operador linear real. Então existe
uma base para V em relação à qual T é representado por uma matriz diagonal em blocos, com autovalores
reais dando origem aos blocos de Jordan usuais e os autovalores complexos dando origem a blocos da forma
(chamados blocos de Jordan reais)

0 0
 
Da,b I2 ... ...
 0 Da,b I2 ... ... 0 
 
 0 . .
0 0 
 
 Da,b . ... 
 . .. .. .. .. .. 
 .. . . . . . 
 0 0 0 Da,b
 
... I2 
0 0 ... ... 0 Da,b

onde
1 0

a b
Da,b = e I2 = ,
−b a 0 1
sendo que a + ib é um autovalor complexo de TC . Esta matriz é única a menos da ordem dos blocos.
Prova: Considere o operador complexificado TC : VC −→ VC . Sejam λ1 , . . . , λk os autovalores distintos de
TC e
d1 dk
p = (x − λ1 ) . . . (x − λk ) ,
r1 rk
p = (x − λ1 ) . . . (x − λk )

os polinômios caracterı́stico e mı́nimo de TC , respectivamente. Pelo Teorema da Decomposição Espectral, se

r
Wi = ker (T − λi I) i , então
VC = W1 ⊕ . . . ⊕ Wk .
Como TC é um operador complexo, VC possui uma base B em relação à qual a matriz de TC se escreve
na forma de Jordan . Os autovalores reais de TC dão origem aos blocos de Jordan usuais considerados
anteriormente, já que os autoespaços generalizados associados a um autovalor real possuem uma base de
autovetores generalizados reais.
Consideremos agora os autoespaços generalizados associados aos autovalores complexos. Seja

λ = a + ib

um autovalor de TC , b ̸= 0 e Wλ o autoespaço generalizado associado a λ. Pela Proposição 5.31, o conjugado

λ = a − bi também é um autovalor de TC e o autoespaço generalizado Wλ associado a λ tem a mesma
dimensão de Wλ , iguais ao expoente d dos fatores x − λ e x − λ que aparecem no polinômio caracterı́stico.
Afirmamos que se
Bλ = {w1 , . . . , wm }
é uma base para Wλ , então
Bλ = {w1 , . . . , wm }
é uma base para Wλ . Para provar isso, note em primeiro lugar que se w ∈ Wλ , isto é, se
r
(TC − λI) w = 0,

então r
TC − λI w = 0,
isto é, w ∈ Wλ . De fato,
TC w = TC w

121
5.5. FORMA DE JORDAN REAL

donde
TCk w = TCk w
e
r
r
X r r−k
(TC − λI) w = TCk (λI) w
k
k=1
r
X r
= λr−k TCk w
k
k=1
r

Xr r−k k
= λ TC w
k
k=1
r
X r r−k k
= λ TC w
k
k=1
r
= TC − λI w,

logo,
r
0 = (TC − λI) w
r
= TC − λI w.

Como Wλ e Wλ possuem a mesma dimensão, basta então mostrar que Bλ é LI em VC . E, de fato, se

m
X
z j wj = 0
j=1

para z 1 , . . . , z m ∈ C, tomando o conjugado desta equação obtemos

m
X
z j wj = 0
j=1

donde z j = 0 para todo j e consequentemente z j = 0 para todo j.

Escreva para j = 1, . . . , m
wj = uj + ivj .
Afirmamos que
B = {u1 , v1 , . . . , um , vm }
é uma base de vetores reais para a soma direta Wλ ⊕ Wλ (note que Wλ e Wλ são LI porque correspondem
a autovalores distintos). Para ver isso, é só observar que este conjunto gera Wλ ⊕ Wλ e tem cardinalidade
igual à
2m = dim Wλ + dim Wλ = dim Wλ ⊕ Wλ .

Segue da Proposição 5.28 que Wλ ⊕ Wλ é a complexificação de algum subespaço Wλ,λ de V que tem B como
base.
Agora escolha uma base Bλ de tal forma que os vetores w1 , . . . , wm formam uma cadeia de Jordan para
o operador complexo TC , isto é,

TC w1 = λw1 ,
TC wj = λwj + wj−1 , para j = 2, . . . , m.

122
5.6. EXERCÍCIOS

Então

T u1 + iT v1 = TC w1
= λw1
= (a + ib) (u1 + iv1 )
= (au1 − bv1 ) + i (bu1 + av1 ) ,

de modo que

T u1 = au1 − bv1 ,
T v1 = bu1 + av1 ,

originando o primeiro bloco

a b
Da,b =
−b a
no bloco de Jordan real associado ao subespaço Wλ,λ . Para j = 2, . . . , m temos

T uj + iT vj = TC wj
= λwj + wj−1
= (a + ib) (uj + ivj ) + uj−1 + ivj−1
= (auj − bvj + uj−1 ) + i (buj + avj + vj−1 ) ,

originando os blocos
1 0
 
 0 1 

I2
=
 .
Da,b a b 
−b a
■

5.6 Exercı́cios
5.34 Exercı́cio. Ache a forma de Jordan e uma base de Jordan para as matrizes de (a) até (i). Ache a
forma de Jordan real e uma base de Jordan real para as matrizes de (j) até (l).

1 2 3 3 −3 −4 2 1 2
     
1

−1
(a) (b)  0 1 2  (c)  0 3 5 (d)  0 2 1 
0 1

0 0 1 0 0 −1 0 0 2

2 0 1 0 1 1 0 0 1 0 0 0 2 1 4 0
       
 0 2 0 1   −1 −1 0 0   1 2 0 0   0 2 1 0 
(e) 
 12 0 (f)  (g)  (h) 
3 0   −2 −2 2 1   1 0 2 0  0 0 2 0 
   

0 −1 0 0 1 1 −1 0 1 1 0 2 0 0 0 2

0 1 1 1 1
 
0 1 0 0
 
 0 0 1 1 1  0 1 0
 
1  0 0 1 0 

−1
 0 0 0 1 1  (k)  0 0 1 
 
(i)  (j) (l) 
1 1  0 0 0 1 

 0 0 0 0 1  0 0

−1
1 0 0 0
0 0 0 0 0

123
Capı́tulo 6

Formas Bilineares e Espaços Vetoriais

Métricos

A partir deste capı́tulo, imporemos uma estrutura adicional em um espaço vetorial além de sua estrutura
linear: uma estrutura métrica definida por uma forma bilinear simétrica não degenerada.

6.1 Formas Bilineares e Métricas

6.1.1 Definição
6.1 Definição. Seja V um K-espaço vetorial. Uma forma bilinear em V é uma função f : V × V −→ K
que é linear em cada variável, isto é,

f (xv + yw, u) = xf (v, u) + yf (w, u) ,

f (u, xv + yw) = xf (u, v) + yf (u, w) ,

para todos u, v, w ∈ V e para todos x, y ∈ K.

O espaço vetorial das formas bilineares em V com a soma e multiplicação por escalar definidos da maneira
usual será denotado T 2 (V ∗ ). □
A notação T 2 (V ∗ ) se justifica pelo fato de formas bilineares serem tensores de grau 2 (estudaremos tensores
no Capı́tulo 9). Formas lineares, isto é, funcionais lineares são tensores de grau 1 e podemos denotar
V ∗ = T 1 (V ∗ ).
6.2 Definição. Uma forma bilinear f é simétrica se

f (v, w) = f (w, v)

para todos v, w ∈ V . O subespaço vetorial das formas bilineares simétricas será denotado por Σ2 (V ∗ ).
Uma forma bilinear f é anti-simétrica se

f (v, w) = −f (w, v)

para todos v, w ∈ V . O subespaço vetorial das formas bilineares anti-simétricas será denotado por Λ2 (V ∗ ).
Uma forma bilinear f é alternada se
f (v, v) = 0

124
6.1. FORMAS BILINEARES E MÉTRICAS

para todo v. □
6.3 Proposição. Se V é um espaço vetorial sobre um corpo de caracterı́stica diferente de 2, ou seja, se
K ̸= Z2 , então uma forma bilinear f é alternada se e somente se ela é anti-simétrica.
Prova. Pois se f é antisimétrica,
f (v, v) = −f (v, v)
e se f é alternada,
0 = f (v + w, v + w)
= f (v, v) + f (v, w) + f (w, v) + f (w, w)
= f (v, w) + f (w, v) .
■
6.4 Proposição. Toda forma bilinear se escreve de maneira única (se o corpo não tem caracterı́stica 2)
como a soma de uma forma bilinear simétrica e uma forma bilinear anti-simétrica.
Em outras palavras, se K ̸= Z2 ,

T 2 (V ∗ ) = Σ2 (V ∗ ) ⊕ Λ2 (V ∗ ) .

Prova. Se f ∈ T 2 (V ∗ ), defina sua parte simétrica por

f (v, w) + f (w, v)
(Sim f ) (v, w) = ,
2
e sua parte anti-simétrica por
f (v, w) − f (w, v)
(Alt f ) (v, w) = ,
2
de modo que
f = Sim f + Alt f.
Se K ̸= Z2 , a única forma bilinear simultaneamente simétrica e anti-simétrica é a forma nula. ■
6.5 Definição. Dada uma forma bilinear f , dizemos que dois vetores v, w ∈ V são ortogonais se

f (v, w) = f (w, v) = 0.

Uma forma bilinear f é não degenerada se

f (v, u) = 0
para todo v ∈ V implicar u = 0 e se
f (u, w) = 0
para todo w ∈ V implicar u = 0. □
Em outras palavras, em um espaço vetorial dotado de uma forma bilinear não degenerada, um vetor não
nulo não pode ser ortogonal a todos os vetores do espaço, nem à direita, nem à esquerda.
6.6 Definição. Seja V um espaço vetorial. Uma métrica em V é uma forma bilinear simétrica não
degenerada, que geralmente denotaremos por g = ⟨·, ·⟩.
⟨v, w⟩ é chamado o produto interno de v e w.
Um espaço vetorial V dotado de uma métrica g é chamado um espaço vetorial métrico e denotado
(V, g) quando for necessário explicitar a métrica. □
Uma forma bilinear anti-simétrica não degenerada é chamada uma forma simplética, e espaços vetoriais
dotados de uma forma simplética são chamados espaços vetoriais simpléticos e aparecem no estudo de
Mecânica. Eles não serão estudos nestas notas.

125
6.1. FORMAS BILINEARES E MÉTRICAS

6.1.2 Matriz de uma Forma Bilinear

6.7 Definição. Sejam f ∈ T 2 (V ∗ ) e B = {e1 , . . . , en } uma base para V .
Definimos os coeficientes de f em relação a B por

fij = f (ei , ej )

e a matriz F ∈ Mn (K) de f nesta base por

F = (fij ) .

□
Assim, fixada uma base para V , esta associação define um isomorfismo entre espaços vetoriais
T 2 (V ∗ ) −→ Mn (K) ,
de modo que
dim T 2 (V ∗ ) = n2 .
6.8 Proposição. Se f ∈ T 2 (V ∗ ), B = {e1 , . . . , en } é uma base para V e F é a matriz de f em relação a
B, então para todos v, w ∈ V vale
n
X
f (v, w) = fij v i wj .
i,j=1

Em particular,
f (v, w) = v t F w,
f (w, v) = wt F t v.

Prova. Se
[v]B = v 1 , . . . , v n ,

[w]B = w1 , . . . , wn ,

temos
 
Xn n
X
f (v, w) = f  v i ei , w j ej 
i=1 j=1
n
X
= v i wj f (ei , ej )
i,j=1
n
X n
X
= vi Fji wj
i=1 j=1
Xn
i
= v i (F [w]B )
i=1
t
= [v]B F [w]B .
Como a transposta de um escalar é ele próprio, temos
t
f (w, v) = wt F v = wt F v = v t F t w.

126
6.1. FORMAS BILINEARES E MÉTRICAS

6.9 Corolário. A matriz de uma forma bilinear f é simétrica se e somente se F é uma matriz simétrica.
A matriz de uma forma bilinear f é anti-simétrica se e somente se F é uma matriz anti-simétrica.
Prova. Se f é simétrica, então
fij = f (ei , ej ) = f (ej , ei ) = fji .
Reciprocamente, se F é simétrica, então F = F t e
t
f (v, w) = f (v, w)
t
t
= [v]B F [w]B
t
= [w]B F t [v]B
t
= [w]B F [v]B
= f (w, v) .
A demonstração para o caso anti-simétrico é análoga. ■
6.10 Corolário. Uma forma bilinear é não degenerada se e somente se sua matriz associada é invertı́vel.
Em particular, a matriz de uma métrica é uma matriz simétrica invertı́vel.
Prova. Suponha f degenerada na segunda variável, isto é, que existe u ∈ V , u ̸= 0, tal que
f (v, u) = 0
para todo v ∈ V . Então
v t (F u) = 0
para todo v ∈ V , donde
F u = 0,
o que ocorre se e somente se F não é invertı́vel. Como
f (u, v) = v t F t u,
o mesmo resultado vale se f é degenerada na primeira variável, pois F é invertı́vel se e somente se F t é. ■
6.11 Proposição. Sejam f ∈ T 2 (V ∗ ) e F, F ′ as matrizes de f em relação às bases
B = {e1 , . . . , en } ,
B′ = {e′1 , . . . , e′n } ,
respectivamente. Se P = PB→B′ a matriz de mudança de base de B para B′ , então
F = P t F ′ P.
Prova. Por definição,
[v]B′ = P [v]B
e
t
f (v, w) = [v]B′ F ′ [w]B′
t
= [v]B F [w]B .
Portanto,
t
f (v, w) = [v]B′ F ′ [w]B′
t
= (P [v]B ) F ′ P [w]B
t
= [v]B P t F ′ P [w]B ,

donde segue o resultado. ■

127
6.1. FORMAS BILINEARES E MÉTRICAS

6.12 Definição. Dizemos que duas matrizes A, B ∈ Mn (K) são congruentes se existe uma matriz invertı́vel
P tal que
A = P t BP.
□
Assim como a semelhança de matrizes, a congruência de matrizes é uma relação de equivalência.
Seja f ∈ T 2 (V ∗ ) uma forma bilinear. Então f induz dois morfismos
Lf : V −→ V ∗ ,
Rf : V −→ V ∗ ,
definindo
[Lf (v)] (w) = f (v, w) ,
[Rf (v)] (w) = f (w, v) .
f é uma forma bilinear simétrica se e somente se
Lf = Rf .
6.13 Proposição. Seja f ∈ T (V ) uma forma bilinear. Se B é uma base para V e F é a matriz de f em
2 ∗

relação a esta base, então

[Lf ]B,B∗ = F t ,
[Rf ]B,B∗ = F.
Em particular,
dim ker Lf = dim ker Rf ,
dim im Lf = dim im Rf .
Prova: Seja B = {e1 , . . . , en }. Se A = [Lf ]B,B∗ , temos
n
X
Lf (ei ) = Aki e∗k ,
k=1

donde
Fji = f (ei , ej ) = [Lf (ei )] (ej )
Xn Xn
= Aki e∗k (ej ) = Aki δkj
k=1 k=1

= Aji .
Se B = [Rf ]B,B∗ , temos
n
X
Rf (ej ) = Bjk e∗k ,
k=1
donde
Fji = f (ei , ej ) = [Rf (ej )] (ei )
Xn X n
= Aj ek (ei ) =
k ∗
Akj δki
k=1 k=1
= Aij .
A última afirmação segue do Corolário 2.50. ■

128
6.1. FORMAS BILINEARES E MÉTRICAS

6.14 Definição. Definimos o posto de uma forma bilinear f como sendo

rank f = dim im Lf = dim im Rf .

□
6.15 Corolário. O posto de uma forma bilinear é o posto de sua matriz em relação a qualquer base.
Além de ser uma consequência da Proposição 6.13, este resultado também segue da Proposição 6.11, já que
matrizes congruentes possuem o mesmo posto.

6.1.3 Exemplos
6.16 Definição. Se V é um espaço vetorial métrico real, dizemos que sua métrica é definida positiva se
para todo v ∈ V não nulo vale
⟨v, v⟩ > 0,

e definida negativa se para todo v ∈ V não nulo vale

⟨v, v⟩ < 0.

Se para todo v ∈ V não nulo vale

⟨v, v⟩ =
̸ 0

mas o sinal é positivo para alguns vetores e negativo para outros, dizemos que a métrica é semidefinida. □
6.17 Exemplo. A métrica euclidiana em Rn é a métrica definida positiva dada nos vetores da base
canônica por
⟨ei , ej ⟩ = δij

Rn dotado desta métrica é chamado o espaço euclidiano En .

Em relação a base canônica, a métrica euclidiana é dada por

n
X n
X
⟨v, w⟩ = v w =
T
δij v w =
i j
v i wi ,
i,j=1 i=1

isto é, a matriz associada à métrica euclidiana na base canônica é a matriz identidade. □
6.18 Exemplo. Seja V um espaço vetorial real com base

B = {e1 , . . . , en } .

Para 0 ⩽ p ⩽ n e α1 , . . . , αn ∈ R, αi > 0 para todo i, definimos a métrica

p
X n
X
⟨v, w⟩ = − αi v i wi + αi v i wi ,
i=1 i=p+1

onde v = v 1 , . . . , v n e w = w1 , . . . , wn são as coordenadas de v e w em relação à B.

129
6.1. FORMAS BILINEARES E MÉTRICAS

De fato, esta é claramente uma forma bilinear simétrica. Para ver que ele não é degenerada, suponha
que v ∈ V é um vetor tal que
⟨v, w⟩ = 0
para todo w ∈ V . Isso vale em particular para os vetores e1 , . . . , en da base. Mas ⟨v, ei ⟩ = ±αi v i , logo v i = 0
para todo i e portanto ela é não degenerada.
Se p = 0 esta métrica é definida positiva, se p = n ela é definida negativa e se 0 < p < n ela não é nem
definida positiva nem definida negativa, pois vetores da forma

v = v 1 , . . . , v p , 0, . . . , 0

satisfazem ⟨v, v⟩ < 0, enquanto que vetores v da forma

v = 0, . . . , 0, v p+1 , . . . , v n

satisfazem ⟨v, v⟩ > 0. Se q = n − p, dizemos que esta é uma métrica de assinatura (p, q). □
6.19 Exemplo. Uma métrica de Lorentz em um espaço vetorial real é uma métrica de assinatura (1, n).

6.20 Definição. Rn+1 dotado da métrica de Lorentz canônica

⟨ei , ej ⟩ = ηij

é chamado o espaçotempo de Minkowski Mn+1 , onde o eta de Kronecker η é definido por

se i = j = 0,

 −1
ηij = 1 se i = j > 0,
0 se i ̸= j.


Por exemplo, em M4 (o espaçotempo de teoria da relatividade) temos

⟨v, w⟩ = −v 0 w0 + v 1 w1 + v 2 w2 + v 3 w3 ,
2 2 2 2
q (v) = − v 0 + v 1 + v 2 + v 3 .

A métrica de Lorentz escreve-se na base canônica de Rn+1 na forma

n
X n
X
⟨v, w⟩ = v T ηw = ηij v i wj = −v0 w0 + v i wi ,
i,j=0 i=1

isto é, a matriz associada à métrica de Lorentz na base canônica é a matriz η. Por exemplo, quando n+1 = 4,

−1 0 0 0
 
 0 1 0 0 
η=  0 0 1 0 .


0 0 0 1

□
6.21 Exemplo. Seja V um espaço vetorial real com base

B = {e1 , . . . , en } .

130
6.2. FORMAS QUADRÁTICAS

Para 0 ⩽ p ⩽ n, 0 ⩽ r ⩽ n e α1 , . . . , αp , αp+r+1 , . . . , αn ∈ R, αi > 0 para todo i, definimos mais

geralmente a forma bilinear
Xp Xn
f (v, w) = − αi v i wi + αi v i wi ,
i=1 i=p+r+1

isto é,
p
X p+q
X n
X
f (v, w) = − αi v i w i + αi v i wi + 0v i wi ,
i=1 i=p+1 i=p+q+1

onde v = v 1 , . . . , v n e w = w1 , . . . , wn são as coordenadas de v e w em relação à B.

Se r = 0, temos a métrica do exemplo anterior. Se r ̸= 0, esta forma bilinear é degenerada. De fato,

vetores da forma
v = 0, . . . , 0, 0, . . . , 0, v p+q+1 , . . . , v n

satisfazem ⟨v, w⟩ = 0 para todo w ∈ V .

Se r = n − (p + q), dizemos que esta é uma forma bilinear de assinatura (p, q, r). □

6.2 Formas Quadráticas

6.22 Definição. Sejam V um K-espaço vetorial e f uma forma bilinear em V .
A forma quadrática associada a f é a função q : V −→ K definida por

q (v) = f (v, v) .

Dizemos que v é um vetor do tipo

luz se q (v) = 0,
espaço se q (v) > 0,
tempo se q (v) < 0.

Dizemos que v é um vetor unitário se q (v) = ±1.

Dizemos que uma base B = {e1 , . . . , en } para V é ortonormal se os seus vetores são dois a dois ortogonais
e unitários, ou seja,
⟨ei , ej ⟩ = ±δij .

□
6.23 Exemplo. Para a forma quadrática q associado à métrica de assinatura (p, q) definido no Exemplo
6.16 com αi = 1 para todo i, isto é,

p
X n
X
⟨v, w⟩ = − v i wi + v i wi ,
i=1 i=p+1

131
6.2. FORMAS QUADRÁTICAS

onde v = v 1 , . . . , v n e w = w1 , . . . , wn são as coordenadas de v e w em relação a uma base B =

{e1 , . . . , en } fixada, temos

p n
X 2 X 2
q (v) = − vi + vi .
i=1 i=p+1

A própria base B é ortonormal, com

se i = 1, . . . , p,

−1
q (ei ) =
1 se i = p + 1, . . . , n.

□
6.24 Exemplo. Se q é uma forma quadrática associada a uma métrica definida positiva ou definida negativa,
então v é um vetor do tipo luz se e somente se v = 0.
Se q é associada a uma métrica indefinida, então mesmo que v ̸= 0 pode acontecer que v seja um vetor
do tipo luz. Por exemplo, para a forma quadrática do Exemplo 6.16, se p ̸= 0, n temos

q (ei + ej ) = 0

para todos 1 ⩽ i ⩽ p e p + 1 ⩽ j ⩽ n.
Mais ainda, é possı́vel obter uma base para V composta inteiramente de vetores do tipo luz. No caso
p = 1, basta tomar
B′ = {e1 + e2 , e1 − e2 , e1 + e3 , . . . , e1 + en } .
Para ver que B′ é uma base, basta verificar que os n vetores que a formam são LI. Se
n
X
x1 (e1 + e2 ) + x2 (e1 − e2 ) + xi (e1 + ei ) = 0,
i=3

então !
n
X n
X
i
e1 + x1 − x2 e2 + xi ei = 0.

x
i=1 i=3

Como e1 , . . . , en são LI, segue que

n
X
xi = 0,
i=1

x1 − x2 = 0,
x3 = . . . = xn = 0,
donde xi = 0 para todo i. □
6.25 Exemplo. Se q é uma forma quadrática associada a uma forma bilinear anti-simétrica em um espaço
vetorial sobre um corpo de caracterı́stica diferente de 2, então q ≡ 0, pois em tais corpos formas bilineares
anti-simétricas são alternadas. □
Note que
q (v) = q (−v) ,
para todo v ∈ V , pois
q (−v) = ⟨−v, −v⟩ = ⟨v, v⟩ = q (v) .
De modo geral, para todo α ∈ K
q (αv) = α2 q (v) .

132
6.2. FORMAS QUADRÁTICAS

6.26 Proposição (Identidade Polar). Se f é uma forma bilinear e q sua forma quadrática associada,
então
f (v, w) + f (w, v) = q (v + w) − q (v) − q (w)
e
2f (v, w) + 2f (w, v) = q (v + w) − q (v − w) .
Em particular, se f é simétrica, vale
1
f (v, w) = [q (v + w) − q (v) − q (w)] .
2
e
1
f (v, w) = [q (v + w) − q (v − w)] .
4
Portanto, uma forma bilinear simétrica é completamente determinada por sua forma quadrática associada
e toda forma bilinear simétrica está associada a uma única forma quadrática.
Prova. Se f é bilinear, temos
q (v + w) − q (v) − q (w)
= f (v + w, v + w) − f (v, v) − f (w, w)
= f (v, v) + f (v, w) + f (w, v) + f (w, w) − f (v, v) − f (w, w)
= f (v, w) + f (w, v) ,
e
q (v + w) − q (v − w) = f (v + w, v + w) − f (v − w, v − w)
= f (v, v) + f (v, w) + f (w, v) + f (w, w)
− [f (v, v) − f (v, w) − f (w, v) + f (w, w)]
= 2f (v, w) + 2f (w, v) .
■
6.27 Proposição (Teorema de Pitágoras). Se q é uma forma quadrática associada a uma métrica, então
v, w são ortogonais se e somente se vale a identidade de Pitágoras

q (v + w) = q (v) + q (w) .

Prova: Pela primeira identidade polar da proposição anterior temos

q (v + w) = q (v) + 2 ⟨v, w⟩ + q (w) .
Logo, v, w satisfazem a identidade de Pitágoras se e somente se ⟨v, w⟩ = 0. ■
6.28 Proposição (Identidade do Paralelogramo). Se q é uma forma quadrática associada a uma forma
bilinear f , então
q (v + w) + q (v − w) = 2 [q (v) + q (w)] . (6.1)
Prova: Temos
q (v + w) + q (v − w) = f (v + w, v + w) + f (v − w, v − w)
= f (v, v) + f (v, w) + f (w, v) + f (w, w)
+ f (v, v) − f (v, w) − f (w, v) + f (w, w)
= 2f (v, v) + 2f (w, w)
= 2q (v) + 2q (w) .
■

133
6.3. ESPAÇOS VETORIAIS NORMADOS REAIS

6.3 Espaços Vetoriais Normados Reais

6.29 Definição. Seja V um espaço vetorial real. Uma norma em V é uma função ∥·∥ : V −→ [0, +∞) que
satisfaz as seguintes propriedades:
(i) para todo v ̸= 0 vale
∥v∥ > 0;

(ii) para todo v ∈ V e para todo α ∈ R vale

∥αv∥ = |α| ∥v∥ ;

(iii) (Desigualdade Triangular) para todos v, w ∈ V vale

∥v + w∥ ⩽ ∥v∥ + ∥w∥ .

Um espaço vetorial V dotado de uma norma ∥·∥ é chamado um espaço vetorial normado, denotado
(V, ∥·∥) quando for necessário explicitar a norma. □
Para espaços vetoriais reais, uma norma pode ser definida a partir de uma métrica definida positiva,
enquanto que uma métrica definida positiva pode ser definida a partir de uma norma somente se esta
satisfaz a identidade do paralelogramo, como veremos a seguir. No caso de espaços vetoriais complexos,
um resultado análogo vale quando se considera produtos hermitianos, que serão considerados no próximo
capı́tulo.
6.30 Definição. Seja V um espaço vetorial métrico positivo definido real e normado. Dizemos que a norma
é induzida pela métrica se
∥v∥ = ⟨v, v⟩.
p

Em particular, se q é a forma quadrática associada a ⟨·, ·⟩, então

2
q (v) = ∥v∥ .

□
O seguinte conceito é extremamente útil e foi usado na demonstração da desigualdade de Cauchy-Schwarz:
6.31 Definição. Seja V um espaço vetorial métrico real positivo definido. Sejam v, w ∈ V com w ̸= 0.
O vetor
⟨v, w⟩
Projw v = 2 w
∥w∥

é chamado a projeção ortogonal de v na direção w.

A componente de v ortogonal a w é o vetor

v ⊥w = v − Projw v
⟨v, w⟩
=v− 2 w.
∥w∥

134
6.3. ESPAÇOS VETORIAIS NORMADOS REAIS

6.32 Proposição. A componente ortogonal de v à direção de w é ortogonal a w.

Prova: Temos
⟨v, w⟩
v ⊥w , w = ⟨v, w⟩ − 2 ⟨w, w⟩ = 0.
∥w∥
■
6.33 Proposição (Desigualdade de Cauchy-Schwarz). Seja V um espaço vetorial métrico positivo
definido real e normado, cuja norma é induzida pela métrica. Então

|⟨v, w⟩| ⩽ ∥v∥ ∥w∥

para todos v, w ∈ V .
Prova: Se w = αv, então
2
|⟨v, w⟩| = |⟨v, αv⟩| = |α ⟨v, v⟩| = |α| ∥v∥ = ∥v∥ (|α| ∥v∥) = ∥v∥ ∥w∥ ,

ou seja, a igualdade na desigualdade de Cauchy-Schwarz é atingida quando um dos vetores é múltiplo escalar
do outro.
Se w não é múltiplo escalar de v, em particular w ̸= 0 e podemos considerar a componente de v ortogonal
aw
⟨v, w⟩
v ⊥w = v − 2 w.
∥w∥
Temos

0 ⩽ v ⊥w , v ⊥w
* +
⟨v, w⟩ ⟨v, w⟩
⩽ v− 2 w, v − 2 w
∥w∥ ∥w∥
* +
⟨v, w⟩
= v− 2 w, v
∥w∥
2 ⟨v, w⟩
= ∥v∥ − 2 ⟨w, v⟩
∥w∥
2
2 |⟨v, w⟩|
= ∥v∥ − 2 ,
∥w∥

isto é,
2
2 |⟨v, w⟩|
∥v∥ ⩾ 2 ,
∥w∥
ou seja
2 2 2
|⟨v, w⟩| ⩽ ∥v∥ ∥w∥ ,
donde segue o resultado. ■
6.34 Proposição. Seja V um espaço vetorial métrico real positivo definido. Então

∥v∥ = ⟨v, v⟩
p

define uma norma em V .

135
6.3. ESPAÇOS VETORIAIS NORMADOS REAIS

Prova: A condição (i) da Definição 6.29 decorre da métrica ser definida positiva.
A condição (ii) da Definição 6.29 decorre de

∥αv∥ = ⟨αv, αv⟩ = α2 ⟨v, v⟩ = α2 ⟨v, v⟩ = |α| ⟨v, v⟩ = |α| ∥v∥ .

p p p p

A desigualdade triangular segue da desigualdade de Cauchy-Schwarz (note que na demonstração desta em

nenhum momento foi usada a desigualdade triangular):
2
∥v + w∥ = ⟨v + w, v + w⟩
2 2
= ∥v∥ + 2 ⟨v, w⟩ + ∥w∥
2 2
⩽ ∥v∥ + 2 |⟨v, w⟩| + ∥w∥
2 2
⩽ ∥v∥ + 2 ∥v∥ ∥w∥ + ∥w∥
2
= (∥v∥ + ∥w∥) .

■
De agora em diante, se V é um espaço vetorial métrico positivo definido, V é assumido um espaço vetorial
normado com a norma induzida pela métrica.
Segue da desigualdade de Cauchy-Schwarz em particular que

⟨v, w⟩
−1 ⩽ ⩽ 1.
∥v∥ ∥w∥

6.35 Definição. Seja V um espaço vetorial métrico positivo definido real. Dados dois vetores v, w ∈ V
definimos o seu ângulo ∡ (v, w) por

⟨v, w⟩
∡ (v, w) = arccos .
∥v∥ ∥w∥

Em particular, se v, w são vetores ortogonais, então∡ (v, w) = π/2.

Nos próximos três resultados a seguir, V é um espaço vetorial métrico real positivo definido.
6.36 Proposição (Identidades Polares). Para todos v, w ∈ V valem

1 2 2 2

⟨v, w⟩ = ∥v + w∥ − ∥v∥ − ∥w∥ .
2

e
1 2 1 2
⟨v, w⟩ = ∥v + w∥ − ∥v − w∥ .
4 4

Prova: Segue da Proposição 6.26, lembrando que se q é a forma quadrática associada a ⟨·, ·⟩, então q (v) =
2
∥v∥ . ■
6.37 Proposição (Teorema de Pitágoras). v, w ∈ V são ortogonais se e somente se vale a identidade
de Pitágoras
2 2 2
∥v + w∥ = ∥v∥ + ∥w∥ .

136
6.3. ESPAÇOS VETORIAIS NORMADOS REAIS

Prova: Pela primeira identidade polar da proposição anterior temos

2 2 2
∥v + w∥ = ∥v∥ + 2 ⟨v, w⟩ + ∥w∥ .

Logo, v, w satisfazem a identidade de Pitágoras se e somente se ⟨v, w⟩ = 0. ■

6.38 Proposição (Identidade do Paralelogramo). Para todos v, w ∈ V vale

2 2 2 2
∥v + w∥ + ∥v − w∥ = 2 ∥v∥ + ∥w∥ .

Em particular, para que uma norma seja derivada de uma métrica definida positiva, uma condição necessária
é que ela satisfaça a identidade do paralelogramo.
Prova: Segue da Proposição 6.28. ■
6.39 Exemplo. Em Rn podemos definir a norma do máximo

∥v∥∞ = max
i
v
i=1,...,n

e a norma da soma
n
X
∥v∥+ = vi .
i=1
Nenhuma destas normas é derivada de uma métrica definida positiva, pois elas não satisfazem a identidade
do paralelogramo. De fato, se v = e1 e w = e2 , então
2 2
∥v + w∥∞ + ∥v − w∥∞ = 1 + 1 = 2,

2 2
2 ∥v∥∞ + ∥w∥∞ = 2 (1 + 1) = 4,

e
2 2
∥v + w∥+ + ∥v − w∥+ = 22 + 22 = 8,

2 2
2 ∥v∥+ + ∥w∥+ = 2 (1 + 1) = 4,

□
6.40 Proposição. Seja V um espaço vetorial real normado cuja norma ∥·∥ satisfaz a identidade do parale-
logramo
2 2 2 2
∥v + w∥ + ∥v − w∥ = 2 ∥v∥ + ∥w∥ .
Então a identidade polar
1 2 1 2
⟨v, w⟩ := ∥v + w∥ − ∥v − w∥
4 4
define uma métrica definida positiva ⟨·, ·⟩ em V tal que a norma ∥·∥ é induzida por ela.
Em particular, uma norma é derivada de uma métrica definida positiva se e somente se ela satisfaz a
identidade do paralelogramo.
Prova: A simetria segue de
1 2 1 2
⟨v, w⟩ = ∥v + w∥ − ∥v − w∥
4 4
1 2 1 2
= ∥w + v∥ − ∥w − v∥
4 4
= ⟨w, v⟩ .

137
6.3. ESPAÇOS VETORIAIS NORMADOS REAIS

Em particular, basta provar a linearidade na primeira variável. Temos

1 2 1 2 1 2 1 2
⟨v, u⟩ + ⟨w, u⟩ = ∥v + u∥ − ∥v − u∥ + ∥w + u∥ − ∥w − u∥
4 4 4 4
1 2 2
1
2 2

= ∥v + u∥ + ∥w + u∥ − ∥v − u∥ + ∥w − u∥
4 4
1 2 2

= ∥v + u + w + u∥ + ∥v + u − (w + u)∥
8
1 2 2

− ∥v − u + w − u∥ + ∥v − u − (w − u)∥
8
1 2 2
1
2 2

= ∥v + u + w + u∥ + ∥v − w∥ − ∥v − u + w − u∥ + ∥v − w∥
8 8
1 2
1
2

= ∥v + u + w + u∥ − ∥v − u + w − u∥
8 8
1 2 2 2

= 2 ∥v + w + u∥ + 2 ∥u∥ − ∥(v + w + u) − u∥
8
1 2 2 2

− 2 ∥v + w − u∥ + 2 ∥u∥ − ∥(v + w − u) + u∥
8
1 2 2
1
2 2

= 2 ∥v + w + u∥ − ∥v + w∥ − 2 ∥v + w − u∥ − ∥v + w∥
8 8
1 2 1 2
= ∥v + w + u∥ − ∥v + w − u∥
4 4
= ⟨v + w, u⟩ .

Vamos provar agora que

⟨αv, w⟩ = α ⟨v, w⟩
para todo α ∈ R em etapas. Se α = n ∈ N, por iteração de (i) da Definição 6.29 obtemos

⟨nv, w⟩ = n ⟨v, w⟩ ;

por exemplo, para n = 2 temos

⟨2v, w⟩ = ⟨v + v, w⟩ = ⟨v, w⟩ + ⟨v, w⟩ = 2 ⟨v, w⟩ .

Se n = −1, notando que

1 2 1 2
⟨0, w⟩ = ∥0 + w∥ − ∥0 − w∥
4 4
1 2 1 2
= ∥w∥ − ∥−w∥
4 4
1 2 1 2
= ∥w∥ − ∥w∥
4 4
= 0,

escrevemos
0 = ⟨0, w⟩ = ⟨v − v, w⟩ = ⟨v, w⟩ + ⟨−v, w⟩ ,
de modo que
⟨−v, w⟩ = − ⟨v, w⟩ .
Daı́, se n ∈ N,
⟨−nv, w⟩ = ⟨n (−v) , w⟩ = n ⟨−v, w⟩ = (−1) n ⟨v, w⟩ = −n ⟨v, w⟩ .

138
6.4. O SUBESPAÇO ORTOGONAL

Portanto, ⟨αv, w⟩ = α ⟨v, w⟩ para todo α ∈ Z. Em seguida, para provar que

1 1

v, w = ⟨v, w⟩
n n
para todo n ∈ N, notamos que
1 1

⟨v, w⟩ = n v, w =n v, w .
n n
Reunindo os dois resultados, concluı́mos que ⟨αv, w⟩ = α ⟨v, w⟩ para todo α ∈ Q. Para obter o resultado
geral para qualquer α ∈ R, observe que a função norma é contı́nua em um espaço normado e como a métrica
foi definida a partir da norma, ela também é uma função contı́nua. Assim, dado qualquer α ∈ R, tomamos
uma sequência (αn ) ⊂ Q tal que αn → α e obtemos

⟨αv, w⟩ = lim ⟨αn v, w⟩

= lim (αn ⟨v, w⟩)
= (lim αn ) ⟨v, w⟩
= α ⟨v, w⟩ .

Concluı́mos portanto que ⟨·, ·⟩ é uma forma bilinear simétrica.

Finalmente, se v ̸= 0, temos
1 2 1 2
⟨v, v⟩ = ∥v + v∥ − ∥v − v∥
4 4
1 2
= ∥2v∥
4
2
= ∥v∥
>0

e portanto ⟨·, ·⟩ é definida positiva. ■

6.4 O Subespaço Ortogonal

6.41 Definição. Seja V um espaço vetorial métrico. Dizemos que um subespaço W ⊂ V é não degenerado
se a métrica de V restrita a W é uma métrica. Caso contrário, dizemos que W é degenerado. □
Em outras palavras, um subespaço W de um espaço vetorial métrico (V, g) é não degenerado se a métrica
g de V restrita a W continua sendo uma forma bilinear não degenerada, isto é, se (W, g|W ) é um espaço
vetorial métrico. Subespaços do tipo tempo (em que todos os vetores não nulos do subespaço são do tipo
tempo) ou do tipo espaço (em que todos os vetores não nulos do subespaço são do tipo tempo) são sempre
não degenerados, mas podem existir outros subespaços não degenerados que não são do tipo tempo nem do
tipo espaço.
6.42 Exemplo. Em um espaço vetorial métrico positivo ou negativo definido, todo subespaço não nulo é
não degenerado.
No espaço de Minkowski M4 o subespaço do tipo tempo ⟨e0 ⟩, o subespaço do tipo espaço ⟨e1 , e2 , e3 ⟩ e o
subespaço que não é nem do tipo tempo nem do tipo espaço ⟨e0 , e1 ⟩ são não degenerados, enquanto que o
subespaço ⟨e0 + e1 ⟩ é degenerado, porque e0 + e1 é do tipo luz. □
Assim, em um espaço vetorial métrico que não é positivo ou negativo definido, um subespaço pode ou não
herdar a estrutura métrica do espaço ambiente.

139
6.4. O SUBESPAÇO ORTOGONAL

6.43 Definição. Seja V um espaço vetorial métrico. Dado um subespaço vetorial W ⊂ V definimos o
subespaço vetorial ortogonal a W

W ⊥ = {v ∈ V : ⟨v, w⟩ = 0 para todo w ∈ W } .

□
De fato, W ⊥ é um subespaço ortogonal porque uma métrica sendo uma forma bilinear, combinações lineares
de vetores ortogonais a W são ortogonais a W .
6.44 Proposição. Seja V um espaço vetorial métrico. Se W ⊂ V é um subespaço, então

dim W + dim W ⊥ = dim V.

Prova: Seja {e1 , . . . , em } uma base para W e complete esta base até uma base {e1 , . . . , em , em+1 , . . . en }
para V . Um vetor v ∈ V pertence a W ⊥ se e somente se ⟨v, ei ⟩ = 0 para i = 1, . . . , m. Denotando

gij = ⟨ei , ej ⟩

e
n
X
v= v j ej ,
j=1

segue que v ∈ W ⊥
se e somente se v satisfaz o sistema
n
X
gij v j = 0 para i = 1, . . . , m.
j=1

Como a matriz G = (gij ) de uma métrica é invertı́vel, o sistema possui exatamente n − m variáveis livres,
portanto o subespaço solução deste sistema tem dimensão n − m. ■
6.45 Corolário. Seja V um espaço vetorial métrico. Se W ⊂ V é um subespaço, então

⊥
W⊥ = W.

Prova: Temos ⊥
W⊥ = v ∈ V : ⟨v, w⟩ = 0 para todo w ∈ W ⊥ ⊃ W

por definição. Como

dim W + dim W ⊥ = dim V,

⊥
dim W ⊥ + dim W ⊥ = dim V,

donde ⊥
dim W = dim W ⊥ ,
⊥ ⊥
segue que W = W. ■

6.46 Proposição. Seja V um espaço vetorial métrico. Um subespaço W ⊂ V é não degenerado se e somente
se
V = W ⊕ W ⊥.

Neste caso, W ⊥ é chamado o complementar ortogonal de W .

140
6.5. EXISTÊNCIA DE BASES ORTONORMAIS E TEOREMA DE SYLVESTER

Prova: Pelo Teorema 1.39,

dim W + W ⊥ + dim W ∩ W ⊥ = dim W + dim W ⊥ . (6.2)

Disso e do resultado anterior, segue que V = W ⊕ W ⊥ se e somente se W ∩ W ⊥ = 0. Mas

W ∩ W ⊥ = {w ∈ W : w ⊥ W } ,

logo W ∩ W ⊥ = 0 se e somente se W é não degenerado. ■

6.47 Exemplo. No espaço de Minkowski M4 , a métrica é definida positiva quando restrita ao subespaço
do tipo espaço
W = ⟨e1 , e2 , e3 ⟩
e definida negativa quando restrita ao subespaço do tipo tempo

W ⊥ = ⟨e0 ⟩ .

Estes subespaços são um o complementar ortogonal do outro.

Se
Z = ⟨e0 + e1 ⟩ ,
então (porque e0 + e1 é do tipo luz, logo é ortogonal a si próprio)

Z ⊥ = ⟨e0 + e1 , e2 , e3 ⟩ ,

e eles não são complementares. □

6.5 Existência de Bases Ortonormais e Teorema de Sylvester

6.5.1 Existência de Bases Ortonormais
6.48 Lema. Se V é um espaço vetorial métrico não nulo, então existe u ∈ V tal que

q (u) ̸= 0.

Prova. Como uma métrica é não degenerada, existem vetores v, w ∈ V tais que

⟨v, w⟩ =
̸ 0.

Se q (v) ̸= 0 ou q (w) ̸= 0, a afirmação está provada. Caso contrário, se q (v) = q (w) = 0, isto é, v e w são
ambos do tipo luz, escolhemos u = v + w, pois

q (v + w) = ⟨v + w, v + w⟩
= ⟨v, v⟩ + 2 ⟨v, w⟩ + ⟨w, w⟩
= q (u) + 2 ⟨v, w⟩ + q (w)
= 2 ⟨v, w⟩
̸= 0.

■
O lema mostra que um espaço vetorial métrico não nulo não pode ser constituı́do apenas de vetores do tipo
luz.

141
6.5. EXISTÊNCIA DE BASES ORTONORMAIS E TEOREMA DE SYLVESTER

6.49 Teorema (Existência de Bases Ortonormais). Se V é um espaço vetorial métrico real ou complexo
de dimensão finita não nulo, então V possui uma base ortonormal.
Prova. A demonstração será por indução sobre n = dim V . Seja u ∈ V tal que q (u) ̸= 0 como no lema.
Caso n = 1. Basta tomar
u
e1 = p
q (u)
se q (u) > 0, caso em que q (e1 ) = +1 (métrica definida positiva) ou
u
e1 = p ,
−q (u)

se q (u) < 0, caso em que q (e1 ) = −1 (métrica definida negativa); no caso complexo, não há diferença.
Caso n > 1. Seja W = ⟨u⟩. Como W é um subespaço não degenerado, segue da Proposição 6.46 que

V = W ⊕ W ⊥.

Pelo caso anterior e pela hipótese de indução (dim W ⊥ = n − 1), existem bases ortonormais

B′ = {e1 } ,
B′′ = {e2 , . . . , en−1 }

para W e W ⊥ , respectivamente. Então

B = B′ ∪ B′′ = {e1 , e2 , . . . , en }

é uma base ortonormal para V . ■

6.50
√ Exemplo.
√ Se V é um espaço vetorial métrico sobre um corpo K em que existe α ∈ K tal que ambos
α e −α não existem, então V pode não possuir uma base ortonormal, mesmo que sua dimensão seja 1.
Por exemplo, se v ∈ R2 é um vetor tal que ∥v∥ ̸= 1 então V = Qv = {xv : x ∈ Q} com a métrica induzida é
um espaço vetorial racional de dimensão 1 que não possui vetores unitários. ■

6.5.2 Teorema de Sylvester para Métricas Reais

6.51 Teorema (Teorema de Sylvester). Se V é um espaço vetorial métrico real de dimensão n = p + q
e B = {e1 , . . . , en } é uma base ortonormal com

se i = 1, . . . , p,

−1
q (ei ) =
1 se i = p + 1, . . . , p + q,

então os valores de p, q são os mesmos para qualquer base ortonormal.

Prova. Sejam

B = {e1 , . . . , ep , ep+1 , . . . , en } ,
B′ = e′1 , . . . , e′p′ , e′p′ +1 , . . . , e′n

duas bases ortonormais para V ordenadas de tal forma que

se i = 1, . . . , p,

−1
q (ei ) =
1 se i = p + 1, . . . , n,

142
6.5. EXISTÊNCIA DE BASES ORTONORMAIS E TEOREMA DE SYLVESTER

se i = 1, . . . , p′ ,

−1
q (e′i ) =
1 se i = p′ + 1, . . . , n.
Afirmamos que
e1 , . . . , ep , e′p′ +1 , . . . , e′n
são LI. De fato, se
α1 e1 + . . . + αp ep + βp′ +1 e′p′ +1 + . . . + βn e′n = 0,
escrevemos
α1 e1 + . . . + αp ep = −βp′ +1 e′p′ +1 − . . . − βn e′n ,
e tomando o produto interno desta equação com ela própria obtemos

−α12 − . . . − αp2 = βp2′ +1 + . . . + βn2 ,

já que q (ei ) = −1 para i = 1, . . . , p e q (e′i ) = 1 para i = p′ + 1, . . . , n. Como o lado esquerdo é ⩽ 0 e o lado
direito é ⩾ 0 (daı́ a necessidade de se considerar um espaço vetorial real; veja a Observação 6.55), segue que
ambos devem ser 0 e portanto

α1 = . . . = αp = βp′ +1 = . . . = βn = 0,

provando a afirmação. Como dim V = n, temos que

p + (n − p′ ) ⩽ n,

donde
p ⩽ p′ .
Por simetria do argumento, segue também que p′ ⩽ p e portanto p = p′ . ■
6.52 Definição. Seja V é um espaço vetorial métrico real com dimensão n.
O número de vetores ei de qualquer base ortonormal B = {e1 , . . . , en } para V tais que

q (ei ) = −1

é chamado o ı́ndice da métrica.

Se a métrica tem ı́ndice p, denotando q = n − p, dizemos também que a métrica tem assinatura (p, q).
□
Em outras palavras, se um espaço vetorial métrico V tem assinatura (p, q), e B = {e1 , . . . , en } é uma base
ortonormal qualquer de V , então p é o número de vetores de B tais que q (ei ) = −1 e q é o número de vetores
de B tais que q (ei ) = +1. Em relação a esta base a métrica se escreve na forma

p
X n
X
⟨v, w⟩ = − v i wi + v i wi
i=1 i=p+1

e sua forma quadrática associada como

p n
i 2
X X 2
q (v) = − +

v vi .
i=1 i=p+1

143
6.5. EXISTÊNCIA DE BASES ORTONORMAIS E TEOREMA DE SYLVESTER

6.53 Notação. Para um espaço vetorial de dimensão n, definimos o eta de Kronecker de assinatura
(p, q) por
se i = j = 1, . . . , p,

 −1
(p,q)
ηij = 1 se i = j = p + 1, . . . , n,
0 se i ̸= j,


isto é,
0

−Ip
η (p,q)
= .
0 Iq
□
Note que quando (p, q) = (0, n) (métrica euclidiana)
(0,n)
ηij = δij ,
e quando (p, q) = (1, n) (métrica lorentziana) omitimos o ı́ndice superescrito e escrevemos simplesmente ηij ,
isto é,
(1,n)
ηij = ηij .
O Teorema de Sylvester diz portanto que a matriz simétrica associada a uma métrica com assinatura (p, q)
em relação a qualquer base ortonormal é exatamente a matriz diagonal η (p,q) .
6.54 Exemplo. Em Rn , se e1 , . . . , en são os vetores da base canônica, definimos uma métrica com assinatura
(p, q) por
(p,q) (p,q)
gij = ⟨ei , ej ⟩ = ηij .
Este é chamado o espaço vetorial métrico canônico com assinatura (p, q), denotado Rp,q ou Rp+q . □
6.55 Observação. O Teorema de Sylvester não vale para métricas complexas e o conceito de assinatura
não está definido para estas: se B = {e1 , . . . , en } é uma base ortonormal para V com
se i = 1, . . . , p,

−1
q (ei ) =
1 se i = p + 1, . . . , n,
se q (ej ) = −1 então
q (iej ) = i2 q (ej ) = (−1) (−1) = 1,
de modo que
B′ = {ie1 , . . . , iep , ep+1 , . . . , en }
é uma base ortonormal para V satisfazendo
q (ei ) = 1 para i = 1, . . . , n.
□
6.56 Exemplo. Se V é um espaço vetorial real e W é um espaço vetorial real métrico positivo definido,
podemos definir uma métrica definida positiva em V a partir de um morfismo linear injetivo T : V −→ W
por
⟨v, w⟩V := ⟨T v, T w⟩W . (6.3)
Dizemos que ⟨·, ·⟩V é a métrica em V induzida pela métrica em W através do morfismo linear injetivo T .
Claramente, todas as propriedades de uma métrica são satisfeitas por ⟨·, ·⟩V , consequência da linearidade
de T e do fato de ⟨·, ·⟩W ser uma métrica; a definição positiva é consequência da injetividade de T .
Se T é apenas injetivo, uma métrica de assinatura (p, q) em W poderá não induzir uma métrica em V , pois
esta poderá ser degenerada (por exemplo, quando o subespaço imagem T (V ) é um subespaço degenerado de
W ). Se T é um isomorfismo, então uma métrica de assinatura (p, q) em W induz uma métrica de assinatura
(p, q) em V . □

144
6.5. EXISTÊNCIA DE BASES ORTONORMAIS E TEOREMA DE SYLVESTER

6.5.3 Teorema de Sylvester para Formas Bilineares Reais Simétricas

6.57 Teorema (Teorema de Sylvester para Formas Bilineares Simétricas). Seja f uma forma
bilinear real simétrica. Então V possui uma base ortogonal B = {e1 , . . . , en } tal que

se i = 1, . . . , p,

 −1
q (ei ) = +1 se i = p + 1, . . . , p + q,
0 se i = p + q + 1, . . . , p + q + r.


Além disso, os valores de p, q, r independem da base.

Prova: A demonstração será por indução sobre n = dim V . Se f = 0 ou n = 1, o teorema é óbvio.
Assuma f ̸= 0, n > 1 e o teorema demonstrado para n − 1. Como f ̸= 0, usando o mesmo argumento do
Lema 6.48 obtemos u ∈ V tal que
q (u) ̸= 0.
Seja W = ⟨u⟩ o subespaço gerado por u e

W ⊥ = {v ∈ V : ⟨u, v⟩ = 0}

o subespaço ortogonal a u. Afirmamos que

V = W ⊕ W ⊥.

De fato, os subespaços W e W ⊥ são LI: se v ∈ W ∩ W ⊥ , então

v = αu,
f (u, v) = 0.

para algum escalar α ∈ R; logo,

0 = f (u, αu) = αf (u, u) = αq (u)
e como q (u) ̸= 0, segue que α = 0. Além disso, V = W + W ⊥ : dado v ∈ V , definindo
f (u, v)
w=v− u,
q (u)

segue que w ∈ W ⊥ , pois

f (u, v)

f (u, w) = f u, v − u
q (u)
f (u, v)
= f (u, v) − f (u, u)
q (u)
= 0;

portanto
f (u, v)
v= u+w
q (u)
com o primeiro vetor da soma em W e o segundo em W ⊥ . Agora, pela hipótese de indução existe uma base
ortogonal
B′ = {e1 , . . . , en−1 }

145
6.5. EXISTÊNCIA DE BASES ORTONORMAIS E TEOREMA DE SYLVESTER

para W ⊥ satisfazendo o enunciado do teorema. Tomando en = u, obtemos uma base ortogonal

B = {e1 , . . . , en−1 , en }
para V e reordenando-a ela satisfazerá as demais condições do teorema.
Seja B = {e1 , . . . , en } uma base ortogonal para V satisfazendo as condições do teorema. Em particular,
o posto da matriz de f em relação a esta base é p + q e portanto este é o posto de f . Segue que se
B = {e1 , . . . , ep , ep+1 , . . . , ep+q , ep+q+1 , . . . , ep+q+r } ,
B′ = e′1 , . . . , e′p′ , e′p′ +1 , . . . , e′p′ +q′ , e′p′ +q′ +1 , . . . , e′p′ +q′ +r′ ,

são duas bases ortogonais para V ordenadas de tal forma que

se i = 1, . . . , p,

 −1
q (ei ) = +1 se i = p + 1, . . . , p + q,
0 se i = p + q + 1, . . . , p + q + r,

e
se i = 1, . . . , p′ ,

 −1
q (ei ) =
′
+1 se i = p′ + 1, . . . , p′ + q ′ ,
0 se i = p′ + q ′ + 1, . . . , p′ + q ′ + r′ ,

temos
p + q = p′ + q ′ = rank f,
donde
r = r′ .
Assim, o mesmo argumento da demonstração do Teorema de Sylvester pode ser usado, concluindo que o
conjunto de vetores
e1 , . . . , ep , e′p′ +1 , . . . , e′p′ +q′

é LI e daı́
p + q ′ ⩽ n − r,
pois p + q ′ > n − r = rank f implicaria uma base em relação a qual a matriz de f teria posto maior que
rank f (basta completar esta base a uma base não necessariamente ortogonal de V ; a matriz resultante teria
posto pelo menos igual a p + q ′ ). Portanto, como
q ′ = n − p′ − r′ = n − p′ − r,
segue que
p + (n − p′ − r) ⩽ n − r,
donde
p ⩽ p′ .
Por simetria do argumento, p′ ⩽ p, logo p = p′ . De p = p′ e r = r′ , segue que q = q ′ . ■
6.58 Definição. Nas condições do teorema anterior, dizemos que a forma bilinear simétrica f tem assina-
tura (p, q, r). □
O Teorema de Sylvester para formas bilineares simétricas diz que a matriz simétrica associada a uma forma
bilinear simétrica com assinatura (p, q, r) em relação a qualquer base ortogonal é a matriz diagonal
−Ip 0 0
 

η (p,q,r) =  0 Iq 0  .
0 0 0r
O Teorema de Sylvester não vale para formas anti-simétricas: a existência de uma base ortogonal implica a
existência de uma representação matricial diagonal para a forma; como a matriz de uma forma anti-simétrica
é anti-simétrica, a matriz seria identicamente nula.

146
6.6. ALGUMAS PROPRIEDADES GEOMÉTRICAS DO ESPAÇO DE MINKOWSKI

6.6 Algumas Propriedades Geométricas do Espaço de Minkowski

Nesta seção, denotaremos o espaço de Minkowski Mn+1 por M e

∥v∥ = q (v)
p

se q (v) ⩾ 0 e
∥v∥ = −q (v)
p

se q (v) ⩽ 0.
6.59 Proposição. Se v ∈ M é do tipo tempo e w ̸= 0 é ortogonal a v, então w é um vetor do tipo espaço.
⊥
Em particular, ⟨v⟩ é um subespaço do tipo espaço.
Prova: Como ⟨v⟩ é não degenerado, podemos decompor
⊥
M = ⟨v⟩ ⊕ ⟨v⟩ .

Como os ı́ndices da métrica em M e ⟨v⟩ são iguais a 1, pelo Teorema de Sylvester o ı́ndice da métrica em
⊥
⟨v⟩ deve ser zero, caso contrário obterı́amos uma base para M com mais de um vetor com valor q igual a
−1. Portanto, todo vetor ortogonal a v não nulo é do tipo espaço. ■
6.60 Definição. Denote por M− o conjunto dos vetores do tipo tempo. Para v ∈ M− , definimos o cone
temporal de v como sendo o conjunto

C (v) = w ∈ M− : ⟨v, w⟩ < 0 .

Seu cone temporal oposto é o conjunto

C (−v) = −C (v) = w ∈ M− : ⟨v, w⟩ > 0 .

□
6.61 Proposição. Dois vetores v, w do tipo tempo estão no mesmo cone temporal se e somente se

⟨v, w⟩ < 0.

Prova: Seja v ∈ C (u), para u ∈ M− que podemos tomar unitário, de modo que ⟨u, u⟩ = −1. Mostraremos
que w ∈ M− pertence também a C (u) se e somente se ⟨v, w⟩ < 0. Escreva

v = au + x,
w = bu + y,
⊥
para x, y ∈ ⟨u⟩ . Temos
⟨v, w⟩ = ⟨au + x, bu + y⟩ = −ab + ⟨x, y⟩ . (6.4)
Como
2
0 > ⟨v, v⟩ = ⟨au + x, au + x⟩ = −a2 + ∥x∥ ,
2
0 > ⟨w, w⟩ = ⟨bu + y, bu + y⟩ = −b2 + ∥y∥ ,

segue que

|a| > ∥x∥ ,

|b| > ∥y∥ ,

147
6.6. ALGUMAS PROPRIEDADES GEOMÉTRICAS DO ESPAÇO DE MINKOWSKI

⊥
e pela desigualdade de Cauchy-Schwartz, válida no subespaço do tipo espaço ⟨u⟩ , obtemos

|⟨x, y⟩| ⩽ ∥x∥ ∥y∥ < |ab| .

Segue de (6.4) que

sign ⟨v, w⟩ = − sign (ab) .
Como v ∈ C (u),
0 > ⟨u, v⟩ = ⟨u, au + x⟩ = −a,
isto é,
a > 0,
donde
sign ⟨v, w⟩ = − sign b,
Mas w ∈ C (u) se e somente se b > 0, pois

⟨u, w⟩ = ⟨u, bu + y⟩ = −b,

logo segue o resultado. ■

Existem apenas dois cones temporais, pois pela Proposição 6.59 o produto interno de dois vetores do tipo
tempo não pode ser nulo, logo ou é negativo e eles estão no mesmo cone temporal pela Proposição 6.61, ou
é positivo e eles estão em cones temporais opostos. Portanto, temos a união disjunta

M− = C (v) ∪ C (−v)

para qualquer vetor do tipo tempo v.

Da mesma forma que o conjunto dos vetores do tipo tempo M− , cones temporais não são subespaços
vetoriais de M. Mas cada cone temporal é um conjunto convexo: se a, b > 0 e v, w ∈ C, então av + bw ∈ C.
6.62 Definição. Fixada uma base ortonormal

B = {e0 , e1 , . . . , en }

para o espaço de Minkowski M com q (e0 ) = −1, o cone temporal futuro de M é o conjunto

C+ = C (e0 ) = v ∈ M− : ⟨v, e0 ⟩ < 0 ,

enquanto que o cone temporal passado de M é o conjunto

C− = C (−e0 ) = v ∈ M− : ⟨v, e0 ⟩ > 0 .

Assim,
M− = C+ ∪ C− .
A escolha de qual cone temporal é designado como o cone temporal futuro e qual cone temporal é designado
como o cone temporal passado depende portanto da escolha da base. Isso determina uma orientação no
espaço de Minkowski.
Existem vetores do tipo espaço que satisfazem a desigualdade de Cauchy-Schwartz, como observado na
demonstração da Proposição 6.61. Isso não é verdade para todos os vetores do tipo espaço. Por exemplo,

v = (−1, 1, 1, 1) ,
w = (1, 1, 1, 1) ,

são vetores do tipo espaço, pois

⟨v, v⟩ = ⟨w, w⟩ = 2,

148
6.6. ALGUMAS PROPRIEDADES GEOMÉTRICAS DO ESPAÇO DE MINKOWSKI

mas
⟨v, w⟩ = 4,
enquanto que √ √
∥v∥ ∥w∥ = 2 2 = 2,
portanto
⟨v, w⟩ > ∥v∥ ∥w∥ .
Por outro lado, vetores do tipo tempo sempre satisfazem a desigualdade de Cauchy-Schwartz reversa:
6.63 Proposição (Desigualdade de Cauchy-Schwartz Reversa). Se v, w ∈ M são do tipo tempo, então

|⟨v, w⟩| ⩾ ∥v∥ ∥w∥ ,

com a igualdade valendo se e somente se v e w são múltiplos escalares um do outro.

Prova: Escreva
w = av + z
⊥
com z ∈ ⟨v⟩ . Então
⟨w, w⟩ = a2 ⟨v, v⟩ + ⟨z, z⟩ ,
e daı́
2 2
⟨v, w⟩ = a2 ⟨v, v⟩ = a2 ⟨v, v⟩ ⟨v, v⟩

= (⟨w, w⟩ − ⟨z, z⟩) ⟨v, v⟩

⩾ ⟨w, w⟩ ⟨v, v⟩
= ∥v∥ ∥w∥ ,
pois ⟨z, z⟩ ⩾ 0 pela Proposição 6.59 e ⟨w, w⟩ , ⟨v, v⟩ < 0. A igualdade vale se e somente se z = 0. ■
6.64 Proposição (Desigualdade Triangular Reversa). Se v, w ∈ M são do tipo tempo e estão no mesmo
cone temporal, então
∥v∥ + ∥w∥ ⩽ ∥v + w∥ ,

com a igualdade valendo se e somente se v e w são múltiplos escalares um do outro.

Prova: Como v, w estão no mesmo cone temporal e cones temporais são convexos, segue que v + w também
estã no mesmo cone temporal e em particular também é um vetor do tipo tempo, ou seja,
⟨v + w, v + w⟩ < 0.
Pela desigualdade de Cauchy-Schwartz reversa,
∥v∥ ∥w∥ ⩽ − ⟨v, w⟩ .
Logo,
2 2 2
(∥v∥ + ∥w∥) = ∥v∥ + 2 ∥v∥ ∥w∥ + ∥w∥
2 2
⩽ ∥v∥ − 2 ⟨v, w⟩ + ∥w∥
= − ⟨v, v⟩ − 2 ⟨v, w⟩ − ⟨w, w⟩
= − ⟨v + w, v + w⟩
2
= ∥v + w∥
A igualdade valerá se e somente se a igualdade valer na desigualdade de Cauchy-Schwartz reversa. ■
Assim, a reta que liga dois pontos no espaço de Minkowski não é o caminho mais curto entre dois pontos;
na verdade, é o caminho mais longo (que leva o maior tempo para percorrer)

149
6.7. COORDENADAS EM ESPAÇOS VETORIAIS MÉTRICOS

6.65 Proposição (Interpretação Geométrica do Produto Interno). Se v, w ∈ M são vetores do tipo

tempo pertencentes ao mesmo cone temporal, então existe um único real θ ⩾ 0 tal que

⟨v, w⟩ = − ∥v∥ ∥w∥ cosh θ.

θ é chamado o ângulo hiperbólico entre v e w.

Prova: Pela desigualdade de Cauchy-Schwartz reversa,
|⟨v, w⟩|
⩾ 1,
∥v∥ ∥w∥
logo existe um único número não negativo θ tal que
|⟨v, w⟩|
cosh θ = .
∥v∥ ∥w∥

Pela Proposição 6.61, ⟨v, w⟩ < 0, logo

|⟨v, w⟩| = − ⟨v, w⟩ ,
donde
⟨v, w⟩
cosh θ = − .
∥v∥ ∥w∥
■

6.7 Coordenadas em Espaços Vetoriais Métricos

Os resultados a seguir mostram que encontrar as coordenadas de um vetor ou de um operador linear em
relação a uma base ortonormal é bastante simples.
6.66 Proposição. Se um vetor v é a combinação linear dos vetores ortogonais não do tipo luz e1 , . . . , em ,
então
m
X ⟨v, ek ⟩
v= ek .
⟨ek , ek ⟩
k=1

Em particular, se a métrica tem assinatura (p, q) e B = {e1 , . . . , en } é uma base ortonormal com e1 , . . . , ep
do tipo tempo e ep+1 , . . . , ep+q do tipo espaço, segue que

n p p+q
(p,q)
X X X
v= ηii ⟨v, ek ⟩ ek = − ⟨v, ek ⟩ ek + ⟨v, ek ⟩ ek .
k=1 k=1 k=p+1

m
Prova: Se v = v j ej , então
P
j=1
* m
+ m
X X
⟨v, ek ⟩ = v j ej , ek = v j ⟨ej , ek ⟩ .
j=1 j=1

150
6.7. COORDENADAS EM ESPAÇOS VETORIAIS MÉTRICOS

6.67 Corolário. Qualquer conjunto ortogonal de vetores não do tipo luz é LI.
Prova: Se e1 , . . . , em são vetores ortogonais não luz e
m
X
0= v j ej ,
j=1

segue da proposição anterior que

⟨0, ek ⟩
vj = = 0.
⟨ek , ek ⟩
■
6.68 Proposição. Seja V um espaço vetorial métrico e B = {e1 , . . . , en } é uma base ortonormal para V e
A = [T ]B é a representação matricial de T , então se a métrica é definida positiva,

Aij = ⟨T ej , ei ⟩ .

Se a métrica tem assinatura (p, q), então

(p,q)
Aij = ηii ⟨T ej , ei ⟩ .

Prova: Por definição,

n
X
T ej = Akj ek .
k=1

Logo, * +
n
X n
X
⟨T ej , ei ⟩ = Akj ek , ei = Akj ⟨ek , ei ⟩ = Aij
k=1 k=1

se a métrica é definida positiva, e

⟨T ej , ei ⟩ = Aij ⟨ei , ei ⟩
no caso geral. ■
6.69 Proposição. Sejam V um espaço vetorial métrico com assinatura (p, q) e T ∈ Hom (V ) um operador
linear.
Se B = {e1 , . . . , en } é uma base ortonormal para V e A = [T ]B é a representação matricial de T , então

(p,q)
Aij = ηii ⟨T ej , ei ⟩ .

Em particular, se a métrica é definida positiva,

Aij = ⟨T ej , ei ⟩ .

Prova: Por definição,

n
X
T ej = Akj ek .
k=1

Logo, * +
n
X n
X
⟨T ej , ei ⟩ = Akj ek , ei = Akj ⟨ek , ei ⟩ = Aij
k=1 k=1

151
6.8. PROJEÇÕES ORTOGONAIS

se a métrica é definida positiva, e

(p,q)
⟨T ej , ei ⟩ = Aij ⟨ei , ei ⟩ = Aij ηii .

no caso geral. ■

6.8 Projeções Ortogonais

6.70 Definição. Seja V um espaço vetorial métrico. Dizemos que uma projeção E ∈ Hom (V ) é uma
projeção ortogonal se
ker E ⊥ im E.
Na decomposição em soma direta

V = im E ⊕⊥ ker E
v = w + z,

o vetor w é chamado a projeção ortogonal de v no subespaço W = im E, denotado

projW v.

□
6.71 Proposição. Sejam V um espaço vetorial métrico, W ⊂ V um subespaço não degenerado de V e
{e1 , . . . , em } uma base ortogonal de vetores não luz para W . Dado v ∈ V , a projeção ortogonal de v em W
é o vetor
m
X ⟨v, ek ⟩
projW v = ek .
⟨ek , ek ⟩
k=1

Prova: Pois
⟨v, ei ⟩
⟨v − projW v, ei ⟩ = ⟨v, ei ⟩ − ⟨ei , ei ⟩ = 0,
⟨ei , ei ⟩
logo
v = v + (v − projW v)
é uma decomposição em soma direta V = W ⊕⊥ W ⊥ . ■
6.72 Definição. Sejam V um espaço vetorial métrico definido positivo e W ⊂ V um subespaço de V . Dado
v ∈ V , a melhor aproximação de v em W é o vetor u ∈ W que satisfaz

∥v − u∥ ⩽ ∥v − w∥

para todos os vetores w ∈ W .

Em outras palavras,
∥v − u∥ = min ∥v − w∥ .
w∈W

6.73 Teorema. Sejam V um espaço vetorial métrico definido positivo e W ⊂ V um subespaço de V . Dado
v ∈ V , o vetor que melhor aproxima v em W é a projeção ortogonal de v em W .

152
6.9. PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT

Prova: Escreva
v = u + u⊥
onde u = projW v ∈ W e u⊥ ∈ W ⊥ . Dado w ∈ W , temos

v − w = u − w + u⊥ ,

e como u − w é ortogonal ao vetor u⊥ , segue da identidade de Pitágoras que

2 2 2
∥v − w∥ = ∥u − w∥ + u⊥ .

Em particular, o valor mı́nimo para ∥v − w∥ é atingido quando ∥u − w∥ = 0, isto é, quando w = u. ■

6.9 Processo de Ortogonalização de Gram-Schmidt

Já sabemos que todo espaço vetorial métrico de assinatura arbitrária possui uma base ortonormal, mas não
temos um algoritmo para construir uma tal base. O algoritmo de Gram-Schmidt permite construir uma
base ortogonal B′ = {w1 , . . . , wn } constituı́da de vetores do tipo tempo ou espaço a partir de uma base
B = {v1 , . . . , vn } dada. Para uma obter uma base ortonormal B′′ a partir de B′ , basta dividir cada vetor wi
por q (wi ). Além disso a base B′′ depende continuamente e mesmo diferencialmente da base B.
6.74 Lema (Processo de Ortogonalização de Gram-Schmidt). Seja V um espaço vetorial métrico
real com assinatura (p, q).
Se B = {v1 , . . . , vn } é uma base para V , então V possui uma base ortogonal B′ = {w1 , . . . , wn } tal que
nenhum wi é do tipo luz e cada wi é uma combinação linear dos vetores v1 , . . . , vn com coeficientes que são
funções racionais dos produtos escalares ⟨vi , vj ⟩.
Prova: Caso em que a métrica é definida positiva.
Primeiro tomamos w1 = v1 . Indutivamente, suponha obtidos vetores ortogonais w1 , . . . , wm tais que

{w1 , . . . , wk }

é uma base para o subespaço gerado pelos vetores v1 , . . . , vk , 1 ⩽ k ⩽ m. Para construir o vetor wm+1 ,
consideremos a projeção ortogonal do vetor vm+1 sobre o subespaço gerado pelos vetores w1 , . . . , wm :
m
X ⟨vm+1 , wj ⟩
2 wj
j=1 ∥wj ∥

e tomamos
m
X ⟨vm+1 , wj ⟩
wm+1 = vm+1 − 2 wj .
j=1 ∥wj ∥
Então wm+1 ̸= 0, caso contrário vm+1 está no subespaço gerado por w1 , . . . , wm e portanto é uma combinação
linear destes vetores. Além disso, para todo 1 ⩽ k ⩽ m temos
m
X ⟨vm+1 , wj ⟩ ⟨vm+1 , wk ⟩
⟨wm+1 , wk ⟩ = ⟨vm+1 , wk ⟩ − 2 ⟨wj , wk ⟩ = ⟨vm+1 , wk ⟩ − 2 ⟨wk , wk ⟩ = 0.
j=1 ∥wj ∥ ∥wk ∥

Assim, {w1 , . . . , wm+1 } é um conjunto de m + 1 vetores ortogonais que geram o subespaço ⟨v1 , . . . , vm+1 ⟩ de
dimensão m + 1, logo é uma base para este.
Caso geral.

153
6.9. PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT

O que impede a aplicação do processo usual de Gram-Schmidt usado em espaços vetoriais com métrica
definida positiva é a possı́vel presença de vetores do tipo luz na base inicial ou o surgimento de tais vetores
durante o processo de ortogonalização, de forma que não é possı́vel dividir pelas normas destes durante o
algoritmo. Este problema pode ser evitado através do argumento descrito a seguir.
Procedemos por indução em n = dim V . Se n = 1, como uma métrica é não degenerada, qualquer vetor
não nulo não pode ser do tipo luz, logo B já é a base requerida. Assuma como hipótese de indução que o
resultado vale para qualquer espaço vetorial métrico com dimensão menor que n.
Suponha em primeiro lugar que existe pelo menor um vetor na base B que não é do tipo luz. Podemos
assumir ⟨v1 , v1 ⟩ =
̸ 0, reordenando a base se necessário. Tomamos w1 = v1 . Como ⟨v1 ⟩ é não degenerado,
⊥ ⊥
segue que V = ⟨v1 ⟩ ⊕ ⟨v1 ⟩ com dim ⟨v1 ⟩ = n − 1. Além disso, se
⟨vi , v1 ⟩
ei = vi −
w v1 ,
⟨v1 , v1 ⟩
então
B
e = {w en }
e2 , . . . , w
⊥
é uma base para ⟨v1 ⟩ . Os vetores w ei podem ser todos do tipo luz, mas da hipótese de indução (observe
⊥
que ⟨v1 ⟩ é não degenerado, logo é um espaço métrico de dimensão n − 1) segue que existe uma base

B
e ′ = {w2 , . . . , wn }

tal que os vetores wi não são do tipo luz e eles são combinações lineares dos vetores wei com coeficientes
que são funções racionais dos produtos escalares ⟨w ej ⟩. Como os vetores w
ei , w ei por sua vez são combinações
lineares dos vetores vi com coeficientes que são funções racionais dos produtos escalares ⟨vi , vj ⟩, o mesmo
vale para os vetores wi . Consequentemente,
B′ = {w1 , w2 , . . . , wn }
é a base ortogonal para V requerida.
Suponha agora que todos os vetores na base B são do tipo luz. Note que como uma métrica é não
degenerada, não pode existir uma base ortogonal formada apenas de vetores do tipo luz: se {e1 , . . . , en }
fosse uma base ortogonal com cada ei do tipo luz, ou seja, ⟨ei , ej ⟩ = 0 para todos i, j, inclusive quando i = j,
então quaisquer vetores
n
X
v= v i ei ,
i=1
n
X
w= wj ej ,
j=1

seriam sempre ortogonais, pois

* n n
+ n
X X X
⟨v, w⟩ = i
v ei , j
w ej = v i wj ⟨ei , ej ⟩ = 0.
i=1 j=1 i,j=1

Portanto, B possui pelo menos dois vetores não ortogonais, que podemos tomar como sendo v1 , v2 , reorde-
nando a base se necessário. Mostraremos que podemos trocar os vetores v1 , v2 do tipo luz da base por um
par de vetores ortogonais ve1 , ve2 que não são do tipo luz, tais que ve1 , ve2 são combinações lineares de v1 , v2
com coeficientes que são funções racionais dos produtos escalares ⟨v1 , v2 ⟩. Uma vez feito isso, caı́mos no caso
anterior, em que pelo menos um vetor da base não é do tipo luz.
De fato, como ⟨v1 , v2 ⟩ =
̸ 0, podemos definir
ve1 = v1 + v2 ,
ve2 = v1 − v2 .

154
6.9. PROCESSO DE ORTOGONALIZAÇÃO DE GRAM-SCHMIDT

Então ve1 , ve2 são ortogonais, pois

v1 , ve2 ⟩ = ⟨v1 , v1 ⟩ − ⟨v1 , v2 ⟩ + ⟨v2 , v1 ⟩ + ⟨v2 , v2 ⟩

⟨e
= 0,

e eles não são do tipo luz, pois

v1 , ve1 ⟩ = ⟨v1 , v1 ⟩ + 2 ⟨v1 , v2 ⟩ + ⟨v2 , v2 ⟩

⟨e
= 2 ⟨v1 , v2 ⟩
̸= 0,
v2 , ve2 ⟩ = ⟨v1 , v1 ⟩ − 2 ⟨v1 , v2 ⟩ + ⟨v2 , v2 ⟩
⟨e
= −2 ⟨v1 , v2 ⟩
̸= 0.

155
Capı́tulo 7

Metrolineomorfismos

7.1 Operadores Lineares Métricos e Grupo Ortogonal

7.1 Definição. Sejam V, W espaços vetoriais métricos. Dizemos que um lineomorfismo L ∈ Hom (V, W )
é um metrolineomorfismo ou morfismo linear métrico (ou transformação linear ortogonal) se ele
preserva a métrica, isto é, se
⟨Lv, Lw⟩W = ⟨v, w⟩V

para todos v, w ∈ V . Quando V = W dizemos também que L é um operador linear métrico (ou operador
ortogonal).
Uma matriz (p, q)-ortogonal é uma matriz quadrada que representa um operador linear métrico em
relação a qualquer base ortonormal de um espaço vetorial métrico de assinatura (p, q). ■
O conjunto dos operadores lineares métricos não é um subespaço vetorial de Hom (V ), pois a soma de
morfismos lineares métricos em geral não é um morfismo linear métrico, mas é um subgrupo do grupo GL (V )
dos operadores lineares invertı́veis:

7.2 Proposição. O conjunto O (p, q) dos operadores lineares métricos em um espaço vetorial de assinatura
(p, q) é um grupo sob a operação de composição.
Prova. Claramente, o operador identidade está em O (p, q).
Se L, M ∈ O (p, q), então

⟨(L ◦ M ) v, (L ◦ M ) w⟩ = ⟨L (M v) , L (M w)⟩
= ⟨M v, M w⟩
= ⟨v, w⟩ ,

de modo que a composta L ◦ M também está em O (p, q).

Se L ∈ O (p, q), usaremos a não degeneracidade da métrica para mostrar que L é invertı́vel e que L−1 ∈
O (p, q). Se v ∈ ker L, então para todo w ∈ V temos

⟨v, w⟩ = ⟨Lv, Lw⟩ = ⟨0, Lw⟩ = 0,

e a não degeneracidade do produto interno implica que v = 0, e portanto L é invertı́vel. Daı́,

⟨v, w⟩ = L L−1 v , L L−1 w = L−1 v, L−1 w ,

logo L−1 ∈ O (p, q). ■

156
7.1. OPERADORES LINEARES MÉTRICOS E GRUPO ORTOGONAL

7.3 Definição. O (p, q) é chamado o grupo ortogonal de assinatura (p, q); O (0, n) = O (n) é chamado
o grupo ortogonal de ordem n.
Utilizamos o mesmo nome e sı́mbolo para o subgrupo de matrizes ortogonais do grupo de matrizes
GLn (R). □
Se P é a matriz do operador linear L em relação à base B = {e1 , . . . , en } do espaço vetorial métrico V ,
então P tem a forma em colunas
P = Le1 . . . Len ,

onde cada coluna é

Pj1


n
Pji ei =  ...  .
X
Lej =
 
i=1 Pjn
No resultado a seguir, denotaremos
η = η (p,q) .
7.4 Proposição. P é uma matriz (p, q)-ortogonal se e somente se

P t ηP = η.

Consequentemente, se P é ortogonal,
det P = ±1

e portanto toda matriz ortogonal é invertı́vel.

Em particular, se η = I é a métrica euclidiana, P é ortogonal se e somente se

P t P = P P t = I.

Prova. Seja V um espaço vetorial métrico de assinatura (p, q). Seja

B = {e1 , . . . , en }

uma base ortonormal para V satisfazendo

se i = 1, . . . , p,

−1
q (ei ) =
+1 se i = p + 1, . . . , p + q,

de modo que a matriz da métrica de V em relação a esta base é exatamente η. Se

n
X
v= v i ei ,
i=1

denote
v η = ηv,
ou seja,
p
X n
X
vη = − v i ei + v i ei ,
i=1 i=p+1

de modo que podemos escrever

⟨v, w⟩ = v t ηw = v t wη .

157
7.1. OPERADORES LINEARES MÉTRICOS E GRUPO ORTOGONAL

Seja P uma matriz ortogonal representando um operador linear métrico L ∈ Hom (V ) em relação a B.
Então
⟨Lei , Lej ⟩ = ⟨ei , ej ⟩ = ηij
e
t 
(Le1 )

 − idp 0

P t ηP =  ..
Le1 . . . Len

.

0 idq

t
(Len )
t 
(Le1 )

.. η η
=  (Le1 ) . . . (Len )

.

t
(Len )
h i
t η
= (Lei ) (Lej )
= [⟨Lei , Lej ⟩]
= [⟨ei , ej ⟩]
= η.
Reciprocamente, suponha que P t ηP = η. Então, para todos v, w ∈ V temos
v t P t ηP w = v t ηw.

O lado direito desta equação é ⟨v, w⟩, enquanto que o lado esquerdo é
t
v t P t ηP w = (P v) ηP w

= ⟨P v, P w⟩ ,
donde
⟨P v, P w⟩ = ⟨v, w⟩ .
Finalmente, como
p
det P t ηP = det η = (−1)

e também
det P t ηP = det P t det η det P

2
= det η (det P )
p 2
= (−1) (det P ) ,
temos
2
(det P ) = 1,
donde
det P = ±1.
■
Se P, Q são operadores métricos com determinante +1, então
det (P Q) = det P det Q = +1
também, logo o conjunto dos operadores lineares métricos em O (p, q) com determinante +1 formam um
subgrupo; isso não ocorre evidentemente para os operadores lineares métricos com determinante −1, já que
se P, Q são operadores lineares métricos com determinante −1, então
det (P Q) = det P det Q = (−1) (−1) = +1.

158
7.2. ROTAÇÕES E REFLEXÕES

7.5 Definição. O subgrupo de O (p, q) dos operadores métricos com determinante +1 é denotado SO (p, q)
e chamado o grupo ortogonal especial de assinatura (p, q); SO (0, n) = SO (n) é chamado o grupo
ortogonal especial de ordem n.
Utilizamos o mesmo nome e sı́mbolo para o subgrupo das matrizes ortogonais com determinante +1 do
grupo de matrizes GLn (R). □

7.2 Rotações e Reflexões

7.6 Definição. Um elemento R ∈ SO (p, q) é chamado uma rotação e um elemento H ∈ O (p, q) \ SO (p, q)
é chamado uma reflexão. □
Ou seja, uma rotação é um operador linear métrico ou matriz ortogonal com determinante +1 e uma reflexão
é um operador linear métrico ou matriz ortogonal com determinante −1.
7.7 Definição. Seja V um espaço vetorial métrico. Para cada v ∈ V , o operador H ∈ O (p, q) tal que

se w = v,

−v
Hv (w) = ⊥
w se w ∈ ⟨v⟩ ,

⊥
é chamado a reflexão pelo hiperplano ⟨v⟩ . □
⊥
Em relação à base B = {v, e2 , . . . , en }, onde {e2 , . . . , en } é uma base para ⟨v⟩ (não necessariamente orto-
normais), temos que a matriz de Hv é a matriz ortogonal

0

−1
[Hv ]B =
0 idn−1
com determinante −1. Note que reflexões por hiperplanos H satisfazem

H 2 = id

isto é,
H −1 = H.
7.8 Exemplo. Nem toda reflexão em O (p, q) \ SO (p, q) é uma reflexão em relação a um hiperplano, isto é,
deixa todo vetor de algum hiperplano fixo. Por exemplo, em R3 o operador H = − id é uma reflexão (em
relação à origem) que não fixa nenhum vetor não nulo. □
7.9 Exemplo. Em R2 , a reflexão em relação à reta passando pela origem que faz ângulo θ com o eixo x
positivo é definida por
cos 2θ sen 2θ

Hθ = .
sen 2θ − cos 2θ
De fato, se w = (cos θ, sen θ) é o vetor direção da reta, então Hθ (w) = w, e se v = (− sen θ, cos θ) é um vetor
ortogonal à reta, então Hθ (v) = −v. Em relação à base B = {v, w} a matriz de Hθ é

−1 0

[Hθ ]B = .
0 1
□
7.10 Proposição. Vale
⟨w, v⟩
Hv (w) = w − 2 v.
⟨v, v⟩

159
7.2. ROTAÇÕES E REFLEXÕES

Prova: Temos
⟨v, v⟩
Hv (v) = v − 2 v = v − 2v = −v,
⟨v, v⟩
e, se w ⊥ v, de modo que ⟨w, v⟩ = 0,
Hv (w) = w.
■
7.11 Lema. Seja V um espaço vetorial métrico. Se v, w ∈ V são tais que q (v) = q (w), então

v + w ⊥ v − w.

Prova: Temos

⟨v + w, v − w⟩ = q (v) − ⟨v, w⟩ + ⟨w, v⟩ − q (w)

= 0.

■
7.12 Lema. Sejam V um espaço vetorial métrico definido positivo e v, w ∈ V tais que ∥v∥ = ∥w∥. Então
Hv−w é a única reflexão por hiperplano que leva v em w e w em v.
Prova: Pelo lema anterior, v + w ⊥ v − w, logo

Hv−w (v − w) = w − v,
Hv−w (v + w) = v + w.

Segue que
1
Hv (v) = [Hv−w (v − w) + Hv−w (v + w)]
2
1
= (w − v + v + w)
2
=w

e
1
Hv (w) = [Hv−w (v + w) − Hv−w (v − w)]
2
1
= [v + w − (w − v)]
2
= v.

Para provar a unicidade, suponha que Hu satisfaz Hu (v) = w e Hu (w) = v. Então

Hu (v − w) = Hu (v) − Hu (w)
= w − v,
⊥
de modo que Hu é a reflexão em relação ao hiperplano ⟨v − w⟩ , ou seja Hu = Hv−w . ■
Note que se v = w, então Hv−w = H0 = id.

7.13 Lema. Sejam V um espaço vetorial métrico e v, w ∈ V vetores não do tipo luz tais que q (v) = q (w).
Então Hv+w leva v em −w e w em −v ou Hv−w leva v em −w e w em −v.

160
7.2. ROTAÇÕES E REFLEXÕES

Prova: A soma de vetores ortogonais u1 , u2 do tipo luz sempre é do tipo luz, pois

q (u1 + u2 ) = q (u1 ) + 2 ⟨u1 , u2 ⟩ + q (u2 ) = 0.

Pelo Lema 7.11 v + w ⊥ v − w. Como

(v + w) + (v − w) = 2v

e v não é do tipo luz, segue que v + w ou v − w não é do tipo luz (ou ambos). Se v + w não é do tipo luz,
então

Hv+w (v + w) = − (v + w) ,
Hv+w (v − w) = v − w,

donde

Hv+w (v) = −w,

Hv+w (w) = −v.

Se v − w não é do tipo luz, então

Hv−w (v + w) = v + w,
Hv−w (v − w) = − (v − w) ,

donde

Hv−w (v) = w,
Hv−w (w) = v.

■
7.14 Proposição. Seja V um espaço vetorial métrico de caracterı́stica diferente de 2.
Todo morfismo linear métrico é um produto de reflexões por hiperplanos.
Prova: Seja L ∈ O (p, q).
Caso Definido Positivo. Seja B = {e1 , . . . , en } uma base ortonormal para V . Usando o Lema 7.12,
temos
HL(e1 )−e1 (L (e1 )) = e1 .
Tome
H1 = HL(e1 )−e1 ,
de modo que
(H1 ◦ L) (e1 ) = e1 .
Suponha que encontramos reflexões por hiperplanos

H1 , . . . , Hk−1

tais que
(Hk−1 · · · H1 L) (ei ) = ei
para i = 1, . . . , k − 1. Denotando
Lk−1 = Hk−1 · · · H1 L
e tomando
Hk = HLk−1 (ek )−ek ,

161
7.2. ROTAÇÕES E REFLEXÕES

temos
Hk (Lk−1 (ek )) = ek .
Além disso, (Lk−1 (ek ) − ek ) ⊥ ei para i = 1, . . . , k − 1, pois ek ⊥ ei e as inversas dos operadores métricos
reflexões são elas próprias, de modo que

⟨Lk−1 (ek ) − ek , ei ⟩ = ⟨Lk−1 (ek ) , ei ⟩ − ⟨ek , ei ⟩

= ⟨Hk−1 · · · H1 L (ek ) , ei ⟩
= ⟨L (ek ) , H1 · · · Hk−1 (ei )⟩
= ⟨L (ek ) , L (ei )⟩
= ⟨ek , ei ⟩
= 0.
⊥
Portanto, e1 , . . . , ek estão no hiperplano ⟨Lk−1 (ek ) − ek ⟩ , logo

Hk (Lk−1 (ei )) = Hk [(Hk−1 · · · H1 L) (ei )]

= Hk (ei )
= ei .

Continuando desta forma, encontramos reflexões por hiperplanos

H1 , . . . , Hn

tais que
(Hn · · · H1 L) (ei ) = ei
para i = 1, . . . , n, ou seja,
Hn · · · H1 L = id,
donde, como a inversa de uma reflexão é ela própria,

L = H1 · · · Hn .

Caso Geral. Por indução em n = dim V .

Se n = 1, pela não degeneracidade da métrica temos V = ⟨u⟩ com q (u) ̸= 0. Para qualquer α ∈ K

L (αu) = αu.

Como L é um morfismo métrico, segue que

q (u) = q (Lu) = q (αu) = α2 q (u) ,

donde α = ±1. Se α = 1, então

L = id = Hv2 = Hv Hv ,
e se α = −1, então
L = Hv .
Assuma o resultado válido para espaços métricos V com dim V < n. Seja u um vetor que não é do tipo
luz. Então
q (Lu) = q (u) ̸= 0.
Pelo Lema 7.13, existe uma reflexão por hiperplano H tal que

H (Lu) = ±u.

162
7.3. ISOMETRIAS

⊥
Em particular, HL = ± id em ⟨u⟩. Como HL é métrico, o subespaço ⟨u⟩ é invariante por HL. Por hipótese
de indução, temos
(HL) |⟨u⟩⊥ = Hv1 · · · Hvk
⊥ ⊥
para reflexões Hvi definida em ⟨u⟩ com v1 , . . . , vk ∈ ⟨u⟩ . Estendemos Hvi a uma reflexão por hiperplano
em V definindo
Hvi (u) = u,
que denotaremos por Hi . Segue que se HL = + id, então

L = HHv1 · · · Hvk .
⊥
Se HL = − id, como Hu é a identidade em ⟨u⟩ , então podemos escrever

L = HHu Hv1 · · · Hvk .

■
Note que reflexões não podem ser escritas como produtos de rotações, porque o determinante de um produto
de rotações sempre é +1.

7.3 Isometrias
7.15 Definição. Seja V um espaço vetorial métrico. Uma aplicação F : V −→ V tal que

q (F (v) − F (w)) = q (v − w)

para todos v, w ∈ V é chamada uma isometria de V . ■

Todo operador linear métrico é uma isometria, pois

q (L (v) − L (w)) = q (L (v − w))

= ⟨L (v − w) , L (v − w)⟩
= ⟨v − w, v − w⟩
= q (v − w) .

7.16 Proposição. Se F é uma isometria tal que F (0) = 0, então F é um operador linear métrico.
Prova: Passo 1. q (F (v)) = q (v) para todo v ∈ V .
Pois
q (F (v)) = q (F (v) − F (0)) = q (v − 0) = q (v) .
Passo 2. F preserva a métrica.
Pela identidade polar, para todos v, w ∈ V vale
1
⟨F (v) , F (w)⟩ = [q (F (v) − F (w)) − q (F (v)) − q (F (w))]
2
1
= (q (v − w) − q (v) − q (w))
2
= ⟨v, w⟩ .

Passo 3. F é linear.
Seja
B = {e1 , . . . , en }

163
7.3. ISOMETRIAS

uma base ortonormal para V . Suponha primeiramente que

F (ei ) = ei (7.1)
para todo i. Para todo v ∈ V temos
⟨v, ei ⟩ = ⟨F (v) , F (ei )⟩ = ⟨F (v) , ei ⟩ .
Pela bilinearidade da métrica segue que
⟨v, w⟩ = ⟨F (v) , w⟩
para todo w ∈ V , de modo que pela não degeneracidade da métrica temos
F (v) = v,
isto é,
F = id,
que é um operador linear métrico.
Se (7.1) não se cumpre, pelo Passo 2 F leva bases ortonormais em bases ortonormais, de modo que se
F (ei ) = fi ,
então
B′ = {f1 , . . . , fn }
é uma base ortonormal. Se L é o operador linear métrico que leva B′ em B, segue que G = L ◦ F é uma
isometria (composta de isometrias; veja a demonstração deste fato na prova da Proposição 7.17 a seguir)
que satisfaz
G (ei ) = ei ,
logo pelo argumento anterior segue que
G = id,
e portanto
F = L−1
é um operador linear métrico. ■
7.17 Proposição. O conjunto Isom (V ) das isometrias de um espaço vetorial com produto interno V é um
grupo sob a operação de composição.
Prova. Claramente, o operador identidade é uma isometria.
Se F, G ∈ Isom (V ), então
q [(F ◦ G) (v) − (F ◦ G) (w)] = q [F (G (v)) − F (G (w))]
= q (G (v) − Gw)
= q (v − w) ,
logo o produto F ◦ G ∈ Isom (V ).
Se F ∈ Isom (V ), para mostrar que F é invertı́vel, seja T uma translação que leva F (0) em 0. Então
T ◦ F é uma isometria tal que (T ◦ F ) (0) = 0, que pela proposição anterior é um operador linear métrico, em
particular bijetivo; logo F = T −1 ◦ (T ◦ F ) é uma composição de bijeções, portanto uma bijeção e invertı́vel.
Como
q (v − w) = q F F −1 (v) − F F −1 (w)

= q F −1 (v) − F −1 (w) ,

segue que F −1 ∈ Isom (V ). ■

Isom (V ) é chamado o grupo das isometrias de V . O grupo ortogonal O (p, q) é um subgrupo do grupo
de isometrias.

164
7.4. OPERADORES ADJUNTOS

7.18 Proposição. Seja V um espaço vetorial métrico. Se F ∈ Isom (V ), então existe um único operador
linear métrico L e uma única translação T tais que

F = T ◦ L.

Prova: (Existência) Seja T : V −→ V a translação

T (p) = p + F (0) .

Então T −1 ◦ F : V −→ V é uma isometria tal que

T −1 ◦ F (0) = T −1 (F (0)) = F (0) − F (0) = 0,

de modo que pelo resultado anterior

L := T −1 ◦ F
é um operador linear métrico.
(Unicidade) Se L1 , L2 são operadores ortogonais e T1 , T2 são translações tais que

F = T1 ◦ L1 = T2 ◦ L2 ,

então
L1 ◦ L−1 −1
2 = T1 ◦ T2 .

Em particular, T1−1 ◦ T2 é um operador linear e como operadores lineares deixam o vetor nulo fixo, segue
que T1−1 ◦ T2 é a translação nula, isto é, a identidade. Logo,

T1−1 ◦ T2 = id =⇒ T1 = T2 ,
L1 ◦ L−1
2 = id =⇒ L1 = L2 .

■
7.19 Exemplo. O grupo das isometrias do espaçotempo de Minkowski Isom Mn+1 é chamado o grupo

de Poincaré, um operador linear métrico do espaçotempo de Minkowski é chamado uma transformação

de Lorentz e o grupo das transformações de Lorentz O (1, n) é chamado o grupo de Lorentz. □

7.4 Operadores Adjuntos

7.4.1 Teorema da Representação de Riesz
O espaço dual V ∗ é isomorfo ao espaço V porque eles tem a mesma dimensão; este isomorfismo não é natural,
pois depende de fixar uma base. Em um espaço vetorial métrico de dimensão finita, todo funcional linear é
derivado da métrica como veremos a seguir. Assim a estrutura métrica adicional permite uma identificação
canônica, independente de bases entre V e V ∗ .
7.20 Teorema (Teorema da Representação de Riesz). Seja V um espaço vetorial métrico de dimensão
finita e f ∈ V ∗ um funcional linear. Então existe um único vetor v ∈ V tal que

f (w) = ⟨v, w⟩ para todo w ∈ V.

Esta correspondência determina um isomorfismo natural (isto é, independente de bases) entre V e V ∗ .
Em particular,
⊥
ker f = ⟨v⟩ .

165
7.4. OPERADORES ADJUNTOS

(p,q)
Prova: Seja {e1 , . . . , en } uma base ortonormal para V . Se w ∈ V , denotando ηkk = ηkk , temos
n
X
w= ηii ⟨ei , w⟩ ei .
i=1

Logo,
n
X
f (w) = ηii ⟨ei , w⟩ f (ei )
i=1
Xn
= ηii ⟨f (ei ) ei , w⟩
i=1
* n +
X
= ηii f (ei ) ei , w .
i=1

Tome
n
X
v= ηii f (ei ) ei .
i=1

Se a métrica é definida positiva,

n
X
v= f (ei ) ei .
i=1

Se v ′ ∈ V é outro vetor tal que f (w) = ⟨w, v ′ ⟩ para todo w ∈ V , então ⟨w, v⟩ = ⟨w, v ′ ⟩ para todo w ∈ V ,
donde ⟨w, v − v ′ ⟩ = 0. A não degeneracidade da métrica implica v − v ′ = 0, donde v = v ′ . ■
O Teorema de Riesz pode ser generalizado para formas bilineares não degeneradas. Se f é uma forma bilinear
degenerada, o teorema deixa de ser válido: por exemplo, no caso extremo f = 0, nenhum funcional linear
não nulo pode ser representado através de f .

7.4.2 Morfismo Adjunto

A principal consequência do Teorema de Representação de Riesz é permitir a identificação de um espaço
vetorial métrico V com o seu dual V ∗ atrávés da métrica. Da mesma forma, ele permite a identificação do
anulador U 0 de um subespaço U de V com o subespaço ortogonal U ⊥ e do morfismo dual T ∗ : W ∗ −→ V ∗
de um morfismo linear T : V −→ W com um morfismo linear T ∗ : W −→ V , chamado o adjunto de T ,
como veremos a seguir. Usaremos a mesma notação para denotar os dois morfismos, apesar de estarem
definidos em espaços diferentes, por causa da identificação natural permitida pelo Teorema de Riesz: em
espaços vetoriais métricos não há a menor necessidade em considerar o morfismo dual e tudo é expresso pelo
morfismo adjunto.
7.21 Definição. Sejam V, W espaços vetoriais métricos e T : V −→ W uma aplicação. Dizemos que uma
aplicação T ∗ : W −→ V é a adjunta de T se

⟨T v, w⟩ = ⟨v, T ∗ w⟩

para todos v ∈ V, w ∈ W . □
Observe que também temos
⟨v, T w⟩ = ⟨T ∗ v, w⟩ ,

166
7.4. OPERADORES ADJUNTOS

pois
⟨v, T w⟩ = ⟨T w, v⟩ = ⟨w, T ∗ v⟩ = ⟨T ∗ v, w⟩ .
Isso implica que a a adjunta de T ∗ é a própria T :

⟨T ∗ v, w⟩ = ⟨v, T w⟩ ,

isto é,
∗
(T ∗ ) = T.

7.22 Proposição. Sejam V, W espaços vetoriais métricos e T ∈ Hom (V, W ). Se a adjunta de T existir,
ela é única e é também um morfismo linear.
Prova: Sejam w1 , w2 ∈ W e α, β ∈ R. Então, para todo v ∈ V temos

⟨v, T ∗ (αw1 + βw2 )⟩ = ⟨T v, αw1 + βw2 ⟩

= α ⟨T v, w1 ⟩ + β ⟨T v, w2 ⟩
= α ⟨v, T ∗ w1 ⟩ + β ⟨v, T ∗ w2 ⟩
= ⟨v, αT ∗ w1 + βT ∗ w2 ⟩ ,

o que implica, pela não degeneracidade da métrica, que

T ∗ (αw1 + βw2 ) = αT ∗ w1 + βT ∗ w2 .

O mesmo argumento também estabelece a unicidade de T ∗ . ■

Observe que na demonstração desta proposição não usamos o fato de T ser linear para provar que a adjunta
T ∗ é linear. Segue que, quando existe, a adjunta de qualquer aplicação é necessariamente linear. Por outro
lado, como a adjunta da adjunta de T é a própria aplicação T , concluı́mos que T (adjunta de uma aplicação)
deve ser linear. Em outras palavras, para que a adjunta de uma aplicação T exista, T já deve ser uma
aplicação linear. Assim, não há realmente nenhum ganho em generalidade em definir a adjunta de uma
aplicação arbitrária ao invés de definir apenas a adjunta de aplicações lineares, pois as únicas aplicações que
possuem adjuntas são as aplicações lineares.
7.23 Proposição. Sejam V, W espaços vetoriais métricos de dimensão finita. Todo morfismo linear T ∈
Hom (V, W ) possui um único adjunto.
Prova: Para cada w ∈ W fixado, o funcional

f (v) = ⟨T v, w⟩

é um funcional linear. Pelo Teorema de Representação de Riesz existe um único vetor u ∈ V tal que

⟨T v, w⟩ = ⟨v, u⟩ para todo v ∈ V.

Definimos uma aplicação T ∗ : W −→ V adjunto de T por

T ∗ w = u.

Pelo proposição anterior, T ∗ é única e linear. ■

7.24 Proposição. Sejam V um espaço vetorial métrico de dimensão finita e T ∈ Hom (V ). Se B =
{e1 , . . . , en } é uma base ortonormal para V e

A = [T ]B ,

167
7.4. OPERADORES ADJUNTOS

então
[T ∗ ]B = ηAt η.
Em particular, se a métrica é definida positiva,

[T ∗ ]B = At ,

ou seja, em relação a uma base ortonormal, a matriz do operador adjunto T ∗ é a transposta da matriz do
operador T .
Prova: Seja B = [T ∗ ]B . Pela Proposição 6.69,

Aij = ηii ⟨T ej , ei ⟩ ,
Bji = ηii ⟨T ∗ ej , ei ⟩ ,

donde

Bji = ηii ⟨T ∗ ej , ei ⟩
= ηii ⟨ei , T ∗ ej ⟩
= ηii ⟨T ei , ej ⟩
= ηii Aji ηjj
i
= ηAt η j .

■
7.25 Definição. Seja V um espaço vetorial métrico. Dizemos que T ∈ Hom (V ) é um operador autoadjunto
se
T = T ∗.
□
Assim, se T é um operador autoadjunto, vale

⟨T v, w⟩ = ⟨v, T w⟩

para todos v, w ∈ V .
7.26 Corolário. Sejam V um espaço vetorial métrico de dimensão finita e T ∈ Hom (V ). Se B é uma base
ortonormal para V então T é um operador linear autoadjunto se e somente se A = [T ]B satisfaz

A = ηAt η.

Se a métrica é definida positiva, então T é autoadjunto se e somente se

A = At ,

isto é, se e somente se A é uma matriz simétrica.

7.27 Exemplo. No plano de Minkowski M2 , se em relação à base canônica
1
A1 A12

[T ]B = ,
A21 A22
então
0 A11 A12 0 A11 −A12

−1 −1
[T ]B =
∗
= .
0 1 A21 A22 0 1 −A21 A22
Consequentemente, T é autoadjunto se e somente se [T ]B é uma matriz diagonal. □

168
7.4. OPERADORES ADJUNTOS

7.28 Proposição. T é um morfismo métrico se e somente se

T T ∗ = T ∗ T = id .

Prova: Se T é um morfismo métrico, para todos v, w ∈ V temos

⟨v, w⟩ = ⟨T v, T w⟩ = ⟨v, T ∗ T w⟩

logo T ∗ T w = w para todo w ∈ V , isto é, T ∗ T = id. Reciprocamente, se T ∗ T = id, então

⟨v, w⟩ = ⟨v, T ∗ T w⟩ = ⟨T v, T w⟩ .

■
7.29 Proposição. Sejam V um espaço vetorial métrico e T, U ∈ Hom (V ). Então
(i)
∗
(αT + βU ) = αT ∗ + βU ∗ .

(ii)
∗
(T U ) = U ∗ T ∗ .

(iii) Consequentemente, se T é invertı́vel,

∗ −1
T −1 = (T ∗ ) .

7.4.3 Alternativa de Fredholm

7.30 Teorema. Sejam V, W espaços vetoriais métricos de dimensão finita e T ∈ Hom (V, W ). Então
(i)
⊥
ker T ∗ = (im T ) .
⊥
im T ∗ = (ker T ) .

(ii)
⊥
ker T = (im T ∗ ) .
⊥
im T = (ker T ∗ ) .

(iii)
dim (ker T ) = dim (ker T ∗ ) + (dim V − dim W ) .
dim (im T ) = dim (im T ∗ ) .

Em particular,
V = ker T ∗ ⊕⊥ im T.

169
7.4. OPERADORES ADJUNTOS

Prova: (i) Temos

w ∈ ker T ∗
⇔ T ∗w = 0
⇔ ⟨v, T ∗ w⟩ = 0 para todo v ∈ V
⇔ ⟨T v, w⟩ = 0 para todo v ∈ V
⇔ w é ortogonal a im T
⊥
⇔ w ∈ (im T ) ,
o que prova a primeira equação.
Para provar a segunda, seja w ∈ im T ∗ , digamos w = T ∗ u para algum u ∈ V . Se v ∈ ker T , então
0 = ⟨0, u⟩ = ⟨T v, u⟩ = ⟨v, T ∗ u⟩ = ⟨v, w⟩ ,
⊥ ⊥ ⊥
de modo que w ∈ (ker T ) , isto é, im T ∗ ⊂ (ker T ) . Para provar que im T ∗ = (ker T ) basta então provar
que eles possuem a mesma dimensão. Pelo segunda equação do item (iii), cuja demonstração segue da
primeira equação deste item, temos
dim (im T ∗ ) = dim (im T )
= dim V − dim (ker T )
⊥
= dim (ker T ) ,
a última igualdade seguindo da Proposição 6.44.
(ii) Segue de (i), substituindo T por T ∗ .
⊥
(iii) ker T ∗ = (im T ) implica pela Proposição 6.45 ker T ∗ = im T , logo
⊥
dim (im T ) = dim (ker T ∗ )
= dim W − dim (ker T ∗ )
= dim (im T ∗ ) .
⊥ ⊥
Da mesma forma, im T ∗ = (ker T ) implica (im T ∗ ) = ker T , donde
⊥
dim (ker T ) = dim (im T ∗ )
= dim V − dim (im T ∗ )
= dim V − (dim W − dim (ker T ∗ ))
= dim (ker T ∗ ) + (dim V − dim W ) .
■
⊥
Pelo teorema, im T = (ker T ∗ ) . Segue que a equação
Tv = w
tem solução se e somente se
⊥
w ∈ (ker T ∗ ) .
7.31 Teorema (Alternativa de Fredholm). Sejam V um espaço vetorial métrico de dimensão finita e
T ∈ Hom (V ). Então vale apenas uma e somente uma das alternativas a seguir:
ou
T v = w tem solução,
ou
T ∗ z = 0 tem solução z tal que ⟨w, z⟩ =
̸ 0.

170
7.5. DIAGONALIZAÇÃO DE OPERADORES AUTOADJUNTOS

7.5 Diagonalização de Operadores Autoadjuntos

7.32 Proposição. Seja V um espaço vetorial métrico. Se T é um operador autoadjunto então os autovetores
de T associados a autovalores distintos são ortogonais.
Prova: Sejam λ1 , λ2 autovalores reais distintos de T e v1 , v2 autovetores não-nulos associado a λ1 , λ2 ,
respectivamente. Então

λ1 ⟨v1 , v2 ⟩ = ⟨λ1 v1 , v2 ⟩
= ⟨T v1 , v2 ⟩
= ⟨v1 , T v2 ⟩
= ⟨v1 , λ2 v2 ⟩
= λ2 ⟨v1 , v2 ⟩ ,

e como λ1 ̸= λ2 , concluı́mos que

⟨v1 , v2 ⟩ = 0.
■
7.33 Proposição. Seja V um espaço vetorial métrico definido positivo de dimensão finita. Se T ∈ Hom (V )
é um operador autoadjunto, então T possui um autovalor real.
Além disso, todos os autovalores de T são reais.
Prova 1 (mais natural): Escolhendo uma base ortonormal B para V , a matriz A = [T ]B é simétrica.
Como veremos no próximo capı́tulo, matrizes simétricas são em particular matrizes hermitianas, e todos os
autovalores complexos de uma matriz hermitiana são reais (Proposição 8.35).
Prova 2 (não usando o conceito de matrizes hermitianas): Afirmamos que se b, c ∈ R são tais que
b2 < 4c, então
T 2 + bT + cI
é invertı́vel. De fato, se v ̸= 0, usando a desigualdade de Cauchy-Schwarz e completando o quadrado,
obtemos

T 2 + bT + cI v, v = T 2 v, v + ⟨bT v, v⟩ + ⟨cv, v⟩

= ⟨T v, T v⟩ + b ⟨T v, v⟩ + c ⟨v, v⟩
2 2
= ∥T v∥ + b ⟨T v, v⟩ + c ∥v∥
2 2
⩾ ∥T v∥ − |b| ∥T v∥ ∥v∥ + c ∥v∥
2
b2

|b| 2
= ∥T v∥ − ∥v∥ + c − ∥v∥
2 4
> 0,

o que implica
T 2 + bT + cI v ̸= 0

e portanto o seu núcleo é trivial.

Seja n = dim V e v ̸= 0. Como os n + 1 vetores v, T v, . . . , T n v são LD, existem escalares não todos nulos
a0 , a1 , . . . , an ∈ R tais que
a0 v + a1 T v + . . . + an T n v = 0.
O polinômio p = a0 + a1 x + . . . + an xn é um polinômio anulador de v e em R se fatora da seguinte forma:

p = a (x − λ1 ) · · · (x − λk ) x2 + b1 x + c1 · · · x2 + bl x + cl ,

171
7.5. DIAGONALIZAÇÃO DE OPERADORES AUTOADJUNTOS

com a ̸= 0 e os fatores quadráticos irredutı́veis (se existirem) satisfazendo necessariamente b2i < 4ci , já que
não possuem raı́zes reais. Como

0 = p (T ) v = an (T − λ1 I) · · · (T − λk I) T 2 + b1 T + c1 · · · T 2 + bl T + cl v

= an T 2 + b1 T + c1 · · · T 2 + bl T + cl (T − λ1 I) · · · (T − λk I) v

e cada operador T 2 + bi T + ci é invertı́vel como vimos no inı́cio da demonstração, segue que

(T − λ1 I) · · · (T − λk I) v = 0

e portanto pelo menos um dos operadores T − λj I não pode ser invertı́vel para algum ı́ndice j, e neste caso
λj é um autovalor real de T .
Em particular, o polinômio anulador de qualquer vetor não nulo v ∈ V não possui fatores quadráticos e
portanto T não possui autovalores complexos. ■
7.34 Proposição. Sejam V um espaço vetorial métrico e T ∈ Hom (V ). Se W ⊂ V é um subespaço
invariante por T , então W ⊥ é invariante por T ∗ .
Prova: Se w ∈ W ⊥ , então ⟨v, w⟩ = 0 para todo v ∈ W , logo

⟨v, T ∗ w⟩ = ⟨T v, w⟩ = 0

para todo v ∈ W , pois T v ∈ W . Portanto, T ∗ w ∈ W ⊥ . ■

7.35 Teorema. Seja V um espaço vetorial métrico definido positivo. Se T ∈ Hom (V ) é autoadjunto, então
T é diagonalizável através de uma base ortonormal.

Prova: A demonstração será por indução em n = dim V . Pela Proposição 7.33, T possui um autovalor
real. Se n = 1, isso dá uma base ortonormal para V constituı́da de autovetores de T . Assuma o teorema
verdadeiro para espaços com dimensão menor que n. Seja v1 um autovetor de norma 1 associado a um
autovalor real de T e W = ⟨v1 ⟩. Então W é invariante por T e pela proposição anterior W ⊥ é invariante
por T ∗ = T . Mas dim W ⊥ = n − 1, logo pela hipótese de indução existe uma base ortonormal {v2 , . . . , vn }
para W ⊥ de autovetores de T |W ⊥ e portanto de T . Como V = W ⊕ W ⊥ , segue que {v1 , v2 , . . . , vn } é uma
base ortonormal para V de autovetores de T . ■
7.36 Corolário. Seja A uma matriz simétrica. Então existe uma matriz ortogonal P tal que

D = P t AP

é uma matriz diagonal.

7.37 Corolário. Sejam V um espaço vetorial métrico definido positivo de dimensão finita. Um operador
T ∈ Hom (V ) é diagonalizável através de uma base ortonormal se e somente se ele é autoadjunto.
Prova: Se T é um diagonalizável através de uma base ortonormal, então existe uma matriz ortogonal P tal
que
D = P t AP.
Em particular,
A = P DP t
e t t
At = P DP t = Pt Dt P t = P DP t = A.
■

172
7.6. OPERADORES NORMAIS

7.6 Operadores Normais

7.38 Definição. Dizemos que um operador linear T é um operador normal se

T T ∗ = T ∗ T.

Analogamente, dizemos que uma matriz A é normal se

AAt = At A.

□
Exemplos de operadores normais são operadores autoadjuntos e operadores métricos, pois estes satisfazem
T T ∗ = T ∗ T = I. O motivo para o nome operador normal é dado pelo Teorema 7.41 a seguir.
7.39 Proposição. Sejam V um espaço vetorial métrico e T ∈ Hom (V ). Então

⟨T v, v⟩ = 0

para todo v ∈ V se e somente se

T ∗ = −T.
Prova: Se ⟨T v, v⟩ = 0 para todo v ∈ V , então

0 = ⟨T (v + w) , v + w⟩
= ⟨T v, v⟩ + ⟨T v, w⟩ + ⟨T w, v⟩ + ⟨T w, w⟩
= ⟨T v, w⟩ + ⟨T w, v⟩
= ⟨T v, w⟩ + ⟨v, T w⟩
= ⟨T v, w⟩ + ⟨T ∗ v, w⟩
= ⟨(T + T ∗ ) v, w⟩

para todos v, w ∈ V . Portanto, T = −T ∗ . Reciprocamente, se T ∗ = −T , então

⟨T v, v⟩ = ⟨v, T ∗ v⟩ = ⟨v, −T v⟩ = − ⟨T v, v⟩ ,

logo ⟨T v, v⟩ = 0. ■
7.40 Definição. Um operador T que satisfaz

T ∗ = −T

é chamado um operador antiautoadjunto.

Uma matriz A que satisfaz
At = −A

é chamada uma matriz antissimétrica. □

Assim, uma matriz antissimétrica é da forma
0
 
B
A= ..
. .
 

−B t 0
Operadores anti-autoadjuntos são também operadores normais.

173
7.6. OPERADORES NORMAIS

7.41 Teorema. Sejam V um espaço vetorial métrico e T ∈ Hom (V ). Então T é normal se e somente se

∥T v∥ = ∥T ∗ v∥

para todo v ∈ V.
Em particular, se T é normal, segue que

V = ker T ⊕⊥ im T.

Prova: Seja T normal. Então

2
∥T v∥ = ⟨T v, T v⟩
= ⟨v, T ∗ T v⟩
= ⟨v, T T ∗ v⟩
= ⟨T ∗ v, T ∗ v⟩
2
= ∥T ∗ v∥ .

Reciprocamente, se ∥T v∥ = ∥T ∗ v∥ para todo v ∈ V , então

⟨T ∗ T v, v⟩ = ⟨T v, T v⟩
2
= ∥T v∥
2
= ∥T ∗ v∥
= ⟨T ∗ v, T ∗ v⟩
= ⟨T T ∗ v, v⟩

para todo v ∈ V , o que implica

⟨(T ∗ T − T T ∗ ) v, v⟩ = 0.
Segue da Proposição 7.38 que T ∗ T − T T ∗ é um operador anti-autoadjunto; como T ∗ T − T T ∗ também é um
operador autoadjunto, pois
∗ ∗ ∗
(T ∗ T − T T ∗ ) = (T ∗ T ) − (T T ∗ )
∗ ∗
= T ∗ (T ∗ ) − (T ∗ ) T ∗
= T ∗T − T T ∗,

concluı́mos que T ∗ T − T T ∗ = 0.
Se T é um operador normal, segue que ker T = ker T ∗ . Como

V = ker T ∗ ⊕⊥ im T,

obtemos
V = ker T ⊕⊥ im T.
■
Se V = ker T ⊕⊥ im T , não é necessariamente verdade que T é um operador normal, pois T pode ser definido
de qualquer forma arbitrária em im T .
Note que operadores normais reais nem sempre são diagonalizáveis, pois podem não possuir sequer
autovalores, como a maioria das rotações em R2 .
7.42 Teorema. Sejam V um espaço vetorial métrico e T ∈ Hom (V ) um operador normal.
Então v é um autovetor para T associado ao autovalor λ se e somente se v é um autovetor para T ∗
associado ao mesmo autovalor λ.
Consequentemente, autovetores de T associados a autovalores distintos são ortogonais.

174
7.7. TEORIA ESPECTRAL PARA OPERADORES AUTOADJUNTOS

Prova: Se λ é qualquer escalar, então T − λI também é um operador normal, pois

∗
(T − λI) = T ∗ − λI

e portanto
∗ ∗
(T − λI) (T − λI) = (T − λI) (T − λI) .
Segue do Teorema 7.41 que
∥(T − λI) v∥ = ∥(T ∗ − λI) v∥ ,
logo (T − λI) v = 0 se e somente se (T ∗ − λI) v = 0.
Sejam v1 e v2 autovetores associados aos autovalores λ1 ̸= λ2 , respectivamente. Então,

λ1 ⟨v1 , v2 ⟩ = ⟨λ1 v1 , v2 ⟩
= ⟨T v1 , v2 ⟩
= ⟨v1 , T ∗ v2 ⟩
= ⟨v1 , λ2 v2 ⟩
= λ2 ⟨v1 , v2 ⟩

e como λ1 ̸= λ2 , concluı́mos que

⟨v1 , v2 ⟩ = 0.
■
7.43 Exemplo. Da demonstração do teorema segue que

cos θ − λ sen θ

A=
− sen θ cos θ − λ

é uma matriz normal. Para λ geral, A não representa um operador autoadjunto ou antiautoadjunto e não é
ortogonal. □

7.7 Teoria Espectral para Operadores Autoadjuntos

7.44 Teorema (Teorema Espectral). Sejam V um espaço vetorial métrico definido positivo de dimensão
finita e T ∈ Hom (V ) um operador normal. Sejam λ1 , . . . , λk os autovalores distintos de T , Wi o autoespaço
associado a λi e Ei a projeção ortogonal de V sobre Wi . Então Wi é ortogonal a Wj se i ̸= j,

V = W1 ⊕⊥ . . . ⊕⊥ Wk

e
T = λ1 E1 + . . . + λk Ek .

Prova: A decomposição em soma direta ortogonal segue do Teorema 7.35. Desta decomposição em soma
direta segue que
E1 + . . . + Ek = I,
donde

T = T I = T E1 + . . . + T Ek
= λ1 E1 + . . . + λk Ek .

■
Esta decomposição é chamada a resolução espectral do operador T .

175
7.7. TEORIA ESPECTRAL PARA OPERADORES AUTOADJUNTOS

7.45 Definição. Sejam V um espaço vetorial métrico e T ∈ Hom (V ) um operador autoadjunto.

Dizemos que T é positivo definido se
⟨T v, v⟩ > 0 (7.2)
para todo v ∈ V . Se
⟨T v, v⟩ ⩾ 0 (7.3)
para todo v ∈ V , dizemos que T é positivo semidefinido. □

Dado um operador linear invertı́vel T , o operador T ∗ T é sempre autoadjunto e positivo definido, pois
∗ ∗
(T ∗ T ) = T ∗ (T ∗ ) = T ∗ T,
2
⟨T ∗ T v, v⟩ = ⟨T v, T v⟩ = ∥T v∥ > 0.

Se T não é invertı́vel, então T ∗ T é apenas autoadjunto e positivo semidefinido.

7.46 Proposição. Toda projeção ortogonal em um espaço vetorial métrico é um operador autoadjunto.

Prova: Seja E ∈ Hom (V ) uma projeção. Então existe uma base B′ = {e1 , . . . , em } para im E e uma base
B′′ = {em+1 , . . . , en } para ker E tais que B = {e1 , . . . , en } é uma base para V que diagonaliza E e

Im 0

[E]B = .
0 0

Usando o processo de ortogonalização de Gram-Schmidt, podemos escolher B′ e B′′ ortonormais. Se E é

uma projeção ortogonal, então B′ ⊥ B′′ e segue imediatamente que B é uma base ortonormal para V que
diagonaliza E. Daı́,
∗ ∗
Im 0 Im 0 Im 0

∗
[E ∗ ]B = ([E]B ) = = = = [E]B ,
0 0 0 0 0 0

e portanto E é autoadjunto. ■

7.47 Proposição. Seja T ∈ Hom (V ) um operador normal diagonalizável sobre um espaço métrico real de
dimensão finita. Então T é autoadjunto.
Prova: Por definição, existe uma base para V constituı́da por autovetores de T . Pelo Teorema 7.42, au-
toespaços correspondentes a autovalores distintos são ortogonais. Usando o processo de ortogonalização de
Gram-Schmidt em cada autoespaço, podemos obter uma base ortonormal de autovetores de T . Consequen-
temente, podemos escrever
V = W1 ⊕⊥ . . . ⊕⊥ Wk
e
T = λ1 E1 + . . . + λk Ek ,
onde cada Ei é uma projeção ortogonal e portanto um operador autoadjunto. Como a soma de operadores
autoadjuntos é um operador autoadjunto, segue o resultado. ■
7.48 Teorema. Seja T ∈ Hom (V ) um operador normal diagonalizável sobre um espaço métrico de dimensão
finita. Então, os autovalores de T são
(i) não-negativos, se e somente se T é positivo semidefinido;
(ii) positivos, se e somente se T é positivo definido;
(iii) ±1, se e somente se T é um morfismo métrico.

176
7.8. MÉTODOS VARIACIONAIS

Prova: Seja
T = λ1 E1 + . . . + λk Ek
a resolução espectral de T . Temos
* k k
+
X X
⟨T v, v⟩ = λi Ei v, Ej v
i=1 j=1
k
X
= λi ⟨Ei v, Ej v⟩
i,j=1
k
X 2
= λi ∥Ei v∥ ,
i,j=1

logo, tomando v ∈ Wi para i = 1, . . . , k, concluı́mos que ⟨T v, v⟩ ⩾ 0 para todo v ∈ V se e somente se λi ⩾ 0

para todo i e que ⟨T v, v⟩ > 0 para todo v ∈ V se e somente se λi > 0 para todo i.
Além disso, como projeções ortogonais são autoadjuntas, segue que
T T ∗ = (λ1 E1 + . . . + λk Ek ) (λ1 E1 + . . . + λk Ek )
2 2
= |λ1 | E1 + . . . + |λk | Ek .
Se |λ1 | = . . . = |λk | = 1, então T T ∗ = I e T é um morfismo métrico. Reciprocamente, se T T ∗ = I, então
2 2
|λ1 | E1 + . . . + |λk | Ek = I,
donde, multiplicando a equação por Ej , obtemos
2
Ej = |λj | Ej ,
o que implica |λj | = 1. ■

7.8 Métodos Variacionais

Métodos variacionais são extremamente importantes em várias áreas da Matemática, Pura e Aplicada. Em
Álgebra Linear Numérica, eles são a base de vários métodos eficientes importantes para a resolução de
sistemas lineares e de obtenção de autovalores de matrizes simétricas.
7.49 Notação. Dada uma matriz simétrica definida positiva A, denotamos o produto interno induzido por
A por
⟨v, w⟩A = v t Aw
e a correspondente norma associada por
q √
∥v∥A = ⟨v, v⟩A = v t Av.

□
7.50 Teorema (Método Variacional para a Solução de Sistemas Lineares). Seja A uma matriz
simétrica definida positiva. A solução do sistema

Av = b

é dada pelo ponto v que minimiza o funcional

1 t 1 2
f (w) = w Aw − wt b = ∥w∥A − ⟨w, b⟩ .
2 2

177
7.8. MÉTODOS VARIACIONAIS

Prova: Como A é uma matriz simétrica definida positiva, A é invertı́vel e existe uma solução única v para
o sistema Av = b. Observando que
wt Av = ⟨w, v⟩A = ⟨v, w⟩A = v t Aw,
obtemos
1 t 1
f (w) − f (v) = w Aw − wt b − v t Av + v t b
2 2
1 t 1
= w Aw − w Av − v t Av + v t Av
t
2 2
1 t 1
= w Aw − w Av + v t Av
t
2 2
1 t 1 t 1 1
= w Aw − w Av − v t Aw + v t Av
2 2 2 2
1 t 1 t
= w A (w − v) − v A (w − v)
2 2
1 t
= (w − v) A (w − v) .
2
Como A é definida positiva, segue que
t
(w − v) A (w − v) = ⟨A (w − v) , (w − v)⟩ ⩾ 0
e
t
(w − v) A (w − v) = 0
se e somente se w = v. Portanto,
f (w) > f (v)
para todo w ̸= v e o mı́nimo de f ocorre em v. ■
Observe que definindo um produto interno a partir da matriz simétrica definida positiva A da maneira usual
por ⟨v, w⟩ = wt Av, o funcional f pode ser escrito na forma
1
f (w) = ⟨w, w⟩ − wt b.
2
Outra maneira de enxergar o resultado do teorema anterior é observar que o gradiente do funcional f é
∇f (w) = Aw − b;
se v é um ponto de mı́nimo temos ∇f (v) = 0, ou seja,
Av = b.
Este método variacional é a base do Método do Gradiente Conjugado para a resolução de sistemas lineares
envolvendo matrizes simétricas positivas definidas, que aparecem frequentemente nas aplicações.
Veremos agora que o menor autovalor de um operador autoadjunto pode ser encontrado como o mı́nimo
de um certo funcional, enquanto que o seu maior autovalor é o máximo deste mesmo funcional:
7.51 Teorema (Princı́pio de Rayleigh). Sejam V um espaço vetorial métrico positivo definido de di-
mensão n e T ∈ Hom (V ) um operador autoadjunto. Sejam
λ1 ⩽ . . . ⩽ λn
os autovalores de T , de modo que λ1 é o menor autovalor de T e λn é o maior autovalor de T . Então
⟨T v, v⟩
λ1 = min 2 (7.4)
v∈V ∥v∥
v̸=0

178
7.8. MÉTODOS VARIACIONAIS

e
⟨T v, v⟩
λn = max 2 (7.5)
v∈V ∥v∥
v̸=0

Prova: Seja B = {e1 , . . . , en } uma base ortonormal de autovetores de T correspondentes aos autovalores
n
λ1 ⩽ . . . ⩽ λn de T . Então, se v = v i ei temos
P
i=1

n
2
X 2
λ1 ∥v∥ = λ1 v i
i=1
n
X 2
⩽ λi v i
i=1
Xn
= λi v i v j ⟨ei , ej ⟩
i,j=1
Xn
= λi v i ei , v j ej
i,j=1
* n n
+
X X
= i
λ i v ei , j
v ej
i=1 j=1
* n n
+
X X
= v i T ei , v j ej
i=1 j=1
* n
! n
+
X X
= T v i ei , v j ej
i=1 j=1

= ⟨T v, v⟩ .

Portanto, para todo v ∈ V , v ̸= 0, vale

⟨T v, v⟩
λ1 ⩽ 2 .
∥v∥
O mı́nimo é atingido em v = v1 ou em qualquer outro autovetor de T associado a λ1 . De maneira comple-
tamente análoga obtemos
Xn n
X
2
λn ∥v∥ = λn vi2 ⩾ λi vi2 = ⟨T v, v⟩ .
i=1 i=1

■
7.52 Definição. O funcional q : V −→ R definido por

⟨T v, v⟩
q (v) = 2
∥v∥

é chamado o quociente de Rayleigh de T . □

Assim, o menor autovalor de T é o valor mı́nimo do quociente de Rayleigh, enquanto que o maior autovalor
de T é o valor máximo do quociente de Rayleigh. Os demais autovalores λ2 , . . . , λn−1 de T são pontos de
sela e podem ser encontrado através de um princı́pio de minimax:

179
7.8. MÉTODOS VARIACIONAIS

7.53 Teorema (Princı́pio de Minimax para Autovalores). Sejam V um espaço vetorial métrico positivo
definido de dimensão n e T ∈ Hom (V ) um operador autoadjunto. Sejam

λ1 ⩽ . . . ⩽ λn

os autovalores de T . Então  

λj = min  max ⟨T v, v⟩ . (7.6)

W <V :dim W =j v∈W
∥v∥=1

Prova: Seja W ⊂ V um subespaço de dimensão j. Primeiro mostraremos que

max ⟨T v, v⟩ ⩾ λj .
v∈W
∥v∥=1

Seja B = {e1 , . . . , en } uma base ortonormal de autovetores de T correspondentes aos autovalores λ1 , . . . , λn ,

respectivamente. Seja
Z = ⟨e1 , . . . , ej−1 ⟩ .
Como Z ⊥ = ⟨ej , . . . , en ⟩, temos

n ⩾ dim W + Z ⊥

= dim W + dim Z ⊥ − dim W ∩ Z ⊥

= j + n − (j − 1) − dim W ∩ Z ⊥

= n + 1 − dim W ∩ Z ⊥ ,

de modo que
dim W ∩ Z ⊥ ⩾ 1

n n 2
e existe v ∈ W ∩ Z ⊥ tal que ∥v∥ = 1. Escrevendo v = v k ek , temos ∥v∥ = vk = 1, donde
P P
k=j k=j
* n n
+
X X
⟨T v, v⟩ = k
v T ek , l
v el
k=j l=j
* n n
+
X X
= k
v λ k ek , v el l

k=j l=j
n
X
= λk v k v l ⟨ek , el ⟩
k,l=j
n
X 2
= λk v k
k=j
n
X 2
⩾ λj vk
k=j

= λj .

Para completar a demonstração, devemos encontrar um subespaço W ⊂ V de dimensão j tal que ⟨T v, v⟩ ⩽

180
7.8. MÉTODOS VARIACIONAIS

λj para todo v ∈ W com ∥v∥ = 1. Tomemos W = ⟨e1 , . . . , ej ⟩. Temos

j j
* +
X X
⟨T v, v⟩ = k
v T ek , l
v el
k=1 l=1
j j
* +
X X
= k
v λk ek , v el l

k=1 l=1
j
X
= λk v k v l ⟨ek , el ⟩
k,l=1
j
X 2
= λk v k
k=1
j
X 2
⩽ λj vk
k=1
= λj .

O minimax é atingido obviamente em vj . ■

181
Capı́tulo 8

Espaços Hermitianos

8.1 Produto Hermitiano

8.1 Definição. Seja V um espaço vetorial complexo. Um produto hermitiano em V é um funcional
⟨·, ·⟩ : V × V −→ C que satisfaz as condições:
(i) Para todos u, v, w ∈ V
⟨v + w, u⟩ = ⟨v, u⟩ + ⟨w, u⟩

(ii) Para todos v, w ∈ V e para todo α ∈ C

⟨αv, w⟩ = α ⟨v, w⟩ ,
⟨v, αw⟩ = α ⟨v, w⟩ ,

(iii) Para todos v, w ∈ V

⟨v, w⟩ = ⟨w, v⟩.

(iv) Para todo v ̸= 0

⟨v, v⟩ > 0.

Um espaço vetorial complexo dotado de um produto hermitiano é chamado um espaço hermitiano. □

Pela condição (ii), se 0 denota o vetor nulo, segue que

⟨0, v⟩ = 0 (8.1)

para todo v ∈ V , pois

⟨0, v⟩ = ⟨00, v⟩ = 0 ⟨0, v⟩ = 0.
Em particular,
⟨v, v⟩ ⩾ 0 para todo v ∈ V (8.2)
e decorre de (iv) que
⟨v, v⟩ = 0 se e somente se v = 0. (8.3)
A condição
⟨v, αw⟩ = α ⟨v, w⟩

182
8.1. PRODUTO HERMITIANO

não precisa ser especificada separadamente pois é uma consequência da linearidade do produto hermitiano
com relação à primeira variável e da comutatividade conjugada:

⟨v, αw⟩ = ⟨αw, v⟩ = α ⟨w, v⟩ = α⟨w, v⟩ = α ⟨v, w⟩ .

Em particular, temos

⟨αv + βw, u⟩ = α ⟨v, u⟩ + β ⟨w, u⟩ , (8.4)

⟨u, αv + βw⟩ = α ⟨u, v⟩ + β ⟨u, w⟩ (8.5)

para todos u, v, w ∈ V e para todos α, β ∈ K.

Note que um produto hermitiano não é um funcional bilinear, porque ele não é linear na segunda variável,
mas apenas linear conjugado. A exigência da linearidade conjugada na segunda variável decorre da condição
(iii) de comutatividade conjugada. Esta, por sua vez é necessária para assegurar consistência com a condição
(iv). De fato, se valessem a bilinearidade, a comutatividade ⟨v, w⟩ = ⟨w, v⟩ e também a condição (iv),
terı́amos
0 < ⟨iv, iv⟩ = i2 ⟨v, v⟩ = − ⟨v, v⟩ < 0.
A condição (iv) tem prioridade sobre a bilinearidade e comutatividade do produto interno, isto é, abdicamos
da comutatividade a fim de que (iv) valha, porque é esta última propriedade que nos permite definir uma
noção de norma de vetores a partir do produto hermitiano em espaços complexos, como veremos na próxima
seção.
8.2 Proposição. O produto hermitiano é completamente determinado por sua parte real, isto é, se V é um
espaço vetorial complexo com produto hermitiano ⟨·, ·⟩, então

⟨v, w⟩ = Re ⟨v, w⟩ + i Re ⟨v, iw⟩ .

Prova: Temos
⟨v, w⟩ = Re ⟨v, w⟩ + i Im ⟨v, w⟩ .
Mas se z ∈ C, então
Im z = Re (−iz) ,
logo
Im ⟨v, w⟩ = Re (−i ⟨v, w⟩) = Re ⟨v, iw⟩ .
■

8.3 Exemplo. Definimos um produto hermitiano em Cn da seguinte forma. Se

v = v1 , . . . , vn ,

w = w1 , . . . , wn ,

são vetores de Cn , então

n
X
⟨v, w⟩ = v i wi .
i=1

Este é o chamado produto hermitiano canônico em Cn . □

183
8.1. PRODUTO HERMITIANO

8.4 Exemplo. Se V é um espaço vetorial complexo e W é um espaço vetorial complexo com produto
hermitiano, se T : V −→ W é um morfismo linear injetivo, definimos um produto hermitiano em V a partir
do produto hermitiano em W por
⟨v, w⟩V := ⟨T v, T w⟩W .

Dizemos que ⟨·, ·⟩V é o produto hermitiano em V induzido pelo produto hermitiano em W através do
morfismo linear injetivo T .
Claramente, todas as propriedades de um produto hermitiano são satisfeitas por ⟨·, ·⟩V , consequência da
linearidade de T e do fato de ⟨·, ·⟩W ser um produto hermitiano; a definição positiva é consequência também
da injetividade de T . □
8.5 Definição. Dada uma matriz complexa A ∈ Mn (C), definimos a sua transposta conjugada A† por

i
A† j
= Aji .

Dizemos que uma matriz A é hermitiana se

A† = A.

□
Se A possui apenas entradas reais, sua transposta conjugada coincide com sua transposta; matrizes hermiti-
anas reais são portanto matrizes simétricas. Note que para uma matriz ser hermitiana, ela deve ser quadrada
e todos os elementos em sua diagonal principal devem ser reais.
8.6 Exemplo. Temos
†
1−i 2

1+i 3 − 2i 7

 3 + 2i 4 =
2 4 1−i

7 1+i
e
1 2+i

2−i 4
é uma matriz hermitiana. □
A transposição conjugada satisfaz as propriedades análogas às da transposição, com pequenas diferenças:
8.7 Proposição. Sejam A, B ∈ Mn (C) e z ∈ C. Então valem
(i)
†
(zA) = zA† .

(ii)
†
(AB) = B † A† .

(iii)
†
A† = A.

(iv)
det A† = det A.

184
8.1. PRODUTO HERMITIANO

(v)
tr A† = tr A.

Prova: Exercı́cio. ■
8.8 Exemplo. Se os vetores em Cn são representados por matrizes coluna, então o produto hermitiano
canônico de Cn pode ser escrito na forma

⟨v, w⟩ = v † w = w† v. (8.6)

Se A é uma matriz complexa n × n invertı́vel, definimos o produto hermitiano em Cn induzido do produto

hermitiano canônico pela matriz A por

⟨v, w⟩A = ⟨Av, Aw⟩ = v † (A† A) w = w† A† A v. (8.7)

Note que A† A é uma matriz hermitiana. Quando A = I, ele é simplesmente o produto interno hermitiano
em Cn . □
8.9 Exemplo. Definimos um produto hermitiano em Mn (C) por

⟨A, B⟩ = tr AB †

ou, equivalentemente,
n
X
⟨A, B⟩ = Aij Bji .
i,j=1

□
8.10 Exemplo. Se L2 ([0, 1] ; C) denota o espaço das funções quadrado integráveis no intervalo [0, 1] com
valores em K, definimos um produto hermitiano neste espaço de dimensão infinita por
Z 1
⟨f, g⟩ = f (t) g (t) dt.
0

□
8.11 Definição. Dizemos que uma matriz hermitiana H ∈ Mn (C) é definida positiva se

v † Hv > 0

para todo v ∈ V . □
8.12 Proposição. Seja V um espaço complexo de dimensão finita. Então todo produto hermitiano ⟨·, ·⟩ em
V é induzido por uma matriz hermitiana, isto é, existe uma matriz hermitiana invertı́vel definida positiva
H ∈ Mn (K) tal que
⟨v, w⟩ = v † Hw = w† Hv.

Se V é um espaço vetorial real,

⟨v, w⟩ = v t Aw

para alguma matriz real simétrica definida positiva A.

Reciprocamente, se H ∈ Mn (C) é uma matriz hermitiana invertı́vel definida positiva, então a equação
acima define um produto interno em V .

185
8.2. ESPAÇOS NORMADOS COMPLEXOS

Prova: Seja B = {e1 , . . . , en } uma base para V . Afirmamos que se H ∈ Mn (C) é definida por

Hji = ⟨ej , ei ⟩ ,

então H é uma matriz hermitiana invertı́vel definida positiva. Com efeito,

Hji = ⟨ej , ei ⟩ = ⟨ei , ej ⟩ = Hij .

se
n
X
v= v i ei ,
i=1
n
X
w= wj ej ,
j=1

temos
* n n
+
X X
⟨v, w⟩ = v i ei , w j ej
i=1 j=1
n
X
= v i wj ⟨ei , ej ⟩
i,j=1
X n n
X
= wj ⟨ei , ej ⟩ v i
j=1 i=1
n
X n
X
= wj Hij v i
j=1 i=1

= w Hv.
†

Como
v † Hv = ⟨v, v⟩ > 0
para todo v ̸= 0, em particular ker H = {0} e portanto H é invertı́vel.
Reciprocamente, se H é uma matriz hermitiana invertı́vel que satisfaz v † Hv > 0 para todo v ∈ V ,
definimos
⟨v, w⟩ = w† Hv,
É fácil ver que as propriedades (i), (ii) e (iv) da Definição 8.1 são válidas. Para verificar (iii), observando
que a transposta conjugada de uma matriz 1 × 1 é simplesmente sua conjugada, temos
†
⟨v, w⟩ = w† Hv = v † Hw = v † Hw = ⟨w, v⟩.

8.2 Espaços Normados Complexos

Uma norma pode ser definida a partir de um produto hermitiano como no caso real como veremos a seguir.
Como no caso real, se
∥v∥ = ⟨v, v⟩
p

dizemos que a norma é derivada do produto hermitiano ou induzida pelo produto hermitiano.

186
8.2. ESPAÇOS NORMADOS COMPLEXOS

8.13 Proposição (Desigualdade de Cauchy-Schwarz). Sejam V um espaço vetorial complexo com

produto hermitiano ⟨·, ·⟩ e ∥·∥ a norma derivada deste produto hermitiano. Então

|⟨v, w⟩| ⩽ ∥v∥ ∥w∥

para todos v, w ∈ V .
Prova: A demonstração é idêntica à do caso real. ■
8.14 Proposição. Seja V um espaço vetorial complexo com produto hermitiano. Então
∥v∥ = ⟨v, v⟩ (8.8)
p

define uma norma em V .

Prova: A condição (i) da definição decorre do produto interno ser positivo definido.
A condição (ii) da definição decorre de
∥αv∥ = ⟨αv, αv⟩ = αα ⟨v, v⟩ = α2 ⟨v, v⟩ = |α| ⟨v, v⟩ = |α| ∥v∥ .
p p p p

Finalmente, a desigualdade triangular é provada usando a desigualdade de Cauchy-Schwarz:

2
∥v + w∥ = ⟨v + w, v + w⟩
= ⟨v, v⟩ + ⟨v, w⟩ + ⟨w, v⟩ + ⟨w, w⟩
= ⟨v, v⟩ + ⟨v, w⟩ + ⟨v, w⟩ + ⟨w, w⟩
2 2
= ∥v∥ + 2 Re ⟨v, w⟩ + ∥w∥
2 2
⩽ ∥v∥ + 2 Re |⟨v, w⟩| + ∥w∥
2 2
= ∥v∥ + 2 |⟨v, w⟩| + ∥w∥
2 2
⩽ ∥v∥ + 2 ∥v∥ ∥w∥ + ∥w∥
2
= (∥v∥ + ∥w∥) .
■
8.15 Proposição (Teorema de Pitágoras). Seja V um espaço vetorial hermitiano. Se v, w ∈ V são
vetores ortogonais, vale a identidade de Pitágoras
2 2 2
∥v + w∥ = ∥v∥ + ∥w∥ . (8.9)
Prova: Temos
2
∥v + w∥ = ⟨v + w, v + w⟩
= ⟨v, v⟩ + ⟨v, w⟩ + ⟨w, v⟩ + ⟨w, w⟩
= ⟨v, v⟩ + ⟨v, w⟩ + ⟨v, w⟩ + ⟨w, w⟩
2 2
= ∥v∥ + 2 Re ⟨v, w⟩ + ∥w∥
= ⟨v, v⟩ + ⟨w, w⟩
2 2
= ∥v∥ + ∥w∥ .
■
Diferentemente do caso real, a recı́proca não vale, pois como
2 2 2
∥v + w∥ = ∥v∥ + 2 Re ⟨v, w⟩ + ∥w∥ ,
a validade da identidade de Pitágoras implica apenas que
Re ⟨v, w⟩ = 0.

187
8.3. OPERADORES ADJUNTOS E OPERADORES HERMITIANOS

8.16 Proposição (Identidades Polares). Se V é um espaço vetorial hermitiano, então para todos v, w ∈ V
vale
4
1 2 1 2 i 2 i 2 1X n 2
⟨v, w⟩ = ∥v + w∥ − ∥v − w∥ + ∥v + iw∥ − ∥v − iw∥ = i ∥v + in w∥ .
4 4 4 4 4 n=1

Prova: Temos
1 2 1 2 i 2 i 2
∥v + w∥ − ∥v − w∥ + ∥v + iw∥ − ∥v − iw∥
4 4 4 4
1 1
= (⟨v, v⟩ + ⟨v, w⟩ + ⟨w, v⟩ + ⟨w, w⟩) − (⟨v, v⟩ − ⟨v, w⟩ − ⟨w, v⟩ + ⟨w, w⟩)
4 4
i i
+ (⟨v, v⟩ − i ⟨v, w⟩ + i ⟨w, v⟩ + ⟨w, w⟩) − (⟨v, v⟩ + i ⟨v, w⟩ − i ⟨w, v⟩ + ⟨w, w⟩)
4 4
1 1 1 1 1 1
= ⟨v, w⟩ + ⟨w, v⟩ + ⟨v, w⟩ − ⟨w, v⟩ + ⟨v, w⟩ − ⟨w, v⟩
2 2 4 4 4 4
= ⟨v, w⟩ .

■
8.17 Proposição (Identidade do Paralelogramo). Sejam V um espaço vetorial hermitiano. Então

2 2 2 2
∥v + w∥ + ∥v − w∥ = 2 ∥v∥ + ∥w∥ .

Prova: Temos
2 2
∥v + w∥ + ∥v − w∥ = (⟨v, v⟩ + ⟨v, w⟩ + ⟨w, v⟩ + ⟨w, w⟩)
+ (⟨v, v⟩ − ⟨v, w⟩ − ⟨w, v⟩ + ⟨w, w⟩)

2 2
= 2 ∥v∥ + ∥w∥ + Re ⟨v, w⟩ − Re ⟨v, w⟩

2 2
= 2 ∥v∥ + ∥w∥ .

8.18 Proposição. Se V é um espaço vetorial complexo, então a identidade polar

1 2 1 2 i 2 i 2
⟨v, w⟩ := ∥v + w∥ − ∥v − w∥ + ∥v + iw∥ − ∥v − iw∥
4 4 4 4
define um produto hermitiano ⟨·, ·⟩ em V tal que a sua norma é derivada dele.
Prova: Exercı́cio. ■

8.3 Operadores Adjuntos e Operadores Hermitianos

8.3.1 Teorema da Representação de Riesz
Como em um espaço vetorial métrico, em um espaço vetorial hermitiano de dimensão finita todo funcional
linear é derivado do produto hermitiano e V e V ∗ podem ser naturalmente identificados:

188
8.3. OPERADORES ADJUNTOS E OPERADORES HERMITIANOS

8.19 Teorema (Teorema da Representação de Riesz). Seja V um espaço vetorial hermitiano de

dimensão finita e f ∈ V ∗ um funcional linear. Então existe um único vetor v ∈ V tal que

f (w) = ⟨w, v⟩ para todo w ∈ V.

Esta correspondência determina um isomorfismo canônico (isto é, independente de bases) entre V e V ∗ .
Em particular,
⊥
ker f = ⟨v⟩ .
Prova: Seja {e1 , . . . , em } uma base ortonormal para V . Se w ∈ V , então
m
X
w= ⟨w, ek ⟩ ek .
k=1

Logo,
m
X
f (w) = ⟨ek , w⟩ f (ek )
k=1
Xm
= ⟨f (ek ) ek , w⟩
k=1
*m +
X
= f (ek ) ek , w .
k=1

Tome
m
X
v= f (ek ) ek .
k=1

Se v ′ ∈ V é outro vetor tal que f (w) = ⟨w, v ′ ⟩ para todo w ∈ V , então ⟨w, v⟩ = ⟨w, v ′ ⟩ para todo w ∈ V ,
donde ⟨w, v − v ′ ⟩ = 0. Tomando w = v − v ′ concluı́mos que v − v ′ = 0, donde v = v ′ . ■
Note que, fixado v ∈ V , o funcional

g (w) = ⟨v, w⟩ para todo w ∈ V

não é um funcional linear, isto é, g ∈

/ V ∗ , porque g é apenas linear conjugado.

8.3.2 Morfismos Adjuntos

8.20 Definição. Sejam V, W espaços vetoriais hermitianos e T : V −→ W uma aplicação. Dizemos que
uma aplicação T ∗ : W −→ V é a adjunta de T se

⟨T v, w⟩ = ⟨v, T ∗ w⟩

para todos v ∈ V, w ∈ W . □
Observe que também temos
⟨v, T w⟩ = ⟨T ∗ v, w⟩ ,
pois
⟨v, T w⟩ = ⟨T w, v⟩ = ⟨w, T ∗ v⟩ = ⟨T ∗ v, w⟩ .

189
8.3. OPERADORES ADJUNTOS E OPERADORES HERMITIANOS

Isso implica que a a adjunta de T ∗ é a própria T :

⟨T ∗ v, w⟩ = ⟨v, T w⟩ ,

isto é,
∗
(T ∗ ) = T.

8.21 Proposição. Sejam V, W espaços vetoriais hermitianos e T : V −→ W um morfismo linear.

Se a adjunta de T existir, ela é única e é um morfismo linear.
Prova: Sejam w1 , w2 ∈ W e α, β ∈ C, conforme o caso. Então, para todo v ∈ V temos

⟨v, T ∗ (αw1 + βw2 )⟩ = ⟨T v, αw1 + βw2 ⟩

= α ⟨T v, w1 ⟩ + β ⟨T v, w2 ⟩
= α ⟨v, T ∗ w1 ⟩ + β ⟨v, T ∗ w2 ⟩
= ⟨v, αT ∗ w1 + βT ∗ w2 ⟩ ,

o que implica, pela não degeneracidade produto hermitiano, que

T ∗ (αw1 + βw2 ) = αT ∗ w1 + βT ∗ w2 .

O mesmo argumento também estabelece a unicidade de T ∗ . ■

Observe que na demonstração do lema não usamos o fato de T ser linear para provar que a adjunta T ∗ é
linear. Segue que, quando existe, a adjunta de qualquer aplicação é necessariamente linear. Por outro lado,
como a adjunta da adjunta de T é a própria aplicação T , porque

⟨T ∗ v, w⟩ = ⟨v, T w⟩ ,

como vimos antes do lema concluı́mos que T (adjunta de uma aplicação) deve ser linear. Em outras palavras,
para que a adjunta de uma aplicação T exista, T já deve ser uma aplicação linear. Assim, não há realmente
nenhum ganho em generalidade em definir a adjunta de uma aplicação arbitrária ao invés de definir apenas
a adjunta de aplicações lineares, pois as únicas aplicações que possuem adjuntas são as aplicações lineares.
8.22 Proposição. Sejam V, W espaços vetoriais hermitianos. Então todo morfismo linear T : V −→ W
possui um único adjunto linear.
Prova: Para cada w ∈ W , a aplicação v 7→ ⟨T v, w⟩ é um funcional linear em V ∗ . Pelo Teorema de
Representação de Riesz existe um único vetor u ∈ V tal que

⟨T v, w⟩ = ⟨v, u⟩ para todo v ∈ V.

Definimos uma aplicação T ∗ : W −→ V adjunta de T por

T ∗ w = u.

Pelo proposição anterior, T ∗ é única e linear. ■

8.23 Proposição. Seja V um espaço hermitiano de dimensão finita e T ∈ Hom (V ). Se B = {e1 , . . . , en }
é uma base ortonormal para V e
A = [T ]B ,
então
[T ∗ ]B = A† .
Em outras palavras, em relação a uma base ortonormal, a matriz do operador adjunto T ∗ é a transposta
conjugada da matriz do operador T .

190
8.3. OPERADORES ADJUNTOS E OPERADORES HERMITIANOS

Prova: Seja B = [T ∗ ]B . Pela Proposição 6.69 generalizada do caso positivo definido para o produto
hermitiano,

Aij = ⟨T ej , ei ⟩ ,
Bji = ⟨T ∗ ej , ei ⟩ .

Logo,
Bji = ⟨T ∗ ej , ei ⟩ = ⟨ej , T ei ⟩ = ⟨T ei , ej ⟩ = Aji .
■
8.24 Definição. Sejam V um espaço vetorial hermitiano. Dizemos que T ∈ Hom (V ) é um operador
hermitiano se
T = T ∗.

□
8.25 Corolário. Seja V um espaço vetorial hermitiano de dimensão finita e T ∈ Hom (V ) um operador
linear hermitiano. Se B é uma base ortonormal para V então A = [T ]B é uma matriz hermitiana.

8.26 Proposição. Sejam V um espaço vetorial métrico ou hermitiano e T, S ∈ Hom (V ). Então

(i)
∗
(T + S) = T ∗ + S ∗ .

(ii)
∗
(αT ) = αT ∗ .

(iii)
∗
(T S) = S ∗ T ∗ .

(iv) Consequentemente, se T é invertı́vel,

∗ −1
T −1 = (T ∗ ) .

Prova: Exercı́cio. ■

8.3.3 Alternativa de Fredholm

8.27 Teorema. Sejam V, W espaços vetoriais hermitianos de dimensão finita e T ∈ Hom (V, W ). Então
(i)
⊥
ker T ∗ = (im T ) .
⊥
im T ∗ = (ker T ) .

(ii)
⊥
ker T = (im T ∗ ) .
⊥
im T = (ker T ∗ ) .

191
8.3. OPERADORES ADJUNTOS E OPERADORES HERMITIANOS

(iii)
dim (ker T ) = dim (ker T ∗ ) + (dim V − dim W ) .
dim (im T ) = dim (im T ∗ ) .

Em particular,
V = ker T ∗ ⊕⊥ im T.

Prova: (i) Temos

w ∈ ker T ∗
⇔ T ∗w = 0
⇔ ⟨v, T ∗ w⟩ = 0 para todo v ∈ V
⇔ ⟨T v, w⟩ = 0 para todo v ∈ V
⇔ w é ortogonal a im T
⊥
⇔ w ∈ (im T ) ,
o que prova a primeira equação.
Para provar a segunda, seja w ∈ im T ∗ , digamos w = T ∗ u para algum u ∈ V . Se v ∈ ker T , então
0 = ⟨0, u⟩ = ⟨T v, u⟩ = ⟨v, T ∗ u⟩ = ⟨v, w⟩,
⊥ ⊥ ⊥
de modo que w ∈ (ker T ) , isto é, im T ∗ ⊂ (ker T ) . Para provar que im T ∗ = (ker T ) basta então provar
que eles possuem a mesma dimensão. Pelo segunda equação do item (iii), cuja demonstração segue da
primeira equação deste item, temos
dim (im T ∗ ) = dim (im T )
= dim V − dim (ker T )
⊥
= dim (ker T ) ,
a última igualdade seguindo da Proposição 6.44 generalizada para espaços hermitianos.
(ii) Segue de (i), substituindo T por T ∗ .
⊥
(iii) ker T ∗ = (im T ) implica pela Proposição 6.45 generalizada para espaços hermitianos que ker T ∗ = im T ,
logo
⊥
dim (im T ) = dim (ker T ∗ )
= dim W − dim (ker T ∗ )
= dim (im T ∗ ) .
⊥ ⊥
Da mesma forma, im T ∗ = (ker T ) implica (im T ∗ ) = ker T , donde
⊥
dim (ker T ) = dim (im T ∗ )
= dim V − dim (im T ∗ )
= dim V − (dim W − dim (ker T ∗ ))
= dim (ker T ∗ ) + (dim V − dim W ) .
■
⊥
Pelo teorema, im T = (ker T ∗ ) . Segue que a equação
Tv = w
tem solução se e somente se
⊥
w ∈ (ker T ∗ ) .

192
8.4. OPERADORES UNITÁRIOS

8.28 Teorema (Alternativa de Fredholm). Sejam V um espaço vetorial hermitiano de dimensão finita
e T ∈ Hom (V ). Então vale apenas uma e somente uma das alternativas a seguir:
ou
T v = w tem solução,
ou
T ∗ z = 0 tem solução z tal que ⟨w, z⟩ =
̸ 0.

8.4 Operadores Unitários

Generalizamos o conceito de operadores métricos para espaços hermitianos:
8.29 Definição. Seja V um espaço hermitiano. Dizemos que T ∈ Hom (V ) é um operador unitário se

⟨v, w⟩ = ⟨T v, T w⟩ .

□
Operadores unitários em espaços vetoriais hermitianos correspondem a operadores métricos em espaços
vetoriais métricos.
8.30 Proposição. Seja V um espaço hermitiano. T é um operador unitário se e somente se

T ∗ T = id .

Se V tem dimensão finita, T é um operador unitário se e somente se

T T ∗ = T ∗ T = id .

Prova: Se T preserva o produto hermitiano, para todos v, w ∈ V temos

⟨v, w⟩ = ⟨T v, T w⟩ = ⟨v, T ∗ T w⟩

logo T ∗ T w = w para todo w ∈ V , isto é, T ∗ T = I. Reciprocamente, se T ∗ T = I, então

⟨v, w⟩ = ⟨v, T ∗ T w⟩ = ⟨T v, T w⟩ .

Em dimensão finita, ST = I é equivalente a T S = I, como já vimos. ■

8.31 Exemplo. Em espaços de dimensão infinita, podemos não ter T T ∗ == I, pois um operador métrico
ou um operador unitário em um espaço de dimensão infinita não precisa ser sobrejetivo. Por exemplo,
considerando o espaço das sequências reais quadrado-somáveis
∞
( )
X 2
ℓ2R = f : N −→ R : |fn | < ∞
n=1

com a métrica
∞
X
⟨f, g⟩ = fn gn ,
n=1
ou analogamente o espaço das sequências complexas quadrado-somáveis
∞
( )
X 2
ℓ2C = f : N −→ R : |fn | < ∞
n=1

193
8.5. DIAGONALIZAÇÃO DE OPERADORES HERMITIANOS

com o produto hermitiano

∞
X
⟨f, g⟩ = fn gn ,
n=1

o operador shift
0 se n = 1,

(T f )n =
fn−1 se n > 1,
é um operador métrico, no primeiro caso, e um operador unitário, no segundo, e não é sobrejetivo. □
8.32 Definição. Dizemos que uma matriz complexa A é unitária se

AA† = A† A = I.

□
Em outras palavras, uma matriz unitária é uma matriz cuja inversa é a sua transposta conjugada

A−1 = A† ,

correspondente no caso real a uma matriz ortogonal, cuja inversa é a sua transposta.
8.33 Proposição. Seja V um espaço vetorial hermitiano de dimensão finita. Um operador linear T ∈
Hom (V ) é unitário se e somente se a sua matriz em relação a uma base ortonormal é uma matriz unitária.
8.34 Proposição. Se T é um operador unitário, então

|det T | = 1.

Prova: Pois
det (T T ∗ ) = det I = 1
e
t
det T ∗ = det T t = det T = det T = det T ,
logo
2
det (T T ∗ ) = det T det T ∗ = det T det T = |det T | .
■
Em particular, operadores unitários preserva volumes, o que era de se esperar.

8.5 Diagonalização de Operadores Hermitianos

8.35 Proposição. Se T é um operador hermitiano, então todo autovalor de T é real.
Além disso, autovetores de T associados a autovalores distintos são ortogonais.
Prova: Suponha que λ é um autovalor de T . Seja v um autovetor não nulo associado a λ. Então

λ ⟨v, v⟩ = ⟨λv, v⟩
= ⟨T v, v⟩
= ⟨v, T v⟩
= ⟨v, λv⟩
= λ ⟨v, v⟩

194
8.5. DIAGONALIZAÇÃO DE OPERADORES HERMITIANOS

e portanto
λ = λ,
isto é, λ ∈ R.
Sejam λ1 , λ2 autovalores reais distintos de T e v1 , v2 autovetores não nulos associado a λ1 , λ2 , respecti-
vamente. Então

λ1 ⟨v1 , v2 ⟩ = ⟨λ1 v1 , v2 ⟩
= ⟨T v1 , v2 ⟩
= ⟨v1 , T v2 ⟩
= ⟨v1 , λ2 v2 ⟩
= λ2 ⟨v1 , v2 ⟩ ,

e como λ1 ̸= λ2 , concluı́mos que

⟨v1 , v2 ⟩ = 0.
■
8.36 Proposição. Sejam V um espaço vetorial hermitiano e T ∈ Hom (V ). Se W ⊂ V é um subespaço
invariante por T , então W ⊥ é invariante sob T ∗ .

Prova: Se w ∈ W ⊥ , então ⟨v, w⟩ = 0 para todo v ∈ W , logo

⟨v, T ∗ w⟩ = ⟨T v, w⟩ = 0

para todo v ∈ W , pois T v ∈ W . Portanto, T ∗ w ∈ W ⊥ . ■

8.37 Teorema. Seja V um espaço vetorial hermitiano. Se T ∈ Hom (V ) é um operador hermitiano, então
T é diagonalizável através de uma base ortonormal.
Prova: A demonstração será por indução em dim V . Se dim V = 1, isso dá uma base ortonormal para
V constituı́da de autovetores de T . Assuma o teorema verdadeiro para espaços com dimensão menor que
n = dim V . Seja v1 um autovetor de norma 1 associado a um autovalor real de T e W = ⟨v1 ⟩. Então W é
invariante por T e pela proposição anterior W ⊥ é invariante por T ∗ = T . Mas dim W ⊥ = n − 1, logo pela
hipótese de indução existe uma base ortonormal {v2 , . . . , vn } para W ⊥ de autovetores de T |W ⊥ e portanto
de T . Como V = W ⊕ W ⊥ , segue que {v1 , v2 , . . . , vn } é uma base ortonormal para V de autovetores de T .
■
8.38 Corolário. Seja A uma matriz hermitiana. Então existe uma matriz unitária U tal que

D = U † AU

é uma matriz diagonal real.

8.39 Corolário. Seja V um espaço vetorial hermitiano de dimensão finita. Então um operador linear em
V é realmente diagonalizável através de uma base ortonormal se e somente se ele é hermitiano.

Prova: Se T ∈ Hom (V ) é um operador diagonalizável através de uma base ortonormal, então existem uma
matriz diagonal real D e uma matriz unitária U tal que

D = U † AU.

Em particular, como
D† = D,

195
8.6. OPERADORES NORMAIS COMPLEXOS

(observe que esta propriedade não vale para matrizes diagonais complexas) segue que

A = U DU †

e
†
A† = U DU †
†
= U † D† U †
= U DU †
= A.

8.6 Operadores Normais Complexos

O objetivo principal desta seção é resolver o seguinte problema: em que condições um operador complexo
diagonalizável possui uma base ortonormal em relação à qual a sua matriz é diagonal?
Vamos começar obtendo condições necessárias para isso acontecer. Se B = {e1 , . . . , en } é uma base
ortonormal que diagonaliza o operador T , então T é representado nesta base por uma matriz diagonal
com entradas diagonais λ1 , . . . , λn . O operador adjunto T ∗ é representado nesta mesma base pela matriz
transposta conjugada, ou seja uma matriz diagonal com entradas diagonais λ1 , . . . , λn . Em particular, como
ambos operadores são representados por matrizes diagonais em relação a uma mesma base, segue que eles
comutam: T T ∗ = T ∗ T . Veremos no final da seção que esta condição também é suficiente no caso complexo.
No caso real, esta condição não é suficiente, pois pode ocorrer que T nem possua autovalores (por exemplo,
quase todas as rotações em R2 ).
8.40 Definição. Seja V um espaço vetorial hermitiano. Dizemos que T ∈ Hom (V ) é um operador normal
se
T T ∗ = T ∗ T.

Analogamente, dizemos que uma matriz complexa A é normal se

AA† = A† A.

□
Exemplos de operadores normais complexos são operadores hermitianos e operadores unitários.

8.6.1 Caracterização Geométrica de Operadores Normais Complexos

8.41 Proposição. Sejam V um espaço vetorial hermitiano e T ∈ Hom (V ). Então

⟨T v, v⟩ = 0

para todo v ∈ V se e somente se

T = 0.
Prova: Suponha ⟨T u, u⟩ = 0 para todo u ∈ V . Dados quaisquer v, w ∈ V , temos

0 = ⟨T (v + w) , v + w⟩
= ⟨T v, v⟩ + ⟨T v, w⟩ + ⟨T w, v⟩ + ⟨T w, w⟩
= ⟨T v, w⟩ + ⟨T w, v⟩ ,

196
8.6. OPERADORES NORMAIS COMPLEXOS

0 = ⟨T (v + iw) , v + iw⟩
= ⟨T v, v⟩ + ⟨T v, iw⟩ + ⟨iT w, v⟩ + ⟨T (iw) , iw⟩
= −i ⟨T v, w⟩ + i ⟨T w, v⟩ ,

ou seja,

⟨T v, w⟩ + ⟨T w, v⟩ = 0,
⟨T v, w⟩ − ⟨T w, v⟩ = 0,

Somando as duas equações obtemos

⟨T v, w⟩ = 0
para todo w ∈ V , logo T v = 0. Como v é arbitrário, isso implica T = 0. A recı́proca é imediata. ■
Observe que este resultado não vale em geral para espaços vetoriais métricos reais, mesmo definidos positivos:
uma rotação de 90◦ em R2 satisfaz ⟨T v, v⟩ = 0 para todo v.
8.42 Proposição. Sejam V um espaço vetorial métrico ou hermitiano e T ∈ Hom (V ). Então T é hermi-
tiano se e somente se
⟨T v, v⟩ ∈ R

para todo v ∈ V .

Prova: Se T é hermitiano, então

⟨T v, v⟩ = ⟨v, T v⟩ = ⟨T v, v⟩,
logo ⟨T v, v⟩ ∈ R. Reciprocamente, se ⟨T v, v⟩ ∈ R para todo v ∈ V , então

⟨T v, v⟩ = ⟨T v, v⟩ = ⟨v, T v⟩ = ⟨T ∗ v, v⟩ ,

de modo que
⟨(T − T ∗ ) v, v⟩ = 0 para todo v ∈ V.
Da proposição anterior segue que T = T . ■
∗

8.43 Teorema. Sejam V um espaço vetorial hermitiano e T ∈ Hom (V ). Então T é normal se e somente
se
∥T v∥ = ∥T ∗ v∥

para todo v ∈ V.
Em particular, se T é normal, segue que

V = ker T ⊕⊥ im T.

Prova: Seja T normal. Então

2
∥T v∥ = ⟨T v, T v⟩
= ⟨v, T ∗ T v⟩
= ⟨v, T T ∗ v⟩
= ⟨T ∗ v, T ∗ v⟩
2
= ∥T ∗ v∥ .

197
8.6. OPERADORES NORMAIS COMPLEXOS

Reciprocamente, se ∥T v∥ = ∥T ∗ v∥ para todo v ∈ V , então

⟨T ∗ T v, v⟩ = ⟨T v, T v⟩
2
= ∥T v∥
2
= ∥T ∗ v∥
= ⟨T ∗ v, T ∗ v⟩
= ⟨T T ∗ v, v⟩

para todo v ∈ V , o que implica

⟨(T ∗ T − T T ∗ ) v, v⟩ = 0
Se V é um espaço vetorial hermitiano, segue imediatamente da Proposição 8.41 que T ∗ T = T T ∗ .
Se T é um operador normal, segue que ker T = ker T ∗ . Como

V = ker T ∗ ⊕⊥ im T,

obtemos
V = ker T ⊕⊥ im T.
■
Se V = ker T ⊕⊥ im T , não é necessariamente verdade que T é um operador normal, pois T pode ser definido
de qualquer forma arbitrária em im T .

8.6.2 Diagonalização de Operadores Normais Complexos

Embora operadores normais reais nem sempre são diagonalizáveis, pois podem não possuir sequer autovalores,
como rotações, veremos que operadores normais complexos são sempre diagonalizáveis.
8.44 Teorema. Sejam V um espaço vetorial hermitiano e T ∈ Hom (V ) um operador normal.
Então v é um autovetor para T associado ao autovalor λ se e somente se v é um autovetor para T ∗
associado ao autovalor λ.
Consequentemente, autovetores de T associados a autovalores distintos são ortogonais.
Prova: Se λ é qualquer escalar, então T − λI também é um operador normal, pois
∗
(T − λI) = T ∗ − λI

e portanto
∗
(T − λI) (T − λI) = (T − λI) T ∗ − λI

= T T ∗ − λT − λT ∗ + λλI
= T ∗ T − λT ∗ − λT + λλI
= T ∗ − λI (T − λI)

∗
= (T − λI) (T − λI) .

Segue do Teorema 8.43 que

∥(T − λI) v∥ = T ∗ − λI v ,

logo (T − λI) v = 0 se e somente se T ∗ − λI v = 0.

198
8.6. OPERADORES NORMAIS COMPLEXOS

Sejam v1 e v2 autovetores associados aos autovalores λ1 ̸= λ2 , respectivamente. Então,

λ1 ⟨v1 , v2 ⟩ = ⟨λ1 v1 , v2 ⟩
= ⟨T v1 , v2 ⟩
= ⟨v1 , T ∗ v2 ⟩
= v1 , λ2 v2
= λ2 ⟨v1 , v2 ⟩
e como λ1 ̸= λ2 , concluı́mos que
⟨v1 , v2 ⟩ = 0.
■
8.45 Teorema. Seja V um espaço vetorial hermitiano de dimensão finita.
Todo operador linear em V é triangularizável através de uma base ortonormal.
Prova: A demonstração será por indução em dim V . O resultado é obviamente verdadeiro se dim V = 1.
Assuma o teorema verdadeiro para espaços de dimensão menor que n = dim V . Seja vn um autovetor
de norma 1 associado a um autovalor complexo de T ∗ e W = ⟨vn ⟩. Então W é invariante por T ∗ e W ⊥
é invariante por T . Mas dim W ⊥ = n − 1, logo pela hipótese de indução existe uma base ortonormal
{v1 , . . . , vn−1 } de W ⊥ em relação a qual a matriz de T |W ⊥ é triangular. Como V = W ⊕ W ⊥ , segue que
{v1 , . . . , vn−1 , vn } é uma base ortonormal para V em relação à qual a matriz de T é triangular superior, pois
T vn é simplesmente uma combinação linear de v1 , . . . , vn−1 , vn . ■
8.46 Corolário. Seja A uma matriz complexa. Então existe uma matriz unitária U tal que
T = U † AU
é uma matriz triangular.
8.47 Teorema. Seja V um espaço vetorial hermitiano de dimensão finita. Então um operador linear em V
é diagonalizável através de uma base ortonormal se e somente se ele é normal.
Prova: Já vimos no inı́cio desta seção que todo operador diagonalizável através de uma base ortonormal é
normal. Para provar a recı́proca, seja B = {e1 , . . . , en } uma base ortonormal em relação à qual a matriz do
operador linear normal T é triangular. O resultado seguirá se provarmos que toda matriz triangular normal
é diagonal.
E, de fato, seja A = [T ]B . Como A é triangular, temos
T e1 = A11 e1 ,
donde
T ∗ e1 = A11 e1 .
Por outro lado,
n n
X i X
T ∗ e1 = A† e =
1 i
A1i ei .
i=1 i=1

Portanto, = 0 para todo i ⩾ 2, o que implica

A1i = 0 para todo i ⩾ 2.
A1i
Agora, em particular, a12 = 0 e o fato de A ser triangular implicam que
T e2 = A22 e2 .
Usando o mesmo argumento concluı́mos que a2i = 0 para todo i ⩾ 3. Continuando com este argumento
provamos que
T ej = Ajj ej
para todo j, logo A é diagonal. ■

199
8.7. TEORIA ESPECTRAL PARA OPERADORES NORMAIS

8.48 Corolário. Seja A uma matriz normal complexa. Então existe uma matriz unitária U tal que

D = U † AU

é uma matriz diagonal.

8.7 Teoria Espectral para Operadores Normais

8.49 Teorema. Seja T ∈ Hom (V ) um operador normal sobre um espaço vetorial hermitiano de dimensão
finita. Sejam λ1 , . . . , λk os autovalores distintos de T , Wi o autoespaço associado a λi e Ei a projeção
ortogonal de V sobre Wi . Então Wi é ortogonal a Wj se i ̸= j,

V = W 1 ⊕⊥ . . . ⊕⊥ W k

e
T = λ 1 E1 + . . . + λ k Ek .

Prova: A decomposição em soma direta ortogonal segue dos Teoremas 8.47. Da decomposição em soma
direta segue que
E1 + . . . + Ek = I,
donde

T = T I = T E1 + . . . + T Ek
= λ1 E1 + . . . + λk Ek .

■
Esta decomposição é chamada a resolução espectral do operador T .

8.50 Definição. Sejam V um espaço vetorial hermitiano e T ∈ Hom (V ) um operador hermitiano.

Dizemos que T é positivo definido se
⟨T v, v⟩ > 0 (8.10)
para todo v ∈ V . Se
⟨T v, v⟩ ⩾ 0 (8.11)
para todo v ∈ V , dizemos que T é positivo semidefinido. □
Dado um operador linear invertı́vel T , o operador T ∗ T é sempre hermitiano e positivo definido, pois
∗ ∗
(T ∗ T ) = T ∗ (T ∗ ) = T ∗ T,
2
⟨T ∗ T v, v⟩ = ⟨T v, T v⟩ = ∥T v∥ > 0.

Se T não é invertı́vel, então T ∗ T é apenas hermitiano e positivo semidefinido.

8.51 Proposição. Toda projeção ortogonal em um espaço vetorial hermitiano é um operador hermitiano.
Prova: Seja E ∈ Hom (V ) uma projeção. Então existe uma base B′ = {e1 , . . . , em } para im E e uma base
B′′ = {em+1 , . . . , en } para ker E tais que B = {e1 , . . . , en } é uma base para V que diagonaliza E e

Im 0

[E]B = .
0 0

200
8.7. TEORIA ESPECTRAL PARA OPERADORES NORMAIS

Usando o processo de ortogonalização de Gram-Schmidt, podemos escolher B′ e B′′ ortonormais. Se E é

uma projeção ortogonal, então B′ ⊥ B′′ e segue imediatamente que B é uma base ortonormal para V que
diagonaliza E. Daı́,
∗ ∗
Im 0 Im 0 Im 0

∗
[E ]B = ([E]B ) =
∗
= = = [E]B ,
0 0 0 0 0 0
e portanto E é autoadjunto. ■
8.52 Teorema. Seja T ∈ Hom (V ) um operador normal diagonalizável sobre um espaço hermitiano de
dimensão finita. Então, os autovalores de T são
(i) reais, se e somente se T é hermitiano;
(ii) não-negativos, se e somente se T é positivo semidefinido;
(iii) positivos, se e somente se T é positivo definido;
(iv) de módulo 1, se e somente se T é unitário.
Prova: Seja
T = λ1 E1 + . . . + λk Ek
a resolução espectral de T . Segue que a resolução espectral de T ∗ é

T ∗ = λ1 E1 + . . . + λk Ek .

T é hermitiano se e somente se T = T ∗ , isto é, se e somente se

λ1 − λ1 E1 + . . . + λk − λk Ek = 0.

Como Ei Ej = 0 se i ̸= j e Ei não é o operador nulo, concluı́mos que T é ou hermitiano se e somente se

λi = λi , isto é, se e somente se os autovalores de T são reais.
Agora,
* k k
+
X X
⟨T v, v⟩ = λi Ei v, Ej v
i=1 j=1
k
X
= λi ⟨Ei v, Ej v⟩
i,j=1
k
X 2
= λi ∥Ei v∥ ,
i,j=1

logo, tomando v ∈ Wi para i = 1, . . . , k, concluı́mos que ⟨T v, v⟩ ⩾ 0 para todo v ∈ V se e somente se λi ⩾ 0

para todo i e que ⟨T v, v⟩ > 0 para todo v ∈ V se e somente se λi > 0 para todo i.
Finalmente, temos

T T ∗ = (λ1 E1 + . . . + λk Ek ) λ1 E1 + . . . + λk Ek

2 2
= |λ1 | E1 + . . . + |λk | Ek .

Se |λ1 | = . . . = |λk | = 1, então T T ∗ = I e T é unitário. Reciprocamente, se T T ∗ = I, então

2 2
|λ1 | E1 + . . . + |λk | Ek = I,

donde, multiplicando a equação por Ej , obtemos

2
Ej = |λj | Ej ,

o que implica |λj | = 1. ■

201
8.8. FORMAS SESQUILINEARES

8.8 Formas Sesquilineares

8.53 Definição. Seja V um espaço vetorial complexo. Uma forma sesquilinear em V é uma função
B : V × V −→ C que satisfaz
(i) Para todos v, w, u ∈ V e para todos α, β ∈ C

B (αv + βw, u) = αB (v, u) + βB (w, u)

(ii) Para todos v, w, u ∈ V e para todos α, β ∈ C

B (u, αv + βw) = αB (u, v) + βB (u, w)

Uma forma sesquilinear é hermitiana se

B (v, w) = B (w, v)

para todos v, w ∈ V . □
Assim, uma forma sesquilinear é linear na primeira variável e linear conjugada (às vezes chamada antilinear)
na segunda variável.
8.54 Teorema. Seja V um espaço vetorial hermitiano de dimensão finita e B uma forma sesquilinear.
Então existe um único operador T em V tal que

B (v, w) = ⟨T v, w⟩ .

Esta correspondência determina um isomorfismo canônico entre o espaço das formas sesquilineares e o espaço
dos operadores Hom (V ).
Além disso, a forma B é hermitiana se e somente se T é hermitiano.
Prova: Fixe um vetor w ∈ V . Então
f (v) = B (v, w)
é um funcional linear, logo pelo Teorema de Representação de Riesz existe um único u ∈ V tal que
B (v, w) = ⟨v, u⟩
para todo v ∈ V . Defina uma aplicação U : V −→ V por U w = u. Afirmamos que U é um operador linear.
De fato,
⟨v, U (β1 w1 + β2 w2 )⟩ = B (v, β1 w1 + β2 w2 ) = β1 B (v, w1 ) + β 2 B (v, w2 )
= β1 ⟨v, U (w1 )⟩ + β 2 ⟨v, U (w2 )⟩
= ⟨v, β1 U (w1 ) + β2 U (w2 )⟩
para todo v ∈ V . Tomando T = U ∗ , segue que
B (v, w) = ⟨v, U w⟩ = ⟨U ∗ v, w⟩ = ⟨T v, w⟩ .
O argumento usual mostra que T é única.
Se B é hermitiana, para todos v, w ∈ V temos
⟨T v, w⟩ = B (v, w) = B (w, v) = ⟨T w, v⟩ = ⟨v, T w⟩ ,
isto é,
T ∗ = T.
■

202
8.8. FORMAS SESQUILINEARES

8.55 Corolário. Se B = {e1 , . . . , en } é uma base ortonormal para V ,

n
X
v= v i ei ,
i=1
n
X
w= wj ej ,
j=1

então toda forma sesquilinear pode ser escrita na forma

n
X
B (v, w) = Aij v i wj
i,j=1

para alguns Aij ∈ C.

Prova: Escreva
* n
! n
+
X X
B (v, w) = ⟨T v, w⟩ = T v i ei , w j ej
i=1 j=1
n
X
= v i wj ⟨T ei , ej ⟩
i,j=1

e defina Aij = ⟨T ei , ej ⟩. ■
8.56 Definição. Seja V um espaço vetorial hermitiano de dimensão finita e B uma forma sesquilinear. A
função q : V −→ K definida por
q (v) = B (v, v)

é chamada a forma quadrática induzida por B.

Se B é hermitiana, dizemos que a forma quadrática é hermitiana. □
Segue do Corolário 8.55 que se B = {e1 , . . . , en } é uma base ortonormal para V , toda forma quadrática pode
ser escrita na forma !
X n Xn
q (v) = q v ei =
i
Aij vi v j
i=1 i,j=1

para alguns Aij ∈ C. Observe que quando B é hermitiana, q (v) ∈ R para todo v ∈ V , pois B (v, v) = B (v, v)
implica B (v, v) ∈ R. Vale a recı́proca:
8.57 Proposição. Seja V um espaço vetorial hermitiano.
Uma forma sesquilinear B é hermitiana se e somente se B (v, v) ∈ R para todo v ∈ V .
Prova: Assuma B (v, v) ∈ R para todo v ∈ V . Dados v, w ∈ V precisamos mostrar que B (v, w) = B (w, v).
Temos
B (v + w, v + w) = B (v, v) + B (v, w) + B (w, v) + B (w, w) .
Como B (v + w, v + w) , B (v, v) , B (w, w) ∈ R segue que

B (v, w) + B (w, v) ∈ R.

Da mesma forma, escrevendo

B (v + iw, v + iw) = B (v, v) − iB (v, w) + iB (w, v) − B (w, w) ,

203
8.8. FORMAS SESQUILINEARES

concluı́mos que
−iB (v, w) + iB (w, v) ∈ R.
Números reais são iguais a seus conjugados, logo

B (v, w) + B (w, v) = B (v, w) + B (w, v),

−iB (v, w) + iB (w, v) = iB (v, w) − iB (w, v).

Somanda a primeira equação à segunda multiplicada por i, obtemos

2B (v, w) = 2B (w, v),

donde segue o resultado. ■

8.58 Teorema (Diagonalização de Formas Quadráticas). Seja V um espaço vetorial hermitiano de di-
mensão finita. Dada uma forma quadrática hermitiana q em V , existe uma base ortonormal B = {e1 , . . . , en }
para V tal que
n
! n
X X 2
q (v) = q v ei =
i
λi v i
i=1 i=1

para alguns λ1 , . . . , λn ∈ R. Além disso, se B é a forma hermitiana que induz q, temos também

n
X
B (v, w) = λi v i w i .
i=1

Prova: Seja B a forma sesquilinear hermitiana tal que q (v) = B (v, v) e T o operador linear tal que

B (v, w) = ⟨T v, w⟩

para todos v, w ∈ V . Pelo Teorema 8.54 T é hermitiano, logo existe uma base ortonormal B = {e1 , . . . , en }
para V que diagonaliza T , isto é,
T ej = λj ej
com λj ∈ R, para j = 1, . . . , n. Segue que
* n
! n
+
X X
B (v, w) = T v i ei , w j ej
i=1 j=1
n
X
= v i wj ⟨T ei , ej ⟩
i,j=1
Xn
= v i wj λi ⟨ei , ej ⟩
i,j=1
X n
= λi v i w j .
i=1

A expressão para q é obtida imediatamente a partir da expressão para B. ■

204
Capı́tulo 9

Tensores

9.1 Tensores como Funcionais (k, l)-lineares

9.1.1 Tensores Escalares
9.1 Definição. Sejam V um K-espaço vetorial e V ∗ seu espaço dual.
Um tensor k-covariante em V é uma função real k-linear

T : V × . . . × V −→ K.
| {z }
k vezes

Um tensor l-contravariante em V (ou tensor contravariante de ordem l) é uma função real l-linear

T : V ∗ × . . . × V ∗ −→ K.
| {z }
l vezes

Um tensor do tipo (k, l) é uma função (k, l)-linear

T : V × . . . × V × V ∗ × . . . × V ∗ −→ K.
| {z } | {z }
k vezes l vezes

O espaço vetorial dos tensores k-covariantes em V será denotado por T k (V ); o espaço vetorial dos tensores
l-contravariantes em V será denotado por Tl (V ) e o espaço vetorial dos (k, l)-tensores em V será denotado
por Tlk (V ) ou T (k,l) (V ). Definimos T 0 (V ) = R. Estes espaços vetoriais são chamados de modo genérico
espaços tensoriais. □
O significado dos termos covariante e contravariante será explicado mais adiante, na seção de mudança de
coordenadas.
9.2 Exemplo. Tensores 1-covariantes são funcionais lineares, isto é,

T 1 (V ) = V ∗ .

Tensores 2-covariantes são formas bilineares. Determinantes são tensores n-covariantes, mas tensores n-
covariantes não são em geral alternados.

205
9.2. PRODUTO TENSORIAL

Devido à identificação natural V ∗∗ = V , os tensores 1-contravariantes são simplesmente os vetores de V :

T1 (V ) = V ∗∗ = V.

□
Denotaremos de agora em diante o espaço vetorial dos operadores lineares de V por Hom (V ) ao invés
de L (V ).
9.3 Proposição. Existe um isomorfismo natural

T11 (V ) ∼
= Hom (V ) .

Prova. Um isomorfismo natural Φ : Hom (V ) −→ T11 (V ) pode ser definido por

[Φ (L)] (v, ω) = ω (Lv) .
■
Desta forma, (1, 1)-tensores podem ser identificados com operadores lineares.

9.1.2 Tensores Vetoriais

9.4 Definição. Sejam V, W K-espaço vetoriais e V ∗ seu espaço dual. Um (k, l)-tensor vetorial é uma
aplicação (k, l)-linear
T : V × . . . × V × V ∗ × . . . × V ∗ −→ V.
| {z } | {z }
k vezes l vezes

O espaço vetorial dos (k, l)-tensores vetoriais V será denotado por Homk,l (V, V ∗ ; V ). □
9.5 Proposição. Existe um isomorfismo natural

k
Tl+1 (V ) ∼
= Homk,l (V, V ∗ ; V ) .

l
Prova. Um isomorfismo natural Φ : Homk,l V k × (V ∗ ) ; V −→ Tl+1
k
(V ) pode ser definido por

(ΦT ) v1 , . . . , vk , ω 1 , . . . , ω l , ω l+1 = ωl+1 T v1 , . . . , vk , ω 1 , . . . , ω l .

■
Desta forma, (k, l + 1)-tensores escalares podem ser identificados com (k, l)-tensores vetoriais.

9.2 Produto Tensorial

9.6 Definição. Sejam T e S tensores de tipos (k, l) e (p, q), respectivamente. Seu produto tensorial é o
tensor T ⊗ S do tipo (k + p, l + q) definido por
(T ⊗ S) v1 , . . . , vk+p , ω 1 , . . . , ω l+q = T v1 , . . . , vk , ω 1 , . . . , ω l S vk+1 , . . . , vk+p , ω l+1 , . . . , ω l+q .

206
9.2. PRODUTO TENSORIAL

9.7 Exemplo. Sejam ω 1 , ω 2 dois covetores (1-tensores covariantes). Então

ω 1 ⊗ ω 2 (v1 , v2 ) = ω 1 (v1 ) ω 2 (v2 )
é um 2-tensor covariante (uma forma bilinear). □
Usando produtors tensoriais, podemos obter uma base para o espaço tensorial Tlk (V ):
9.8 Proposição. Se
B = {e1 , . . . , en }
é uma base para o espaço vetorial V e
B∗ = e1 , . . . , en

é a correspondente base dual para V ∗ , então

Bkl = ei1 ⊗ . . . ⊗ eik ⊗ ej1 ⊗ . . . ⊗ ejl (9.1)

1⩽i1 ,...,ik ⩽n
1⩽j1 ,...,jl ⩽n

é uma base para o espaço tensorial Tlk (V ). Além disso, qualquer tensor T ∈ Tlk (V ) se escreve na forma
n
X
T = Tij11...i
...jl i1
k
e ⊗ . . . ⊗ eik ⊗ ej1 ⊗ . . . ⊗ ejl , (9.2)
i1 ,...,ik =1
j1 ,...,jl =1

onde
Tij11...i
...jl
= T ei1 , . . . , eik , ej1 , . . . , ejl . (9.3)

k

Em particular, dim Tlk (V ) = n k+l

.
Prova. Primeiro mostraremos que Bkl gera o espaço tensorial Tlk (V ). Seja T ∈ Tlk (V ) um tensor qualquer
e defina
Tij11...i
...jl
= T ei1 , . . . , eik , ej1 , . . . , ejl .

k

Se v1 , . . . , vk ∈ V , ω 1 , . . . , ω l ∈ V ∗ são vetores e covetores arbitrários, expressos em coordenadas por

n
X n
X
vr = vrir eir e ωs = ωjss ejs
ir =1 js =1

para r = 1, . . . , k e s = 1, . . . , l, segue da multilinearidade que

T v1 , . . . , v k , ω 1 , . . . , ω l

 
X n X n n
X n
X
=T v1i1 ei1 , . . . , vkik eik , ωj11 ej1 , . . . , ωjl l ejl 
i1 =1 ik =1 j1 =1 jl =1
n
X
= v1i1 . . . vkik ωj11 . . . ωjl l T ei1 , . . . , eik , ej1 , . . . , ejl

i1 ,...,ik =1
j1 ,...,jl =1
X n
= Tij11...i
...jl i1
v . . . vkik ωj11 . . . ωjl l
k 1
i1 ,...,ik =1
j1 ,...,jl =1
X n
= Tij11...i
...jl i1
e (v1 ) . . . eik (vk ) ej1 ω 1 . . . ejl ω l

k
i1 ,...,ik =1
j1 ,...,jl =1
X n
= Tij11...i
...jl i1
e ⊗ . . . ⊗ eik ⊗ ej1 ⊗ . . . ⊗ ejl v1 , . . . vk , ω 1 , . . . , ω l .

k
i1 ,...,ik =1
j1 ,...,jl =1

207
9.3. TENSORES COVARIANTES E CONTRAVARIANTES

Para mostrar que Bkl é linearmente independente, suponha que exista uma combinação linear nula
n
X
T = Cij11...i
...jl i1
k
e ⊗ . . . ⊗ eik ⊗ ej1 ⊗ . . . ⊗ ejl = 0
i1 ,...,ik =1
j1 ,...,jl =1

para algumas constantes Cij11...i

...jl
k
∈ R. Como

ei1 ⊗ . . . ⊗ eik ⊗ ej1 ⊗ . . . ⊗ ejl (er1 , . . . , erk , es1 , . . . , esl )

= ei1 (er1 ) . . . eik (erk ) ej1 (es1 ) . . . ejl (esl )
= δri11 . . . δrikk δjs11 . . . δjsll
= δri11...ik s1 ...sl
...rk j1 ...jl ,

(o delta de Kronecker para multi-ı́ndices é definido de forma análoga ao delta de Kronecker usual) segue que
n
X
0 = T (er1 , . . . , erk , es1 , . . . , esl ) = Cij11...i
...jl i1 ...ik s1 ...sl
δ
k r1 ...rk j1 ...jl
= Crs11...r
...sl
k
i1 ,...,ik =1
j1 ,...,jl =1

para todos os ı́ndices r1 , . . . , rk , s1 , . . . , sl = 1, . . . , n. ■

Este resultado mostra que um tensor é completamente determinado pela sua ação em todas as sequências
possı́veis de covetores e vetores das bases de V ∗ e V .
k+p
Observe que, se F ∈ Tlk (V ), G ∈ Tqp (V ) e T = F ⊗ G ∈ Tl+q (V ), então
j ...j jl+1 ...jl+q
...ik+p = T ei1 , . . . , eik , eik+1 , . . . , eik+p , e , . . . , e , e
j1 jl jl+1
, . . . , ejl+q

Ti11...iklik+1
= F ei1 , . . . , eik , ej1 , . . . , ejl G eik+1 , . . . , eik+p , ejl+1 , . . . , ejl+q

de modo que
j ...j j ...j j1 ...jl j ...j
Ti11...iklik+1 ...ik+p = Fi1 ...ik Gik+1 ...ik+p . (9.4)
l+1 l+q l+1 l+q

9.3 Tensores Covariantes e Contravariantes

9.3.1 Mudança de Coordenadas em V e V ∗
Seja V um espaço vetorial de dimensão finita. Como vimos na Seção 2.6, se

B = {e1 , . . . , en } ,
B′ = {e′1 , . . . , e′n } ,

são duas bases para V , então existe uma única matriz invertı́vel A tal que se
n n
X X ′
v= v ei =
i
v i e′i ,
i=1 i=1

e ′ 
v1 v1

 

[v]B =  ...  , [v]B′ =  ... 

   
′
vn vn

208
9.3. TENSORES COVARIANTES E CONTRAVARIANTES

então
[v]B′ = A [v]B .
A matriz A é chamada a matriz de mudança de coordenadas da base B para a base B′ , também
denotada quando necessário por AB→B′ , e suas colunas são as coordenadas dos vetores da base B em relação
à base B′ :
Xn
ej = Aij e′i . (9.5)
i=1

Esta última equação também pode ser vista como a lei de transformação dos vetores da base B′ para a
base B. Comparando com a lei de transformação das coordenadas de vetores na base B′ para a base
B,
[v]B = A−1 [v]B′ ,
ou seja
n
X i ′
vi = A−1 j
vj . (9.6)
i=1

vemos que elas são contrárias, no sentido de que a matriz de uma é a inversa da outra. Considerando a lei
de transformação (9.5) dos vetores da base do espaço vetorial V como a lei de transformação fundamental,
isso motiva a seguinte definição:

9.9 Definição. Vetores cujas coordenadas se transformam de maneira contrária à lei (9.5) são chamados
vetores contravariantes. □
Assim, os vetores do próprio espaço vetorial V são vetores contravariantes.

9.3.2 Covetores
9.10 Definição. Seja V um espaço vetorial real de dimensão finita. Um covetor de V é qualquer funcional
linear ω : V −→ R.
O espaço vetorial dos covetores de V , com as definições naturais de soma de covetores e multiplicação de
covetores por escalares reais é chamado o espaço dual de V e denotado por V ∗ . □

Portanto, covetor de V nada mais é que um sinônimo para funcional linear sobre V .
9.11 Definição. Seja B = {e1 , . . . , en } uma base para o espaço vetorial V . Definimos a base dual

B∗ = e1 , . . . , en

de V ∗ por
ei (ej ) = δij , i, j = 1, . . . , n. (9.7)
□
Um covetor arbitrário ω ∈ V ∗ expressa-se em coordenadas com relação à base dual B∗ na forma
n
X
ω= ωi ei .
i=1

209
9.3. TENSORES COVARIANTES E CONTRAVARIANTES

Observe que se
n
X
v= v i ei ,
i=1

então
ei (v) = v i . (9.8)
9.12 Definição. Sejam V, W espaços vetoriais. Dada uma aplicação linear A : V −→ W , definimos a
aplicação linear dual ou transposta A∗ : W ∗ −→ V ∗ de A por

(A∗ ω) v = ω (Av)

para todo ω ∈ W ∗ e para todo v ∈ V . □

9.13 Proposição. Sejam

B1 = {e1 , . . . , en } ,
B2 = {f1 , . . . , fn }

duas bases para o espaço vetorial V e

B∗1 = e1 , . . . , en ,

B∗2 = f 1 , . . . , f n

as respectivas bases duais para V ∗ . Se A é a matriz de mudança de coordenadas da base B1 para a base B2 ,
então
n
X i
ei = A−1 j f j . (9.9)
j=1

−1 T
é a matriz de mudança de coordenadas da base dual B∗1 para a base dual B∗2 ,

Consequentemente, A
isto é,
T
[ω]B∗ = A−1 [ω]B∗ . (9.10)
2 1

Prova. Pela Proposição (9.3),

n
X
ei = Aji fj .
j=1

Seja B = Bl a matriz de transformação da base B∗1 para a base B∗2 , isto é,
k

n
X
ek = Blk f l .
l=1

210
9.3. TENSORES COVARIANTES E CONTRAVARIANTES

Então
δik = ek (ei )
 
X n
j
= ek  Ai fj 
j=1
n
X
= Aji ek (fj )
j=1
Xn n
X
= Aji Blk f l (fj )
j=1 l=1
n
X n
X
j
= Ai Blk δjl
j=1 l=1
n
X
= Aji Bjk
j=1
Xn
= Bjk Aji ,
j=1

de modo que BA = I, donde B = A−1 e portanto

n
X k
ek = A−1 l
f l.
l=1

(9.10) segue da aplicação da Proposição (9.3) a (9.9), substituindo V por V ∗ e B1 , B2 por B∗1 , B∗2 . ■
Portanto, assim como a lei de transformação dos vetores da base B2 para a base B1 (lei de transformação
fundamental) é
Xn
ei = Aji fj ,
j=1

a lei de transformação das coordenadas de vetores na base B∗2 para a base B∗1 é a mesma: como
[ω]B∗ = AT [ω]B∗ ,
1 2

segue que se
[ω]B∗ = (ω1 , . . . , ωn ) ,
1

[ω]B∗ = (σ1 , . . . , σn ) ,
2

então
n
X
ωi = Aji σj . (9.11)
j=1

Ou seja, covetores variam (se transformam) da mesma forma como variam (se transformam) os vetores da
base do espaço vetorial, que convencionamos ser a lei de transformação fundamental. Esta observação motiva
a seguinte definição:
9.14 Definição. Vetores cujas coordenadas se transformam da mesma forma que a lei (9.9) são chamados
vetores covariantes. □
Assim, os covetores do espaço dual V ∗ são vetores covariantes.

211
9.4. TRAÇO DE TENSORES

9.3.3 Mudança de Coordenadas de Tensores

9.15 Proposição. Sejam B1 = {e1 , . . . , en } , B2 = {f1 , . . . , fn } duas bases para o espaço vetorial V e
B∗1 = e1 , . . . , en , B∗2 = f 1 , . . . , f n as respectivas bases duais para V ∗ . Sejam A a matriz de mudança

T
de coordenadas da base B1 para a base B2 , e A−1 a matriz de mudança de coordenadas da base dual B∗1
para a base dual B∗2 , isto é,
n n
X X k
ei = Aji fj e ek = A−1 l f l .
j=1 l=1

Sejam
n
X
T = Eij11...i
...jl i1
k
e ⊗ . . . ⊗ eik ⊗ ej1 ⊗ . . . ⊗ ejl
i1 ,...,ik =1
j1 ,...,jl =1
X n
= Fij11...i
...jl i1
k
f ⊗ . . . ⊗ f ik ⊗ fj1 ⊗ . . . ⊗ fjl
i1 ,...,ik =1
j1 ,...,jl =1

as expressões em coordenadas para um tensor T ∈ Tlk (V ) em relação a estas bases. Então

n
X j 1 jl
Eij11...i
...jl
k
= Ari11 . . . Arikk A−1 s1
. . . A−1 sl
Frs11...r
...sl
k
. (9.12)
r1 ,...,rk =1
s1 ,...,sl =1

Prova. Segue da última proposição e por multilinearidade que

Eij11...i
...jl
k

= T ei1 , . . . , eik , ej1 , . . . , ejl

n n n n
!
X X X j 1 X j l
=T Ari11 fr1 , . . . , Arikk frk , A−1 s s1
f ,..., A−1 s f sl
1 l
r1 =1 rk =1 s1 =1 sl =1
n
X j 1 j l
= Ari11 . . . Arikk A−1 s1
. . . A−1 sl
T (fr1 , . . . , frk , f s1 , . . . , f sl )
r1 ,...,rk =1
s1 ,...,sl =1
n
X j 1 j l
= Ari11 . . . Arikk A−1 s1
. . . A−1 sl
Frs11...r
...sl
k
.
r1 ,...,rk =1
s1 ,...,sl =1

9.4 Traço de Tensores

O traço de uma matriz A = Aij é definido por

n×n

n
X
tr A = Aii .
i=1

A partir disso pode-se definir o traço de um operador linear sobre um espaço vetorial real de dimensão finita
como sendo o traço de qualquer uma de suas representações matriciais com respeito a uma base fixada pois

212
9.4. TRAÇO DE TENSORES

pode-se provar que o traço independe da base escolhida, ou seja, que o traço é uma noção independente de
coordenadas. Usando o isomorfismo natural entre o espaço vetorial End (V ) dos operadores lineares sobre V
e T11 (V ), podemos definir logo de inı́cio o traço para operadores lineares independemente de coordenadas.
Além da vantagem óbvia de se ter uma definição que não se refere a coordenadas, a maior vantagem é que
ela será naturalmente generalizada para definir o traço de tensores.
Observe que é uma consequência da Proposição 9.8 que os produtos tensoriais da forma ω ⊗ v, ω ∈ V ∗ ,
v ∈ V , geram T11 (V ); em outras palavras, todo (1, 1)-tensor é uma combinação linear de tais produtos
tensoriais.
9.16 Definição. O traço de (1, 1)-tensores é o funcional linear tr : T11 (V ) −→ R definido por

tr (ω ⊗ v) = ω (v)

em produtos tensoriais e estendido linearmente a todo T11 (V ).

Se Φ : End (V ) −→ T11 (V ) é o endomorfimo natural, então o traço de um operador linear A ∈ End (V )
é definido por
tr A = tr (Φ (A)) .
□
9.17 Proposição. Se T ∈ T11 (V ) se escreve em coordenadas na forma
n
X
T = Tij ei ⊗ ej ,
i,j=1

então
n
X
tr T = Tii . (9.13)
i=1

Se A ∈ End (V ), então
n
X
tr A = Aii . (9.14)
i=1

Prova: Por definição,

n
X n
X n
X n
X
tr T = Tij tr ei ⊗ ej = Tij ei (ej ) = Tij δji = Tii .

i,j=1 i,j=1 i,j=1 i=1

Daı́, como
n
X i
tr A = [Φ (A)]i ,
i=1
e
n
!
j
X
[Φ (A)]i = Φ (A) ei , e j
= e (Aei ) = e
j j
Aki ek

k=1
n
X n
X
= Aki ej (ek ) = Aki δjk
k=1 k=1

= Aji ,

segue a segunda expressão. ■

213
9.4. TRAÇO DE TENSORES

O conceito de traço pode ser generalizado para tensores de qualquer tipo, produzindo uma operação que
diminui a ordem total do tensor em 2, 1 para a parte covariante e 1 para a parte contravariante. Antes
observe que, dado um tensor T do tipo (k, l) e ı́ndices p, q, cada (k − 1, l − 1)-upla fixada
l−1
v1 , . . . , vp−1 , vp+1 , . . . , vk , ω 1 , . . . , ω q−1 , ω q+1 , . . . , ω l ∈ V k−1 × (V ∗ )

define um tensor S ∈ T11 (V ), que depende da (k − 1, l − 1)-upla escolhida, através da expressão

S (v, ω) = T v1 , . . . , vp−1 , v, vp+1 , . . . , vk , ω 1 , . . . , ω q−1 , ω, ω q+1 , . . . , ω l .

Em outras palavras, fixados v1 , . . . , vp−1 , vp+1 , . . . , vk , ω 1 , . . . , ω q−1 , ω q+1 , . . . , ω l ,

T v1 , . . . , vp−1 , ·, vp+1 , . . . , vk , ω 1 , . . . , ω q−1 , ·, ω q+1 , . . . , ω l

é um (1, 1)-tensor.
9.18 Definição. Dado um tensor T do tipo (k, l) e ı́ndices p, q, o traço de T com respeito aos ı́ndices p, q
(ı́ndice covariante p e ı́ndice contravariante q) é o tensor tr T do tipo (k − 1, l − 1) definido por
(tr T ) v1 , . . . , vp−1 , vp , . . . , vk−1 , ω 1 , . . . , ω q−1 , ω q , . . . , ω l−1

= tr T v1 , . . . , vp−1 , ·, vp , . . . , vk−1 , ω 1 , . . . , ω q−1 , ·, ω q , . . . , ω l−1 .

Se for necessário explicitar os ı́ndices em relação aos quais foi tomado o traço, denotaremos trpq T . □
9.19 Proposição. Se T ∈ Tlk (V ) se escreve em coordenadas na forma
n
X
T = Tij11...i
...jl i1
k
e ⊗ . . . ⊗ eik ⊗ ej1 ⊗ . . . ⊗ ejl .
i1 ,...,ik =1
j1 ,...,jl =1

então as coordenadas de
n
j ...j
X
tr T = (tr T )i11...ik−1
l−1
ei1 ⊗ . . . ⊗ eik−1 ⊗ ej1 ⊗ . . . ⊗ ejl−1
i1 ,...,ik−1 =1
j1 ,...,jl−1 =1

são dadas por

n
j ...j j ...j ij ...j
X
(tr T )i11...ik−1
l−1
= q−1 q
Ti11...ip−1 k−1
iip ...il−1 . (9.15)
i=1

Prova: Por definição, se S é o tensor T ei1 , . . . , eip−1 , ·, eip , . . . , eik−1 , ej1 , . . . , ejq−1 , ·, ejq , . . . , ejl−1 , então

j ...jl−1
(tr T )i11...ik−1 = (tr T ) ei1 , . . . , eip−1 , eip , . . . , eik−1 , ej1 , . . . , ejq−1 , ejq , . . . , ejl−1

= tr S
Xn
= Sii
i=1
n
X
= T ei1 , . . . , eip−1 , ei , eip , . . . , eik−1 , ej1 , . . . , ejq−1 , ei , ejq , . . . , ejl−1

i=1
n
j ...j ij ...j
X
= q−1 q
Ti11...ip−1 l−1
iip ...ik−1 .
i=1

214
9.5. TENSORES EM ESPAÇOS VETORIAIS MÉTRICOS

9.5 Tensores em Espaços Vetoriais Métricos

9.5.1 Isomorfismos Musicais
Uma propriedade importante da métrica é que ela permite converter vetores em covetores e vice-versa. De
fato, ela permite definir um isomorfismo natural entre os espaços V e seu dual V ∗ , chamado o isomorfismo
musical. A escolha deste nome se refere aos sı́mbolos escolhidos para denotar o isomorfismo e seu inverso,
conforme veremos na definição a seguir.

9.20 Definição. Seja V um espaço vetorial métrico. Definimos o isomorfismo bemol

♭
: V −→ V∗
v 7→ v♭

que leva v no covetor v ♭ definido por

v ♭ (w) = g (v, w) = ⟨v, w⟩ (9.16)

para todo w. Seu inverso é o isomorfismo sustenido

♯
: V∗ −→ V
ω 7→ ω♯

que leva o covetor ω no vetor ω ♯ definido por

g ω ♯ , w = ω ♯ , w = ω (w) (9.17)

para todo w. □

Em coordenadas,
* n n
+ n
X X X
v (w) =
♭ i
v ei , j
w ej = gij v i wj
i=1 j=1 i,j=1
n
X
= gij v i ej (w) ,
i,j=1

ou seja,
n
X
v♭ = gij v i ej . (9.18)
i,j=1

Escrevendo os componentes do covetor v ♭ em coordenadas na forma

n
X
v♭ = vj e j , (9.19)
j=1

segue que
n
X
vj = gij v i . (9.20)
i=1

Diz-se que o covetor v ♭ é obtido a partir do vetor v descendo um ı́ndice. Por este motivo esta operação é
denotada pelo sı́mbolo bemol, porque em partituras musicais o sı́mbolo bemol é usado para abaixar a altura

215
9.6. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

da nota musical que lhe segue. Já no caso do isomorfismo inverso, escrevendo em coordenadas o vetor ω ♯ na
forma
Xn
ω♯ = ω i ei , (9.21)
i=1
segue que * +
n
X
k
ω ek , ej = ω (ej ) ,
k=1

donde
n
X
ωj = gkj ω k .
k=1

Multiplicando pela matriz inversa g ij , como

n n n n
! n
X X X X X
g ij
gjk ω =
k ij
g gjk ωk = δki ω k = ω i ,
i=1 k=1 k=1 i=1 k=1

segue que
n
X
ωi = g ij ωj . (9.22)
j=1

Diz-se que o vetor ω ♯ é obtido a partir do covetor ω subindo um ı́ndice. Por este motivo esta operação
é denotada pelo sı́mbolo sustenido, porque em partituras musicais o sı́mbolo sustenido é usado para subir a
altura da nota musical que lhe segue.

9.6 Produto Tensorial de Espaços Vetoriais

9.21 Definição. Seja B = {ei }i∈I um conjunto não vazio arbitrário e K um corpo. O espaço vetorial
gerado por B é o conjunto de todas as combinações lineares formais finitas de elementos de B, isto é,
expressões da forma
Xk
v j eij
j=1

para algum k ∈ N, para algum conjunto de ı́ndices finito {i1 , . . . , ik } e para alguns escalares v 1 , . . . , v k ∈ K,
com a soma de vetores e multiplicação por escalar definida da maneira óbvia. □

Observe que, com esta definição, o conjunto B é a base de V .

9.22 Definição. Sejam V, W espaços vetoriais com bases

BV = {ei } ,
BW = {e′i } .

O produto tensorial V ⊗ W é o espaço vetorial gerado pelo produto cartesiano

B = BV × BS = ei , e′j .

Denotamos os elementos da base B por ei ⊗ e′j . □

216
9.6. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

Em outras palavras, os elementos do produto tensorial V ⊗ W são combinações lineares formais dos produtos
tensoriais formais ei ⊗ e′j de elementos das bases de V e W . Nesta notação, alguns elementos de V ⊗ W
podem ser escritos na forma v ⊗ w para algum v ∈ V e para algum w ∈ W , mais isso em geral não acontece;
mais geralmente, os elementos de V ⊗ W escritos na forma
k
X
t= tij ei ⊗ e′j .
i,j=1

Estes produtos tensoriais são chamados às vezes de bivetores.

A conexão entre esta definição e a anterior é dada pelo seguinte isomorfismo (denotamos Homk o espaço
vetorial dos homomorfismos k-lineares):
9.23 Proposição. Existe um isomorfismo natural

V ⊗W ∼
= Hom2 (V ∗ × W ∗ ; R) .

Prova: Basta definir

Φ : V ⊗ W −→ Hom2 (V ∗ × W ∗ ; R)
por
[Φ (v ⊗ w)] (α, β) = α (v) β (w) .
e estender linearmente. ■
Analogamente definimos o produto vetorial V1 ⊗. . .⊗Vk (cujos elementos são chamados de multivetores
ou k-vetores) e vale o isomorfismo
9.24 Proposição. Existe um isomorfismo natural
∼ Homk (V ∗ × . . . × V ∗ ; R) .
V1 ⊗ . . . ⊗ Vk = 1 k

Por causa deste isomorfismo, k-vetores podem ser vistos como k-tensores covariantes e vice-versa. O isomor-
fismo natural V ∼= V ∗ também permite identificar k-vetores com k-tensores contravariantes.

217
Capı́tulo 10

Formas Exteriores

10.1 Tensores Simétricos e Tensores Alternados

10.1 Definição. Tensores simétricos são tensores covariantes cujo valor não é alterado quando se troca
a ordem de um par qualquer de vetores:
T (v1 , . . . , vi , . . . , vj , . . . , vk ) = T (v1 , . . . , vj , . . . , vi , . . . , vk ) .
Tensores alternados são tensores covariantes cujo valor muda de sinal quando se troca a ordem de um par
qualquer de vetores:
T (v1 , . . . , vi , . . . , vj , . . . , vk ) = −T (v1 , . . . , vj , . . . , vi , . . . , vk ) .
□
2-tensores alternados são também chamados simplesmente tensores anti-simétricos, enquanto que k-tensores
alternados para k > 2 são também chamados tensores completamente anti-simétricos. 0-tensores e 1-tensores
são simultaneamentes tensores simétricos e alternados.
10.2 Proposição. Se σ : {1, . . . , n} −→ {1, . . . , n} é uma permutação e T é um tensor alternado, então
T vσ(1) , . . . , vσ(k) = (sign σ) T (v1 , . . . , vk ) .

Prova. Segue imediatamente da definição de sinal de uma permutação. ■

O exemplo mais importante de tensor simétrico é o tensor métrica. Denotaremos o espaço vetorial dos
k-tensores simétricos de um espaço vetorial V por Σk (V ).
O espaço vetorial dos k-tensores alternados de um espaço vetorial V é denotado por Λk (V ). Como
0-tensores alternados são simplesmente 0-tensores, isto é, números reais, e 1-tensores alternados são simples-
mente covetores, temos
Σ0 (V ) = Λ0 (V ) = R,
Σ1 (V ) = Λ1 (V ) = T 1 (V ) .
Tensores alternados são também conhecidos como formas exteriores (uma k-forma exterior é também
chamada uma forma exterior de grau k), de modo que covetores são 1-formas. Em geral, as formas diferenciais
são denotadas por letras gregas minúsculas.
10.3 Lema. As seguintes afirmativas são equivalentes.
(i) T é um tensor alternado.
(ii) T (v1 , . . . , vk ) = 0 sempre que v1 , . . . , vk são linearmente dependentes.
(iii) T (v1 , . . . , v, . . . , v, . . . , vk ) = 0 para todo v qualquer que seja o par de posições que v ocupa.

218
10.2. SIMETRIZAÇÃO E ALTERNAÇÃO DE TENSORES

Prova. Veja [Lee 1], Lemma 14.1, p. 350. ■

10.2 Simetrização e Alternação de Tensores

O produto tensorial não é comutativo. Por exemplo, se α, β são 1-tensores covariantes arbitrários, então

α ⊗ β ̸= β ⊗ α

pois em geral
α ⊗ β (v, w) = α (v) β (w) ̸= α (w) β (v) = β ⊗ α (v, w) .
De fato, se α, β são os covetores canônicos, temos

e1 ⊗ e2 (v, w) = v 1 w2 ,
e2 ⊗ e1 (v, w) = v 2 w1 ,

de modo que claramente

e1 ⊗ e2 ̸= e2 ⊗ e1 .
Por este motivo, 2-tensores arbitrários

T = T11 e1 ⊗ e1 + T12 e1 ⊗ e2 + T21 e2 ⊗ e1 + T22 e2 ⊗ e2

não são nem simétricos, nem anti-simétricos.

Para obter um 2-tensor simétrico a partir dos 1-tensores α, β, considerarı́amos o tensor

α ⊗ β + β ⊗ α,

enquanto que para obter um 2-tensor anti-simétrico a partir de α, β considerarı́amos o tensor

α ⊗ β − β ⊗ α.

Isso permitiria simetrizar ou anti-simetrizar um 2-tensor arbitrário T . Exceto que gostarı́amos que a sime-
trização de um tensor T que já é simétrico fosse o próprio tensor T e que a anti-simetrização de um tensor
anti-simétrico T também fosse o próprio T . Então é necessário tomar a média:
1
(α ⊗ β + β ⊗ α) ,
2
1
(α ⊗ β − β ⊗ α) .
2
Assim, definimos a partir de um 2-tensor T arbitrário o 2-tensor simétrico
T12 + T21 1 T12 + T21 2
Sim T = T11 e1 ⊗ e1 + e ⊗ e2 + e ⊗ e1 + T22 e2 ⊗ e2
2 2
chamado a simetrização de T , e o 2-tensor antisimétrico
T12 − T21 1 T21 − T12 2
Alt T = e ⊗ e2 + e ⊗ e1 ,
2 2
chamado a anti-simetrização de T .
Isso pode ser generalizado: para obter um 3-tensor simétrico a partir de três 1-tensores α, β, γ conside-
ramos
1
(α ⊗ β ⊗ γ + γ ⊗ α ⊗ β + β ⊗ γ ⊗ α + β ⊗ α ⊗ γ + α ⊗ γ ⊗ β + γ ⊗ β ⊗ α) ,
6
219
10.2. SIMETRIZAÇÃO E ALTERNAÇÃO DE TENSORES

enquanto que para obter um 3-tensor anti-simétrico a partir de α, β, γ consideramos

1
(α ⊗ β ⊗ γ + γ ⊗ α ⊗ β + β ⊗ γ ⊗ α − β ⊗ α ⊗ γ − α ⊗ γ ⊗ β − γ ⊗ β ⊗ α) .
6
Em geral, dados k 1-tensores ω 1 , . . . , ω k ,
1 X σ(1)
ω ⊗ . . . ⊗ ω σ(k) (10.1)
k!
σ∈Sk

(onde Sk denota o conjunto das permutações dos ı́ndices 1, . . . , n) é um k-tensor simétrico e

1 X
(sign σ) ω σ(1) ⊗ . . . ⊗ ω σ(k) (10.2)
k!
σ∈Sk

é um k-tensor anti-simétrico. Daı́, se

n
X
T = Ti1 ...ik ei1 ⊗ . . . ⊗ eik
i1 ,...,ik =1

é um k-tensor arbitrário, então sua simetrização é o tensor

n
!
X 1 X
Sim T = Tσ(i1 )...σ(ik ) e i1 ⊗ . . . ⊗ e ik
i1 ,...,ik =1
k!
σ∈Sk

e sua anti-simetrização é o tensor

n
!
X 1 X
Alt T = (sign σ) Tσ(i1 )...σ(ik ) e i1 ⊗ . . . ⊗ e ik
i1 ,...,ik =1
k!
σ∈Sk

Equivalentemente:
10.4 Definição. Dado um k-tensor covariante T ∈ T k (V ), definimos o k-tensor simétrico Sim T ∈ Σk (V ),
chamado a simetrização de T , por
1 X
(Sim T ) (v1 , . . . , vk ) =

T vσ(1) , . . . , vσ(k) .
k!
σ∈Sk

Dado um k-tensor covariante T ∈ T k (V ), definimos o k-tensor alternado Alt T ∈ Λk (V ), chamado a

alternação de T , por
1 X
(Alt T ) (v1 , . . . , vk ) = (sign σ) T vσ(1) , . . . , vσ(k) .

k!
σ∈Sk

□
Para ver que de fato as definições são equivalentes:
10.5 Proposição. Se T ∈ T k (V ) é um k-tensor covariante com coordenadas Ti1 ...ik , então
1 X
(Sim T )i1 ...ik = T(i1 ...ik ) := Tσ(1)...σ(k) ,
k!
σ∈Sk
1 X
(Alt T )i1 ...ik = T[i1 ...ik ] := (sign σ) Tσ(1)...σ(k) .
k!
σ∈Sk

220
10.2. SIMETRIZAÇÃO E ALTERNAÇÃO DE TENSORES

Prova. Segue diretamente da definição, lembrando que

(Sim T )i1 ...ik = (Sim T ) (ei1 , . . . , eik ) ,

(Alt T )i1 ...ik = (Alt T ) (ei1 , . . . , eik ) .

■
10.6 Exemplo. Se
T = T11 e1 ⊗ e1 + T12 e1 ⊗ e2 + T21 e2 ⊗ e1 + T22 e2 ⊗ e2 ,
então
T12 + T21 1 T12 + T21 2
Sim T = T11 e1 ⊗ e1 + e ⊗ e2 + e ⊗ e1 + T22 e2 ⊗ e2
2 2
e
T12 − T21 1 T21 − T12 2
Alt T = e ⊗ e2 + e ⊗ e1 .
2 2
Por exemplo,
T12 − T21 1 2 T21 − T12 2 1
(Alt T ) (v, w) = v w + v w
2 2
T21 − T12 2 1 T12 − T21 1 2
=− w v − w v
2 2
T12 − T21 1 2 T21 − T12 2 1
=− w v − w v
2 2
= − (Alt T ) (w, v) .

□
Os operadores

Sim : T k (V ) −→ Σk (V ) ,
Alt : T k (V ) −→ Λk (V ) ,

são operadores lineares. Note que T é simétrico se e somente se

Sim T = T

e que T é alternado se e somente se

Alt T = T.
10.7 Exemplo. Se ω é um 2-tensor, então
1
(Alt ω) (v, w) = [ω (v, w) − ω (w, v)] ,
2
de modo que se α, β são 1-tensores, então por definição de Alt e do produto tensorial
1
(Alt α ⊗ β) (v, w) = [α ⊗ β (v, w) − α ⊗ β (w, v)]
2
1
= [α ⊗ β (v, w) − β ⊗ α (v, w)] ,
2
pois
α ⊗ β (w, v) = α (w) β (v) = β (v) α (w) = β ⊗ α (v, w) ,
portanto
1
Alt α ⊗ β = [α ⊗ β − β ⊗ α] .
2
221
10.3. PRODUTO SIMÉTRICO E PRODUTO EXTERIOR

Se ω é um 3-tensor, então
1
(Alt ω) (u, v, w) = [ω (u, v, w) + ω (w, u, v) + ω (v, w, u)
6
−ω (v, u, w) − ω (w, v, u) − ω (u, w, v)]
de modo que se α, β, γ são 1-tensores, então por definição de Alt e do produto tensorial
Alt (α ⊗ β ⊗ γ) (u, v, w)
1
= [α ⊗ β ⊗ γ (u, v, w) + α ⊗ β ⊗ γ (w, u, v) + α ⊗ β ⊗ γ (v, w, u)
6
−α ⊗ β ⊗ γ (v, u, w) − α ⊗ β ⊗ γ (w, v, u) − α ⊗ β ⊗ γ (u, w, v)]
1
= [α ⊗ β ⊗ γ (u, v, w) + β ⊗ γ ⊗ α (u, v, w) + γ ⊗ α ⊗ β (u, v, w)
6
−β ⊗ α ⊗ γ (u, v, w) − γ ⊗ β ⊗ α (u, v, w) − α ⊗ γ ⊗ β (u, v, w)]
isto é,
1
Alt (α ⊗ β ⊗ γ) = [α ⊗ β ⊗ γ + β ⊗ γ ⊗ α + γ ⊗ α ⊗ β
6
−β ⊗ α ⊗ γ − γ ⊗ β ⊗ α − α ⊗ γ ⊗ β] .
Os mesmos resultados continuam valendo se trocarmos Alt por Sim. □

10.3 Produto Simétrico e Produto Exterior

10.8 Definição. Dados α ∈ Σk (V ) e β ∈ Σl (V ) definimos o seu produto simétrico α ⊙ β ∈ Σk+l (V ) por
(k + l)!
α⊙β = Sim (α ⊗ β) .
k!l!
□
O motivo para o coeficiente na definição acima, assim como o coeficiente na definição a seguir, é explicado
pelo exemplo a seguir, assim como pela simplicidade da fórmula que aparece na Proposição 10.13.
10.9 Exemplo. Se α, β, γ são 1-tensores simétricos, então
α⊙β =α⊗β+β⊗α
e
α ⊙ β ⊙ γ = α ⊗ β ⊗ γ + γ ⊗ α ⊗ β + β ⊗ γ ⊗ α + β ⊗ α ⊗ γ + α ⊗ γ ⊗ β + γ ⊗ β ⊗ α.
A primeira fórmula segue imediatamente da definição de produto simétrico e do Exemplo 10.7. A segunda
segue também da definição e do Exemplo 10.7:
3!
α ⊙ β ⊙ γ = (α ⊙ β) ⊙ γ = (α ⊗ β + β ⊗ α) ⊙ γ = [Sim (α ⊗ β ⊗ γ + β ⊗ α ⊗ γ)]
2!1!
3! 1
= (α ⊗ β ⊗ γ + β ⊗ γ ⊗ α + γ ⊗ α ⊗ β + β ⊗ α ⊗ γ + γ ⊗ β ⊗ α + α ⊗ γ ⊗ β
2 3!
β ⊗ α ⊗ γ + γ ⊗ β ⊗ α + α ⊗ γ ⊗ β + α ⊗ β ⊗ γ + β ⊗ γ ⊗ α + γ ⊗ α ⊗ β+)
= α ⊗ β ⊗ γ + γ ⊗ α ⊗ β + β ⊗ γ ⊗ α + β ⊗ α ⊗ γ + α ⊗ γ ⊗ β + γ ⊗ β ⊗ α.
Em outras palavras, o produto simétrico corresponde essencialmente a simetrizar o produto tensorial sem
tomar a média. □

222
10.3. PRODUTO SIMÉTRICO E PRODUTO EXTERIOR

10.10 Definição. Dados α ∈ Λk (V ) e β ∈ Λl (V ) definimos o seu produto exterior (ou produto cunha)
α ∧ β ∈ Λk+l (V ) por
(k + l)!
α∧β = Alt (α ⊗ β) .
k!l!
□
Assim,
1 X
(α ∧ β) (v1 , . . . , vk , vk+1 , . . . , vk+l ) = (sign σ) α vσ(1) , . . . , vσ(k) β vσ(k+1) , . . . , vσ(k+l) .

k!l!
σ∈Sk+l

Em particular, se α, β, γ são 1-tensores, então

α∧β =α⊗β−β⊗α

e
α ∧ β ∧ γ = α ⊗ β ⊗ γ + γ ⊗ α ⊗ β + β ⊗ γ ⊗ α − β ⊗ α ⊗ γ − α ⊗ γ ⊗ β − γ ⊗ β ⊗ α.
Em outras palavras, o produto exterior corresponde essencialmente a anti-simetrizar o produto tensorial sem
tomar a média. Isso ficará mais claro na Proposição 10.13.

10.11 Proposição. Se B = {e1 , . . . , en } é uma base para V , o conjunto dos k-tensores covariantes (cha-
mados k-formas elementares)

BI = ei1 ∧ . . . ∧ eik i1 ,...,ik =1,...,n

i1 <...<ik

é uma base para Λk (V ).

Em particular, se dim V = n, então
n
dim Λ (V ) =
k
k
se k ⩽ n e dim Λk (V ) = 0 se k > n.
Prova. Para ver que BI é linearmente independente, suponha que
n
X
αi1 ...ik ei1 ∧ . . . ∧ eik = 0.
i1 ,...,ik =1
i1 <...<ik

Então, para um multi-ı́ndice j1 . . . jk tal que j1 < . . . < jk temos

n
X
0= αi1 ...ik ei1 ∧ . . . ∧ eik (ej1 , . . . , ejk )
i1 ,...,ik =1
i1 <...<ik
X n
= αi1 ...ik det eir (ejs ) r,s=1,...,k

i1 ,...,ik =1
i1 <...<ik
X n
= αi1 ...ik det δjirs r,s=1,...,k

i1 ,...,ik =1
i1 <...<ik

= αj1 ...jk .

223
10.3. PRODUTO SIMÉTRICO E PRODUTO EXTERIOR

Aqui usamos o fato que a matriz δjirs possui pelo menos uma linha nula ou pelo menos uma coluna nula se

i1 . . . ik ̸= j1 . . . jk ,

caso contrário ela é a matriz identidade. De fato, suponha que i1 ̸= j1 . Se j1 < i1 , então j1 < i1 < . . . < ik e

δjir1 = eir (ej1 ) = 0 para todo r = 1, . . . , k,

ou seja, a coluna j1 é nula; se i1 < j1 , então i1 < j1 < . . . < jk e

δji1s = ei1 (ejs ) = 0 para todo s = 1, . . . , k,

ou seja, a linha i1 é nula. Se i1 = j1 e i2 ̸= j2 , usamos o mesmo argumento para concluir que a coluna j2 é nula
se j2 < i2 e que a linha i2 é nula se i2 < j2 . Continuando nesta linha, concluı́mos que se i1 . . . il−1 = j1 . . . jl−1
e il ̸= jl , então a coluna jl é nula se jl < il e a linha il é nula se il < jl .
Para ver que BI gera Λk (V ), escreve primeiro
n
X
α= αi1 ...ik ei1 ⊗ . . . ⊗ eik
i1 ,...,ik =1

com
αi1 ...ik = α (ei1 , . . . , eik ) .
Se α é um k-tensor covariante alternado, então

αi1 ...ik = α (ei1 , . . . , eik ) = 0

sempre que ir = is para algum par r, s. Se i1 , . . . , ik são distintos, então o fato de α ser alternado garante
que

ασ(i1 )...σ(ik ) = α eσ(i1 ) , . . . , eσ(ik )

= (sign σ) α (ei1 , . . . , eik )

= (sign σ) αi1 ...ik

para todas as permutações σ ∈ Sk . Portanto,

n
X 1 X
α= αi1 ...ik (sign σ) eσ(i1 ) ⊗ . . . ⊗ eσ(ik )
i1 ,...,ik =1
k!
σ∈Sk
i1 <...<ik
X n
= αi1 ...ik ei1 ∧ . . . ∧ eik .
i1 ,...,ik =1
i1 <...<ik

■
Em particular, toda k-forma se escreve como
n
X
α= αi1 ...ik ei1 ∧ . . . ∧ eik ,
i1 ,...,ik =1
i1 <...<ik

onde
αi1 ...ik = α (ei1 , . . . , eik ) .

224
10.3. PRODUTO SIMÉTRICO E PRODUTO EXTERIOR

10.12 Notação. Usaremos a letra I para denotar o multi-ı́ndice crescente i1 . . . ik , isto é, que satisfaz
i1 < . . . < ik , e denotaremos
eI = ei1 ∧ . . . ∧ eik .
□
Assim, uma k-forma será denotada por X
α= αI eI
I

ou simplesmente, na convenção da soma de Einstein,

α = αI eI .

Se I = i1 . . . ik e J = j1 . . . jl , denotaremos a concatenação dos multi-ı́ndices I, J por IJ, isto é,

IJ = i1 . . . ik j1 . . . jl

10.13 Proposição. Temos

eI ∧ eJ = eIJ .
Em particular, se
X
α= αI eI ,
I
X
β= βJ e J ,
J

então X
α∧β = αI βJ eIJ .
IJ

Prova. Veja [Lee 1], Lema 14.10, p. 355. ■

10.14 Proposição. O produto exterior satisfaz as seguintes propriedades:
(i) (bilinearidade) se a, b ∈ R,

(aα + bβ) ∧ γ = a (α ∧ γ) + b (β ∧ γ) ,
γ ∧ (aα + bβ) = a (γ ∧ α) + b (γ ∧ β) .

(ii) (associatividade)
(α ∧ β) ∧ γ = α ∧ (β ∧ γ) .
(iii) (anticomutividade) se α ∈ Λk (V ) e β ∈ Λl (V ) ,
kl
α ∧ β = (−1) β ∧ α.

(iv) Se v1 , . . . , vk são vetores e ω 1 , . . . , ω k são 1-formas,

ω 1 ∧ . . . ∧ ω k (v1 , . . . , vk ) = det ω i (vj )

Prova. (i) Segue imediatamente da definição, porque o produto tensorial é bilinear e Alt é linear.
(ii) Pelo lema anterior,

eI ∧ eJ ∧ eK = eIJ ∧ eK = eIJK = eI ∧ eJK = eI ∧ eJ ∧ eK

e o resultado geral segue de bilinearidade.

225
10.3. PRODUTO SIMÉTRICO E PRODUTO EXTERIOR

(iii) Pelo lema anterior e as propriedades de permutação, se σ é a permutação que transforma IJ em JI,
temos
eI ∧ eJ = eIJ = (sign σ) eJI = (sign σ) eJ ∧ eI .
kl
O resultado segue quando se nota que sign σ = (−1) , porque a permutação σ se decompõe como uma
composição de kl transposições (cada ı́ndice de I deve ser movido passando por todos os ı́ndices de J).
(iv) Segue do argumento da Proposição 10.11 e multilinearidade. ■
Segue que
ei1 ∧ . . . ∧ eik (v1 , . . . , vk ) = det vjir r,j=1,...,k .

Se k = n, dim Λn (V ) = 1, a base de Λ1 (V ) é constituı́da pelo n-tensor alternado e1 ∧ . . . ∧ en e

e1 ∧ . . . ∧ en (v1 , . . . , vn ) = det vji ,

ou seja, e1 ∧ . . . ∧ en é a função determinante.

10.15 Corolário. Se ω ∈ Λk (V ) e k é ı́mpar,

ω ∧ ω = 0.

Em particular, isso vale se ω é uma 1-forma.

O resultado em geral não é válido se k é par:
10.16 Exemplo. Considere a 2-forma

α = e1 ∧ e2 + e3 ∧ e4 .

Temos

α ∧ α = e1 ∧ e2 + e3 ∧ e4 ∧ e1 ∧ e2 + e3 ∧ e4

= e1 ∧ e2 ∧ e1 ∧ e2 + e1 ∧ e2 ∧ e3 ∧ e4
+ e3 ∧ e4 ∧ e1 ∧ e2 + e3 ∧ e4 ∧ e3 ∧ e4
= e1 ∧ e2 ∧ e3 ∧ e4 + e1 ∧ e2 ∧ e3 ∧ e4
= 2e1 ∧ e2 ∧ e3 ∧ e4
̸= 0,

pois

e3 ∧ e4 ∧ e1 ∧ e2 = −e4 ∧ e1 ∧ e2 ∧ e3
= e1 ∧ e2 ∧ e3 ∧ e4 ,

fazendo 3 transposições em cada passo para levar o primeiro vetor ao final da expressão.
Usando a notação de concatenação,
α = e12 + e34
e

α ∧ α = e12 + e34 ∧ e12 + e34

= e1212 + e1234 + e3412 + e3434

= e1234 + e3412
= 2e1234 ,

pois precisamos de 6 transposições para transformar 3412 em 1234 (3 transposições para levar cada um dois
dı́gitos iniciais no final, primeiro o dı́gito 3 e depois o dı́gito 4, como visto acima). □

226
10.4. FORMAS VETORIAIS

10.17 Definição. Definimos a álgebra exterior de V como sendo o espaço vetorial

n
M
Λ (V ) = Λk (V )
k=0

munido do produto exterior. □

A álgebra exterior é uma álgebra graduada, associativa e anticomutativa (veja [Lee 1], p. 357, para a definição
deste objeto). Sua dimensão é 2n (soma das dimensões de Λk (V )).

10.4 Formas Vetoriais

No nı́vel de álgebra linear, um 2-tensor covariante real T pode ser visto como uma matriz T tal que
T (v1 , v2 ) = v1t T v2 . Isso equivale a representar o tensor T por uma matriz T cujos elementos são 2-tensores
reais, tal como quando escolhemos representar a métrica g de uma variedade riemanniana pela uma matriz
(gij ) das componentes da métrica em uma variedade riemanniana M ; cada componente gij é um 2-tensor
real. Neste caso, a métrica g é um campo 2-tensorial e na prática quando escrevemos (gij ) estamos usando
uma matriz cujos elementos são campos 2-tensoriais reais (ou 2-formas diferenciais simétricas, usando outra
linguagem para tensores simétricos). Uma outra maneira de olhar para isso é enxergar (gij ) como uma forma
diferencial na variedade riemanniana M cujos valores são matrizes, isto é, que associada a cada ponto da
variedade uma matriz. De qualquer forma, usar matrizes só é possı́vel uma vez escolhida uma base, logo
isso só faz sentido em coordenadas. O principal objetivo desta e da próxima seção é formalizar esta idéia
independentemente de bases, trocando matrizes por homomorfismos de espaços vetoriais (transformações
lineares).
Da mesma forma, como a curvatura R é C ∞ (M )-linear em ambas as variáveis e antissimétrica, ela
é um tensor antissimétrico, exceto que ela não é um tensor real, mas um tensor vetorial (como o tensor
endomorfismo curvatura da geometria riemanniana). Portanto, ao invés de ser vista como um operador, ela
pode ser vista mais simplesmente como uma 2-forma tomando valores em matrizes ou, equivalentemente,
como uma matriz cujos elementos são 2-formas reais. Como o uso de matrizes implica na escolha de bases,
uma maneira independente de bases é considerar a curvatura como uma 2-forma tomando valores no fibrado
Hom (E), idéia que será formalizada na próxima seção.
Observe que esta idéia não vale para a conexão, que é uma derivação; por este motivo, a conexão não é
exclusivamente representada pela matriz de conexão, mas possui uma parte afim, dada pela derivada usual
em coordenadas da carta do fibrado. A parte linear da conexão é o termo dado pela matriz de conexão, ou
seja, o tensor diferença local A (a diferença entre a conexão do fibrado e a conexão trivial na carta local do
fibrado, isto é, o potencial vetorial). O tensor diferença também pode ser visto como uma 1-forma tomando
valores no fibrado Hom (E), equivalente em coordenadas a ele ser representado por uma 1-forma tomando
valores em matrizes ou, também equivalentemente, pela matriz da conexão cujos elementos são 1-formas.
Nesta seção, formalizaremos a idéia de formas tomando valores em um espaço vetorial, isto é, generali-
zaremos o conceito de formas reais para considerar formas que tomam valores vetoriais (tais como valores
na álgebra de Lie g de algum grupo de Lie G, no caso de G-fibrados como veremos no próximo capı́tulo),
conceito que é imediatamente generalizado para formas diferenciais reais, e na próxima seção generalizaremos
o conceito para formas diferenciais tomando valores em fibrados vetoriais.

10.18 Definição. Sejam V, W espaços vetoriais. Um (k, l)-tensor vetorial em V tomando valores em W
(ou um (k, l)-W -tensor em V ) é uma aplicação (k, l)-linear

T : V × . . . × V × V ∗ × . . . × V ∗ −→ W.
| {z } | {z }
k vezes l vezes

227
10.4. FORMAS VETORIAIS

Denotaremos o espaço vetorial dos (k, l)-tensores vetoriais em V com valores em W por Tlk (V, W ).
Uma k-forma vetorial em V tomando valores em W (ou uma k-W -forma em V ) é uma aplicação
linear alternada
ω : V × . . . × V −→ W.
| {z }
k vezes

Denotaremos o espaço vetorial das k-formas vetoriais em V com valores em W por Λk (V ∗ , W ). □

Em geral, usaremos letras latinas maiúsculas em negrito para denotar tensores vetoriais e letras gregas
minúsculas em negrito para denotar formas vetoriais. Obviamente

Λk (V ∗ , R) = Λk (V ∗ ) ,

isto é, o espaço vetorial das k-formas ordinárias definidas anteriormente, ou seja, as k-formas reais.
10.19 Proposição. Seja
B = {e1 , . . . , em }
uma base para W . Então ω é uma k-forma vetorial em V com valores em W se e somente se existem m
k-formas reais ω 1 , . . . , ω m ∈ Λk (V ∗ ) tais que
m
X
ω (v1 , . . . , vk ) = ω i (v1 , . . . , vk ) ei . (10.3)
i=1

Em particular, no caso especial de 1-formas vetoriais em V com valores em W , temos

m
X
ω (v) = ω i (v) ei .
i=1

Prova: Para ver isso, se πi : V −→ R é a projeção na i-ésima coordenada em relação à base B, então
πi ◦ ω ∈ Λk (V ∗ ) e tomamos
ω i = πi ◦ ω.
■
As k-formas reais ω i são as coordenadas da forma vetorial ω. De fato, segue da Proposição 10.19 que temos
um isomorfismo (não natural, pois depende da escolha de uma base)

Λk (V ∗ , W ) ∼
= Λk (V ∗ ) × . . . × Λk (V ∗ ), (10.4)
| {z }
m vezes

e uma k-forma ω ∈ Λk (V ∗ , W ) se escreve em relação a esta base na forma

ω = ω1 , . . . , ωm

Utilizando a notação de multiplicação por escalar à direita (em um espaço vetorial, as duas ações de multi-
plicação por escalar, à esquerda e à direita, são equivalentes), a equação 10.3 pode ser mais convenientemente
escrita na forma
ω = ei ω i . (10.5)
Desta maneira podemos simplesmente aplicar ambos os lados da equação aos vetores de V :

ω (v) = ei ω i (v) ,
ω (v1 , . . . , vk ) = ei ω i (v1 , . . . , vk ) .

Passaremos a utilizar esta notação.

228
10.5. PRODUTO EXTERIOR DE FORMAS VETORIAIS COM VALORES EM UMA ÁLGEBRA

10.20 Proposição. Existe um isomorfismo natural

Λk (V ∗ , W ) ∼
= W ⊗ Λk (V ∗ ) .

Prova: Pois

Λk (V ∗ , W ) ∼
= Hom Λk (V ∗ ) , W

∗
∼
= W ⊗ Λk (V ∗ )
∼
= W ⊗ Λk (V ∗ ) .

Mais concretamente, o isomorfismo

Φ : W ⊗ Λk (V ∗ ) −→ Λk (V ∗ , W )

pode ser definido de maneira natural em geradores por

[Φ (w ⊗ ω)] (v1 , . . . , vk ) = ω (v1 , . . . , vk ) w,

enquanto que o isomorfismo na direção contrária

Ψ : Λk (V ∗ , W ) −→ W ⊗ Λk (V ∗ )

pode ser definido apenas de maneira não natural via (10.5) por
m
X m
X
ω= ei ω i 7−→ ei ⊗ ω i
i=1 i=1

se B = {e1 , . . . , em } é uma base para W . ■

10.5 Produto Exterior de Formas Vetoriais com valores em uma

Álgebra
Se W é uma álgebra, de modo que podemos multiplicar vetores de W entre si, podemos generalizar também
a definição de produto exterior de k-formas reais para um produto exterior de k-formas vetoriais. Usamos o
isomorfismo natural dado pela Proposição 10.20:
10.21 Definição. Seja W uma álgebra com produto ∗. Em geradores

v ⊗ ω ∈ W ⊗ Λk (V ∗ ) ,
w ⊗ η ∈ W ⊗ Λl (V ∗ ) ,

definimos
(v ⊗ ω) ∧∗ (w ⊗ η) = (v ∗ w) ⊗ (ω ∧ η) . (10.6)
e estendemos linearmente ao produto exterior induzido pelo produto ∗

∧∗ : Λk (V, W ) × Λl (V, W ) −→ Λk+l (V, W ) .

229
10.5. PRODUTO EXTERIOR DE FORMAS VETORIAIS COM VALORES EM UMA ÁLGEBRA

Equivalentemente, podemos definir o produto exterior de formas vetoriais com valores em uma álgebra
diretamente da seguinte forma: dadas uma k-forma vetorial ω ∈ Λk (V, W ) e uma l-forma vetorial η ∈
Λl (V, W ), seu produto exterior induzido pelo produto ∗ é a (k + l)-forma vetorial ω ∧∗ η ∈ Λk+l (V, W )
definida por
X
(ω ∧∗ η) (v1 , . . . vk+l ) = (sign σ) ω vσ(1) , . . . , vσ(k) ∗ η vσ(k+1) , . . . , vσ(k+l) .

σ∈Sk+l
σ(1)<...<σ(k)
σ(k+1)<...<σ(k+l)

Além de ser um produto, isto é, uma aplicação bilinear, propriedades adicionais do produto exterior ∧∗
dependerão fortemente do produto ∗ da álgebra W : o produto exterior pode não ser associativo ou anti-
simétrico. Se W é uma álgebra de Lie, denotaremos o produto exterior induzido pelo colchete de Lie [·, ·]
por
ω [∧] η.
10.22 Proposição. Se W = g é uma álgebra de Lie com base B = {e1 , . . . , em }, vale:
(i) Se
ω = ei ⊗ ω i ,
η = ej ⊗ η j ,
então
ω [∧] η = [ei , ej ] ⊗ ω i ∧ η j .

(ii) Se ω ∈ Λ1 (V, W ),
(ω [∧] ω) (v, w) = 2 [ω (v) , ω (w)] .
(iii) Se ω ∈ Λ (V, W ),
1

(ω [∧] ω) [∧] ω = 0.
Prova: (i) Decorre da definição.
(ii)
(ω [∧] ω) (v, w) = [ei , ej ] ⊗ ω i ∧ ω j (v, w)

= [ei , ej ] ω i (v) ω j (w) − ω i (w) ω j (v)

= [ei , ej ] ω i (v) ω j (w) − [ei , ej ] ω i (w) ω j (v)

= ei ω i (v) , ej ω j (w) − ei ω i (w) , ej ω j (v)

= [ω (v) , ω (w)] − [ω (w) , ω (v)]

= 2 [ω (v) , ω (w)] .
(iii) Pela definição direta equivalente e usando (ii),
[(ω [∧] ω) [∧] ω] (v1 , v2 , v3 )
X
= (sign σ) (ω [∧] ω) vσ(1) , vσ(2) , ω vσ(3)

σ∈Sk+l
σ(1)<σ(2)

= [(ω [∧] ω) (v1 , v2 ) , ω (v3 )] − [(ω [∧] ω) (v1 , v3 ) , ω (v2 )]

+ [(ω [∧] ω) (v2 , v3 ) , ω (v1 )]
= 2 [[ω (v1 ) , ω (v2 )] , ω (v3 )] − 2 [[ω (v1 ) , ω (v3 )] , ω (v2 )]
+ 2 [[ω (v2 ) , ω (v3 )] , ω (v1 )]
= 2 {[ω (v1 ) , ω (v2 )] , ω (v3 ) + [[ω (v2 ) , ω (v3 )] , ω (v1 )] + [[ω (v3 ) , ω (v1 )] , ω (v2 )]}
=0

230
10.5. PRODUTO EXTERIOR DE FORMAS VETORIAIS COM VALORES EM UMA ÁLGEBRA

pela identidade de Jacobi. ■

Compare (ii) da proposição anterior com
ω∧ω =0
para formas reais. Em geral,
ω [∧] ω ̸= 0.

231
Capı́tulo 11

Álgebra Tensorial

O estudo de mapas multilineares é certamente mais complexo que o estudo de mapas lineares. A principal
idéia do produto tensorial é linearizar mapas k-lineares

f : V1 × · · · × Vk −→ W,

no sentido de criar um novo espaço vetorial

V1 ⊗ · · · ⊗ Vk

em que o mapa f é transformado em um morfismo linear

f⊗ : V1 ⊗ · · · ⊗ Vk −→ W

que é equivalente a f de uma maneira forte. Além disso, se

V1 = · · · = Vk

e
f : V × · · · × V −→ W
Jn
for um mapa k-linear simétrico , então podemos definir um produto tensorial simétrico V e um morfismo
linear
f⊙ : V ⊙ · · · ⊙ V −→ W,
fortemente equivalente a f ; se f umVmapa k-linear antissimétrico, isto é, alternado, então podemos definir
k
um produto tensorial antissimétrico V , também chamado uma álgebra exterior, e um morfismo linear

f∧ : V ∧ · · · ∧ V −→ W

fortemente equivalente a f .

11.1 Produto Tensorial de Espaços Vetoriais

No que se segue, todos os espaços vetoriais são sobre o mesmo corpo K.

232
11.1. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

11.1.1 Propriedade Universal do Produto Tensorial

11.1 Definição. Sejam V1 , . . . , Vk espaços vetoriais.
Um produto tensorial de V1 , . . . , Vk é um espaço vetorial T e um mapa k-linear

ϕ : V1 × · · · × Vk −→ T

tal que para todo espaço vetorial W e para todo mapa k-linear f : V1 × · · · × Vk −→ W existe um único
morfismo linear f⊗ tal que
f = f⊗ ◦ ϕ,
ou seja, que torna o diagrama a seguir comutativo

V1 × · · · × Vk
ϕ
/T

f⊗
&
f
W

Esta propriedade é chamada a propriedade universal do produto tensorial (T, ϕ).

ϕ é chamado um mapa universal.
Dizemos que f⊗ é o morfismo linear induzido pelo mapa k-linear f no produto tensorial. □

11.1.2 Unicidade
11.2 Proposição (Unicidade do Produto Tensorial). O produto tensorial é único a menos de isomor-
fismo natural.
Mais precisamente, se (T1 , ϕ1 ) e (T2 , ϕ2 ) são produtos tensoriais de V1 , . . . , Vk , então existe um isomor-
fismo natural
Φ : T1 −→ T2
tal que
ϕ2 = Φ ◦ ϕ1 ,
ou seja, que torna o diagrama a seguir comutativo

V1 × · · · × Vk
ϕ1
/ T1

Φ
%
ϕ2
T2

Prova. Por definição do produto tensorial (T1 , ϕ1 ), existe um único morfismo linear (ϕ2 )⊗ : T1 −→ T2 que
torna o diagrama a seguir comutativo

V1 × · · · × Vk
ϕ1
/ T1

(ϕ2 )⊗
%
ϕ2
T2

233
11.1. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

Do mesmo modo, existe um único morfismo linear (ϕ1 )⊗ : T2 −→ T1 que torna o diagrama a seguir comutativo

V1 × · · · × Vk
ϕ2
/ T2

(ϕ1 )⊗
%
ϕ1
T1

Juntando estes dois diagramas, obtemos os diagramas

9 T1 9 T2
ϕ1 ϕ2
(ϕ2 )⊗ (ϕ1 )⊗

V1 × · · · × Vk
ϕ2
/ T2 V1 × · · · × Vk
ϕ1
/ T1

(ϕ1 )⊗ (ϕ2 )⊗
% %
ϕ1 ϕ2
T1 T2

isto é,
V1 × · · · × Vk
ϕ1
/ T1 V1 × · · · × Vk
ϕ2
/ T2

(ϕ1 )⊗ ◦(ϕ2 )⊗ (ϕ2 )⊗ ◦(ϕ1 )⊗

% %
ϕ1 ϕ2
T1 T2
Por outro lado as identidades também tornam estes últimos dois diagramas comutativos:

V1 × · · · × Vk
ϕ1
/ T1 V1 × · · · × Vk
ϕ2
/ T2

idT1 idT2
% %
ϕ1 ϕ2
T1 T2

Por unicidade do mapa linear tensorial,

(ϕ1 )⊗ ◦ (ϕ2 )⊗ = idT1 ,
(ϕ2 )⊗ ◦ (ϕ1 )⊗ = idT2 ,
logo (ϕ1 )⊗ e (ϕ2 )⊗ são isomorfismos, um inverso do outro. Tomamos

Φ = (ϕ2 )⊗ : T1 −→ T2 ,
Φ −1
= (ϕ1 )⊗ : T2 −→ T1 .
■
Devido a este resultado de unicidade a menos de isomorfismo, falaremos sobre o produto tensorial
V1 ⊗ · · · ⊗ Vk dos espaços vetoriais V1 , . . . , Vk .

11.1.3 Espaços Vetoriais Livres

A construção do produto tensorial é baseada no conceito de espaço vetorial livre gerado por um conjunto de
sı́mbolos.
Seja I um conjunto qualquer (um conjunto de ı́ndices, ou um conjunto de sı́mbolos arbitrários; veja [GH],
p. 715).

234
11.1. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

11.3 Definição. Se I é um conjunto e K é um corpo, então o espaço vetorial livre gerado por I é o
espaço vetorial de todas as combinações lineares formais finitas

KI = α1 i1 + · · · + αn in : i1 , . . . , in ∈ I, α1 , . . . , αn ∈ K, n ∈ N ,

com a soma e multiplicação por escalar de combinações lineares formais definidas da maneira usual.
I é chamado o conjunto de ı́ndices ou sı́mbolos que gera KI . □
O conjunto de ı́ndices pode ser mais facilmente visto como um conjunto de sı́mbolos escrevendo

I = {ei }i∈I .

Desta forma, os elementos de KI são da forma

X
α i ei ,
i1 ,...,in ∈I

o que reforça a idéia de que I é uma base para o espaço vetorial KI . Vamos
O próprio conjunto I pode ser visto incluı́do em KI através da inclusão

i : I −→ KI

definida por
i (k) = ik .
Desta forma, obtemos imediatamente que I é uma base para KI , de modo que a dimensão de KI é dada pela
cardinalidade de I.

11.4 Proposição (Propriedade Universal). Sejam I um conjunto e W um K-espaço vetorial.

Para qualquer função f : I −→ W existe uma única extensão K-linear f : KI −→ W , ou seja, tal que o
diagrama a seguir comuta
I
i / KI
f
f

W

Prova. Pois I é uma base de KI usando a inclusão i. ■

Por definição, f ser uma extensão de f significa que

f (i) = f (i) ,

o que faz sentido através da inclusão i:

f = f ◦ i.

11.5 Proposição. Quaisquer espaços vetoriais que satisfazem a propriedade universal acima são isomorfos.
Prova. Exercı́cio. ■

235
11.1. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

11.1.4 Construção do Produto Tensorial

Vamos considerar agora duas construções diferentes do produto tensorial. A primeira é obtida através de
tomar o quociente de espaços vetoriais.
11.6 Proposição (Existência do Produto Tensorial). Se V1 , . . . , Vk são espaços vetoriais, existe o
produto tensorial V1 ⊗ · · · ⊗ Vk .
Prova. Caso particular V1 ⊗ V2 .
Para ajudar a entender melhor a construção, consideramos primeiro o produto tensorial de dois espaços
vetoriais V1 e V2 .
Seja lá o que forem o produto tensorial
V1 ⊗ V2
e o mapa universal bilinear
ϕ : V1 × V2 −→ V1 ⊗ V2 ,
nós devemos ter

ϕ (v1 + w1 , v2 ) = ϕ (v1 , v2 ) + ϕ (w1 , v2 ) ,

ϕ (v1 , v2 + w2 ) = ϕ (v1 , v2 ) + ϕ (v1 , w2 ) ,
ϕ (αv1 , v2 ) = αϕ (v1 , v2 ) ,
ϕ (v1 , αv2 ) = αϕ (v1 , v2 ) ,

para todos v1 , w1 ∈ V1 , v2 , w2 ∈ V2 e α ∈ K.
Não podemos tomar o produto tensorial V1 ⊗ V2 como sendo o espaço vetorial KV1 ×V2 e

ϕ : V1 × V2 −→ KV1 ×V2

a inclusão, pois neste espaço por exemplo

(v1 + w1 , v2 ) e (v1 , v2 ) + (w1 , v2 )

são diferentes, enquanto que devemos ter

ϕ (v1 + w1 , v2 ) = ϕ (v1 , v2 ) + ϕ (w1 , v2 ) .

A solução deste problema é simples: basta tomar o quociente de KV1 ×V2 pelas relações

(v1 + w1 , v2 ) = (v1 , v2 ) + (w1 , v2 ) ,

(v1 , v2 + w2 ) = (v1 , v2 ) + (v1 , w2 ) ,
(αv1 , v2 ) = α (v1 , v2 ) ,
(v1 , αv2 ) = α (v1 , v2 ) ,

ou seja, se U é o subespaço gerado pelos vetores de KV1 ×V2 da forma

(v1 + w1 , v2 ) − (v1 , v2 ) − (w1 , v2 ) ,

(v1 , v2 + w2 ) − (v1 , v2 ) − (v1 , w2 ) ,
(αv1 , v2 ) − α (v1 , v2 ) ,
(v1 , αv2 ) − α (v1 , v2 ) ,

definimos V1 ⊗ V2 como sendo o espaço vetorial quociente

V1 ⊗ V2 = KV1 ×V2 /U

236
11.1. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

e ϕ : V1 × V2 −→ V1 ⊗ V2 como sendo o mapa quociente

ϕ : V1 × V2 −→ KV1 ×V2 /U,

ou seja,
ϕ (v1 , v2 ) = (v1 , v2 ).
Denotamos a classe de equivalência (v1 , v2 ) por

v1 ⊗ v2 .

Os detalhes da demonstração serão feitos no caso geral a seguir.

Caso Geral V1 ⊗ · · · ⊗ Vk .
Consideramos o espaço vetorial KV1 ×···×Vk . Neste espaço consideramos o subespaço U gerado por vetores
da forma

(v1 , . . . , vi + wi , . . . , vk ) − (v1 , . . . , vi , . . . , vk ) − (v1 , . . . , wi , . . . , vk ) ,

(v1 , . . . , αvi , . . . , vk ) − α (v1 , . . . , vi , . . . , vk ) ,

e definimos
V1 ⊗ · · · ⊗ Vk = KV1 ×···×Vk /U
e ϕ : V1 × · · · × Vk −→ V1 ⊗ · · · ⊗ Vk como sendo o mapa quociente

ϕ : V1 × · · · × Vk −→ KV1 ×···×Vk /U,

ou seja,
ϕ (v1 , . . . , vk ) = (v1 , . . . , vk ).
Por construção ϕ é k-linear e sobrejetivo. Denotamos a classe de equivalência (v1 , . . . , vk ) por

v1 ⊗ · · · ⊗ vk .

Vamos provar que (V1 ⊗ · · · ⊗ Vk , ϕ) satisfaz a propriedade universal. Seja

f : V1 × · · · × Vk −→ W

um mapa k-linear. Como KV1 ×···×Vk é o espaço vetorial livre gerado por I = V1 × · · · × Vk , pela propriedade
universal dos espaços vetoriais livres, existe um único morfismo linear

f : KV1 ×···×Vk −→ W

tal que
f = f ◦ i,
ou seja, que torna o diagrama a seguir comutativo

V1 × · · · × Vk
i / KV1 ×···×Vk

'
f
W

237
11.1. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

Porque f é k-linear, temos

f (u) = 0
para todo u ∈ U . Por exemplo, para o gerador

(v1 , . . . , vi + wi , . . . , vk ) − (v1 , . . . , vi , . . . , vk ) − (v1 , . . . , wi , . . . , vk )

temos

f [(v1 , . . . , vi + wi , . . . , vk ) − (v1 , . . . , vi , . . . , vk ) − (v1 , . . . , wi , . . . , vk )]

= f (v1 , . . . , vi + wi , . . . , vk ) − f (v1 , . . . , vi , . . . , vk ) − f (v1 , . . . , wi , . . . , vk )
= f (v1 , . . . , vi , . . . , vk ) + f (v1 , . . . , wi , . . . , vk ) − f (v1 , . . . , vi , . . . , vk ) − f (v1 , . . . , wi , . . . , vk )
= 0.

Logo f se fatora através de KV1 ×···×Vk /U , no sentido de que existe um único mapa

g : KV1 ×···×Vk /U −→ W

que torna o diagrama a seguir comutativo

KV1 ×···×Vk
π / KV1 ×···×Vk /U
g
f
'
W

definindo
g (z) = f (z) .
O fato que f se anula em U garante que g está bem definido.
Seguindo o diagrama comutativo

KV7 1 ×···×Vk
i π
'
V1 × · · · × Vk f KV1 ×···×Vk /U

g
' w
f

temos
f = f ◦ i = g ◦ π ◦ i = g ◦ ϕ.
Definimos portanto
f⊗ = g.
Para provar que f⊗ é única, observe que como os vetores v1 ⊗ · · · ⊗ vk geram V1 ⊗ · · · ⊗ Vk e

ϕ (v1 , . . . , vk ) = v1 ⊗ · · · ⊗ vk ,

segue que o mapa f⊗ caracterizado por f = f⊗ ◦ ϕ é definido unicamente pelo fato que

f⊗ (v1 ⊗ · · · ⊗ vk ) = f (v1 , . . . , vk ) .

238
11.1. PRODUTO TENSORIAL DE ESPAÇOS VETORIAIS

11.7 Corolário. Existe um isomorfismo natural

Homk (V1 , . . . , Vk ; W ) ∼
= Hom (V1 ⊗ · · · ⊗ Vk , W )

definido por
f 7−→ f⊗ .
Prova. Falta apenas provar a sobrejetividade. Se

L : V1 ⊗ · · · ⊗ Vk −→ W

é um morfismo linear, então

f : V1 × · · · × Vk −→ W
definido por
f (v1 , . . . , vk ) = L (v1 ⊗ · · · ⊗ vk )
é k-linear e f⊗ = L. ■

11.1.5 Base do Produto Tensorial

Note que os elementos v1 ⊗ · · · ⊗ vk geram o produto tensorial V1 ⊗ · · · ⊗ Vk mas não são LI, logo não podemos
definir morfismos lineares diretamente definindo o seu valor nestes geradores. Para isso é necessário obter
antes uma base para o produto tensorial:
11.8 Proposição. Se V1 , . . . , Vk são espaços vetoriais com bases

Bi = eij j=1,...,n ,

i

então, denotando Ii = {1, . . . , ni },

B = e1j1 ⊗ · · · ⊗ ekjk

(j1 ,...,jk )∈I1 ×···×Ik

é uma base para o produto tensorial V1 ⊗ · · · ⊗ Vk .

Prova. Veja a segunda construção para o produto tensorial a seguir e use a unicidade do produto tensorial
a menos de isomorfismo. ■
11.9 Corolário. Vale
dim (V1 ⊗ · · · ⊗ Vk ) = dim V1 · · · dim Vk .

Prova. Pela resultado anterior, como dim Vi = ni , segue que

dim (V1 ⊗ · · · ⊗ Vk ) = n1 · · · nk .

239
11.2. A ÁLGEBRA TENSORIAL

11.1.6 Segunda Construção do Produto Tensorial

Uma construção para o produto tensorial baseada diretamente no conceito de espaço vetorial livre gerado
por um conjunto de sı́mbolos é a seguinte:
11.10 Definição. Se V1 , . . . , Vk são espaços vetoriais com bases

Bi = eij j=1,...,n ,

i

O produto tensorial V1 ⊗ · · · ⊗ Vk é o espaço vetorial livre gerado pelo produto cartesiano

B = BV1 × · · · × BVk = e1j1 , . . . , ekjk (j ,...,j )∈I ×···×I .

1 k 1 k

Denotamos os sı́mbolos da base B por

e1j1 ⊗ · · · ⊗ ekjk .
O mapa universal é definido por
 
n1 nk (n1 ,...,nk )
X X X
Φ αj1 e1j1 , . . . , αjk e1jk  = αj1 · · · αjk e1j1 ⊗ · · · ⊗ ekjk .
j1 =1 jk =1 (j1 ,...,jk )=(1,...,1)

□
Em outras palavras, os elementos do produto tensorial V1 ⊗ · · · ⊗ Vk são combinações lineares formais dos
produtos tensoriais formais e1j1 ⊗ · · · ⊗ ekjk de elementos das bases de V1 , . . . , Vk .
Ver [Roman], p. 367 “When is a tensor product zero” em diante até p. 406 e [GH], p. 726 em diante.

11.2 A Álgebra Tensorial

11.11 Definição. Uma álgebra graduada é um espaço vetorial A com um produto que pode ser escrito
como uma soma direta
∞
A=
L
Ai
i=0

com
Ak Al ⊂ Ak+l

para todos k, l.
Os vetores de Ak são chamados homogêneos de grau k. □
11.12 Exemplo. A álgebra de polinômios é uma álgebra graduada. □
11.13 Definição. Seja V um espaço vetorial.
O produto tensorial
Nk
V = V ⊗ ··· ⊗ V

é chamado a N de V .
k-potência tensorial N
1 0
Note que V = V . Definimos V = K.

240
11.2. A ÁLGEBRA TENSORIAL

A álgebra tensorial de V é a álgebra graduada

O ∞
M Nk
V = V.
k=0

com o produto ⊗ da álgebra sendo definido pelo produto tensorial, ou seja,

(v1 ⊗ · · · ⊗ vk ) ⊗ (w1 ⊗ · · · ⊗ wl ) = v1 ⊗ · · · ⊗ vk ⊗ w1 ⊗ · · · ⊗ wl .

□
A álgebra tensorial pode ser caracterizada também por uma propriedade universal:
11.14 Proposição. Se A é uma álgebra, para todo morfismo linear

f : V −→ A

existe um único morfismo de álgebras O

f: V −→ A
tal que o diagrama a seguir comuta
V
i / NV

f
!
f
A
Prova. Exercı́cio. Veja também as referências citadas em [GH], p. 736, Proposição 21.17. ■
11.15 Corolário. Existe um isomorfismo natural

Hom (V, A) ∼
= HomA (T (V ) , A) .

241
Capı́tulo 12

Álgebra Exterior
^
Neste capı́tulo definiremos a álgebra exterior V e estudaremos suas propriedades.
Lembre-se que uma álgebra é um espaço vetorial com um produto definido entre os vetores. A álgebra
exterior pode ser pensada como uma álgebra dos subespaços de V . Ou seja, ela permite manipular
algebrica e geometricamente os subespaços de V . A cada subespaço vetorial de V é associado um elemento
da álgebra exterior, não de maneira única, o que permitirá atribuir diferentes caracterı́sticas geométricas ao
mesmo subespaço; como ela é uma álgebra, temos um produto definido entre os seus elementos, o chamado
produto exterior (produto alternado), que quando unido ao produto interno (produto simétrico) dá
simultaneamente informação algébrica e geométrica. No contexto da álgebra exterior a união entre os dois
produtos não é perfeita e portanto há algumas limitações com relações ao que pode ser feito.
No capı́tulo veremos o conceito de produto geométrico que une os dois produtos de maneira perfeita.
O resultado é a álgebra de Clifford Cl (V, q), também chamada de álgebra geométrica, devido à união
perfeita entre álgebra e geometria.
Como um espaço vetorial de dimensão n possui

n
= 1 corpo de escalares F associado,
0

n
= n subespaços vetoriais LI de dimensão 1,
1

n
subespaços vetoriais LI de dimensão 2,
2
..
.

n
subespaços vetoriais LI de dimensão n − 1,
n−1

n
= 1 subespaço vetorial de dimensão n,
n
segue que se
dim V = n,
então
n
^ X n
dim V = dim Cl (V, q) = = 2n .
k
k=0

Como subespaços são determinados pelas direções dos seus vetores (ou seja, um subespaço determina uma
direção no seu espaço vetorial ambiente), tanto a álgebra exterior quanto a álgebra de Clifford Cl (V, q)

242
12.1. DEFINIÇÃO

também são chamadas de álgebra de direções de V , apesar de serem distintas no sentido de que a última
tem um produto adicional.

12.1 Definição
12.1.1 Propriedade Universal do Produto Exterior
12.1 Definição. Seja V um espaço vetorial.
O k-ésimo produto exterior de V é um espaço vetorial A e um mapa k-linear alternado
ϕ : V × · · · × V −→ A
tal que para todo espaço vetorial W e para todo mapa k-linear alternado f : V × · · · × V −→ W existe um
único morfismo linear f∧ tal que
f = f∧ ◦ ϕ,
ou seja, que torna o diagrama a seguir comutativo

V × ··· × V
ϕ
/A

f∧
%
f
W
Esta propriedade é chamada a propriedade universal do produto exterior (A, ϕ).
ϕ é chamado um mapa universal.
Dizemos que f∧ é o morfismo linear induzido pelo mapa k-linear alternado f no produto exterior. □

12.1.2 Unicidade
12.2 Proposição (Unicidade do Produto Exterior). O produto exterior é único a menos de isomorfismo
natural.
Mais precisamente, se (A1 , ϕ1 ) e (A2 , ϕ2 ) são k-ésimos produtos exteriores de V , então existe um iso-
morfismo natural
Φ : A1 −→ A2
tal que
ϕ2 = Φ ◦ ϕ1 ,
ou seja, que torna o diagrama a seguir comutativo

V × ··· × V
ϕ1
/ A1

Φ
%
ϕ2
A2
Prova. Por definição do produto exterior (A1 , ϕ1 ), existe um único morfismo linear (ϕ2 )∧ : A1 −→ A2 que
torna o diagrama a seguir comutativo

V × ··· × V
ϕ1
/ A1

(ϕ2 )∧
%
ϕ2
A2

243
12.1. DEFINIÇÃO

Do mesmo modo, existe um único morfismo linear (ϕ1 )∧ : A2 −→ A1 que torna o diagrama a seguir
comutativo
V × ··· × V
ϕ2
/ A2

(ϕ1 )∧
%
ϕ1
A1
Juntando estes dois diagramas, obtemos os diagramas

9 A1 9 A2
ϕ1 ϕ2
(ϕ2 )∧ (ϕ1 )∧

V × ··· × V
ϕ2
/ A2 V × ··· × V
ϕ1
/ A1

(ϕ1 )∧ (ϕ2 )∧
% %
ϕ1 ϕ2
A1 A2

isto é,
V × ··· × V
ϕ1
/ A1 V × ··· × V
ϕ2
/ A2

(ϕ1 )∧ ◦(ϕ2 )∧ (ϕ2 )∧ ◦(ϕ1 )∧

% %
ϕ1 ϕ2
A1 A2
Por outro lado as identidades também tornam estes últimos dois diagramas comutativos:

V × ··· × V
ϕ1
/ A1 V × ··· × V
ϕ2
/ A2

idA1 idA2
% %
ϕ1 ϕ2
A1 A2

Por unicidade,

(ϕ1 )∧ ◦ (ϕ2 )∧ = idA1 ,

(ϕ2 )∧ ◦ (ϕ1 )∧ = idA2 ,

logo (ϕ1 )∧ e (ϕ2 )∧ são isomorfismos, um inverso do outro. Tomamos

Φ = (ϕ2 )∧ : A1 −→ A2 ,
Φ −1
= (ϕ1 )∧ : A2 −→ A1 .

■
Devido a este resultado de unicidade a menos de isomorfismo, falaremos sobre o k-ésimo produto
exterior
^k
V = V ∧ ··· ∧ V

do espaço vetorial V .

244
12.1. DEFINIÇÃO

12.1.3 Construção do Produto Exterior

Vamos considerar agora duas construções diferentes do produto exterior. A primeira é obtida através de
tomar o quociente do produto tensorial por um subespaço vetorial apropriado.
12.3 Proposição (Existência do Produto Exterior). Se V é um espaço vetorial, então existe o produto
^k
exterior V.

Prova. Usaremos o produto tensorial para construir o produto exterior.

^2
Caso particular V =V ∧V.
Para ajudar a entender melhor a construção, consideramos primeiro o produto exterior duplo de V .
Considere o subespaço vetorial
I = ⟨v ⊗ v : v ∈ V ⟩
gerado pelos tensores da forma v ⊗ v. Definimos
^2
V = (V ⊗ V ) /I
^2
e ϕ : V × V −→ V como sendo a projeção

ϕ (v1 , v2 ) = v1 ∧ v2 ,

onde denotamos a classe de equivalência de v1 ⊗ v2 por v1 ∧ v2 .

A explicação para esta escolha é a seguinte: seja lá o que forem o produto exterior

V ∧V

e o mapa universal bilinear alternado

ϕ : V × V −→ V ∧ V,
nós devemos ter

ϕ (v1 + w1 , v2 ) = ϕ (v1 , v2 ) + ϕ (w1 , v2 ) ,

ϕ (v1 , v2 + w2 ) = ϕ (v1 , v2 ) + ϕ (v1 , w2 ) ,
ϕ (αv1 , v2 ) = αϕ (v1 , v2 ) ,
ϕ (v1 , αv2 ) = αϕ (v1 , v2 ) ,
ϕ (v, v) = 0,

para todos v, v1 , v2 , w1 , w2 ∈ V e α ∈ K. Lembre-se que para mapas alternados, a condição

ϕ (v, v) = 0

para todo v ∈ V é equivalente à condição

ϕ (v, w) = −ϕ (w, v)

para todos v, w ∈ V . As 4 primeiras condições já são satisfeitas quando tomamos o produto tensorial como
no capı́tulo anterior. Os detalhes da demonstração serão feitos no caso geral a seguir.

^k
Caso Geral V = V ∧ ··· ∧ V .

245
12.1. DEFINIÇÃO

Ok
Considere o produto tensorial V = V ⊗ · · · ⊗ V . Neste espaço consideramos o subespaço I gerado
por vetores da forma
v1 ⊗ · · · ⊗ vi ⊗ · · · ⊗ vi ⊗ · · · ⊗ vk ,
e definimos
V ∧ · · · ∧ V = (V ⊗ · · · ⊗ V ) /I
e
ϕ : V × · · · × V −→ V ∧ · · · ∧ V
como sendo a composta
ϕ=p◦ψ
do mapa universal do produto tensorial

ψ : V × · · · × V −→ V ⊗ · · · ⊗ V

definido por
ψ (v1 , . . . , vk ) = v1 ⊗ · · · ⊗ vk
com o mapa quociente
p : V ⊗ · · · ⊗ V −→ (V ⊗ · · · ⊗ V ) /I = V ∧ · · · ∧ V,
ou seja,
p (v1 , . . . , vk ) = v1 ⊗ · · · ⊗ vk .
Por construção ϕ é k-linear, alternado e sobrejetivo. De fato,

ϕ (v1 , . . . , vi , . . . , vi , . . . , vk ) = v1 ⊗ · · · ⊗ vi ⊗ · · · ⊗ vi ⊗ · · · ⊗ vk = 0.

Denotamos a classe de equivalência v1 ⊗ · · · ⊗ vk por

v1 ∧ · · · ∧ vk .

Vamos provar que (V ∧ · · · ∧ V, ϕ) satisfaz a propriedade universal. Seja

f : V × · · · × V −→ W

um mapa k-linear alternado. Pela propriedade universal do produto tensorial, existe um único morfismo
linear
f⊗ : V ⊗ · · · ⊗ V −→ W
tal que
f = f⊗ ◦ ψ,
ou seja, que torna o diagrama a seguir comutativo

V × ··· × V
ψ
/ V ⊗ ··· ⊗ V

f⊗
(
f
W
Definimos o mapa f∧ de modo a tornar o diagrama abaixo comutativo

V × ··· × V
ψ
/ V ⊗ ··· ⊗ V p
/ V ∧ ··· ∧ V

f⊗
( v
f f∧
W
246
12.1. DEFINIÇÃO

ou seja,
f∧ (v1 ∧ · · · ∧ vk ) = f⊗ (v1 ⊗ · · · ⊗ vk ) = f (v1 , . . . , vk ) .
Para provar que f∧ é única, observe que como os vetores v1 ∧ · · · ∧ vk geram V ∧ · · · ∧ V e

ϕ (v1 , . . . , vk ) = v1 ∧ · · · ∧ vk ,

segue que o mapa f∧ caracterizado por f = f∧ ◦ ϕ é definido unicamente por

f∧ (v1 ∧ · · · ∧ vk ) = f (v1 , . . . , vk ) .

12.1.4 Base do Produto Exterior

Note que os elementos v1 ∧ · · · ∧ vk geram o produto exterior V ∧ · · · ∧ V mas não são LI, logo não podemos
definir morfismos lineares diretamente definindo o seu valor nestes geradores. Para isso é necessário obter
antes uma base para o produto exterior:
12.4 Proposição. Seja V um espaço vetorial com base

B = {ei }i=1,...,n .

Considerando apenas multi-ı́ndices I = {i1 , . . . , ik } em que

i1 < · · · < ik

temos que
Bk = {eI }I = {ei1 ∧ · · · ∧ eik }i1 ,...,ik =1,...,n
i1 <···<ik

^k
é uma base para o produto exterior V.
^k
Prova. Da definição de produto exterior segue que Bk gera V.
Para ver que Bk é LI, considere a base dual de V

B∗ = ei i=1,...,n ,

isto é,
ei (ej ) = δji .
Considere os multi-ı́ndices estritamente crescentes

I = (i1 , . . . , ik ) ,
J = (j1 , . . . , jk ) ,

a forma exterior
eI = ei1 ∧ · · · ∧ eik ,
e o produto exterior
eJ = ej1 ∧ · · · ∧ ejl .
Temos
eI (eJ ) = ei1 ∧ · · · ∧ eik (ej1 ∧ · · · ∧ ejl ) = det δjirs = δJI .

247
12.1. DEFINIÇÃO

Se X
λJ eJ = 0,
J
então !
X X X
0 = eI (0) = eI λ J eJ = λJ eI (eJ ) = λJ δJI = λI
J J J
para todo I, donde concluı́mos que Bk é LI. ■
12.5 Corolário. Se dim V = n, então
^k
V =0
para todo k > n.
12.6 Corolário. Se dim V = n, então

^k n
dim V = .
k

^2
12.7 Exemplo. Se dim V = 3, então uma base para V é dada por

B = {e1 ∧ e2 , e1 ∧ e3 , e2 ∧ e3 } .
□
12.8 Corolário. Os vetores v1 , . . . , vk ∈ V são LI se e somente se
v1 ∧ · · · ∧ vk ̸= 0.

12.1.5 Segunda Construção do Produto Exterior

Uma construção para o produto exterior baseada diretamente no conceito de espaço vetorial livre gerado por
um conjunto de sı́mbolos é a seguinte:
12.9 Definição. Seja V um espaço vetorial com base
B = {ei }i=1,...,n .
O produto exterior V ∧ · · · ∧ V é o espaço vetorial livre gerado pelo conjunto
B = {(ei1 , . . . , eik )}i1 ,...,ik =1,...,n .
i1 <···<ik

Denotamos os sı́mbolos da base B por

ei1 ∧ · · · ∧ eik .
O mapa universal é definido por
n n
! n
X X X
Φ i1
α e i1 , . . . , ik
α e ik = αi1 · · · αik ei1 ∧ · · · ∧ eik .
i1 =1 ik =1 i1 ,...,ik =1

□
Em outras palavras, os elementos do produto exterior V ∧ · · · ∧ V são combinações lineares formais dos
produtos exteriores formais ei1 ∧ · · · ∧ eik .

248
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

12.1.6 A Álgebra Exterior

12.10 Definição. Seja V um espaço vetorial com dimensão n.
A álgebra exterior de V é a álgebra graduada

n ^
^ M k
V = V
k=0

com o produto ∧ da álgebra sendo definido pelo produto exterior em geradores, ou seja,
(v1 ∧ · · · ∧ vk ) ∧ (w1 ∧ · · · ∧ wl ) = v1 ∧ · · · ∧ vk ∧ w1 ∧ · · · ∧ wl .
□
12.11 Proposição. Se dim V = n, então

n
^ X n
dim V = = 2n .
k
k=0

12.2 Produto Exterior – Blades e Multivetores

O conceito de subespaço é um conceito puramente algébrico e independe de qualquer geometria que podemos
definir no espaço vetorial ambiente. Nesta seção evitaremos qualquer referência a métricas. Nosso objetivo
é transformar subespaços vetoriais em elementos de cálculo. Como subespaços vetoriais são especificados
por suas bases, é através de suas bases que faremos cálculos com subespaços vetoriais; como um subespaço
vetorial tem um número infinito de bases, cada base escolhida para representar o subespaço poderá dar
uma informação geométrica diferente sobre o subespaço (orientação vem imediatamente à mente), conforme
veremos em detalhes a seguir.
No que se segue, a menos explicitamente dito o contrário, retas e planos sempre passam pela origem, isto
é, são os subespaços vetoriais de dimensão 1 e 2.
Subespaços vetoriais tem três propriedades geométricas, que queremos capturar simultaneamente no
produto exterior:
• Direção
A direção ou atitude se refere a como o subespaço vetorial se situa no seu espaço ambiente. Por
exemplo, a atitude de uma reta é a sua direção, dada simplesmente por um de seus vetores não nulos.
A atitude de um plano no espaço vetorial tridimensional pode ser vista intuitivamente como sendo
dada pelo seu vetor normal, mas este conceito depende de uma métrica e não é a melhor maneira de
especificar uma propriedade puramente algébrica. Essencialmente, a direção é dada por qualquer base
do subespaço e não depende da base escolhida para especificar o subespaço.
• Orientação
Uma reta especificada pela base {a} tem orientação oposta à mesma reta especificada pela base {−a}.
Um plano especificado pela base {a, b} tem orientação oposta ao mesmo plano especificado pela base
{b, a}.
Em geral, a orientação de um subespaço é dada por uma base ordenada, e existem duas orientações
possı́veis, definidas pelo sinal do determinante da matriz de mudança de base. Quando se troca a
ordem de dois vetores da base, a orientação do subespaço muda.

249
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

• Magnitude
A magnitude de um subespaço vetorial corresponde ao seu volume, ou densidade, ou peso. Uma reta
especificada pela base {2a} tem o dobro do peso da mesma reta especificada pela base {a}. Um plano
especificado pela base {2a, b} tem o dobro do peso do mesmo plano especificado pela base {a, b}; o
mesmo plano especificado pela base {a, 2b} também tem o dobro do peso do primeiro plano, enquanto
que o mesmo plano especificado pela base {2a, 2b} tem quatro vezes o seu peso.
Em geral, a magnitude do subespaço é dada pelo valor do determinante da matriz de mudança de base
para uma base considerada de magnitude 1.

12.2.1 2-blades e Bivetores

Considere um plano (subespaço vetorial de dimensão 2) gerado por dois vetores a, b. Todas as propriedades
geométricas deste plano estarão contidas no produto exterior

a∧b

que definiremos de maneira intuitiva através de suas propriedades. Como o produto exterior deve dar a
orientação do plano, dentre as duas possı́veis {a, b} e {b, a}, esperamos que ele seja anticomutativo:

a ∧ b = −b ∧ a.

Isso implica
a ∧ a = −a ∧ a,
donde
a ∧ a = 0.

Portanto, apenas a propriedade de anticomutatividade do produto exterior já permite definir a orientação
do subespaço vetorial gerado pelos vetores a, b.
Para que o produto exterior dê a área do paralelogramo determinado pelos vetores a, b (e portanto o peso
do plano determinado por eles), é necessário requerer também que o produto exterior seja associativo com
relação à multiplicação por escalar, ou seja,

a ∧ (βb) = β (a ∧ b)

e que ele seja distributivo

a ∧ (b + c) = a ∧ b + a ∧ c,
já que a área do paralelogramo é uma função linear de cada um dos seus lados.
Resumindo,

12.12 Definição. O produto exterior é um produto anticomutativo, associativo com relação à multi-
plicação por escalar e distributivo.
O produto exterior de dois vetores
a∧b

é chamado um 2-blade.
Bivetores são combinações lineares de 2-blades. □

250
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

Logo, 2-blades são tipos especiais de bivetores. Todo bivetor em R2 e R3 pode ser escrito como um 2-blade
apropriado, mas isso não é verdade em Rn para n ⩾ 4, como veremos mais tarde. 2-blades e bivetores não
2
^ ^
são vetores em V ; eles são vetores do espaço vetorial V , assim como da álgebra exterior V e da álgebra
de Clifford Cl (V, q).

12.13 Notação. Se
B = {e1 , . . . , en }
é uma base para V , denotaremos o 2-blade padrão

eij = ei ∧ ej .

□
12.14 Proposição. Se

a = a1 e1 + a2 e2 ,
b = b1 e 1 + b2 e 2 ,

então
a ∧ b = det a b e1 ∧ e2

= det a b e12 .

Prova. Temos

a ∧ b = a1 e1 + a2 e2 ∧ b1 e1 + b2 e2

= a1 b1 e1 ∧ e1 + a1 b2 e1 ∧ e2 + a2 b1 e2 ∧ e1 + a2 b2 e2 ∧ e2
= a1 b2 e1 ∧ e2 + a2 b1 e2 ∧ e1
= a1 b2 − a2 b1 e2 ∧ e1

= det a b e1 ∧ e2 .

■
Portanto, as propriedades do produto exterior permitem obter o peso do subespaço vetorial especificado
pelos vetores a, b como a área do paralelogramo determinado por a, b.
12.15 Proposição. Se

a = a1 e1 + a2 e2 + a3 e3 ,
b = b1 e1 + b2 e2 + b3 e3 ,

então
a ∧ b = a1 b2 − a2 b1 e1 ∧ e2 + a1 b3 − a3 b1 e1 ∧ e3 + a2 b3 −a3 b2 e2 ∧ e3

= a1 b2 − a2 b1 e12 + a1 b3 − a3 b1 e13 + a2 b3 − a3 b2 e23 .

251
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

Prova. Temos

a ∧ b = a1 e1 + a2 e2 + a3 e3 ∧ b1 e1 + b2 e2 + b3 e3

= a1 b1 e1 ∧ e1 + a1 b2 e1 ∧ e2 + a1 b3 e1 ∧ e3
+ a2 b1 e2 ∧ e1 + a2 b2 e2 ∧ e2 + a2 b3 e2 ∧ e3
+ a3 b1 e3 ∧ e1 + a3 b2 e3 ∧ e2 + a3 b3 e3 ∧ e3
= a1 b2 e1 ∧ e2 + a1 b3 e1 ∧ e3
+ a2 b1 e2 ∧ e1 + a2 b3 e2 ∧ e3
+ a3 b1 e3 ∧ e1 + a3 b2 e3 ∧ e2 ,

donde segue o resultado por anticomutatividade. ■

Podemos também escrever

a ∧ b = det proj12 a proj12 b e12 + proj13 a proj13 b e13 + proj23 a proj23 b

e23 .

onde projij v denota a projeção de v no subespaço gerado por ei , ej .

As propriedades algébricas de um bivetor em Rn são as mesmas de um elemento de área orientado.
Veja a visualização de 2-blades e a visualização da adição de 2-blades em [DFM], Seções 2.3.3 e 2.3.4, pp.
31–33.

12.2.2 3-blades e Trivetores

Para que o produto exterior de três vetores especifique o volume do paralelepı́pedo determinado por eles (e
o peso do espaço tridimensional que eles especificam), é natural exigir que ele seja associativo:

a ∧ (b ∧ c) = (a ∧ b) ∧ c.

12.16 Definição. O produto exterior é um produto anticomutativo, associativo com relação à multi-
plicação por escalar, distributivo e associativo.
O produto exterior de três vetores
a∧b∧c

é chamado um 3-blade.
Trivetores são combinações lineares de 3-blades. □
3
^
3-blades e trivetores não são vetores em V ; eles são vetores do espaço vetorial V , assim como da álgebra
^
exterior V e da álgebra de Clifford Cl (V, q).

12.17 Notação. Se
B = {e1 , . . . , en }
é uma base para V , denotaremos o 3-blade padrão

eijk = ei ∧ ej ∧ ek .

252
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

12.18 Proposição. Se

a = a1 e1 + a2 e2 + a3 e3 ,
b = b1 e1 + b2 e2 + b3 e3 ,
c = c1 e1 + c2 e2 + c3 e3 ,

então
a ∧ b ∧ c = det a b c e1 ∧ e2 ∧ e3

= det a b c e123 .

Prova. Pela Proposição 12.15,

a ∧ b = a1 b2 − a2 b1 e1 ∧ e2 + a2 b3 − a3 b2 e2 ∧ e3 + a3 b1 − a1 b3 e3 ∧ e1 ,

logo

a∧b∧c
= a1 b2 − a2 b1 e1 ∧ e2 + a2 b3 − a3 b2 e2 ∧ e3 + a3 b1 − a1 b3 e3 ∧ e1 ∧ c1 e1 + c2 e2 + c3 e3

= a1 b2 − a2 b1 e1 ∧ e2 ∧ c1 e1 + c2 e2 + c3 e3

+ a2 b3 − a3 b2 e2 ∧ e3 ∧ c1 e1 + c2 e2 + c3 e3

+ a3 b1 − a1 b3 e3 ∧ e1 ∧ c1 e1 + c2 e2 + c3 e3

= a1 b2 c3 − a2 b1 c3 e1 ∧ e2 ∧ e3

+ a2 b3 c1 − a3 b2 c1 e2 ∧ e3 ∧ e1

+ a3 b1 c2 − a1 b3 c2 e3 ∧ e1 ∧ e2

= a1 b2 c3 − a2 b1 c3 + a2 b3 c1 − a3 b2 c1 + a3 b1 c2 − a1 b3 c2 e1 ∧ e2 ∧ e3

= a1 b2 c3 − a1 b3 c2 − a2 b1 c3 + a2 b3 c1 + a3 b1 c2 − a3 b2 c1 e1 ∧ e2 ∧ e3

b2 c2 b1 c1 b1 c1

= a1 3 3 − a2 3 3 + a3 2 2 e1 ∧ e2 ∧ e3
b c b c b c
= det a b c e1 ∧ e2 ∧ e3 .

■
Portanto, as propriedades do produto exterior permitem obter o peso do subespaço vetorial especificado
pelos vetores a, b, c como o volume do paralelepı́pedo determinado por a, b, c. As propriedades algébricas de
um trivetor em Rn são as mesmas de um elemento de área orientado.

12.2.3 Blades, k-vetores e Multivetores

12.19 Definição. O produto exterior de k vetores

a1 ∧ · · · ∧ ak

é chamado um k-blade.
k-vetores são combinações lineares de k-blades.
Multivetores são combinações lineares de vários k-vetores, com diferentes valores de k permitidos. □

253
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

^
Blades e multivetores são vetores da álgebra exterior V e da álgebra de Clifford Cl (V, q). k-blades e
^k
k-vetores são também vetores do espaço vetorial V.

12.20 Proposição. Se dim V = 3, então quadrivetores são vetores nulos.

Prova. Se a, b, c, d ∈ V , então eles são LD e um dos quatro vetores se escreve como combinação linear dos
outros três, digamos
d = αa + βb + γc.
Então

a∧b∧c∧d
= a ∧ b ∧ c ∧ (αa + βb + γc)
= α (a ∧ b ∧ c ∧ a) + β (a ∧ b ∧ c ∧ b) + γ (a ∧ b ∧ c ∧ c)
= α (a ∧ a ∧ b ∧ c) − β (a ∧ b ∧ b ∧ c) + γ (a ∧ b ∧ c ∧ c)
= α (0 ∧ b ∧ c) − β (a ∧ 0 ∧ c) + γ (a ∧ b ∧ 0)
=0+0+0
= 0.

■
12.21 Proposição. Se dim V = n, então todo k-vetor com k > n é um vetor nulo.
Prova. A demonstração é análoga à do resultado anterior e fica como exercı́cio. ■

12.22 Proposição. Se dim V = 3, então todo bivetor é um 2-blade.

^
Prova. Um bivetor genérico em V é da forma

C = c12 e1 ∧ e2 + c13 e1 ∧ e3 + c23 e2 ∧ e3 = c12 e12 + c13 e13 + c23 e23 .

Temos que encontrar vetores a, b ∈ V tais que

a ∧ b = c12 e12 + c13 e13 + c23 e23 .

Escrevendo a, b na base {e1 , e2 , e3 } de V

a = a1 e1 + a2 e2 + a3 e3 ,
b = b1 e1 + b2 e2 + b3 e3 ,

temos pela Proposição 12.15

a ∧ b = a1 b2 − a2 b1 e12 + a1 b3 − a3 b1 e13 + a2 b3 − a3 b2 e23 .

Obtemos o sistema não linear

 a b − a2 b1 = c12
 1 2

a1 b3 − a3 b1 = c13
a b − a3 b2 = c23
 2 3

Usando intuição geométrica, essencialmente precisamos encontrar dois vetores a, b cujo produto vetorial em
R3 é o vetor
c = c23 , −c13 , c12 ,

254
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

já que
i j k
a×b= a1 a2 a3 = a2 b3 − a3 b2 i − a1 b3 − a3 b1 j + a1 b2 − a2 b1 k.

b1 b2 b3
Para isso basta encontrar dois vetores LI ortogonais a c com o comprimento apropriado. Não há solução
única para este problema, logo se c23 ̸= 0, podemos tomar

a = c13 , c23 , 0 ,

e
b = c12 , 0, −c23 .

Note que e
a · c = b · c = 0 e que
2
a × b = − c23 , c23 c13 , −c23 c12 = −c23 c23 , −c13 , c12 = −c23 c,

portanto

c13

a= − , −1, 0 ,
c23
b = c12 , 0, −c23 ,

são os vetores requeridos. ■

O próximo resultado mostra que a partir de dimensão 4 existem multivetores que não são blades:
12.23 Proposição. Se dim V = 4, o tetravetor

e1 ∧ e2 + e3 ∧ e4 = e12 + e34

não é um 2-blade.
Prova. Temos que mostrar que não existem vetores a, b ∈ R4 tais que

e1 ∧ e2 + e3 ∧ e4 = a ∧ b.

Suponha por absurdo que isso ocorra. Escrevendo a, b na base {e1 , e2 , e3 , e4 } de R4

a = a1 e1 + a2 e2 + a3 e3 + a4 e4 ,
b = b1 e1 + b2 e2 + b3 e3 + b4 e4 ,

255
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

temos

e12 + e34 = a ∧ b
= a1 e1 + a2 e2 + a3 e3 + a4 e4 ∧ b1 e1 + b2 e2 + b3 e3 + b4 e4

= a1 e1 ∧ b1 e1 + b2 e2 + b3 e3 + b4 e4

+ a2 e2 ∧ b1 e1 + b2 e2 + b3 e3 + b4 e4

+ a3 e3 ∧ b1 e1 + b2 e2 + b3 e3 + b4 e4

+ a4 e4 ∧ b1 e1 + b2 e2 + b3 e3 + b4 e4

= a1 b2 e1 ∧ e2 + a1 b3 e1 ∧ e3 + a1 b4 e1 ∧ e4
+ a2 b1 e2 ∧ e1 + a2 b3 e2 ∧ e3 + a2 b4 e2 ∧ e4
+ a3 b1 e3 ∧ e1 + a3 b2 e3 ∧ e2 + a3 b4 e3 ∧ e4
+ a4 b1 e4 ∧ e1 + a4 b2 e4 ∧ e2 + a4 b3 e4 ∧ e3
= a1 b2 − a2 b1 e1 ∧ e2 + a1 b3 − a3 b1 e1 ∧ e3 + a1 b4 − a4 b1 e1 ∧ e4

+ a2 b3 − a3 b2 e2 ∧ e3 + a2 b4 − a4 b2 e2 ∧ e4

+ a3 b4 − a4 b3 e3 ∧ e4

= a1 b2 − a2 b1 e12 + a1 b3 − a3 b1 e13 + a1 b4 − a4 b1 e14

+ a2 b3 − a3 b2 e23 + a2 b4 − a4 b2 e24 + a3 b4 − a4 b3 e34 .

Obtemos o sistema não linear

=1
 1 2
 a b − a2 b1
=0

a1 b3 − a3 b1



=0

 1 4
a b − a4 b1
 a2 b3 − a3 b2 =0
=0

a2 b4 − a4 b2



=1

 3 4
a b − a4 b3
As equações E1 e E6 implicam que não podemos ter

b1 = b2 = 0,

nem
b3 = b4 = 0.
Se b1 = 0, então E1 implica a1 ̸= 0 e portanto E2, E3 implicam b3 = b4 = 0 o que já determinamos
que não pode ocorrer. Analogamente, se b2 = 0, então E1 implica a2 ̸= 0 e portanto E4, E5 também
implicam b3 = b4 = 0. Portanto, as coordenadas b1 , b2 de b são podem ser nulas. Raciocinando de maneira
completamente análoga, concluı́mos que as coordenadas b3 , b4 de b também são podem ser nulas.
Portanto, como nenhuma das coordenadas b1 , b2 , b3 , b4 de b podem ser nulas, das equações E2, E3, E4, E5
obtemos
a1 a2 a3 a4
= = = ,
b1 b2 b3 b4
enquanto que as equações E1 e E6 implicam
a1 a2 1
= + ,
b1 b2 b1 b2
a3 a4 1
= + .
b3 b4 b3 b4
o que é claramente impossı́vel. ■
Em geral, vale o seguinte resultado (mais tarde definiremos o produto escalar de multivetores):

256
12.2. PRODUTO EXTERIOR – BLADES E MULTIVETORES

12.24 Teorema (Relações de Plücker). Um k-vetor B é um k-blade se e somente se B satisfaz as relações

de Plücker, isto é,
(A · B) ∧ B = 0

para todos (k − 1)-vetores A.

Prova. Veja o artigo curto Notes on Plücker’s Relations in Geometric Algebra de autoria de Garret Sobczyk,
disponı́vel no arXiv. Para entendê-lo, é melhor esperar terminarmos de desenvolver a álgebra geométrica. ■

12.25 Proposição. Se A é um k-vetor e B é um l-vetor, então

kl
A ∧ B = (−1) B ∧ A.

Prova. Exercı́cio. ■
12.26 Proposição. Se

a1 = a11 e1 + · · · + ak1 ek ,
..
.
ak = a1n e1 + · · · + akk ek ,

então
a1 ∧ · · · ∧ ak = det

a1 · · · ak e1 ∧ · · · ∧ ek
= det a1 · · · ak e1...k .

12.2.4 Escalares ou 0-blades

Escalares são usados para representar pontos.
A orientação de um ponto é o sinal do escalar que ele representa. Por exemplo, o ponto de interseção de
uma reta e um plano tem um sinal diferente dependendo de se a reta intercepta o plano de frente ou de trás
(isso por sua vez depende das orientações dadas à reta e ao plano).
O peso dele é o valor do escalar. Por exemplo, a interseção de uma reta e um plano é mais forte quando
a reta é perpendicular ao plano e mais fraca à medida que ela via ficando paralela ao plano.

12.2.5 Representação de Subespaços por Blades

Podemos usar o produto exterior para determinar quando um vetor está contido em um subespaço vetorial
através do seu blade e quando um subespaço vetorial está contido em outro através dos seus blades.
Temos
x∥a ⇐⇒ x = αa ⇐⇒ x ∧ a = 0

e portanto
x∧a=0

é a equação da reta gerada por a.

257
12.3. A ÁLGEBRA GRADUADA DE SUBESPAÇOS

Analogamente,
x∥a, b ⇐⇒ x = αa + βb ⇐⇒ x ∧ (a ∧ b) = 0

e portanto
x∧B =0

é a equação do plano representado pelo 2-blade

B = a ∧ b.

Em geral,
x∥a1 , . . . , ak ⇐⇒ x = x1 a1 + · · · + xk ak ⇐⇒ x ∧ (a1 ∧ · · · ∧ ak ) = 0

e portanto
x∧B =0

é a equação do subespaço vetorial representado pela k-blade

B = a1 ∧ · · · ∧ ak .

Isso pode ser usado para uma relação entre subespaços vetoriais: se A, B ⊂ V são dois subespaços
vetoriais representados pelos blades

A = a1 ∧ · · · ∧ ak ,
B = b1 ∧ · · · ∧ bl ,

então
A ⊂ B ⇐⇒ ai ∧ B = 0 para todo i = 1, . . . , k.

Note que isso não é o mesmo que A ∧ B = 0.

12.3 A Álgebra Graduada de Subespaços

12.27 Definição. O grau de um k-blade não nulo A é k.
Denotaremos isso por
⟨A⟩ = k.

Por convenção, 0 é um blade de qualquer grau. □

O grau de um blade é exatamente a dimensão do subespaço que ele representa.
12.28 Definição. A álgebra exterior (também chamada espaço de Grassmann) dos multivetores de V
será denotada
^
V

258
12.3. A ÁLGEBRA GRADUADA DE SUBESPAÇOS

O espaço vetorial dos k-vetores de V será denotado

k
^
V

□
^
12.29 Exemplo. Uma base para R3 é dada por

{1, e1 , e2 , e3 , e12 , e13 , e23 , e123 } .

□
12.30 Definição. Definiremos o operador grau k

^ ^k
⟨⟩k : V −→ V

da seguinte maneira: se A é um multivetor, então ⟨A⟩k é a parte multivetorial de A de grau k. □

12.31 Exemplo. Se
A = 2 + 3e1 − 7e2 + 4e3 + 5e12 − 3e13 + e23 + 6e123 ,
então

⟨A⟩0 = 2,
⟨A⟩1 = 3e1 − 7e2 + 4e3 ,
⟨A⟩2 = 5e12 − 3e13 + e23 ,
⟨A⟩3 = 6e123 ,
⟨A⟩k = 0 se k ⩾ 4.

□
12.32 Proposição. Vale
⟨A⟩k ∧ ⟨B⟩l = ⟨A ∧ B⟩k+l

Prova. Óbvio. Observe que o resultado vale mesmo se o produto exterior A ∧ B for nulo, por causa da
convenção que o multivetor nulo tem grau arbitrário. ■
12.33 Exemplo. Se em R3

A = e1 + e13 ,
B = e1 − e23 + 5e123 ,

então

A ∧ B = (e1 + e13 ) ∧ (e1 − e23 + 5e123 )

= e1 ∧ (e1 − e23 + 5e123 ) + e13 ∧ (e1 − e23 + 5e123 )
= −e123 .

Temos, por exemplo,

⟨A⟩0 ∧ ⟨B⟩1 = 0 ∧ e1 = 0,
⟨A ∧ B⟩0+1 = ⟨−e123 ⟩1 = 0,

259
12.4. REVERSÃO E INVOLUÇÃO DE GRAU

⟨A⟩1 ∧ ⟨B⟩1 = e1 ∧ e1 = 0,
⟨A ∧ B⟩1+1 = ⟨−e123 ⟩2 = 0,

⟨A⟩1 ∧ ⟨B⟩2 = e1 ∧ (−e23 ) = −e123 ,

⟨A ∧ B⟩1+2 = ⟨−e123 ⟩3 = −e123 .

Se em R3

C = e12 ,
D = e23 ,

então
C ∧ D = 0.
Temos, por exemplo,

⟨C⟩1 ∧ ⟨D⟩1 = e12 ∧ e23 = 0,

⟨C ∧ D⟩1+1 = ⟨0⟩2 = 0.

12.4 Reversão e Involução de Grau

Definimos a operação de reversão de blades:
12.34 Definição. Se A é o k-blade
A = a1 ∧ · · · ∧ ak
←
−
então o seu reverso A é o k-blade
←
−
A = ak ∧ · · · ∧ a1 .

□
12.35 Proposição. Se ⟨A⟩ = k, então

←
− k(k−1)
A = (−1) 2 A.

←
−
Prova. Para obter A , primeiro trocamos ak de lugar com o seu vizinho k − 1 vezes para obter

ak ∧ a1 ∧ · · · ∧ ak−1 .

Em seguida trocamos ak−1 de lugar com o seu vizinho k − 2 vezes para obter

ak ∧ ak−1 ∧ a1 ∧ · · · ∧ ak−2 .

260
12.4. REVERSÃO E INVOLUÇÃO DE GRAU

No passo final, trocamos a2 de lugar com o seu vizinho a1 uma vez para obter
←
−
ak ∧ ak−1 ∧ · · · ∧ a2 ∧ a1 = A .

Portanto,
←
− k−1 k−2
A = (−1) (−1) · · · (−1) A
k−1
P
j
= (−1) j=1 A,

e
k−1
X (k − 1) (k − 1 + 1) k (k − 1)
j= = .
j=1
2 2

■
12.36 Definição. Estendemos o operador reversão linearmente para multivetores, obtendo o operador
reversão definido na álgebra exterior
^ ^
− : V −→ V.
←

Em outras palavras, se dim V = n,

n
←
− X k(k−1)
A = (−1) 2 ⟨A⟩k .
k=0

□
12.37 Proposição. O operador reversão satisfaz as seguintes propriedades:

←
−
←
−
A = A,
←−−−−− ← − ← −
(A ∧ B) = B ∧ A .

Prova. Óbvio. ■
12.38 Definição. O operador involução de grau

k
^ k
^
b: V −→ V

é definido pela mudança de sinal dos multivetores ı́mpares

b = (−1)k A.
A

Estendemos ele linearmente a um operador involução de grau definido em toda a álgebra exterior:
^ ^
b: V −→ V

261
12.5. ÁLGEBRA EXTERIOR MÉTRICA

12.39 Proposição. O operador involução de grau satisfaz as seguintes propriedades:

A = A,
bb

(A ∧ B) = A
\ b ∧ B.
b

Prova. Óbvio. ■

12.5 Álgebra Exterior Métrica

A partir de agora consideraremos um espaço vetorial V com produto interno^ · com assinatura (p, q).
O produto interno em V induz um produto interno na álgebra exterior V . Como usual, definimos o
produto interno para k-blades e depois estendemos linearmente
^ para obter um produto interno para quaisquer
multivetores. Denotaremos o produto interno em V por ∗, mas simultaneamente continuaremos a usar ·
para denotar o produto interno entre vetores.
A definição a seguir é natural uma vez que se tem em mente que o produto interno de 1-blades deve
coincidir com o produto interno de vetores e que o produto interno de k-blades
A = a1 ∧ · · · ∧ ak ,
B = b1 ∧ · · · ∧ bk ,
deve dar o mesmo valor independente da ordem dos vetores nos blades quando eles correspondem ao mesmo
blade (permutações de vetores de ordem par) e valor oposto quando eles correspondem ao blade oposto
(permutações de vetores de ordem ı́mpar). Além disso, como a interpretação geométrica de
a·a
é o (quadrado do) comprimento do vetor a, queremos que a interpretação geométrica de
A∗A
seja o (quadrado do) volume k-dimensional do k-blade A. Todas estas propriedades são satisfeitas pelo
determinante:
12.40 Definição. Se α, β ∈ K são escalares, definimos o seu produto interno por

α ∗ β = αβ.

^k
Se A, B ∈ V são k-blades, com
A = a1 ∧ · · · ∧ ak ,
B = b1 ∧ · · · ∧ bk ,
definimos o seu produto interno por

A ∗ B = det [ai · bk+1−j ]i,j=1,...,k

 
a1 · bk a1 · bk−1 ··· a1 · b1
 a2 · bk a2 · bk−1 ··· a2 · b1 
= det  .. .. .. .. .
 
 . . . . 
ak · bk ak · bk−1 ··· ak · b1

262
12.5. ÁLGEBRA EXTERIOR MÉTRICA

^k ^l
Se A ∈ V eB∈ V com k ̸= l, definimos o seu produto interno simplesmente por

A ∗ B = 0.

Estendemos linearmente, obtendo um produto interno

^ ^
∗: V × V −→ K.

□
Note que se definirmos o produto escalar de matrizes Mm×n , Nn×p da maneira natural como sendo matriz

n
X
i
(M · N )j = Mki · Njk ,
k=1

então o produto interno de blades pode ser definido por

  
a1
 a2  
h←
− it

A ∗ B = det  ..  · bk bk−1 ··· b1  = det [A] · B ,
  
 .  
ak

onde [C] denota a matriz coluna do blade C cujas linhas são os termos que aparecem no produto exterior
que define C.
12.41 Proposição. O produto interno ∗ é de fato uma forma bilinear simétrica.

A ∗ B = B ∗ A.

Além disso,
←
− ← −
A ∗ B = A ∗ B.

Prova. A comutatividade do produto interno segue de

263
12.5. ÁLGEBRA EXTERIOR MÉTRICA

A∗B
 
a1 · bk ··· a 1 · b1
= det  .. .. .. (definição)
. . .
 

ak · bk ··· ak · b1
 
bk · a1 ··· b1 · a 1
= det  .. .. .. (comutatividade do produto interno de vetores)
. . .
 

bk · ak ··· b1 · ak
 t
bk · a1 ··· b1 · a 1
= det  .. .. .. (det (M t ) = det M )
. . .
 

bk · ak ··· b1 · ak
 
bk · a1 ··· bk · ak
= det  .. .. ..
. . .
 

b1 · a1 ··· b1 · ak
 
b1 · a1 ··· b1 · ak
= (−1)
k(k−1)
det  .. .. .. (reversão das linhas)
2
. . .
 

bk · a1 ··· bk · ak
 
b1 · ak ··· b1 · a 1
= (−1)
k(k−1)
(−1)
k(k−1)
det  .. .. .. (reversão das colunas)
2 2
. . .
 

bk · ak ··· bk · a1
k(k−1)
= (−1) B∗A (definição)

= B ∗ A. (ou k é par ou k − 1 é par)

12.42 Definição. A norma de um multivetor é definida por

←
− 1/2
∥A∥ = A ∗ A .

□
Note que quando o produto interno é positivo definido temos simplesmente

←
−1/2
∥A∥ = A ∗ A .

264
12.5. ÁLGEBRA EXTERIOR MÉTRICA

12.43 Proposição. A norma de um k-blade é o seu volume k-dimensional.

Prova. Para ilustrar melhor as idéias demonstraremos para o caso positivo definido; para o caso geral basta
aplicar o módulo.
Seja
A = a1 ∧ · · · ∧ ak .
O volume k-dimensional do k-paralelepı́pedo determinado pelos vetores a1 , . . . , ak é dado por

det [A] ,

onde agora [A] denota a matriz quadrada que tem como entradas as coordenadas dos vetores a1 , . . . , ak em
relação a uma base ortonormal dispostos em colunas.
Quando k = 1 temos a norma do vetor A = a1 .
Quando k = 2 temos

←
−
A ∗ A = (a1 ∧ a2 ) ∗ (a2 ∧ a1 )

a1 · a1 a1 · a2
= det
a2 · a1 a2 · a2

a1
= det

· a1 a2
a2

t
= det [A] · [A]

t
= det [A] det [A]
= det [A] det [A]
2
= (det [A]) .

No caso geral, temos

←
− t !
←
− ←
−
A ∗ A = det [A] · A

t
= det [A] · [A]

t
= det [A] det [A]
= det [A] det [A]
2
= (det [A]) .

265
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

12.6 Contração na Álgebra Exterior

Para generalizar o produto interno para multivetores de graus diferentes de uma forma mais produtiva que
na seção anterior (onde definimos ele como sendo zero), vamos definir a operação de contração.
O produto interno pode ser visto como um caso especial de uma operação de redução do grau de um
blade, o que chamamos de operação de contração: uma operação entre dois blades A e B que produz um
blade com grau igual ao grau de B menos o grau de A (contração à esquerda) ou um blade com grau igual
ao grau de A menos o grau de B (contração à direita). Em outras palavras, a contração A⌋B é a redução
do blade B, removendo A de B, de modo que

⟨A⌋B⟩ = ⟨B⟩ − ⟨A⟩ .

No produto interno de blades de mesmo grau, o resultado da contração é um blade de grau zero, ou seja,
um escalar.

12.6.1 Contração à Esquerda

Definimos o produto contração algebricamente, provamos que ele realmente existe no Teorema 12.47, que
também fornecerá a maneira de efetivamente calculá-lo, e depois obtemos várias de suas propriedades
geométricas.

12.44 Definição. O operador contração à esquerda é o único operador bilinear

^k ^l ^l−k
⌋: V × V −→ V

que satisfaz as seguintes propriedades:

(i) Se a, b são vetores,
a⌋b = a · b.

(ii) Se α é um escalar e B é um blade,

α⌋B = αB.

(iii) Se α é um escalar e B é um blade,

B⌋α = 0 se ⟨B⟩ > 0.

(iv) (Regra do Produto com Sinal)

Se a é um vetor e B, C são blades,

⟨B⟩
a⌋ (B ∧ C) = (a⌋B) ∧ C + (−1) B ∧ (a⌋C) .

(v) Se A, B, C são blades,

(A ∧ B)⌋C = A⌋ (B⌋C) .

266
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

A propriedade (i) garante que a contração à esquerda é uma generalização do produto interno; o fato que ela
generaliza também o produto interno ∗ de blades será obtido como uma consequência no Corolário 12.49.
As propriedades (ii) e (iii) são óbvias; que ⟨A⌋B⟩ = 0 se ⟨B⟩ < ⟨A⟩ também será uma consequência. A
propriedade (iv) é comum para produtos em álgebras graduadas e assegura consistência. A propriedade (v)
também é natural: tirar o blade A ∧ B de C deve ter o mesmo efeito se retirarmos primeiro B de C e depois
A do resultado B⌋C.
12.45 Exemplo. Vamos calcular A⌋B com

A = e1 ∧ e2 ,
B = e1 ∧ e3 ∧ e2

onde {ei }i=1,...,n é uma base ortonormal para o espaço V com métrica positiva definida.
Temos

(e1 ∧ e2 )⌋ (e1 ∧ e3 ∧ e2 )
= e1 ⌋ (e2 ⌋ (e1 ∧ e3 ∧ e2 )) (v)
= e1 ⌋ [(e2 ⌋e1 ∧ (e3 ∧ e2 )) − e1 ∧ (e2 ⌋ (e3 ∧ e2 ))] (iv)
= e1 ⌋ [((e2 ⌋e1 ) ∧ (e3 ∧ e2 )) − [e1 ∧ ((e2 ⌋e3 ) ∧ e2 ) − e1 ∧ (e3 ∧ (e2 ⌋e2 ))]] (iv)
= e1 ⌋ [((e2 · e1 ) ∧ (e3 ∧ e2 )) − e1 ∧ ((e2 · e3 ) ∧ e2 ) + e1 ∧ (e3 ∧ (e2 · e2 ))] (i)
= e1 ⌋ [(0 ∧ (e3 ∧ e2 )) − e1 ∧ (0 ∧ e2 ) + e1 ∧ (e3 ∧ 1)]
= e1 ⌋ (e1 ∧ e3 )
= (e1 ⌋e1 ) ∧ e3 − e1 ∧ (e1 ⌋ e3 ) (iv)
= (e1 · e1 ) ∧ e3 − e1 ∧ (e1 · e3 ) (i)
= 1 ∧ e3
= e3.

□
Agora provaremos a existência e unicidade do produto contração:
12.46 Exemplo.
12.47 Teorema (Existência e Unicidade do Operador de Contração). Existe um único operador de
contração à esquerda.
Além disso, ele satisfaz
(1)
k
X i−1
x⌋ (a1 ∧ · · · ∧ ak ) = (−1) a1 ∧ · · · ∧ (x⌋ai ) ∧ · · · ∧ ak
i=1
k
X i−1
= (−1) (x · ai ) a1 ∧ · · · ∧ abi ∧ · · · ∧ ak
i=1

onde aqui abi denota que removemos o termo ai do produto exterior.

(2)
(a1 ∧ · · · ∧ ak )⌋ (b1 ∧ · · · ∧ bl ) = a1 ⌋ (· · · ⌋ (ak ⌋ (b1 ∧ · · · ∧ bl ))) .

267
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

Prova. Iterando a propriedade (iv) da Definição 12.44 obtemos a fórmula do enunciado do teorema. Por
exemplo, nos primeiros passos temos:

x⌋ (a1 ∧ · · · ∧ ak )
= (x⌋a1 ) ∧ (a2 ∧ · · · ∧ ak ) − a1 ∧ (x⌋ (a2 ∧ · · · ∧ ak ))
= (x⌋a1 ) ∧ (a2 ∧ · · · ∧ ak ) − a1 ∧ [(x⌋a2 ) ∧ (a3 ∧ · · · ∧ ak ) − a2 ∧ (x⌋ (a3 ∧ · · · ∧ ak ))]
= (x⌋a1 ) ∧ (a2 ∧ · · · ∧ ak ) − a1 ∧ (x⌋a2 ) ∧ (a3 ∧ · · · ∧ ak ) + a2 ∧ (x⌋ (a3 ∧ · · · ∧ ak )) .

Mais formalmente, provamos este fato por indução. Assumindo a fórmula válida para k − 1, temos por (iv)

x⌋ (a1 ∧ · · · ∧ ak ) = x⌋ (a1 ∧ · · · ∧ ak−1 ∧ ak )

k−1
= (x⌋ (a1 ∧ · · · ∧ ak−1 )) ∧ ak + (−1) (a1 ∧ · · · ∧ ak−1 ) ∧ (x⌋ak )
k−1
!
X i−1
= (−1) a1 ∧ · · · ∧ (x⌋ai ) ∧ · · · ∧ ak−1 ∧ ak
i=1
k−1
+ (−1) (a1 ∧ · · · ∧ ak−1 ) ∧ (x⌋ak )
k
X i−1
= (−1) a1 ∧ · · · ∧ (x⌋ai ) ∧ · · · ∧ ak ,
i=1

logo a fórmula vale para k, o que termina a indução. Por sua vez, esta fórmula permite definir a contração
de vetores e blades.
A contração de blades de graus diferentes também pode ser calculado usando a propriedade (v) sucessi-
vamente e esta fórmula:

(a1 ∧ · · · ∧ ak )⌋ (b1 ∧ · · · ∧ bl ) = (a1 ∧ · · · ∧ ak−1 )⌋ (ak ⌋ (b1 ∧ · · · ∧ bl ))

= (a1 ∧ · · · ∧ ak−2 )⌋ (ak−1 ⌋ (ak ⌋ (b1 ∧ · · · ∧ bl )))
..
.
= a1 ⌋ (· · · ⌋ (ak ⌋ (b1 ∧ · · · ∧ bl ))) .

Consequentemente definimos a contração de multivetores e como ela deve satisfazer esta fórmula, ela é única.
■
Mais tarde obteremos uma fórmula bem mais simples para contrações (e para o produto exterior) em termos
do produto geométrico.

12.48 Corolário. x é ortogonal ao subespaço representado pelo blade A se e somente se

x⌋A = 0.

Prova. Segue imediatamente da fórmula (1) do teorema anterior, pois x é ortogonal ao subespaço A se e
somente se x · ai = 0 para todo i. ■
12.49 Corolário. Se A e B são blades do mesmo grau, então

A⌋B = A ∗ B.

Isto é, a contração de blades do mesmo grau é simplesmente o produto interno deles.

268
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

Prova. Se A e B são 2-blades, temos pela fórmula (2) seguida da fórmula (1)

A⌋B = (a1 ∧ a2 )⌋ (b1 ∧ b2 )

= a1 ⌋ (a2 ⌋ (b1 ∧ b2 ))
= a1 ⌋ [(a2 · b1 ) b2 − (a2 · b2 ) b1 ]
= (a2 · b1 ) (a1 · b2 ) − (a2 · b2 ) (a1 · b1 )

a1 · b2 a1 · b1
= det
a2 · b2 a2 · b1
= A ∗ B.

Em geral, queremos provar que

A⌋B = (a1 ∧ · · · ∧ ak )⌋ (b1 ∧ · · · ∧ bk )

= a1 ⌋ (· · · ⌋ (ak ⌋ (b1 ∧ · · · ∧ bk )))
k
!!
X i−1
= a1 ⌋ · · · ⌋ ak−1 ⌋ (−1) (ak · bi ) b1 ∧ · · · ∧ bbi ∧ · · · ∧ bk
i=1
..
.
 
a1 · bk ··· a1 · b1
= det  .. .. ..
. . .
 

ak · bk ··· ak · b1
= A ∗ B.

Provamos por indução. Admita o resultado válido para (k − 1)-blades e escreva

A = a1 ∧ · · · ∧ ak = Ak−1 ∧ ak .
B = b1 ∧ · · · ∧ bk .

Temos por (v) da Definição 12.44

A⌋B = (Ak−1 ∧ ak )⌋B

= Ak−1 ⌋ (ak ⌋B)
= Ak−1 ⌋B,
e

onde B
e é o (k − 1)-vetor

k
X
e = ak ⌋B = i−1
B (−1) (ak · bi ) b1 ∧ · · · ∧ bbi ∧ · · · ∧ bk .
i=1

269
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

Por hipótese de indução, temos

k
X
e= i−1
Ak−1 ⌋B (−1) (ak · bi ) Ak−1 ⌋ b1 ∧ · · · ∧ bbi ∧ · · · ∧ bk
i=1
k
X
i−1
= (−1) (ak · bi ) Ak−1 ∗ b1 ∧ · · · ∧ bbi ∧ · · · ∧ bk
i=1
 
k a1 · bk ··· 1 · bi
a\ ··· a1 · b1
=
X
(−1)
i−1
(ak · bi ) det 
 .. .. 
. .

 
i=1
ak−1 · bk ··· \
ak−1 · bi ··· ak−1 · b1
 
a1 · bk ··· a1 · b1
= det  .. .. ..
. . .
 

ak · bk ··· ak · b1

usando a fórmula do determinante por cofatores. ■

Este resultado mostra que a contração é uma generalização do produto interno.

12.6.2 Interpretação Geométrica da Contração

12.50 Proposição.
A⌋B é o blade contido em B ortogonal ao blade A.

Prova. Sejam
A = a1 ∧ · · · ∧ ak ,
B = b1 ∧ · · · ∧ bl .
Primeiro observe que segue das fórmulas do teorema anterior que A⌋B é um subespaço de B. De fato, como
k
X i−1
x⌋ (b1 ∧ · · · ∧ bk ) = (−1) (x · bi ) b1 ∧ · · · ∧ bbi ∧ · · · ∧ bk ,
i=1

segue que x⌋B é um subespaço de B para qualquer x. Como

(a1 ∧ · · · ∧ ak )⌋B = a1 ⌋ (· · · ⌋ (ak ⌋B)) ,

segue por indução que A⌋B é um subespaço de B.

Como ai é um vetor de A, temos
ai ∧ A = 0.
Logo, da propriedade (v) da Definição 12.44, segue que

ai ⌋ (A⌋B) = (ai ∧ A)⌋B = 0⌋B = 0

e portanto pelo Corolário 12.48 ai é perpendicular ao subespaço A⌋B. ■

Note que o produto contração não é associativo, pois

A⌋ (B⌋C) ̸= (A⌋B)⌋C.

270
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

Para começar, os graus são diferentes:

⟨A⌋ (B⌋C)⟩ = ⟨B⌋C⟩ − ⟨A⟩ = ⟨C⟩ − ⟨B⟩ − ⟨A⟩ ,

(A⌋B)⌋C = ⟨C⟩ − ⟨A⌋B⟩ = ⟨C⟩ − (⟨B⟩ − ⟨A⟩) = ⟨C⟩ − ⟨B⟩ + ⟨A⟩ .

Além disso, as interpretações geométricas são diferentes: A⌋ (B⌋C) é o blade contido em B⌋C ortogonal ao
blade A, isto é, o blade contido no blade contido em C que é ortogonal ao blade B que é também ortogonal
ao blade A; em outras palavras, o blade contido em C que é ortogonal aos blades A e B. Isto é óbvio
da propriedade (v) da definição
A⌋ (B⌋C) = (A ∧ B)⌋C
e da proposição anterior: (A ∧ B)⌋C é o blade contido em C ortogonal ao blade A ∧ B. Já (A⌋B)⌋C é o
blade contido em C ortogonal ao blade A⌋B, isto é, o blade contido em C que é ortogonal ao blade contido
em B que é ortogonal ao blade A. Este pode ser caracterizado em certas situações pelo seguinte resultado:
12.51 Proposição. Se A é um subespaço de C, ou seja, de A ⊂ C, então

(A⌋B)⌋C = A ∧ (B⌋C) .

Prova. Primeiro, observe que

c ∧ (b⌋c) = (c⌋b)⌋c,
pois ambos são iguais a
(b · c) c.
Passo 1. Se a ∈ C, então
(a⌋b)⌋C = a ∧ (b⌋C) .
Por indução no grau de C. O resultado para k = 1 é a observação anterior pois a ∈ C implica a = γc
para algum escalar γ. Suponha o resultado válido para (k − 1)-blades e seja C um k-blade. Escreva

C = c ∧ Ck−1 ,

escolhendo c diferente de um múltiplo escalar de a. Como a ∈ C é equivalente a a ∧ C = 0, pela escolha de

c temos também
a ∧ Ck−1 = 0.
Segue que

a ∧ (b⌋C) = a ∧ (b⌋ (c ∧ Ck−1 ))

= a ∧ [(b⌋c) ∧ Ck−1 − c ∧ (b⌋Ck−1 )]
= a ∧ ((b · c) Ck−1 ) − a ∧ c ∧ (b⌋Ck−1 )
= (b · c) a ∧ Ck−1 + c ∧ a ∧ (b⌋Ck−1 )
= 0 + c ∧ a ∧ (b⌋Ck−1 )
= c ∧ (a⌋b)⌋Ck−1 (pela hipótese de indução)
= (a · b) c ∧ Ck−1
= (a · b) C
= (a⌋b)⌋C.

Passo 2. Se a ∈ C, então
(a⌋B)⌋C = a ∧ (B⌋C) .

271
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

Por indução no grau de B. O resultado para k = 1 é o Passo 1. Suponha o resultado válido para
(k − 1)-blades e seja B um k-blade. Escreva

B = b ∧ Bk−1 .

Temos

(a⌋B)⌋C = (a⌋ (b ∧ Bk−1 ))⌋C

= [(a⌋b) ∧ Bk−1 − b ∧ (a⌋Bk−1 )]⌋C
= ((a⌋b) ∧ Bk−1 )⌋C − b ∧ (a⌋Bk−1 )⌋C
= ((a · b) ∧ Bk−1 )⌋C − b⌋ (a ∧ (Bk−1 ⌋C)) (pela hipótese de indução)
= (a · b) Bk−1 ⌋C − (b⌋a) ∧ (Bk−1 ⌋C) + a ∧ b⌋ (Bk−1 ⌋C)
= (a · b) (Bk−1 ⌋C) − (b · a) (Bk−1 ⌋C) + a ∧ ((b ∧ Bk−1 )⌋C)
= a ∧ (B⌋C) .

Passo 3. Se A ⊂ C, então
(A⌋B)⌋C = A ∧ (B⌋C) .
Por indução no grau de A. O resultado para k = 1 é o Passo 2. Suponha o resultado válido para
(k − 1)-blades e seja A um k-blade. Escreva

A = a ∧ Ak−1 .

Temos

A ∧ (B⌋C) = (a ∧ Ak−1 ) ∧ (B⌋C)

= a ∧ (Ak−1 ∧ (B⌋C))
= a ∧ ((Ak−1 ⌋B)⌋C) (pela hipótese de indução)
= (a⌋ (Ak−1 ⌋B))⌋C (Passo 2)
= (a ∧ Ak−1 )⌋B⌋C
= (A⌋B)⌋C.

■
Assim, se A é um subespaço de C, então A ∧ (B⌋C) é o subespaço de C gerado pelo subespaço A e o
subespaço de C ortogonal a B ou, em linguagem de blades, o blade de C produto do blade A e o blade
de C ortogonal a B. Em particular, ele não é ortogonal a A como A⌋ (B⌋C).

12.6.3 Contração à Direita

A contração à direita pode ser definida em termos da contração à esquerda de maneira natural:
12.52 Definição.
←←
−
−−−
←−−
−
⟨A⟩(⟨B⟩+1)
B⌊A = A ⌋ B = (−1) A⌋B.

272
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

12.6.4 Inverso de um Blade em relação ao Produto Contração

Seja A um blade não nulo. Não existe um único inverso A−1 de A que satisfaz a equação

A⌋A−1 = 1,

porque A⌋A−1 é o blade contido em A−1 ortogonal ao blade A, logo podemos sempre tomar um blade C
perpendicular a A e teremos
A⌋ A−1 ∧ C = A⌋A−1 = 1.

No entanto, consideraremos um único k-blade A−1 que definiremos como o inverso do k-blade A que funci-
onará como um inverso de A (isto é, satisfazerá a equação acima):
12.53 Definição. O inverso de um blade não nulo A é o blade

←
−
A
A −1
= 2
∥A∥

ou seja,
k(k−1) A
A−1 = (−1) 2
2.
∥A∥

Em particular, se a é um vetor, então

a
a−1 = 2.
∥a∥
□
Note que o subespaço representado por A−1 difere do subespaço representado por A apenas em relação ao
seu peso e possivelmente sua orientação. Quando introduzirmos o produto geométrico (que é associativo,
diferentemente do produto contração), este será o inverso com relação àquele produto.
12.54 Proposição.
A⌋A−1 = 1.

←
−
Prova. Como A e A são blades do mesmo grau, temos (Corolário 12.49)
←− ←
−
A⌋ A = A ∗ A .

Logo,
←− ←− ←
−
A⌋ A A⌋ A A∗ A
A⌋A−1 = 2 = ←
− = − = 1.
←
∥A∥ A∗ A A∗ A
■
12.55 Exemplo. O inverso de um vetor unitário é ele próprio.
Isso não é verdadeiro para blades unitários. Por exemplo, em um espaço V com métrica positiva definida,
temos
∥e1 ∧ · · · ∧ en ∥ = 1,
logo
−1
(e1 ∧ e2 ) = e2 ∧ e1 = −e1 ∧ e2 ,
−1
(e1 ∧ e2 ∧ e3 ) = e3 ∧ e2 ∧ e1 = −e1 ∧ e2 ∧ e3 .

273
12.6. CONTRAÇÃO NA ÁLGEBRA EXTERIOR

Já
−1
(e1 ∧ e2 ∧ e3 ∧ e4 ) = e4 ∧ e3 ∧ e2 ∧ e1 = e1 ∧ e2 ∧ e3 ∧ e4 .
Em geral,
n(n−1)
−1
(e1 ∧ · · · ∧ en ) = en ∧ · · · ∧ e1 = (−1) 2
e1 ∧ · · · ∧ en .
□
^n ^
12.56 Notação. Como V tem dimensão 1 na álgebra exterior V os multivetores que são n-blades
deste subespaço vetorial são chamados de pseudoescalares.
Se V é um espaço vetorial de dimensão n com base ortonormal {e1 , . . . , en }, denotaremos o pseudoes-
calar unitário e1 ∧ · · · ∧ en por
In = e1 ∧ · · · ∧ en .

□
12.57 Proposição. Vale
←
− n(n−1)
In−1 = In = (−1) 2 In ,

se a métrica em V é positiva definida e

q←
− n(n−1)
q+
In−1 = (−1) In = (−1) 2
In ,

se a métrica em V tem assinatura (p, q).

Prova. A primeira segue imediatamente da definição como vimos no Exemplo 12.55. A demonstração da
segunda identidade fica como exercı́cio. ■

12.6.5 Aplicação: Solução de Equações Lineares

Se {a, b} é uma base para um plano, qualquer vetor x deste plano pode ser escrito como uma combinação
linear
x = αa + βb.
É fácil determinar α, β quando a base é ortonormal, caso contrário é necessário resolver um sistema linear.
Usando o produto exterior, podemos encontrar os escalares α, β diretamente:

x ∧ a = (αa + βb) ∧ a
= α (a ∧ a) + β (b ∧ a)
= β (b ∧ a) ,

de modo que
x∧a
β= ,
b∧a
e

x ∧ b = (αa + βb) ∧ b
= α (a ∧ b) + β (b ∧ b)
= α (a ∧ b) ,

274
12.7. DUALIDADE

de modo que
x∧b
α= .
a∧b
Portanto,
x∧b x∧a
x= a+ b.
a∧b b∧a

Veja uma outra aplicação em [DFM], Seção 2.7.2, p. 41: como usar o produto exterior para encontrar
diretamente o ponto de interseção de duas retas.

12.7 Dualidade
12.58 Definição. Dado um k-blade A, o seu dual A∗ é

A∗ = A⌋In−1 .

Estendendo linearmente a multivetores, obtemos o operador de dualidade

^k ^n−k
∗
: V −→ V.

□
Assim, o dual de um blade A é o blade A∗ contido em In perpendicular a A. Observe que A∗ tem a mesma
norma de A.
12.59 Proposição. Vale
n(n−1)
∗
(A∗ ) = (−1) 2
A.

Prova. Temos
∗
(A∗ ) = A⌋In−1 In−1

= A ∧ In−1 ⌋In−1

n(n−1)
= (−1) A ∧ In ⌋In−1

2

n(n−1)
= (−1) 2
A∧1
n(n−1)
= (−1) 2
A.

■
12.60 Proposição. Valem as relações de dualidade entre o produto exterior e o produto de contração
(1)
∗
(A ∧ B) = A⌋ (B ∗ ) .

(2)
∗
(A⌋B) = A ∧ (B ∗ )

275
12.7. DUALIDADE

Prova. Exercı́cio. ■
12.61 Exemplo. Se V = R4 , temos
∗
(e1 ∧ e3 ) = (e1 ∧ e3 )⌋I4−1
= (e1 ∧ e3 )⌋I4
= (e1 ∧ e3 )⌋ (e1 ∧ e2 ∧ e3 ∧ e4 )
= e1 ⌋ (e3 ⌋ (e1 ∧ e2 ∧ e3 ∧ e4 ))
4
X i−1
= e1 ⌋ (−1) (e3 · ei ) e1 ∧ · · · ∧ ebi ∧ · · · ∧ e4
i=1
= e1 ⌋e1 ∧ e2 ∧ e4
= (e1 · e1 ) e2 ∧ e4
= e2 ∧ e4 .

12.7.1 Representação Dual de Subespaços

Como vimos antes, um k-blade A representa o subespaço k-dimensional W dos vetores x tais que

W = {x : x ∧ A = 0} .

O k-blade dual A∗ representa dualmente o mesmo subespaço W através do produto contração: ele também
é o subespaço dos vetores x tais que

W = {x : x⌋A∗ = 0} = 0.

Por outro lado A∗ representa diretamente o subespaço ortogonal W ⊥ :

W ⊥ = {x : x ∧ A∗ = 0} ,

∗
e, consequentemente, como (A∗ ) = A,

W ⊥ = {x : x⌋A = 0} .

12.7.2 Projeção Ortogonal de Subespaços

Vamos usar a contração e sua inversa para calcular diretamente a projeção ortogonal de subespaços em
outros subespaços.
12.62 Proposição. A projeção ortogonal do vetor x no subespaço vetorial A é dada por

projA x = (x⌋A)⌋A−1

276
12.7. DUALIDADE

Prova. Escreva
x = x∥ + x⊥ ,
com

x∥ ∈ A,
x⊥ ⊥ A,

o que é equivalente a

x∥ ⌋A ̸= 0,
x⊥ ⌋A = 0.

Temos

projA x = (x⌋A)⌋A−1
= x∥ ⌋A ⌋A−1 + (x⊥ ⌋A)⌋A−1

= x∥ ∧ A⌋A−1 + 0

= x∥ ∧ 1
= x∥ .

■
12.63 Corolário. A projeção ortogonal do subespaço representado pelo blade B no subespaço vetorial A é
dada por
projA B = (B⌋A)⌋A−1

12.7.3 Produto Vetorial em Espaços Vetoriais de Dimensão 3

O familiar produto vetorial em R3 pode ser definido em termos do operador de dualidade:

12.64 Definição. Seja V um espaço vetorial de dimensão 3. Definimos o produto vetorial de vetores
a, b ∈ V por

∗
a × b = (a ∧ b)
= (a ∧ b)⌋I3−1 .

□
12.65 Proposição. Se V é um espaço vetorial de dimensão 3 com métrica positiva definida, então

a × b = a2 b3 − a3 b2 e1 −
 a b − a b e2 + a b − a b e3
1 3 3 1
1 2 2 1

e1 e2 e3
= det  a1 a2 a3  .
b1 b2 b3

277
12.7. DUALIDADE

Prova. Pela Proposição 12.15,

a × b = a1 b2 − a2 b1 e1 ∧ e2 + a1 b3 − a3 b1 e1 ∧ e3 + a2 b3 − a3 b2 e2 ∧ e3 .

Como
∗
(e1 ∧ e2 ) = e3 ,
∗
(e1 ∧ e3 ) = −e2 ,
∗
(e2 ∧ e3 ) = e1 ,

segue o resultado. ■

278
Capı́tulo 13

Álgebra Geométrica

Neste capı́tulo veremos a álgebra geométrica, que é a álgebra de Clifford Cl (V ) de um espaço vetorial
métrico real V (ou seja, um espaço isomorfo a Rp,q ), aplicada de maneira mais intuitiva para obter resultados
diretamente relacionados à geometria de V . A definição formal de álgebra de Clifford será vista no próximo
capı́tulo.

13.1 A Idéia do Produto Geométrico

Se V é um espaço vetorial métrico (isto é, um espaço vetorial com produto
^ interno), o produto geométrico
unifica o produto interno de V e o produto exterior da álgebra exterior V de V em um único produto em
que todos os vetores e blades que não são do tipo luz tem inversos. Nesta álgebra geométrica, os morfismos
métricos (isto é, reflexões e rotações) são expressos de maneira simples como produtos de elementos da
álgebra.
Para entender como esta unificação acontece, produzindo um produto em que os vetores de V possuem
inversos, considere um vetor não nulo a. Se α é um escalar, não existe um único vetor x tal que

x · a = α.

279
13.1. A IDÉIA DO PRODUTO GEOMÉTRICO

Se a operação de produto interno tivesse inversos, poderı́amos obter um único x satisfazendo a equação
acima escrevendo
x = αa−1 .
Exatamente porque a operação de produto interno não tem inversos, a equação acima possui infinitas soluções
(ela sempre possui solução quando a ̸= 0), determinando um hiperplano afim ortogonal a a em V .
Da mesma forma, se B é um 2-blade representando um subespaço bidimensional contendo a, não existe
um único vetor x tal que
x ∧ a = B.
Se a operação de produto exterior tivesse inversos, poderı́amos obter um único x satisfazendo esta equação
escrevendo
x = B ∧ a−1 .
Exatamente porque a operação de produto exterior não tem inversos, a equação acima possui infinitas
soluções: qualquer vetor x contido no plano B, que não seja paralelo a a, e tal que a área de x ∧ a seja igual
à área de B.
Por outro lado, existe um único vetor x tal que, dados α e B temos simultaneamente
x·a=α

x∧a=B
Para ver isso, note que a equação não homogênea
x∧a=B
define uma reta afim. De fato, se p é uma solução particular da equação acima, isto é, se p satisfaz
p ∧ a = B,
então, subtraindo as duas equações obtemos
(x − p) ∧ a = 0,
o que implica que x − p e a são paralelos, isto é,
x − p = ta
para algum escalar t, logo as soluções x satisfazem a equação paramétrica da reta
x = p + ta.

280
13.2. PRODUTO GEOMÉTRICO DE VETORES

Se além disso x satisfaz

x · a = α,
segue que
x · a = p · a + ta · a,
ou
2
∥a∥ t = α − p · a,
donde
α−p·a
t= 2 .
∥a∥
Logo,
α−p·a
x=p+ 2 a.
∥a∥
Este ponto é exatamente a interseção do plano afim x · a = α com a reta afim x = p + ta.

Esta discussão sugere unir os dois produtos, interno e exterior, de forma a obter um produto em que os
vetores possuem inversos.

13.2 Produto Geométrico de Vetores

Vamos primeiro considerar o produto geométrico de vetores.
O produto interno é simétrico, enquanto que o produto exterior é antissimétrico. Unimos eles em um
único produto, de tal forma que o produto interno será a parte simétrica dele, enquanto que o produto
exterior será a sua parte antissimétrica:

281
13.2. PRODUTO GEOMÉTRICO DE VETORES

13.1 Definição. O produto geométrico ab dos vetores a, b é definido por

ab = a · b + a ∧ b.

□
Note que o produto geométrico de dois vetores é um bivetor. Ele é um 2-blade se e somente se os
vetores são ortogonais; ele é um escalar se e somente se os dois vetores são paralelos. O produto
geométrico de dois vetores produz um bivetor que consiste de um escalar somando a um 2-blade. Exatamente
porque estas partes diferentes não se misturam é o que torna o produto geométrico invertı́vel. Esta situação
é similar aos números complexos, em que cada número possui uma parte real e outra imaginária.
Como o produto geométrico tem uma parte simétrica dada pelo produto interno (isto é, comutativo)
e uma parte antissimétrica dada pelo produto exterior (isto é, anticomutativo), ele não é em geral nem
comutativo, nem anticomutativo. Na verdade,
ab = ba se e somente se a ∧ b = 0,
ou seja,
ab = ba se e somente se a e b são paralelos,
e
ab = −ba se e somente se a · b = 0,
ou seja,
ab = −ba se e somente se a e b são ortogonais.

Em particular, o produto
2
aa = a · a = ∥a∥

é sempre um escalar.
13.2 Definição. A parte simétrica do produto geométrico é dada por

ab + ba
a·b= ,
2

enquanto que a parte antissimétrica do produto geométrico é dada por

ab − ba
a∧b= .
2

□
13.3 Proposição. Se {ei }i=1,...,n é uma base ortonormal para o espaço vetorial métrico V , então

ei ei = ei · ei ,
ei ej = ei ∧ ej , se i ̸= j

Em particular,
ei ei = ±1,

dependendo da assinatura da métrica e do valor do ı́ndice i. Para uma métrica positiva definida temos
sempre
ei ei = 1.

282
13.2. PRODUTO GEOMÉTRICO DE VETORES

Prova. Temos

ei ei = ei · ei + ei ∧ ei = ei · ei ,
ei ej = ei · ej + ei ∧ ej = ei ∧ ej

se i ̸= j. ■
13.4 Notação. De agora em diante, usaremos o sı́mbolo

eij = ei ej

para denotar o produto geométrico, mesmo quando i = j. □

Note que a única diferença prática ocorre no caso i = j, e por isso evitamos usar a notação eii no capı́tulo
anterior para denotar o produto exterior ei ∧ ei = 0. Nesta terminologia, segue da Proposição 13.3 que se
i ̸= j
eij = ei ∧ ej

e portanto
eij = −eji ,

enquanto que
eii = ei ei = ±1.

Para uma métrica positiva definida temos sempre

eii = 1.

13.2.1 Inversos e Divisão de Vetores

13.5 Proposição. Todo vetor a que não é do tipo luz possui um único inverso na álgebra geométrica, dado
por
a
a−1 = 2.
∥a∥

Em particular, se a é um vetor unitário, então

a−1 = a.

Prova. Temos
2
aa a·a+a∧a ∥a∥ + 0
aa−1 = 2 = 2 = 2 = 1.
∥a∥ ∥a∥ ∥a∥
A prova da unicidade é padrão e segue da associatividade (conforme definiremos na próxima seção, o produto
geométrico é associativo); se a1 , a2 são dois inversos de a, temos

a1 = a1 1 = a1 (aa2 ) = (a1 a) a2 = 1a2 = a2 .

283
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

Note que como

2
∥a∥ = a · a = aa,
podemos escrever
a
a−1 = .
aa
O produto geométrico não é comutativo, logo convencionaremos que a divisão é sempre pela direita:
13.6 Definição. A divisão de um vetor a pelo vetor b é

a
:= ab−1 .
b

13.3 A Álgebra Geométrica ou Álgebra de Clifford de V

Lembre-se que se V é um espaço vetorial métrico, denotamos a forma quadrática induzida pelo produto
interno · de V por q, isto é,
2
q (v) = v · v = ∥v∥
e da mesma forma que o produto interno · induz q, q induz o produto interno ·.

13.3.1 Definição
Definiremos o produto geométrico através de suas propriedades. As identidades para vetores obtidas na
subseção anterior serão consequência da definição (e provarão a sua existência e unicidade).
13.7 Definição. Se V é um espaço vetorial métrico, a álgebra^geométrica (ou álgebra de Clifford)
Cl (V ) de V é um espaço vetorial isomorfo ao produto exterior V e no qual está definido um produto
geométrico, isto é, um operador bilinear associativo
Cl (V ) × Cl (V ) −→ Cl (V )
tal que
aa = a · a = q (a)
^1
para todo a ∈ V ≡ V ⊂ Cl (V, q). □
Quando for necessário destacar o produto interno g ou, equivalentemente, a forma quadrática associada q,
denotaremos a álgebra de Clifford de V por

Cl (V, g) ou Cl (V, q) .

Se V é um espaço vetorial real com métrica de assinatura (p, q) também denotaremos Cl (V ) por

Cl (Rp,q ) ou Clp,q .

284
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

13.3.2 Relação entre o Produto Geométrico e o Produto Interno

Note que o produto geométrico não foi definido em termos dos produtos internos e exteriores. Na verdade,
o produto exterior e contrações podem ser definidos em termos do produto geométrico. Em primeiro lugar
veremos como o produto interno pode ser recuperado do produto geométrico, e com isso obteremos as mesmas
relações que obtivemos no inı́cio do capı́tulo quando definimos o produto geométrico de vetores.
13.8 Proposição. O produto interno é a parte simétrica do produto geométrico:

ab + ba
a·b= .
2

Prova. Pela identidade polar,

1
a·b= [(a + b) · (a + b) − a · a − b · b]
2
1
= [(a + b) (a + b) − aa − bb]
2
1
= [aa + ab + ba + bb − aa − bb]
2
1
= (ab + ba) .
2
■
Escrevemos este resultado também nas seguintes formas úteis para computações

ab + ba = 2 a · b

e
ab = 2 a · b − ba.

13.9 Proposição. Se {ei }i=1,...,n é uma base ortonormal para o espaço vetorial métrico V , então

ei ej + ej ei = 2 (ei · ej ) .

Em particular,
ei ei = ei · ei ,
ei ej = −ej ei .

Prova. Segue da proposição anterior. ■

Usando a associatividade do produto geométrico, podemos agora considerar o produto de 2-blades
geométricos (mais tarde veremos a relação entre blades da álgebra exterior e blades da álgebra geométrica):
13.10 Proposição. Se i ̸= j, vale
e2ij = −eii ejj = ±1.

Para uma métrica positiva definida temos sempre

e2ij = −1.

285
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

Prova. Temos

e2ij = eij eij

= (ei ej ) (ei ej )
= ei (ej ei ) ej (associatividade)
= −ei (ei ej ) ej
= − (ei ei ) (ej ej )
= −eii ejj ,

donde segue o resultado. ■

13.11 Exemplo. Vamos obter a álgebra de Clifford Cl2,0 = Cl R2,0 .

Nesta, o elemento e12 completa a álgebra. Por exemplo

e12 e1 = (e1 e2 ) e1
= − (e2 e1 ) e1
= −e2 (e1 e1 )
= −e2 .

A tabela de multiplicação para Cl2,0 é

1 e1 e2 e12
1 1 e1 e2 e12
e1 e1 1 e12 e2 .
e2 e2 −e12 1 −e1
e12 e12 −e2 e1 −1

Desta forma podemos obter o produto de quaisquer elementos da álgebra

a = a0 + a1 e1 + a2 e2 + a12 e12 ,
b = b0 + b1 e1 + b2 e2 + b12 e12 .

Por exemplo, se

a = a1 e1 + a2 e2 ,
b = b1 e 1 + b2 e 2 ,

temos

ab = a1 e1 + a2 e2 b1 e1 + b2 e2

= a1 e1 b1 e1 + b2 e2 + a2 e2 b1 e1 + b2 e2

= a1 b1 e1 e1 + a1 b2 e1 e2 + a2 b1 e2 e1 + a2 b2 e2 e2
= a1 b1 + a2 b2 + a1 b2 − a2 b1 e12 .

286
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

13.3.3 Isomorfismo Linear entre a Álgebra Geométrica e a Álgebra Exterior

13.12 Lema. Se dim V = n e
BV = {e1 , . . . , en }
é uma base ortonormal para V , então qualquer produto
ei1 · · · eik
para um multi-ı́ndice I = (i1 , . . . , ik ) de comprimento arbitrário k se reduz a um produto da forma
±ej1 · · · ejl
para um multi-ı́ndice J = (j1 , . . . , jl ) de comprimento l ⩽ n e satisfazendo j1 < · · · < jl .
Prova. Usando associatividade e anticomutatividade, podemos reordenar o produto e escrever
2pr1 2prm
ei1 · · · eik = (er1 ) · · · (erm ) ej1 · · · ejl
com r1 < · · · < rm < n e j1 < · · · < jl (observe que podemos ter rp = jq se o vetor ep aparecer um número
ı́mpar de vezes no produto original). Temos
2
(eri ) = ±1
para i = 1, . . . , m, logo
ei1 · · · eik = ±1ej1 · · · ejl .
■
13.13 Teorema. Se dim V = n e
BV = {e1 , . . . , en }
é uma base ortonormal para V , então
^
Φ: V −→ Cl (V )

definido na base
B∧V = {1} ∪ {ei1 · · · eik }i1 ,...,ik =1,...,n
i1 <···<ik
^
de V como sendo o morfismo linear que vale

Φ (1) = 1

e
Φ (ei1 ∧ · · · ∧ eik ) = ei1 · · · eik

é um isomorfismo de espaços
^ vetoriais.
Portanto, Cl (V ) e V são isomorfos como espaços vetoriais e

BCl(V ) = {1} ∪ {ei1 · · · eik }i1 ,...,ik =1,...,n

i1 <···<ik

é uma base para Cl (V ).

Em particular,

dim Cl (V ) = 2n .

287
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

^
Prova. Por definição, Φ é linear pois foi definido assim em uma base de V .
Por definição de álgebras de Clifford, os elementos de Cl (V ) são gerados por combinações lineares de 1 e
produtos finitos de vetores de V . Como todo vetor de V é uma combinação linear finita de e1 , . . . , en , segue
do lema que BCl(V ) gera Cl (V ) multiplicativamente, isto é, todo elemento de Cl (V ) é da forma
n
X
x = x0 · 1 + xi1 ···ik ei1 · · · eik .
i1 ,...,ik =1
i1 <···<ik

Em particular, Φ é sobrejetivo.
Como
 
n
X n
X
Φ−1 
x · 1 + =x ·1+
xi1 ···ik ei1 · · · eik  xi1 ···ik ei1 ∧ · · · ∧ eik ,
 0  0

i1 ,...,ik =1 i1 ,...,ik =1
i1 <···<ik i1 <···<ik

segue que Φ (x) = 0 se e somente se x = 0, e portanto Φ é injetivo. ■

Observe que este isomorfismo não é natural, já que foi definido através de bases.

13.3.4 Relação entre o Produto Geométrico e o Produto Exterior

O produto geométrico foi construı́do a partir da estrutura métrica do espaço vetorial V na Definição 13.7.
Não está claro que a mesma estrutura linear da álgebra exterior é requerida ou mesmo gerada. De fato,
a Proposição 13.8 sugere a definição de um produto exterior que produz dentro da álgebra de Clifford
uma estrutura de espaço vetorial isomorfa à algebra exterior de V . Enquanto que o produto interno é a
parte simétrica do produto geométrico, definimos o produto exterior como a parte antisimétrica do produto
b = (−1)k B; em particular, se B é um 2-blade, B
geométrico (lembre-se que se B é um k-blade, então B b = B):

13.14 Definição. O produto exterior de dois vetores é a parte antissimétrica do produto geométrico:

ab − ba
a∧b= .
2

k-blades são definidos por recursão: assumindo k-blades definidos, definimos (k + 1)-blades por

aA + Aa
b
a∧A= .
2

k-vetores são definidos como combinações lineares de vetores e multivetores são definidos como com-
binações lineares de k-vetores, com diferentes valores de k sendo permitidos. □
A primeira definição garante que o produto exterior é anticomutativo, enquanto que a segunda define o
produto exterior de um número arbitrário de vetores (ou seja, blades) e garante que o produto é associativo
(exercı́cio). Todas as propriedades da álgebra exterior que vimos no capı́tulo anterior permanecem válidas.
Decorre da definição que se a é um vetor e B é um blade, então

aB + Ba
b
a∧B = ,
2
Ba + aB
b
B∧a= .
2

288
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

Agora veremos como o produto de contração também pode ser recuperado do produto geométrico. A
contração é definida como no capı́tulo anterior.
13.15 Proposição. Se a é um vetor e B é um blade, então

aB − Ba
b
a⌋B = ,
2
Ba − aB
b
B⌊a = .
2

Prova. Provaremos a identidade da contração à esquerda; a identidade da contração à direita segue desta
usando a definição da contração à direita em função da contração à esquerda e é deixada como exercı́cio.
Seja
B = b1 ∧ b2
um 2-blade. Neste caso a identidade é
aB − Ba
a⌋B = .
2
Temos
b1 b2 − b2 b1 ab1 b2 − ab2 b1
aB = a = ,
2 2
b1 b2 − b2 b1 b1 b2 a − b2 b1 a
Ba = a= .
2 2
Usando a identidade
cd = 2 (c · d) − dc,
escrevemos
(ab1 ) b2 − (ab2 ) b1
aB =
2
2 (a · b1 ) b2 − b1 ab2 − 2 (a · b2 ) b1 + b2 ab1
=
2
b2 ab1 − b1 ab2
= (a · b1 ) b2 − (a · b2 ) b1 +
2
b2 ab1 − b1 ab2
= a⌋B + .
2
e
b1 (b2 a) − b2 (b1 a)
Ba =
2
2 (b2 · a) b1 − b1 ab2 − 2 (b1 · a) b2 + b2 ab1
=
2
b2 ab1 − b1 ab2
= (a · b2 ) b1 − (a · b1 ) b2 +
2
b2 ab1 − b1 ab2
= −a⌋B + .
2
Logo,
aB − Ba = 2a⌋B.
■
Agora estamos em condições de provar que o produto geométrico de um vetor e um blade é exatamente a
generalização do produto geométrico de vetores: a soma do produto escalar do vetor e o blade (i.e., contração)
com o produto exterior do vetor e o blade.

289
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

13.16 Proposição. Se a é um vetor e B é um blade, então

aB = a⌋B + a ∧ B.

Prova. Somando as identidades

aB − Ba
b
a⌋B = ,
2
aB + Ba
b
a∧B = ,
2
obtemos o primeiro resultado. O segundo é deixado como exercı́cio. ■
Por outro lado, a generalização não vale para o produto geométrico de blades: se A, B são blades, em
geral
AB ̸= A⌋B + A ∧ B.

13.17 Exemplo. Se

A = e1 ∧ e2 = e1 e2 ,
B = e2 ∧ e3 = e2 e3 ,

temos
AB = e1 e2 e2 e3 = e1 e3 = e1 ∧ e3 ,
enquanto que

A⌋B = A ∗ B ∈ R,
A ∧ B = 0.

□
Se A é um bivetor e B é um multivetor (de grau diferente de 1, isto é, B não é um vetor), então podemos
escrever
AB = A · B + A × B + A ∧ B,
onde · é o produto escalar de Hestenes e × é o comutador definido pelo mesmo. Para detalhes, veja Clifford
Algebra to Geometric Calculus, a unified language for Mathematics and Physics (1984), de D. Hestenses e
G. Sobczyk, p. 15.
O próximo resultado pode ser visto como uma definição equivalente do produto exterior em função do
produto geométrico:
13.18 Proposição. Vale

1 X
a1 ∧ · · · ∧ ak = (sign σ) aσ(1) · · · aσ(k) .
k!
σ∈Sk

Prova. Exercı́cio (sugestão: use indução). ■

Para 3-blades isso quer dizer que
1
a∧b∧c= (abc + bca + cab − acb − bac − cba) .
3!
Como consequência, na definição de blades podemos usar tanto o produto exterior como fizemos, como
o produto geométrico:

290
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

13.19 Proposição. Todo k-blade se escreve como o produto geométrico de k vetores.

Prova. Seja A = a1 ∧ · · · ∧ ak e escolha uma base ortonormal {ej }j=1,...,k para o subespaço representado
por A, de modo que
Xk
ai = aji ej
i=1
para i = 1, . . . , k. Pela proposição anterior, usando a definição do determinante em termos de permutações,
A = det aij e1 · · · ek .

13.3.5 Inversos de Blades

13.20 Proposição.
←
− ←
−
AA = A ∗ A.
Prova. Exercı́cio. ■
13.21 Proposição. Todo blade A que não é do tipo luz possui um único inverso na álgebra geométrica,
dado por
←
−
A
A =
−1
2.
∥A∥

Em particular, se A é um blade unitário, então

←
−
A−1 = A .

Prova. Temos ←
− ←
− 2
AA A∗ A ∥A∥
AA−1 = 2 =2 =
2 = 1.
∥A∥ ∥A∥ ∥A∥
A prova da unicidade segue da associatividade como na Proposição 13.5. ■
Observe que nem todos os multivetores possuem inversas.

13.3.6 Produtos através do Operador Grau

Podemos também escrever os vários produtos em termos do produto geométrico usando o operador grau:
13.22 Proposição. Se a, b são vetores, então

a · b = ⟨ab⟩0 ,
a ∧ b = ⟨ab⟩2 .

Se A é um k-blade e B é um l-blade, então

A ∧ B = ⟨AB⟩k+l ,
A ∗ B = ⟨AB⟩0 ,
A⌋B = ⟨AB⟩l−k ,
A⌊B = ⟨AB⟩k−l .

291
13.3. A ÁLGEBRA GEOMÉTRICA OU ÁLGEBRA DE CLIFFORD DE V

Prova. Escrevendo
A = a ∧ Ak−1 ,
temos

⟨AB⟩k+l = ⟨(a ∧ Ak−1 ) B⟩k+l

1 D E
= aAk−1 + A bk−1 a B
2 k+l
1D E
= aAk−1 B + Abk−1 aB
2 k+l
1D E
= aAk−1 B + A b −A
bk−1 Ba b +A
bk−1 Ba bk−1 aB
2 k+l
* +
aAk−1 B + A\ k−1 Ba bk−1 aB − Ba
b
= +A
2 2
k+l
D E
= a ∧ (Ak−1 B) + A bk−1 (a⌋B)
k+l
D E
= ⟨a ∧ (Ak−1 B)⟩k+l + Ak−1 (a⌋B)
b
k+l
= ⟨a ∧ (Ak−1 B)⟩k+l
= a ∧ ⟨(Ak−1 B)⟩k+l−1
..
.
= A ∧ ⟨B⟩l
= A ∧ B,
D E
onde usamos o fato que Abk−1 (a⌋B) = 0 porque A
bk−1 (a⌋B) tem no grau no máximo k + l − 2.
k+l
A demonstração das outras propriedades é deixada como exercı́cio. ■
Embora o produto geométrico não seja comutativo, sob o produto interno ele comuta:

13.23 Corolário.
⟨AB⟩0 = ⟨BA⟩0 .

Prova. Pois
⟨AB⟩0 = A ∗ B = B ∗ A = ⟨BA⟩0 .
■

13.24 Proposição. Se A = a1 · · · ak ou, mais geralmente, se

←− 2
A A = ∥A∥ ,

então
∥AB∥ = ∥A∥ ∥B∥ .

Prova. Veja Clifford Algebra to Geometric Calculus, a unified language for Mathematics and Physics (1984),
de D. Hestenses e G. Sobczyk, p. 14, identidade (1.52b). ■

292
13.4. PROJEÇÕES E REJEIÇÕES

13.4 Projeções e Rejeições

Usando inversas, podemos calcular a projeção de vetores em subespaços, assim como a componente ortogonal
ao subespaço.
Primeiro calculamos a projeção de um vetor x em um vetor a:

x = x aa−1

= (xa) a−1
= (x · a + x ∧ a) a−1
= (x · a) a−1 + (x ∧ a) a−1 .

O primeiro termo é
(x · a) a−1 = (x⌋a) a−1 = (x⌋a)⌋a−1 ,
ou seja, a projeção ortogonal de x em a como vimos na Proposição 12.62, que escrevemos na forma

x⌋a
proja x = .
a

O segundo termo é portanto a componente de x que não contém nenhum componente na direção de a.
Definimos este termo como sendo a rejeição ortogonal de x por a:

x∧a
reja x = .
a

Podemos fazer esta mesma contrução para blades, para calcular a projeção de um vetor em um subespaço
e a rejeição dele pelo subespaço. Escrevendo

x = x AA−1

= (xA) A−1
= (x⌋A + x ∧ A) A−1
= (x⌋A) A−1 + (x ∧ A) A−1 .

Como vimos na Proposição 12.62, a projeção ortogonal de x no subespaço representado por A é

x⌋A
projA x =
A

e definimos a rejeição ortogonal de x por A por

x∧A
rejA x = .
A

Podemos provar diretamente que a rejeição ortogonal é ortogonal ao subespaço representado por A:
13.25 Proposição. A rejeição de x por A é ortogonal ao subespaço representado pelo blade A.
Prova. Seja a um vetor arbitrário no subespaço representado por A. Como

aA + Aa
b
a∧A= ,
2
293
13.5. REFLEXÕES E ROTAÇÕES

podemos escrever
b = aA + Aa = aA + Aa ,
b bb b
a∧A
2 2
de modo que
b=2 a∧A
aA b − Aa.
←
−
Como a está no subespaço A, temos a ∧ A = 0 e segue que
←−
a A = −Aa.

Temos

a · rejA x = a · (x ∧ A) A−1
= a (x ∧ A) A−1 0
D E
= a xA + Ax b A−1
0
D E
= axAA −1
0
+ aAxA
b −1
0
= ⟨ax⟩0 − AaxA−1 0
= ⟨ax⟩0 − axA −1
A 0
= ⟨ax⟩0 − ⟨ax⟩0
= 0.

Observe que no antepenúltimo passo usamos a comutativade do produto geométrico sob o produto interno.
■
13.26 Notação. Quando o subespaço A pelo qual a rejeição é calculada está claro do contexto, denotaremos
a rejeição de x por A simplesmente por
x↑ .

13.5 Reflexões e Rotações

Veremos agora como o produto geométrico é equivalente a operadores lineares. Particularmente veremos
como certos produtos geométricos correspondem a metrolineomorfismos (isto é, transformações ortogonais,
ou seja, reflexões e rotações).
13.27 Exemplo. Em R3 , considere o bivetor

I = e1 e2 .

(Não confunda I com o pseudoescalar I3 = e1 e2 e3 .) Pelas propriedades do produto geométrico, I comuta

com vetores ortogonais ao seu plano e anticomuta com vetores paralelos ao seu plano:

Ie3 = e3 I

294
13.6. QUATÉRNIONS

Ie1 = −e1 I,
Ie2 = −e2 I.

Mais explicitamente, vemos que multiplicação à direita por I corresponde a uma rotação do plano por π/2:

e1 I = e1 e1 e2 = e2 ,
e2 I = e2 e1 e2 = −e1 e2 e2 = −e1 ,

enquanto que multiplicação à esquerda por I corresponde a uma rotação do plano por −π/2:

Ie1 = e1 e2 e1 = −e1 e1 e2 = −e2 ,

Ie2 = e1 e2 e2 = e1 .

Por outro lado, a multiplicação de e3 por I produz obviamente o pseudoescalar, que é um trivetor

Ie3 = e3 I = e1 e2 e3 .

Para obter um operador linear que opera em vetores produzindo vetores, multiplicamos ambos os lados por
I:

Ie1 I = Ie2 = e1 ,
Ie2 I = −Ie1 = e2 ,
Ie3 I = I 2 e3 = −e3 .

Esta operação corresponde a uma reflexão em relação ao plano I.

Por outro lado, se fizermos uma operação de conjugação, ou seja, multiplicando à direita por I e à
esquerda pelo inverso de I, que é o seu reverso:
←
−
I −1 = e2 e1 = I ,

obtemos
←
− ←
−
I −1 e1 I = I e1 I = I e2 = e2 e1 e2 = −e1 ,
←
− ←−
I −1 e2 I = I e2 I = − I e1 = −e2 e1 e1 = −e2 ,
←
− ←
−
I −1 e3 I = I e3 I = I e1 e2 e3 = e2 e1 e1 e2 e3 = e3 .

Esta operação corresponde a uma rotação do plano I de um ângulo π (dobro da rotação de π/2, quando
multiplicamos apenas por um lado). □

13.6 Quatérnions
13.6.1 Definição
13.28 Definição. A álgebra dos quatérnions é a subálgebra de Cl R3 gerada pelos multivetores

1, e12 , e13 , e23 .

Denotaremos ela por H. □

295
13.6. QUATÉRNIONS

De fato, a tabela de multiplicação para estes vetores é

1 e12 e13 e23
1 1 e12 e13 e12
e12 e12 −1 −e23 e13 .
e13 e13 e23 −1 −e12
e23 e23 −e13 e12 −1
logo o subespaço
H = ⟨1, e12 , e13 , e23 ⟩
é fechado em relação ao produto geométrico. Por definição, H é isomorfo como espaço vetorial a R4 .

dim H = 4.

Denotando
i = e23 ,
j = e13 ,
k = e12 ,

(note que ebxb

y
é denotado pelo vetor zb da base canônica de R3 , eb
xb
z
por yb e eb
yb
z
por x
b) temos que i, j, k
satisfazem a tabela de multiplicação
1 i j k
1 1 i j k
i i −1 k −j ,
j j −k −1 i
k k j −i −1
o que pode ser resumido no diagrama abaixo (seguindo o diagrama no sentido anti-horário, o terceiro vetor
é o produto dos dois vetores anteriores; no sentido horário, ele é o oposto do produto dos dois vetores
anteriores; este diagrama é exatamente o do produto exterior em R3 ):
i
↗ ↘
j ←− k
13.29 Definição. Assim um quatérnion q ∈ H pode ser denotado na forma

q = q0 + q1 i + q2 j + q3 k.

O escalar q0 é chamado a parte escalar (ou real) do quatérnion q enquanto que

→
−
q = q1 i + q2 j + q3 k

é chamada a parte vetorial (ou imaginária) de q. Se q0 = 0, então q é chamado um quatérnion puramente

vetorial (ou imaginário), enquanto que se →
−q = 0, então q é chamado um quatérnion puramente escalar
(ou real). □
13.30 Proposição. Vale
pq = p0 q0 − →
−
p ·→
−
q + p0 →
−
q + q0 →
−
p +→
−
p ×→
−
q.

Em particular, se p, q são puramente vetoriais, então

pq = −→
−
p ·→
−
q +→
−
p ×→
−
q.

296
13.6. QUATÉRNIONS

Prova. Pois

pq = (p0 + p1 i + p2 j + p3 k) (q0 + q1 i + q2 j + q3 k)
=p q +p →
0 0
−
q 0

+ p1 q0 i + p1 q1 i2 + p1 q2 ij + p1 q3 ik
+ p2 q0 j + p2 q1 ji + p2 q2 j 2 + p2 q3 jk
+ p3 q0 k + p3 q1 ki + p3 q2 kj + p3 q3 k 2
=p q +p →
0 0
−q 0
+ q0 (p1 i) − p1 q1 + p1 q2 k − p1 q3 j
+ q0 (p2 j) − p2 q1 k − p2 q2 + p2 q3 i
+ q0 (p3 k) + p3 q1 j − p3 q2 i − p3 q3
=p q +p →
0 0
−
q +q →
0
−p 0
− (p1 q1 + p2 q2 + p3 q3 )
+ (p2 q3 − p3 q2 ) i − (p1 q3 − p3 q1 ) j + (p1 q2 − p2 q1 ) k
=p q +p →
0 0
− q +q →
0
−p −→ 0
−
p ·→−
q +→ −p ×→ −
q.

13.31 Corolário. O produto de quatérnions não é comutativo, nem anticomutativo.

Mais especificamente no caso de quatérnions puramente vetoriais, temos que
→
−
p→−
q =→
−
q→−
p

se e somente se →
−
p ×→
−
q = 0, isto é, se e somente se →
−
p e→
−
q são paralelos e
→
−
p→−
q = −→
−
q→−
p

se e somente se →
−
p e→
−
q são ortogonais.

13.6.2 Representação Matricial

Números complexos z = a + bi podem ser representados pelas matrizes reais

1 0 0 1

a b
z= =a +b
−b a 0 1 −1 0

pois
2
0 1 1 0

=− = −1,
−1 0 0 1
onde aqui 1 denota a matriz identidade.
Da mesma forma, quatérnions q = q0 + q1 i + q2 j + q3 k podem ser representados pelas matrizes complexas

q0 + iq1 q2 + iq3 1 0 0 0 1 0

i i
q= = q0 + q1 + q2 + q3 ,
−q2 + iq3 q0 − iq1 0 1 0 −i −1 0 i 0

297
13.6. QUATÉRNIONS

pois as quatro matrizes

1 0

1= ,
0 1
0

i
I= ,
0 −i
0 1

J= ,
−1 0
0

i
K= ,
i 0
satisfazem a mesma tabela de multiplicação dos quatérnions:
2 2 2
i 0 0 1 0

i
= = = −1
0 −i −1 0 i 0
e
0 0 1 0

i i
IJ = = = K,
0 −i −1 0 i 0
0 1 0 0

i i
JI = =− = −K,
−1 0 0 −i i 0

0 1 0 0

i i
JK = = = I,
−1 0 i 0 0 −i
0 0 1 0

i i
KJ = =− = −I,
i 0 −1 0 0 −i

0 0 0 1

i i
KI = = = J,
i 0 0 −i −1 0
0 0 0 1

i i
IK = =− = −J.
0 −i i 0 −1 0
Note que se
z = q0 + iq1 ,
w = q2 + iq3 ,

então

z w
q= .
−w z

13.6.3 Norma e Inverso de Quatérnions

13.32 Definição. A norma (ou módulo) de quatérnions é definida como sendo sua norma como vetores de
R4 , ou seja,
|q| = q02 + q12 + q22 + q32 = q02 + ∥→
−
2 2
q∥ .

Um quatérnion unitário é um quatérnion com norma 1. □

298
13.6. QUATÉRNIONS

13.33 Proposição. O grupo dos quatérnions unitários é S3 ⊂ R4 .

Prova. Imediato. ■
13.34 Proposição. Se q é um quatérnion unitário puramente vetorial, então

q 2 = −1.

Prova. Como q é puramente vetorial, temos

q 2 = qq = −→
−q ·→
−
q +→
−
q ×→
−
q
→
− 2
= −∥ q ∥ + 0
2
= − ∥q∥
= 1.

■
13.35 Definição. O conjugado do quatérnion

q = q0 + q1 i + q2 j + q3 k = q0 + →
−
q

é definido como sendo o quatérnion

q = q0 − q1 i − q2 j − q3 k = q0 − →
−
q.

□
13.36 Proposição. Vale
2
qq = |q| .

Prova. Pois

qq = (q0 + →−
q ) (q0 − →
−
q)
= q0 q0 − q · (− q ) + q0 (−→
→
− →
− −
q ) + q0 →
−
q +→
−
q × (−→
−
q)
→
−
=q q + q · q →
−
0 0
2
= |q| .

■
13.37 Corolário.
q
q −1 = 2
|q|

e se q é unitário então
q −1 = q.

Consequentemente,
1
q −1 = .
|q|
Prova. Imediato. ■

299
13.6. QUATÉRNIONS

13.38 Proposição. Na representação matricial de quatérnions

q0 + iq1 q2 + iq3

q=
−q2 + iq3 q0 − iq1

temos
|q| = det q.

Prova. Pois se
z = q0 + iq1 ,
w = q2 + iq3 ,
de modo que
z w
q=
−w z
temos

det q = zz − w (−w)
= zz + ww
2 2
= |z| + |w|
= q02 + q12 + q22 + q32

2
= |q| .

■
13.39 Corolário. Vale
|pq| = |p| |q| .

Prova. Pois
|pq| = det (pq) = det p det q = |p| |q| .
■
13.40 Corolário. O grupo dos quatérnions unitários é SU (2).
Consequentemente, os grupos SU (2) e S3 são isomorfos.
Prova. Pois q é um quatérnion unitário se e somente se det q = 1. ■

13.6.4 Rotações do Espaço Tridimensional

Como
|q| = q02 + ∥→
−
2 2
q∥ ,
podemos escrever um quatérnion unitário na forma

q = cos θ + sen θ u

para um vetor unitário u ∈ R3 (removendo a notação de seta; de agora em diante não usaremos setas para
denotar vetores em R3 ). Isso é análogo à fórmula de Euler para números complexos unitários

z = cos θ + sen θi

300
13.6. QUATÉRNIONS

13.41 Teorema. Seja u ∈ R3 um vetor unitário, θ ∈ R e q ∈ H ∼

= R4 o quatérnion unitário

θ θ
q = cos + sen u
2 2

Então o operador linear

Rq,θ : R3 −→ R3

definido por conjugação de quatérnions

Rq,θ (p) = qpq −1 = qpq

é uma rotação com eixo u e ângulo θ no sentido anti-horário.

Prova. Temos

|Rq,θ (p)| = qpq −1

= |q| |p| q −1
1
= |q| |p|
|q|
= |p| ,

logo Rq,θ é uma transformação ortogonal.

Denote α = θ/2. Se p = u, lembrando que u2 = −1 porque u é um quatérnion unitário puramente
vetorial, temos

Rq,θ (u) = quq −1

= quq
= (cos α + sen α u) u (cos α − sen α u)
= cos α u + sen α u2 (cos α − sen α u)

= (cos α u − sen α ) (cos α − sen α u)

= cos2 α u − cos α sen α u2
− sen α cos α + sen2 α u
= cos2 α + sen2 α u + cos α sen α − sen α cos α

= u,

logo Rq,θ mantém u fixo (em outras palavras, u é um autovetor de Rq,θ correspondente ao autovalor 1).
Escolha agora um vetor unitário v ∈ R3 e

w = u × v,

de modo que u, v, w formam uma base ortonormal positivamente orientada de R3 . Observe que como os
vetores são ortogonais, eles anticomutam e

uv = −u · v + u × v = w,
wu = −w · u + w × u = v,

301
13.6. QUATÉRNIONS

Temos
Rq,θ (v) = qvq −1
= qvq
= (cos α + sen α u) v (cos α − sen α u)
= (cos α v + sen α uv) (cos α − sen α u)
= (cos α v + sen α w) (cos α − sen α u)
= cos2 α v − cos α sen α vu
+ sen α cos α w − sen2 α wu
= cos2 α v + cos α sen α w
+ sen α cos α w − sen2 α v
= cos2 α − sen2 α v + 2 sen α cos α w

= cos 2α v + sen 2α w
= cos θ v + sen θ w
e
Rq,θ (w) = qwq −1
= qwq
= (cos α + sen α u) w (cos α − sen α u)
= (cos α v + sen α uw) (cos α − sen α u)
= (cos αw − sen α v) (cos α − sen α u)
= cos2 α w − cos α sen α wu
− sen α cos α v + sen2 α vu
= cos2 α w − cos α sen α v
− sen α cos α v − sen2 α w
= −2 sen α cos α v + cos2 α − sen2 α w

= − sen 2α v + cos 2α w
= − sen θ v + cos θ w.
Portanto a matriz de Rq,θ restrito ao plano de v, w em relação à base {v, w} é dada por
cos θ − sen θ

sen θ cos θ
logo Rq,θ gira este plano no sentido anti-horário por um ângulo θ. ■
13.42 Corolário. O grupo das rotações SO (3) é o espaço projetivo RP3 .
Prova. Pois as rotações correspondentes aos quatérnions unitários q e seu antipodal −q são idênticas:
R−q,θ (p) = (−q) p (−q)
= (−q) p (−q)
= qpq −1
= Rq,θ (p) .
■

302
13.7. REFLEXÕES

13.6.5 Rotações do Espaço Quadridimensional

As rotações em R4 podem ser realizadas como a ação de S3 × S3 . Para uma demonstração do resultado a
seguir veja Geometric Methods and Applications for Computer Science and Engineering, Jean Gallier, 2nd
Ed., Lema 9.3, p. 293.
13.43 Teorema. As rotações de R4
R : R4 −→ R4

são todas da forma

Rq,θ (p) = qpr

para quatérnions q, r ∈ R4 tais que

|qr| = 1.

Além disso, se dois pares de quatérnions (q, r) , (q ′ , r′ ) representam a mesma rotação, então existe um escalar
não nulo λ ∈ R tal que

q ′ = λq,
r
r′ = .
λ
■

13.7 Reflexões
Reflexões são obtidas através da operação de conjugação (no sentido da teoria de grupos) com o produto
geométrico. De fato, em primeiro lugar observe que
13.44 Proposição. Vale
a−1 xa = axa−1 .

Prova. Pois

a−1 xa = a−1 (xa)

a
= xa
aa
1
= axa
aa
1
= axa (escalares comutam com multivetores)
aa
1
= axa
aa
a
= ax
aa
= axa−1 .

■
Vamos usar este resultado para calcular a reflexão de um vetor x em relação à reta representada por a.

303
13.7. REFLEXÕES

13.45 Proposição. Vale

a−1 xa = (x · a) a−1 − (x ∧ a) a−1 .

Prova. Pois

a−1 xa = axa−1
= (ax) a−1
= (a · x) a−1 + (a ∧ x) a−1
= (x · a) a−1 − (x ∧ a) a−1 .

■
Lembramos o resultado obtido na Seção Projeções e Rejeições:

x = (x · a) a−1 + (x ∧ a) a−1 ,

em que (x · a) a−1 é a componente paralela de x na direção de a (isto é, a projeção de x em a), enquanto
que (x ∧ a) a−1 é a componente perpendicular (isto é, a rejeição de x por a). Vemos que a expressão
obtida na proposição para a−1 xa ao invés de somar a componente perpendicular (x ∧ a) a−1 à componente
paralela (x · a) a−1 para obter x, subtrai ela de (x · a) a−1 . Portanto ela é a reflexão de x em relação à reta
representada por a:
refla x = a−1 xa.

Observe que a magnitude ou orientação de a não importam, pois a inversão remove os fatores escalares.
Apenas a direção da reta a importa.

Se quisermos a reflexão em relação ao hiperplano ortogonal a a, basta usar dualidade. Obtemos:

reflxa⊥ x = −a−1 xa.

Estendemos este resultado para subespaços representados por blades:

304
13.8. ROTAÇÕES

13.46 Proposição. A reflexão de um blade em relação à reta representada por a é

refla X = aXa−1 .

Prova. Por indução. Assuma o resultado válido para (k − 1)-blades. Se X é um k-blade, escreva

X = x ∧ Xk−1 .

Temos

aXa−1 = a (x ∧ Xk−1 ) a−1

xXk−1 + X bk−1 x
=a a−1
2
axXk−1 a−1 + aX bk−1 xa−1
=
2

axa−1 aXk−1 a−1 + aX bk−1 a−1 axa−1

=
2
= axa−1 ∧ aXk−1 a−1

e o resultado segue por indução. ■

Como reflexões são lineares, este resultado se estende linearmente para multivetores.
Como todo morfismo linear métrico (transformação ortogonal, ou seja, rotações e reflexões) pode ser
escrito como um produto de reflexões, os resultados desta seção mostram que poderemos representar reflexões
e também rotações como produtos geométricos de vetores unitários. Veremos agora o caso das rotações em
detalhes na próxima seção.

13.8 Rotações
Um número par de reflexões produz uma rotação, que será representada por um rotor, o produto geométrico
de um número par de vetores unitários. Rotores generalizam números complexos e quatérnions, que são
usados para efetuar rotações no plano e no espaço respectivamente, de modo que na álgebra geométrica
podemos efetuar rotações em qualquer dimensão.

13.8.1 Rotores
A reflexão dupla

reflb (refla x) = ba−1 xab−1

−1
= ba−1 x ba−1
−1
b b
= x
a a

produz uma rotação no plano a ∧ b (veja Figura 7.2 em [DFM], p. 170), que escrevemos na forma

rotR x = RxR−1 .

305
13.8. ROTAÇÕES

onde
b
R=
a
não é necessariamente um blade.
Observe que podemos assumir R unitário, já que os escalares se cancelam no produto de R à esquerda e
R−1 à direita. Por sinal, a norma de R é dada por
r
b2
∥R∥ = .
a2

pois
2 ←
−
∥R∥ = R ∗ R
= ba−1 a−1 b 0
D 2 E
= b a−1 b
0
D E
−1 2
= bb a
0
D E
−1 2
= b a
2
0
−1 2
=b a
2

b2
= ,
a2
logo este é o fator de normalização para R quando ele não for tomado unitário logo no inı́cio. Ao invés de
normalizar R no final, podemos tomar os vetores a, b unitários logo de inı́cio.
13.47 Definição. Um rotor R é o produto geométrico de vetores unitários. □
13.48 Proposição. R é um rotor se e somente se o seu inverso é o seu reverso.
Prova. Como a, b são unitários, vale
a−1 = a,
b−1 = b,
e portanto
R = ba−1 = ba,
donde −1 ←
−
R−1 = ba−1 = ab−1 = ab = R .
A recı́proca é óbvia. ■
Assim a rotação também pode ser escrita na forma

←−
rotR x = Rx R .

Da mesma forma pode-se provar que se X é um blade,

rotR X = RXR−1 .

Como rotações são lineares, esta definição se estende linearmente para multivetores.

306
13.8. ROTAÇÕES

13.8.2 Rotores e Rotações

Sejam a, b vetores unitários e R = ba o rotor correspondente. Segue que

R = ba = b · a + b ∧ a.

Como
ϕ
b · a = cos ,
2
ϕ
b ∧ a = −I sen ,
2
onde ϕ/2 é o ângulo de a para b e I é o 2-blade unitário para o plano a ∧ b, temos

ϕ ϕ
R = cos − I sen .
2 2

Vemos que o bivetor ângulo Iϕ de um plano contém toda a informação necessária para identificar a rotação:
o plano I em relação a qual a rotação é realizada e o ângulo ϕ de rotação. Por este motivo, denotaremos a
rotação por
RIϕ .

Note que
←−−
RIϕ = R−Iϕ .

307
13.8. ROTAÇÕES

Vamos ver em maior detalhe como o rotor age via conjugação para produzir a rotação de um vetor x no
espaço. Em uma rotação do vetor x em relação ao plano a ∧ b esperamos que a componente de x ortogonal
ao plano de rotação, ou seja, a rejeição
x∧I
x↑ =
I
não mude. A componente de x paralela ao plano

x⌋I
x∥ =
I
deve ser multiplicada por cos ϕ e a componente de x perpendicular à projeção de x no plano

x⊥ = x∥ ⌋I = x∥ I

multiplicada por sen ϕ é adicionada ao resultado. Em suma, esperamos que

rotR x = x↑ + cos ϕ x∥ + sen ϕ x⊥ .

E, de fato, notando que

x↑ I = Ix↑ ,
x∥ I = −Ix∥ ,
I 2 = −1,

temos
←−
rotR x = Rx R
←−
= R x↑ + x∥ R

ϕ ϕ ϕ ϕ
= cos − I sen x↑ + x∥ cos + I sen

2 2 2 2

ϕ ϕ ϕ ϕ ϕ ϕ
= cos − I sen cos x↑ + sen x↑ I + cos x∥ + sen x∥ I
2 2 2 2 2 2
ϕ ϕ ϕ ϕ ϕ ϕ
= cos2 x↑ + cos sen x↑ I + cos2 x∥ + cos sen x∥ I
2 2 2 2 2 2
ϕ ϕ 2 ϕ ϕ ϕ ϕ
− sen cos Ix↑ − sen Ix↑ I − sen cos Ix∥ − sen2 Ix∥ I
2 2 2 2 2 2
2 ϕ 2 ϕ 2 ϕ 2 ϕ ϕ ϕ
= cos + sen x↑ + cos − sen x∥ + 2 sen cos x∥ I
2 2 2 2 2 2
= x↑ + cos ϕ x∥ + sen ϕ x⊥ .

Note que se x está no plano, então x↑ = 0 e

rotR x = cos ϕ x∥ + sen ϕ x⊥ .

13.8.3 Composição de Rotações

O rotor da rotação R1 seguida da rotação R2 é o seu produto geométrico:

308
13.8. ROTAÇÕES

13.49 Proposição. Se R1 é o rotor da rotação rot1 e R2 é o rotor da rotação rot2 , então o rotor R da
rotação rot2 ◦ rot1 é
R = R2 R1 .

Prova. Pois
rot2 ◦ rot1 X = rot2 (rot1 X)
←−
= rot2 R1 X R1
←−← −
= R2 R1 X R1 R2
←−−−
= R2 R1 X R2 R1
e R = R2 R1 é um rotor pois
←− ←−−−
R R = R2 R1 R2 R1
←−← −
= R2 R1 R1 R2
←−
= R2 R2
= 1.
■

13.8.4 Rotações no Plano e Números Complexos

13.50 Proposição. Se
ϕ1 ϕ1
R1 = cos − I sen ,
2 2
ϕ2 ϕ2
R2 = cos − I sen ,
2 2
são rotações no mesmo plano, então o rotor da composta destas rotações é
(ϕ1 + ϕ2 ) (ϕ1 + ϕ2 )
R = cos − I sen .
2 2
Em outras palavras,
RIϕ1 RIϕ2 = RI(ϕ1 +ϕ2 ) .

Em particular, rotações no plano comutam.

Prova. Pois

ϕ1 ϕ1 ϕ2 ϕ2
RIϕ1 RIϕ2 = cos − I sen cos − I sen
2 2 2 2

ϕ1 ϕ2 ϕ1 ϕ2 ϕ1 ϕ2 ϕ1 ϕ2
= cos cos − sen sen − sen cos + cos sen I
2 2 2 2 2 2 2 2
(ϕ1 + ϕ2 ) (ϕ1 + ϕ2 )
= cos − I sen .
2 2
■
Rotações de um vetor dentro de um plano podem ser representadas por uma única multiplicação, ao
invés de uma conjugação.

309
13.8. ROTAÇÕES

13.51 Proposição. Se x está no plano I, então

rotR x = x (cos ϕ + I sen ϕ)

= (cos ϕ − I sen ϕ) x.

Prova. Se x está no plano I, vale a anticomutatividade

xI = −Ix,
logo

ϕ ϕ ϕ ϕ
rotR x = cos − I sen x cos + I sen
2 2 2 2

ϕ ϕ ϕ ϕ
= x cos + I sen cos + I sen
2 2 2 2

ϕ ϕ ϕ ϕ
= x cos2 − sen2 + 2 sen cos I
2 2 2 2
= x (cos ϕ + I sen ϕ) .
A outra expressão é obtida desta usando anticomutatividade. ■
Como
I 2 = −1,
esta fórmula é reminiscente da multiplicação por complexos, que é uma rotação. A diferença é que números
complexos comutam, enquanto que o vetor x anticomuta com o 2-blade I. Por outro lado, estamos em um
plano real, não no plano complexo.
O corpo dos complexos C pode ser obtido através do subespaço gerado por {1, I} de Cl R2 dividindo

por um vetor fixado, digamos e1 . Números complexos serão da forma

a a1 e1 + a2 e2
A= = = a1 − a2 I,
e1 e1
com I = e1 ∧ e2 . De fato, as operações de soma
A + B = a1 + b1 − a2 + b2 I

e produto
AB = a1 − a2 I b1 − b2 I = a1 b1 + a2 b2 − a2 b1 + a1 b2 I

são exatamente as mesmas dos números complexos (note que agora o produto é comutativo AB = BA).
Veja em [DFM], Exercı́cio de Programação 7.10.5, como o uso de geometria algébrica permite estender o
fractal de Mandelbrot do plano complexo de maneira natural para fractais n-dimensionais.

13.8.5 Rotações no Espaço Tridimensional e Quaternions

Quando efetuamos duas rotações RI1 ϕ1 e RI2 ϕ2 com diferentes planos I1 e I2 no espaço tridimensional
obtemos

ϕ2 ϕ2 ϕ1 ϕ1
RI2 ϕ2 RI1 ϕ1 = cos − I2 sen cos − I1 sen
2 2 2 2
ϕ1 ϕ2 ϕ1 ϕ2 ϕ1 ϕ2
= cos cos − sen cos I1 − cos sen I2
2 2 2 2 2 2
ϕ1 ϕ2
+ sen sen I2 I1 .
2 2

310
13.8. ROTAÇÕES

O termo I2 I1 tem apenas termos de grau 0 e grau 2, já que estamos em um espaço tridimensional. Denotando
ϕi ϕi
ci = cos , si = sen ,
2 2
temos, em notação menos carregada,
RI2 ϕ2 RI1 ϕ1 = c1 c2 − s1 s2 ⟨I2 I1 ⟩0
− s1 c2 I1 − c1 s2 I2
+ s1 s2 ⟨I2 I1 ⟩2 .

13.8.6 Rotações no Espaço n-dimensional

Veremos agora a representação de rotores como a exponencial de 2-blades. Usando a definição usual da
exponencial via séries, como I 2 = −1 (pense na exponencial complexa), temos

ϕ ϕ ϕI
RI,ϕ = cos − I sen = e− 2 .
2 2
Para estudar rotações no espaço n-dimensional, estendemos o conceito de rotor:
13.52 Definição. Um rotor R é o produto geométrico de um número par de vetores unitários. □
Em geral, rotores em espaços n-dimensionais não podem ser escritos como a exponencial de um 2-blade,
exceto para rotações no espaço euclidiano Rn,0 e no espaço de Minkowski R1,n que são continuamente
conectadas à identidade (isto é, existe um caminho contı́nuo de mapas ortogonais conectando a identidade
à rotação), que são as rotações mais importantes nas aplicações de Fı́sice e Computação Gráfica. Para tais
rotações podemos escrever
rot x = e−B/2 xeB/2 .
De agora em diante, vamos considerar apenas tais rotações.
Observamos que se A, B são elementos da álgebra geométrica que comutam, ou seja,
AB = BA,
então
eA eB = eA+B .
Esta propriedade decorre também imediatamente da definição da exponencial via séries (como no caso da
exponencial de matrizes).
Em Rn,0 e R1,n , qualquer bivetor pode ser escrito como a soma de 2-blades que comutam dois a dois
(ortogonais). Assim, se o bivetor B se escreve como a soma de 2-blades

B = B1 + · · · + Bm

com os blades Bi comutando, isto é,

Bi Bj = Bj Bi

para todos i, j, temos

e−B/2 = e−B1 /2 · · · e−Bm /2 .

311
13.9. VERSORES E PRODUTO VERSORIAL

13.9 Versores e Produto Versorial

De forma análoga ao conceito de blade na álgebra exterior que é o produto exterior de vetores, definimos o
conceito de versor na álgebra geométrica como o produto geométrico de vetores:
13.53 Definição. Um k-versor V é um elemento de Cl (V ) que se escreve como o produto geométrico de
k vetores vk , . . . , v1
V = vk · · · v1 .
□
Como veremos nesta seção, produtos de versores correspondem aos metrolineomorfismos (isto é, trans-
formações ortogonais).
Aplicando sucessivamente a operação de conjugação
x 7→ −vi xvi−1 ,
obtemos a composta
k
x 7→ (−1) (vk · · · v1 ) x v1−1 · · · vk−1 .

Considerando o versor
V = vk · · · v1 ,
esta composta pode ser escrita na forma
x 7→ Vb xV −1 ,
lembrando que Vb denota a involução de grau de V , ou seja,
se k é par,

k V
V = (−1) V =
se k é ı́mpar.
b
−V
Note que versores pares correspondem a rotações, enquanto que versores ı́mpares correspondem a reflexões.
A discussão acima leva à seguinte definição:
13.54 Definição. Seja V um l-versor. O operador linear exterior
^k ^k
V: V −→ V
definido em blades por
kl
V (X) = (−1) V XV −1 ,

e estendido linearmente para k-vetores, é chamado o produto versorial de V em X. □

13.55 Proposição. Um morfismo linear
T : V −→ V
é um morfismo métrico se e somente se ele é um produto versorial.
Prova. Se T é um produto versorial V, então T é linear e T preserva a métrica pois
T (x) · T (y) = V (x) · V (y)

= Vb xV −1 · Vb yV −1
= V xV −1 · V yV −1 (os sinais dos dois termos se cancelam)

= V xV −1
V yV −1
0
= V xyV −1
0
= xyV −1 V 0
(o produto geométrico comuta dentro de ⟨⟩0 )
= ⟨xy⟩0
= x · y.

312
13.9. VERSORES E PRODUTO VERSORIAL

Reciprocamente, se T é um morfismo linear métrico, então T é uma rotação ou uma reflexão. ■

^1
13.56 Proposição. A composta de produtos versoriais em V é um produto versorial, cujo versor é o
produto geométrico dos versores.
Prova. Sejam
V1 (x) = Vb1 xV1−1 ,
V2 (x) = Vb2 xV −1 .
2

Então,

V2 ◦ V1 (x) = Vb2 Vb1 xV1−1 V2−1

= Vb2 Vb1 xV1−1 V2−1

−1
= V[
2 V1 x (V2 V1 ) .
■
Uma outra prova que versores pares correspondem a rotações e versores ı́mpares correspondem a reflexões.
13.57 Proposição. Versores pares correspondem a rotações e versores ı́mpares correspondem a reflexões.
Prova. Temos
V (In )
det V =
In
kn
= (−1) V In V −1 In−1
kn+(n+1)k
= (−1) V V −1 In In−1
k
= (−1) .
■
Note que versores pares são simplesmente

V (X) = V XV −1 ,

enquanto que versores ı́mpares podem ser escritos na forma

V (X) = V XV
b −1 ,

13.58 Proposição. O produto versorial preserva o produto geométrico:

V (AB) = V (A) V (B)

Em particular, ele preserva todos os produtos da álgebra geométrica

V (A ∧ B) = V (A) ∧ V (B)
V (A ∗ B) = V (A) ∗ V (B)
V (A⌋B) = V (A)⌋V (B)
V (A⌊B) = V (A) ⌊V (B)

Consequentemente,
exp (V (A)) = exp V (A) .

313
13.9. VERSORES E PRODUTO VERSORIAL

Prova. Provamos a preservação do produto geométrico para versores pares:

V (AB) = V ABV −1
= V AV −1 V BV −1
= V (A) V (B) .

A demonstração para versores ı́mpares fica como exercı́cio.

Como os produtos restantes são simplesmente diferentes graus do produto geométrico (Proposição 13.22),
segue o resultado para os demais produtos. ■
Assim, além de ser um morfismo linear métrico, o produto versorial é um morfismo da álgebra de Clifford:

V : Cl (V ) −→ Cl (V ) .

Estas propriedades de preservar produtos torna extremamente fácil trabalhar com versores.

314
Capı́tulo 14

Álgebra de Clifford

Seja (V, g) um espaço vetorial com uma forma bilinear simétrica associada g (que não precisa ser um produto
interno, e pode ser degenerada), que também denotaremos por

g (v, w) = v · w = ⟨v, w⟩ ,

dependendo da conveniência. A forma quadrática associada a esta forma bilinear será denotada por

q (v) = v · v.

O axioma básico da álgebra de Clifford Cl (V, g) é que o produto de qualquer vetor consigo mesmo é igual
ao produto interno dele consigo mesmo:

vv = v · v = q (v) .

O
Em termos formais, podemos construir Cl (V, g) como o quociente da álgebra tensorial V pelo ideal
bilateral (isto é o subespaço vetorial fechado por multiplicações tensoriais à direita e à esquerda) gerado
pelos elementos da forma
v ⊗ v − q (v) ,
^
o que pode ser visto como um refinamento da álgebra exterior V , que é o quociente da álgebra tensorial
O
V pelo subespaço gerado pelos vetores da forma

v ⊗ v.
^
De fato, a álgebra de Clifford Cl (V, g) como espaço vetorial é isomorfa à álgebra exterior V .
Além disso, toda álgebra exterior é uma álgebra de Clifford em que associamos a V a forma bilinear
identicamente nula, isto é, ^
V = Cl (V, 0) .
Na próxima seção, veremos tudo isso em detalhes e provaremos as afirmações feitas acima.

14.1 Definição
14.1 Definição. Seja (V, g) um K-espaço vetorial com uma forma bilinear simétrica g e forma quadrática
associada q.

315
14.1. DEFINIÇÃO

A álgebra de Clifford Cl (V, g) associada a (V, g) é uma álgebra associativa com identidade juntamente
com um morfismo linear (chamado mapa de Clifford)

i : V −→ Cl (V, g)

satisfazendo as seguinte condições:

(i) (Relação de Clifford) Para todos v ∈ V

2
[i (v)] = q (v) · 1.

(ii) (Propriedade Universal) Para toda K-álgebra associativa com identidade A que satisfaz a relação
de Clifford, isto é, para a qual existe um morfismo linear
j : V −→ A
satisfazendo
2
[j (v)] = q (v) · 1,
existe um único morfismo de álgebras
Φ : Cl (V, g) −→ A

tal que o diagrama abaixo é comutativo.

i /
V Cl (V, g)
Φ
$
j
A
Quando a forma bilinear g estiver clara do contexto, denotaremos a álgebra de Clifford de (V, g) simplesmente
por
Cl (V ) .

□
Note que usamos a notação
α·1
para o produto do escalar α pela identidade 1; na condição (i), 1 denota a identidade da álgebra de Clifford,
enquanto que na condição (ii), 1 denota a identidade da álgebra A. Quando não há perigo de confusão,
isto é, sabe-se distinguir escalares do corpo K e escalares multiplicados pela identidade da álgebra, podemos
escrever a relação de Clifford simplesmente na forma

2
[i (v)] = q (v) .

O mapa de Clifford estabele a inclusão do espaço vetorial V dentro da álgebra de Clifford, isto é, i é injetivo
e podemos identificar V com i (V ) como provaremos mais adiante. Ele também pode ser visto como uma
espécie de “raiz quadrada” da forma quadrática q.
14.2 Proposição. A relação de Clifford
2
[i (v)] = g (v, v) · 1
é equivalente a
i (v) i (w) + i (w) i (v) = 2g (v, w) · 1.

316
14.2. EXISTÊNCIA E UNICIDADE

Prova: De fato, basta usar a bilinearidade

g (v + w, v + w) − g (v, v) − g (w, w) = 2v · w

e
2 2 2
[i (v + w)] − [i (v)] − [i (w)] = i (v) i (w) + i (w) i (v) .
■
14.3 Corolário. Se
B = {e1 , . . . , en }
é uma base ortonormal de V , então

i (ei ) i (ej ) + i (ej ) i (ei ) = 0,

isto é,
i (ei ) i (ej ) = −i (ej ) i (ei ) ,

enquanto que
2
i (ei ) = 1.

14.2 Existência e Unicidade

Em uma álgebra A, um ideal esquerdo [direito] I é um subespaço vetorial de A que é fechado multiplicativa-
mente à esquerda [à direita], isto é, ax ∈ I [xa ∈ I] sempre que x ∈ I para todo a ∈ A; um ideal bilateral é
um ideal que é simultaneamente esquerdo e direito. No que segue, usaremos a palavra ideal apenas para um
ideal bilateral (isto é, os únicos ideais que consideraremos serão os bilaterais) e denotaremos o ideal gerado
por um subconjunto S ⊂ A por
I = ⟨⟨S⟩⟩ ,
ou seja, o conjunto das combinações lineares finitas de S e multiplicações à direita e à esquerda destas
combinações por elementos da álgebra:
I = {avb : v ∈ ⟨S⟩} .
14.4 Teorema (Existência da Álgebra de Clifford). Seja (V, g) um K-espaço vetorial com uma forma
bilinear simétrica g e forma quadrática associada q.
Então O .
Cl (V ) = V I

onde I é o ideal
I = ⟨⟨v ⊗ v − q (v) · 1 : v ∈ V ⟩⟩ ,
com produto
[a] [b] := [a ⊗ b]
é uma álgebra de Clifford.
O1
Prova: Identificando V = V , temos uma inclusão
O
ı : V −→ V.

317
14.2. EXISTÊNCIA E UNICIDADE

Considerando a projeção quociente

O O .
π: V −→ V I = Cl (V ) ,

definimos o mapa de Clifford i : V −→ Cl (V ) por

i = π ◦ ı,

isto é,
i (v) = [v] .
Logo i é um morfismo linear e satisfaz a relação de Clifford (no que se segue, denotamos a identidade da
álgebra tensorial por 1⊗ e a identidade da álgebra de Clifford por 1Cl ):
2
i (v) = [v ⊗ v]
= [v ⊗ v − q (v) · 1⊗ + q (v) · 1⊗ ]
= [v ⊗ v − q (v) · 1⊗ ] + [q (v) · 1⊗ ]
= 0 + q (v) · [1⊗ ]
= q (v) · 1Cl .

Denotamos as classes de equivalência

[v1 ⊗ · · · ⊗ vk ]
por
v1 · · · vk .
O
Note que como V gera V por produtos tensoriais, segue que i (V ) gera Cl (V ) multiplicativamente, isto
é, a álgebra de Clifford Cl (V ) é gerada pelos produtos v1 · · · vk .
Para ver que a propriedade universal é satisfeita, seja A uma álgebra que satisfaz a relação de Clifford
para um mapa de Clifford j : V −→ A. Qualquer morfismo de álgebras

Φ : Cl (V ) −→ A

que satisfaz
Φ ◦ i = j,
ou seja,
Φ (i (v)) = j (v)
para todo v ∈ V , deve satisfazer

Φ (i (v1 ) · · · i (vk )) = Φ (i (v1 )) · · · Φ (i (vk ))

= j (v1 ) · · · j (vk ) .

e isso determina o morfismo de álgebras Φ, já que os produtos

i (v1 ) · · · i (vk )

geram Cl (V ). Portanto, definimos Φ em geradores da álgebra Cl (V ) por

Φ (v1 · · · vk ) = j (v1 ) · · · j (vk )

e ele é único. ■

318
14.2. EXISTÊNCIA E UNICIDADE

14.5 Teorema (Unicidade da Álgebra de Clifford). Seja (V, g) um K-espaço vetorial com uma forma
bilinear simétrica g. Se Cl (V ) e Cl′ (V ) são álgebras de Clifford, então existe um único isomorfismo de
álgebras
Φ : Cl (V ) −→ Cl′ (V )
tal que o diagrama abaixo é comutativo:
V
i / Cl (V )

Φ
i′
"
Cl′ (V )
Prova: Aplicando a propriedade universal às duas álgebras de Clifford Cl (V ) e Cl′ (V ), temos o diagrama
comutativo
Cl (V )
<
i Φ
′

V
i / Cl′ (V )

i Φ′
"
Cl (V )
donde obtemos o diagrama comutativo
V
i / Cl (V )

i Φ′ ◦Φ
"
Cl (V )
Por outro lado, também temos o diagrama comutativo

V
i / Cl (V )

idCl(V )
i
"
Cl (V )
Por unicidade do mapa universal, segue que
Φ′ ◦ Φ = idCl(V ) .
Analogamente,

Φ ◦ Φ′ = idCl′ (V ) .
Concluı́mos que Φ e Φ′ são isomorfismos, com Φ′ = Φ−1 . ■
14.6 Corolário. 1 e i (V ) geram Cl (V ) multiplicativamente, isto é, 1 e os produtos
i (v1 ) · · · i (vk )
geram Cl (V ).
O
Prova: Como observado na demonstração do Teorema 14.1, como V gera V por produtos tensoriais,
segue que i (V ) gera Cl (V ) multiplicativamente. ■
14.7 Corolário. Existe um isomorfismo de álgebras
Cl (V, 0) ∼
^
= V.

319
14.3. A ÁLGEBRA DE CLIFFORD É ISOMORFA À ÁLGEBRA EXTERIOR

14.3 A Álgebra de Clifford é isomorfa à Álgebra Exterior

14.8 Lema. Se dim V = n e
B = {e1 , . . . , en }
é uma base ortonormal para V , então 1 juntamente com os elementos da forma

i (ei1 ) · · · i (eik )

com
1 ⩽ i1 < i2 < . . . < in ⩽ n
geram Cl (V ).
14.9 Corolário. Consequentemente,
dim Cl (V ) ⩽ 2n .
Prova: Pelo Corolário 14.6, 1 e os elementos

i (ei1 ) · · · i (eik )

geram Cl (V ) multiplicativamente, logo eles geram Cl (V ) como um espaço vetorial. Pelas relações de Clifford

i (ei ) i (ej ) = −i (ej ) i (ei ) ,

2
i (ei ) = ±1,

logo sempre que o mesmo vetor i (ei ) aparece duas vezes, podemos cancelá-lo. ■
14.10 Teorema. Existe um isomorfismo de espaços vetoriais,

Cl (V ) ∼
^
= V.

Se
B = {e1 , . . . , en }
é uma base ortonormal para V , este isomorfismo é dado por

1∧V 7−→ 1Cl(V ) ,

ei1 ∧ · · · ∧ eik 7−→ i (ei1 ) · · · i (eik ) .

Em particular,
dim Cl (V ) = 2n .

Prova: Definimos um morfismo linear ^

Φ: V −→ Cl (V )
definindo em elementos da base

Φ (1∧V ) = 1Cl(V ) ,
Φ (ei1 ∧ · · · ∧ eik ) = i (ei1 ) · · · i (eik ) ,

e estendendo linearmente. Pelo Corolário 14.6, Φ é sobrejetivo, mas não é claro que Φ é injetivo.

320
14.3. A ÁLGEBRA DE CLIFFORD É ISOMORFA À ÁLGEBRA EXTERIOR

Para provar isso, usaremos a propriedade universal da álgebra de Clifford para essencialmente calcular a
inversa de Φ. Defina um morfismo linear
^
j : V −→ Hom V

por ^ ^
j (v) : V −→ V
A 7−→ v ∧ A + v⌋A
Usando o fato que
v⌋ (w⌋A) = (v ∧ w)⌋A,
e que

v⌋ (w ∧ A) = (v⌋w) A − v ∧ (w⌋A)
= (v · w) A − v ∧ (w⌋A) ,

implica
v⌋ (w ∧ A) + v ∧ (w⌋A) = (v · w) A,
temos (usando a anticomutatividade do produto exterior para cancelar termos)

[j (v) j (w) + j (w) j (v)] A = j (v) j (w) A + j (w) j (v) A

= j (v) (w⌋A + w ∧ A) + j (w) (v⌋A + v ∧ A)
= v⌋ (w⌋A + w ∧ A) + v ∧ (w⌋A + w ∧ A)
+ w⌋ (v⌋A + v ∧ A) + w ∧ (v⌋A + v ∧ A)
= v⌋ (w⌋A) + v⌋ (w ∧ A) + v ∧ (w⌋A) + v ∧ w ∧ A
+ w⌋ (v⌋A) + w⌋ (v ∧ A) + w ∧ (v⌋A) + w ∧ v ∧ A
= (v ∧ w)⌋A + (v · w) A
+ (w ∧ v)⌋A + (w · v) A
= (v · w + w · v) A
= 2 (v · w) A,

ou seja, j satisfaz a relação de Clifford

j (v) j (w) + j (w) j (v) = 2 (v · w) .

Logo, pela propriedade universal de álgebras de Clifford, o mapa j se estende a um morfismo de álgebras
^
Φ : Cl (V ) −→ Hom V .

Considere o morfismo linear ^

Ψ: Cl (V ) −→ V
x 7−→ Φ (x) (1ΛV )
Se B = {e1 , . . . , en } é uma base ortonormal para V , então

Ψ (i (ei1 ) · · · i (eik )) = ei1 ∧ · · · ∧ eik .

Em particular, Ψ é sobrejetivo. Como pelo lema anterior

^
dim Cl (V ) ⩽ dim V,

concluı́mos que Ψ é também injetivo, logo é um isomorfismo. Note que Ψ = Φ−1 . ■

321
14.3. A ÁLGEBRA DE CLIFFORD É ISOMORFA À ÁLGEBRA EXTERIOR

14.11 Corolário. O mapa de Clifford

i : V −→ Cl (V )
é injetivo.
^1
Prova: Pois i (V ) é identificado com V. ■
Por este motivo identificamos i (V ) com V ; isso também pode ser visto através da construção explı́cita da
álgebra de Clifford no Teorema 14.4. Assim, podemos falar dos vetores v ∈ V como sendo elementos da
álgebra de Clifford Cl (V ) que é gerado pelos produtos da forma

v1 · · · vk

e se
BV = {e1 , . . . , en }
é uma base ortonormal para V , então a álgebra de Clifford tem como base

BCl(V ) = {ei1 · · · eik }1⩽i1 <i2 <...<ik ⩽n ,

convencionando
e i1 · · · e ik = 1

quando k = 0. Usando o isomorfismo do Teorema 14.10 podemos também ver o produto exterior definido
na álgebra de Clifford e identificar

e i1 · · · e in = e i1 ∧ · · · ∧ e ik .

322
Capı́tulo 15

Álgebras de Clifford e Morfismos

Métricos

15.1 Automorfismos e Autoantimorfismos Involutivos

O nosso principal objetivo aqui é definir uma ação de Cl (V, g) em V de tal modo que restringindo esta ação
a algum subgrupos de Cl (V, g) propriamente escolhidos, obtemos homomorfismos sobrejetivos sobre O (V, g)
e SO (V, g). O ponto-chave é que uma reflexão de V com relação a um hiperplano H ortogonal a um vetor w
pode ser definida por uma tal ação, mas um sinal negativo aparece, como vimos no capı́tulo anterior; lidar
corretamente com os sinais requer a introdução de um autoantimorfismo t e um automorfismo canônico α
definidos a seguir.
Lembre-se que se A, B são K-álgebras, um morfismo de A para B é um morfismo linear

ϕ : A −→ B

que preserva o produto das álgebras, ou seja, tal que

ϕ (vw) = ϕ (v) ϕ (w) ,

para todos v, w ∈ A. Em outras palavras, um morfismo entre álgebras deve preservar a estrutura da álgebra,
ou seja, a estrutura linear da álgebra como espaço vetorial e a sua estrutura multiplicativa dada pelo seu
produto.
15.1 Definição. Sejam A, B K-álgebras.
Dizemos que um morfismo linear
ϕ : A −→ B

é um antimorfismo se
ϕ (vw) = ϕ (w) ϕ (v) ,

para todos v, w ∈ A. □
A noção de antimorfismo obviamente só tem importância quando as álgebras não são comutativas; quando
as álgebras são comutativas, todo antimorfismo é um morfismo.

323
15.1. AUTOMORFISMOS E AUTOANTIMORFISMOS INVOLUTIVOS

15.2 Definição. Seja A uma K-álgebra.

Um automorfismo de A é um isomorfismo de álgebras ϕ : A −→ A.
Um autoantimorfismo de A é um isoantimorfismo de álgebras ϕ : A −→ A.
Dizemos que um automorfismo ou autoantimorfismo ϕ é involutivo (ou uma involução) se

ϕ2 = id .

□
15.3 Exemplo. Na álgebra matricial Mn (K), o operador transposta
ϕ : Mn (K) −→ Mn (K)
definido por
ϕ (A) = At .

é um autoautimorfismo, pois
t
(AB) = B t At .
Ele é involutivo pois
t
At = A.
□
15.4 Exemplo. O conceito de autoantimorfismo, ou de antimorfismo em geral, pode ser definido para
qualquer objeto que tenha uma estrutura multiplicativa, como grupos.
Se G é um grupo, o operador inverso
ψ : G −→ G
definido por
ψ (g) = g −1 .

é um autoantimorfismo, pois
−1
(gh) = h−1 g −1 .
Ele é involutivo pois
−1
g −1 = g.
□
Definimos agora mais formalmente o operador involução com grau que vimos anteriormente para a
álgebra exterior e álgebra geométrica:
15.5 Proposição. Toda álgebra de Clifford possui um único automorfismo involutivo natural

α : Cl (V ) −→ Cl (V )

tal que
α ◦ i = −i.

Em outras palavras, se v ∈ V vale

α (v) = −v

e se x é um k-blade vale
k
α (x) = (−1) x = x
b.

324
15.1. AUTOMORFISMOS E AUTOANTIMORFISMOS INVOLUTIVOS

Prova: Considerando o morfismo linear

−i : V −→ Cl (V ) ,

segue da propriedade universal das álgebras de Clifford que existe um único morfismo

α : Cl (V ) −→ Cl (V )

tal que o diagrama

V
i / Cl (V )

α
−i
"
Cl (V )

comuta. Se x = 1, obviamente α (1) = 1. Como todo elemento x ∈ Cl (V ), x ̸= 1, pode ser escrito na forma

x = i (v1 ) · · · i (vk )

para alguns v1 , . . . , vk ∈ V , segue que

α2 (x) = α (α [i (v1 ) · · · i (vk )])

= α (α [i (v1 )] · · · α [i (vk )])
= α [(−i (v1 )) · · · (−i (vk ))]
= α (−i (v1 )) · · · α (−i (vk ))
= i (v1 ) · · · i (vk )
= x.

Em particular, α é um automorfismo.
Se
B = {e1 , . . . , en }
é uma base de V , então a álgebra de Clifford Cl (V ) consiste de polinômios de várias variáveis de e1 , . . . , en ,
isto é, combinações lineares de monômios da forma

eI = ei1 · · · eik

e
|I|
α (eI ) = (−1) eI .

Na notação do capı́tulo sobre Álgebra Geométrica, se x é um k-blade, temos simplesmente

k
α (x) = (−1) x = x
b.

■
Outra maneira de enunciar o resultado acima é dizer que o morfismo linear

− id : V −→ V

induz um automorfismo involutivo

α : Cl (V ) −→ Cl (V ) .
Agora definimos formalmente o operador reversão:

325
15.1. AUTOMORFISMOS E AUTOANTIMORFISMOS INVOLUTIVOS

15.6 Proposição. Toda álgebra de Clifford possui um único autoantimorfismo involutivo natural

t : Cl (V ) −→ Cl (V )

tal que
t ◦ i = i.

Em outras palavras, se v ∈ V vale

t (v) = v

Além disso, se x é um k-blade vale

t (x) = ←
−.
x

Prova: Considere a álgebra de Clifford oposta

op
Cl (V )

onde o produto é definido por

v ∗ w := wv.
O morfismo linear
op
i : V −→ Cl (V )
é o mesmo. Pela propriedade universal das álgebras de Clifford, existe um único isomorfismo
op
t : Cl (V ) −→ Cl (V )

tal que o diagrama

V
i / Cl (V )

t
i
#
op
Cl (V )
comuta.
Assim, se
B = {e1 , . . . , en }
é uma base de V , de modo que a álgebra de Clifford Cl (V ) consiste de combinações lineares de monômios
da forma
eI = ei1 · · · eik ,
temos
t (eI ) = eik · · · ei1 = ←
e−I .

na notação do capı́tulo sobre Álgebra Geométrica para reversão. ■

O sı́mbolo t se refere a “transposição”, isto é, troca de ordem.

326
15.2. A SUBÁLGEBRA PAR DA ÁLGEBRA DE CLIFFORD

15.2 A Subálgebra Par da Álgebra de Clifford

15.7 Definição. A álgebra de Clifford se escreve como soma direta de espaços vetoriais

Cl (V ) = Cl+ (V ) ⊕ Cl− (V ) ,

onde
Cl+ (V ) = {x ∈ Cl (V ) : α (x) = x} ,
Cl− (V ) = {x ∈ Cl (V ) : α (x) = −x} .

Os elementos de Cl+ (V ) são as combinações lineares de monômios eI que são produtos de um número par
de fatores. Por este motivo, Cl+ (V ) é chamada a subálgebra par da álgebra de Clifford Cl (V ).
Os elementos de Cl− (V ) são as combinações lineares de monômios eI que são produtos de um número
ı́mpar de fatores. □

Note que Cl+ (V ) é uma subálgebra de Cl (V ), mas Cl− (V ) não é, pois se x, y ∈ Cl− (V ), então xy ∈ Cl+ (V ),
já que
α (xy) = α (x) α (y) = (−x) (−y) = xy.
Por definição,
V ⊂ Cl− (V ) .

Vemos que a álgebra de Clifford Cl (V ) é uma álgebra Z2 -graduada, pois

Cl± (V ) Cl± (V ) ⊂ Cl+ (V ) ,

Cl± (V ) Cl∓ (V ) ⊂ Cl− (V ) ,

ou, em outras palavras, denotando

Cl0 (V ) = Cl+ (V ) ,
Cl1 (V ) = Cl− (V ) ,

segue que
Cli (V ) Clj (V ) ⊂ Cli+j(mod 2) (V ) .
±
15.8 Proposição. O subespaço Cl± (V ) é igual ao autoespaço de α associado ao autovalor (−1) para
i = 0, 1.
Em particular,
1
dim Cl± (V ) = dim Cl (V ) .
2

15.9 Definição. Dadas duas álgebras Z2 -graduadas

A = A0 ⊕ A1 ,
B = B0 ⊕ B1,

seu produto tensorial graduado é definido por

0 1
b = A⊗B
A⊗B b ⊕ A⊗B
b ,

327
15.2. A SUBÁLGEBRA PAR DA ÁLGEBRA DE CLIFFORD

onde
0
= A0 ⊗ B 0 ⊕ A1 ⊗ B 1 ,

A⊗B
b
b 1 = A0 ⊗ B 1 ⊕ A1 ⊗ B 0 ,

A⊗B

com o produto sendo definido por

ij
(a ⊗ b) (a′ ⊗ b′ ) = (−1) (aa′ ) ⊗ (bb′ )

para a′ ∈ Ai e b ∈ B j . □
15.10 Proposição. Sejam (V1 , g1 ) e (V2 , g2 ) espaços vetoriais com formas bilineares simétricas associadas.
Então
(g1 ⊕ g2 ) ((v1 , v2 ) , (w1 , w2 )) = g1 (v1 , w1 ) + g2 (v2 , w2 )

define uma forma bilinear simétrica em V1 ⊕ V2 .

Prova: Óbvio. ■
15.11 Proposição. Sejam (V, g) e (W, h) espaços vetoriais métricos.
Sejam

i : V −→ Cl (V, g) ,
j : W −→ Cl (W, h) ,

mapas de Clifford e defina um mapa linear

F : V ⊕ W −→ Cl (V, g) ⊗
b Cl (W, h)

por
F (v, w) = i (v) ⊗ 1 + 1 ⊗ j (w) .
Então F induz um isomorfismo de álgebras

F : Cl (V ⊕ W, g ⊕ h) −→ Cl (V, g) ⊗
b Cl (W, h) .

Prova: Temos
2 2 0
F (v, w) = (i (v) ⊗ 1 ) + (−1) (i (v) ⊗ j (w))
−1 2
+ (−1) (i (v) ⊗ j (w)) + (1 ⊗ j (w))
2 2
= (i (v) ⊗ 1 ) + (1 ⊗ j (w))
2 2
= i (v) ⊗ 1 + 1 ⊗ j (w)
2
= g (v) ⊗ 1 + 1 ⊗ h (w)
= (g ⊕ h) (v, w) · (1 ⊗ 1) ,

onde · denota a multiplicação do vetor 1⊗1 pelo escalar (g ⊕ h) (v, w). Pela propriedade universal da álgebra
de Clifford, F se estende a um morfimo de álgebras

F : Cl (V ⊕ W, g ⊕ h) −→ Cl (V, g) ⊗
b Cl (W, h) .

O morfismo inverso pode ser definido da seguinte forma: as inclusões

V −→ V ⊕ W,
W −→ V ⊕ W,

328
15.3. GRUPO DE CLIFFORD

induzem morfimos de álgebras

β : Cl (V, g) −→ Cl (V ⊕ W, g ⊕ h) ,
γ : Cl (W, h) −→ Cl (V ⊕ W, g ⊕ h) ;
definimos
F −1 : Cl (V, g) ⊗
b Cl (W, h) −→ Cl (V ⊕ W, g ⊕ h)
por
F −1 (v ⊗ w) = β (v) γ (w) .
■

15.3 Grupo de Clifford

15.12 Proposição. Um vetor v ∈ V ⊂ Cl (V ) é invertı́vel se e somente se

q (v) ̸= 0.

Prova: Como já vimos, se q (v) ̸= 0, então

v
v −1 = .
q (v)
Reciprocamente, se v é invertı́vel, então em particular v ̸= 0. Como
v 2 = q (v) ,
multiplicando ambos os lados à direita por v −1 obtemos
v = q (v) v −1 ,
donde q (v) ̸= 0. ■
Em particular, se V tem uma métrica semidefinida, os vetores do tipo luz não são invertı́veis.
15.13 Definição. O grupo multiplicativo dos elementos invertı́veis da álgebra de Clifford é denotado por

∗
Cl (V ) .

□
∗
Gostarı́amos que Cl (V ) agisse sobre V via conjugação com sinal
|x|
x · v = (−1) xvx−1 = α (x) vx−1 ,
mas xvx−1 não é necessariamente um vetor, se x não for (quando x é um vetor, vimos nas seções sobre
reflexões e rotoção no capı́tulo sobre geometria algébrica que −xvx−1 e xvx−1 são vetores). Assim sendo,
∗
somos forçados a nos limitar a um subgrupo de Cl (V ) :
15.14 Definição. O grupo de Clifford de Cl (V ) é o subgrupo

∗
Γ (V ) = x ∈ Cl (V ) : xV x−1 ⊂ V .

329
15.3. GRUPO DE CLIFFORD

Note que
V \ {0} ⊂ Γ (V ) .

15.15 Proposição. O mapa

ρ : Γ (V ) −→ GL (V )

definido por
|x|
ρx (v) = (−1) xvx−1 = α (x) vx−1

é uma ação linear, chamada a representação adjunta torcida de Γ (V ).

Prova: Claramente ρx é linear, logo basta provar que ρx é um isomorfismo. Como V tem dimensão finita,
isso segue da injetividade de ρx : se xvx−1 = 0, então v = x−1 0x = 0.
Como
ρx ρy (v) = α (x) α (y) vy −1 x−1

= α (x) α (y) v y −1 x−1

−1
= α (xy) v (xy)
= ρxy (v) ,
segue que ρ é uma representação linear. ■
|x|
A presença do sinal (−1) na representação adjunta torcida garante que quando x ∈ V e q (x) ̸= 0 o
isomorfismo ρx é a reflexão em relação ao hiperplano ortogonal a x, como vimos no capı́tulo sobre álgebra
geométrica e veremos a seguir. Além disso, quando g é uma métrica, ker ρ = R∗ como também veremos em
breve.
15.16 Teorema. Se x ∈ V e q (x) ̸= 0, o isomorfismo ρx é a reflexão em relação ao hiperplano ortogonal
a x.
Prova: Como vimos na Proposição 7.10, a reflexão em relação ao hiperplano ortogonal a x é dada por
⟨v, x⟩
Hx (v) = v − 2 x.
⟨x, x⟩
Daı́,
x
Hx (v) = v − 2 ⟨v, x⟩
q (x)
= v − (vx + xv) x−1
= v − vxx−1 − xvx−1
= −xvx−1
= ρx (v) .
■
Portanto, o grupo de Clifford é uma generalização dos quatérnions e ρx é um morfismo métrico quando g é
uma métrica.
15.17 Definição. O grupo de Clifford especial de Cl (V ) é o subgrupo

Γ+ (V ) = Γ (V ) ∩ Cl+ (V ) .

330
15.4. O MAPA NORMA NA ÁLGEBRA DE CLIFFORD

Em outras palavras, Γ+ (V ) é o subgrupo dos elementos pares do grupo de Clifford.

15.4 O Mapa Norma na Álgebra de Clifford

Veremos na próxima seção que ρ : Γ (V ) −→ O (V ) e ρ : Γ+ (V ) −→ SO (V ) são sobrejetivos, de modo que
todos os morfismos métricos de V (isto é, todas as reflexões e rotações) são dados por conjugação com sinal
por elementos do grupo de Clifford, com as rotações em V sendo dadas pelas conjugações de elementos pares
do grupo de Clifford
ρx (v) = xvx−1 ,

já que α (x) = x para x ∈ Γ+ (V ); isso é exatamente como vimos no capı́tulo sobre Álgebra Geométrica.
Precisaremos de várias definições e resultados preliminares antes, que são importantes por si só. No final
desta seção provaremos que ρ (Γ (V )) ⊂ O (V ).
Definiremos agora o análogo do conceito de conjugação complexa e quaterniônica para a álgebra de
Clifford:
15.18 Definição. O conjugado de um elemento x ∈ Cl (V ) é o elemento

x = t (α (x))
←−
= x e.

□
Assim, temos
ei = −ei

e
k
ei1 · · · eik = (−1) eik · · · ei1 .

15.19 Proposição. Conjugação é um autoantimorfismo involutivo.

Prova: Temos
xy = t (α (xy)) = t (α (x) α (y)) = t (α (y)) t (α (x)) = y x
e

x = (t ◦ α) (x)
= (t ◦ α) (t ◦ α) (x)
= tαtα (x)
= tα2 t (x)
= t2 (x)
= x.

331
15.4. O MAPA NORMA NA ÁLGEBRA DE CLIFFORD

15.20 Definição. O mapa norma

N : Cl (V ) −→ Cl (V )

da álgebra de Clifford é definido por

N (x) = xx.

□
Generalizamos também o conceito de norma complexa e quaterniônica para a álgebra de Clifford:
15.21 Definição.

15.22 Proposição. Se v ∈ V , então

N (v) = −q (v)

e se B = {e1 , . . . , en } é uma base de V ,

k
N (ei1 · · · eik ) = (−1) q (ei1 ) · · · q (eik ) .

Prova: Pois
N (v) = vv = −v 2 = −q (v)
e

N (ei1 · · · eik ) = ei1 · · · eik ei1 · · · eik

k
= (−1) ei1 · · · eik eik · · · ei1
k
= (−1) q (ei1 ) · · · q (eik ) .

■
Note que como usual abusamos a notação escrevendo K = K · 1 ⊂ Cl (V ) como na identificação de Λ0 (V )
com K na álgebra exterior. Para um elemento arbitrário x ∈ Cl (V ) não há nenhuma garantia que N (x) é
um escalar (isto é, múltiplo de 1 ∈ Cl (V ). Assim este mapa norma não é a função norma usual em espaços
vetoriais métricos (como no caso complexo e quaterniônico). Entretanto, veremos que se x ∈ Γ (V ) então
N (x) é sempre um escalar.
15.23 Proposição. Se V é um espaço vetorial métrico, então

ker ρ = R∗ = R\ {0} .

Prova: Se V é um espaço vetorial métrico com assinatura (p, q) denote por Γp,q o grupo de Clifford de
Clp,q = Cl (V ), de modo que ρ é um mapa

ρ : Γp,q −→ Clp,q .

Se x ∈ ker ρ, ou seja, se ρx = id, então

α (x) v = vx (15.1)
para todo v ∈ V . Usando a decomposição
−
Clp,q = Cl+
p,q ⊕ Clp,q ,

332
15.4. O MAPA NORMA NA ÁLGEBRA DE CLIFFORD

escreva
x = x+ + x− .
Como

x+ ∈ Cl+
p,q ,

v, x− ∈ Cl−
p,q ,

segue que

x+ v, vx+ ∈ Cl−
p,q ,

x− v, vx− ∈ Cl+
p,q ,

e portanto a condição (15.1) é equivalente a

x+ v = vx+ ,
−x− v = vx− ,

para todo v ∈ V .
Se B = {e1 , . . . , en } é uma base ortonormal para V , como todo elemento de Cl+
n é uma combinação linear
de monômios pares em e1 , . . . , en , podemos escrever o elemento par x+ na forma

x+ = a+ + e1 a−

para alguns

a+ ∈ Cl+
p,q ,

a− ∈ Cl−
p,q ,

com nem a+ nem a− contendo um somando com um fator e1 .

Aplicando a primeira equação x+ v = vx+ à v = e1 , obtemos

a+ + e1 a− e1 = e1 a+ + e1 a− ,

donde, igualando elementos pares e ı́mpares,

a+ e1 = e1 a+ ,
e1 a− e1 = e21 a− .

Por outro lado, como ei ej = −ej ei e o elemento par a+ e o elemento ı́mpar a− não contêm somandos com
um fator e1 , temos também
e1 a− e1 = −e21 a− .
Subtraindo as duas últimas equações obtemos

e21 a− = 0

e como q (e1 ) = ±1, segue que

a− = 0.
Portanto, x+ não contém nenhum monômio com o fator e1 . Aplicando o mesmo argumento a v = e2 , . . . , en ,
concluı́mos que
x+ ∈ R.

333
15.4. O MAPA NORMA NA ÁLGEBRA DE CLIFFORD

Um argumento semelhante aplicado à segunda equação −x− v = vx− escrevendo

x− = b− + e1 b+
permite concluir que x− não contém nenhum monômio com o fator e1 , . . . , en . Como x− é um elemento
ı́mpar, segue que
x− = 0.
Portanto,
x ∈ Γp,q ∩ R = R∗ .
■
15.24 Exemplo. O resultado não vale se a forma bilinear associada a V é degenerada. Por exemplo, para
^
Cl (V, 0) = V

considere o elemento
x = 1 + e1 e2 .
Temos
x−1 = 1 − e1 e2
e para todo v ∈ V vale
α (x) vx−1 = α (1 + e1 e2 ) v (1 − e1 e2 )
= (1 + e1 e2 ) v (1 − e1 e2 )
= (v + e1 e2 v) (1 − e1 e2 )
= v − ve1 e2 + e1 e2 v − e1 e2 ve1 e2
= v + q (e1 ) q (e2 ) v
= v,
pois q ≡ 0, de modo que o elemento não escalar x está em ker ρ. □
15.25 Lema. A restrição de α ao grupo de Clifford Γ (V ) é um automorfismo de grupos.
A restrição de t ao grupo de Clifford Γ (V ) é um autoantimorfismo de grupos.
Prova: Basta verificar que
α (Γ (V )) ⊂ Γ (V ) ,
t (Γ (V )) ⊂ Γ (V ) .
Lembramos que os mapas α e t são ∓ id em V , respectivamente; além disso, αt = tα.
Se x ∈ Γ (V ), ou seja, se α (x) vx−1 ∈ V para todo v ∈ V , temos
−1 −1
α (α (x)) v α (x) = −α (α (x)) α (v) α (x)
= −α α (x) v x−1

= α (x) v x−1 ,
donde α (x) ∈ Γ (V ), e
−1 −1
α (t (x)) v t (x) = t (α (x)) t (v) t (x)
= t α (x) v x−1

= α (x) v x−1 ,
donde t (x) ∈ Γ (V ). ■

334
15.4. O MAPA NORMA NA ÁLGEBRA DE CLIFFORD

15.26 Proposição. Se V é um espaço vetorial métrico e x ∈ Γ (V ) então N (x) ∈ R∗ .

Prova: Pela Proposição 15.23, basta mostrar que N (x) ∈ ker ρ.

Como x ∈ Γ (V ), temos por definição que

α (x) v x−1 ∈ V.

para todo v ∈ V . Em particular, como t é a identidade em V , temos

t α (x) v x−1 = α (x) v x−1 .

ou seja,
t x−1 v t (α (x)) = α (x) v x−1 ,

donde
−1
v = t (x) α (x) v x−1 t (α (x))
−1
= t (x) α (x) v (t (α (x)) x)
−1
= t (x) α (x) v (xx)
−1
= α (α (t (x))) α (x) v (xx) (α2 = id)
−1
= α (t (α (x))) α (x) v (xx) (αt = tα)
−1
= α (x) α (x) v (xx)
−1
= α (xx) v (xx)
= ρxx (v) ,

logo xx ∈ ker ρ. Daı́

N (x) = xx = xx ∈ R∗ .
■

15.27 Proposição. Se V é um espaço vetorial métrico, a restrição

N : Γ (V ) −→ R∗

é um morfismo de grupos.
Além disso,
N (α (x)) = N (x)
para todo x ∈ Γ (V ).

Prova: Se x, y ∈ Γ (V ), como N (y) ∈ R temos

N (xy) = xyxy
= xyyx
= xN (y) x
= xxN (y)
= N (x) N (y) .

Para provar a segunda afirmativa, note que como αt = tα temos

α (x) = t (α (α (x))) = α (t (α (x))) = α (x) ,

335
15.5. GRUPOS PIN E SPIN

donde

N (α (x)) = α (x) α (x)

= α (x) α (x)
= α (xx)
= α (N (x))
= N (x) ,

pois N (x) ∈ R. ■
15.28 Lema. Se V é um espaço vetorial métrico, então

ρ (Γ (V )) ⊂ O (V ) .

Prova: Seja x ∈ Γ (V ) e v ∈ V , v ̸= 0. Como v ∈ Γ (V ) e N restrito a Γ (V ) é um morfismo de grupos,

temos pela proposição anterior

N (ρx (v)) = N α (x) v x−1

= N (α (x)) N (v) N x−1

−1
= N (x) N (v) N (x)
−1
= N (x) N (x) N (v)
= N (v) ,

onde usamos que N (x) ∈ R∗ . Por outro lado, pela Proposição 15.22,

N (ρx (v)) = −q (ρx (v)) ,

N (v) = −q (v) ,

logo
q (ρx (v)) = q (v)
para todo v ∈ V e portanto ρx ∈ O (V ). ■

15.5 Grupos Pin e Spin

O fato que ker ρ = R∗ mostra que o grupo de Clifford Γp,q é maior do que o necessário para descrever
morfismos lineares métricos. Através de um processo de normalização um subgrupo menor pode ser utilizado.
Isso equivale a utilizarmos rotores (vetores unitários) para reflexões e rotações, como vimos no capı́tulo
Álgebra Geométrica, já que na operação de conjugação, as normas de x e x−1 se cancelam.
15.29 Definição. Se V é um espaço vetorial métrico, definimos o grupo pinor por

Pinp,q = ker N

e o grupo spinor por

Spinp,q = Pinp,q ∩Γ+
p,q .

336
15.5. GRUPOS PIN E SPIN

Em outras palavras,

Pinp,q = x ∈ Clp,q : xvx−1 ∈ V para todo v ∈ V e N (x) = 1 ,

Spinp,q = x ∈ Cl+
p,q : xvx
−1
∈ V para todo v ∈ V e N (x) = 1 .

15.30 Teorema. Se V é um espaço vetorial métrico de assinatura (p, q), então as restrições

ρ : Pinp,q −→ Op,q ,
ρ : Spinp,q −→ SOp,q ,

são sobrejetivos.
Além disso, em ambos os casos
ker ρ = Z2 = {−1, 1} .

Prova: Caso Pinp,q .

Pelo Lema 15.28 temos um morfismo de grupos

ρ : Pinp,q −→ Op,q .

Pela Proposição 7.14, toda isometria F ∈ Op,q se escreve como um produto de reflexões Hvi por hiperplanos
ortogonais ao vetor vi , que podemos tomar unitário:

F = Hv1 · · · Hvk .

Pela Proposição 15.16,

Hv i = ρ v i ,
logo
F = ρv1 · · · ρvk = ρv1 ···vk .
Finalmente,
ker ρ|Pinp,q = ker ρ ∩ ker N = {t ∈ R∗ : N (t) = 1} = {−1, 1} .

Caso Spinp,q .
Primeiro mostramos que
ρ Spinp,q ⊂ SOp,q .

Suponha por absurdo que existe x ∈ Spinp,q = Pinp,q ∩Γ+

p,q tal que

ρx ∈ Op,q \ SOp,q ,

de modo que ρx é a composta de um número ı́mpar de reflexões:

ρx = ρv1 · · · ρv2k+1 .

Então
ρx = ρv1 ···v2k+1 ,
logo
x−1 v1 · · · v2k+1 ∈ ker ρ = R∗
e existe λ ∈ R∗ tal que
x−1 v1 · · · v2k+1 = λ,

337
15.5. GRUPOS PIN E SPIN

donde
1
x= v1 · · · v2k+1 ,
λ
contradizendo o fato que x tem grau par.
A mesmo idéia mostra que
ρ : Spinp,q −→ SOp,q
é sobrejetivo, pois toda isometria F ∈ SOp,q se escreve como um produto par de reflexões por vetores
unitários

F = Hv1 · · · Hv2k
= ρv1 ···v2k
= ρv1 ···v2k

e
v1 · · · v2k ∈ Γ+
p,q .

■
Vários exemplos de cálculo de Pinn , Spinn podem ser encontrados em [GH], Seção 30.4, pp. 1146–1152;
vários exemplos de cálculo de Pinp,q , Spinp,q podem ser encontrados em [GH], Seção 30.5, pp. 1154–1157.
Topologicamente, os grupos Pinp,q , Spinp,q são recobrimentos duplos universais de Op,q , SOp,q , respecti-
vamente (veja [GH], Seção 30.6).

338
Capı́tulo 16

Classificação de Álgebras de Clifford

As álgebras Clifford Clp,q podem ser construı́das como produtos tensoriais das álgebras K = R, C e H. Para
os resultados a seguir veja [GH] e as referências lá.
16.1 Proposição. Valem os isomorfismos

Mn (R) ⊗ Mm (R) ∼
= Mnm (R) ,

Mn (R) ⊗R K ∼
= Mn (K) ,

C ⊗R C ∼
= C ⊕ C,

C ⊗R H ∼
= M2 (C) ,

∼ M4 (R) .
H ⊗R H =

16.2 Lema. Valem os isomorfismos

Cl0,1 ∼
= C,
Cl1,0 ∼
= R ⊕ R,

e
Cl0,2 ∼
= H,
∼ M2 (R) ,
Cl2,0 =
∼ M2 (R) .
Cl1,1 =

16.3 Lema. Valem os isomorfismos

Cl0,n+2 ∼
= Cln,0 ⊗ Cl0,2 ∼
= Cln,0 ⊗H,
Cln+2,0 = Cl0,n ⊗ Cl2,0 ∼
∼ = Cl0,n ⊗M2 (R) ,
Clp+1,q+1 ∼
= Clp,q ⊗ Cl1,1 ∼
= Clp,q ⊗M2 (R) .

339
16.4 Teorema (Periodicidade das Álgebras de Clifford). Valem os isomorfismos

Cl8,0 ∼
= Cl0,8 ∼
= M16 (R)

e
Cl0,n+8 ∼
= Cl0,n ⊗ Cl0,8 ,
Cln+8,0 ∼
= Cln,0 ⊗ Cl8,0 .

16.5 Corolário. Vale a tabela

n 0 1 2 3 4 5 6 7 8
Cl0,n R C H H ⊕ H M2 (H) M4 (C) M8 (R) M8 (R) ⊕ M8 (R) M16 (R)
Cln,0 R R⊕R M2 (R) M2 (C) M2 (H) M2 (H) ⊕ M2 (H) M4 (H) M8 (C) M16 (R)

340
Referências Bibliográficas

[Axler] S. AXLER, Linear Algebra Done Right, 3rd. Ed., Springer, 2015.
[Bueno] H. P. BUENO, Álgebra Linear: um segundo curso, IMPA, 2006.
[DFM] Leo DORST, Daniel FONTIJNE e Stephen MANN, Geometric Algebra for Computer
Science, Elsevier, 2007.
[GH] Jean GALLIER e Jocelyn QUAINTANCE, Notes on Differential Geometry and Lie
Groups, Internet (edição de 1 de novembro de 2017).
[HK] K. HOFFMAN e R. KUNZE, Linear Algebra, 2nd. Ed., Prentice Hall, 1971.

[HS] M. HIRSCH e S. SMALE, Differential Equations, Dynamical Systems and Linear Al-
gebra, Academic Press, New York, 1974.
[Lang] S. LANG, Álgebra Linear, 3a. Ed., Editora Ciência Moderna, 2004.
[Lee 1] John M. LEE, Introduction to Smooth Manifolds, 2nd Edition, Graduate Texts in
Mathematics 218, Springer, 2012.
[Roman] S. ROMAN, Advanced Linear Algebra, 3rd. Ed., Springer, 2007.
[Strang] G. STRANG, Linear Algebra and its Applications, 3rd. Ed., Brooks Cole, 1988.
[VR] Jayme VAZ, Jr. e Roldão da ROCHA, Jr., An Introduction to Clifford Algebras and
Spinors, Oxford, 2016.

341