Gentil, o iconoclasta
Contracapa
Pelo que temos constatado não é difícil encontrar alunos que tenham cursado a disciplina álgebra linear e que, ao término, não sabem o que é um vetor. Dentre algumas possíveis explicações para este paradoxo gostaria de destacar uma em especial: o condicionamento. Com efeito, muitos alunos chegam nesta disciplina condicionados, por seus estudos anteriores, a imaginar que um vetor é um ente que possui módulo, direção e sentido. Se isto é verdade na física na matemática é integralmente falso.
Insistimos: na matemática um vetor não possui módulo, não possui direção, não possui sentido. Isto se deve a que as definições deste ente (vetor) são distintas nestas duas disciplinas. Embora, através de um malabarismo os vetores da física possam ser incluídos entre os vetores da matemática (como um caso especial), os vetores desta última vão muito mais além. A princípio são “pontos” em um espaço abstrato; e pontos não possuem nem módulo (comprimento), nem direção e nem sentido. Alguns vetores da matemática:
Para estes vetores não existe módulo, direção e sentido.
Gentil, o iconoclasta
´ ALGEBRA LINEAR (COMENTADO)
Gentil, o iconoclasta
1a edi¸c˜ao
Boa Vista-RR Edi¸c˜ao do autor 2016
c 2016 Gentil Lopes da Silva Copyright
Todos os direitos reservados ao autor Site do autor → www.profgentil.com.br email →
[email protected]
Editora¸ c˜ ao eletrˆ onica e Diagrama¸ c˜ ao: Gentil Lopes da Silva Capa: Adriano J. P. Nascimento
Ficha Catalogr´ afica S586a
Silva, Gentil Lopes da ´ Algebra linear: Comentado/Gentil Lopes da Silva. -Manaus; Boa Vista-RR: Editora Uirapuru, 2016 x, 443 p. il. 16x23 cm [Formato e-book] [Pseud^ onimo: Gentil, o iconoclasta] ISBN 978-85-63979-09-4
1. 3. 5.
Matem´ atica. 2. Vetores C´ odigos 4. N´ umeros complexos Gentil, o iconoclasta. I. T´ ıtulo. CDU:512.5
(Ficha catalogr´afica elaborada por Bibliotec´ aria Zina Pinheiro CRB 11/611)
2
Pref´ acio Via de regra o que se faz em um pref´acio ´e discorrer sobre o conte´ udo da obra. Nos dispensamos deste of´ıcio em raz˜ ao de que o leitor, se assim o desejar, pode apreciar o conte´ udo deste livro a partir do (extenso) sum´ario, dado logo a seguir. Aproveito este pref´acio para fazer algumas elucubra¸c˜oes incluindo a Matem´atica em si, as quais julgo de alguma relevˆancia. Este livro n˜ ao nasceu de notas de sala de aula; ´e um livro de “fundo de quintal”, escrito em minha pr´ opria casa (a “uma m˜ aos”, isto ´e, “eu e eu”), confesso que uma das motiva¸c˜ oes para escrevˆe-lo foi meu v´ıcio em rela¸c˜ao ao processador de texto LATEX 2ε e, em especial, pelo ambiente de figuras pspicture o qual utilizo como uma verdadeira terapia − em raz˜ ao disto existe neste livro um n´ umero excessivo de figuras. Resumindo: pode-se dizer que tomei a decis˜ ao de escrever este livro como A um pretexto para desenhar figuras no L TEX 2ε . ´ Por outro lado, existem dezenas e dezenas de livros de Algebra Linear em portuguˆes (sem falar nos estrangeiros) dispon´ıveis para alunos e interessados nesse importante ramo da matem´ atica, sendo assim uma pergunta pertinente seria: por que mais um? Respondo invocando uma analogia com a impress˜ ao ao digital ´e u ´nica os indigital. Assim como a impress˜ div´ıduos s˜ ao u ´nicos, em particular os autores s˜ ao u ´nicos, o que implica dizer que suas obras s˜ ao u ´nicas; isto ´e, den´ tre as centenas de livros de Algebra Linear n˜ ao existem dois iguais − ou ainda: todos os livros s˜ ao distintos dois a dois; portanto o presente livro ´e u ´nico no sentido em que reflete minha individualidade. Ademais, acreditamos − por v´arias raz˜ oes − que o aluno de matem´ atica deva ter ` a sua disposi¸c˜ ao mais que um livro da disciplina que esteja apren´ dentro deste contexto que situa-se esta obra, ou seja: nela o aluno dendo. E ter´ a mais uma op¸c˜ ao para auxili´a-lo no seu aprendizado. Por outro lado, acontece com as v´arias obras (livros) sobre um mesmo assunto o mesmo que acontece no universo da m´ usica; para uma mesma can¸c˜ao podem existir dezenas de interpreta¸c˜oes diferentes executadas por m´ usicos distintos, n˜ ao vejo nenhum mal nisto, pelo contr´ ario ´e at´e salutar no sentido de nos disponibilizar um maior n´ umero de op¸c˜oes. Um aspecto relevante a ser ressaltado ´e quanto as demonstra¸c˜oes matem´ aticas. Existem autores que preferem as demonstra¸c˜oes mais curtas e elegantes; n˜ ao ´e o meu caso, explico: para minha aprecia¸c˜ao particular prefiro as mais curtas e elegantes, n˜ ao obstante, como autor, digo, quando estou transmitindo uma ideia ao estudante a´ı ´e diferente no sentido de que a demonstra¸c˜ ao mais curta nem sempre ´e a mais did´ atica e compreens´ıvel ao aluno. 3
Ademais, uma demonstra¸c˜ao compacta n˜ ao raro esconde (camufla) a interrela¸c˜ ao dos conceitos envolvidos, muitas vezes n˜ ao mostra como as ideias est˜ ao interconectadas (imbrincadas); assim ´e que, por exemplo, uma demonstra¸c˜ ao de apenas trˆes linhas em livros congˆeneres, aqui deliberadamente a fazemos at´e em uma p´ agina inteira − dando ˆenfase `a articula¸c˜ao dos conceitos envolvidos. Concordo integralmente com o pensamento do matem´ atico Chaitin, expresso a seguir Se uma prova ´e “elegante” , se for o resultado de duzentos anos de enjoado polimento, ela ser´ a t˜ ao inescrut´ avel como uma direta revela¸ca ˜o divina, e ser´ a imposs´ıvel adivinhar como algu´em poderia tˆe-la descoberto ou inventado. Ela n˜ ao lhe fornecer´ a nenhum insight, nada, provavelmente nada em absoluto. (Gregory Chaitin/Metamat!) Ainda com respeito ` a filosofia adotada neste livro, despendemos um esfor¸co consider´avel no sentido de conduzir o aluno `a compreens˜ ao das sutilezas ´ (imbrica¸c˜ oes) envolvidas num assunto abstrato como a Algebra Linear − da´ı o subt´ıtulo do livro “Comentado”−; existe uma grande diferen¸ca entre operar e compreender; por exemplo, o fato de algu´em operar um controle remoto, celular ou software computacional, n˜ ao significa que este algu´em tenha compreens˜ ao dos mecanismos subjacentes `a sua opera¸c˜ao, exatamente da mesma forma muitas vezes acontece no que diz respeito `a pr´ atica da ´ matem´ atica. Obvio, ningu´em precisa saber como funciona internamente um celular para usufruir de seus benef´ıcio; penso que ´e diferente para um estudante de matem´ atica, qui¸c´a futuro professor, ´e a este que esta observa¸c˜ao se destina. Alguns pr´e-requisitos ao estudo deste livro, como por exemplo, matrizes, corpos e t´ecnicas de demonstra¸co ˜es matem´ aticas, foram reunidos em um cap´ıtulo − o u ´ltimo do livro − denominado de “Consultas”, para consultas e referˆencias. Uma justificativa: Fazer a diagrama¸c˜ao de um livro com textos apenas n˜ ao ´e dif´ıcil, bastante dif´ıcil ´e a diagrama¸c˜ao de um livro com muitas f´ormulas e figuras, como ´e o caso do presente. Como se n˜ ao bastasse, por raz˜ oes did´ aticas, muitas vezes mi vi na situa¸c˜ao de for¸car a que a explica¸c˜ao de um determinado contexto ficasse em uma u ´nica p´ agina, ao inv´es de em duas p´ aginas separadas; assim ´e que, para n˜ ao desperdi¸car espa¸cos em branco, em algumas p´ aginas tomei a decis˜ ao de colocar (registrar) algumas informa¸c˜ oes (“pensamentos”) notadamente nas ´areas da matem´ atica, f´ısica e filosofia − a escolha destes pensamentos reflete de certo modo minhas inclina¸co ˜es metaf´ısicas atuais, assim ´e que as julgo de alguma relevˆancia. Gentil, o iconoclasta Boa Vista-RR, 20 de fevereiro de 2016.
4
Sum´ario
1 ESPAC ¸ OS VETORIAIS 1.1 Introdu¸c˜ ao: . . . . . . . . . . . . . . . . . . . . . . . 1.2 Espa¸cos Vetoriais . . . . . . . . . . . . . . . . . . . . 1.2.1 Produto de Vetores . . . . . . . . . . . . . . . 1.2.2 Primeiras Propriedades num Espa¸co Vetorial 1.2.3 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . 1.2.4 Subespa¸cos Vetoriais . . . . . . . . . . . . . . 1.2.5 Soma de Subespa¸cos . . . . . . . . . . . . . . 1.2.6 Combina¸c˜ oes Lineares . . . . . . . . . . . . . 1.2.7 Espa¸cos Vetoriais Finitamente Gerados . . . 1.2.8 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . ˜ 2 BASE E DIMENSAO 2.1 Dependˆencia Linear . . . . . . . . . . . . . . 2.1.1 Exerc´ıcios . . . . . . . . . . . . . . . . 2.1.2 Propriedades da Dependˆencia Linear . 2.2 Base de um Espa¸co Vetorial . . . . . . . . . . 2.3 Dimens˜ ao de um Espa¸co Vetorial . . . . . . . 2.3.1 Dimens˜ ao da Soma de dois Subespa¸cos 2.3.2 Exerc´ıcios . . . . . . . . . . . . . . . . 2.4 Coordenadas . . . . . . . . . . . . . . . . . . 2.5 Mudan¸ca de Base . . . . . . . . . . . . . . . . 2.5.1 Exerc´ıcios . . . . . . . . . . . . . . . . • Apˆendice . . . . . . . . . . . . . . . . . . . . . . ˜ 3 TRANSFORMAC ¸ OES LINEARES 3.1 No¸c˜ oes sobre Transforma¸c˜oes, Fun¸c˜oes 3.2 Transforma¸c˜ oes Lineares . . . . . . . . Uma transforma¸c˜ ao linear especial . 3.2.1 Exerc´ıcios . . . . . . . . . . . . 5
. . . .
. . . .
. . . .
. . . .
. . . . . . . . . . .
. . . .
. . . . . . . . . . .
. . . .
. . . . . . . . . . .
. . . .
. . . . . . . . . . .
. . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
9 9 12 42 43 50 53 62 67 72 74
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
79 79 87 89 92 97 102 105 109 112 122 125
. . . .
127 . 127 . 134 . 141 . 153
. . . .
. . . .
. . . .
3.3 3.4
N´ ucleo e Imagem . . . . . . . . . . . . . . . . . . . . . . . . . 155 Isomorfismo entre espa¸cos vetoriais . . . . . . . . . . . . . . . 168 3.4.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . . 181
˜ LINEAR 4 MATRIZ DE UMA TRANSFORMAC ¸ AO 4.1 Matriz de uma Transforma¸c˜ao Linear . . . . . . . . . . 4.1.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . 4.2 Opera¸c˜ oes com Transforma¸c˜oes Lineares . . . . . . . . 4.3 Matriz da Transforma¸c˜ao Composta . . . . . . . . . . 4.3.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . 4.4 Espa¸co Dual . . . . . . . . . . . . . . . . . . . . . . . . 4.4.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . 4.5 Matrizes Semelhantes . . . . . . . . . . . . . . . . . . 4.6 Transforma¸c˜ oes do Plano no Plano . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
185 185 198 203 208 222 224 230 231 237
5 ESPAC ¸ OS COM PRODUTO INTERNO 5.1 Produto Interno . . . . . . . . . . . . . . 5.2 Produto Interno e Norma . . . . . . . . . 5.3 Normas e Distˆ ancias . . . . . . . . . . . . ˆ 5.4 Angulo entre vetores . . . . . . . . . . . . 5.5 Ortogonaliza¸c˜ ao . . . . . . . . . . . . . . . 5.6 Isometrias . . . . . . . . . . . . . . . . . . 5.6.1 Exerc´ıcios . . . . . . . . . . . . . . 5.7 Operadores Autoadjuntos . . . . . . . . . 5.7.1 Exerc´ıcios . . . . . . . . . . . . . . 5.8 Espa¸cos Vetoriais Complexos . . . . . . . 5.8.1 Espa¸cos Hermitinianos . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
257 257 263 270 283 287 301 307 311 315 317 318
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
6 AUTOVALORES E AUTOVETORES 6.1 Vetor Pr´oprio e Valor Pr´oprio . . . . . . . . . . . . . . . . . 6.1.1 Propriedades dos vetores pr´ oprios e valores pr´ oprios 6.1.2 Polinˆ omio Caracter´ıstico . . . . . . . . . . . . . . . . 6.1.3 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . 6.2 Diagonaliza¸c˜ ao de matrizes e operadores . . . . . . . . . . . 6.2.1 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . 6.2.2 Diagonaliza¸c˜ao de operadores autoadjuntos . . . . . 6.2.3 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . 6.3 Aplica¸c˜ oes da Diagonaliza¸c˜ao . . . . . . . . . . . . . . . . . 6.3.1 Potˆencias de uma matriz . . . . . . . . . . . . . . . . 6.3.2 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . 6.3.3 Exerc´ıcios . . . . . . . . . . . . . . . . . . . . . . . . 6
321 . 321 . 326 . 329 . 339 . 341 . 348 . 349 . 358 . 359 . 359 . 362 . 369
´ 7 FORMAS BILINEARES E QUADRATICAS 7.1 Formas Bilineares . . . . . . . . . . . . . . . . . 7.1.1 Matriz de uma forma bilinear . . . . . . 7.1.2 Formas bilineares sim´etricas . . . . . . . 7.1.3 Formas bilineares antissim´etricas . . . . 7.1.4 Exerc´ıcios . . . . . . . . . . . . . . . . . 7.2 Formas Quadr´aticas . . . . . . . . . . . . . . . 7.2.1 Diagonaliza¸c˜ ao de formas quadr´ aticas . 7.2.2 Exerc´ıcios . . . . . . . . . . . . . . . . . 7.2.3 Redu¸c˜ ao de formas quadr´ aticas . . . . . 7.3 Classifica¸c˜ ao de Cˆ onicas e Qu´ adricas . . . . . . 7.3.1 Se¸c˜ oes cˆ onicas . . . . . . . . . . . . . . 7.3.2 Exerc´ıcios . . . . . . . . . . . . . . . . . 7.3.3 Qu´ adricas . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
371 371 374 379 383 388 391 393 394 395 398 398 415 416
8 CONSULTAS 8.1 Opera¸c˜ oes em um Conjunto . . . . . . . . . . . 8.2 Corpos . . . . . . . . . . . . . . . . . . . . . . . 8.3 Matrizes . . . . . . . . . . . . . . . . . . . . . . 8.3.1 Matrizes Invers´ıveis . . . . . . . . . . . 8.4 Elementos de L´ ogica & Demonstra¸c˜oes . . . . . 8.4.1 Opera¸c˜ oes L´ ogicas sobre Proposi¸c˜oes . . 8.4.2 T´ecnicas (Engenharia) de Demonstra¸c˜ao
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
419 419 420 424 428 429 430 434
∗
∗
∗
Gentil, O Iconoclasta, Nasceu em Boa Vista-RR, em 1960, ´ e graduado em engenharia eletrˆ onica (UFPA/1986) e ´ e mestre em matem´ atica (UFSC/1997). Atualmente ´ e professor do departamento de matem´ atica da Universidade Federal de Roraima. At´ e o presente momento conta com oito livros publicados.
7
Livros Publicados (Enderˆ ec¸os de acesso) 1- Novas Seq¨ u^ encias Aritm´ eticas e Geom´ etricas Bras´ılia-DF: Thesaurus, 2000; 448 p.
ISBN: 85-7062-200-X
Nota: N˜ao temos o arquivo eletrˆ onico deste livro, apenas impresso. Visite nosso site: www.profgentil.com.br ATICA (Uma Constru¸ c~ ao Matem´ atica de Deus) 2- O TAO DA MATEM´ Rio de Janeiro: LetraCapital, 2011; 500 p. ISBN: 978-85-7785-096-9 ebah slideshare scribd https://goo.gl/2nRS8x https://goo.gl/FbuJHV https://goo.gl/0HDswb c~ ao e Julgamento de Deus 3- Exuma¸ Taguatinga-DF: Editora Kiron, 2012; 197 p. ISBN: 978-85-8113-054-5 ebah slideshare scribd https://goo.gl/sTLFvv https://goo.gl/ppNBaE https://goo.gl/JbUw6h cos M´ etricos (com aplica¸ c~ oes) 4- Espa¸ Taguatinga-DF: Editora Kiron, 2013; 628 p. ISBN: 978-85-8113-125-2 ebah slideshare scribd https://goo.gl/OOaBBk https://goo.gl/R6MfVj https://goo.gl/yfqclG ANTICO (Um Deus pra homem nenhum botar defeito, 5- O DEUS QU^ mesmo que esse homem seja um ateu) Manaus-AM: Grafisa, 2014; 235 p. ISBN: 978-85-99122-40-2 ebah slideshare https://goo.gl/Gj36Wj https://goo.gl/JoPzzX
scribd https://goo.gl/A0Pnbc
6- Programando a HP 50g (Com Programa¸ c~ ao Simb´ olica) 2.a Edi¸c˜ao Manaus-AM: Grafisa, 2015; 364 p. ISBN: 978-85-99122-41-9 ebah slideshare https://goo.gl/M9zz9u https://goo.gl/lr8k0a
scribd https://goo.gl/nUCVW7
umeros (Tudo o que voc^ e gostaria de saber 7- Fundamentos dos N´ sobre os n´ umeros mas n~ ao tinha a quem perguntar) Publica¸c˜ ao Eletrˆonica, 2016; 514 p. ISBN: 978-85-63979-08-7 ebah slideshare scribd https://goo.gl/8YVCPB https://goo.gl/Ah5m0g https://goo.gl/mkl0PG 8
Cap´ıtulo
1
ESPAC ¸ OS VETORIAIS Quando o esp´ırito se apresenta ` a cultura cient´ıfica, nunca ´ e jovem. Ali´ as ´ e bem velho, porque tem a idade de seus preconceitos.
Aceder ` a ciˆ encia ´ e reju-
e aceitar uma venescer espiritualmente, ´ brusca muta¸c˜ ao que contradiz o passado. (Gaston Bachelard)
1.1
Introdu¸ c˜ ao:
Pelo que tenho constatado n˜ ao ´e dif´ıcil encontrar alunos que tenham cursado a disciplina ´ algebra linear e que, ao t´ermino, n˜ ao sabem o que ´e um vetor. Dentre algumas poss´ıveis explica¸c˜oes para este paradoxo gostaria de destacar uma em especial: o condicionamento∗ . Com efeito, muitos alunos chegam nesta disciplina condicionados, por seus estudos anteriores, a imaginar que um vetor ´e um ente que possui m´ odulo, dire¸ca ˜o e sentido. Se isto ´e verdade na f´ısica na matem´ atica ´e integralmente falso. Reitero: na matem´ atica um vetor n˜ ao possui m´ odulo, n˜ ao possui dire¸c˜ao, n˜ ao possui sentido. Isto se deve a que as defini¸co ˜es deste ente (vetor) s˜ ao distintas nestas duas disciplinas. Embora, atrav´es de um malabarismo os vetores da f´ısica possam ser incluidos entre os vetores da matem´ atica (como um caso especial), os vetores desta u ´ltima v˜ao muito mais al´em. A princ´ıpio s˜ ao “pontos” em um espa¸co abstrato; e pontos n˜ ao possuem nem m´ odulo (comprimento), nem dire¸c˜ao e nem sentido. ∗
Ou os preconceitos, da cita¸c˜ ao em ep´ıgrafe.
9
Esta abstra¸c˜ ao na defini¸c˜ao matem´ atica (de vetor) implica numa maior flexibilidade e, por conseguinte, os vetores da matem´ atica resultam de uma potˆencia − em termos de aplicabilidade − muito maior que os da f´ısica. Pouco a pouco, procuro liberar suavemente o esp´ırito dos alunos de seu apego a imagens privilegiadas. Eu os encaminho para as vias da abstra¸ca ˜o, esfor¸cando-me para despertar o gosto pela abstra¸ca ˜o. Enfim, acho que o primeiro princ´ıpio da educa¸ca ˜o cient´ıfica ´e, no reino intelectual, esse ascetismo que ´e o pensamento abstrato. S´ o ele pode levar-nos a dominar o conhecimento experimental. (Bachelard/A forma¸ca ˜o do esp´ırito cient´ıfico)
´ Creio mesmo que muitos autores de livros de Algebra Linear contribuem para refor¸car o condicionamento (adestramento) dos alunos em verem um vetor com os atributos citados. Mesmo no “plano” e no “espa¸co” (R2 e R3 ) n˜ ao ´e necess´ario que se veja um vetor com m´ odulo, dire¸ca˜o e sentido; estes atributos s˜ ao perfeitamente dispens´ aveis, tanto isto ´e verdade que escrevemos o presente livro sobre vetores sem utilizar uma u ´nica “seta vetorial”. Claro, poderia-se argumentar: usa-se setinhas para facilitar o entendimento do aluno, para tornar algo abstrato em algo concreto, etc. Mesmo assim cremos que os malef´ıcios desta postura s˜ ao maiores que os benef´ıcios, mesmo porque ´e precisamente a capacidade de abstra¸c˜ao que deve ser desenvolvida no aluno e n˜ ao seus sentidos: vis˜ao, tato, audi¸c˜ao, etc. Estamos integralmente de acordo com o eminente Bachelard. Enfatizamos: Os vetores da f´ısica possuem m´ odulo, dire¸ c˜ ao e sentido. Os vetores da matem´ atica n˜ ao possuem m´ odulo, n˜ ao possuem dire¸ c˜ ao, n˜ ao possuem sentido.
θ
Por exemplo, como veremos, s˜ ao vetores da matem´ atica:
(3, 2) , Ponto do R2
1 0 0 1 0 3 Matriz
,
p(x) = 2 + 3 x − x2 , Polin^ omio
10
00110100 C´ odigo bin´ ario
Processar s´ımbolos n˜ ao ´ e o mesmo que processar significado Um outro aspecto relevante que o aluno deve se dar conta ´e o de que, em ao ´e o mesmo que processar significados. matem´ atica, processar s´ımbolos n˜ ´ E o que se d´ a com um n´ umero significativo de estudantes: processam (manipulam) s´ımbolos, mas n˜ ao os significados por tr´ as dos s´ımbolos. Uma analogia: o fato de algu´em usar (operar) um controle remoto ou um celular n˜ ao significa que este algu´em compreenda como estes objetos funcionam, entre operar e compreender existe uma enorme distˆ ancia.
Um desafio a engenheiros e f´ısicos Apenas para contextualizar, sinceramente creio que nenhum engenheiro, ou f´ısico, ´e capaz de resolver a seguinte equa¸c˜ao do primeiro grau: 2x + 1 = 7
(1.1)
tomando-se como conjunto universo os naturais, isto ´e, N = { 0, 1, 2, 3, . . . }. Claro, at´e por inspe¸ca ˜o chega-se `a solu¸c˜ao correta: x = 3. Entretanto, quando digo resolver significa que, partindo-se da equa¸c˜ao, deve-se chegar ao resultado x = 3. 2x + 1 = 7
⇒
···
⇒
x = 3 (?)
E n˜ ao apenas isto, mas tamb´em justificar (provar) todos os passos intermedi´ arios. Neste conjunto n˜ ao contamos com oposto aditivo e inverso multiplicativo. Os iniciantes n˜ ao est˜ ao preparados para o verdadeiro rigor matem´ atico; s´ o veriam nisso v˜ as e fastidiosas sutilezas, perder´ıamos nosso tempo se quis´essemos, cedo demais, torn´ a-los mais exigentes. (Poincar´e/A Ciˆencia e a Hip´ otese)
A calculadora HP50g resolve a equa¸c˜ao 2 x + 1 = 7 em fra¸c˜oes de segundos − Por sinal, equa¸c˜oes muito mais complexas que esta. Um computador processa s´ımbolos mas n˜ ao significado. O c´erebro da maioria de indiv´ıduos que lida com a matem´ atica apenas processa (manusea) s´ımbolos − tal como a HP50g.
2 x+1=7 x=3
Quando, no ensino fundamental, o professor afirma, por exemplo, que “mais vezes menos d´ a menos” e que “sinais diferentes, subtrai e d´ a-se o sinal do maior ” ele est´ a simplesmente dando um comando de programa¸c˜ao aos alunos; programando-os, tal qual um engenheiro programou a calculadora HP. 11
1.2
Espa¸ cos Vetoriais A abstra¸ca ˜o desobstrui o esp´ırito, o torna mais leve e dinˆ amico. (Gaston Bachelard)
Assim como um engenheiro, ou um arquiteto, constr´oi suas estruturas, igualmente os matem´ aticos constroem as suas. Daremos in´ıcio agora ao estudo de uma das estruturas mais importantes da matem´ atica: Espa¸co Vetorial. Os espa¸cos vetoriais constituem os objetos de estudo da ´algebra linear. ao ´e um conjunto mas sim uma estrutura (p. 19), Um espa¸co vetorial n˜ e, para construirmos uma de tais estruturas, iremos necessitar de algumas ferramentas; mais precisamente de quatro ferramentas, quais sejam: 1a ) Um conjunto V ; 2a ) Um corpo K; (p. 420) a ao sobre os elementos de V , a qual chamaremos de adi¸ca ˜o 3 ) Uma opera¸c˜ e denotaremos por + ; assim: + : V × V −→ V
(u, v) 7−→ u + v
4a ) Uma opera¸c˜ ao entre um n´ umero de K e um elemento de V , a qual chamaremos de multiplica¸ca ˜o por escalar e denotaremos por · ; assim: · : K × V −→ V
(λ, u) 7−→ λ · u
Este ´e apenas o primeiro passo para a constru¸c˜ao da nossa estrutura. Um segundo passo ´e que estas opera¸c˜oes satisfa¸cam alguns requisitos, a saber: − Exigˆ encias (axiomas) para a adi¸ c˜ ao: Para quaisquer u, v e w, elementos de V , devemos ter:
A1) u + v = v + u A2) (u + v) + w = u + (v + w)
(Comutativa) (Associativa)
A3) Existe em V um elemento, denotado por 0, detentor da seguinte propriedade: ∗ (Elemento neutro) u + 0 = u; ∀ u ∈ V.
A4) Para todo elemento u de V existe um outro elemento de V , denotado por −u, detentor da seguinte propriedade: u + (−u) = 0
(Elemento oposto)
∗ Importante: Escolhemos o “zero em negrito” para representar o vetor nulo (que est´ a em V ), com o objetivo de distingui-lo do n´ umero 0 (que est´ a em K).
12
− Exigˆ encias (axiomas) para a multiplica¸ c˜ ao: Para quaisquer u e v em V e quaisquer λ e µ em K, devemos ter: M1) λ · ( µ · u ) = (λ · µ) · u
(Associativa)
M2) ( λ + µ ) · u = λ · u + µ · u M3) λ · ( u + v ) = λ · u + λ · v
(Distributiva) (Distributiva)
M4) 1 · u = u
∗
(elemento neutro) ∗
∗
O matem´ atico alem˜ ao Hermann Grassmann (1809 − 1877) ´e geralmente creditado como o primeiro a introduzir a id´eia de um espa¸co vetorial (apesar de n˜ ao o ter chamado assim), em 1844. Infelizmente, seu trabalho era muito dif´ıcil de ler e n˜ ao recebeu a aten¸ca ˜o que merecia. Uma pessoa que realmente o estudou foi o matem´ atico italiano Giuseppe Peano (1858 − 1932). Em seu livro Calcolo geometrico, de 1888, Peano tornou claro o trabalho anterior de Grassmann e descreveu os axiomas para um espa¸co vetorial da maneira como hoje os conhecemos. A defini¸ca ˜o axiom´ atica de um espa¸co vetorial feita por Peano tamb´em teve pouca influˆencia por muitos anos. A aceita¸ca ˜o s´ o veio em 1918, depois que Hermann Weyl (1885 − 1955) a repetiu em seu livro Space, time, matter, uma introdu¸ca ˜o ` a teoria da relatividade geral de Einstein.
Uma exegese da defini¸c˜ ao de Espa¸co Vetorial A tripla (V, +, · ) ´e o que entendemos por um espa¸co vetorial. Ao construirmos uma estrutura de espa¸co vetorial sobre um conjunto V , seus elementos adquirem o status de vetores, independentemente de suas naturezas. Por uma quest˜ ao de conveniˆencia (simplifica¸c˜ao) usaremos da seguinte nota¸c˜ao: V = (V, +, ·) Com isto queremos evocar na mente do aluno que V ´e o espa¸co vetorial (estrutura) que foi construido (erigido) sobre o conjunto V . Nota: Na verdade, ao longo deste livro, ami´ ude estaremos utilizando (indistintamente) a mesma nota¸c˜ ao V tanto para o espa¸co vetorial quanto para o conjunto subjacente ` a estrutura; entretanto, para que n˜ ao se perca de vista a diferen¸ca entre ambos ´e que ocasionalmente voltaremos − a nosso crit´erio − com a nota¸c˜ ao V para o espa¸co vetorial. Estaremos, ademais, omitindo o “ponto” na multiplica¸c˜ao por escalar; digo, escreveremos λ u ao inv´es de λ · u.
− Os axiomas para espa¸co vetorial naturalmente se dividem em dois grupos; os quatro primeiros dizem respeito somente `a estrutura aditiva de V, os quatro u ´ltimos referem-se ` a a¸c˜ ao do corpo de escalares sobre o espa¸co V. 13
Observe que no axioma M4) 1 ´e o elemento neutro da multiplica¸c˜ao no corpo, a multiplica¸c˜ ao de espa¸co vetorial ´e uma outra multiplica¸c˜ao − no mais das vezes n˜ ao tem nada a ver com a primeira −, portanto este elemento n˜ ao teria a obriga¸c˜ ao de continuar sendo o elemento neutro de uma outra opera¸c˜ ao, se isto acontece deve ser por decreto (axioma). Quando K = R (resp.: K = Q, K = C), o espa¸co vetorial diz-se real (resp.: racional, complexo). O quadro amarelo a seguir resume o essencial da defini¸c˜ao de espa¸co vetorial. A1) u + v = v + u A2) (u + v) + w = u + (v + w) A3) u + 0 = u; ∀ u ∈ V. A4) ∀ u ∈ V, ∃ − u ∈ V : u + (−u) = 0 M1) λ · ( µ · u ) = (λ · µ) · u M2) ( λ + µ ) · u = λ · u + µ · u M3) λ · ( u + v ) = λ · u + λ · v
V = (V, +, ·)
M4) 1 · u = u
Uma observa¸c˜ ao importante ´e a de que n˜ ao devemos colocar o “carro na frente dos bois ” e chamar os elementos de um conjunto de vetores antes de construirmos − sobre este conjunto − a estrutura de espa¸co vetorial. Oportunamente estaremos exemplificando este aspecto. Adendo: Podemos dizer que um espa¸co vetorial ´e uma obra (estrutura) de “engenharia matem´ atica” cuja planta esbo¸camos assim:
V ×V
V (u, v)
V
r
+
ru+v
V K×V
K (λ, u)
r
V
·
rλu
14
V = (V, +, ·)
Adendo: Antes de prosseguir em nossos estudos, uma observa¸c˜ao que julgamos de alguma relevˆancia: Em matem´ atica existe uma conven¸c˜ao t´acita de que s´ o devemos criar novos s´ımbolos em casos estritamente necess´arios. Em consequˆencia deste acordo ´e que em muitos contextos matem´ aticos um mesmo s´ımbolo pode ter significados distintos. Por exemplo, na exigˆencia M1), isto ´e: M1) λ · ( µ · u ) = (λ · µ) · u Estes trˆes s´ımbolos dizem respeito `a mesma multiplica¸ca˜o (escalar por vetor). Este s´ımbolo diz respeito a uma outra multiplica¸ca˜o (entre escalares e d´ a-se no corpo K)
Na exigˆencia, M2) ( λ + µ ) · u = λ · u + µ · u Estes dois s´ımbolos dizem respeito a adi¸co˜es distintas. A primeira adi¸ca˜o se d´ a entre numeros, a segunda se d´ a entre vetores.
∗
∗
∗
Uma das contribui¸co ˜es definitivas do s´eculo dezenove foi o reconhecimento de que a matem´ atica n˜ ao ´e uma ciˆencia natural, mas uma cria¸ca ˜o intelectual do homem. Bertrand Russel escreveu no International Monthly em 1901: ‘O s´eculo dezenove, que se orgulha da inven¸ca ˜o do vapor e da evolu¸ca ˜o, poderia derivar um t´ıtulo mais leg´ıtimo a ` fama da descoberta da matem´ atica pura.’ Pelo fim do s´eculo era geralmente reconhecido mesmo por n˜ aomatem´ aticos que a matem´ atica ´e pensamento postulacional, em que de premissas arbitr´ arias s˜ ao tiradas conclus˜ oes v´ alidas. Que os postulados sejam ou n˜ ao verdadeiros num sentido cient´ıfico ´e indiferente. (Curso Moderno de Filosofia/Denis Huisman e Andr´ e Vergez)
Nem vocˆe nem eu nem ningu´em sabemos o que faz um matem´ atico vingar. N˜ ao ´e uma quest˜ ao de inteligˆencia. Conhe¸co matem´ aticos mais h´ abeis que eu, mas que n˜ ao tiveram sorte. Considere dois mineiros: um talvez seja perito em geologia, mas ´e o mineiro ignorante quem acha as pepitas douradas. (Louis J. Mordell/matem´ atico britˆ anico)
15
− Exemplos de Espa¸cos Vetoriais Exemplo 1: O espa¸co vetorial R2 .
Para a constru¸ c˜ ao do nosso primeiro exemplo de espa¸co vetorial tomaremos como conjunto V o conjunto de pares ordenados de n´ umeros reais: R2 = (x, y) : x, y ∈ R
cuja vers˜ ao geom´etrica ´e vista a seguir:
R
s(x, y)
R
0
Observe que, at´e o presente momento, n˜ ao podemos dizer que um par ordenado (a, b) seja um vetor; n˜ ao, n˜ ao ´e! (a, b) ´e apenas − e t˜ao somente − um elemento do conjunto R2 ; ou, se preferirmos, um ponto do plano. Precisamos trabalhar um pouco mais para conferir a este ponto o status de vetor. Com este desiderato em mente, tomemos para o corpo de escalares os n´ umeros reais, isto ´e, fa¸camos K = R. Tomemos dois elementos u = (a, b) e v = (c, d) em R2 e um escalar (n´ umero) λ em R e vamos definir a soma de pares ordenados e a multiplica¸c˜ao por escalar do seguinte modo: u + v = (a, b) + (c, d) = (a + c, b + d) λ u = λ (a, b) = (λa, λb)
(1.2) (1.3)
Observe que em (1.2) o mesmo s´ımbolo “+” representa duas opera¸c˜oes distintas: o “+” que comparece entre os pares ordenados ´e a adi¸c˜ao em R2 que estamos definindo, por outro lado, o “+” que comparece mais ´a direita − dentro dos parentesis − ´e a “velha” e conhecida opera¸c˜ao de adi¸c˜ao entre n´ umeros reais. Observa¸c˜ao an´ aloga vale em (1.3).
16
Esta ´e a primeira etapa em nossa constru¸c˜ao. A segunda etapa consiste em mostrar que estas opera¸co˜es, assim definidas, satisfazem a todas as exigˆencias listadas na defini¸c˜ ao de espa¸co vetorial. Sen˜ ao, vejamos: A1)
u + v = (a, b) + (c, d) = (a + c, b + d)
(defini¸c˜ao de adi¸c˜ao)
= (c + a, d + b)
(comutatividade nos reais)
= (c, d) + (a, b)
(defini¸c˜ao de adi¸c˜ao)
=v+u A2)
(u + v) + w = (a, b) + (c, d) + (e, f ) = (a + c, b + d) + (e, f ) = (a + c) + e, (b + d) + f
(defini¸c˜ao de adi¸c˜ao)
(defini¸c˜ao de adi¸c˜ao) = a + (c + e), b + (d + f ) (associatividade nos reais) = (a, b) + (c + e, d + f ) (defini¸c˜ao de adi¸c˜ao) = (a, b) + (c, d) + (e, f ) (defini¸c˜ao de adi¸c˜ao) = u + (v + w)
A3)
∃ 0 = (0, 0) ∈ R2 : ∀ u = (a, b) ∈ R2 , se verifica,
u + 0 = (a, b) + (0, 0) = (a + 0, b + 0)
(adi¸c˜ao)
= (a, b)
(elemento neutro nos reais)
=u A4)
∀ u = (a, b) ∈ R2 , ∃ − u = (−a, −b) ∈ R2 :
u + (−u) = (a, b) + (−a, −b)
= a + (−a), b + (−b) = (0, 0)
(adi¸c˜ao) (oposto aditivo nos reais)
= 0 M1)
λ ( µ u ) = λ ( µ (a, b) ) = λ ( µa, µb ) = λ ( µa, µb )
= λ(µa), λ(µb) = (λµ)a, (λµ)b = (λµ) (a, b ) = (λµ) u 17
(defini¸c˜ao de multiplica¸c˜ao)
(defini¸c˜ao de multiplica¸c˜ao) (associatividade nos reais) (defini¸c˜ao de multiplica¸c˜ao)
M2)
(λ + µ) u = (λ + µ) (a, b) = (λ + µ) a, (λ + µ) b = ( λa + µa, λb + µb )
(defini¸c˜ao de multiplica¸c˜ao) (distributividade nos reais)
= (λa, λb) + (µa, µb) = λ (a, b) + µ (a, b)
(defini¸c˜ao de adi¸c˜ao) (defini¸c˜ao de multiplica¸c˜ao)
= λu + µu M3)
λ(u + v) = λ (a, b) + (c, d) = λ (a + c, b + d) = λ (a + c, b + d)
(defini¸c˜ao de adi¸c˜ao)
(defini¸c˜ao de multiplica¸c˜ao)
= ( λa, λb ) + ( λc, λd )
(defini¸c˜ao de adi¸c˜ao)
= λ(a + c), λ(b + d) = ( λa + λc, λb + λd ) = λ(a, b) + λ(c, d)
(distributividade nos reais) (defini¸c˜ao de multiplica¸c˜ao)
= λu + λv M4)
1 u = 1 (a, b) = ( 1 a, 1 b )
(defini¸c˜ao de multiplica¸c˜ao)
= (a, b)
(elemento neutro nos reais)
=u Nota¸ c˜ ao: ( R2 , +, · ) = R2 ´e o espa¸co vetorial R2 . Nota: Somente agora, ap´ os termos provado que a adi¸c˜ao definida em (1.2) satisfaz as exigˆencias A1), . . . , A4), e que a multiplica¸c˜ao, definida em (1.3) satisfaz as exigˆencias M1), . . . , M4) ´e que podemos chamar os pontos (a, b), do plano, de vetores. De outro modo: somente agora os pontos (a, b) do plano cartesiano fazem parte de uma estrutura de espa¸co vetorial, isto ´e, deixaram de ser “meros pontos” e adquiriram o status de vetores.
18
O que ´ e um vetor em matem´ atica? Conjuntos × Estruturas O entendimento do que seja um vetor inicia-se com a distin¸c˜ao entre conjunto e estrutura. Em matem´ atica s˜ ao frequentes conjuntos munidos de uma ou mais opera¸c˜oes, que gozam de certas propriedades. Esses conjuntos com tais opera¸c˜oes e respectivas propriedades constituem aquilo que denominamos estruturas alg´ebricas. Um espa¸co vetorial ´e um exemplo de estrutura alg´ebrica. Para nos auxiliar em nosso objetivo (deixar claro a diferen¸ca entre conjunto e estrutura) vamos recorrer a uma analogia: Suponhamos um conjunto M cujos elementos s˜ ao materiais de constru¸c˜ao, assim: M = {tijolo, cimento, seixo, pedra, areia, . . .} “sobre” este conjunto podemos construir diversas estruturas, por exemplo: − Edif´ıcio − Casa
M
− Ponte Conjunto Estruturas
N˜ao devemos confundir o conjunto M com a “estrutura” edif´ıcio, por exemplo. Entendemos que esta mesma distin¸c˜ao deve ser feita entre conjuntos e estruturas na matem´ atica. Vejamos um exemplo retirado atica. Considere o conjunto de da matem´ 2 pontos R = (x, y) : x, y ∈ R , cuja vers˜ ao geom´etrica ´e vista a seguir: R2
r (x, y) 0
sobre este conjunto podemos construir, por exemplo, trˆes estruturas, assim: 19
- Espa¸co vetorial : R2
(
q(x, y) 0
- N´ umeros C :
- N´ umeros H :
(
(
(a, b) + (c, d) = (a + c, b + d) λ(a, b) = (λa, λb)
(a, b) + (c, d) = (a + c, b + d) (a, b) · (c, d) = (ac − bd, ad + bc)
(a, b) + (c, d) = (a + c, b + d) (a, b) · (c, d) = (ac ∓ bd, |a|d + b|c|)
Assim o n´ umero de estruturas que podemos construir sobre um mesmo conjunto estar´ a limitado apenas por nossa criatividade∗ . A Identidade de um Elemento Uma outra distin¸c˜ ao que se faz necess´aria ´e quanto a natureza (identidade) de um elemento. Perguntamos: afinal de contas o par ordenado (3, 2) ´e um vetor ou um n´ umero complexo? Respondemos: o par ordenado (3, 2), por si s´ o, n˜ ao ´e nem uma coisa 2 nem outra, ´e apenas um elemento do conjunto R . Agora dependendo do contexto em que nos situamos, este elemento pode ser um vetor, um n´ umero complexo, ou ainda um n´ umero hipercomplexo. Se, por exemplo, o par ordenado (3, 2) estiver inserido na estrutura de a espa¸co vetorial − primeira das alternativas na figura anterior − ele ser´ um vetor, se estiver sendo manipulado na estrutura n´ umeros complexos − a um n´ umero comsegunda das alternativas na figura anterior − ele ser´ plexo, e se estiver sendo manipulado dentro da estrutura “Hipercomplexa” − terceira das alternativas na figura anterior − ele ser´ a um n´ umero hipercomplexo. Portanto, enfatizamos, ´e a estrutura que confere “dignidade” (identidade) a um elemento. ´ a estrutura (“jogo”) quem vai determinar o que um elemento (s´ımbolo) E seja. Vejamos mais duas analogias: ao dispomos das pe¸cas, 1 a ) Suponhamos que desejamos jogar xadrez mas n˜ apenas do tabuleiro. N˜ao h´ a o menor problema: podemos substituir as pe¸cas por cereais. Por exemplo, um caro¸co de feij˜ ao far´a o papel de rei, os pe˜oes ser˜ ao substituidos por gr˜ aos de arroz, as torres por caro¸cos de milho, etc. ∗
C : N´ umeros complexos. Os n´ umeros Hipercomplexos ´e um novo sistema num´erico que construimos sobre o R2 , ´e tamb´em uma generaliza¸c˜ ao dos n´ umeros reais. Na abscissa do produto, tomamos − se a c ≥ 0, tomamos + caso contr´ ario. Ver [10]
20
feij˜ao → Rei arroz → pe˜ oes
.. .
.. .
.. .
milho → torres
Observe mais uma vez que ´e a estrutura que confere a “dignidade” (identidade) de um elemento: um mero caro¸co de feij˜ ao de repente vˆe-se promovido a “rei”, ao participar da estrutura xadrez. 2 a ) Como mais um exemplo da “metamorfose” conferida pela estrutura, o Brasil est´ a empestado de ratazanas (bandidos) que, ao ingressarem na estrutura pol´ıtica, tornam-se “vossa excelˆencia”:
Assim como um mero caro¸co de feij˜ ao torna-se um “rei” ao ingressar na estrutura xadrez, bandidos tornam-se “vossa excelˆencia” ao ingressar na estrutura pol´ıtica brasileira.
21
Uma cr´ıtica ` a defini¸c˜ ao de Espa¸co Vetorial em livros did´ aticos Em fun¸c˜ ao do exposto anteriormente desejamos fazer uma breve exegese sobre a defini¸c˜ ao de espa¸cos vetoriais constante na literatura matem´ atica. Uma defini¸c˜ ao padr˜ao nos livros did´ aticos ´e: Um espa¸co vetorial E ´e um conjunto, cujos elementos s˜ ao chamados vetores, no qual est˜ ao definidas duas opera¸c˜oes: a adi¸ca ˜o, que a cada par de vetores u, v ∈ E faz corresponder um novo vetor u+v ∈ E, chamado a soma de u e v, e a multiplica¸ca ˜o por um n´ umero real, que a cada n´ umero α ∈ R e a cada vetor v ∈ E faz corresponder um vetor α·v, ou αv, chamado o produto de α por v. Essas opera¸c˜oes devem satisfazer, para quaisquer α, β ∈ R e u, v, w ∈ E, as condi¸c˜ oes abaixo, chamadas os axiomas de espa¸co vetorial: comutatividade:
u + v = v + u;
associatividade: (u + v) + w = u + (v + w) e (αβ)v = α(βv); vetor nulo: existe um vetor 0 ∈ E, chamado vetor nulo, ou vetor zero, tal que v + 0 = 0 + v = v para todo v ∈ E;
inverso aditivo: para cada vetor v ∈ E existe um vetor −v ∈ E, chamado o inverso aditivo, ou o sim´etrico de v, tal que −v+v = v+(−v) = 0; distributividade: (α + β)v = αv + βv e α(u + v) = αu + αv; multiplica¸ c˜ ao por 1:
1 · v = v.
Ent˜ ao, vejamos alguns poucos coment´arios sobre esta defini¸c˜ao padr˜ao: Primeiro que um espa¸co vetorial n˜ ao ´e um conjunto. Segundo, n˜ ao conhe¸co nenhum conjunto “cujos elementos s˜ ao chamados vetores ”. O leitor conhece algum? − O que vem depois na defini¸c˜ao anterior n˜ ao muda em nada.
A verdadeira natureza de um espa¸co vetorial ´e a de uma estrutura − tanto ´e que ´e conhecido como uma estrutura alg´ebrica −, por exemplo, assim:
V×V
+
V
V R
R×E
·
V = (V, +, ·) Estrutura
V Espa¸ co Vetorial
(aqui temos escalares) (aqui temos meros elementos)
(aqui temos vetores)
N˜ao existe nenhum conjunto “cujos elementos s˜ ao chamados vetores ” posto que em qualquer conjunto temos meros elementos, agora ao construirmos uma estrutura de espa¸co vetorial sobre um tal conjunto ent˜ao seus elementos adquirem o status de vetores. 22
Assim como um mero caro¸co de feij˜ ao torna-se um rei ao participar da estrutura xadrez − ou qualquer bandido torna-se “vossa excelˆencia”, ao ingressar na estrutura pol´ıtica brasileira − objetos de naturezas diversas tornam-se vetores ao participarem da estrutura espa¸co vetorial. Por exemplo, s˜ ao vetores:
(3, 2) , Ponto do R2
1 0 0 1 0 3 Matriz
,
p(x) = 2 + 3 x − x2 , Polin^ omio
00110100 C´ odigo bin´ ario
Exemplo 2: O espa¸co vetorial R3 . Para a constru¸c˜ ao do nosso segundo exemplo de espa¸co vetorial tomaremos como conjunto V o conjunto de ternos ordenados de n´ umeros reais: R3 = (x, y, z) : x, y, z ∈ R
cuja vers˜ ao geom´etrica ´e vista a seguir: Z
(x, y, z)
Y X
Tomemos dois elementos u = (a, b, c) e v = (d, e, f ) em R3 e um escalar (n´ umero) λ em R e vamos definir a soma de ternos ordenados e a multiplica¸c˜ao por escalar do seguinte modo: u + v = (a, b, c) + (d, e, f ) = (a + d, b + e, c + f ) λ u = λ (a, b, c) = (λa, λb, λc) Estas duas defini¸c˜ oes conferem aos pontos do espa¸co R3 o status de vetores, conforme pode ser provado de modo an´ alogo ao que foi feito no exemplo anterior. Apenas informamos que aqui o vetor nulo passa a ser 0 = (0, 0, 0) e o oposto do vetor u = (a, b, c) ´e o vetor −u = (−a, −b, −c). Exemplo 3: O espa¸co vetorial Rn . Os dois exemplos anteriores podem ser generalizados ao “hiperespa¸co” Rn , que ´e o conjunto de n−uplas, Rn = (x1 , x2 , . . . , xn ) : xi ∈ R 23
cuja vers˜ ao geom´etrica infelizmente por uma limita¸c˜ao de “hardware” (c´erebro) n˜ ao podemos visualizar quando n > 3. Dados dois pontos u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) neste conjunto, definimos igualdade, assim: (x1 , x2 , . . . , xn ) = (y1 , y2 , . . . , yn ) ⇔ x1 = y1 , x2 = y2 , . . . , xn = yn Adi¸c˜ ao entre pontos e multiplica¸c˜ao por escalar (n´ umero real), assim: u + v = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn ) λu = (λ x1 , λ x2 , . . . , λ xn ) Estas opera¸c˜ oes conferem aos pontos do “hiperespa¸co” o status de vetores, como pode facilmente ser provado. Apenas informamos que aqui o vetor nulo passa a ser 0 = (0, 0, . . . , 0) e o oposto do vetor u = (x1 , x2 , . . . , xn ) ´e o vetor −u = (−x1 , −x2 , . . . , −xn ).
O exemplo dado anteriormente possui uma importante generaliza¸c˜ao dada a seguir. Exemplo 4: O espa¸co vetorial Kn . Vamos generalizar ainda mais o exemplo anterior. Seja K um corpo arbitr´ario. A nota¸c˜ ao Kn ´e ami´ ude utilizada para denotar o conjunto de todas as n-uplas de elementos de K: Kn = (x1 , x2 , . . . , xn ) : xi ∈ K Dados dois pontos u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) neste conjunto podemos tornar Kn um espa¸co vetorial sobre K com as seguintes defini¸c˜ oes: (x1 , x2 , . . . , xn ) = (y1 , y2 , . . . , yn ) ⇔ x1 = y1 , x2 = y2 , . . . , xn = yn Adi¸c˜ ao entre pontos e multiplica¸c˜ao por escalar, assim: u + v = (x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn ) λu = (λ x1 , λ x2 , . . . , λ xn ) Estas opera¸c˜ oes s˜ ao ditas “ponto a ponto” e conferem aos pontos do “hiperespa¸co” o status de vetores. Por exemplo, o vetor nulo em Kn ´e uma n-upla de zeros, 0 = (0, 0, . . . , 0) e o oposto do vetor u = (x1 , x2 , . . . , xn ) ´e o vetor −u = (−x1 , −x2 , . . . , −xn ). Das exigˆencias (axiomas) para espa¸co vetorial vamos provar A2 e M3 (as outras s˜ ao demonstradas de forma an´ aloga). Ent˜ao:
24
A2) (u + v) + w = u + (v + w) (Associativa) Suponha que u = ( xi ), v = ( yi ) e w = ( zi ). A demonstra¸c˜ao ser´ a feita mostrando que as entradas (coordenadas nas n-uplas) correspondentes em cada lado de A2 s˜ ao iguais. Com efeito, a entrada i de u+ v ´e xi + yi , ent˜ao a entrada i de (u+ v)+ w ´e (xi + yi ) + zi . Por outro lado, a entrada i de v + w ´e yi + zi e assim a entrada i de u + (v + w) ´e xi + (yi + zi ). Por´em, para escalares em K (corpo) temos (xi + yi ) + zi = xi + (yi + zi ) Portanto (u + v) + w e u + (v + w) possuem entradas i iguais, logo, pela defini¸c˜ao de igualdade de n-uplas, temos que (u + v) + w = u + (v + w). M3) λ ( u + v ) = λ u + λ v (Distributiva) A entrada i de u + v ´e xi + yi , ent˜ao λ (xi + yi ) ´e a entrada i de λ ( u + v ). Por outro lado, as entradas i de λ u e λ v s˜ ao respectivamente λ xi e λ yi . Por´em, para escalares em K temos λ (xi + yi ) = λ xi + λ yi Assim λ ( u + v ) e λ u + λ v possuem entradas i iguais, logo, pela defini¸c˜ao de igualdade de n-uplas, temos que λ ( u + v ) = λ u + λ v.
Publica¸c˜ ao Eletrˆonica, 2016;
514 p.
ISBN: 978-85-63979-08-7
ebah slideshare scribd https://goo.gl/8YVCPB https://goo.gl/Ah5m0g https://goo.gl/mkl0PG 25
Exemplo 5: Espa¸ co de C´ odigos Agora daremos um importante exemplo de espa¸co vetorial cujo corpo de escalares n˜ ao ´e R. C´ odigos que contˆem tanto caracteres alfab´eticos como num´ericos s˜ ao necess´arios quando microcomputadores se comunicam com dispositivos como fax ou um terminal de v´ıdeo, ou ainda para transformar os caracteres de um teclado em linguagem de computador. Esses c´odigos s˜ ao chamados c´ odigos alfanum´ericos. O c´ odigo alfanum´erico mais comumente usado em sistemas de microcomputador ´e o AMERICAN STANDARD Code for Information Interchange (C´ odigo Americano Padr˜ ao para Troca de Informa¸c˜oes) Uma listagem parcial do c´odigo ASCII ´e mostrada na tabela a seguir Caracter
ASCII
Caracter
ASCII
<
00111100
A
01000001
>
00111110
B
01000010
!
00100001
C
01000011
P
11100100
D
00100100
#
00100011
E
01000101
$
00100100
F
01000110
%
00100101
G
01000111
&
00100110
H
01001000
(
00101000
I
01001001
)
00101001
J
01001010
∗
00101010
K
01001011
[
01011011
L
01001100
]
01011101
M
01001101
+
00101011
N
01001110
−
00101101
O
01001111
/
00101111
P
01010000
0
00110000
Q
01010001
1
00110001
R
01010010
2
00110010
S
01010011
3
00110011
T
01010100
4
00110100
U
01010101
5
00110101
V
01010110
6
00110110
W
01010111
7
00110111
X
01011000
8
00111000
Y
01011001
9
00111001
Z
01011010
− TABELA
ASCII
26
A seguir vemos o diagrama de blocos de uma calculadora. Entrada 7
8
9
4
5
6
1
2
3
+
0
−
Saida
CPU
Codificador
ր
00110001 00101011 00110010
Teclado
Decodificador
ր
00110011
Display
Na figura estamos simulando a soma 1+ 2 = 3. Ao digitarmos no teclado 1+2 existe um circuito codificador que codifica estas informa¸c˜oes em bin´ ario de acordo com a TABELA ASCII vista anteriormente, ou seja, 1 ↔ 00110001 ; + ↔ 00101011 ; 2 ↔ 00110010 Estas sequˆencias bin´ arias (c´ odigos) s˜ ao entregues `a CPU (unidade central de processamento) que executa a soma pedida, o resultado ´e colocado na entrada de um circuito decodificador que decodifica, ainda de acordo com a TABELA ASCII, a sequˆencia bin´ aria em sua entrada e na saida (display) temos o resultado na base decimal. Defini¸ c˜ ao 1 (C´ odigo). Um c´ odigo bin´ ario ´e um conjunto de vetores bin´ arios (de mesmo comprimento) chamados vetores de c´ odigo. O processo de convers˜ ao de uma mensagem em vetores de c´ odigo ´e chamado codifica¸ca ˜o, e o processo inverso ´e chamado decodifica¸ca ˜o. A transmiss˜ ao de dados codificados − via ondas eletromagn´eticas, pode ser − est´ a sujeita a v´arias fontes de erros, desde erros de digita¸c˜ao at´e interferˆencias eletromagn´eticas; os poss´ıveis erros s˜ ao chamados de ru´ıdos. A teoria dos c´ odigos corretores de erro ´e um campo de pesquisa muito ativo atualmente, com aplica¸c˜ oes em diversas ´areas tais como: matem´ atica, engenharia, computa¸c˜ ao e estat´ıstica.
Fonte de Informa¸ ca ˜o
Codifica¸ ca ˜o
Sinal
Canal
Ru´ıdo
27
Novo Sinal
Decodifica¸ ca ˜o
Destinat´ ario
Nosso objetivo agora ser´ a construir uma fam´ılia (cole¸ca˜o) de espa¸cos vetoriais os quais s˜ ao bastante utilizados no projeto de c´ odigos bin´ arios para transmiss˜ ao de dados entre computadores, inclusive. Sequˆencias bin´ arias de qualquer tamanho podem ser obtidas tomando-se o produto cartesiano do conjunto (com dois s´ımbolos):
Z2 = { 0, 1 }
0
1
Por exemplo: Z22 = { 0, 1 } × { 0, 1 } = { 00, 10, 01, 11 } Ou ainda: Z32 = { 0, 1 } × { 0, 1 } × { 0, 1 } = { 000, 100, 010, 110, 001, 101, 011, 111 }
Como o leitor certamente j´a se deu conta, via produto cartesiano podemos obter sequˆencias bin´ arias de qualquer tamanho. O n´ umero de sequˆencias bin´ arias no conjunto Zn2 ´e 2n . Observe que os c´ odigos (sequˆencias) do teclado de um computador (Tabela ASCII) pertencem todos ao conjunto Z82 , neste conjunto podemos codificar at´e 28 = 256 caracteres. Opera¸ co ˜es em Z2 Inicialmente vamos construir uma estrutura de corpo sobre o conjunto Z2 . Nesse conjunto vamos definir duas opera¸c˜oes: a uma delas chamaremos de adi¸c˜ ao e a outra chamaremos de multiplica¸c˜ao − dadas nas seguintes t´abuas: A isto se acrescenta que todo s´ımbolo 0
1
´ e ambivalente e at´ e mesmo polivalente,
1
·
0
0
0
no sentido de que ele pode significar
0
1
0
1
uma pluralidade de realidades diversas e
+
0
1
0
0
1
1
mesmo contradit´ orias. (L´ eon Bonaventure)
´ f´acil, n˜ E ao obstante trabalhoso, provar que o sistema alg´ebrico resultante Z2 = (Z2 , +, ·) ´ e um corpo. (p. 420) 28
Desde j´a enfatizamos que no presente contexto 0 e 1 n˜ ao s˜ ao n´ umeros naturais, isto ´e, n´ umeros do conjunto N = { 0, 1, 2, 3, . . . } De fato, como dissemos anteriormente, o que confere a identidade de um elemento ´e a estrutura (“jogo”) do qual ele faz parte. Embora os s´ımbolos 0 e 1 sejam os mesmos do conjunto dos n´ umeros naturais no entanto como n´ umeros s˜ ao distintos daqueles. Observe: N = ( { 0, 1, 2, 3, . . . }, +, · )
Z2 = ({ 0, 1 }, +, ·)
− Nesta estrutura 0 e 1 s˜ao
− Nesta estrutura 0 e 1 s˜ao
n´ umeros naturais.
n´ umeros, mas n˜ ao naturais.
Pois bem, retomando a estrutura Z2 acima definida, o elemento neutro da adi¸c˜ao ´e 0. O sim´etrico (oposto) de cada elemento encontramos na pr´ opria tabela de adi¸c˜ ao. Veja: 0+0=0
⇒
−0 = 0
e
1+1=0
⇒
−1 = 1
Isto ´e, o oposto aditivo de cada elemento ´e o pr´ oprio. Ademais, o leitor n˜ ao se escandalize com a opera¸c˜ao 1 + 1 = 0, posto que, se servir de consolo, mesmo na f´ısica − supostamente mais aderente `a realidade − nem sempre 1 + 1 = 2. Por exemplo, se adicionarmos duas velocidades iguais a 1, na f´ısica de Galileu teremos 1 + 1 = 2, j´a na de Einstein teremos 1 + 1 6= 2. (Ver p. 77)
Aceder ` a ciˆ encia ´ e rejuvenescer espiri-
O mundo ´ e construido como uma estrutura matem´ atica, e n˜ ao material.
tualmente, ´ e aceitar uma brusca muta¸ca ˜o
(Werner Heisenberg)
que contradiz o passado. (Gaston Bachelard)
A isto se acrescenta que todo s´ımbolo ´e ambivalente e at´e mesmo polivalente, no sentido de que ele pode significar uma pluralidade de realidades diversas e mesmo contradit´ orias. (L´ eon Bonaventure)
29
Os espa¸ cos vetoriais Zn2 Tendo em conta o exemplo 4 (p. 24) resulta que, para cada n ≥ 1, os sistemas Zn2 s˜ ao espa¸cos vetorias com as opera¸c˜oes “ponto a ponto”. Portanto, no presente contexto uma sequˆencia bin´ aria (c´odigo) adquire status de vetor. Observe que n˜ ao cabe − n˜ ao tem sentido − para estes vetores os atributos (simultˆ aneos) de m´ odulo, dire¸c˜ao e sentido. Por exemplo, veja alguns exemplos de adi¸c˜ao: Z22
Z32
Z42
10 01
101 011
1010 1010
+ : 11
+ : 110
+ : 0000
feitas com o aux´ılio da t´abua de adi¸c˜ao para Z2 . Veja alguns exemplos de multiplica¸c˜ao por escalar:
(p. 28)
Z32
Z22 u → 10 λ → 1 λ u → 10
Z42
u → 101 λ → 0 λ u → 000
u → 1010 λ → 1 λ u → 1010
feitas com o aux´ılio da t´abua de multiplica¸c˜ao para Z2 . O elemento neutro da adi¸c˜ao em Zn2 ´e a “sequˆencia nula”, 0 = 00 . . . 0, com n entradas. Ademais, observe que todo elemento em Zn2 possui oposto aditivo no caso “ele pr´ oprio”. Isto se deve a que, na t´abua da adi¸c˜ao em Z2 temos que 0 + 0 = 0 e 1 + 1 = 0. Apenas a t´ıtulo de informa¸c˜ao, a quem interessar possa, no livro Fundamentos dos N´ umeros (p. 25) criamos uma estrutura na qual as sequˆencias bin´ arias infinitas tornam-se n´ umeros; digo, novos modelos para os naturais, inteiros, etc. Por exemplo, veja os “inteiros azuis”: ...
...
p
p
p
p
p
p
−5
−4
−3
−2
−1
0
p 1
p
p
p
p
2
3
4
5
p
p
p
p
p
p
p
p
p
p
p
0 1 0 1 1 1 1 1
0 0 1 1 1 1 1 1
1 0 1 1 1 1 1 1
0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0
1 1 0 0 0 0 0 0
0 0 1 0 0 0 0 0
1 0 1 0 0 0 0 0
.. .
.. .
.. .
.. .
.. .
.. .
.. .
30
.. .
.. .
.. .
.. .
...
...
Z
Z
Uma f´ ormula para gerar os c´ odigos em Zn2 ´ um prazer puro da alma espalhar pelo mundo o fruto de seus esE tudos e medita¸co ˜es, ainda sem outra remunera¸ca ˜o que a consciˆencia de fazer bem. (Jos´ e Bonif´ acio) J´ a n˜ ao conto mais o n´ umero de f´ormulas que deduzi (e/ou demonstrei) na matem´ atica, confesso que, pela f´ormula a seguir, tenho um carinho todo especial∗ .
xij =
1, se
0, se
i−1 j−1 2 i−1 j−1 2
´e ´ımpar; (1.4) ´e par.
Esta f´ormula nos permite gerar os c´odigos bin´ arios, onde: xij ´e o j−´esimo n odigo i de Z2 . ⌊ x ⌋ ´e o maior inteiro que n˜ ao supera x. bit do c´ Fixado n fazemos i = 1, 2, . . . , 2n e j = 1, 2, . . . , n Por exemplo, para n = 2, temos: i = 1, 2, 3, 4 e j = 1, 2. Ent˜ao 1−1 i = 1, j = 1 ⇒ = 0 ⇒ x11 = 0 21−1 1−1 i = 1, j = 2 ⇒ = 0 ⇒ x12 = 0 22−1 ........................................... 2−1 = 1 ⇒ x11 = 1 i = 2, j = 1 ⇒ 1−1 2 2−1 = 0 ⇒ x12 = 0 i = 2, j = 2 ⇒ 2−1 2
........................................... 3−1 i = 3, j = 1 ⇒ = 2 ⇒ x11 = 0 21−1 3−1 i = 3, j = 2 ⇒ = 1 ⇒ x12 = 1 22−1 ........................................... 4−1 = 3 ⇒ x11 = 1 i = 4, j = 1 ⇒ 21−1 4−1 = 1 ⇒ x12 = 1 i = 4, j = 2 ⇒ 2−1 2
Sendo assim, temos:
Z22 = { |{z} 00 , |{z} 10 , |{z} 01 , |{z} 11 } i=1
∗
i=2
i=3
i=4
Precisamente pelos detalhes t´ecnicos envolvidos em sua dedu¸c˜ ao e demonstra¸c˜ ao.
31
Exemplo 6: O espa¸co vetorial Pn (R). Para a constru¸c˜ ao do nosso pr´ oximo exemplo de espa¸co vetorial tomaremos como conjunto V o conjunto, Pn (R) = a0 + a1 x + a2 x2 + · · · + an xn : ai ∈ R
dos polinˆ omios com coeficientes reais de grau ≤ n (n ´e um inteiro n˜ aonegativo). Para conferir aos elementos deste conjunto o status de vetores, tomemos dois elementos arbitr´arios p(x) = a0 + a1 x + a2 x2 + · · · + an xn q(x) = b0 + b1 x + b2 x2 + · · · + bn xn e vamos definir duas opera¸c˜oes: p(x) + q(x) = (a0 + b0 ) + (a1 + b1 )x + (a2 + b2 )x2 + · · · + (an + bn )xn Tomemos para o corpo de escalares os n´ umeros reais, vamos definir, λ p(x) = λ b0 + (λ b1 ) x + (λ b2 ) x2 + · · · + (λ bn ) xn Pode ser mostrado que todas as exigˆencias sobre as opera¸co˜es de adi¸c˜ao e multiplica¸c˜ ao por escalar s˜ ao satisfeitas; portanto Pn (R) ´e o espa¸co vetorial dos polinˆ omios (de grau ≤ n) com coeficientes reais. O vetor nulo deste espa¸co ´e dado por, 0(x) = 0 + 0x + 0x2 + · · · + 0xn O oposto aditivo do vetor p(x) = a0 + a1 x + a2 x2 + · · · + an xn ´e o vetor, −p(x) = (−a0 ) + (−a1 ) x + (−a2 ) x2 + · · · + (−an ) xn Isto se deve a que, p + (−p) = 0, veja: p + (−p) (x) = a0 + (−a0 ) + a1 + (−a1 ) x + · · · + an + (−an ) xn = 0 + 0x + 0x2 + · · · + 0xn = 0(x)
Exemplo 7: O espa¸co vetorial Mm×n (R). Sobre o conjunto Mm×n (R), das matrizes de ordem m × n, com entradas reais podemos construir um espa¸co vetorial tomando como corpo K = R e as opera¸c˜ oes usuais de adi¸c˜ao de matrizes e multiplica¸c˜ao de matriz por escalar. (p. 424 e p. 425) No caso particular das matrizes de ordem 2 × 3, por exemplo, o vetor nulo ´e dado por: 0 0 0 0= 0 0 0 32
Para um vetor arbitr´ario, u= seu oposto aditivo ´e dado por, " −u =
"
a11
a12
a13
a21
a22
a23
−a11
−a12
−a21
#
#
−a13
−a22
−a23
Para provar esta assertiva basta ter em conta que, " # " a11 a12 a13 −a11 −a12 u + (−u) = + a21 a22 a23 −a21 −a22
−a13 −a23
#
Ou ainda, u + (−u) =
"
a11 − a11
a21 − a21
a12 − a12
a22 − a22
a13 − a13
a23 − a23
#
=
0 0 0 0 0 0
= 0
Exemplo 8: Espa¸ cos Funcionais. Consideremos o conjunto, F = {f : R → R} das fun¸c˜ oes reais definidas em toda a reta. O nosso objetivo ser´ a construir sobre este conjunto um espa¸co vetorial: F = F, +, ·
(1.5)
Dados dois elementos∗ f e g em F, vamos definir a adi¸c˜ao f + g como sendo a fun¸c˜ao dada pela seguinte “ lei ” (regra): (f + g)(x) = f (x) + g(x)
(1.6)
Esta adi¸c˜ ao ´e conhecida como adi¸c˜ao ponto a ponto e existe uma interpreta¸c˜ao geom´etrica para a mesma. Por exemplo, consideremos as fun¸c˜oes dadas por f (x) = x2 e g(x) = x + 1; pela defini¸c˜ao de adi¸c˜ao em F, temos: (f + g)(x) = f (x) + g(x) = ( x2 ) + (x + 1) = x2 + x + 1 Geometricamente, tudo se passa assim: ∗
Para o que se segue ser´ a importante que o leitor tenha em mente a distin¸c˜ ao entre os s´ımbolos f e f (x); o primeiro se refere ` a pr´ opria fun¸c˜ ao, o segundo se refere ao valor num´erico que a fun¸c˜ ao assume no ponto x (imagem de x pela fun¸c˜ ao f ).
33
f +g
R
R f g
f (x)+g(x)
r
g(x) r
rf (x) R
x
0
R
x
0
Pois bem, dados um escalar λ ∈ R e uma fun¸c˜ao f ∈ F, vamos definir a multiplica¸c˜ ao por escalar, λ f , como sendo a fun¸c˜ao dada pela seguinte regra: (λ f )(x) = λ f (x) (1.7) Como na adi¸c˜ ao, existe uma interpreta¸c˜ao geom´etrica para o produto de um escalar por uma fun¸c˜ ao. Tomemos, por exemplo, f e g como anteriormente, e o escalar λ = 12 , a seguir vemos as multiplica¸c˜oes por escalar 12 f e 21 g : R
R f
g 1 2
r
f
1 2
0
x
g
r
r r R
0
x
R
Para conferir o status de vetor a uma fun¸c˜ao s´ o nos resta agora mostrar que todas as exigˆencias para espa¸co vetorial s˜ ao satisfeitas pelas opera¸c˜oes definidas acima. Antes, recordamos o que significa dizer que duas fun¸c˜oes (ou aplica¸c˜oes) s˜ ao iguais: Defini¸ c˜ ao 2 (Igualdade entre aplica¸c˜oes). Dizemos que as aplica¸co ˜es f : A −→ B x 7−→ f (x)
e
g : C −→ D x 7−→ g(x)
s˜ ao iguais se, e somente se, A = C, B = D e f (x) = g(x) para todo x ∈ A. 34
Para duas fun¸c˜ oes no conjunto F escrevemos, f : R −→ R x 7−→ f (x)
g : R −→ R x 7−→ g(x)
e
De sorte que, por exemplo, f +g =g+f
⇔
(f + g)(x) = (g + f )(x), ∀ x ∈ R.
Ent˜ao, A1) (f + g)(x) = f (x) + g(x)
(defini¸c˜ao de adi¸c˜ao)
= g(x) + f (x)
(comutatividade nos reais)
= (g + f )(x) ⇓ f +g =g+f A2)
(defini¸c˜ao de adi¸c˜ao)
(f + g) + h (x) = ( f + g )(x) + h(x) (defini¸c˜ao de adi¸c˜ao) = f (x) + g(x) + h(x) (defini¸c˜ao de adi¸c˜ao) = f (x) + g(x) + h(x) (associatividade nos reais)
= f (x) + ( g + h )(x) (defini¸c˜ao de adi¸c˜ao) = f + ( g + h ) (x) (defini¸c˜ao de adi¸c˜ao) ⇓ (f + g) + h = f + (g + h) O nosso candidato natural a vetor nulo, 0, ´e a fun¸c˜ao nula, assim definida: 0 : R −→ R x 7−→ 0
´ a fun¸c˜ E ao que associa a todo n´ umero real, no dom´ınio, o n´ umero 0, no contradom´ınio, isto ´e, 0(x) = 0, ∀ x ∈ R e cujo gr´ afico coincide com o eixo ox, veja: R
R
0
35
Posto isto, temos, A3) (f + 0)(x) = f (x) + 0(x) = f (x) + 0
(defini¸c˜ao de adi¸c˜ao) (defini¸c˜ao de fun¸c˜ao nula)
= f (x) ⇓ f+ 0=f
(elemento neutro nos reais)
− Dada qualquer fun¸c˜ao f ∈ F, vamos definir como −f a fun¸c˜ao cujos valores s˜ ao os opostos (negativos) dos valores de f , isto ´e, (−f )(x) = −f (x) Vamos agora mostrar que f + (−f ) = 0. De fato, temos que, A4) f + (−f ) (x) = f (x) + (−f )(x) (defini¸c˜ao de adi¸c˜ao) = f (x) + − f (x) (defini¸c˜ao de fun¸c˜ao oposta) =0 ⇓ f + (−f ) = 0
(oposto nos reais)
Existe uma interpreta¸c˜ao geometrica para a oposta, −f , de uma fun¸c˜ao f ; o seu gr´ afico ´e sim´etrico − em rela¸c˜ao ao eixo x − ao gr´ afico de f ; por exemplo, para as fun¸c˜ oes f e g que vˆem nos acompanhando, temos: R
R
f +(−f )= 0
g+(−g)= 0 g
f
rg(x)
rf (x) R
x
R
x
r−f (x) r−g(x)
−f
M1)
λ ( µ f ) (x) = λ ( µf )(x) = λ µ f (x)
= (λ µ)f (x) = (λ µ)f (x) ⇓ λ (µ f ) = (λ µ)f
−g
(defini¸c˜ao de multiplica¸c˜ao por escalar) (defini¸c˜ao de multiplica¸c˜ao por escalar) (associatividade nos reais) (defini¸c˜ao de multiplica¸c˜ao por escalar)
36
M2)
(λ + µ) f (x) = (λ + µ)f (x) (defini¸c˜ao de multiplica¸c˜ao por escalar) = λ f (x) + µ f (x)
(distributividade nos reais)
= (λ f )(x) + (µ f )(x)
(multiplica¸c˜ao por escalar)
= (λ f + µ f )(x) ⇓ (λ + µ) f = λ f + µ f M3)
λ (f + g) (x) = λ (f + g)(x) = λ f (x) + g(x) = λ f (x) + λ g(x)
(defini¸c˜ao de adi¸c˜ao)
(multiplica¸c˜ao por escalar) (defini¸c˜ao de adi¸c˜ao) (distributividade nos reais)
= (λ f + λ g)(x) ⇓ λ (f + g) = λ f + λ g
(defini¸c˜ao de adi¸c˜ao)
M4) (1 f )(x) = 1 f (x)
(multiplica¸c˜ao por escalar)
= f (x)
(elemento neutro nos reais)
⇓ 1f = f • Observe que somente agora − e dentro do presente contexto − uma fun¸c˜ao adquire o status de vetor. Este vetor n˜ ao tem m´ odulo, n˜ ao tem dire¸c˜ao, n˜ ao tem sentido. Nota: Podemos considerar ao inv´es do conjunto, F = {f : R → R} o conjunto, F = {f : X → R}
(1.8)
onde X ´e um conjunto n˜ ao-vazio qualquer, e ainda aqui, como anteriormente, obtemos um espa¸co vetorial: F(X, R). Matem´ atica: Esta “ciˆencia vazia” que − espantosamente − se aplica a todas as contingˆencias fenomenol´ ogicas, apesar de ser um puro formalismo reflexivo.
37
Um exemplo patol´ ogico Importante: Na defini¸c˜ ao de espa¸co vetorial fizemos referˆencia a uma opera¸c˜ao, + : V × V −→ V a qual foi chamada de adi¸ c~ ao e cujo s´ımbolo adotado foi o usual: +. A escolha para este nome (adi¸c˜ao) e para este s´ımbolo ( + ) ´e meramente uma quest˜ ao de conveniˆencia; a princ´ıpio esta opera¸c˜ao pode n˜ ao ter nada a ver com a “adi¸c˜ ao usual” , o que realmente importa ´e que a mesma satisfa¸ca a todas as exigˆencias para a estrutura espa¸co vetorial. Para contextualizar a que estamos nos referindo meditemos sobre os dois exemplos a seguir. Exemplo 9: Consideremos o seguinte subconjunto V = { x ∈ R : x > 0 } dos reais, cuja vers˜ ao geometrica ´e vista a seguir:
p
0
1
p
R+ ∗
p
2
3
O nosso objetivo agora ser´ a conferir aos elementos deste conjunto o status de vetores. O nosso intuito estar´ a fadado ao fracasso se definirmos a adi¸c˜ao como sendo a usual, n˜ ao obstante este conjunto ser fechado para esta opera¸c˜ao. Este insucesso se dever´ a a que n˜ ao conseguiremos um elemento neutro para a referida opera¸c˜ ao (j´a que o 0 foi excluido do conjunto V ); e nem um oposto para cada u ∈ V . Observamos que este conjunto ´e fechado para a multiplica¸c˜ao. Vamos definir as duas seguintes opera¸c˜oes: u + v = u v, ∀ u, v ∈ V = uλ ,
λ·u
∀ u ∈ V e ∀ λ ∈ R.
Ou seja, a nossa opera¸c˜ao candidata a adi¸c˜ao vetorial nada mais ´e que a multiplica¸c˜ ao num´erica usual e a nossa opera¸c˜ao candidata a multiplica¸c˜ao por escalar nada mais ´e que a exponencia¸c˜ao num´erica. Nesta nossa adi¸c˜ ao esdr´ uxula observe que: 1+1 =1·1
⇒
1+1 =1
1 1 1 =2· ⇒ 2+ =1 2 2 2 Nesta nossa multiplica¸c˜ao esdr´ uxula observe que: 2+
2 · 1 = 12 1 2
·2=2
2·
1 2
=
⇒
1 2
1 2
2
⇒
2·1=1 √ 1 2 2 ·2=
⇒
2·
38
1 2
=
1 4
Ser´ a que funciona? Vejamos: A1)
u + v = uv
(defini¸c˜ao de adi¸c˜ao)
= vu
(comutatividade da multiplica¸c˜ao em R)
=v+u A2)
(defini¸c˜ao de adi¸c˜ao)
(u + v) + w = (u v) + w
(defini¸c˜ao de adi¸c˜ao)
= (u v) w
(defini¸c˜ao de adi¸c˜ao)
= u (v w)
(associatividade em R)
= u (v + w)
(defini¸c˜ao de adi¸c˜ao)
= u + (v + w)
(defini¸c˜ao de adi¸c˜ao)
A3) Devemos agora exibir um elemento neutro para a nossa adi¸c˜ao; ou ainda, devemos exibir 0 ∈ V satisfazendo 0 + u = u, ∀ u ∈ V . Sendo assim devemos ter 0 + u = 0u = u = 1u
⇒
0u = 1u
Esta igualdade nos sugere tomar como candidato a vetor nulo 0 = 1, e de fato funciona, como ´e f´acil constatar. A4) Para todo elemento u de V devemos exibir um outro elemento de V , denotado por −u, detentor da seguinte propriedade: u + (−u) = 0 Sendo assim, temos: u + (−u) = u (−u) = 0 = 1
⇒
u (−u) = 1
Esta u ´ltima equa¸c˜ ao nos sugere tomar −u = u−1 = como ´e f´acil constatar. Observe que, −1 = 1−1
⇒
−1 = 1
1 u,
e de fato funciona, (1.9)
Interregno cultural: Uma observa¸c˜ ao trivial, no entanto pertinente, ´e que o sinal “−”, acima, n˜ ao significa “negativo”, significa apenas oposto (aditivo). Por oportuno, em matem´ atica um vetor n˜ ao possui “negativo”. Com efeito, o conceito de negativo em um conjunto ´e definido em fun¸c˜ao de uma rela¸ca ˜o de ordem∗ , num espa¸co vetorial n˜ ao contamos com uma tal rela¸c˜ao. ∗
Positivo ´e maior que zero e negativo ´e menor que zero.
39
Observemos, novamente, a exigˆencia A4) na defini¸c˜ao de espa¸co vetorial: “A4) Para todo elemento u de V existe um outro elemento de V , denotado por −u, detentor da seguinte propriedade: u + (−u) = 0 ”
(Elemento oposto)
Duas observa¸c˜ oes: ( i ) −u ´e apenas, e t˜ao somente, uma nota¸c˜ao ( ii ) o que ´e essencial ´e que aqui temos a defini¸c˜ao (caracteriza¸c˜ao) do que seja o elemento −u, o oposto de u; ´e aquele que quando adicionado com u repro´ isto o que importa, o que existe de duz o elemento neutro da “adi¸c˜ao”. E essencial, n˜ ao a nota¸c˜ ao (s´ımbolo) adotada para o elemento oposto. N˜ao haveria nenhuma mudan¸ca estrutural se tivessemos enunciado a exigˆencia A4) do seguinte modo: “A4) Para todo elemento u de V existe um outro elemento de V , denotado por u ¯, detentor da seguinte propriedade: u+u ¯ = 0”
(Elemento oposto)
Neste caso a igualdade (1.9) (p. 39) se tornaria, ¯1 = 1 1
⇒
¯1 = 1
Um raciocinio an´ alogo se aplica ao caso do vetor nulo 0. Em um contexto correlato a este observamos que nos n´ umeros inteiros o sinal “−” tem dois significados distintos. Quando aparece em, por exemplo, −3, este sinal significa tomar o oposto; ou ainda, podemos dizer que se trata de uma opera¸ca ˜o un´ aria; ao passo que este mesmo sinal em, por exemplo, 2 − 3, tem um significado distinto do primeiro, aqui temos uma opera¸ca ˜o bin´ aria (diferen¸ca entre dois inteiros). Continuando: M1) λ (µ u) = λ ( uµ )
(defini¸c˜ao de multiplica¸c˜ao por escalar)
= ( uµ )λ
(defini¸c˜ao de multiplica¸c˜ao por escalar)
= u(µ λ) = (µ λ)u
M2) (λ + µ) u = uλ+µ
(potˆencia nos reais) (defini¸c˜ao de multiplica¸c˜ao por escalar)
(defini¸c˜ao de multiplica¸c˜ao por escalar)
= uλ · uµ
(potˆencia nos reais)
= λu · µu
(multiplica¸c˜ao por escalar)
= λu + µu
(defini¸c˜ao de adi¸c˜ao)
40
M3) λ (u + v) = λ (u v)
(defini¸c˜ao de adi¸c˜ao)
= (u v)λ
(multiplica¸c˜ao por escalar)
=
uλ
·
vλ
(potˆencia nos reais)
= λu · µu
(multiplica¸c˜ao por escalar)
= λu + µu
(defini¸c˜ao de adi¸c˜ao)
M4) 1 u = u1
(multiplica¸c˜ao por escalar)
=u
(potˆencia nos reais)
Interregno cultural: Fa¸camos uma pequena exegese sobre a (leg´ıtima) igualdade: 1 √ 1 · 2 = 22 = 2 2
Esta igualdade bizarra nos d´ a raz˜ ao quando afirmamos que a identidade de um elemento ´e conferida pela estrutura em que ele est´ a inserido. Com efeito, na multiplica¸c˜ ao acima o primeiro fator, 12 , ´e um n´ umero real (no caso um escalar), ao passo que o segundo, 2, n˜ ao ´e mais um n´ umero real, mas sim um vetor. Deixamos ao leitor a incumbˆencia de justificar as seguintes igualdades: 1 = −1 · (−2) 2
−1 + (−2) =
Observe que o −1 ` a esquerda ´e um vetor enquanto o mesmo −1 `a direita n˜ ao ´e mais um vetor, mas sim um escalar. O que confere a identidade de um elemento ´e a regra (opera¸c˜ ao) com a qual ele est´ a sendo manipulado. O pr´ oximo exemplo de espa¸co vetorial ´e a generaliza¸c˜ao do exemplo anterior para duas “dimens˜oes”. Exemplo 10: Consideremos o conjunto V = { (x, y) ∈ R2 : x, y > 0 }, cuja vers˜ ao geom´etrica ´e vista a seguir: R+ ∗
p
3
p
2
p
1
0
0=(1, r 1)
p
1
p
2
41
p
3
R+ ∗
com as opera¸c˜ aoes de adi¸c˜ao e multiplica¸c˜ao por escalar definidas assim: ( (a, b) + (c, d) = ( a c, b d ) = ( a λ , bλ )
λ (a, b)
Deixamos ao leitor a incumbˆencia de provar que V ´e um espa¸co vetorial.
1.2.1
Produto de Vetores
Uma pergunta pertinente seria: Existem produtos de vetores? Um produto em um espa¸co vetorial V seria, segundo a defini¸c˜ao 55 qualquer aplica¸c˜ ao
(p. 419),
· : V ×V → V (u, v)
7→ u·v
Sendo assim estamos livres para definir produto de vetores em muitos (qui¸c´a em todos) espa¸cos vetoriais, por exemplo ( I ) Em Rn , um produto poderia ser: (x1 , x2 , . . . , xn ) · (y1 , y2 , . . . , yn ) 7→ (x1 y1 , x2 y2 , . . . , xn yn ) ( II ) Em Zn2 , um produto poderia ser: x1 x2 . . . xn · y1 y2 . . . yn 7→ (x1 y1 )(x2 y2 ) . . . (xn yn ) ( III ) No espa¸co F das fun¸c˜oes reais podemos definir o produto f · g de dois vetores f e g assim: (f · g)(x) 7→ f (x) · g(x) Deste modo podemos considerar que existem sim produto de vetores. A quest˜ ao, n˜ ao apenas no presente contexto − como tamb´em em muitos outros na matem´ atica − n˜ ao ´e se existe ou n˜ ao um produto (ou outra opera¸c˜ao qualquer) mas sim se o produto definido vai resultar “interessante” do ponto de vista alg´ebrico (estrutural) ou de aplica¸c˜oes. Por exemplo, no espa¸co vetorial R2 , o produto definido acima, isto ´e: (a, b) · (c, d) 7→ (ac, bd) resultaria desinteressante sob os dois aspectos referidos; n˜ ao obstante, podemos definir sobre este espa¸co um outro produto, qual seja∗ : (a, b) · (c, d) 7→ (ac − bd, ad + bc) ∗
Esta multiplica¸c˜ ao, juntamente com a adi¸c˜ ao usual, resulta na estrutura conhecida como n´ umeros complexos (p. 20). Observe que n˜ ao estamos “misturando” as estruturas, estamos afirmando que esse produto poderia ser acrescido ` a estrutura de espa¸co vetorial.
42
Este, ao contr´ ario do produto anterior, j´a resulta bem interessante sob qualquer dos crit´erios mencionados. Por exemplo, o espa¸co vetorial R2 “enriquecido” com esse produto nos permitiria gerar as belas figuras conhecidas como fractais, como as vistas a seguir:
1.2.2
Primeiras Propriedades num Espa¸co Vetorial Os iniciantes n˜ ao est˜ ao preparados para o verdadeiro rigor matem´ atico; s´ o veriam nisso v˜ as e fastidiosas sutilezas, perder´ıamos nosso tempo se quis´ essemos, cedo demais, torn´ a-los mais exigentes. (Poincar´ e)
Observe que algumas proposi¸c˜oes matem´ aticas, at´e mesmo nos inteiros (para n˜ ao falar nos reais), tais como 0x = 0
ou
2 · (−1) = −2
ou
− 3 + 2 = −1
tidas por muitos como “´ obvias”, n˜ ao tˆem nada de triviais, a bem da verdade a maioria das pessoas com esse sentimento foram apenas condicionadas (adestradas) a pensar assim. Por exemplo, vocˆe saberia demonstrar as igualdades acima a partir das opera¸c˜ oes de adi¸c˜ao e multiplica¸c˜ao nos inteiros? Lembre-se: “O acaso pode fazer com que uma opini˜ ao seja verdadeira, mas nem por isso ela deixa de ser uma opini˜ ao, isto ´e, uma cren¸ca e n˜ ao um saber.” (Simone Manon) 43
Pois bem, em matem´ atica prova-se algumas proposi¸c˜oes “intuitivamente obvias” tais como: 0 x = 0 ou, o que ´e “pior” , 1 > 0. ´ Perguntamos: afinal de contas o que deve ser provado e o que n˜ ao deve ser provado, em uma dada teoria? Esta pergunta fica f´acil de responder no caso das teorias desenvolvidas axiomaticamente, como ´e o caso dos espa¸cos vetoriais. Respondemos: assumimos, axiomaticamente, que todo espa¸co vetorial; digo, todos os vetores, satisfazem as oito propriedades A1), . . . , A4); M1), . . . , M4) listadas na defini¸c˜ ao de espa¸co vetorial (p. 14); qualquer afirmativa sobre vetores, por mais “´ obvia” que seja e que n˜ ao consta naquela lista, deve ser provada, como por exemplo, as listadas a seguir. Seja V um espa¸co vetorial com escalares em R. As propriedades provadas a seguir s˜ ao consequˆencias da defini¸c˜ao de espa¸co vetorial. (p. 12) P1 ) Para todo λ ∈ R, temos λ0= 0 Prova: λ0 = λ0 + 0
[ Exigˆencia A3) ]
= λ 0 + [ λ 0 + − (λ 0) ] = (λ 0 + λ 0) + − (λ 0) = λ ( 0 + 0) + − (λ 0) = λ 0 + − (λ 0)
= 0
[ Exigˆencia A4) ] [ Exigˆencia A2) ] [ Exigˆencia M3) ] [ Exigˆencia A3) ] [ Exigˆencia A4) ]
P2 ) Para todo u ∈ V , temos 0u = 0 Note a diferen¸ca entre esta propriedade e a anterior. Em P1 provamos que qualquer escalar (n´ umero) multiplicado pelo vetor nulo resulta no vetor nulo; em P2 devemos provar que o n´ umero 0 multiplicado por qualquer vetor deve resultar no vetor nulo. Prova: 0 u = (0 + 0) u [ Neutro em R ] 0u = 0u + 0u
[ Exigˆencia M2) ]
−(0 u) + 0 u = −(0 u) + (0 u + 0 u) 0 = − (0 u) + 0 u + 0 u
[ Somando o oposto de 0 u ] [ Exigˆencias A3) e A2) ]
0 = 0 + 0u
[ Exigˆencia A4) ]
0 = 0u
[ Exigˆencia A3) ] 44
P3 ) Para λ ∈ R e u ∈ V , temos Se λ u = 0, ent˜ao λ = 0 ou u = 0.
(1.10)
Na prova desta simples proposi¸c˜ao temos a oportunidade de ilustrar v´arias das t´ecnicas de demonstra¸c˜oes matem´ aticas vistas no cap´ıtulo para consultas (´ ultimo). Vamos prov´a-la utilizando trˆes t´ecnicas distintas: 1a ) Prova: Utilizaremos a t´ecnica de demonstra¸c˜ao (T − 3) (p. 436): H ∧ T¯ =⇒ f
H =⇒ T ⇐⇒
Destacando a hip´ otese e a tese em nossa proposi¸c˜ao, temos: H:
λ u = 0,
T :
λ = 0 ou u = 0.
∧
( λ 6= 0 e u 6= 0 )
Sendo assim, temos: H ∧ T¯ : λ u = 0
(1.11)
Se λ 6= 0 ent˜ ao existe o n´ umero real n˜ ao-nulo λ−1 . Sendo assim vamos −1 multiplicar λ u = 0 por λ , obtendo: λ−1 ( λ u ) = λ−1 0 Aplicando a exigˆencia M1)
(p. 13)
e a propriedade P1 chegamos a,
( λ−1 λ ) u = 0 Ou ainda, 1u = 0 Aplicando agora a exigˆencia M4), temos: u = 0. Invocando a hip´ otese (1.11), exibimos o seguinte absurdo: u 6= 0
e
u = 0.
2a ) Prova: Utilizaremos a t´ecnica de demonstra¸c˜ao (T − 4): H1 ∧ H2 =⇒ T ⇐⇒
¯2 H1 ∧ T¯ =⇒ H
(p. 436)
Para utilizar esta t´ecnica vamos provar a contrapositiva∗ da proposi¸c˜ao (1.10), isto ´e, vamos provar: Se λ 6= 0 e u 6= 0 ent˜ao | {z } | {z } H1
∗
H2
T´ecnica (T − 1) (p. 435).
45
λ u 6= 0 . | {z } T
Sendo assim, temos, H1 ∧ T¯ : λ 6= 0 e λ u = 0. Se λ 6= 0 ent˜ ao existe o n´ umero real n˜ ao-nulo λ−1 . Sendo assim vamos −1 multiplicar λ u = 0 por λ , obtendo: λ−1 ( λ u ) = λ−1 0 Aplicando a exigˆencia M1)
(p. 13)
e a propriedade P1 chegamos a,
( λ−1 λ ) u = 0 Ou ainda, 1u = 0 Aplicando agora a exigˆencia M4), temos: u = 0. 3a ) Prova: Utilizaremos a t´ecnica de demonstra¸c˜ao (T − 7): H =⇒ T1 ∨ T2 ⇐⇒ H ∧ T¯1 =⇒ T2
(p. 439)
Inicialmente vamos reescrever a proposi¸c˜ao da seguinte forma: T : λ=0 1 H: λu = 0 ⇒ ou T2 : u = 0
Temos,
H ∧ T¯1 : λ u = 0 e λ 6= 0.
Sendo assim existe o n´ umero real λ−1 , multiplicando λ u = 0 por λ−1 , obtemos λ−1 ( λ u ) = λ−1 0 ⇒ ( λ−1 · λ )u = 0 ⇒ 1 u = 0 ⇒ u = 0 Interregno cultural: Na pr´ oxima proposi¸c˜ao deveremos provar as seguintes igualdades, (−λ) u = −(λ u) = λ (−u)
(1.12)
Em um espa¸co vetorial arbitr´ario isto n˜ ao chega a ser t˜ao ´obvio quanto `a primeira vista poderia parecer a um leitor desatento. Com efeito, `a esquerda o sinal “−” se refere ao oposto de um escalar no corpo R; no centro o sinal “−” se refere ao oposto do produto do escalar λ pelo vetor u em V e, na direita, o sinal “−” se refere ao oposto de um vetor no espa¸co arbitr´ario V . Tendo em conta que a defini¸c˜ao de oposto est´ a amarrado (conexo) `a opera¸c˜ ao de “adi¸c˜ ao” em V (como tamb´em em R), conforme defini¸c˜ao de oposto em A4) (p. 13), ´e f´acil concluir que o primeiro “−” n˜ ao tem nada a ver com os outros dois e, portanto, as igualdades (1.12) nada tˆem de triviais. 46
Por exemplo, tomemos, no espa¸co vetorial do exemplo 9 u = 3, neste caso as igualdades (1.12), se traduzem assim:
(p. 38),
λ=2e
(−2) 3 = −(2 · 3) = 2 (−3) ou ainda,
1 3 O que n˜ ao chega a ser t˜ ao “evidente” quanto a rela¸c˜ao hom´ologa nos reais. (−2) 3 = −( 32 ) = 2 ·
P4 ) Para λ ∈ R e todo u ∈ V , temos (−λ) u = −(λ u) = λ (−u) Prova:
(−λ) u + λ u = (−λ) + λ u = 0u
= 0 ⇓ −(λ u) + [ (−λ) u + λ u ] = −(λ u) + 0
[ Exigˆencia M2) ] [ Defini¸c˜ao de oposto em R ] [ Propriedade P2 ] [ Somando −(λ u) ]
−(λ u) + [ λ u + (−λ) u ] = −(λ u)
[ Exigˆencias A1) e A3) ]
(−λ) u = −(λ u)
[ Exigˆencias A4) e A3) ]
[ −(λ u) + λ u ] + (−λ) u = −(λ u)
[ Exigˆencia A2) ]
Por outro lado, λ (−u) + λ u = λ (−u + u) = λ0
[ Exigˆencia M3) ] [ Exigˆencia A4) ]
= 0 ⇓ −(λ u) + [ λ (−u) + λ u ] = −(λ u) + 0
[ Propriedade P1 ] [ Somando −(λ u) ]
−(λ u) + [ λ u + λ (−u) ] = −(λ u)
[ Exigˆencias A1) e A3) ]
λ (−u) = −(λ u)
[ Exigˆencias A4) e A3) ]
[ −(λ u) + λ u ] + λ (−u) = −(λ u)
[ Exigˆencia A2) ]
Corol´ ario 1. Em todo espa¸co vetorial V , temos: (−1) u = −u. Prova: Substituindo λ = 1, na propriedade anterior temos: (−λ) u = −(λ u) (−1) u = −(1 u) = −u
47
Nota: Na estrutura dos n´ umeros Hipercomplexos (p. 20) temos −1·u 6= −u. Por exemplo, tome u = (0, 1) e −1 = (−1, 0). Diferen¸ ca entre vetores: Em um espa¸co vetorial V define-se diferen¸ca entre dois vetores u e v assim: u − v = u + (−v) P5 ) Quaisquer que sejam λ, µ ∈ R e u ∈ V , temos (λ − µ) u = λ u − µ u Prova:
(λ − µ) u = λ + (−µ) u
[ Diferen¸ca em R ]
= λ u + (−µ) u = λu +
− (µ u)
= λu −µu
[ Exigˆencia M2) ]
[ Propriedade P4 ] [ Diferen¸ca em V ]
P6 ) Quaisquer que sejam λ ∈ R, u e v em V , temos λ (u − v) = λ u − λ v Prova: An´aloga ` a anterior (exerc´ıcio).
P7 ) O vetor nulo de um espa¸co vetorial ´e u ´nico. Ou seja, existe um u ´nico vetor 0 que satisfaz a exigˆencia A3).
(p. 12)
Prova: Com efeito, suponhamos que ¯0 seja um outro vetor satisfazendo aquela exigˆencia. Ent˜ ao, 0 + ¯0 = 0 [ ¯0 ´e vetor nulo ] ¯0 + 0 = ¯0 [ 0 ´e vetor nulo ] ⇓ 0 = ¯0
[ Comutatividade da adi¸c˜ao ]
48
P8 ) Para cada vetor u de um espa¸co vetorial V existe um u ´nico vetor −u, oposto de u. Prova: Suponhamos que u ¯ seja um outro vetor oposto de u; ent˜ao, pela defini¸c˜ao de oposto podemos escrever u + u ¯ = 0. −u = −u + 0
[ Exigˆencia A3) ]
= −u + (u + u ¯)
[u ¯ ´e oposto de u ]
= (−u + u) + u ¯
[ Exigˆencia A2) ] [ −u ´e oposto de u ]
= 0+u ¯ =u ¯
[ Exigˆencia A3) ]
P9 ) Se u, v e w ∈ V e u + v = u + w, ent˜ao v = w (Num espa¸co vetorial vale a lei do cancelamento na adi¸c˜ao). Prova: (−u) + (u + v) = (−u) + (u + w)
[ Somando (−u) `a hip´ otese ]
(−u + u) + v = (−u + u) + w
[ Exigˆencia A2) ]
0+v = 0+w
[ Exigˆencia A4) ]
v=w
[ Exigˆencia A3) ]
P10 ) Se u, w ∈ V , ent˜ ao existe um u ´nico vetor v tal que u + v = w.
Prova: Inicialmente observemos que w+(−u) satisfaz a equa¸c˜ao dada. Com efeito, u + w + (−u) = u + (−u) + w = u + (−u) + w = 0+w =w
Suponhamos agora que existam dois vetores, v¯ e v ′ , satisfazendo a equa¸c˜ao dada. Logo, ( u + v¯ = w ⇒ u + v¯ = u + v ′ u + v′ = w pela lei do cancelamento da adi¸c˜ ao resulta v¯ = u′ .
49
1.2.3
Exerc´ıcios
1) Seja V = (x, y) : x, y ∈ R o conjunto de pares ordenados de n´ umeros reais, tome dois elementos neste conjunto, u = (a, b) e v = (c, d), e considere as seguintes opera¸c˜ oes de adi¸c˜ao e multiplica¸c˜ao por escalar: λ u = ( λ a, |λ| b )
u + v = ( a + b, c + d ),
( a ) Para u = (2, −1), v = (4, 3) e λ = −1, calcule u + v, λ u e λ v. ( b ) Perguntamos se V ´e um espa¸co vetorial. 2) Seja V = (x, y, z) : x, y, z ∈ R o conjunto de ternos ordenados de n´ umeros reais, tome dois elementos neste conjunto, u = (a, b, c) e v = (d, e, f ), e considere as seguintes opera¸c˜oes de adi¸c˜ao e multiplica¸c˜ao por escalar: u + v = ( a + d + 1, b + e + 1, c + f + 1 ), (a) (b) (c) (d)
λ u = ( λ a, λ b, λ c )
Para u = (1, 1, 1), v = (−1, 0, 1) e λ = 2, calcule u + v, λ u e λ v. Quem seria, 0, o candidato a vetor nulo? Quem seria, −u, o oposto de u? Perguntamos se V ´e um espa¸co vetorial.
3) No exemplo 9, p. 38, se incluirmos o 0 no conjunto V ainda assim teremos um espa¸co vetorial? 4) Ainda com respeito ao espa¸co vetorial do exemplo 9, considerando que todos os vetores s˜ ao positivos, isto ´e, V = { x ∈ R : x > 0 }, perguntamos se faz sentido a seguinte adi¸c˜ao: −1 + (−2), caso sim, qual o seu valor? 5) Considere o exemplo 10, p. 41; dados os vetores u = (2, 1), v = (1, 2) e w = −(2, 1); encontre o seguinte vetor: 2 u + (−1 v) + w.
6) Considere no espa¸co vetorial R3 os vetores u = (1, 1, 1), v = (−1, −1, 1) e w = (1, −1, −1). ( a ) Localize-os geometricamente. ( b ) Calcule o vetor 3 u − 2 v + 21 w. ( c ) Resolva a equa¸c˜ ao 2 u + 13 x = w − v.
7) No espa¸co vetorial M2×3 (R), considere os vetores: u=
1 0 0 1 0 0
,
v=
0 2 1 1 1 1
,
w=
( a ) Calcule o vetor 2u − 3v − w. ( b ) Existem λ, µ ∈ R tais que w = λ u + µ v ?
50
2 −6 −3 −1 −3 −3
8) Considere o espa¸co vetorial F, onde, F = f : [ −1, 1 ] → R
com as opera¸c˜ oes usuais (ponto a ponto) − ver p. 33. Neste espa¸co considere os vetores f , g e h dados assim: f (x) = |x|, g(x) = x e h(x) = x2 ( a ) Fa¸ca um esbo¸co geometrico destes vetores (plote seus gr´ aficos). ( b ) Esboce o gr´ afico dos vetores −f , −g e −h. ( c ) Esboce o gr´ afico dos vetores f + g e f + h. ( d ) Encontre o vetor 2f + 3g − h. 9) No espa¸co vetorial P3 (R) considere os vetores f , g e h dados assim: f (x) = x − 1, g(x) = 3x2 − 2x + 1 e h(x) = x3 − 1 ( a ) Calcule o vetor 2f − 3g + 2h.
( b ) Calcule o vetor f · g + 2h. ( c ) Existem λ, µ ∈ R tais que h = λ f + µ g ?
( d ) Existem λ, µ ∈ R tais que h = λ ( f · g ) + µ f ? 10) Mostre que, num espa¸co arbitr´ario, −(−u) = u.
11) Sejam s1 , s2 , . . . , sn s´ımbolos e seja K um corpo qualquer. Seja V o conjunto das express˜ oes do tipo abaixo λ1 s 1 + λ2 s 2 + · · · + λn s n onde λi ∈ K. Definimos a adi¸c˜ ao e a multiplica¸c˜ao por escalar em V por
(λ1 s1 + · · · + λn sn ) + (γ1 s1 + · · · + γn sn ) = (λ1 + γ1 ) s1 + · · · + (λn + γn ) sn µ (λ1 s1 + λ2 s2 + · · · + λn sn ) = µ λ1 s1 + µ λ2 s2 + · · · + µ λn sn Mostre que V ´e um espa¸co vetorial sobre K com as opera¸c˜oes acima. 12) Mostre que no espa¸co de c´ odigos Z22 as opera¸c˜oes de adi¸c˜ao e subtra¸c˜ao coincidem, isto ´e u − v = u + (−v) = u + v, ∀ u, v ∈ Z22 13) Prove que a equa¸c˜ ao (1.4) n de c´odigos Z2 .
(p. 31)
efetivamente gera os vetores do espa¸co
14) Fixado arbitrariamente um n´ umero primo p considere o seguinte subconjunto Zp dos inteiros dado por Zp = { 0, 1, 2, . . . , p − 1 } 51
Tomemos dois elementos arbitr´arios x e y em Zp e vamos definir sobre este conjunto duas opera¸c˜oes; a uma delas chamaremos de adi¸c˜ao e a outra chamaremos de multiplica¸c˜ao, assim definidas: x + y = resto da divis˜ao de x + y por p; x · y = resto da divis˜ao de x · y por p. ´ Em Algebra Moderna (ver por exemplo [11]) prova-se que o sistema alg´ebrico Zp = (Zp , +, ·) ´e um corpo (quando p ´e um n´ umero primo). Ent˜ao, pelo n exemplo 4 (p. 24) resulta que Zp s˜ ao espa¸cos vetoriais. Construa as t´ abuas das opera¸c˜oes em Z3 . Encontre o conjunto Z23 . No espa¸co Z23 encontre as seguintes somas de vetores: ( a ) 11 + 22 ( b ) 10 + 01 ( c ) 21 + 12 ( d ) 11 − 22 ( e ) 10 − 01. Neste mesmo espa¸co execute as seguintes opera¸c˜oes: ( a ) 2 · 22 ( b ) 2 [ −(01) ] ( c ) 2 [ −(10) ] ( d ) 2 [ 11 − 22 ] ( e ) 2 [ −(11) + 22 ]. 15) Mostre que a f´ormula para gerar os c´odigos bin´ arios tamb´em pode ser escrita assim: (eq. (1.4), p. 31)
xij =
1, se
i−1 j−1 2
i−1 j−1 2
0, se
Estamos assumindo que m! m n! (m − n)! = n 0
´e ´ımpar; ´e par.
, se m ≥ n; , se m < n.
n! nos fornece 16) A conhecida f´ormula da an´ alise combinat´ oria nr = r! (n−r)! o n´ umero de combina¸c˜ oes dos n elementos de um conjunto A, tomados r a r. Mas esta f´ormula n˜ ao nos fornece as tais combina¸c˜oes. Prove que a f´ormula (1.4) serve a esse prop´osito. (p. 31) Sugest˜ ao: Para n = 4, por exemplo, considere A = { a1 , a2 , a3 , a4 }, disponha os elementos de Z42 segundo uma tabela (matriz) de 4 linhas por 24 colunas − cada coluna correspondendo a um elemento do conjunto. Convencione que onde ocorre 1 o elemento entra na combina¸c˜ao e que onde ocorre 0, n˜ ao entra. A prova dever´ a ser feita para n arbitr´ario. 52
1.2.4
Subespa¸cos Vetoriais
Defini¸ c˜ ao 3 (Subespa¸co vetorial). Sejam V um espa¸co vetorial e U ⊂ V um subconjunto n˜ ao vazio de V . O subconjunto U ´e um subespa¸co vetorial de V se U ´e um espa¸co vetorial em rela¸ca ˜o ` a adi¸ca ˜o e ` a multiplica¸ca ˜o por escalar definidas em V . Para mostrar que U ´e um subespa¸co vetorial de V devemos, a princ´ıpio, verificar as oito exigˆencias de espa¸co vetorial relativas `a adi¸c˜ao e `a multiplica¸c˜ao por escalar (quadro amarelo, p. 14). Entretanto, como U ´e subconjunto de V , e sendo V − por hip´ otese − um espa¸co vetorial, resulta que n˜ ao h´ a necessidade da verifica¸c˜ ao de certas exigˆencias em U . Por exemplo, a exigˆencia A1) diz que u + v = v + u, ∀ u, v ∈ V . Ora, se a comutatividade da adi¸c˜ ao vale para todos os elementos de V em particular tamb´em vale para todos os elementos de U . O mesmo raciocinio podemos aplicar a outras exigˆencias para espa¸co vetorial. A proposi¸c˜ ao seguinte facilita bastante quando devemos mostrar que dado subconjunto ´e um subespa¸co vetorial. Proposi¸ c˜ ao 1 (Subespa¸co Vetorial). Seja V um espa¸co vetorial. Um subconjunto U ⊂ V , n˜ ao vazio, ´e um subespa¸co vetorial de V se, e somente se, ´e fechado para as opera¸co ˜es de adi¸ca ˜o e multiplica¸ca ˜o por escalar de V ; ou seja, se I ) Para quaisquer u, v ∈ U , tem-se: u + v ∈ U ; II ) Para quaisquer λ ∈ R, u ∈ U , tem-se: λ u ∈ U .
Prova: (⇒) H : U ⊂ V ´e subespa¸co vetorial de V ; T : U ´e fechado para as opera¸c˜oes de espa¸co vetorial.
Se U ´e um subespa¸co, ent˜ ao obviamente as condi¸c˜oes I ) e II ) s˜ ao satisfeitas. Reciprocamente, (⇐) H : U ´e fechado para as opera¸c˜oes de espa¸co vetorial; T : U ⊂ V ´e subespa¸co vetorial de V .
Suponha que as condi¸c˜ oes I ) e II ) s˜ ao satisfeitas para U . Vamos mostrar que as oito exigˆencias de espa¸co vetorial tamb´em s˜ ao satisfeitas em U . De fato, tomemos u ∈ U . Pela condi¸c˜ao II ), λ u ∈ U para todo λ ∈ R; sendo assim, tomemos λ = 0, logo 0 u ∈ U , ou seja, 0 ∈ U . Tomando agora λ = −1, segue que (−1) u = −u ∈ U . As demais exigˆencias A1), A2), M1), M2), M3) e M4) de espa¸co vetorial s˜ ao verificadas em U pelo fato de U ser um subconjunto n˜ ao-vazio de V . Observe, por II ) acima, que se U ´e um subespa¸co de V ent˜ao U deve necess´ariamente conter o vetor nulo 0 de V . Com efeito, tomando λ = 0 ∈ R e u ∈ U arbitr´ario, resulta 0 u = 0 ∈ U . Podemos registrar este achado na forma de uma proposi¸c˜ ao. 53
Proposi¸ c˜ ao 2. Todo subespa¸co U de um espa¸co vetorial V deve conter o vetor 0 de V . Assim um subconjunto U que n˜ ao contenha o vetor 0 n˜ ao ´e um subespa¸co. Nota: Todo espa¸co vetorial V admite pelo ao menos dois subespa¸cos: { 0 }, chamado subespa¸co nulo, e o pr´ oprio espa¸co vetorial V . Esses dois subespa¸cos s˜ ao conhecidos como subespa¸cos triviais. Exemplos: 1) Consideremos o espa¸co vetorial R2 e o subconjunto, U = { (x, y) ∈ R2 : x + y = 0 } dos pontos cuja soma das coordenadas ´e nula. Vamos mostrar que U ´e um subespa¸co de R2 . Prova: De fato, de acordo com a Proposi¸ c˜ ao 1 devemos inicialmente mostrar que U 6= ∅; mas isto ´e f´acil porquanto 0 = (0, 0) ∈ U , uma vez que: 0 = (0, 0) ↓ ↓
x+y=0
Para provar a condi¸c˜ ao, I ), isto ´e, que U ´e fechado para a opera¸c˜ao de adi¸c˜ ao, tomemos dois elementos arbitr´arios em U : u = (a, b) e v = (c, d). Devemos provar que u + v = (a, b) + (c, d) = (a + c, b + d) ∈ U para isto ´e suficiente mostrar que: (a + c) + (b + d) = 0
(1.13)
A nosso favor contamos com a hip´ otese de que u = (a, b) e v = (c, d) est˜ ao em U , o que se traduz nas seguintes equa¸c˜oes: a+b=0 c+d =0 somando-as obtemos, (a + b) + (c + d) = 0
⇒
(a + c) + (b + d) = 0
o que prova (1.13). Agora s´ o nos resta mostrar que U ´e tamb´em fechado para a multiplica¸c˜ ao por escalar. Para isto, pela condi¸c˜ao II )(da Proposi¸ c˜ ao 1), devemos fixar λ ∈ R e u = (a, b) ∈ U arbitr´ariamente, e mostrar que λ u = (λ a, λ b) ∈ U , para isto ´e suficiente mostrar que: (λ a) + (λ b) = 0 54
(1.14)
A nosso favor contamos com a hip´ otese de que u = (a, b) est´ a em U , o que se traduz na seguinte equa¸c˜ ao: a+b=0 multiplicando esta equa¸c˜ ao por λ, obtemos ⇒
λ (a + b) = 0
(λ a) + (λ b) = 0
o que prova (1.14).
>
Os vetores em U s˜ ao os pontos (x, y), do plano, cujas coordenadas satisfazem a equa¸c˜ ao x + y = 0, ou ainda, y = −x. S˜ ao os pontos da bissetriz dos quadrantes ´ımpares. Podemos visualizar geometricamente o subespa¸co U deste exemplo, assim: y
p
3 U
p
2
p
1
p
p
−1
0
p
1
p
2
p
3
x
p
−2
p
x+y = 0
Nota: Para que U ⊂ V seja um subespa¸co ´e uma condi¸c˜ao necess´aria, mas n˜ ao suficiente, que 0 ∈ U . Em outras palavras: o vetor nulo obrigatoriamente est´ a em todo subespa¸co. Ou ainda, se 0 6∈ U j´a podemos descarta U como subespa¸co. Entretanto, se o vetor nulo est´ a em U , isto por si s´ o n˜ ao ´e suficiente para garantir que U seja um espa¸co vetorial. No exemplo seguinte mostramos um contraexemplo, 2) Consideremos o espa¸co vetorial R2 e o subconjunto, U = { (x, y) ∈ R2 : y = |x| } dos pontos cuja ordenada ´e o valor absoluto da abscissa. Inicialmente observamos que 0 = (0, 0) ∈ U uma vez que: y = |0|
0 = (0, 0)
55
− Para mostrar que um dado U ⊂ V ´e um subespa¸co de V devemos mostrar que o mesmo satisfaz as condi¸c˜oes I ) e II ) da Proposi¸ c˜ ao 1; agora para mostrar que que U n˜ ao ´e um subespa¸co a´ı fica mais f´acil, basta exibir um contra-exemplo. Digo, basta exibir dois pontos u e v em U , cuja soma u + v n˜ ao pertence a U ; ou ainda, basta exibir um ponto u em U e um escalar λ ∈ R de modo que o produto λ u 6∈ U . No caso em quest˜ ao tomemos u = (−1, 1) e v = (2, 2) pontos de U , temos que, u + v = (−1, 1) + (2, 2) = (−1 + 2, 1 + 2) = (1, 3) 6∈ U
(devido a que 3 6= |1| )
Alternativamente, poderiamos ter provado que U n˜ ao ´e um subespa¸co vetorial de R2 tomando, por exemplo, u = (−1, 1) ∈ U e λ = −1 ∈ R. De fato, λ u = −1 (−1, 1) = (−1 · (−1), −1 · 1) = (1, −1) 6∈ U
(devido a que −1 6= |1| )
Geometricamente tudo se passa assim: y
p
3
U
u + v 6∈ U t
U
tv
p
2
p
−2
1
p
ut p
−1
0
p
1
p
2
p
3
x
t λ u 6∈ U
p
−1
3) R2 n˜ ao ´e um subespa¸co de R3 , pois R2 n˜ ao ´e um subconjunto de R3 . 4) Seja V um espa¸co vetorial. Seja u um vetor arbitrariamente fixado em V . Vamos mostrar que o conjunto, U = { λ u: λ ∈ R } dos m´ ultiplos escalares de u, ´e um subespa¸co vetorial de V . Prova: Antes de mais nada observe que no conjunto U acima temos infinitos elementos; digo, a cada n´ umero real corresponde um elemento neste conjunto, assim: 56
···
p −3
p −2
p −1
s λ u ∈ U p p 1 λ 0 ↔
p
2
p ···
3
R
I ) Inicialmente vamos mostrar que U ´e fechado para a adi¸c˜ao. Para tanto tomemos dois elementos arbitr´arios v e w em U e mostremos que v + w ∈ U. Se v e w est˜ ao em U ent˜ ao, pela defini¸c˜ao de U , existem dois escalares µ e ν em R tais que: v = µu e w = ν u logo, v +w = µu + ν u Como, por hip´ otese, u est´ a em V que ´e um espa¸co vetorial, segue que podemos aplicar o axioma M2) (p. 13) para concluir que v + w = (µ + ν) u. Como µ + ν ∈ R segue que v + w ∈ U .
II ) Agora mostremos que U ´e fechado para a multiplica¸c˜ao por escalar. Para tanto fixemos, arbitrariamente, um ponto v em U e um escalar λ em R e mostremos que λ v ∈ U . Com efeito, como v est´ a em U , existe um escalar µ em R tal que: v = µ u; logo, λ v = λ (µ u)
Como, por hip´ otese, u est´ a em V que ´e um espa¸co vetorial, segue que podemos aplicar o axioma M1) para concluir que λ v = (λ µ) u. Como λ µ ∈ R > segue que λ v ∈ U . O subespa¸co,
U = { λ u: λ ∈ R } pode ser apelidado de “a reta que passa pela origem e cont´em u”. Este poss´ıvel apelido se deve a que nos espa¸cos vetoriais V = R2 e V = R3 ´e precisamente isto que acontece. Para contextualizar vejamos dois exemplos: 1o ) Fixemos V = R2 e u = (2, 1). Sendo assim, temos: U = { λ (2, 1) : λ ∈ R } = { (2λ, λ) : λ ∈ R } Por exemplo, λ = −1 λ = − 21
⇒
λ u = (2 · (−1), −1) = (−2, −1)
⇒
λ u = (2 ·
λ=0
⇒
λ u = (2 · 0, 0) = (0, 0)
−1 2 ,
− 21 ) = (−1, − 21 )
1 2
⇒
λ u = (2 · 12 , 12 ) = (1, 21 )
λ=1
⇒
λ u = (2 · 1, 1) = (2, 1)
λ=
57
Geometricamente, temos, y
p
3
p
2
U
u
t
p
1
t
p
−2
p
t
−1
0
p
1
p
p
2
3
x
t
t
p
−1 u
− 12 u
p
p
−3
2o ) Fixemos V = R3 e u = (1, 2, 1). Sendo assim, temos: U = { λ (1, 2, 1) : λ ∈ R } = { (λ, 2λ, λ) : λ ∈ R } Por exemplo, λ = −1 λ = − 12 λ=0 λ=
1 2
λ=1
⇒
λ u = (−1, 2 · (−1), −1) = (−1, −2, −1) −1 2 ,
⇒
λ u = (− 12 , 2 ·
− 21 ) = (− 12 , −1, − 21 )
⇒
λ u = (0, 2 · 0, 0) = (0, 0, 0)
⇒
λ u = ( 21 , 2 · 12 , 21 ) = ( 12 , 1, 12 )
⇒
λ u = (1, 2 · 1, 1) = (1, 2, 1)
Geometricamente, temos, z
u
U y
−1 u x
5) Sejam o espa¸co vetorial V = M2×2 (R) das matrizes de ordem 2 × 2, com entradas reais; ou ainda, a b V = : a, b, c, d ∈ R c d 58
e, U=
a b 0 0
: a, b ∈ R
isto ´e, U ´e o conjunto das matrizes quadradas, de ordem 2, cujos elementos da segunda linha s˜ ao nulos. Vamos provar que U ´e um subespa¸co vetorial de V . Prova: Com efeito, fixemos u, v ∈ U arbitr´arios, assim: a b c d u= , v= . 0 0 0 0 Ent˜ao, u+v =
a b 0 0
+
c d 0 0
=
a+c b+d 0 0
∈ U.
Agora tomemos λ ∈ R arbitr´ario, ent˜ao a b λa λb λa λb λu = λ = = ∈ U. 0 0 λ0 λ0 0 0 Portanto, U ´e subespa¸co vetorial de M2×2 (R).
>
6) Considere o espa¸co vetorial F de fun¸c˜oes (p. 33). Considere, ademais o conjunto U p = f ∈ F : f (−x) = f (x), para todo x ∈ R
das fun¸c˜ oes, f : R → R pares, e o conjunto U I = f ∈ F : f (−x) = −f (x), para todo x ∈ R
das fun¸c˜ oes, f : R → R ´ımpares. Afirmamos que U p e U I s˜ ao, ambos, subespa¸cos vetoriais de F. Faremos a prova para U p e deixaremos a outra como exerc´ıcio. Com efeito, fixemos g, h ∈ U p e provemos que g + h ainda ´e uma fun¸c˜ao par. Isto ´e, devemos mostrar que, (g + h)(−x) = (g + h)(x),
∀x ∈ R
A nosso favor contamos com a hip´ otese de que g e h s˜ ao fun¸c˜oes pares, logo g(−x) = g(x),
∀x ∈ R
h(−x) = h(x),
∀x ∈ R
somando estas duas equa¸c˜ oes obtemos, g(−x) + h(−x) = g(x) + h(x), 59
∀x ∈ R
Agora aplicamos a defini¸c˜ao de adi¸c˜ao desta equa¸c˜ ao para obter,
(eq. (1.6), p. 33)
(g + h)(−x) = (g + h)(x),
em ambos os membros
∀ x ∈ R.
Agora seja λ ∈ R um escalar arbitrariamente fixado. Provemos que λ g ´e uma fun¸c˜ ao par, isto ´e, que (λ g)(−x) = (λ g)(x),
∀x ∈ R
Com efeito, sendo g, por hip´ otese, uma fun¸c˜ao par, temos g(−x) = g(x),
∀x ∈ R
multiplicando esta equa¸c˜ao por λ, obtemos: λ g(−x) = λ g(x),
∀x ∈ R
Agora aplicamos a defini¸c˜ao de multiplica¸c˜ao por escalar ambos os membros desta equa¸c˜ao para obter, (λ g)(−x) = (λ g)(x),
(eq. (1.7), p. 34)
em
∀ x ∈ R.
7) O conjunto C(X, R) das fun¸c˜oes reais cont´ınuas, com dom´ınio no conjunto X, ´e um subespa¸co do espa¸co F(X, R) (ver eq. (1.8), p. 37). De fato, sabe-se do C´ alculo que a soma de fun¸c˜oes cont´ınuas ´e ainda uma fun¸c˜ao cont´ınua e o mesmo acontece com a multiplica¸c˜ao de uma fun¸c˜ao cont´ınua por um escalar. 8) O espa¸co Pn ( R ) ´e, por sua vez, um subespa¸co de C(X, R), porquanto um polinˆ omio, p(x) = a0 + a1 x + a2 x2 + · · · + an xn pode ser visto como uma fun¸c˜ao cont´ınua e, ademais, a soma de dois polinˆ omios ´e um polinˆ omio e o produto de um n´ umero real por um polinˆ omio ´e um polinˆ omio. Podemos escrever, Pn ( R ) ⊂ C(X, R) ⊂ F(X, R) 9) Um outro exemplo de subespa¸co ´e o de todos os polinˆ omios que se anulam no 0. Com efeito, se p e q s˜ ao dois de tais polinˆ omios, ent˜ao a soma p + q e o m´ ultiplo por escalar λ p tamb´em se anulam em 0 pois, ( p + q )(0) = p(0) + q(0) = 0 + 0 = 0; (λ p)(0) = λ p(0) = λ 0 = 0. 10) Considere o seguinte conjunto de c´odigos: Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 } O subconjunto U = { 000, 110, 011, 101 } ´e um subespa¸co de Z32 . Prove isto. 60
Interse¸ c˜ ao de subespa¸ cos No exemplo 4) vimos que o conjunto, U = { λ u: λ ∈ R } ´e um subespa¸co. Fazendo u variar obtemos uma fam´ılia de subespa¸cos. Apenas para ilustrar consideremos, novamente, V = R2 . Observe, graficamente, alguns membros da fam´ılia, y u=(1, 2)
3
3 ) 3
p
u=(−1,
√
p
2
u=(2, 1)
p
1
p
p
−2
p
−1
p
t
1
p
2
p
3
x
p
p
−3
u=(2, 12 )
Observe que a interse¸ca ˜o de todos estes subespa¸cos ´e a “origem”: { 0 }, que, por sua vez, ´e tamb´em um subespa¸co. Esta observa¸c˜ ao pode ser generalizada dizendo-se que a interse¸c˜ao de qualquer fam´ılia (cole¸c˜ ao) de subespa¸cos continua sendo um subespa¸co. Mais formalmente, 11) Seja V um espa¸co vetorial e L um conjunto de ´ındices. Se, para cada µ ∈ L, Uµ ´e um subespa¸co vetorial de V , ent˜ao a interse¸c˜ao \
Uµ = U
µ∈L
´e ainda um subespa¸co vetorial de V . Apenas por curiosidade, o conjunto de ´ındices L, da fam´ılia de subespa¸cos plotada anteriormente, pode ser considerado como os reais, digo, L = R onde o ´ındice que fixa cada subespa¸co ´e a inclina¸ca ˜o (tangente) da reta, por exemplo, 61
y µ=2
3
3 3
p
µ=−
√
p
2
µ= 12
p
1
p
p
−2
p
−1
t
p
1
p
2
p
3
x
p
p
−3
µ= 14
Neste caso, temos
\
µ∈R
1.2.5
Uµ = { 0}
Soma de Subespa¸cos
Sejam U e V dois subespa¸cos vetoriais de um espa¸co vetorial W . Defini¸ c˜ ao 4 (Soma de subespa¸cos). Indicaremos por U + V e chamaremos de soma de U com V o seguinte subconjunto de W : U + V = {u + v: u ∈ U e v ∈ V } Observe que um vetor w pertence a U + V se, e somente se, ele puder ser escrito na forma de uma soma w = u + v, com u ∈ U e v ∈ V . Exemplos: a ) U + { 0} = U . De fato, tomando V = { 0}, na defini¸c˜ao de soma, temos U + { 0} = { u + v : u ∈ U e v ∈ { 0} } = { u + 0: u ∈ U } = { u: u ∈ U } = U b ) U ⊂ U + V . De fato, seja u ∈ U um elemento arbitr´ario, queremos provar que, u ∈ U + V = { u + v : u ∈ U e v ∈ V },
como, por hip´ otese, V ´e um subespa¸co temos que 0 ∈ V , logo, tomando v = 0, temos que u pode ser escrito como, u = u + 0, com u ∈ U e 0 ∈ V 62
portanto, desta forma, todo elemento de U tem livre acesso ao conjunto U +V. De modo an´ alogo provamos que V ⊂ U + V . Proposi¸ c˜ ao 3. Se U e V s˜ ao subespa¸cos vetoriais de W , ent˜ ao U + V ´e tamb´em um subespa¸co vetorial de W . Prova: Como U e V s˜ ao subespa¸cos segue-se que 0 ∈ U e 0 ∈ V ; como, 0+ 0 = 0 ↓ ↓ U
V
isto significa que conseguimos escrever o vetor nulo como soma de dois elementos, um de U e outro de V , portanto 0 ∈ U + V . Agora, sejam w1 e w2 dois elementos arbitr´arios de U + V , desejamos mostrar que w1 + w2 ∈ U + V . Com efeito, pelo fato de w1 e w2 estarem em U + V isto implica em que estes dois elementos podem ser escritos assim: w1 = u1 + v1 ↓ ↓ U
e
w2 = u2 + v2 ↓ ↓
V
U
V
para algum u1 ∈ U e para algum v1 ∈ V , bem como para algum u2 ∈ U e para algum v2 ∈ V . Sendo assim, temos w1 + w2 = (u1 + v1 ) + (u2 + v2 ) ↓ ↓ ↓ ↓ U
V
U
V
Como u1 , v1 , u2 , v2 s˜ ao vetores em W , podemos aplicar as propriedades comutativa e associativa, assim: w1 + w2 = (u1 + u2 ) + (v1 + v2 ) ↓ ↓ ↓ ↓ U
U
V
V
Como, por hip´ otese, U e V s˜ ao subespa¸cos segue-se que (u1 + u2 ) ∈ U e (v1 + v2 ) ∈ V , isto ´e, (
(
w1 + w2 = (u1 + u2 ) + (v1 + v2 ) U
V
↓
↓
Resumindo, mostramos que w1 + w2 pode ser escrito como soma de dois elementos, um de U e outro de V , portanto, w1 + w2 ∈ U + V .
Finalmente, seja w ∈ U + V , um elemento arbitr´ario e λ ∈ R tamb´em arbitrariamente fixado. Devemos mostrar que λ w ∈ U + V . Como, por hip´ otese, w ∈ U + V ent˜ao podemos escrever, w =u+v ↓ ↓ U
V
63
para algum u ∈ U e para algum v ∈ V . Sendo assim temos λ w = λ(u + v) ↓ ↓ U
V
Como u e v pertencem ao espa¸co vetorial W ent˜ao podemos aplicar a distributividade, assim: λw = λu + λv ↓ ↓ U
V
Como U e V s˜ ao subespa¸cos segue que λ u ∈ U e λ v ∈ V , ou ainda:
λw = λu + λv ↓
U
↓ V
Resumindo, mostramos que λ w pode ser escrito como soma de dois elementos, um de U e outro de V , portanto, λ w ∈ U + V ; sendo assim U + V ´e necessariamente um subespa¸co vetorial e, por conseguinte, seus elementos adquirem o status de vetores.
Defini¸ c˜ ao 5 (Soma Direta de subespa¸cos). Sejam U e V subespa¸cos vetoriais de W tais que U ∩ V = { 0}. Neste caso diz-se que U + V ´e soma direta dos subespa¸cos U e V . Para este caso particular de somas temos uma nota¸c˜ao especial: U ⊕ V , significa soma direta. Se U e V s˜ ao subespa¸cos de W tais que U ⊕ V = W dizemos que U e V s˜ ao suplementares ou que U ´e suplementar de V (ou vice-versa). Proposi¸ c˜ ao 4. Sejam U e V subespa¸cos vetoriais de um espa¸co vetorial W. Ent˜ ao W = U ⊕ V se, e somente se, cada vetor w ∈ W admite uma u ´nica decomposi¸ca ˜o w = u + v, com u ∈ U e v ∈ V . Prova: ( ⇒ ) H: W ´e soma direta de U e V : W = U ⊕ V .
T:
Todo vetor w ∈ W se escreve, de modo u ´nico, na forma w = u + v, onde u ∈ U e v ∈ V .
De fato, de W = U ⊕ V segue-se que, pela defini¸c˜ao de soma direta: W =U +V
(1.15)
U ∩ V = { 0}
(1.16)
64
Seja w ∈ W um vetor arbitr´ario; de (1.15) segue que, w = u + v,
para algum u ∈ U e para algum v ∈ V.
(1.17)
Suponhamos, por um momento, que w pudesse exprimir-se de outra forma, tipo: w = u′ + v ′ ,
para algum u′ ∈ U e para algum v ′ ∈ V.
(1.18)
As igualdades (1.17) e (1.18) permitem escrever: u + v = u′ + v ′ ;
onde, u, u′ ∈ U e v, v ′ ∈ V
ou ainda, u − u′ = v ′ − v
(1.19)
Como U e V s˜ ao subespa¸cos decorre que u − u′ ∈ U e v ′ − v ∈ V . Daqui e da equa¸c˜ ao (1.19) concluimos que, u − u′ ∈ U e u − u′ ∈ V v′ − v ∈ V
e v′ − v ∈ U
Conclus˜ao: u − u′ ∈ U e u − u′ ∈ V v′ − v ∈ V
e v′ − v ∈ U
⇒
′ u−u
v′ − v
∈ U ∩V e ∈ U ∩V
Sendo assim, respaldados na igualdade (1.16), podemos escrever: ( ( u − u′ = 0 u = u′ ⇒ v′ − v = 0 v′ = v
( ⇐ ) Para provar a rec´ıproca, o que era tese vira hip´ otese e o que era hip´ otese vira tese, ent˜ ao: ´nico, na forma w = u + v, H: Todo vetor w ∈ W se escreve, de modo u onde u ∈ U e v ∈ V . T: W ´e soma direta de U e V : W = U ⊕ V .
Se quisermos podemos desdobrar a rec´ıproca em duas (sub)hip´oteses e em duas (sub)teses, assim: 65
H:
T:
H1 : Todo vetor w ∈ W se escreve na forma w = u + v, com u ∈ U e v ∈ V . H : A escrita acima ´e u ´nica (se verifica de modo u ´nico). 2 T1 : W = U + V . T : U ∩ V = { 0} 2
Da hip´ otese H1 e da defini¸c˜ao de U + V segue-se que W ⊂ U + V , como a inclus˜ao contr´ aria ´e sempre verdadeira, decorre que W = U + V . Por outro lado, seja w ∈ U ∩ V , vamos mostrar que w = 0. Com efeito, temos w = w + 0 = 0 + w, como w pertence a ambos os subespa¸cos U e V e, ademais, 0 ∈ U e 0 ∈ V , podemos escrever: w =w+ 0= 0+w ↓ ↓ ↓ ↓ U
V
U
V
Segundo H2 a escrita acima ´e u ´nica, o que significa que, = w =w+ 0= 0+w = Exemplo: O espa¸co vetorial W =
R2
´e soma direta dos subespa¸cos:
U = { (x, 0) : x ∈ R } V = { (0, y) : y ∈ R } De fato, primeiramente vamos mostrar que R2 = U + V . Isto ´e f´acil uma vez que, para todo (x, y) ∈ R2 , podemos escrever: (x, y) = (x, 0) + (0, y) ↓ ↓ U
V
Tamb´em ´e imediato que, U ∩ V = { (0, 0) }. Logo, por defini¸c˜ao de soma direta, resulta que R2 = U ⊕ V . Geometricamente tudo se passa assim: V
(0, y) s
ր
s(x, y)
s
s (x, 0)
(0, 0)
66
U
1.2.6
Combina¸c˜ oes Lineares
Seja V um espa¸co vetorial sobre R. Escolhamos neste espa¸co n vetores u1 , u2 , . . . , un para montar o subconjunto S = { u1 , u2 , . . . , un }. Indiquemos por [ S ] o seguinte subconjunto de V construido a partir de S: [ S ] = λ1 u1 + λ2 u2 + · · · + λn un : λi ∈ R (1.20)
Observe que a cada n n´ umeros reais, λ1 , λ2 , . . . , λn , arbitrariamente fixados, corresponde um vetor (de V ): λ1 u1 + λ2 u2 + · · · + λn un em [ S ], veja: λ1 u1 + λ2 u2 + ··· + λn un ∈ [ S ]
···
p
−3
p s ↑
−2
λ1
p
−1
s p
↑
λ2
p
1
0
···
s p 2
↑
λn
p ···
R
3
Vamos provar que [ S ] ´e um subespa¸co vetorial de V . Prova: Vamos mostrar inicialmente que o vetor nulo pertence a [ S ]; para isto escolhamos, na defini¸c˜ ao de [ S ], λ1 = λ2 = · · · = λn = 0, para obter: λ1 u1 + λ2 u2 + · · · + λn un = 0u1 + 0u2 + · · · + 0un = 0 ⇒
0 ∈ [S ]
Agora vamos mostrar que [ S ] ´e fechado para a opera¸c˜ao de adi¸c˜ao, para tanto tomemos dois elementos u e v, arbitr´arios em [ S ], e mostremos que a soma u + v tamb´em pertence a [ S ]. De fato, como por hip´ otese u e v pertencem a [ S ] ent˜ ao, pela defini¸c˜ao de [ S ], existem duas n−uplas de n´ umeros reais, α1 , α2 , . . . , αn e β1 , β2 , . . . , βn tais que, u = α1 u1 + α2 u2 + · · · + αn un v = β1 u1 + β2 u2 + · · · + βn un Ent˜ao, u + v = ( α1 + β1 ) u1 + ( α2 + β2 ) u2 + · · · + ( αn + βn ) un Fazendo, u + v = ( α1 + β1 ) u1 + ( α2 + β2 ) u2 + · · · + ( αn + βn ) un | {z } | {z } | {z } γ1
Isto ´e,
γ2
γn
u + v = γ1 u1 + γ2 u2 + · · · + γn un comparando com a defini¸c˜ ao de [ S ] vemos que u + v ∈ [ S ]. 67
Agora vamos mostrar que [ S ] ´e fechado para a opera¸c˜ao de multiplica¸c˜ao por escalar, para tanto tomemos um elemento u, arbitr´ario em [ S ], e um escalar β, arbitr´ario em R e mostremos que o produto β u tamb´em pertence a [ S ]. De fato, como por hip´ otese u pertence a [ S ] ent˜ao, pela defini¸c˜ao de [ S ], existe uma n−upla de n´ umeros reais, α1 , α2 , . . . , αn tal que, u = α1 u1 + α2 u2 + · · · + αn un Ent˜ ao, β u = β (α1 u1 + α2 u2 + · · · + αn un ) = ( β α1 ) u1 + ( β α2 ) u2 + · · · + ( β αn ) un Fazendo, β u = ( β α1 ) u1 + ( β α2 ) u2 + · · · + ( β αn ) un |{z} |{z} |{z} γ1
Isto ´e,
γ2
γn
β u = γ1 u1 + γ2 u2 + · · · + γn un comparando com a defini¸c˜ao de [ S ] vemos que β u ∈ [ S ].
>
Defini¸ c˜ ao 6. O subespa¸co [ S ] construido acima recebe o nome de subespa¸co gerado por S. Dizemos que cada elemento de [ S ], isto ´e, cada λ1 u1 + λ2 u2 + · · · + λn un ´e uma combina¸ca ˜o linear de S ou combina¸ca ˜o linear de u1 , u2 , . . . , un . Uma outra nota¸c˜ ao consagrada para [ S ] ´e: [ u1 , u2 , . . . , un ] Diz-se tamb´em que os vetores u1 , u2 , . . . , un geram [ S ], ou ent˜ao que s˜ ao um sistema de geradores de [ S ] = [ u1 , u2 , . . . , un ]. Em particular, quando [ S ] = V , dizemos que S = { u1 , u2 , . . . , un } ´e um conjunto de geradores de V . Nota: Podemos estender a defini¸c˜ao anterior para o caso S = ∅ mediante a seguinte conven¸c˜ ao: [ ∅ ] = { 0 }. 68
Da defini¸c˜ ao 6 decorrem as seguintes propriedades: P1 ) S ⊂ [ S ]
P2 ) S1 ⊂ S2 ⊂ V ⇒ [ S1 ] ⊂ [ S2 ] P3 ) [ S ] = [ S ]
P4 ) Se S1 e S2 s˜ ao subconjuntos de V , ent˜ao: [ S1 ∪ S2 ] = [ S1 ] ∪ [ S2 ]
Prova: Exerc´ıcio.
Exemplos: 1o ) Seja V = R2 e u = (2, 1). Encontre o subespa¸co gerado por u; isto ´e, encontre [ u ] = [ (2, 1) ]. Solu¸ c˜ ao: Temos, [u] = {λu : λ ∈ R} = { λ (2, 1) : λ ∈ R } = { (2 λ, λ) : λ ∈ R }
Portanto, os vetores (2 λ, λ) de [ u ] s˜ ao todos os vetores (x, y) de R2 tais que x = 2y; ou ainda, s˜ ao os pontos sobre a reta de equa¸c˜ao y = 21 x, veja: y
p
3
p
2
[u]
u
t
p
1
t
p
−2
p
−1
t 0
p
1
p
2
p
3
x
t
t
p
−1 u
− 21 u
p
p
−3
2o ) Seja V = R2 e S = { u1 = (1, 0), u2 = (0, 1) }. Encontre o subespa¸co gerado por S; isto ´e, encontre [ S ] = [ (1, 0), (0, 1) ]. Solu¸ c˜ ao: Temos, [ S ] = { λ1 u1 + λ2 u2 : λ1 , λ2 ∈ R } = { λ1 (1, 0) + λ2 (0, 1) : λ1 , λ2 ∈ R } = { (λ1 , λ2 ) : λ1 , λ2 ∈ R } 69
` medida que λ1 e λ2 percorrem (“varrem”) os reais, (λ1 , λ2 ) percorre A todo o plano, de sorte que [ S ] = R2 . Veja geometricamente: R [S ]
l λ2
1 , λ2 )
s
p
(0, 1)
s(λ
p
0
ps
(1, 0)
R
λ1
↔
p
p
p
3o ) Seja V = R3 e S = { u1 = (1, 0, 0), u2 = (0, 1, 0) }. Encontre o subespa¸co gerado por S; isto ´e, encontre [ S ] = [ (1, 0, 0), (0, 1, 0) ]. Solu¸ c˜ ao: Temos, [ S ] = { λ1 u1 + λ2 u2 : λ1 , λ2 ∈ R } = { λ1 (1, 0, 0) + λ2 (0, 1, 0) : λ1 , λ2 ∈ R } = { (λ1 , λ2 , 0) : λ1 , λ2 ∈ R } ` medida que λ1 e λ2 percorrem (“varrem”) os reais, (λ1 , λ2 , 0) percorre A todo o plano xoy (plano do “ch˜ ao”), veja: z
[S]
(0, 1, 0) (1, 0, 0) x
70
y
De modo an´ alogo, considerando S = { (1, 0, 0), (0, 1, 0), (0, 0, 1) } resulta [ S ] = R3 , uma vez que, (x, y, z) = x (1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) Generalizando este exemplo, temos que o conjunto de n vetores, S = { (1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, 0, . . . , 1) } gera todo o espa¸co vetorial Rn , isto ´e, [ S ] = Rn . 4o ) Seja V = R3 . Encontre o subespa¸co gerado por S = { u1 , u2 }, onde u1 = (1, −2, −1) e u2 = (2, 1, 1). Solu¸ c˜ ao: Fa¸camos, [ u1 , u2 ] = { (x, y, z) ∈ R3 : (x, y, z) = λ1 (1, −2, −1) + λ2 (2, 1, 1) } Desta u ´ltima igualdade resulta: λ1
+
2λ2
=x
−2λ1
+
λ2
=y
−λ1
+
λ2
=z
Desta u ´ltima equa¸c˜ ao tiramos λ2 = z + λ1 , substituindo nas duas primeiras e eliminando, de ambas, λ1 , obtemos x + 3y − 5z = 0. Logo, [ u1 , u2 ] = { (x, y, z) ∈ R3 : x + 3y − 5z = 0 } Geometricamente, o subespa¸co acima ´e um plano passando pela origem. 5o ) Considere o espa¸co vetorial M2×2 (R) e S ⊂ M2×2 (R) dado por: 0 0 0 0 0 1 1 0 , , , S= 0 1 1 0 0 0 0 0 encontre [ S ]. Solu¸ ca ˜o: Temos, 1 0 0 1 0 0 0 0 [ S ] = λ1 + λ2 + λ3 + λ4 : λi ∈ R 0 0 0 0 1 0 0 1 =
λ1 λ2 λ3 λ4
: λ1 , λ2 , λ3 , λ4 ∈ R
` medida que λ1 , . . . , λ4 percorrem (“varrem”) os reais, obtemos todas as A matrizes (vetores) de ordem 2 × 2, portanto, [ S ] = M2×2 (R). 71
6o ) Seja V = Pn ( R ) e S = { 1, x, x2 , . . . , xn } subespa¸co gerado por S. Solu¸ c˜ ao: Temos,
(ver p. 32).
Encontre o
[ S ] = { λ 0 · 1 + λ1 · x + λ2 · x 2 + · · · + λ n · x n : λi ∈ R } ` medida que os λi (i = 0, 1, . . . , n) percorrem os reais, todos os polinˆ A omios s˜ ao gerados, isto ´e, [ S ] = Pn ( R ). 7o ) A defini¸c˜ ao (1.20) (p. 67) pode ser estendida para espa¸cos vetoriais V sobre um corpo K arbitr´ario: [ S ] = λ1 u1 + λ2 u2 + · · · + λn un : λi ∈ K
Por exemplo consideremos o corpo Z2 = { 0, 1 } e Z22 = { 00, 10, 01, 11 }. Para qualque u ∈ Z22 temos [ u ] = λ u : λ ∈ Z2 = { 0 u, 1 u} = { 0, 1 u} = { 00, u}
Se S = { 10, 01 }, por exemplo, temos [ S ] = λ1 10 + λ2 01 : λ1 , λ2 ∈ Z2
(1.21)
Sendo Z2 = { 0, 1} existem duas possibilidades para λ1 e duas possibilidades para λ2 , logo pelo princ´ıpio multiplicativo existem ao todo 2 × 2 = 22 possibilidades, constantes na tabela a seguir λ1 λ2
0 0
1 0
0 1
1 1
Substituindo essas possibilidades em (1.21) e fazendo as contas obtemos: [ { 10, 01 } ] =
1.2.7
00, 10, 01, 11 = Z22
(1.22)
Espa¸cos Vetoriais Finitamente Gerados
Vimos anteriormente que o conjunto S = { (1, 0, 0), (0, 1, 0), (0, 0, 1) } gera todo o espa¸co R3 . Ou ainda, estes trˆes vetores s˜ ao suficientes para gerar (via combina¸c˜ ao linear) todos os vetores de R3 , haja vista que, para todo vetor (a, b, c) ∈ R3 , podemos escrever: (a, b, c) = a (1, 0, 0) + b (0, 1, 0) + c (0, 0, 1) Este ´e um exemplo de espa¸co vetorial finitamente gerado. Um outro exemplo ´e dado pelo espa¸co M2×2 ( R ) de matrizes visto anteriormente; e ainda um outro exemplo ´e dado pelo espa¸co Pn ( R ) tamb´em visto anteriormente; ainda um outro exemplo ´e dado na equa¸c˜ao (1.22). Defini¸ c˜ ao 7. Dizemos que um espa¸co vetorial V ´e finitamente gerado se existe S ⊂ V , S finito, de modo que V = [ S ]. Neste livro consideramos apenas espa¸cos vetoriais finitamente gerados. 72
Um espa¸ co que n˜ ao ´ e finitamente gerado Consideremos P( R ) como o espa¸co de todos os polinˆ omios reais. Este espa¸co n˜ ao ´e finitamente gerado. De fato, dado S = { p1 , p2 , . . . , pn } ⊂ P( R ), onde pi ´e um polinˆ omio de grau i e pn ´e o polinˆ omio de mais alto grau; qualquer combina¸c˜ ao linear, λ1 p 1 + λ2 p 2 + · · · + λ n p n tem grau ≤ n. Sendo assim, o subespa¸co [ p1 , p2 , . . . , pn ] cont´em somente polinˆ omios de grau menor ou igual ao de pn . Como P( R ) ´e formado por polinˆ omios de qualquer grau, existem nele polinˆ omios de grau maior que o de pn . Portanto, [ S ] 6= P( R ), qualquer que seja o conjunto finito S ⊂ P( R ). Convidamos o leitor a mostrar que R considerado como espa¸co vetorial sobre o corpo R ´e finitamente gerado (exiba um conjunto gerador), considerado como espa¸co vetorial sobre Q, n˜ ao ´e finitamente gerado. Uma contribui¸c˜ ao: adaptando o contexto inicial da p´ agina 67, temos: Seja R um espa¸co vetorial sobre Q. Escolhamos neste espa¸co n vetores u1 , u2 , . . . , un para montar o subconjunto S = { u1 , u2 , . . . , un }. Indiquemos por [ S ] o seguinte subconjunto de R construido a partir de S: [ S ] = λ1 u1 + λ2 u2 + · · · + λn un : λi ∈ Q O que o leitor deve mostrar ´e que n˜ ao existe S de modo que [ S ] = R.
∗
∗
∗
O que S˜ ao Vetores? Do ponto de vista matem´ atico, esta pergunta tem uma resposta simples mas satisfat´ oria: vetores s˜ ao os elementos de um espa¸co vetorial. No entanto, como f´ısico, vocˆe ´e ` as vezes exposto a um outro ponto de vista quando, por exemplo, no primeiro volume do Curso de F´ısica de Berkeley† , p. 25, vocˆe lˆe que: “um vetor ´e uma quantidade que tem associados a ele uma dire¸c˜ao e um sentido, bem como uma intensidade”. O que est˜ ao querendo dizer neste caso? O que isto tem a ver com o conceito matem´ atico de vetores? ´ a mesma coisa apenas em palavras diferentes? S˜ E ao perguntas bastante razo´ aveis, mas n˜ ao muito f´aceis de responder. De um modo ou de outro, o conceito n˜ ao ´ e exatamente o mesmo. ([1], p. 29/Grifo nosso)
† Kittel, C., Knight, W.D., and Ruderman, M.A., Mechanics. Berkeley Physics Course, Vol. I. McGraw-Hill: New York, 1965.
73
1.2.8
Exerc´ıcios
1) Quais dos seguintes subconjuntos W abaixo s˜ ao subespa¸cos do R3 ? ( a ) W = { (x, y, z) ∈ R3 : y = 0 }
( b ) W = { (x, y, z) ∈ R3 : x ≥ 0 }
( c ) W = { (x, y, z) ∈ R3 : x2 + y 2 + z 2 ≤ 1 }
( d ) W = { (x, y, z) ∈ R3 : x ´e irracional }
( e ) W = { (x, y, z) ∈ R3 : a x + b y + c z = 0, com a, b, c ∈ R }.
2) Quais dos seguintes subconjuntos W abaixo s˜ ao subespa¸cos do P2 ( R ) ? 2 ( a ) W = p(x) = a0 + a1 x + a2 x : a0 = 0 ( b ) W = p(x) = a0 + a1 x + a2 x2 : a0 + a1 + a2 = 0 ( c ) W = p(x) = a0 + a1 x + a2 x2 : a0 , a1 , a2 ∈ Z ( d ) W = p(x) ∈ P2 ( R ) : p(x) > 0, ∀ x ∈ R ( e ) W = p(x) ∈ P2 ( R ) : p(3) = p(1) , polinˆ omios que possuem o mesmo valor em 3 e em 1.
3) Seja I = [ 0, 1 ] e C(I) = { f : [ 0, 1 ] → R / f ´e cont´ınua }. Verificar se s˜ ao subespa¸cos de C(I): ( a ) f ∈ C (I) : f (0) = 0 ( b ) f ∈ C(I) : f (0) = 0 ou f (1) = 0 ( c ) f ∈ C(I) : f (0) = f (1) R1 ( d ) f ∈ C(I) : 0 f (x) dx = 0 ( e ) f ∈ C(I) : f (x) = 0 em todos os pontos de I exceto em um n.f.d . Nota: n.f.d, significa (abrevia¸c˜ao de): n´ umero finito deles.
4) Considere o subconjunto de Zn2 de todos os vetores com n´ umero par de bits iguais a 1, perguntamos se este subconjunto ´e um subespa¸co vetorial de Zn2 . 5) Considere o subconjunto de Zn2 de todos os vetores com n´ umero ´ımpar de bits iguais a 1, perguntamos se este subconjunto ´e um subespa¸co vetorial de Zn2 . 6) Mostre que o sistema W de todas as matrizes triangualares superiores 2 × 2 ´e um subespa¸co de M2×2 ( R ).
7) Mostre que o sistema W de todas as matrizes anti-sim´etricas 3 × 3 ´e um subespa¸co de M3×3 ( R ). 8) Mostre que o sistema W de todas as matrizes 2 × 2 da forma "
a a−b
a−b b
#
´e um subespa¸co de M2×2 . 74
9) Considere os seguintes subespa¸cos de R3 U = { (x, y, z) ∈ R3 : x = y = z = 0 } V = { (x, y, z) ∈ R3 : z = 0 } W = { (x, y, z) ∈ R3 : x + y + z = 0 } Mostre que U + V = R3 , U + W = R3 e V + W = R3 . Em algum destes casos a soma ´e direta? 10) Considere o espa¸co vetorial P3 ( R ) e o seguinte subconjunto S = 1, 1 − x, (1 − x)2 , (1 − x)3
Mostre que S gera o espa¸co P3 ( R ); isto ´e, mostre que [ S ] = P3 ( R ). 11) Encontre um conjunto de geradores para cada um dos seguintes subespa¸cos: ( a ) (x, y, y) ∈ R3 : 3x − 5y + 2z = 0 ( b ) (x, y, y) ∈ R3 : x + z = 0 e x − 2y = 0 ( c ) A ∈ M2×2 ( R ) : 3a11 = 2a12 ( d ) p ∈ P3 ( R ) : p(2) = 0 ( e ) p ∈ P3 ( R ) : p(2) = p(−1) 12) Sejam u e v dois vetores n˜ ao-nulos do R2 . Se n˜ ao existe nenhum λ ∈ R de modo que u = λ v, mostre que R2 = [ u ] ⊕ [ v ]. 13) Sejam U e V subespa¸cos vetoriais do espa¸co vetorial W . Prove que: (a) U ⊂ V
⇒
(b) U ⊂ V
⇒
⇒
(c) U + V = U (d) U ∩V = U
⇒
U +V =V U ∩V =U
U ⊃V.
U ⊂V.
14) Seja S = { 10, 11 }, T = { 01, 11 } e U = { 10, 01, 11 } subconjuntos de Z22 . Encontre [ S ], [ T ] e [ U ]. 15) Seja S um subconjunto n˜ ao-vazio de um espa¸co vetorial V . Ent˜ao, ( a ) Mostre que [ S ] ´e o menor subespa¸co de V que cont´em S, ou seja, se U ´e subespa¸co de V e S ⊂ U , ent˜ao [ S ] ⊂ U .
( b ) Mostre que se S1 e S2 s˜ ao subconjuntos de um espa¸co vetorial V e S1 ⊂ S2 , ent˜ ao [ S1 ] ⊂ [ S2 ]. ( c ) Mostre que se S1 e S2 s˜ ao subconjuntos de um espa¸co vetorial V , ent˜ao [ S1 ∪ S2 ] = [ S1 ] + [ S2 ]. 75
16) Mostre que os dois conjuntos { (1, −1, 2), (3, 0, 1) }
{ (−1, −1, 3), (3, 3, −4) }
e
geram o mesmo subespa¸co vetorial do R3 . 17) Construa um contraexemplo mostrando que a uni˜ ao de dois subespa¸cos de um mesmo espa¸co vetorial n˜ ao precisa ser um subespa¸co vetorial desse espa¸co. 18) Mostre que os dois conjuntos a seguir, sin2 x, cos2 x e 1, cos 2x
geram o mesmo subespa¸co vetorial de C ( R ).
76
Esta p´ agina ficaria em branco (ociosa), decidi aproveit´a-la para justificar a afirmativa que fiz na p. 29 de que na f´ısica de Einstein 1 + 1 6= 2. Suponhamos um observador O fixo em rela¸c˜ao ao solo, e um vag˜ao movendo-se com velocidade v em rela¸c˜ao ao solo. Dentro do vag˜ao h´ a uma bola que se move com velocidade u. u
•
∼
≀
v ·
q O
·
Sendo assim, Galileu nos diz que: V = v + u. Onde, V : velocidade da bola para o observador no solo. Einstein, respaldado em seu segundo postulado∗ , corrigiu a adi¸c˜ao de Galileu da seguinte forma: V =
v+u v·u 1+ 2 c
Onde c = 3 · 108 (m/s) ´e a velocidade da luz. Tomando u = v = 1 teremos que para Galileu 1 + 1 = 2, j´a para Einstein 1 + 1 6= 2. De fato, V =
1+1 6= 2 1·1 1+ (3 · 108 )2
(1.23)
Claro, os f´ısicos argumentariam que “para todos os fins pr´ aticos” 10−16 = 0 e a´ı as duas adi¸c˜ oes coincidem. Primeiro que arredondamento ´e sempre uma op¸c˜ ao, nunca uma obriga¸c˜ ao. Segundo, n˜ ao trata-se de arredondamento, ´e uma quest˜ ao conceitual. Por exemplo, “para todos os fins pr´ aticos” π = 3, 14159265359, entretanto conceitualmente o n´ umero da esquerda ´e irracional e o da direita racional. A f´ısica de Newton-Galileu n˜ ao ´e um caso particular da de Einstein. Observe que s´ o existe uma maneira de obter 1 + 1 = 2 na f´ısica de Einstein, devemos fazer 10−16 = 0, o que implicaria 1 = 0 (multiplicando por 1016 ). Logo, estabelecemos (na f´ısica de Einstein): Se 1 + 1 = 2 ent˜ ao 1 = 0. Mas isto equivale a: Se 1 6= 0 ent˜ao 1 + 1 6= 2. An passant, gostaria de deixar aqui um questionamento aos f´ısicos. A matem´ atica nos diz que a adi¸c˜ ao de vetores obedece a regra do paralelogramo, dada por | V~ |2 = | ~u |2 + | ~v |2 + 2 | ~u | · | ~v | · cos θ. Esta equa¸c˜ao para θ = 0o ~ | = | ~u | + | ~v |. Tomando u = v = 1 teremos | V ~ | = | 1 | + | 1 | = 2, torna-se | V contrariando (1.23)! Ent˜ ao velocidade n˜ ao ´e um vetor na f´ısica de Einstein?
∗ A velocidade da luz no v´ acuo tem o mesmo valor c em qualquer referencial inercial, independentemente da velocidade da fonte de luz.
77
Acho que muita gente vai se ´ claro e beneficiar com este livro. E com muitos exemplos e aplica¸co ˜es interessantes. Parab´ ens por ver seu grande esfor¸co coroado. (Ubiratan D’Ambr´ osio/USP)
Taguatinga-DF: Editora Kiron, 2013; 628 p. ISBN: 978-85-8113-125-2 ebah slideshare scribd https://goo.gl/OOaBBk https://goo.gl/R6MfVj https://goo.gl/yfqclG
78
Cap´ıtulo
2
˜ BASE E DIMENSAO De repente, a efic´ acia do esfor¸co matematizante ´e tal que o real se cristaliza nos eixos oferecidos pelo pensamento humano: novos fenˆ omenos se produzem. Pois ´e poss´ıvel falar sem hesita¸ca ˜o de uma cria¸ca ˜o dos fenˆ omenos pelo homem. O el´etron existia antes do homem do s´eculo XX. Mas, antes do homem do s´eculo XX, o el´etron n˜ ao cantava. Ora, ele canta nos computadores, televisores e celulares. (Gaston Bachelard/A forma¸ca ˜o do esp´ırito cient´ıfico, p. 305/Adap.)
2.1
Dependˆ encia Linear
Consideremos os seguintes vetores,
u=
1 0 0 1 0 0
,
v=
0 2 1 1 1 1
,
w=
2 −6 −3 −1 −3 −3
Estes vetores est˜ ao relacionados pela seguinte equa¸c˜ao: w = 2u − 3v Isto ´e,
2 −6 −3 −1 −3 −3
=2
1 0 0 1 0 0
−3
0 2 1 1 1 1
como ´e f´acil verificar. Neste caso, dizemos que w depende de u e v. Dizemos que um conjunto de vetores ´e linearmente dependente se um dos vetores do conjunto pode ser escrito como combina¸c˜ao linear dos demais. Por exemplo, no que diz respeito aos vetores acima, o conjunto { u, v, w } ´e linearmente dependente. Seja V um espa¸co vetorial sobre R. Temos a seguinte: 79
Defini¸ c˜ ao 8. Dizemos que um conjunto L = { u1 , u2 , . . . , un } ⊂ V ´e linearmente dependente (L.D.) se, e somente se, numa igualdade do tipo λ1 u1 + λ2 u2 + · · · + λn un = 0
(2.1)
pelo ao menos um dos escalares ´e n˜ ao nulo. Neste caso dizemos que os elementos de L s˜ ao linearmente dependentes. Um conjunto de vetores n˜ ao linearmente dependente ´e chamado linearmente independente (L.I.). De modo mais expl´ıcito: O conjunto de vetores { u1 , u2 , . . . , un } ´e L.I. se, e somente se, numa igualdade do tipo λ1 u1 + λ2 u2 + · · · + λn un = 0 obrigatoriamente todos os escalares (n´ umeros) λi s˜ ao nulos. A rela¸c˜ ao entre a no¸c˜ao intuitiva de dependˆencia linear e a defini¸c˜ao formal ´e dada no pr´ oximo teorema. Teorema 1. Um conjunto L = { u1 , u2 , . . . , un } ⊂ V ´e linearmente dependente se, e somente se, pelo menos um dos vetores puder ser escrito como uma combina¸ca ˜o linear dos demais. Prova: ( ⇒ ) H : L ´e L.D.
T : ui ´e combina¸c˜ao linear.
A hip´ otese nos assegura que na igualdade, λ1 u1 + λ2 u2 + · · · + λn un = 0
um dos escalares λi ´e diferente de zero. Para fixar (facilitar) o raciocinio suponhamos que λ1 6= 0. Sendo assim, existe o inverso de λ1 , multiplicando a igualdade acima por este inverso obtemos: 1 u1 + ( λ−1 λ2 ) u2 + · · · + ( λ−1 λn ) u n = 0 1 1 Logo, u1 = ( −λ−1 λ2 ) u2 + · · · + ( −λ−1 λn ) u n 1 1
esta igualdade mostra que u1 ´e combina¸c˜ao linear dos demais vetores de L. Analogamente se procede se o escalar n˜ ao nulo for um outro que n˜ ao λ1 . ao linear. T : L ´e L.D. ( ⇐ ) H : ui ´e combina¸c˜
A hip´ otese nos assegura que um dos vetores de L ´e combina¸c˜ao linear dos demais. Novamente para facilitar o raciocinio suponhamos que u1 seja o tal vetor, ent˜ ao existem escalares λ2 , . . . , λn tais que u1 = λ2 u2 + · · · + λn u2 . Rearranjando, obtemos u1 − λ2 u2 − · · · − λn u2 = 0, o que implica que u1 , u2 , . . . , un s˜ ao linearmente dependentes, haja vista que pelo menos um dos escalares (a saber, o coeficiente 1 de u1 ) ´e n˜ ao nulo. Vamos colocar em destaque o contrapositivo do teorema 1: 80
Teorema 2. Um conjunto L = { u1 , u2 , . . . , un } ⊂ V ´e linearmente independente se, e somente se, nenhum de seus vetores puder ser escrito como uma combina¸ca ˜o linear dos demais. Exemplos: 1 ) Sejam u1 = (1, 1) e u2 = (−1, 1) vetores do R2 . Para sabermos se eles s˜ ao L.I. ou L.D. escrevemos a equa¸c˜ao (2.1) (p. 80), assim: λ1 u1 + λ2 u2 = 0 ou ainda, λ1 (1, 1) + λ2 (−1, 1) = (0, 0). Esta equa¸c˜ ao d´ a origem ao sistema linear, ( λ1 − λ2 = 0 λ1 + λ2 = 0
cuja solu¸c˜ ao ´e λ1 = 0, λ2 = 0. Da defini¸c˜ao 8 (p. 80) concluimos que os vetores s˜ ao linearmente independentes. 2 ) Sejam u1 = (1, 1) e u2 = (2, 2) vetores do R2 . Para sabermos se eles s˜ ao L.I. ou L.D. escrevemos a equa¸ca˜o (2.1) (p. 80), assim: λ1 (1, 1) + λ2 (2, 2) = (0, 0)
(2.2)
Esta equa¸c˜ ao d´ a origem ao sistema linear, ( λ1 + 2 λ2 = 0
λ1 + 2 λ2 = 0
que ´e um sistema indeterminado. Por exemplo uma das poss´ıveis solu¸c˜oes ´e: λ1 = 2, λ2 = −1. Neste caso a equa¸c˜ao (2.2) fica: 2 (1, 1) + (−1) (2, 2) = (0, 0) Da defini¸c˜ ao 8 concluimos que os vetores s˜ ao linearmente dependentes. Na figura seguinte plotamos os vetores dos dois exemplos anteriores y
3
3
2
2
p
−2
p
−1
0
tu
p
tu
1
1
1
2
p
1
p
u2 t
tu
p
p
p
p
y
p
2
− Dois vetores L.I.
x
p
−1
81
0
p
1
1
p
2
p
3
− Dois vetores L.D.
x
Do teorema 1 podemos concluir que um conjunto { u1 , u2 } com dois vetores ´e L.D. se, e somente se, um dos vetores ´e m´ ultiplo escalar do outro. No caso particular do R2 isto se traduz − em termos geom´etricos − no fato de que dois vetores s˜ ao L.D. se, e somente se, eles situam-se sobre uma mesma reta† , como na figura anterior. 3 ) Os vetores u1 = ( 1, 2, 3 ) e u2 = ( 2, 4, 6 ) s˜ ao L.D. porquanto, 1 u1 = 2 u2 ; ou ainda, u2 = 2 u1 ; enquanto, v1 = ( 1, 2, 3 ) e v2 = ( 3, 2, 1 ) s˜ ao L.I. pois, v1 6= k v2 para todo k ∈ R. Nos gr´ aficos a seguir mostramos uma interpreta¸c˜ao geom´etrica da dependencia linear de dois e trˆes vetores no espa¸co R3 .
z
z
u2 t tu
tu
1
2
tu
1
y
x
y
− Dois vetores L.I. (Sobre retas distintas)
x
tu2
tu2
tu1
tu1
− Tr^ es vetores L.I.
x
− Tr^ es vetores L.D.
(Sobre um mesmo plano)
(Sobre planos distintos)
†
tu3 y
y
x
(Sobre a mesma reta)
z
z
ut3
− Dois vetores L.D.
Passando pela origem.
82
4 ) Mostre que os vetores de R2 u = (a, b)
e
v = ( a cos θ − b sen θ, a sen θ + b cos θ )
(2.3)
s˜ ao L.I., onde θ ´e um parˆ ametro tal que θ 6= kπ com k ∈ Z e u 6= 0. Solu¸ c˜ ao: Inicialmente montamos a seguinte equa¸c˜ao, λ1 u + λ2 v = 0 Ou ainda, λ1 (a, b) + λ2 ( a cos θ − b sen θ, a sen θ + b cos θ ) = (0, 0) Esta equa¸c˜ ao d´ a origem ao seguinte sistema: λ a + λ ( a cos θ − b sen θ ) = 0 1 2 λ b + λ ( a sen θ + b cos θ ) = 0 1 2
Multiplicando a primeira equa¸c˜ ao por b e a segunda por −a, obtemos: λ ab + λ ( ab cos θ − b2 sen θ ) = 0 1 2 −λ ab 1
+
λ2 ( −a2 sen θ − ab cos θ ) = 0
Somando estas duas equa¸c˜ oes resulta: λ2 ( a2 + b2 ) sen θ = 0. Sendo u = (a, b) 6= (0, 0) segue que λ2 sen θ = 0, sendo θ 6= kπ, temos sen θ 6= 0, donde λ2 = 0. Substituindo este resultado no sistema original obtemos λ1 = 0; deste modo provamos que os vetores, nas condi¸c˜oes dadas, de fato s˜ ao linearmente independentes. Interpreta¸ca ˜o geom´etrica: Na p. 246 provamos que o vetor v na equa¸c˜ao (2.3) ´e uma rota¸c˜ ao do vetor u de um ˆangulo θ em torno da origem. Na figura seguinte plotamos os vetores deste exemplo para u = (a, b) = (1, 0) e alguns valores do parˆ ametro θ.
p
y
p
y
p
y
p
0
tv u pt
{ u, v } ´e L.I.
x
p
v
{ u, v } ´e L.I. 83
x
p
p
v u pt
0
θ = 120o
t
t
p
θ = 60o
p
θ = 30o
0
u pt
{ u, v } ´e L.I.
x
5 ) No espa¸co Z32 , onde Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 } considere o conjunto B = { 110, 101, 011 }. Para sabermos se este conjunto ´e L.I. ou L.D. escrevemos a equa¸c˜ao (2.1) (p. 80), assim: λ1 110 + λ2 101 + λ3 011 = 0 Multiplicando “ponto a ponto”, temos: λ1 λ1 0 + λ2 0 λ2 + 0 λ3 λ3 = 0 Adicionando “ponto a ponto”, obtemos: ( λ1 + λ2 + 0 )( λ1 + 0 + λ3 )( 0 + λ2 + λ3 ) = 000 Pela defini¸c˜ ao de igualdade entre duas sequˆencias obtemos o seguinte sistema: = 0 λ1 + λ2
λ1
λ2
+
λ3
=
0
+
λ3
=
0
Resolvendo este sistema obtemos a solu¸c˜ao trivial: λ1 = λ2 = λ3 = 0. Disto resulta que os vetores (c´odigos) 110, 101 e 011 s˜ ao L.I.. 6 ) Considere o conjunto { p1 (t), p2 (t), p3 (t) } ⊂ P2 (R), onde, p1 (t) = 1 + t2 ,
p2 (t) = t + t2 ,
p3 (t) = 1 + t + t2 .
Para sabermos se eles s˜ ao L.I. ou L.D. escrevemos a equa¸c˜ao (2.1), assim: λ1 p1 + λ2 p2 + λ3 p3 = 0 Ou ainda, λ1 (1 + t2 ) + λ2 (t + t2 ) + λ3 (1 + t + t2 ) = 0 Agrupando os termos de mesmo grau obtemos: ( λ1 + λ3 ) + ( λ2 + λ3 ) t + ( λ1 + λ2 + λ3 ) t2 = 0 + 0 t + 0 t2 Da defini¸c˜ ao de igualdade de dois polinˆ omios λ + λ3 1 λ2 + λ3 λ1 + λ2 + λ3
resulta o seguinte sistema: =
0
=
0
=
0
Resolvendo este sistema obtemos a solu¸c˜ao trivial: λ1 = λ2 = λ3 = 0. Disto resulta que os vetores p1 , p2 e p3 s˜ ao L.I.. 84
7 ) Considere o conjunto { u1 , u2 , u3 } ⊂ M2 (R), onde, 1 0 2 −1 2 0 u1 = , u2 = , u3 = 0 −1 0 0 0 −2
Para sabermos se estes vetores s˜ ao L.I. ou L.D. escrevemos a equa¸c˜ao (2.1), assim: λ1 u1 + λ2 u2 + λ3 u3 = 0 (2.4) Ou ainda, λ1 ·
1 0 0 −1
+ λ2 ·
2 −1 0 0
+ λ3 ·
2 0 0 −2
=
0 0 0 0
Da defini¸c˜ ao de igualdade de matrizes resulta o seguinte sistema: 1 λ1 + 2 λ2 + 2 λ3 = 0 0λ − 1 λ2 + 0 λ3 = 0 1
0 λ1
+
0 λ2
+
0 λ3
=
0
−1 λ1
+
0 λ2
−
2 λ3
=
0
Da segunda equa¸c˜ ao obtemos que λ2 = 0, substituindo este resultado na primeira e na quarta equa¸c˜ oes, resulta: λ + 2 λ3 = 0 1 −λ 1
−
2 λ3
=
0
Podemos eliminar do sistema acima uma das equa¸c˜oes (s˜ ao iguais) do que resulta um sistema indeterminado; por exemplo, λ1 = 2 e λ3 = −1, ´e apenas uma das infinitas solu¸c˜ oes poss´ıveis; substituindo estes valores na equa¸c˜ao (2.4) obtemos: 2 u1 + 0 u2 − 1 u3 = 0 De acordo com a defini¸c˜ ao 8 os vetores em considera¸c˜ao s˜ ao linearmente dependentes. 8 ) Seja F o espa¸co vetorial das fun¸c˜oes de R em R (ver eq. (1.5), p. 33). Mostraremos que as fun¸c˜ oes dadas por f (x) = sen x, g(x) = ex e h(x) = x2 s˜ ao linearmente independentes. Com efeito, inicialmente escrevemos a equa¸c˜ao (2.1), assim: λ1 f + λ2 g + λ3 h = 0 Lembrando que nesta igualdade 0 ´e a fun¸c˜ao nula, digo, 0(x) = 0, para todo x real, ent˜ ao esta equa¸c˜ ao significa que devemos ter (ver def. 2, p. 34) λ1 sen x + λ2 ex + λ3 x2 = 0, 85
∀ x ∈ R.
Ora, se esta equa¸c˜ ao ´e v´alida para todo x real, ent˜ao vamos escolher valores apropriados desta vari´ avel para concluir que ela (equa¸ca˜o) implica em que λ1 = λ2 = λ3 = 0. Ent˜ ao, •
x=0
⇒
λ1 sen 0
+
λ2 e 0
+
λ3 02 = 0
⇒
λ2 = 0
•
x=π
⇒
λ1 sen π
+
0 eπ
+
λ3 π 2 = 0
⇒
λ3 = 0
•
x=
⇒
λ1 sen π2
+
π 2
+
0 ( π2 )2 = 0
⇒
λ1 = 0
π 2
0e
Sendo assim, de fato f , g e h s˜ ao linearmente independentes. 9 ) Mostrar que se o conjunto { u, v, w } de vetores de um espa¸co vetorial V for L.I., o mesmo acontecer´ a com o conjunto { u + v, u + w, v + w }.
Solu¸ c˜ ao: De fato, de acordo com a defini¸c˜ao 8 devemos montar a seguinte equa¸c˜ ao λ1 ( u + v ) + λ2 ( u + w ) + λ3 ( v + w ) = 0 Podemos reescrever esta equa¸c˜ao do seguinte modo: ( λ1 + λ2 ) u + ( λ1 + λ3 ) v + ( λ2 + λ3 ) w = 0 Como, por hip´ otese, os vetores u, v e w s˜ ao L.I. obrigatoriamente devemos ter, λ + λ2 = 0 1 λ1 + λ3 = 0 λ2 + λ3 = 0 Resolvendo este sistema encontramos a solu¸c˜ao trivial λ1 = λ2 = λ3 = 0. Logo, o conjunto { u + v, u + w, v + w } ´e L.I..
86
2.1.1
Exerc´ıcios
1) Provar que se u e v s˜ ao L.I., ent˜ao u + v e u − v tamb´em o s˜ ao. 2) Classifique os subconjuntos abaixo do R3 como L.D. ou L.I.: a ) { (1, 0, 0), (0, 1, 0), (0, 0, 1) } b ) { (1, 0, 0), (0, 1, 0), (0, 0, 1), (1, 1, 1) }
c ) { (1, 1, 0), (1, 3, 2), (4, 9, 5) }
d ) { (1, 1, 1), (1, 1, 0), (1, 0, 0) }
3) Escreva o vetor (1, −2, 5) de R3 como uma combina¸c˜ao linear dos vetores u = (1, 1, 1), v = (1, 2, 3), w = (2, −1, 1) 4) Escreva o vetor (2, −5, 3) de R3 como uma combina¸c˜ao linear dos vetores u = (1, −3, 2), v = (2, −4, −1), w = (1, −5, 7) 5) Determinar o valor de k para que o conjunto { (1, 0, −1), (1, 1, 0), (k, 1, −1) } seja L.I.. 6) Determinar o valor de k para que o conjunto { (1, 5k, 1), (2, 0, 4), (1, k, 3) } seja L.I.. 7) Em cada ´ıtem determine se os subconjuntos de de Z22 s˜ ao L.I. ou L.D.: a ) { 10, 11 } b ) { 01, 11 } c ) { 10, 01, 11 }
8) Em cada ´ıtem determine se os subconjuntos de de Z32 s˜ ao L.I. ou L.D.: a ) { 101, 111 } b ) { 101, 111, 001 } c ) { 101, 010, 110, 001 }
9) Em cada ´ıtem determine se os polinˆ omios dados s˜ ao L.I. ou L.D.: 2 a ) { 1, x, x } b ) { 1, 1 + x, 1 + x + x2 }
c ) { x(x − 1), x3 , 2x3 − x2 , x } d ) { x2 − 1, x3 − x + 1, x4 + x − 1 }
10) Escreva o vetor p(x) = x2 + 4x − 3 de P2 ( R ) como uma combina¸c˜ao linear dos vetores p1 (x) = x2 − 2x + 5,
p2 (x) = 2x2 − 3x,
p3 (x) = x + 1
11) Em cada ´ıtem determine se matrizes dadas s˜ ao L.I. ou L.D.: 1 0 0 1 0 0 0 0 a) , , , . 0 0 0 0 1 0 0 1 87
b)
−1 0 0 1
−2 1 −4 0 , , . 0 0 0 4
c)
−1 2 −3 1
3 −4 2 −3 . , , 3 1 3 0
d)
0 1 2 3 4 5
−1 1 0 −1 0 1 , , . 2 1 −1 0 4 2
4 7 12) Escreva o vetor de M2 (R) como uma combina¸c˜ao linear dos 7 9 vetores 1 1 1 2 1 1 , , . 1 1 3 4 4 5 13) Mostrar que o conjunto de vetores { (1− i, i), (2, −1+ i) } de C2 ´e L.D. sobre C mas L.I. sobre R. 14) Mostrar que o conjunto de vetores { 1, cos x, cos 2x } de C([ −π, π ], R) (p. 60) ´e L.I.. 15) Mostrar que o conjunto de vetores { 1, sen 2 x, cos2 x } de C([ −π, π ], R) ´e L.D.. 16) Mostrar que o conjunto de vetores { 1, ex , xex } de C([ 0, 1 ], R) ´e L.I..
17) Suponha que { u1 , u2 , . . . , un } seja um subconjunto L.I. de um espa¸co vetorial. Mostre que { a1 u1 , a2 u2 , . . . , an un } tamb´em ´e L.I., desde que nenhum dos escalares ai seja nulo.
18) Suponha que { u1 , . . . , ur , v1 , . . . , vs } seja um subconjunto L.I. de um espa¸co vetorial V. Mostre que: [ u1 , . . . , ur ] ∩ [ v1 , . . . , vs ] = { 0 } 19) Se { u1 , . . . , ui , . . . , uj , . . . , un } ´e L.I. mostre que { u1 , . . . , ui , . . . , uj + α ui , . . . , un } tamb´em ´e L.I. para todo escalar α.
88
2.1.2
Propriedades da Dependˆ encia Linear
Seja V um espa¸co vetorial sobre R. Ent˜ao: P1 ) Se W = { u } ⊂ V e u 6= 0, ent˜ao W ´e L.I..
Ou seja, qualquer conjunto unit´ ario ´e L.I. (exceto se o elemento for o vetor nulo). Prova: Suponha λ u = 0. Como, por hip´ otese, u 6= 0 e tendo em conta a propriedade P3 ) (p. 45) concluimos que necessariamente λ = 0, isto prova > nossa tese. P2 ) Se um subconjunto W ⊂ V cont´em o vetor nulo, ent˜ao W ´e L.D. Prova: De fato, seja o conjunto W = { 0, u2 , . . . , un }, ent˜ao a equa¸c˜ao, λ 0 + 0 u2 + · · · + 0 un = 0 se verifica mesmo sendo λ 6= 0. Portanto W ´e L.D.
>
P3 ) Se W1 e W2 s˜ ao subconjuntos finitos e n˜ ao vazios de V , se W1 ⊂ W2 e, ademais, W1 ´e L.D., ent˜ ao W2 tamb´em ´e L.D.. Prova: Suponhamos W1 = { u1 , . . . , ur } e W2 = { u1 , . . . , ur , ur+1 , . . . , ut }. Como, por hip´ otese, W1 ´e L.D., ent˜ao existem escalares λ1 , . . . , λr , n˜ ao todos nulos, de modo que: λ1 u1 + · · · + λr ur = 0.
Podemos estender esta equa¸c˜ ao da seguinte forma:
λ1 u1 + · · · + λr ur + 0 ur+1 + · · · + 0 ut = 0 Como nem todos os escalares que figuram nesta equa¸c˜ao s˜ ao nulos, segue-se que W2 ´e L.D.. > P4 ) Se um conjunto W ⊂ V ´e L.I., ent˜ao qualquer subconjunto W1 ⊂ W tamb´em ´e L.I.. Prova: De fato, se W1 fosse L.D., pela propriedade anterior o conjunto W > seria tamb´em L.D., o que contradiz a hip´ otese. Nota: Se todos os subconjuntos pr´ oprios de um conjunto finito de vetores s˜ ao L.I., isto n˜ ao implica que o conjunto seja L.I.. Vejamos um contraexemplo, consideremos o conjunto W = { (1, 0), (0, 1), (1, 1) } de vetores do R2 ; temos que cada um dos subconjuntos { (1, 0), (0, 1) },
{ (1, 0), (1, 1) },
{ (1, 0) }, { (0, 1) } e { (1, 1) } ´e L.I., enquanto W ´e L.D..
89
{ (0, 1), (1, 1) }
P5 ) Se W = { u1 , . . . , un } ´e L.I., e, para algum v ∈ V resultar W ′ = W ∪ { v } = { u1 , . . . , un , v } L.D., ent˜ ao o vetor v ´e combina¸c˜ao linear dos vetores de W , isto ´e, v ∈ [ W ]. Prova: De fato, de acordo com as hip´ oteses, temos as duas seguintes igualdades ′ (∗) W , L.D.:λ1 u1 + · · · + λn un + α v = 0 W, L.I.:
λ u + · · · + λn un = 0 1 1
⇒ ( λ1 = · · · = λn = 0 )
Na primeira equa¸c˜ ao um dos escalares ´e n˜ ao nulo. Afirmamos que este escalar s´ o pode ser α, porquanto, caso contr´ ario (isto ´e, se α = 0), ent˜ao um dos escalares n˜ ao nulos deve ser um dos λi , ora mas isto contradiz a segunda equa¸c˜ ao. Sendo α 6= 0 podemos multiplicar a igualdade ( ∗ ) por α−1 obtendo: ( α−1 λ1 ) u1 + · · · + ( α−1 λn ) un + v = 0 Esta equa¸c˜ ao pode ser escrita assim: v = ( −α−1 λ1 ) u1 + · · · + ( −α−1 λn ) un Esta igualdade prova que v ∈ [ W ].
>
P6 ) Se W = { u1 , . . . , uj , . . . , un } e uj ∈ [ W − { uj } ] (isto ´e, uj ´e combina¸c˜ ao linear dos demais vetores de W ), ent˜ao [ W ] = [ W − { uj } ]
(2.5)
Ou seja, se em um conjunto de vetores um deles ´e combina¸c˜ao linear dos demais, este vetor pode ser retirado e o conjunto remanescente continua gerando o mesmo subespa¸co que o conjunto original. ∗
Prova: Faremos a prova supondo j = 1, n˜ ao h´ a perda de generalidade. Pois bem, sendo W − { u1 } ⊂ W segue que [ W − { u1 } ] ⊂ [ W ].
(ver P2 , p. 69)
Por outro lado, para mostrar a inclus˜ao contr´ aria, tomemos u ∈ [ W ] um vetor arbitr´ario, ent˜ ao existem escalares λi ∈ R tais que: u = λ1 u1 + λ2 u2 + · · · + λn un
(2.6)
Como, por hip´ otese, u1 est´ a em [ W − { u1 } ], ent˜ao existem escalares αi ∈ R tais que: u1 = α2 u2 + · · · + αn un (2.7) ∗
A prova de (2.5), consiste em mostrar que dois conjuntos s˜ ao iguais. Lembramos que para provar uma igualdade A = B entre dois conjuntos devemos provar duas inclus˜ oes: A ⊂ B e B ⊂ A.
90
Substituindo (2.7) em (2.6) resulta u = λ1 ( α2 u2 + · · · + αn un ) + λ2 u2 + · · · + λn un Desta equa¸c˜ ao, obtemos u = λ1 α2 u2 + · · · + λ1 αn un + λ2 u2 + · · · + λn un Donde, u = ( λ1 α2 + λ2 ) u2 + · · · + ( λ1 αn + λn ) un isto mostra que u ∈ [ W − { u1 } ], logo, [ W ] ⊂ [ W − { u1 } ].
>
Exemplo: Na figura a seguir R W ={ (1, 0), (0, 1), (1, 1) }
t(x, y)
[ W ] = R2
(0, 1)
t
t R
t 0
(1, 0)
W gera o espa¸co R2 . Tendo em conta que (1, 1) = 1 (1, 0) + 1 (0, 1), a propriedade anterior nos assegura que se retirarmos o vetor (1, 1) o subconjunto W − { (1, 1) } continua gerando o R2 .
R W −{ (1, 1) }={ (1, 0), (0, 1) }
y (0, 1)
[ W −{ (1, 1) } ] = R2
(0, 1)
t(x, y) t R
t 0
91
(1, 0)
x (1, 0)
2.2
Base de um Espa¸ co Vetorial
Defini¸ c˜ ao 9 (Base). Seja V um espa¸co vetorial finitamente gerado. Uma base B de V ´e um subconjunto finito B ⊂ V para o qual as seguintes condi¸co ˜es se verificam: 1a ) B ´e linearmente independente; 2a ) B gera V. Se B = { u1 , . . . , un } ´e uma base isto implica em que podemos esccrever todo elemento u ∈ V como uma combina¸c˜ao linear u = λ1 u1 + · · · + λn un e assim “gerar” todo o espa¸co vetorial por meio dos vetores u1 , . . . , un . Mas esta informa¸c˜ ao j´a consta da segunda condi¸c˜ao da defini¸c˜ao de base, e assim por que impor a condi¸c˜ao adicional de que u1 , . . . , un sejam linearmente independentes? Esta condi¸c˜ ao faz com que todo vetor u ∈ V possa ser escrito univocamente como λ1 u1 + · · · + λn un . Com efeito, Proposi¸ c˜ ao 5. Se B = { u1 , . . . , un } ´e uma base de V, ent˜ ao para todo vetor u ∈ V existe exatamente uma u ´nica n-upla de escalares ( λ1 , . . . , λn ) de modo que u = λ1 u1 + · · · + λn un . Prova: Como [ B ] = V, para todo u ∈ V existem λ1 , . . . , λn tais que u = λ1 u1 + · · · + λn un Suponhamos que existam outros escalares λ′1 , . . . , λ′n tais que u = λ′1 u1 + · · · + λ′n un Sendo assim, temos λ1 u1 + · · · + λn un = λ′1 u1 + · · · + λ′n un ou ainda, ( λ1 − λ′1 ) u1 + · · · + ( λn − λ′n ) un = 0
como { u1 , . . . , un } ´e L.I. (defini¸c˜ao de base) seque que λi − λ′i = 0 e, portanto, λi = λ′i para i = 1, . . . , n.
92
Exemplos: 1) B = { (1, 1), (−1, 1) } ´e uma base do R2 .
De fato, para provar isto devemos verificar as duas condi¸c˜oes da defini¸c˜ao 9. Ent˜ao: 1a ) B ´e L.I. pois, λ1 (1, 1) + λ2 (−1, 1) = 0 ⇒
(
λ1 − λ2 = 0
⇒ λ1 = λ2 = 0.
λ1 + λ2 = 0
2a ) B gera o R2 . Para provar isto tomemos um vetor arbitr´ario (a, b) em R2 e provemos que ele pode ser escrito como combina¸c˜ao linear dos vetores de B. Veja, (a, b) = λ1 (1, 1) + λ2 (−1, 1) (2.8) Nesta equa¸c˜ ao λ1 e λ2 s˜ ao inc´ ognitas a serem determinadas. Temos: ( λ1 − λ2 = a λ1 + λ2 = b
Este resultado em (2.8) nos d´ a: (a, b) =
a+b λ1 = 2 ⇒ λ = −a + b 2 2
−a + b a+b (1, 1) + (−1, 1) 2 2
Esta equa¸c˜ ao prova que todo vetor do R2 pode ser escrito como combina¸c˜ao linear dos vetores de B. Por exemplo, (a, b) = (2, 0)
⇒
(2, 0) =
2+0 2
(1, 1) +
−2+0 2
(−1, 1)
= 1 (1, 1) + (−1) (−1, 1) Geometricamente tudo se passa assim:
p
y
p
y
t
p
0
p
p
x
t
p
p
1 (1, 1)
t
t
p
0
p
t
(2, 0)
x
t −1 (−1, 1) • B={ (1, 1), (−1, 1) } ´ e uma base do R2
• O vetor (2, 0) como combina¸ca ˜o linear de B.
93
´ f´acil ver que B = { (1, 0), (0, 1) } ´e uma outra base para o R2 . 2) E Esta ´e conhecida como base canˆ onica (padr˜ao) do R2 . Geometricamente, temos:
p
y
p
y
(2, 1) (0, 1)
p
1 (0, 1)
t t
0
(1, 0)
p
x
p
• B={ (1, 0), (0, 1) } ´ e uma base do R2
t
t t
0
(1, 0)
p
x
2 (1, 0)
• O vetor (2, 1) = 2 (1, 0) + 1 (0, 1) como combina¸ca ˜o linear de B.
3) B = { (1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0), . . . , (0, 0, 0, . . . , 1) } ´e a base canˆ onica n 3 do R . Para o R , por exemplo, temos: z
B={ (1, 0, 0), (0, 1, 0), (0, 0, 1) }
t(0, 0, 1) t (0, 1, 0)
y
t(1, 0, 0)
◮ Base can^ onica do R3
x
4) B = { 10, 01 } ´e uma base do Z22 .
De fato, para provar isto devemos verificar as duas condi¸c˜oes da defini¸c˜ao 9. Ent˜ ao: a 1 ) B ´e L.I. pois, λ1 10 + λ2 01 = 00 ⇒
(
λ1 1 + λ2 0 = 0 λ1 0 + λ2 1 = 0
⇒ λ1 = λ2 = 0.
2a ) B gera o Z22 . Para provar isto tomemos um vetor arbitr´ario a, b em Z22 e provemos que ele pode ser escrito como combina¸c˜ao linear dos vetores de B. Veja, a b = λ1 10 + λ2 01 (2.9) 94
Nesta equa¸c˜ ao λ1 e λ2 s˜ ao inc´ ognitas a serem determinadas. Temos: ( λ1 1 + λ2 0 = a ⇒ λ1 = a, λ2 = b λ1 0 + λ2 1 = b Este resultado em (2.9) nos d´ a: a b = a 10 + b 01 Esta equa¸c˜ ao nos diz como expressar um vetor qualquer de Z22 como combina¸c˜ ao linear dos vetores de B. 5) B = { 100 . . . 0, 010 . . . 0, . . . , 000 . . . , 1 } ´e a base canˆ onica do Zn2 . 3 Para o Z2 , por exemplo, temos: 001 s 101
B = { 100, 010, 001 }
011 111
000
s 100
s010 110
6) Vamos provar que o conjunto abaixo, 1 0 0 1 0 0 0 0 B= , , , 0 0 0 0 1 0 0 1 ´e uma base para o espa¸co vetorial M2 (R) das matrizes quadradas de ordem 2. Ent˜ao, 1a ) B ´e L.I. pois, 1 0 0 1 0 0 0 0 0 0 λ1 + λ2 + λ3 + λ4 = 0 0 0 0 1 0 0 1 0 0 Resulta,
λ1 λ2 λ3 λ4
=
0 0 0 0
⇒
λ1 = λ2 = λ3 = λ4 = 0.
2a ) B gera o espa¸co M2 (R). Para provar isto tomemos um vetor ara b bitr´ ario em M2 (R) e provemos que ele pode ser escrito como comc d bina¸c˜ao linear dos vetores de B. Veja, a b 1 0 0 1 0 0 0 0 = λ1 + λ2 + λ3 + λ4 c d 0 0 0 0 1 0 0 1 Desta equa¸c˜ ao resulta que λ1 = a, λ2 = b, λ3 = c, λ4 = d. Isto significa que qualquer vetor do espa¸co pode ser escrito assim: a b 1 0 0 1 0 0 0 0 =a +b +c +d c d 0 0 0 0 1 0 0 1 95
Por isto B ´e chamada a base canˆ onica de M2 (R). Generalizando este exemplo, o conjunto das m · n matrizes abaixo, 1 0 ... 0 0 1 ... 0 0 0 ... 0 0 0 ... 0 , 0 0 ... 0 ,..., 0 0 ... 0 ............ ............ . . . . . . . . . . . . 0 0 ... 0 0 0 ... 0 0 0 ... 1
´e a base canˆ onica do espa¸co Mm×n (R) das matrizes retangulares de ordem m × n com entradas (elementos) reais.
7) O conjunto B = { 1, t, . . . , tn } de n + 1 polinˆ omios ´e uma base de Pn ( R ). De fato,
1a ) B ´e L.I. pois, λ0 1 + λ1 t + · · · + λn tn = 0 Melhor dizendo, λ0 1 + λ1 t + · · · + λn tn = 0 1 + 0 t + · · · + 0 tn implica, λ0 = λ1 = · · · = λn = 0, devido a defini¸c˜ao de igualdade entre polinˆ omios. 2a ) B gera o espa¸co Pn ( R ). Para provar isto tomemos um vetor arbitr´ario p(t) = a0 + a1 t + · · · + an tn em Pn ( R ) e provemos que ele pode ser escrito como combina¸c˜ ao linear dos vetores de B. Veja, p(t) = a0 + a1 t + · · · + an tn = λ0 1 + λ1 t + · · · + λn tn Nesta equa¸c˜ ao λ0 , λ1 , . . . , λn s˜ ao inc´ ognitas a serem determinadas. Sendo assim, resulta: λ0 = a0 , λ1 = a1 , . . . , λn = an Conclus˜ao, o vetor p(t) = a0 + a1 t + · · · + an tn j´a encontra-se escrito como combina¸c˜ ao linear dos vetores de B, por esta raz˜ ao B ´e a base canˆ onica de Pn ( R ). 8) Consideremos o espa¸co vetorial { 0 }, conforme nossa conven¸c˜ao feita na Nota da p. 68, podemos dizer que uma base deste espa¸co ´e o conjunto ∅. 9) Todo conjunto L.I. de um espa¸co vetorial V ´e base do subespa¸co por ele gerado. Por exemplo, o conjunto B = { (1, −2, −1), (2, 1, 1) } ⊂ R3 ´e L.I. e gera o subespa¸co, S = { (x, y, z) ∈ R3 : x + 3y − 5z = 0 } (ver exemplo 4o , p. 71). Ent˜ao, B ´e base de S, pois B ´e L.I. e gera S. 96
Proposi¸ c˜ ao 6. Todo espa¸co vetorial V finitamente gerado admite uma base. Prova: Se V = { 0 }, ent˜ ao ∅, por conven¸c˜ao, ´e uma base de V. Caso contr´ ario existe um subconjunto finito e n˜ ao vazio S ⊂ V , de modo que∗ V = [ S ]. Como S 6= { 0 }, ent˜ ao existem subconjuntos n˜ ao vazios de S que s˜ ao L.I. (ver P1 , p. 89). Tomemos um deles com o maior n´ umero poss´ıvel de elementos. Indicando por B esse conjunto, afirmamos que B ´e uma base de V. Devido ` a maneira como tomamos B, para todo vetor u ∈ S − B teremos que B ∪ { u } resulta L.D.. Logo, pela propriedade P5 (p. 90), u ´e combina¸c˜ ao linear dos vetores de B. Usando agora a propriedade P6 , concluimos que [ B ] = [ S ] = V. Finalmente, tendo em conta que B ´e L.I., ent˜ao B ´e uma base de V.
2.3
Dimens˜ ao de um Espa¸ co Vetorial
Podem existir muitas bases para um mesmo espa¸co vetorial, a bem da verdade h´ a mesmo espa¸cos com infinitas bases, como ´e o caso do espa¸co R2 . Por exemplo, para cada ˆ angulo θ substituido na equa¸c˜ao (2.3) (p. 83) temos uma base para o R2 (exerc. p. 107). N˜ao obstante um mesmo espa¸co vetorial possuir infinitas bases vamos provar um importante resultado, qual seja: todas as bases possuem um mesmo n´ umero de vetores. Antes necessitaremos de um Lema 1. Seja B = { u1 , u2 , . . . , un } uma base de um espa¸co vetorial V, ent˜ ao todo conjunto com mais de n vetores ser´ a linearmente dependente. Prova: Seja C = { v1 , v2 , . . . , vm } um conjunto com m vetores de V, com m > n. Queremos mostrar que C ´e L.D.. Para tanto, ´e suficiente mostrar que existem escalares λ1 , λ2 , . . . , λm n˜ ao todos nulos tais que λ1 v1 + λ2 v2 + · · · + λm vm = 0
(2.10)
Como B ´e uma base de V, cada vetor vi pertencente a C ´e uma combina¸c˜ao linear dos vetores de B, isto ´e, existem n´ umeros αij tais que: v1 = α11 u1 + α12 u2 + · · · + α1n un v2 = α21 u1 + α22 u2 + · · · + α2n un
.................................... vm = αm1 u1 + αm2 u2 + · · · + αmn un ∗
N˜ ao esque¸ca que, por hip´ otese, o espa¸co V ´e finitamente gerado.
97
Substituindo estas equa¸c˜oes em (2.10), obtemos: λ1 ( α11 u1 + α12 u2 + · · · + α1n un ) + λ2 ( α21 u1 + α22 u2 + · · · + α2n un )
....................................... + λm ( αm1 u1 + αm2 u2 + · · · + αmn un ) = 0 ordenando os termos convenientemente: ( λ1 α11 + λ2 α21 + · · · + λm αm1 ) u1 + ( λ1 α12 + λ2 α22 + · · · + λm αm2 ) u2
....................................... + ( λ1 α1n + λ2 α2n + · · · + λm αmn ) un = 0 Tendo em conta que os vetores u1 , u2 , . . . , un s˜ ao L.I., os coeficientes desta combina¸c˜ ao linear s˜ ao nulos, ou seja: λ α + λ α + ··· + λ α = 0 m 1 11 2 21 m1 λ1 α12 + λ2 α22 + · · · + λm αm2 = 0
.................................... λ1 α1n + λ2 α2n + · · · + λm αmn = 0
Esse sistema linear homogˆeneo possui m inc´ ognitas λ1 , λ2 , . . . , λm e n equa¸c˜ oes. Como, por hip´ otese, m > n, existem solu¸c˜oes n˜ ao nulas∗ , isto ´e, existe λk 6= 0. Portanto, C = { v1 , v2 , . . . , vm } ´e L.D. Teorema 3 (Da invariˆ ancia). Seja V um espa¸co vetorial finitamente gerado. Ent˜ ao duas bases quaisquer de V tˆem o mesmo n´ umero de vetores. Prova: Sejam B = { u1 , . . . , un } e C = { v1 , . . . , vm } duas bases do espa¸co vetorial V. Como B ´e base e C ´e L.I., pelo lema anterior, m ≤ n. Por outro lado, como C ´e base e B ´e L.I., tem-se n ≤ m. Portanto, m = n. Devido ao teorema da invariˆ ancia faz sentido a seguinte, Defini¸ c˜ ao 10 (Dimens˜ ao de um Espa¸co Vetorial). Seja V um espa¸co vetorial finitamente gerado. Denomina-se dimens˜ ao de V o n´ umero de vetores de uma qualquer de suas bases. Neste caso, dizemos que V ´e um espa¸co de dimens˜ ao finita. ∗
Existe o seguinte Teorema: “Todo sistema linear homogˆeneo cujo n´ umero de inc´ ognitas ´e maior que o n´ umero de equa¸c˜ oes admite uma solu¸c˜ ao n˜ ao trivial [n˜ ao nula].” (ver [5]).
98
Usaremos da seguinte nota¸c˜ ao para a dimens˜ao de um espa¸co vetorial V:
dim V Exemplos: Da defini¸c˜ ao de dimens˜ao e dos exemplos iniciados na p. 93, temos que: a) dim R2 = 2
b) dim Rn = n
c) dim Zn2 = n
d) dim Mm×n (R) = m · n
e) dim Pn ( R ) = n + 1
f ) dim { 0 } = 0.
Teorema 4. Se S gera o espa¸co vetorial V, ent˜ ao: ( i ) Qualquer quantidade m´ axima de vetores linearmente independentes de S formam uma base de V . ( ii ) Suponha que excluimos de S todos os vetores que s˜ ao combina¸ca ˜o linear dos vetores de S que o antecedem, ent˜ ao os vetores remanescentes formam uma base de V . Prova: Apˆendice, p. 125.
Teorema 5 (Do Completamento). Seja V um espa¸co vetorial de dimens˜ ao finita e seja S = { u1 , u2 , . . . , ur } um conjunto de vetores linearmente independentes de V. Ent˜ ao S ´e parte de uma base de V; isto ´e, S pode ser estendido a uma base de V. Prova: Apˆendice, p. 125.
Proposi¸ c˜ ao 7. Todo subespa¸co vetorial de um espa¸co vetorial finitamente gerado ´e tamb´em finitamente gerado. Prova: Seja V finitamente gerado e W um subespa¸co vetorial de V. Se W = { 0 }, conforme conven¸c˜ ao feita `a p. 68 temos que [ ∅ ] = { 0 }. Sen˜ ao, tomemos w1 ∈ W , w1 6= 0. Se W = { λ1 w1 : λ1 ∈ R }, resulta que W = [ w1 ]. Sen˜ ao, existe w2 ∈ W , que n˜ ao ´e da forma λ1 w1 , isto ´e, { w1 , w2 } ´e L.I.. Se W ´e gerado por { w1 , w2 }, est´ a terminado. Sen˜ ao, existe w3 em W , que n˜ ao ´e combina¸c˜ao linear de { w1 , w2 }. E assim sucessivamente. Este processo deve parar sen˜ ao haveria em V um conjunto L.I. e infinito, o que contraria a hip´ otese de que V ´e finitamente gerado. Proposi¸ c˜ ao 8. Seja W um subespa¸co vetorial de V (finitamente gerado). Se dim W = dim V, ent˜ ao W = V. Prova: Pela proposi¸c˜ ao 7, W ´e finitamente gerado. Portanto, W tem uma base. Devido ` a hip´ otese de que dim W = dim V toda base de W tamb´em ´e base de V. Portanto todo vetor de V pertence a W, ou seja, V ⊂ W e, como W est´ a contido em V , segue que W = V. 99
Algoritmo para Determinar uma Base de um Subespa¸ co de Rn Um subespa¸co do Rn , em geral, ou ´e dado pelos seus geradores ou ´e poss´ıvel achar esses geradores. Daremos a seguir um algoritmo para achar uma base desse subespa¸co a partir dos seus geradores. Esse algoritmo se baseia em trˆes lemas: Seja V = [ u1 , u2 , . . . , ur ] um subespa¸co do Rn . Ent˜ao: 1o ) Se no subespa¸co [ u1 , u2 , . . . , ur ] permutarmos dois vetores quaisquer o subespa¸co gerado n˜ ao se altera, isto ´e, V = [ u1 , . . . , ui , . . . , uj , . . . , ur ] = [ u1 , . . . , uj , . . . , ui , . . . , ur ] Isto se deve a que: (ver eq. (1.20), p. V = λ1 u1 + · · · + λi ui + · · · + λj uj + · · · + λr ur : λi ∈ R = λ1 u1 + · · · + λj uj + · · · + λi ui + · · · + λr ur : λi ∈ R
67)
2o ) Para todo escalar λ ´e v´alida a seguinte igualdade:
V = [ u1 , . . . , ui , . . . , uj , . . . , ur ] = [ u1 , . . . , ui , . . . , uj + λ ui , . . . , ur ] De fato, seja u = α1 u1 + · · · + αi ui + · · · + αj uj + · · · + αr ur um elemento arbitr´ario de V . Esse elemento pode ser reescrito da seguinte maneira: u = α1 u1 + · · · + αi ui + · · · + αj uj + · · · + αr ur = α1 u1 + · · · + αi ui − αj λ ui + · · · + αj uj + αj λ ui + · · · + αr ur = α1 u1 + · · · + ( αi − αj λ ) ui + · · · + αj ( uj + λ ui ) + · · · + αr ur Esta u ´tima igualdade implica que u ∈ [ u1 , . . . , ui , . . . , uj + λ ui , . . . , ur ]. Para mostrar a inclus˜ao contr´ aria ´e suficiente tomar λ = 0. o 3 ) Se u1 , u2 , . . . , ur , se apresentam na forma escalonada, ou seja, se o n´ umero de zeros iniciais de u2 ´e maior que o de u1 e assim sucessivamente, ent˜ ao os vetores u1 , u2 , . . . , ur formam um conjunto L.I. e, portanto, dim V = r. Com efeito, se os geradores de V n˜ ao formassem um conjunto L.I., ent˜ao teriamos algo como: u1 = β2 u2 + · · · + βr ur O que ´e imposs´ıvel haja vista que o n´ umero de zeros iniciais de u1 ´e certamente diferente do n´ umero de zeros inicias de β2 u2 + · · · + βr ur , devido `a hip´ otese de que esses vetores se encontram na forma escalonada. − Veja um exemplo do que estamos tentando dizer nesse u ´ltimo argumento: (0, 1, −1, 2) = β2 (0, 0, 3, 2) + β3 (0, 0, 0, 4) 100
Exemplo: Encontre uma base para o seguinte subespa¸co V = [ (1, 2, 0), (1, 1, −1), (1, 4, 2) ] ⊂ R3 Solu¸ c˜ ao: Na pr´ atica formamos com esses simb´ olica, assim: 1 2 0 1 1 −1 1 4 2
vetores as linhas de uma matriz
A seguir aplicamos convenientemente as “opera¸c˜oes” vistas anteriormente, visando ao escalonamento da matriz, ent˜ao: 1 2 0 1 1 −1 1 4 2
L2 −L1 L3 −L1
1 2 0 0 −1 −1 0 2 2
1 2 0 0 −1 −1 0 0 0
L3 + 2L2
Levando em conta os lemas 1o e 2o temos que V = [ (1, 2, 0), (0, −1, −1), (0, 0, 0) ] Levando em conta as propriedades P5 e P6 (p. 90), podemos deletar o vetor nulo desta igualdade, logo V = [ (1, 2, 0), (0, −1, −1) ] Agora considerando o lema 3o do algoritmo resulta que { (1, 2, 0), (0, −1, −1) } ´e uma base de V , logo dim V = 2.
101
2.3.1
Dimens˜ ao da Soma de dois Subespa¸cos
Seja W um espa¸co vetorial sobre R. J´ a vimos que se U e V s˜ ao subespa¸cos de W , ent˜ ao U ∩ V e U + V tamb´em s˜ ao subespa¸cos de W (pp. 61, 63). A seguinte proposi¸c˜ ao relaciona as dimens˜oes desses subespa¸cos. Proposi¸ c˜ ao 9. Seja W um espa¸co vetorial sobre R de dimens˜ ao finita. Se U e V s˜ ao subespa¸cos de W , ent˜ ao: dim (U ∩ V ) + dim (U + V ) = dim U + dim V Prova: Seja B1 = { u1 , . . . , ur } uma base de U ∩ V . Como B1 ´e L.I. em U e em V , o teorema do completamento nos garante a existˆencia de vetores v1 , . . . , vs ∈ U e w1 , . . . , wt ∈ V de modo que B2 = { u1 , . . . , ur , v1 , . . . , vs } B3 = { u1 , . . . , ur , w1 , . . . , wt } s˜ ao bases de U e V , respectivamente. Afirmamos que B = { u1 , . . . , ur , v1 , . . . , vs , w1 , . . . , wt } ´e uma base de U + V . • De fato, inicialmente mostremos que B gera U + V , isto ´e, que um vetor arbitr´ario w ∈ U + V pode ser escrito como uma combina¸c˜ao linear dos vetores de B. Como w ∈ U + V existe u ∈ U e v ∈ V tais que w = u + v. Sendo B2 e B3 bases podemos escrever: u = λ1 u1 + · · · + λr ur + α1 v1 + · · · + αs vs v = µ1 u1 + · · · + µr ur + γ1 w1 + · · · + γt wt Da´ı, w = u + v = ( λ1 + µ1 ) u1 + · · · + ( λr + µr ) ur + α1 v1 + · · · + αs vs + γ1 w1 + · · · + γt wt
Esta igualdade mostra que [ B ] = U + V .
102
• Agora vamos mostrar que B ´e L.I., para isto partimos da seguinte combina¸c˜ ao linear: λ1 u1 + · · · + λr ur + α1 v1 + · · · + αs vs + γ1 w1 + · · · + γt wt = 0 (2.11) Ent˜ao, λ1 u1 + · · · + λr ur + α1 v1 + · · · + αs vs = −γ1 w1 − · · · − γt wt Como o primeiro membro desta igualdade est´ a em U e o segundo membro est´ a em V e se trata do mesmo vetor, ent˜ao: −γ1 w1 − · · · − γt wt ∈ U ∩ V Como B1 ´e uma base de U ∩ V implica em que podemos escrever o vetor acima como combina¸c˜ ao linear dos vetores de B1 , assim: −γ1 w1 − · · · − γt wt = ρ1 u1 + · · · + ρr ur Podemos reescrever esta igualdade como: ρ1 u1 + · · · + ρr ur + γ1 w1 + · · · + γt wt = Do fato de B3 ser L.I., necessariamente resulta ρ1 = · · · = ρr = γ1 = · · · = γt = 0. Sendo γ1 = · · · = γt = 0 a igualdade (2.11) fica: λ1 u1 + · · · + λr ur + α1 v1 + · · · + αs vs = 0 Do fato de B2 ser L.I., necessariamente resulta λ1 = · · · = λr = α1 = · · · = αs = 0 De sorte que todos os escalares presentes na equa¸c˜ao (2.11) s˜ ao nulos, com isto ficou provado que B ´e L.I., logo, uma base de U + V . Resumindo, temos: base de
U ∩V
⇒
dim ( U ∩ V ) = r
base de
U +V
⇒
dim ( U + V ) = r + s + t
B2 = { u1 , ..., ur , v1 , ..., vs }
base de
U
⇒
dim U = r + s
B3 = { u1 , ..., ur , w1 , ..., wt }
base de
V
⇒
dim V = r + t
B1 = { u1 , ..., ur } B = { u1 , ..., ur , v1 , ..., vs , w1 , ..., wt }
Sendo assim ´e verdade que: dim (U ∩ V ) + dim (U + V ) = dim U + dim V
(2.12)
103
Corol´ ario 2. Se W = U ⊕ V ´e soma direta dos subespa¸cos, ent˜ ao dim W = dim U + dim V
(2.13)
Prova: Lembramos (defini¸c˜ao 5, p. 64) que W = U ⊕ V significa W =U +V
e U ∩ V = { 0}
logo, dim (U ∩ V ) = 0, da´ı estes resultados na equa¸c˜ao (2.12) nos d´ a (2.13). Para um exemplo, veja exemplo p. 66. Exemplo: Consideremos os seguintes subespa¸cos do R3 : U = [ (1, 0, 1), (0, 1, 1) ]
e
V = { (x, y, z) ∈ R3 : − x + y = 0 }
Vamos encontrar dim (U ∩ V ) e dim (U + V ).
Observe que B = { (1, 0, 1), (0, 1, 1) } gera o subespa¸co U e ´e L.I. portanto ´e uma base desse subespa¸co, logo, dim U = 2. No que diz respeito a V , temos: u = (x, y, z) ∈ V
⇐⇒ y = x ⇐⇒ u = (x, x, z) = x (1, 1, 0) + z (0, 0, 1)
´ f´acil ver que estes vetores s˜ Portanto, V = [ (1, 1, 0), (0, 0, 1) ]. E ao L.I., logo, C = { (1, 1, 0), (0, 0, 1) } ´e uma base de V , ent˜ao, dim V = 2. Lembrando a soma de dois subespa¸cos U + V = {u + v: u ∈ U e v ∈ V } Para vetores arbitr´arios u ∈ U e v ∈ V temos: u = λ1 (1, 0, 1) + λ2 (0, 1, 1)
(B gera U )
v = α1 (1, 1, 0) + α2 (0, 0, 1)
(C gera V )
Logo, u + v = λ1 (1, 0, 1) + λ2 (0, 1, 1) + α1 (1, 1, 0) + α2 (0, 0, 1) Sendo u + v um vetor arbitr´ario de U + V , isto deixa claro que U + V ´e gerado pela uni˜ ao B ∪ C = { (1, 0, 1), (0, 1, 1), (1, 1, 0), (0, 0, 1) }, isto ´e, U + V = [ B ∪ C ]. Para encontrar uma base de U + V , aplicamos o algoritmo dado anteriormente, assim:
104
1 0 1 0 1 1 1 1 0 0 0 1
−1·L1 + L3
1 0
1
0 1 1 0 1 −1 0 0
1
1 0
1
0 1 1 0 0 −2
0 0
1
1 ·L 2 3
−1·L2 + L3
1 0
1
0 1 1 0 0 −2
0 0
0
+ L4
Logo dim (U + V ) = 3 e, pela proposi¸c˜ao 8 (p. 99), concluimos que U + V = R3 . Sendo assim, temos:
−→
−→
−→
2.3.2
−→
dim (U ∩ V ) + dim (U + V ) = dim U + dim V 1
3
2
2
Exerc´ıcios
1) Mostre que { 10, 11} e { 110, 011, 111 } s˜ ao bases dos espa¸cos Z22 e Z32 , respectivamente. n 2) Mostre (justifique) que o n´ umero de bases no espa¸co Zn2 ´e 2 n−1 . Verifique esta f´ormula para n = 2. 3) Mostre que os vetores u = (1, −1) e v = (−1, −1) formam uma base do R2 . Exprima cada um dos vetores (1, 0) e (0, 1) como uma combina¸c˜ao linear dos elementos dessa base. 4) Sejam os vetores u1 = (1, 2, 3), u2 = (0, 1, 2) e u3 = (0, 0, 1). Mostrar que o conjunto B = { u1 , u2 , u3 } ´e uma base do R3 . 5) Mostrar que o subconjunto de vetores: { (0, 2, 2), (0, 4, 1) } ´e uma base do seguinte subespa¸co vetorial do R3 : U = { (x, y, z) ∈ R3 : x = 0 } 6) No espa¸co vetorial R3 consideremos os seguintes subespa¸cos: U = { (x, y, z) ∈ R3 : x = 0 } e V = [ (1, 2, 0), (3, 1, 2) ] Determinar uma base e a dimens˜ao dos subespa¸cos U , V , U + V e U ∩ V .
105
7) No espa¸co vetorial R3 consideremos os seguintes subespa¸cos vetoriais: S = [ (1, −1, 2), (2, 1, 1) ] T = [ (0, 1, −1), (1, 2, 1) ] U = { (x, y, z) : x + y = 4x − z = 0 } e
V = { (x, y, z) ∈ R3 : 3x − y − z = 0 }
Determinar as dimens˜oes de: S, T , U , V , S + T , S ∩ T , T + U e T ∩ U . Determinar uma base e a dimens˜ao dos subespa¸cos U , V , U + V e U ∩ V . 8) Dar uma base e a dimens˜ao do subespa¸co W de R4 dado por W = { (x, y, z, t) ∈ R4 : x − y = y e x − 3y + t = 0 }. 9) Quais dos seguintes conjuntos de vetores formam uma base de P2 (R)? a) 2t2 + t − 4, t2 − 3t + 1, t + 3 b) 2, 1 − x, 1 + x2
c) 1 + x, x − x2 , 1 + 2x − x2
10) Mostre que os polinˆ omios 1, 1 + t, 1 − t2 e 1 − t − t2 − t3 formam uma base de P3 (R). 11) A seguir encontre a dimens˜ao do subespa¸co W e dˆe uma base para W . a) W = { p(x) ∈ P2 : p (0) = 0 } b) W = { p(x) ∈ P2 : p (1) = 0 } c) W = { p(x) ∈ P2 : x p′ (x) = p (x) }
12) Mostre que o conjunto 3 −7 −3 −2 1 −1 2 3 , , , −2 5 1 −1 0 −2 −1 0 ´e uma base de M2×2 (R).
106
13) Determine a dimens˜ao e uma base para cada um dos seguintes subespa¸cos vetoriais de M2×2 (R): a)
a b c d
b)
a b c d
c)
a b c d
: c = a − 3b e d = 0
d)
a b c d
: a+d=b+c
e)
a b c d
:b=d
: b =a+c e d =c
: c =a+b e d =a
14) Suponha que { u1 , u2 , . . . , un } ´e uma base de um espa¸co vetorial. Mostre que { a1 u1 , a2 u2 , . . . , an un } tamb´em ´e uma base, desde que nenhum dos n´ umeros ai ∈ R seja nulo. Conclua da´ı que num espa¸co veorial existem infinitas bases. 15) Considere os vetores u = (a, b)
e
v = ( a cos θ − b sen θ, a sen θ + b cos θ )
de R2 , onde θ ´e um parˆ ametro tal que θ 6= kπ com k ∈ Z e u 6= 0. Mostre que o conjunto { u, v } ´e uma base do R2 .
Conclua da´ı que no espa¸co veorial R2 existem infinitas bases desta forma.
Por exemplo, considere u = (1, 0) e encontre as bases para θ = π6 , θ = e θ = π3 . Plote essas bases graficamente.
π 4
16) Sejam u1 , . . . , un vetores em um espa¸co vetorial V . Prove que se cada u de S = [ u1 , . . . , un ] admite uma u ´nica representa¸c˜ao como combina¸c˜ao linear de u1 , . . . , un , ent˜ ao os vetores u1 , . . . , un formam uma base de S. 17) Mostrar que o conjunto { 2 } ´e uma base do espa¸co vetorial V, onde V = { x ∈ R : x > 0 }, com opera¸c˜ oes dadas por (veja exemplo 9, p. 38): u + v = u v, λ · u = uλ ,
∀ u, v ∈ V ∀ u ∈ V e ∀ λ ∈ R. 107
18) Sejam U e V subespa¸cos vetoriais de um espa¸co de dimens˜ao n. Supondo que dim U >
n 2
e dim V > n2 , prove que U ∩ V 6= { 0 }.
19) Sejam U e V espa¸cos vetoriais sobre R de dimens˜oes m e n, respectivamente. Considere o espa¸co vetorial U × V cuja adi¸c˜ao ´e dada por (u1 , v1 ) + (u2 , v2 ) = (u1 + u2 , v1 + v2 ) e a multiplica¸c˜ ao por escalares ´e dada por λ (u, v) = (λu, λv) Admitindo que { u1 , . . . , um } e { v1 , . . . , vn } s˜ ao bases de U e V , respectivamente, prove que: { (u1 , 0 ), . . . , (um , 0), ( 0, v1 ), . . . , ( 0, vn ) } ´e uma base de U × V . 20) As matrizes T = [ tij ] ∈ Mn (R) tais que tij = 0 para i < j s˜ ao chamadas triangulares inferiores. Por exemplo, para n = 3, temos
t11 t21 t31
t12 t22 t32
t13 t11 t23 = t21 t31 t33
0 t22
0 0
t32
t33
Prove que elas constituem um subespa¸co vetorial W ⊂ Mn (R), obtenha uma base para W e determine sua dimens˜ao. 21) Seja { v1 , . . . , vn } uma base para um espa¸co vetorial V . Prove que { v1 , v1 + v2 , v1 + v2 + v3 , . . . , v1 + v2 + · · · + vn } tamb´em ´e uma base para V . 22) Mostrar que o conjunto de vetores { (1 − i, i), (2, −1 + i) } de C2 ´e L.D. sobre C mas L.I. sobre R.
108
2.4
Coordenadas
Para falarmos de coordenadas de um vetor necessitamos considerar uma base de um espa¸co vetorial como estando ordenada. Uma base ordenada ´e uma base na qual fixamos quem ´e o primeiro vetor, quem ´e o segundo vetor, etc. Considerando B = { u1 , u2 , . . . , un } como sendo uma base ordenada para um espa¸co vetorial V , ent˜ ao C = { u2 , u1 , . . . , un } ´e uma base ordenada para V diferente. Se B = { u1 , u2 , . . . , un } ´e uma base (ordenada) para o espa¸co vetorial V de dimens˜ao n, ent˜ ao todo vetor v de V pode ser expresso de maneira u ´nica como v = λ1 u1 + λ2 u2 + · · · + λn un Nota: A unicidade dos escalares λi foi demonstrada na proposi¸c˜ao 5, p. 92.
Defini¸ c˜ ao 11 (Coordenadas). Os escalares λ1 , λ2 , . . . , λn , que figuram na igualdade v = λ1 u1 + λ2 u2 + · · · + λn un (2.14)
s˜ ao chamados coordenadas do vetor v em rela¸ca ˜o ` a base ordenada B = { u1 , u2 , . . . , un }.
As coordenadas de um vetor v em rela¸c˜ao a uma base ordenada B s˜ ao denotadas da seguinte forma: ( λ1 , λ2 , . . . , λn ) Ou ainda, na forma de uma matriz coluna n × 1: λ1 λ [ v ]B = .2 .. λn
A matriz acima ´e chamada matriz coordenada de v em rela¸c˜ao `a base B. Exemplos:
a ) Considere o espa¸co vetorial P2 dos polinˆ omios de grau ≤ 2. Os polinˆ omios p1 (t) = 1 + t,
p2 (t) = −1 + t,
p3 (t) = (1 − t)2
formam uma base B de P2 . Vamos obter as coordenadas do vetor em rela¸c˜ ao a essa base.∗ ∗
p(t) = 9 − 5 t + 2 t2
Observe que o vetor p est´ a sendo dado (escrito) na base canˆ onica { 1, t, t2 }.
109
Inicialmente escrevemos a equa¸c˜ao (2.14) para a presente situa¸c˜ao, assim: p(t) = λ1 p1 (t) + λ2 p2 (t) + λ3 p3 (t)
(2.15)
Ou ainda, 9 − 5 t + 2 t2 = λ1 (1 + t) + λ2 (−1 + t) + λ3 (1 − t)2 Escrevendo o polinˆ omio do lado direito na “ordem crescente” obtemos 9 − 5 t + 2 t2 = ( λ1 − λ2 + λ3 ) + ( λ1 + λ2 − 2λ3 ) t + λ3 t2 Da defini¸c˜ ao de igualdade de dois polinˆ omios λ − λ2 + λ3 1 λ1 + λ2 − 2λ3 λ3
resulta o seguinte sistema: =
9
=
−5
=
2
Cuja solu¸c˜ ao ´e: λ1 = 3, λ2 = −4 e λ3 = 2. Este resultado na equa¸c˜ao (6.3) nos d´ a p = 3 p1 − 4 p2 + 2 p3
Em nota¸c˜ ao de coordenadas ( 3, −4, 2 )
ou
b ) No R2 consideremos as bases
3 −4 2
B = { (1, 0), (0, 1) }, C = { (2, 0), (1, 3) } e D = { (1, −3), (2, 4) } Dado o vetor v = (8, 6), temos: (8, 6) = 8 (1, 0)
+ 6(0, 1)
(8, 6) = 3 (2, 0)
+ 2(1, 3)
(8, 6) = 2 (1, −3) + 3(2, 4) Ou ainda (subescrevendo as bases): vB = (8, 6),
vC = (3, 2),
Na nota¸c˜ ao de matriz de coordenadas, temos 8 3 [ v ]B = , [ v ]C = , 6 2 110
vD = (2, 3)
[ v ]D =
2 3
(2.16)
Na figura a seguir mostramos a representa¸c˜ao do vetor v = (8, 6) em rela¸c˜ao ` as bases B e C. y 2 (1, 3)
t v = (8, 6)
t
p
p
3
(1, 3 )
p
p
p
6 (0, 1)
t
p
(0, 1)
pt
0
pt
p
p
p
(1, 0) (2, 0)
p
p
3 (2, 0)
p
x
8 (1, 0)
A seguir destacamos a representa¸c˜ao geom´etrica do vetor v = (8, 6) apenas em rela¸c˜ ao ` a base C. y 2 (1, 3)
p
p
p
t v = (8, 6)
t
p
p
p
(1, 3)
0
p
pt
p
p
(2, 0)
p
p
p
p
x
3 (2, 0)
• v = 3 (2, 0) + 2(1, 3) ∗
∗
∗
A matem´ atica ´e um campo demasiadamente ´ arduo e in´ ospito para agradar ` aqueles a quem n˜ ao oferece grandes recompensas. Recompensas que s˜ ao da mesma ´ındole que as do artista. . . (Norbert Wiener)
111
2.5
Mudan¸ca de Base z
2
ℏ ∂ − 2m
2
Ψ(x, t) ∂x2
+ V (x, t) Ψ(x, t) = i ℏ
∂ Ψ(x, t) ∂t θ
2
ℏ ∇2 ψ(r, θ, φ) + V (r) ψ(r, θ, φ) = i E ψ(r, θ, φ) − 2m
r
P (r, θ, φ)
y y
x φ
x
Em muitas aplica¸c˜oes, um problema descrito por meio de um sistema de coordenadas pode ser resolvido mais facilmente pela mudan¸ca para um novo sistema de coordenadas (para uma nova base). A bem da verdade existem mesmo casos em que a resolu¸c˜ao de um problema torna-se imposs´ıvel em um dado sistema de coordenadas, caso em que uma mudan¸ca de base deixa de ser opcional e torna-se uma necessidade; ´e precisamente isto o que ocorre ao tentarmos resolver a equa¸c˜ao de Schr¨ oedinger − da mecˆ anica quˆantica (quadro acima) − para o ´atomo de hidrogˆenio (o mais simples dos ´atomos). Esta equa¸c˜ ao n˜ ao pode ser resolvida quando expressa em coordenadas retangulares (base canˆ onica do R3 ), raz˜ ao porque devemos proceder a uma mudan¸ca de base, mais precisamente para o sistema de coordenadas esf´ericas.
∗
∗
∗
N˜ ao creio que devo gastar anos estudando o trabalho dos outros, decifrando um campo complicado para poder contribuir com um pequeno aporte meu. Prefiro dar largas passadas numa dire¸ca ˜o totalmente nova, em que a imagina¸ca ˜o ´e, pelo menos, inicialmente, muito mais importante do que a t´ecnica, porque suas t´ecnicas correspondentes tˆem ainda de ser desenvolvidas. [. . .] Lembre-se que a matem´ atica ´e uma livre cria¸ca ˜o da mente humana e, como disse Cantor − o inventor da moderna teoria da infinitude, descrita por Wallace −, a essˆencia da matem´ atica reside na liberdade, na liberdade de criar. A hist´ oria, por´em, julga essas cria¸co ˜es por sua beleza duradoura e pela extens˜ ao com que elas iluminam outras ideias matem´ aticas ou o universo f´ısico, em suma, por sua “fertilidade”. (Gregory Chaitin/Matem´ atico e cientista da computa¸ca ˜o)
112
Matriz de mudan¸ca de base A partir de agora, para facilitar a exposi¸c˜ao, diremos apenas base em vez de base ordenada. Defini¸ c˜ ao 12. Seja B = { u1 , u2 , . . . , un } uma base do espa¸co vetorial V e seja C = { v1 , v2 , . . . , vn } outra base∗ . Como B ´e uma base, cada vetor da base nova C pode ser escrito, de modo u ´nico, como uma combina¸ca ˜o linear dos vetores de B, assim: v1 = λ11 u1 + λ21 u2 + · · · + λn1 un v2 = λ12 u1 + λ22 u2 + · · · + λn2 un
.................................... vn = λ1n u1 + λ2n u2 + · · · + λnn un Seja P a transposta da matriz dos coeficientes acima; isto ´e
λ11 λ12 . . . λ1n λ λ22 . . . λ2n 21 P = ................... λn1 λn2 . . . λnn ca de base da base antiga B para Ent˜ ao P ´e chamada de matriz de mudan¸ a base nova C. Exemplos: a ) Considere as duas bases de R2 dadas abaixo B = { (1, 0), (0, 1) }, C = { (2, 0), (1, 3) } Determine a matriz P de mudan¸ca da base B para a nova base C. Solu¸ c˜ ao: Escreva cada um dos vetores da nova base C como uma combina¸c˜ao linear dos vetores da base antiga B, assim: (2, 0) = λ11 (1, 0) + λ21 (0, 1) (1, 3) = λ12 (1, 0) + λ22 (0, 1) Daqui montamos os seguintes sistemas: (2, 0) = λ11 (1, 0)+λ21 (0, 1) ⇒ ∗
( 1 λ11 + 0 λ21 = 2
0 λ11 + 1 λ21 = 0
⇒ λ11 = 2, λ21 = 0
Apenas para referˆencia, chamaremos B de base “antiga” e C de base “nova”.
113
e ( 1 λ12 + 0 λ22 = 1
(1, 3) = λ12 (1, 0)+λ22 (0, 1) ⇒
⇒ λ12 = 1, λ22 = 3
0 λ12 + 1 λ22 = 3
Sendo assim, temos (2, 0) = 2 (1, 0) + 0 (0, 1) (1, 3) = 1 (1, 0) + 3 (0, 1) Tomando o transposto dos coeficientes acima, resulta: # " # " λ11 λ12 2 1 P = = 0 3 λ21 λ22 • Vamos agora pˆ or em evidˆencia um fato que, com raz˜ ao, causa muita confus˜ ao ao ne´ ofito em ´ algebra linear. Observe que a matriz P possui inversa dada por (eq. (8.3), p. 428) 1 1 2 −6 P −1 = 1 0 3 Consideremos agora o vetor v = (8, 6), isto ´e vB = (8, 6)
ou
Fa¸camos a seguinte multiplica¸c˜ao 1 P
Pelo exemplo b )
−1
· [ v ]B =
(p. 110)
[ v ]B =
2
− 61
0
1 3
temos que
3 2
·
8 6
8 6
=
3 2
= [ v ]C , portanto
P −1 · [ v ]B = [ v ]C
(2.17)
Conclus˜ ao: Embora a matriz P seja chamada de “matriz de mudan¸ca da base B para a base C ” , a bem da verdade, a matriz P −1 ´e quem realiza esta tarefa. Isto n˜ ao ´e por acaso, provaremos daqui a pouco que a igualdade (2.17) vale sempre. Antes vejamos geometricamente o papel da matriz P −1 , no que diz respeito ao exemplo anterior: 114
y
y
v = (8, 6)
6 (0, 1)
p p (1, 3)
r
p
p
p
p r
p
p 0
r
p
p
p p
P −1
3 (0, 1)
v = (8, 6)
2 (1, 3)
r
pr p
p
p
p
p
p
(1, 0)
x
p
p
0
8 (1, 0)
pr p
p
(2, 0)
p
p
p
p
x
3 (2, 0)
b ) Considere as duas bases de P2 dadas abaixo B = { 1, t }, C = { 2, 1 + 3 t } Determine a matriz P de mudan¸ca da base B para a nova base C. Solu¸ c˜ ao: Escreva cada um dos vetores da nova base C como uma combina¸c˜ao linear dos vetores da base antiga B, assim: 2 = λ11 1 + λ21 t 1 + 3 t = λ12 1 + λ22 t Pela defini¸c˜ o de igualdade entre polinˆ omios, temos: (
λ11 + λ21 t
=
2
⇒
λ11 = 2, λ21 = 0
λ12 + λ22 t
=
1 + 3t
⇒
λ12 = 1, λ22 = 3
Sendo assim, temos P =
"
λ11
λ12
λ21
λ22
#
=
"
2 1 0 3
#
Podemos tentar uma representa¸c˜ao geom´etrica para este exemplo, assim: P2
P2 1 + 3t P −1
t
0
1
0 115
2
Nota: Oportunamente provaremos ao leitor que esta constru¸c˜ao geom´etrica, das bases B e C, n˜ ao ´e arbitr´aria, existe uma l´ogica subjacente. Como dissemos, quem muda as coordenadas de um vetor da base B para a base C ´e a matriz P −1 e n˜ ao a matriz P propriamente. Por exemplo, consideremos o vetor p(t) = 2+t escrito na base B = { 1, t }. Para escrever este vetor na base C = { 2, 1 + 3 t }, procedemos assim: 2 + t = λ1 2 + λ2 (1 + 3 t) ou ainda, 2 + t = ( 2 λ1 + λ2 ) + ( 3 λ2 )t Daqui encontramos λ1 = 5/6 e λ2 = 1/3. Ent˜ao: 2+t=
1 5 · 2 + · (1 + 3 t) 6 3
Alternativamente, podemos obter as coordenadas deste vetor na base C a partir da equa¸c˜ ao (2.17), a qual repetimos aqui (adaptada ao presente contexto) [ p ]C = P −1 · [ p ]B Ent˜ ao,
[ p ]C =
1 2
− 61
0
1 3
·
2 1
=
"
5 6 1 3
#
Geometricamente, tudo se passa assim:
P2
P2 1 + 3t P −1
t
p(t)=2 + t
p(t) 1 ·(1+3 t) 3
0
1
2
0
2 5 ·2 6
116
c ) Se na defini¸c˜ ao 12
(p. 113)
tivermos B = C, isto ´e
B = { u1 , u2 , . . . , un },
C = { u1 , u2 , . . . , un }
Teremos para a matriz de “mudan¸ca de base” u1 = 1 u1 + 0 u2 + · · · + 0 un u2 = 0 u1 + 1 u2 + · · · + 0 un
.............................. un = 0 u1 + 0 u2 + · · · + 1 un Ou seja,
1 0 ... 0 0 1 ... 0 P = . . . . . . . . . . . . = In 0 0 ... 1
Colocaremos (e resolveremos) agora trˆes importantes problemas referentes a mudan¸ca de Bases. Problema 1 − Se a matriz de mudan¸ca da base B para a base C ´e P = ( λij ) e a matriz de mudan¸ca da base C para outra base D ´e Q = ( αij ), qual a matriz de mudan¸ca de B para D? Em resumo B
P
Q
C
D
? Suponhamos B = { u1 , u2 , . . . , un }, C = { v1 , v2 , . . . , vn } e D = { w1 , w2 , . . . , wn }
A defini¸c˜ ao de matriz de mudan¸ca de base nos permite escrever:
e w1 = α11 v1 + α21 v2 + · · · + αn1 vn w2 = α12 v1 + α22 v2 + · · · + αn2 vn
n X
λij ui
( j = 1, 2, . . . , n )
i=1
B→C
................................. vn = λ1n u1 + λ2n u2 + · · · + λnn un
vj =
v2 = λ12 u1 + λ22 u2 + · · · + λn2 un
v1 = λ11 u1 + λ21 u2 + · · · + λn1 un
................................. wn = α1n v1 + α2n v2 + · · · + αnn vn
wk =
C →D
117
n X j=1
αjk vj
( k = 1, 2, . . . , n )
Da´ı wk =
n X j=1
αjk
n X
λij ui
i=1
=
n n X X i=1
λij αjk
j=1
ui
( k = 1, 2, . . . , n )
Portanto o termo geral da matriz de mudan¸ca da base B para a base D ´e dado por n X λij αjk j=1
que, conforme equa¸c˜ ao 8.2 (p. 426), ´e o termo geral da matriz produto P · Q. Logo, a matriz de mudan¸ca da base B para a base D ´e a matriz P Q. Em resumo B
P
C PQ
Q
D
Corol´ ario 3. Uma consequˆencia do resultado precedente ´e que uma matriz de mudan¸ca de base ´e sempre invers´ıvel. Prova: Com efeito, Sejam P a matriz de mudan¸ca de B para C e Q a matriz de mudan¸ca de C para B. Veja,
B
C
P
Q
C In
B In
Q
P
B
C
(ver exemplo c ) p. 117) Dos diagramas acima decorre que P Q = Q P = In . Portanto P ´e inves´ıvel e P −1 nada mais ´e que a matriz de mudan¸ca de C para B. >
118
Problema 2 − Se a matriz das coordenadas de u ∈ V em rela¸c˜ao `a base B = { u1 , u2 , . . . , un } ´e:
[ u ]B =
γ1 γ2 .. . γn
e a matriz de mudan¸ca de base de B para C ´e P = ( λij ), qual a matriz das coordenadas de u em rela¸c˜ ao ` a base C = { v1 , v2 , . . . , vn } ? Em resumo P
B [ u ]B
?
C [ u ]C
Solu¸ c˜ ao: Seja
[ u ]C =
α1 α2 .. . αn
a matriz procurada. Sendo assim temos
u = γ1 u1 + γ2 u2 + · · · + γn un = α1 v1 + α2 v2 + · · · + αn vn Ou ainda (mudando de nota¸c˜ ao), u=
n X
γi ui =
n X
λij ui
αj vj
j=1
i=1
Como vj =
n X
( j = 1, 2, . . . , n ) (ver p. 117), ent˜ao
i=1
u=
n X
γi ui =
n X j=1
i=1
αj
n X i=1
λij ui
Utilizando propriedades do somat´ orio, temos n X n n X X λij αj ui γi ui = u= i=1
i=1
j=1
Para maior comodidade do leitor vamos abrir um pouco mais este imbr´ oglio (para i = 1, . . . , n), assim: n n X X λnj αj un u = γ1 u1 + · · · + γn un = λ1j αj u1 + · · · + j=1
j=1
119
Devido ` a unicidade das coordenadas, temos γ1 =
n X
λ1j αj , . . . , γn =
n X
λnj αj
j=1
j=1
Abrindo cada um desses somat´ orios: γ1 = λ11 α1 + λ12 α2 + · · · + λ1n αn .................................. γn = λn1 α1 + λn2 α2 + · · · + λnn αn Em nota¸c˜ ao matricial fica
α1 λ11 λ12 . . . λ1n γ1 α2 = . . . . . . . . . . . . . . . . . . . . . . ... λn1 λn2 . . . λnn γn αn
Portanto, [ u ]B = P [ u ]C
(2.18)
O que equivale a P −1 [ u ]B = [ u ]C Em resumo B [ u ]B
P
C
P −1
[ u ]C
Conclus˜ ao: N˜ao obstante a matriz P seja chamada de “matriz de mudan¸ca da base B para a base C ” , a bem da verdade, a matriz P −1 ´e quem realiza esta tarefa.
120
Problema 3 − Se B = { u1 , u2 , . . . , un } ´e uma base V e P = ( λij ) ´e uma matriz invers´ıvel, ent˜ ao os n vetores v1 , v2 , . . . , vn obtidos assim:
λ11
λ12
...
λ1n
λ 21 λ22 . . . λ2n ................... λn1 λn2 . . . λnn
v1 = λ11 u1 + λ12 u2 + · · · + λ1n un v2 = λ21 u1 + λ22 u2 + · · · + λ2n un
................................. vn = λn1 u1 + λn2 u2 + · · · + λnn un
v1
u v 2 2 = ... ... vn un
Isto ´e,
u1
Pn
vj =
i=1
λij ui
( j = 1, 2, . . . , n )
(∗)
formam tamb´em uma base de V ? Solu¸ ca ˜o: Para responder a esta pergunta vejamos se os vetores vj s˜ ao L.I.: γ1 v1 + γ2 v2 + · · · + γn vn = 0
n X
⇒
γj vj = 0
(2.19)
j=1
Substituindo nesta u ´ltima igualdade vj dado em ( ∗ ) resulta n X j=1
γj
n X
λij ui
i=1
= 0
Esta igualdade ´e equivalente ` a seguinte n n X X i=1
λij γj
j=1
ui = 0
Para maior comodidade do leitor vamos abrir um pouco mais este imbr´ oglio (para i = 1, . . . , n), assim: n X
λ1j γj
j=1
u1 + · · · +
n X
λnj γj
j=1
un = 0
Como, por hip´ otese, B = { ui } ´e L.I., resulta n X
λ1j γj = 0 , . . . ,
n X j=1
j=1
121
λnj γj = 0
Podemos abrir mais ainda, λ γ + λ12 γ2 + · · · + λ1n γn = 0 11 1 ................................ λn1 γ1 + λn2 γ2 + · · · + λnn γn = 0
Neste sistema linear homogˆeneo, se o leitor volver `a equa¸c˜ao (2.19) lembrar´a que as inc´ ognitas s˜ ao os γi . Como a matriz dos seus coeficientes ´e P que, por hip´ otese, ´e invers´ıvel ent˜ao a u ´nica solu¸c˜ao deste sistema ´e a trivial, ou seja, γ1 = γ2 = · · · = γn = 0. Logo, { v1 , v2 , . . . , vn } ´e L.I. e, portanto, tamb´em ´e base de V .
2.5.1
Exerc´ıcios
1) Determine as coordenadas do vetor u = ( 5, 3, 4) do R3 em rela¸c˜ao `as bases: a ) { ( 1, −1, 0), ( 1, 1, 0), ( 0, 1, 1) } b ) { ( 1, 1, 1), ( 1, 0, 1), ( 1, 0, −1) } 2) Determine as coordenadas do vetor p(t) = −3 + 4t + t2 de P2 em rela¸c˜ao as bases: ` a ) { 1 + t, −1 + t, (−1 + t)2 }
b ) { 5 − 2t + t2 , −3t + 2t2 , 1 + t } 3) Determine as coordenadas do vetor p(t) = t3 de P3 em rela¸c˜ao `a base { 1, 2 − t, 1 + t2 , 1 + t + t3 } # " 2 3 de M2 em rela¸c˜ao 4) Determine as coordenadas do vetor M = 4 −7 as bases: ` a)
b)
(" ("
1 1 1 1 1 1 1 1
# " ,
# " ,
1 −1 1
0
1 −1 1
0
# " ,
# " ,
1 −1 0
0
1 −1 0
0
# " ,
# " ,
3 −5 6
7
1 0 0 0
#) #)
5) No espa¸co R2 achar a matriz de mudan¸ca da base B = { (1, 3), (1, −2) } para a base C = { (3, 5), (1, 2) }, e da base C para a base B.
122
6) Achar a matriz de mudan¸ca da base B = { (1, 1, 0), (0, 1, 0), (0, 0, 3) }
para a base canˆ onica do R3 .
7) Sabendo que B = { (1, 3), (2, −4) } ´e uma base do
R2
e que
"
2
3
4 −7
#
´e a matriz de mudan¸ca da base B para a base C, determine a base C.
2 8) A matriz de mudan¸ca da base B " = { 1 +#t, 1 − t } para uma base C 2 3 , encontre a base C. ambas do mesmo subespa¸co de P2 ´e 4 −7
9) Seja o espa¸co vetorial V = M2 (R). Considere B como sendo a base canˆ onica desse espa¸co. Ademais, considere a base #) # " # " # " (" 0 1 2 0 0 1 1 1 , , , C= 0 0 0 3 1 0 −1 0 Determine a matriz de mudan¸ca da base B para a base C e de C para B. 10) Considere, no R3 , as bases A = { (1, 0, 0), (0, 1, 0), (0, 0, 1) } e B = { (1, 0, −1), (0, 1, −1), (−1, 1, 1) }. a ) Determine a matriz M de mudan¸ca da base A para a base B; b ) Calcule vB sabendo que vA = ( 1, 2, 3); c ) Calcule vA sabendo que vB = ( 7, −4, 6).
11) Considere as bases B = { e1 , e2 , e3 } e C = { g1 , g2 , g3 } de R3 assim relacionadas: g1 = e1 − e2 − e3 g2 =
2e2 + 3e3
g3 = 3e1
+ e3
a ) Determine as matrizes de mudan¸ca de B para C e de C para B; b ) Se uB = (1, 2, 3) encontre uC . 12) Considere o seguinte subespa¸co vetorial de M2 (R): # ) (" x y : x−y−z =0 U= z t a ) Mostre que os seguintes subconjuntos de M2 (R) s˜ ao bases de U : #) # " # " (" 0 0 1 0 1 1 , , B= 0 1 1 0 0 0 123
e C=
("
1 0 1 0
# " ,
0 −1 1 0
# " ,
0 0 0 1
#)
b ) Achar a matriz de mudan¸ca de B para C e a de C para B. c ) Achar uma base D de U , de tal maneira que a matriz de mudan¸ca de D para B seja: 1 1 0 0 0 2 0 3 1
13) Rotacione os eixos coordenados xy por um ˆangulo θ = 60o no plano, no sentido anti-hor´ ario, para obter novos eixos coordenados x′ y ′ . Encontre: a ) as coordenadas x′ y ′ do ponto cujas coordenadas xy s˜ ao (3, 2);
b ) as coordenadas xy do ponto cujas coordenadas x′ y ′ s˜ ao (4, −4). Fa¸ca um esbo¸co geom´etrico dos eixos com respectivos pontos. 14) Seja B = { u1 , . . . , un } uma base do espa¸co vetorial V e seja C = { v1 , . . . , vn } onde vi = un−i+1 para i = 1, . . . , n. Prove que C ´e uma base de V e encontre a matriz de mudan¸ca de B para C. 15) Seja B = { u1 , . . . , un } uma base do espa¸co vetorial V e seja C = { u1 , u1 − u2 , . . . , u1 − un }. Mostre que C ´e uma base de V e encontre a matriz de mudan¸ca de B para C. ∗
∗
∗
Mas, se vocˆe observar, se observar profundamente, ficar´ a surpreso. Vocˆe n˜ ao existe! N˜ ao que vocˆe precise se dissolver! Simplesmente vocˆe n˜ ao existe. Essa ´e apenas uma falsa no¸ca ˜o que vocˆe tem carregado, a no¸ca ˜o de que vocˆe existe. Alguns instantes de silˆencio e de repente vocˆe percebe que h´ a um vazio dentro de vocˆe, um nada dentro de vocˆe. Buda chamou esse nada de anatta, n˜ ao-ser, shunya, nada. Se olhar para den´ por isso que as pessoas n˜ tro, vocˆe n˜ ao vai se encontrar. E ao olham para dentro de si; elas tˆem medo. (Osho/Zen, p. 105)
124
Apˆ endice • Prova do teorema 4 (p. 99). Teorema 4. Se S gera o espa¸co vetorial V, ent˜ao: ( i ) Qualquer quantidade m´ axima de vetores linearmente independentes de S formam uma base de V. ( ii ) Suponha que excluimos de S todos os vetores que s˜ ao combina¸c˜ao linear dos vetores de S que o antecedem, ent˜ao os vetores remanescentes formam uma base de V. Prova: ( i ) Suponha que { u1 , u2 , . . . , um } ´e o maior subconjunto linearmente independente de S e suponha w ∈ S. Desta forma { u1 , u2 , . . . , um , w } ´e linearmente dependente. Nenhum uk pode ser uma combina¸c˜ao linear dos anteriores. Logo w ´e uma combina¸c˜ao linear dos ui s. Assim, w ∈ [ ui ] e, portanto, S ⊂ [ ui ]. Disso decorre∗ V = [ S ] ⊂ [ u i ] ⊂ V ⇒ V = [ ui ] Assim, [ ui ] gera V e, como ´e L.I., ´e uma base de V. ( ii ) Os vetores remanescentes formam um subconjunto L.I. de S com a maior quantidade poss´ıvel de vetores; portanto, por ( i ), ´e uma base de V. • Prova do teorema 5 (p. 99). Teorema 5 (Do Completamento).
Seja V um espa¸co vetorial de dimens˜ao finita e seja S = { u1 , u2 , . . . , ur } um conjunto de vetores linearmente independentes de V. Ent˜ao S ´e parte de uma base de V; isto ´e, S pode ser estendido a uma base de V. Prova: Suponha que B = { v1 , v2 , . . . , vn } ´e uma base de V. Ent˜ao B gera V e, portanto, V ´e gerado por S ∪ B = { u1 , u2 , . . . , ur , v1 , v2 , . . . , vn } Ent˜ao, pelo teorema 4, podemos excluir de S ∪ B todos os vetores que s˜ ao combina¸c˜ oes lineares dos anteriores para obter uma base C de V. Como S ´e L.I., nenhum uk ´e combina¸c˜ ao linear dos anteriores. Assim, C cont´em todo vetor de S, o que faz com que S seja uma parte da base C de V.
∗
Ver propriedades Pi , p. 69.
125
(p. 440)
∗
∗
∗
Em 1932, o eminente matem´atico h´ ungaro John von Neumann lan¸cou a pedra fundamental da teoria quˆantica em solo matem´aticamente firme; desde ent˜ ao, sua formula¸ca˜o foi considerada o “ n´ ucleo” ortodoxo da teoria quˆantica. A interpreta¸ca˜o de Von Neumann, como a interpreta¸ca˜o de Copenhague, presume que a teoria quˆ antica nos descreve o conhecimento da realidade por parte do observador em vez da pr´opria “Realidade” e o instrumento de observa¸ca˜o e aquilo que ´e observado fazem parte do mesmo sistema completo. O f´ısico Henry Stapp, do Laborat´orio Nacional Lawrence, da Universidade de Berkeley, h´ a pouco tempo refinou a interpreta¸ca˜o de Von Neumann. A abordagem StappVon Neumann presume que, uma vez que um componente-chave do processo de medi¸ca˜o quˆ antica inclui um observador e seu conhecimento, significa que a mente est´ a inextrincavelmente enla¸cada com a realidade quˆantica. (Dean Radin/Mentes Interligadas, p. 251)
126
Cap´ıtulo
3
˜ TRANSFORMAC ¸ OES LINEARES N˜ ao ´ e paradoxo dizer que nos nossos momentos de inspira¸ca ˜o mais te´ orica podemos estar o mais pr´ oximo poss´ıvel de nossas aplica¸co ˜es mais pr´ aticas. (A.N. Whitehead)
3.1
No¸ c˜ oes sobre Transforma¸c˜ oes, Fun¸c˜ oes
Nos dois cap´ıtulos precedentes estudamos um espa¸co vetorial isolado V e alguns conceitos intr´ınsecos relacionados a estes tais como: n−uplas de vetores linearmente independentes, subespa¸cos, base, dimens˜ao, etc. Neste cap´ıtulo iremos considerar, simultˆ aneamente, dois espa¸cos vetoriais e estudar correspondˆencias entre estes dois espa¸cos. O escopo principal da ´algebra linear ´e o estudo das transforma¸co˜es lineares e sua representa¸c˜ao por meio de matrizes. Defini¸ c˜ ao 13 (Transforma¸c˜ ao). Dados dois conjuntos U e V , ambos n˜ ao c~ ao de U em V ´e uma lei pela qual a cada elemento vazios, uma transforma¸ de U associa-se um u ´nico elemento de V . Se F indica essa lei e u representa um elemento gen´erico de U , ent˜ ao o (´ unico) elemento de V associado a u ´e representado por F (u) (lemos “F de u”) e se denomina imagem de u por F . U
V F
u t t F (u)
127
O conjunto U ´e o dom´ınio e o conjunto V ´e o contradom´ınio da transforma¸c˜ ao F . Alternativamente, podemos representar uma transforma¸c˜ao F de U em V , assim: F: U u
V 7→ F (u)
c~ ao e aplica¸ c~ ao s˜ ao sinˆ onimos da palavra transNota: Os termos fun¸ forma¸ca ˜o, embora alguns autores prefiram reservar a palavra “fun¸c˜ao” para se referir a aplica¸c˜ oes de valores reais ou complexos. Defini¸ c˜ ao 14 (igualdade). Duas transforma¸co ˜es F : U → V e G : U → V s˜ ao iguais se, e somente se, F (u) = G(u), ∀ u ∈ U .
Imagem de um Conjunto Via Transforma¸c˜ ao Sejam F : U → V uma transforma¸c˜ao e W ⊂ U . Vamos reunir em um mesmo subconjunto de V todos os elementos que s˜ ao imagem, por F , dos elementos de W . Formalizando, temos Defini¸ c˜ ao 15 (Imagem de Conjunto). Consideremos uma transforma¸ca ˜o F : U → V . Dado um subconjunto W ⊂ U , chama-se imagem de W por F , e indica-se por F (W ), o seguinte subconjunto de V : F (W ) = F (w) : w ∈ W U
W
V
F (W )
F
sw
s F (w)
s
s F (u)
u
Se W = U , ent˜ ao F (U ) recebe o nome de imagem de F e a nota¸c˜ao ser´ a Im (F ). Portanto, Im (F ) = { F (u) : u ∈ U } (3.1) Exemplo: Considere a transforma¸c˜ao F : R2 → R3 tal que F (x, y) = (x, −y, x−y). Por exemplo u = (2, 1)
⇒
F (x, y) = (x, −y, x − y) F (2, 1) = (2, −1, 2 − 1)
Geometricamente fica assim 128
⇒
F (2, 1) = (2, −1, 1).
y
z
p
3
F
p
2
u=(2,r1)
p
1
p
p
1
0
p
2
3
−1
x
y
F (u)
2 x
Vejamos ainda um outro exemplo ⇒
u = (1, 2)
F (x, y) = (x, −y, x − y) F (1, 2) = (1, −2, 1 − 2)
⇒
F (1, 2) = (1, −2, −1).
Geometricamente temos z
y
p
3
F u=(1, 2)
r
p
2
p
1
0
p
1
p
2
p
3
−2
x
y 1
F (u)
x
− Aproveitando o exemplo anterior∗ , vejamos um exemplo de imagem de conjunto. Encontre F (W ), onde W = { (x, y) ∈ R2 : y = x } Solu¸ ca ˜o: pela defini¸c˜ ao 15 temos F (W ) = F (w) : w ∈ W = F (x, y) : (x, y) ∈ W = (x, −y, x − y) : y = x = (x, −x, 0) ∗
F : R2 → R3 tal que F (x, y) = (x, −y, x − y)
129
Sendo assim, F (W ) ´e a reta “no espa¸co” localizada no plano xoy (z = 0) e de equa¸c˜ ao y = −x, isto ´e, x + y = 0. Geometricamente tudo se passa assim: z
y
p
3
F
2
p
W
p
1
F (W )
p
p
1
2
y
x
p
3
y
x =−
y=x x
Por oportuno, a imagem da aplica¸c˜ao F : U → V ´e encontrada assim: Im (F ) = { F (u) : u ∈ U }
= { F (x, y) : (x, y) ∈ R2 }
= { (x, −y, x − y) : (x, y) ∈ R2 } = { x(1, 0, 1) + y(0, −1, −1) : x, y ∈ R } A imagem ´e gerada pelos vetores (1, 0, 1), (0, −1, −1), isto ´e, Im (F ) = [ (1, 0, 1), (0, −1, −1) ] ´e o plano que cont´em estes dois vetores e a origem: z
z
(1, 0, 1)
s
(0, −1, −1)
s
y
s
s
x
− Estes dois vetores geram a imagem de F (um plano passando pela origem)
130
x
− A imagem de F
y
Defini¸ c˜ ao 16 (Transforma¸c˜ ao Injetora). uma transforma¸ca ˜o F : U → V se diz injetora se, e somente se, ∀ u1 , u2 ∈ U, F (u1 ) = F (u2 ) ⇒ u1 = u2 . Ou, em outra formula¸c˜ ao:
(ver contrapositivo, p. 435)
∀ u1 , u2 ∈ U, u1 6= u2 ⇒ F (u1 ) 6= F (u2 ). Exemplos: 1 ) A transforma¸c˜ ao F : R2 → R3 dada por F (x, y) = (x, −y, x − y), ´e injetora pois se u1 = (x1 , y1 ) e u2 = (x2 , y2 ) ent˜ao: F (u1 ) = F (u2 ) ⇒ (x1 , −y1 , x1 − y1 ) = (x2 , −y2 , x2 − y2 ) ( x1 = x2 ⇒ ⇒ u1 = u2 . y1 = y2 2 ) A transforma¸c˜ ao F : R2 → R3 dada por F (x, y) = (1, x + y, 2), n˜ ao ´e injetora pois temos, por exemplo, F (1, 0) = (1, 1 + 0, 2) = (1, 1, 2) (1, 0) 6= (0, 1) ⇒ ⇒ F (1, 0) = F (0, 1). F (0, 1) = (1, 0 + 1, 2) = (1, 1, 2) Geometricamente temos:
z
y
p
3
F
2
p
2
u2
F (u1 )=F (u2 )
t t
u1
p
2
p
3
1
x
y
1 x
P 3 ) A transforma¸c˜ ao F : Z32 → R dada por F (x1 x2 x3 ) = 3i=1 xi , n˜ ao ´e injetora pois temos, por exemplo, F (101) = 1 + 0 + 1 = 2 101 6= 110 ⇒ ⇒ F (101) = F (110). F (110) = 1 + 1 + 0 = 2 131
Defini¸ c˜ ao 17 (Transforma¸c˜ao Sobrejetora). uma transforma¸ca ˜o F : U → V se diz sobrejetora se, e somente se, Im (F ) = V , ou seja, para todo v ∈ V , existe u ∈ U tal que F (u) = v. Exemplos: 1 ) A transforma¸c˜ ao F : R2 → R2 dada por F (x, y) = (x, −y), ´e sobrejetora. De fato, dado v = (c, d) no contradom´ınio, basta tomar, no dom´ınio, u = (c, −d) e teremos F (c, −d) = (c, −(−d)) = (c, d) 2 ) A transforma¸c˜ ao F : R2 → R3 dada por F (x, y) = (1, x + y, 2), n˜ ao ´e 3 sobrejetora. De fato, por exemplo o ponto v = (0, 0, 1) ∈ R n˜ ao ´e imagem de ponto algum do dom´ınio. Defini¸ c˜ ao 18 (Transforma¸c˜ao Bijetora). uma transforma¸ca ˜o F : U → V se diz bijetora se, e somente se, F ´e injetora e ´e sobrejetora. Exemplo: A transforma¸c˜ao F : R2 → R2 dada por F (x, y) = (x, −y) ´e injetora (verifique) e sobrejetora. Logo, F ´e bijetora. − Se uma transforma¸c˜ ao F : U → V ´e bijetora, ent˜ao podemos definir uma outra transforma¸c˜ ao F −1 : V → U , chamada a inversa de F , veja: U
V F
u u uF (u)
F −1
∀ u ∈ U, F −1 F (u) = u
132
Provaremos agora uma importante propriedade relativa a fun¸c˜ao inversa: P ) Qualquer que seja a fun¸c˜ ao bijetora F : A → B, as compostas∗ F −1 ◦ F : A → A
e
F ◦ F −1 : B → B
s˜ ao, respectivamente, iguais ` as fun¸c˜oes identidade de A e B, assim: F −1 ◦ F = IA A x
F
F −1
B y
e
A x
F ◦ F −1 = IB B y
F −1
A x
F −1 ◦ F
F
B y
F ◦ F −1
Prova: Seja x um elemento qualquer de A e y ∈ B a sua imagem pela F , isto ´e, F (x) = y, donde, pela defini¸c˜ao de fun¸c˜ao inversa, F −1 (y) = x. Portanto: F −1 ◦ F (x) = F −1 F (x) = F −1 (y) = x = IA (x) (3.2) F ◦ F −1 (y) = F F −1 (y) = F (x) = y = IB (y) (3.3)
o que demonstra as igualdades F −1 ◦ F = IA e
F ◦ F −1 = IB .
>
Nota: Estas igualdades justificam a seguintes “opera¸c˜oes” (equivalˆencia): F (x) = y
⇔
x = F −1 (y)
Com efeito, F (x) = y
⇒
F −1 F (x) = F −1 (y) F −1 ◦ F (x) = F −1 (y) IA (x) = F −1 (y) x = F −1 (y)
e x = F −1 (y)
⇒
F (x) = F F −1 (y) = F ◦ F −1 (y) = IB (y) =y
∗
A defini¸c˜ ao de composta ´e a mesma encontrada nos livros do ensino m´edio.
133
3.2
Transforma¸c˜ oes Lineares
Uma transforma¸c˜ ao F : U → V entre dois espa¸co vetoriais ´e dita linear se for compat´ıvel com as opera¸c˜oes de espa¸co vetorial + e · em U e V ; ou seja, se ´e irrelevante adicionar primeiro dois elementos de U e depois transformar a soma, ou ent˜ ao transformar primeiro os dois elementos e depois adicionar suas imagens; o mesmo deve ser verdadeiro para a multiplica¸c˜ao por um escalar. Defini¸ c˜ ao 19 (Transforma¸c˜ao Linear). Sejam U e V espa¸cos vetoriais c~ ao linear de U sobre R. Uma fun¸ca ˜o F : U → V ´e dita uma transforma¸ em V se, e somente se, (i) ( ii )
F ( u1 + u2 ) = F ( u1 ) + F ( u2 ),
∀ u1 , u2 ∈ U
F ( λ u ) = λ F ( u ),
∀ λ ∈ R e ∀ u ∈ U.
Exemplo: Nos amplificadores lineares da eletrˆ onica temos um exemplo c~ oes lineares de transforma¸
F (u)
u
Saida
Entrada
F Sendo um amplificador linear uma transforma¸c˜ao linear a condi¸c˜ao ( i ) da defini¸c˜ ao nos diz que se colocarmos na entrada do circuito a soma de dois “sinais” ( u1 + u2 ) na sa´ıda do circuito teremos a soma das respectivas respostas a cada um dos sinais aplicados individualmente: F ( u1 ) + F ( u2 ). A condi¸c˜ ao ( ii ) da defini¸c˜ao nos diz que se multiplicarmos um sinal de entrada por um fator λ e considerarmos este resultado ( λ u ) como uma nova entrada, na saida do circuito teremos a saida do sinal original ( u ) multiplicada por este mesmo fator λ: λ F ( u ). No caso particular em que U = V , a transforma¸c˜ao linear F : U → V tamb´em ´e chamada de operador linear. 134
Exemplos: 1 ) A transforma¸c˜ ao F : R2 → R2 , F (x, y) = (−3x+y, 2x+3y) ´e linear. De fato, se u1 = (x1 , y1 ) e u2 = (x2 , y2 ) s˜ ao vetores gen´ericos do R2 , tem-se: ( i ) F (u1 + u2 ) = F (x1 + x2 , y1 + y2 ) =
− 3(x1 + x2 ) + (y1 + y2 ), 2(x1 + x2 ) + 3(y1 + y2 )
= (−3x1 − 3x2 + y1 + y2 , 2x1 + 2x2 + 3y1 + 3y2 )
= (−3x1 + y1 ) + (−3x2 + y2 ), (2x1 + 3y1 ) + (2x2 + 3y2 ) = (−3x1 + y1 , 2x1 + 3y1 ) + (−3x2 + y2 , 2x2 + 3y2 )
= F (u1 ) + F (u2 ). ( ii ) Para todo λ ∈ R e para todo u = (x, y) ∈ R2 , tem-se: F (λ u) = F (λx, λy) − 3(λx) + (λy), 2(λx) + 3(λy) = λ(−3x + y), λ(2x + 3y) = λ − 3x + y, 2x + 3y
=
= λ F (u).
− Interpreta¸ c˜ ao Geom´ etrica
Vamos dar uma interpreta¸c˜ ao geom´etrica para o operador linear do exem2 plo anterior, isto ´e: F : R → R2 , F (x, y) = (−3x + y, 2x + 3y). Por exemplo, u1 = (0, 1)
⇒
F (u1 ) = (1, 3)
u2 = (−1, 1)
⇒
F (u2 ) = (4, 1)
u1 + u2 = (−1, 2)
⇒
F (u1 + u2 ) = (5, 4)
Na figura a seguir (esquerda), sendo u1 + u2 o ponto extremo da diagonal do paralelogramo determinado por u1 e u2 , sua imagem F (u1 + u2 ) situa-se no ponto extremo da diagonal do paralelogramo determinado por F (u1 ) e F (u2 ), isto ´e, F (u1 +u2 ) = F (u1 )+F (u2 ). Diz-se, nesse caso, que F preserva a adi¸ca ˜o de vetores. 135
y
y F (u1 +u2 )
4
p
p
p
p p
p
p
2
p
1
p
p
1
0
t F (u
1
p
p
tu
−1
t
3
2
u2 t −2
F (u1 )
F
3
u1 + u2 t
t
4
2
x
p
p
1
0
p
2
p
3
2)
p
4
5
x
Na figura a seguir (esquerda) multiplicamos o vetor u2 por 2, por exemplo, sua imagem F (u2 ) tamb´em fica multiplicada por 2. Esse fato vale para qualquer λ real, isto ´e, F (λ u) = λ F (u). Diz-se, nesse caso, que F preserva a opera¸c˜ ao multiplica¸c˜ ao de um vetor por um escalar. y
y
F
−2 p −1p
1
1
0
F (2 u2 )
s
p
2
F (u2 )
s
p
p
2
p
u2 s
3
p
p
3
2 su2
p
p
x
p
0
p
p
4p
p
p
p
8p
x
2 ) Consideremos o espa¸co vetorial U = Pn dos polinˆ omios de grau ≤ n. Consideremos o operador derivada D : Pn → Pn que leva f ∈ Pn em sua derivada f ′ , isto ´e, D(f ) = f ′ . Por exemplo, D P2
P2 f (t) = 1 + t − 3t2
⇒
g(t) = 4 + 3t
⇒
f (t) + g(t) = 5 + 4t − 3t2
⇒
D f (t) = 1 − 6t D g(t) = 3
D f (t) + g(t) = 4 − 6t 136
Este operador ´e linear. De fato, pelas regras de deriva¸c˜ao, sabe-se que: (i)
D(f + g) = D(f ) + D(g)
( ii )
D(λ f ) = λ D(f )
3 ) Sejam os espa¸cos vetoriais U = Pn e V = R. A transforma¸c˜ao Z
T : Pn → R, definida por T (p) =
b
p dt
a
onde a, b ∈ R, que a cada polinˆ omio p ∈ Pn faz corresponder a sua integral definida T (p) ∈ R; por exemplo p
R s
=
f (t) dt = T f (t) −1
8 3
=
Z
1
s−2 +
T
1
1
f (t) + g(t) dt
p
f (t) + g(t) = 4t + t2
Z
−1
0
p
f (t) = 1 + t + t2 g(t) = −1 + 3t
Z
p
p
P2
8 3
p
s−2 =
g(t) dt = T g(t)
−1
´e linear. De fato, do C´ alculo sabe-se que: (i)
T (f + g) =
Z
b
(f + g) dt =
a
( ii )
T (λ f ) =
Z
b
(λ f ) dt = λ
Z
Z
b
f dt +
Z
b
g dt = T (f ) + T (g)
a
a
b
f dt = λ T (f )
a
a
4 ) Sejam os espa¸cos vetoriais U = M2 e V = M2 . A transforma¸c˜ao T : M2 → M2 , definida por T (p) = ´e linear. De fato, sejam u1 = M2 . Temos,
a b c d
e u2 =
137
a11 a21
a12 a22
e f g h
=
2a11 a21
a12 3a22
vetores arbitr´arios em
( i ) T (u1 + u2 ) = T
a+e b+f c+g d+h
=
2(a + e) b+f c+g 3(d + h)
=
2a + 2e b + f c + g 3d + 3h
=
2a b c 3d
=
( ii ) T (λ u1 ) = T
"
λa λb λc λd
#!
=
"
+
T (u1 )
+
#
"
2(λ a)
λb
λc
3(λ d)
=
=λ
2e f g 3h T (u2 )
λ (2a)
λb
λc
λ (3d) # b
"
2a c
3d
= λ T (u1 ) 5 ) A transforma¸c˜ ao T : R2 → R2 , T (x, y) = (x + 1, y − 1) n˜ ao ´e linear.
Para mostrar que uma dada transforma¸c˜ao n˜ ao ´e linear basta exibir um “contraexemplo”; para isto temos duas alternativas: ( i ) Devemos “conseguir” dois vetores u1 , u2 ∈ R2 tais que T ( u1 + u2 ) 6= T ( u1 ) + T ( u2 )
(3.4)
ou ( ii ) Devemos conseguir um n´ umero λ ∈ R e um vetor u ∈ R2 tais que T ( λ u ) 6= λ T ( u ) Pois bem, pela primeira alternativa, fa¸camos a seguinte tentativa u1 = (1, 0) e u2 = (0, 1). Sendo assim, temos u1 + u2 = (1, 1), ent˜ao T ( u1 + u2 ) = T (1, 1) = (1 + 1, 1 − 1) = (2, 0) T ( u1 ) = T (1, 0) = (1 + 1, 0 − 1) = (2, −1) T ( u2 ) = T (0, 1) = (0 + 1, 0 − 1) = (1, −1) T ( u1 ) + T ( u2 ) = (2, −1) + (1, −1) = (3, −2) logo, a desigualdade (3.4) est´ a satisfeita e, portanto, T n˜ ao ´e linear.
138
#
6 ) Sejam os espa¸cos vetoriais U = V = Z32 . A transforma¸c˜ao F : Z32 u
7→
Z32 u ¯
n˜ ao ´e linear. Nota: u ¯ significa “inverter” (trocar) cada bit do c´odigo (vetor) u, veja: u1 = 101
⇒
F (u1 ) = u ¯1 = 101 = 010
u2 = 001
⇒
F (u2 ) = u ¯2 = 001 = 110
Temos: u1 + u2 = 101 + 001 = 100 Ent˜ao: F (u1 + u2 ) = F (100) = 100 = 011 Logo: F (u1 + u2 ) = 011 6= 100 = F (u1 ) + F (u2 ) 7 ) A transforma¸c˜ ao identidade U I: U
U
I
u u
u 7→ u
U
∀u∈U
uu I(u) = u
ou I(u) = u, ∀ u ∈ U , ´e mais um exemplo de operador linear. De fato, (i) ( ii )
I(u1 + u2 ) = u1 + u2 = I(u1 ) + I(u2 ) I(λ u) = λ u = λ I(u).
Nota: Dada uma transforma¸c˜ ao qualquer F : U → V , entre dois espa¸cos vetoriais arbitr´arios, via de regra o vetor nulo de U ´e distinto do vetor nulo de V , raz˜ ao porque doravante estaremos mudando a cor do zero de V (contradom´ınio), este estar´ a na cor “azul”: 0. Veja:
7→
7→
F: U → V 0
0
139
8 ) A transforma¸c˜ ao nula (ou zero) U F: U u
7→
V
F
u u
0
V
∀u∈U
u0 F (u)= 0
F (u) = 0, ∀ u ∈ U , ´e mais um exemplo de transforma¸c˜ao linear. Veja: (i) ( ii )
F (u1 + u2 ) = 0 = 0 + 0 = F (u1 ) + F (u2 ) F (λ u) = 0 = λ 0 = λ F (u).
9 ) Seja U um espa¸co vetorial sobre R. Fixando um α ∈ R qualquer, chamase homotetia determinada pelo escalar α a aplica¸c˜ao U Hα : U u
U
Hα
u u
7→ α u
U
∀u∈U
uα u Hα (u)=α u
ou Hα (u) = α u, ∀ u ∈ U . Hα ´e mais um exemplo de operador linear, veja (i) ( ii )
Hα (u1 + u2 ) = α (u1 + u2 ) = α u1 + α u2 = Hα (u1 ) + Hα (u2 ) Hα (λ u) = α (λ u) = λ (α u) = λ Hα (u).
10 ) Seja U um espa¸co vetorial sobre R. Fixando um w ∈ U qualquer, chama-se transla¸ca ˜o definida por w a aplica¸c˜ao U Tw : U U u 7→ u+w
u u ∀u∈U
U Tw
uu + w Tw (u) = u+w
Se w 6= 0, ent˜ ao Tw n˜ ao ´e linear. De fato, para todos u1 , u2 ∈ U , temos: T (u1 + u2 ) = (u1 + u2 ) + w T (u1 ) = u1 + w T (u2 ) = u2 + w
⇒
T (u1 ) + T (u2 ) = u1 + u2 + 2w
Logo, se w 6= 0, Tw n˜ ao ´e linear. Por outro lado, se w = 0, ent˜ao Tw coincide com o operador identidade que ´e linear. 140
Uma transforma¸ c˜ ao linear especial Interregno cultural: Precisamente no ano de 1988 senti a necessidade de fazer um programa computacional para tra¸car o gr´ afico de superf´ıcies z = f (x, y). Na ´epoca n˜ ao existiam os potentes softwares alg´ebricos existentes hoje e que tra¸cam gr´ aficos com a maior facilidade. Inicialmente, para desenvolver meu programa consultei dois ou trˆes livros sobre computa¸c˜ao gr´ afica, entretanto achei os algoritmos − constantes nestes livros − um tanto quanto complicados para serem implementados; foi quando decidi criar meu pr´ oprio algoritmo.
Dedu¸c˜ ao do meu algoritmo Ap´os alguns instantes de reflex˜ ao me coloquei o seguinte problema: Como plotar um ponto (x, y, z), do espa¸co tridimensional, em uma superf´ıcie bidimensional (a tela do computador ou uma folha de papel, por exemplo)? Para resolver meu problema devo construir a seguinte transforma¸c˜ao T : R3 → R2 z
z
t (x, y, z)
t (X, Y )
y
y
x
Observe que o ponto a ser plotado ´e “o mesmo” nas duas figuras. Digo, para plotar o ponto de coordenadas (x, y, z) “no espa¸co” basta plotar o ponto de coordenadas (X, Y ) no plano − de modo que esta plotagem nos dˆe a ilus˜ ao de que o ponto encontra-se no espa¸co, entenderam? Pois bem, s´ o nos resta agora relacionar as “coordenadas virtuais” X e Y com as coordenadas reais x, y e z. Isto pode ser feito a partir das figuras z z
t (X, Y ) ≡ (x, y, z)
t (X, Y )
` θ
y
y x
x
141
` θ
տ
Nota: θ ´e um ˆ angulo entre o eixo x e o eixo z (negativo). O nosso interesse estar´ a centrado na figura da direita. Desta figura destacamos o seguinte triˆ angulo (ver seta): y−X ⊡ z−Y
θ a
sen θ =
y−X x
⇒ X = y − x · sen θ
cos θ =
z−Y x
⇒ Y = z − x · cos θ
x
Ent˜ ao, o “menor algoritmo do mundo” para o tra¸cado de superf´ıcies, ´e: (x, y, z) ≡ (X, Y ) = ( y − x · sen θ, z − x · cos θ )
(3.5)
Aplica¸c˜ oes do algoritmo Na figura seguinte temos o gr´ afico da superf´ıcie dada por z(x, y) = cos x · cos y no dom´ınio [0, 4π] × [0, 2π] (isto ´e, 0 ≤ x ≤ 4π, 0 ≤ y ≤ 2π), com θ = 35 o :
Na figura seguinte temos o gr´ afico da superf´ıcie dada por z(x, y) = sen x · cos y no dom´ınio [0, 4π] × [0, 2π](isto ´e, 0 ≤ x ≤ 4π, 0 ≤ y ≤ 2π ), com θ = 35 o : 142
Nota: Para mais um exemplo de superf´ıcie ver p. 417.
Morte e ressurrei¸c˜ ao de um algoritmo Alguns anos depois da concep¸ca˜o do meu algoritmo surgem os poderosos softwares computacionais para o tra¸cado de gr´ aficos (inclusive superf´ıcies), devo confessar que, com muito pesar, vislumbrei a morte de meu rebento. Entretanto, alguns anos depois as circustˆancias me levaram a utilizar o processador de texto∗ LATEX 2ε e neste existe um ambiente (pspicture) para o tra¸cado de figuras que trabalha com as coordenadas cartesianas bidimensionais (X, Y ). Somente ent˜ ao me dei conta de que a finalidade principal de meu algoritmo n˜ ao estava no tra¸cado de superf´ıcies mas sim em plotar um ponto no espa¸co R3 e, em fun¸c˜ ao disto, o mesmo se revelaria de grande utilidade dentro do ambiente de figuras do referido processador de texto. Por exemplo, os seguintes paralelepipedos foram tra¸cados com o algoritmo (3.5).
Nota: As duas superf´ıcies anteriores foram tra¸cadas no ambiente de figuras (pspicture) do LATEX, programei a equa¸c˜ao (3.5) em minha H.P. para me fornecer as coordenadas dos pontos da superf´ıcie. Para mais detalhes sobre estas figuras veja p. 195. ∗
No qual foi feita a Editora¸c˜ ao eletrˆ onica deste livro.
143
Uma outra aplica¸c˜ ao inestim´avel que encontrei para o meu algoritmo se deu 21 anos ap´ os sua concep¸c˜ao, quando iniciei a escrever o presente livro. Todas as figuras deste livro, que envolvem o espa¸co vetorial R3 , como, por exemplo, a seguinte: (p. 162) F
z N (F )
z
−→ t (x, y, z)
t(x, y, z) Im (F ) y
y
s(x, y, 0) x
x
foram feitas com o aux´ılio do algoritmo. O nosso algoritmo pode ser visto como a aplica¸c˜ao, T:
R3
(x, y, z)
R2 (y−x· sen θ, z−x·cos θ)
que ´e uma transforma¸c˜ ao linear, uma vez que θ ´e um parˆ ametro. Observe que T (0, y, z) = (y − 0 · sen θ, z − 0 · cos θ) = (y, z) Ou seja, os pontos do plano yoz s˜ ao “invariantes” por T . A pr´ oxima proposi¸ca˜o nos fornece uma defini¸c˜ao alternativa para transforma¸c˜ ao linear envolvendo uma u ´nica condi¸c˜ao. Proposi¸ c˜ ao 10. Uma fun¸ca ˜o F : U → V ´e uma transforma¸ca ˜o linear, se e somente se, F (λ u + µ v) = λ F (u) + µ F (v) (3.6) para quaisquer u, v ∈ U e quaisquer λ, µ ∈ R. Prova: ( ⇒ ) Assumindo F linear devemos mostrar que vale a igualdade (3.6). Resumindo: ( i ) F ( u1 + u2 ) = F ( u1 ) + F ( u2 ) ( ∀ u1 , u2 ∈ U )
H: ⇓
T:
( ii )
F (λu) = λF (u)
F (λ u + µ v) = λ F (u) + µ F (v) 144
( ∀ λ ∈ R, ∀ u ∈ U )
Pois bem, tomando u1 = λ u e u2 = µ v e substituindo em ( i ), obtemos F (λ u + µ v) = F (λ u) + F (µ v) Agora utilizando a parte ( ii ) da hip´ otese, obtemos F (λ u + µ v) = λ F (u) + µ F (v) que ´e a nossa tese. ( ⇒ ) Para provar a reciproca “o que ´e tese vira hip´ otese e o que ´e hip´ otese vira tese ”, assim:
H:
F (λ u + µ v) = λ F (u) + µ F (v)
⇓ (i)
T:
( ii )
( ∀ λ, µ ∈ R; ∀ u, v ∈ U )
F ( u1 + u2 ) = F ( u1 ) + F ( u2 )
( ∀ u1 , u2 ∈ U ) ( ∀ λ ∈ R, ∀ u ∈ U )
F (λu) = λF (u)
Tomando na hip´ otese λ = µ = 1 provamos a parte ( i ) da tese. Para provar a parte ( ii ) ´e suficiente tomar µ = 0. Desta proposi¸c˜ ao segue, por indu¸c˜ao, a propriedade b´ asica das transforma¸c˜oes lineares: F (λ1 u1 + λ2 u2 + · · · + λn un ) = λ1 F (u1 ) + λ2 F (u2 ) + · · · + λn F (un ) Ou, o que d´ a no mesmo F
n X i=1
n X λi F (ui ) λi ui =
(3.7)
i=1
No nosso pr´ oximo exemplo (teorema) iremos caracterizar todas as transforma¸c˜oes lineares F : Rm → Rn . ∗
∗
∗
Atrav´es dos tempos, os matem´ aticos tˆem considerado seus objetos, tais como n´ umeros, pontos, etc., como coisas substanciais em si. Uma vez que estas entidades sempre tinham desafiado tentativas de uma descri¸ca ˜o adequada, manifestou-se corretamente nos matem´ aticos do s´eculo XIX a convic¸ca ˜o de que a quest˜ ao do significado destes objetos como coisas substanciais n˜ ao fazia sentido dentro da Matem´ atica, ou mesmo em geral. (Richard Courant/O que ´ e Matem´ atica?)
145
Teorema 6. Considerando uma transforma¸ca ˜o F : Rm → Rn ; dado m u = (x1 , x2 , . . . , xm ) ∈ R temos F ( x1 , x2 , . . . , xm ) = ( y 1 , y 2 , . . . , y n ) ∈ R n Se F ´e linear ent˜ ao existem m · n n´ umeros reais ( aij ), 1 ≤ i ≤ n, 1 ≤ j ≤ m ou ainda,
tais que F ´e da forma
a11
a12
. . . a1m
a21 a22 . . . a2m ................... an1 an2 . . . anm
(∗)
F ( x1 , x2 , . . . , xm ) = ( y 1 , y 2 , . . . , y n )
y1 = a11 x1 + a12 x2 + · · · + a1m xm y2 = a21 x1 + a22 x2 + · · · + a2m xm
································· · ·
yn = an1 x1 + an2 x2 + · · · + anm xm
Reciprocamente, se ( aij ) ´e uma cole¸ca ˜o de m · n n´ umeros reais, ent˜ ao a fun¸ca ˜o que associa a cada u de Rm o elemento y em Rn de acordo com a equa¸ca ˜o ( ∗ ), ´e uma transforma¸ca ˜o linear com dom´ınio em Rm e contradon minio em R . Antes da prova do teorema observe a seguinte perspectiva:
F : Rm → Rn
y1
a11
a12
. . . a1m
a21 a22 . . . a2m = ................... an1 an2 . . . anm yn | {z y2 .. .
n×m
146
· }
x1 x2 .. . xm
Prova: ( ⇒ ) Supondo F linear vamos mostrar que existem m·n n´ umeros reais aij de modo que F ´e da forma ( ∗ ). De fato, sejam e1 , e2 , . . . , em os vetores da base canˆ onica de Rm , isto ´e e1 = (1, 0, . . . , 0), e2 = (0, 1, . . . , 0), . . . , em = (0, 0, . . . , 1) Examinemos a imagem desses vetores pela transforma¸c˜ao F . Suponhamos
······························ F (em ) = ( a1m , a2m , . . . , anm )
F (e2 ) = ( a12 , a22 , . . . , an2 )
F (e1 ) = ( a11 , a21 , . . . , an1 )
F : Rm → Rn ej 7→ F (ej )
↓ j = 1, 2, ... , m
(♣)
Isto ´e, o n´ umero real aij ´e a i−´esima coordenada do vetor F (ej ). Seja u = (x1 , x2 , . . . , xm ) um vetor arbitr´ario de Rm . Logo, u = x1 e1 + x2 e2 + · · · + xm em Ent˜ao, F (u) = F (x1 e1 + x2 e2 + · · · + xm em ) Como F ´e linear podemos fazer uso da equa¸c˜ao (3.7) (p. 145) para obter F (u) = x1 F (e1 ) + x2 F (e2 ) + · · · + xm F (em ) Usando as m igualdades em ( ♣ ), obtemos F (u) = x1 ( a11 , a21 , ..., an1 ) + x2 ( a12 , a22 , ..., an2 ) + ··· + xm ( a1m , a2m , ..., anm ) =( a11 x1 , a21 x1 , ..., an1 x1 ) + ( a12 x2 , a22 x2 , ..., an2 x2 ) + ··· + ( a1m xm , a2m xm , ..., anm xm )
Adicionando estes m vetores, F (u) resulta da forma ( ∗ ). Nota: J´ a neste momento observe que a contrapositiva da proposi¸c˜ao que acabamos de provar nos assegura de que se uma transforma¸c˜ao F do Rm em Rn n˜ ao for da forma ( ∗ ) ent˜ao F n˜ ao ´e linear. O leitor poderia ser tentado a concluir que se uma tal transforma¸c˜ao F for da forma ( ∗ ) ent˜ao ´e linear. Observamos que isto deve ser provado uma vez que uma proposi¸c˜ao n˜ ao ´e equivalente ` a sua reciproca. ( ⇐ ) Reciprocamente, ´e f´acil mostrar − por c´alculo direto − que toda transforma¸c˜ao da forma ( ∗ ) ´e linear.
Exegese : A vantagem deste teorema ´e que podemos decidir − “a olho nu ” − se uma transforma¸c˜ ao F : Rm → Rn ´e ou n˜ ao linear: Uma transforma¸ca ˜o F:
Rm
Rn
(x1 , ..., xm )7→ (y1 , ..., yn )
147
´e linear se, e somente se, as coordenadas yi s˜ ao combina¸c˜oes lineares das coordenadas xi . Por exemplo, F : R2 → R3 ,
a) b)
F : R2 → R2 ,
F : R3 → R2 ,
c)
F (x, y) = (2x + y, x − 2y, −x − y)
´e linear;
F (x, y) = (2x + y, 3x + 2y)
´e linear;
F (x, y, z) = (x + y, x + z)
´e linear;
d)
F : R3 → R3 ,
F (x, y, z) = (2x2 + 3y, x, z)
n˜ ao ´e linear;
e)
F : R → R,
F (x) = a x + b
n˜ ao ´e linear;
F (x) = (3x, 2)
n˜ ao ´e linear.
f)
F : R → R2 ,
Exemplo: Apenas a t´ıtulo de ilustra¸c˜ao vamos encontrar a matriz associada a seguinte transforma¸c˜ ` ao linear, F : R3 → R2 ,
dada por
F (x, y) = (x + y, x + z)
segundo o teorema 6 (p. 146). Seguindo os passos da demonstra¸c˜ao devemos calcular a transforma¸c˜ ao nos vetores da base canˆ onica do R3 , assim: F (e1 ) = ( 1 + 0, 1 + 0 ) = (1, 1) B = { (1, 0, 0), (0, 1, 0), (0, 0, 1) } ⇒ F (e2 ) = ( 0 + 1, 0 + 0 ) = (1, 0) F (e3 ) = ( 0 + 0, 0 + 1 ) = (0, 1)
Tomamos o “transposto” das coordenadas, assim:
F : R3 → R2 "
y1 y2
2×3
}| #{ x1 1 1 0 = · x2 1 0 1 x3 ↑ ↑ ↑ F (e1 ) F (e3 ) F (e2 )
#
z"
Observe a equa¸c˜ ao matricial da seguinte perspectiva Y = F (X) = A X Oportunamente vamos generalizar este exemplo para espa¸cos vetoriais arbitr´arios. 148
Propriedades das Transforma¸c˜ oes Lineares Sejam U e V espa¸cos vetoriais sobre R e consideremos uma transforma¸c˜ao linear F : U → V . Valem as seguintes propriedades para F :
P1 ) F ( 0) = 0. Isto ´e, sob qualquer transforma¸c˜ao linear F : U → V a imagem do vetor nulo de U ´e o vetor nulo de V . Prova: Com efeito, F ( 0) = F ( 0 + 0) = F ( 0) + F ( 0) logo, F ( 0) − F ( 0) = F ( 0) + F ( 0) − F ( 0) 0 = F ( 0)
> Considerando a proposi¸c˜ ao que acabamos de provar: Proposi¸c˜ ao: Se F : U → V ´e linear, ent˜ao F ( 0) = 0.
a sua reciproca: “Se F ( 0) = 0, ent˜ao F : U → V ´e linear.” n˜ ao ´e verdadeira ´ o caso da transforma¸c˜ao (n˜ ao vale). E F : R2 → R3 , T (x, y) = (x2 , y, y 2 ) ao ´e na qual temos F ( 0) = F (0, 0) = (02 , 0, 02 ) = (0, 0, 0) = 0 e F n˜ linear. Conclus˜ ao: A condi¸c˜ ao F ( 0) = 0 ´e necess´ aria, mas n˜ ao suficiente, para que uma transforma¸c˜ ao F seja linear; o que significa que se acontecer F ( 0) 6= 0 j´a podemos, de imediato, garantir que F n˜ ao ´e linear; entretanto se acono − n˜ ao garante que F seja linear. tecer F ( 0) = 0, isto − por si s´ P2 ) F ( u1 − u2 ) = F ( u1 ) − F ( u2 ), ∀ u1 , u2 ∈ U . Prova: Da condi¸c˜ ao ( i ) abaixo (i) ( ii )
F ( u1 + u2 ) = F ( u1 ) + F ( u2 ),
∀ u1 , u2 ∈ U
F ( λ u ) = λ F ( u ),
∀ λ ∈ R e ∀ u ∈ U.
temos F ( u1 − u2 ) = F ( u1 + (−u2 ) ) = F ( u1 ) + F ( −u2 ) Tomando na condi¸c˜ ao ( ii ) λ = −1 e u = u2 , resulta F ( −u2 ) = −F ( u2 ), donde F ( u1 − u2 ) = F ( u1 ) − F ( u2 ) >
149
Observe que se na igualdade acima tomarmos u1 = u2 , isto ´e, u1 −u2 = 0 teremos F ( 0 ) = F ( u 1 ) − F ( u2 ) = 0 uma outra alternativa para se demonstrar esse resultado. P3 ) Se W ´e um subespa¸co de U , ent˜ao a imagem de W ´e um subespa¸co de V . V
U W
F (W )
F
sw
s F (w)
s
s F (u)
u
Se W ´e subespa¸co . . .
F (W ) ´e subespa¸co.
Prova: Inicialmente resumimos a proposi¸c˜ao assim:
H:
H1 : F : U → V ´e linear.
T: F (W ) ⊂ V ´e subespa¸co.
H : W ⊂ U ´e subespa¸co. 2
Segundo a proposi¸ca˜o 1
(p. 53)
F (W ) =
devemos mostrar que
F (w) : w ∈ W
´e fechado para as opera¸c˜oes de espa¸co vetorial. Com efeito, sejam v1 e v2 vetores arbitr´arios em F (W ), devemos provar que v1 + v2 ∈ F (W ). Pela defini¸c˜ ao de F (W ) existem w1 e w2 em W tais que v1 = F (w1 ) e v2 = F (w2 ), ent˜ ao v1 + v2 = F (w1 ) + F (w2 ) Como F ´e linear resulta v1 + v2 = F (w1 + w2 ) Por hip´ otese, W ´e subespa¸co, segue que w1 + w2 ∈ W ; isto implica que v1 + v2 ∈ V ´e imagem de um elemento de W , logo, v1 + v2 ∈ F (W ). Seja agora λ ∈ R e v ∈ F (W ), arbitr´arios, devemos provar que λ v ∈ F (W ). Pela defini¸c˜ ao de F (W ) existe w ∈ W tal que v = F (w). Ent˜ao, λ v = λ F (w) Como F ´e linear resulta λ v = F (λ w) 150
Por hip´ otese, W ´e subespa¸co, ent˜ao λ w ∈ W ; isto implica que λ v ∈ V ´e imagem de um elemento de W , logo, λ v ∈ F (W ). > Nota: A propriedade P3 significa que uma transforma¸c˜ao linear F : U → V transforma subespa¸cos vetoriais do dom´ınio em subespa¸cos vetoriais no contradom´ınio. Em outras palavras, uma transforma¸c˜ao linear preserva a estrutura de espa¸co vetorial. P4 ) Se F : U → V ´e linear e { u1 , . . . , un } gera U , ent˜ao { F (u1 ), . . . , F (un ) } gera Im (F ). Prova: Com efeito, seja v ∈ Im (F ) = { F (u) : u ∈ U } arbitr´ario. Ent˜ao, v = F (u) para algum u ∈ U . Como { u1 , . . . , un } gera U , existem escalares λ1 , . . . , λn tais que: u = λ1 u1 + · · · + λn un Logo, v = F (u) = F (λ1 u1 + · · · + λn un ) = λ1 F (u1 ) + · · · + λn F (un ) Portanto, Im (F ) = [ F (u1 ), . . . , F (un ) ].
>
P5 ) Uma transforma¸c˜ ao linear F : U → V fica completamente determinada quando se conhecem as imagens dos vetores de uma base de U . Prova: Com efeito, suponhamos que B = { u1 , u2 , . . . , un } seja uma base do dom´ınio U e que se conhe¸ca quais s˜ ao as imagens F (u1 ), F (u2 ), . . . , F (un ) dos vetores desta base. Sempre ´e poss´ıvel obter a imagem T (u) de qualquer u ∈ U , pois sendo u uma combina¸c˜ao linear dos vetores da base, isto ´e: u = λ1 u1 + λ2 u2 + · · · + λn un Aplicando F a ambos os membros obtemos: F (u) = λ1 F (u1 ) + λ2 F (u2 ) + · · · + λn F (un ) >
151
Vejamos um exemplo desta u ´ltima propriedade. Seja F : R3 → R2 uma transforma¸c˜ ao linear, s˜ ao conhecidos (dados), B = { u1 , u2 , u3 }, onde, u1 = (0, 1, 0), u2 = (1, 0, 1), u3 = (1, 1, 0) F (u ) = (1, −2), F (u ) = (3, 1), F (u ) = (0, 2) 1 2 3
Determine F (x, y, z), a imagem de um vetor arbitr´ario do R3 . F =?
R3
y
R2 F (u3 )
s (x, y, z)
sF (x, y, z) = ?
s
p
z
F (u2 ) p
s
u2 s
us1
y
s
p
p
p
x
su
p
3
p
x
s F (u
1)
Solu¸ c˜ ao: Inicialmente devemos expressar um vetor u = (x, y, z) ∈ R3 como uma combina¸c˜ ao linear dos elementos da base: (x, y, z) = λ1 u1 + λ2 u2 + λ3 u3 isto ´e, (x, y, z) = λ1 (0, 1, 0) + λ2 (1, 0, 1) + λ3 (1, 1, 0)
(3.8)
desta equa¸c˜ ao obtemos o seguinte sistema linear λ2 + λ3 = x λ1 + λ3 = y λ2 = z cuja solu¸c˜ ao ´e: λ2 = z,
λ3 = x − λ2 = x − z e λ1 = y − λ3 = y − (x − z) = y − x + z.
Substituindo estes valores em (3.8) obtemos (x, y, z) = (y − x + z) (0, 1, 0) + z (1, 0, 1) + (x − z) (1, 1, 0) Aplicando F , linear, temos: F (x, y, z) = (y − x + z) F (0, 1, 0) + z F (1, 0, 1) + (x − z) F (1, 1, 0) 152
Substituindo os valores de F nos vetores da base temos F (x, y, z) = (y − x + z) (1, −2) + z (3, 1) + (x − z) (0, 2) = 1 (y − x + z), −2 (y − x + z) + (3z, 1 z) + 0, 2(x − z)
Somando:
F (x, y, z) = (−x + y + 4z, 4x − 2y − 3z) Por exemplo, F (1, 2, 5) = (−1 + 2 + 4 · 5, 4 · 1 − 2 · 2 − 3 · 5) = (21, −15) ∗
3.2.1
∗
∗
Exerc´ıcios
1) Dentre as transforma¸c˜ oes a seguir, verificar quais s˜ ao lineares: a ) F : R2 → R2 definida por F (x, y) = (x − 3y, 2x + 5y); √ b ) F : R2 → R3 definida por F (x, y) = (x − y, 3x, x + 2 y); √ c ) F : R2 → R3 definida por F (x, y) = (x − y, 3x, x + 2 y);
d ) F : R3 → R3 definida por F (x, y, z) = (x + y, 0, x − y); √ e ) F : R2 → R3 definida por F (x, y) = (x + y, 0, (x − y)/ 2 ).
2) Mostre que as aplica¸c˜ oes abaixo n˜ ao s˜ ao lineares: 2 2 a ) F : R → R definida por F (x, y) = (x y, x)
b ) F : R2 → R2 definida por F (x, y) = (x + 2, y + 3) c ) F : R2 → R definida por F (x, y) = |x|
d ) F : R3 → R2 definida por F (x, y, z) = (|x|, y + z)
3) Determine a transforma¸c˜ ao linear F : R3 → R2 tal que F (1, −1, 0) = (1, 1),
F (0, 1, 1) = (2, 2),
e F (0, 0, 1) = (3, 3).
Achar F (1, 0, 0) e F (0, 1, 0). 4) Seja F : R3 → R2 uma transforma¸c˜ao linear definida por F (1, 1, 1) = (1, 2),
F (1, 1, 0) = (2, 3),
e F (1, 0, 0) = (3, 4).
a ) Determine F (x, y, z); b ) Determine u ∈ R3 tal que F (u) = (−3, −2); c ) Determine u ∈ R3 tal que F (u) = (0, 0).
153
5) Verifique se o operador a seguir ´e linear F : Z32 u
Z32
7→ F (u)
onde u = x1 x2 x3 7→ F (u) = x3 x1 x2
6) Verifique se a transforma¸c˜ao a seguir ´e linear F : Z32 u
R 7→ F (u)
onde u = x1 x2 x3 7→ F (u) = max{ 1 · x1 , 2 · x2 , 3 · x3 }
7) Verifique se s˜ ao operadores lineares no espa¸co Pn a ) F : Pn → Pn tal que F p(t) = t p′ (t); b ) F : Pn → Pn tal que F p(t) = p′ (t) + t2 p′′ (t).
8) Determine a transforma¸c˜ao linear F : P2 → P2 tal que F (1) = x, F (x) = 1 − x2 e F (x2 ) = x + 2x2 .
9) Verifique se ´e linear a seguinte transforma¸c˜ao a b 2 F : M2 → R tal que F = (a − b, a + b). c d 10) Seja o espa¸co vetorial U = Mn , das matrizes quadradas de ordem n, e A uma matriz fixa em U . Seja a aplica¸c˜ao F : U → U definida por F (X) = XA + AX, com X ∈ U . Mostre que F ´e linear.
11) Seja F : U → V uma tranforma¸c˜ao linear com a seguinte propriedade: se { u1 , u2 , . . . , un } ´e uma base de U , ent˜ao { F (u1 ), F (u2 ), . . . , F (un ) } ´e linearmente independente em V . Mostre que F ´e injetora. 12) Sejam U e V subespa¸cos de um espa¸co W tais que W = U ⊕ V . Sejam P1 e P2 as transforma¸c˜ oes de W em W tais que para todo w = u + v de W (com u ∈ U e v ∈ V ) associam, respectivamente, u e v, ou seja, P1 (w) = u e P2 (w) = v. Mostre que P1 e P2 s˜ ao lineares.
154
3.3
N´ ucleo e Imagem
Defini¸ c˜ ao 20 (N´ ucleo). Sejam U e V espa¸cos vetoriais sobre R e F : U → ucleo de V uma transforma¸ca ˜o linear. Indica-se por N (F ) e denomina-se n´ F o seguinte subconjunto de U : N (F ) = { u ∈ U : F (u) = 0 }. U N (F )
V F
u
s0
Resumindo: N´ ucleo da transforma¸c˜ao ´e o conjunto dos vetores no dom´ınio que tˆem como imagem o vetor nulo do contradom´ınio. Observe que o n´ ucleo nunca ´e vazio, posto que, como F ´e linear F ( 0) = 0, isto ´e, sempre teremos 0 ∈ N (F ). − Importante: Para encontrar o n´ ucleo de uma transforma¸c˜ao devemos resolver, a equa¸c˜ ao F (u) = 0. Exemplos: 1 ) Seja F : R2 → R3 a transforma¸c˜ao linear definida por F (x, y) = (0, 2x − y, 0) Encontre o n´ ucleo de F . Solu¸ c˜ ao: Pela defini¸c˜ ao de n´ ucleo temos: N (F ) = { u ∈ U : F (u) = 0 }
= { (x, y) ∈ R2 : F (x, y) = (0, 0, 0) }
Sendo assim para encontrar o n´ ucleo ´e suficiente resolver a equa¸c˜ao F (x, y) = (0, 0, 0) ⇒ (0, 2x − y, 0) = (0, 0, 0) ⇒ 2x − y = 0. Portanto, N (F ) = { (x, y) ∈ R2 : y = 2 x }. Geometricamente, temos y 2
p
R2
z
← N (F )
R3
p
1
p
p
−1
p
2
x
t
տ 0 = (0, 0, 0)
p
1
x
y = 2x
155
y
2 ) Seja F : R3 → R3 , dada F (x, y, z) = (x, y, 0) a proje¸c˜ao ortogonal do R3 sobre o plano xoy. Encontremos o n´ ucleo de F . Ent˜ao: N (F ) = { u ∈ U : F (u) = 0 } = { (x, y, z) ∈ R3 : F (x, y, z) = (0, 0, 0) } Devemos resolver a equa¸c˜ao F (x, y, z) = (0, 0, 0) ⇒ (x, y, 0) = (0, 0, 0) ⇒ x = 0 e y = 0. Logo, N (F ) = { (x, y, z) ∈ R3 : x = 0 e y = 0 } Ou seja, o n´ ucleo consta dos vetores (0, 0, z) ∈ R3 , ´e o eixo oz. Veja: F
z
z
N (F ) −→
tu = (x, y, z)
tu = (x, y, z)
y
y
t s F (u) = (x, y, 0)
x
x
3 ) Seja D : P3 → P3 o operador de deriva¸c˜ao D(p) = p′ , encontre o n´ ucleo de D. Solu¸ c˜ ao: Pela defini¸c˜ao de n´ ucleo temos: N (D) = { u ∈ U : F (u) = 0 }
= { p(t) ∈ P3 : p′ (t) = 0 }
Temos, p(t) = a0 + a1 t + a2 t2 + a3 t3 ⇒ p′ (t) = a1 + 2 a2 t + 3 a3 t2 Para encontrar o n´ ucleo ´e suficiente resolver a equa¸c˜ao p′ (t) = 0
⇒
a1 + 2 a2 t + 3 a3 t2 = 0 + 0 t + 0 t2 + 0 t3
Portanto, N (D) =
p(t) = a0 + a1 t + a2 t2 + a3 t3 ∈ P3 : a1 = a2 = a3 = 0 156
Ou seja, no n´ ucleo de D constam apenas os polinˆ omios constantes: p(t) = a0 . Observe porque nenhum polinˆ omio do 1o grau poderia est´ a no n´ ucleo, por exemplo: p(t) = 1 + 3 t ⇒ D(p(t)) = 3 6= 0 Proposi¸ c˜ ao 11. Seja F : U → V uma transforma¸ca ˜o linear. Ent˜ ao: a ) N (F ) ´e um subespa¸co vetorial de U ;
b ) A transforma¸ca ˜o linear F ´e injetora se, e somente se, N (F ) = { 0 }. Prova: a ) Devemos mostrar que N (F ) = { u ∈ U : F (u) = 0 }
´e fechado para as opera¸c˜ oes de espa¸co vetorial. Sejam u1 , u2 vetores arbitr´ arios em N (F ), devemos provar que u1 + u2 ∈ N (F ). Com efeito, pela defini¸c˜ao de n´ ucleo temos F (u1 ) = 0 e F (u2 ) = 0, da´ı F (u1 ) + F (u2 ) = 0 Como F ´e linear resulta, F (u1 + u2 ) = 0. Logo, u1 + u2 ∈ N (F ).
Seja agora λ ∈ R e u ∈ N (F ), arbitr´arios, devemos provar que λ u ∈ N (F ). Pela defini¸c˜ ao de n´ ucleo, temos F (u) = 0, da´ı λ F (u) = 0
Como F ´e linear resulta F (λ u) = 0 Logo, λ u ∈ N (F ), portanto o n´ ucleo ´e um subespa¸co de U .
b ) Em enunciados de proposi¸c˜oes tipo: “A transforma¸c˜ ao linear F ´e injetora se, e somente se, N (F ) = { 0 }.”
como se sabe, temos duas provas a fazer, “a ida” e “a volta”. Antes de prossegui pedimos ao leitor − para testar sua habilidade − que tente descobrir quem, no enunciado acima, ´e hip´ otese e quem ´e tese nos dois “sentidos”. Pois bem, para compreendermos a t´ecnica de demonstra¸c˜ao a ser utilizada, reescrevemos nossa proposi¸c˜ao na seguinte forma H1 ⇒ ( H2 ⇔ T ) onde, H1 ⇒
H2 ⇔ T
F ´ e linear F ´ e injetora
157
N (F )={ 0 }
Ou seja: “Se F ´e linear, ent˜ ao F ´e injetora se, e somente se, N (F ) = { 0 }.”. Este teorema deve ser desdobrado assim ( ⇒ ) H1 ⇒ H2 ⇒ T H1 ⇒ H2 ⇔ T ( ⇐ ) H ⇒ H ⇐ T 1 2 Estes dois u ´ltimos teoremas possuem as seguintes equivalˆencias ( ⇒ ) H1 ⇒ H2 ⇒ T ≡ ( H1 ∧ H2 ⇒ T ) ( ⇐ ) H ⇒ 1
T ⇒ H2
(p. 438)
≡ ( H1 ∧ T ⇒ H2 )
Sendo assim temos:
( ⇒ ) Resumimos a “ida” assim H1 : F ´e linear. H: H : F ´e injetora. 2
T: N (F ) = { 0 }.
( ⇐ ) Resumimos a “volta” assim H1 : F ´e linear. H: H : N (F ) = { 0 }. 2
T: F ´e injetora.
Seja u ∈ N (F ), ent˜ ao F (u) = 0. Como F ´e linear segue que F ( 0) = 0, da´ı F (u) = F ( 0), agora usando a injetividade de F concluimos que u = 0. Conclus˜ao: Se F ´e injetora o seu n´ ucleo se resume ao vetor nulo de U .
Ent˜ ao, dados u1 , u2 ∈ U arbitr´arios devemos mostrar que F (u1 ) = F (u2 ) ⇒ u1 = u2
Pois bem, F (u1 ) = F (u2 ) ⇒ F (u1 ) − F (u2 ) = 0 Como F ´e linear vale a propriedade P2
(p. 149),
isto ´e
F (u1 ) − F (u2 ) = 0 ⇒ F (u1 − u2 ) = 0 Como, pela segunda hip´ otese, no n´ ucleo s´ o existe o vetor nulo, temos F (u1 − u2 ) = 0 ⇒ u1 − u2 = 0 ⇒ u1 = u2 . 158
Exemplo: Seja D : Pn → Pn o operador de deriva¸c˜ao D(p) = p′ . Perguntamos se D ´e um operador injetor. Inicialmente vamos encontrar o n´ ucleo deste operador: p(t) = a0 + a1 t + a2 t2 + · · · + an tn ⇒ D(p(t)) = a1 + 2 a2 t + · · · + n an tn−1 Logo, D(p(t)) = 0 ⇒ a1 = a2 = · · · = an = 0.
Sendo assim resulta
N (D) = { p(t) = a0 : a0 ∈ R } = 6 { 0} N (D) ´e o conjunto dos polinˆ omios constantes, logo D n˜ ao ´e injetor. Veja, de uma outra perspectiva, porque D n˜ ao ´e um operador injetor: P2
P2
D
p1 (t) = 1 + t + t2 s p(t) = 1 + 2 t
p2 (t) = 3 + t +
t2 ⇒
p1 6= p2
D(p1 ) = D(p2 )
Na equa¸c˜ ao (3.1) (p. 128) definimos a imagem de uma transforma¸c˜ao arbitr´aria F : U → V como: Im (F ) = { F (u) : u ∈ U }. Na propriedade P3 (p. 150) provamos que se F ´e linear ent˜ao Im (F ) ´e um subespa¸co vetorial de V . Iremos agora demonstrar um importante teorema relacionando as dimens˜oes do n´ ucleo e da imagem de uma transforma¸c˜ao linear. Teorema 7 (Do N´ ucleo e da Imagem). Sejam U e V espa¸cos vetoriais de dimens˜ ao finita sobre R. Dada uma transforma¸ca ˜o linear F : U → V , ent˜ ao dim U = dim N (F ) + dim Im (F ) U N (F )
(3.9) V
F
Im (F )
Prova: Suponha que dim N (F ) = r e que B1 = { u1 , . . . , ur } ´e uma base de N (F ). De acordo com o teorema do completamento (teo. 5, p. 99) essa base pode ser estendida a uma base B2 = { u1 , . . . , ur , v1 , . . . , vs } de U . Mostremos que B = { F (v1 ), . . . , F (vs ) } ´e uma base de Im (F ). 159
1o ) Inicialmente mostremos que B gera Im (F ). Seja v ∈ Im (F ) um vetor arbitr´ario na imagem, ent˜ao existe u ∈ U tal que F (u) = v. Mas u ´e combina¸c˜ ao linear dos vetores de B2 , o que implica na existˆencia de escalares tais que: u = λ1 u1 + · · · + λr ur + γ1 v1 + · · · + γs vs Aplicando F , obtemos
F (u) = v = F (λ1 u1 + · · · + λr ur + γ1 v1 + · · · + γs vs ) = λ1 F (u1 ) + · · · + λr F (ur ) + γ1 F (v1 ) + · · · + γs F (vs ) + · · · + λr 0
= λ1 0
+ γ1 F (v1 ) + · · · + γs F (vs )
= γ1 F (v1 ) + · · · + γs F (vs ) Observe que u1 , . . . , ur est˜ ao no n´ ucleo, o que implica que suas imagens, por F , ´e o vetor nulo. Pois bem, esta u ´ltima igualdade prova que B gera a imagem de F . 2o ) Vamos agora mostrar que B ´e linearmente independente, ent˜ao seja λ1 F (v1 ) + · · · + λs F (vs ) = 0 Desta igualdade obtemos F (λ1 v1 + · · · + λs vs ) = 0 Logo, o vetor λ1 v1 + · · · + λs vs pertence ao n´ ucleo de F , o que significa que ele pode ser expresso como combina¸c˜ao linear dos vetores de B1 , isto ´e, existem escalares γ1 , . . . , γr ∈ R de modo que: λ1 v1 + · · · + λs vs = γ1 u1 + · · · + γr ur Ent˜ ao γ1 u1 + · · · + γr ur + (−λ1 ) v1 + · · · + (−λs ) vs = 0
Como o conjunto B2 ´e L.I., podemos concluir que todos os escalares que figuram nesta u ´ltima igualdade s˜ ao nulos. Em particular λ1 = · · · = λs = 0. Provamos assim que B, de fato, ´e L.I.. Resumindo, temos: B1 = { u1 , . . . , ur }
base de
N (F )
⇒
dim N (F ) = r
B2 = { u1 , . . . , ur , v1 , . . . , vs }
base de
U
⇒
dim U = r + s
base de
Im (F )
⇒
dim Im (F ) = s
B = { F (v1 ), . . . , F (vs ) } Sendo assim ´e verdade que:
dim U = dim N (F ) + dim Im (F ).
160
Exemplos: 1 ) No exemplo da p. 155 encontramos o n´ ucleo da transforma¸c˜ao F : R2 → R3 , dada por F (x, y) = (0, 2x − y, 0) Agora encontremos sua imagem. A imagem da aplica¸c˜ao F : U → V ´e encontrada assim: Im (F ) = { F (u) : u ∈ U }
= { F (x, y) : (x, y) ∈ R2 }
= { (0, 2x − y, 0) : (x, y) ∈ R2 } = { 2x − y (0, 1, 0) : (x, y) ∈ R2 } A imagem ´e gerada pelo vetor (0, 1, 0), isto ´e, Im (F ) = [ (0, 1, 0) ], ´e o eixo oy. Veja: y
← N (F )
2
p
R2
z
F
R3
p
1
p
p
−1
p
2
x
t
p
1
t
տ Im (F )
x
y = 2x Temos: dim N (F ) = 1 e dim Im (F ) = 1, o que confirma dim U = dim N (F ) + dim Im (F ) dim R2 =
1
+
1
2 ) No exemplo da p. 156 encontramos o n´ ucleo da transforma¸c˜ao F : R3 → R3 , dada por F (x, y, z) = (x, y, 0) Agora encontremos a imagem de F : Im (F ) = { F (u) : u ∈ U }
= { F (x, y, z) : (x, y, z) ∈ R3 }
= { (x, y, 0) : (x, y, z) ∈ R3 } Portanto, Im (F ) ´e o plano xoy. Veja: 161
y
F
z
z
N (F ) −→
t (x, y, z)
t(x, y, z) Im (F ) y
y
s(x, y, 0) x
x
Temos: dim N (F ) = 1 e dim Im (F ) = 2, o que confirma dim U = dim N (F ) + dim Im (F ) dim R3 =
1
+
2
3 ) Determine o n´ ucleo e a imagem do operador F : R3 → R3 , dado por F (x, y, z) = (x − 2y − z, y + 2z, x + 3y + z). Solu¸ c˜ ao: N (F ) = { u ∈ U : F (u) = 0 } = { (x, y, z) ∈ R3 : F (x, y, z) = (0, 0, 0) } F (x, y, z) = (0, 0, 0) ⇒ (x − 2y − z, y + 2z, x + 3y + z) = (0, 0, 0) Donde resulta o sistema: x − 2y − z = 0 y + 2z = 0 x + 3y + z = 0
cuja u ´nica solu¸c˜ ao ´e (0, 0, 0). Logo, N (F ) = { 0 } = { (0, 0, 0) }. Agora encontremos a imagem de F : Im (F ) = { F (u) : u ∈ U }
= { F (x, y, z) : (x, y, z) ∈ R3 }
= { (x − 2y − z, y + 2z, x + 3y + z) : x, y, z ∈ R } Vamos encontrar um conjunto de geradores para a imagem, assim: (x− 2y − z, y + 2z, x+ 3y + z) = x ( ? , ? , ? ) + y ( ? , ? , ? ) + z ( ? , ? , ? ) Com um pouco de reflex˜ao chegamos a (x − 2y − z, y + 2z, x + 3y + z) = x (1, 0, 1) + y (−2, 1, 3) + z (−1, 2, 1) 162
Logo, qualquer vetor da imagem ´e combina¸c˜ao linear destes trˆes vetores e, portanto: Im (F ) = [ (1, 0, 1), (−2, 1, 3), (−1, 2, 1) ]
Como { (1, 0, 1), (−2, 1, 3), (−1, 2, 1) } ´e L.I. pelo teorema 4 (p. 99) ´e uma base do subespa¸co Im (F ) e pela proposi¸c˜ao 8 (p. 99) podemos concluir que Im (F ) = R3 . Geometricamente tudo se passa assim: z
z
t(−2, 1, 3)
F t(−1, 2, 1)
N (F )
ցt
(1, 0, 1)
y
x
t
y
x
Temos: dim N (F ) = 0 e dim Im (F ) = 3, o que confirma dim U = dim N (F ) + dim Im (F )
dim R3 =
0
+
3
4 ) Determine uma aplica¸c˜ ao linear F : R3 → R4 tal que
Im (F ) = [ (3, −1, 2, 1), (4, 1, 0, −1) ]
Solu¸ ca ˜o: Como dim Im (F ) = 2, ent˜ao dim N (F ) = 1. Como, pela propriedade P5 (p. 151), uma transforma¸c˜ao linear fica completamente definida quando se conhecem as imagens dos vetores de uma base do dom´ınio, podemos escollher, por exemplo F (1, 0, 0) = (0, 0, 0, 0), F (0, 1, 0) = (3, −1, 2, 1), F (0, 0, 1) = (4, 1, 0, −1) A imagem ser´ a o conjunto dado porquanto sendo (x, y, z) = x (1, 0, 0) + y (0, 1, 0) + z (0, 0, 1) temos F (x, y, z) = x F (1, 0, 0) + y F (0, 1, 0) + z F (0, 0, 1) = x (0, 0, 0, 0) + y (3, −1, 2, 1) + z (4, 1, 0, −1) = (3y + 4z, −y + z, 2y, y − z) 163
Obviamente que este problema admite outras solu¸c˜oes. Podemos confirmar o resultado obtido calculando a imagem de F , assim: Im (F ) = { F (u) : u ∈ U }
= { F (x, y, z) : (x, y, z) ∈ R3 }
= { (3y + 4z, −y + z, 2y, y − z) : (x, y, z) ∈ R3 }
= { y (3, −1, 2, 1) + z (4, 1, 0, −1) : (x, y, z) ∈ R3 } Isto mostra que Im (F ) = [ (3, −1, 2, 1), (4, 1, 0, −1) ].
5 ) Determine o n´ ucleo e a imagem, bem como as dimens˜ oes respectivas da transforma¸c˜ ao F : P2 (R) → P3 (R) dada por F f (t) = f (t) + t2 f ′ (t). Solu¸ c˜ ao: Antes da resolu¸c˜ao propriamente, veja um exemplo de como esta transforma¸c˜ ao funciona (atua): P2 (R)
P3 (R)
f (t) = 2 + 4 t + 5 t2
⇒ F f (t) =
f (t)
+ t2 f ′ (t)
F (2 + 4 t + 5 t2 ) = (2 + 4 t + 5 t2 ) + t2 (2 + 4 t + 5 t2 )′ = (2 + 4 t + 5 t2 ) + t2 (0 + 4 + 10 t) = 2 + 4 t + 9 t2 + 10 t3 Pois bem, encontremos o n´ ucleo da tranforma¸c˜ao: N (F ) = { u ∈ U : F (u) = 0 } = { a + b t + c t2 ∈ P2 (R) : F (a + b t + c t2 ) = 0 } Devemos resolver a equa¸c˜ao F (a + b t + c t2 ) = 0 ⇒ (a + b t + c t2 ) + t2 (a + b t + c t2 )′ = 0 a + b t + (b + c) t2 + 2c t3 = 0 Ou ainda, a + b t + (b + c) t2 + 2c t3 = 0 + 0 t + 0 t2 + 0 t3 ⇒ a = b = c = 0. Logo, N (F ) = { 0 }. Sendo assim dim N (F ) = 0. Por outro lado, seja f (t) um polinˆ omio gen´erico da Im (F ). Ent˜ao f (t) = a + b t + (b + c) t2 + 2c t3 = a + b ( t + t2 ) + c ( t2 + 2 t3 ) 164
Esta u ´ltima igualdade mostra que Im (F ) = [ 1, t + t2 , t2 + 2 t3 ]. Como esses trˆes vetores que geram a imagem de F s˜ ao L.I. (verifique) ent˜ao { 1, t + t2 , t2 + 2 t3 } ´e uma base de Im (F ).
6 ) Encontre uma transforma¸c˜ ao linear F : R3 → R2 cujo n´ ucleo seja gerado pelo vetor (1, 1, 0). y
z
F =?
R3
N (F )→
R2
y
0
x
s
s(1, 1, 0) x
Solu¸ ca ˜o: A id´eia a ser utilizada na resolu¸c˜ao est´ a contida na propriedade P5 (p. 151). O conjunto B = { (1, 1, 0), (0, 1, 0), (0, 0, 1) } ´e uma base do R3 que completa a base { (1, 1, 0) } do n´ ucleo da transforma¸c˜ao que procuramos. Se tomarmos F (0, 1, 0) e F (0, 0, 1) linearmente independentes teremos uma base da imagem de Im (F ). Fa¸camos ent˜ao F (0, 1, 0) = (1, 0) e F (0, 0, 1) = (0, 1). y
z
F =?
R3
R2 s(0, 1)
(0, 0, 1) s
s
(0, 1, 0)
y
s
s
x
(1, 0)
s
(1, 1, 0) x
Agora vamos escrever um vetor gen´erico do R3 como combina¸c˜ao linear dos vetores da base B, assim: (x, y, z) = α (1, 1, 0) + β (0, 1, 0) + γ (0, 0, 1) = x (1, 1, 0) + (y − x) (0, 1, 0) + z (0, 0, 1) 165
Portanto, F (x, y, z) = x F (1, 1, 0) + (y − x) F (0, 1, 0) + z F (0, 0, 1) = x (0, 0) + (y − x) (1, 0) + z (0, 1) = (y − x, z) Naturalmente que este problema possui outras solu¸c˜oes, a bem da verdade infinitas. Corol´ ario 4. Sejam U e V espa¸cos vetoriais sobre R com a mesma dimens˜ ao finita n e suponhamos F : U → V uma transforma¸ca ˜o linear. Ent˜ ao s˜ ao equivalentes as seguintes afirma¸co ˜es: ( I ) F ´e sobrejetora. ( II ) F ´e bijetora. ( III ) F ´e injetora. ( IV ) F transforma uma base de U em uma base de V (isto ´e, se B ´e uma base de U , ent˜ ao F (B) ´e base de V ). Prova: Devemos mostrar as seguintes implica¸c˜oes: ( I ) ⇒ ( II ) ⇒ ( III ) ⇒ ( IV ) ⇒ ( I ) Ent˜ ao: ( I ) ⇒ ( II )
Como F ´e sobrejetora ent˜ao Im (F ) = V . Temos ainda, por hip´ otese, que dim U = dim V , logo, da equa¸c˜ao dim U = dim N (F ) + dim Im (F ) resulta que dim N (F ) = 0. Logo N (F ) = { 0 } e F ´e injetora; sendo F sobrejetora e injetora resulta bijetora. ´ imediato. ( II ) ⇒ ( III ) E
( III ) ⇒ ( IV ). Sendo B = { u1 , . . . , un } uma base de U mostremos que F (B) = { F (u1 ), . . . , F (un ) } ´e uma base de V . Inicialmente observamos que F (B) tem o mesmo n´ umero de vetores que B pelo fato de F ser injetora. Ent˜ ao ´e suficiente mostrar que F (B) ´e L.I. Consideremos a combina¸c˜ao linear: λ1 F (u1 ) + · · · + λn F (un ) = 0 Sendo F linear podemos escrever F ( λ1 u1 + · · · + λn un ) = 0 Sendo F injetora resulta que λ1 u1 + · · · + λn un = 0 Como B ´e L.I. concluimos que λ1 = 0, . . . , λn = 0. ( IV ) ⇒ ( I ). Tomando um vetor arbitr´ario no contradom´ınio, digamos v ∈ V , devemos provar que ele ´e imagem de algum vetor do dom´ınio. 166
Sendo B = { u1 , . . . , un } uma base de U , por hip´ otese resulta que F (B) = { F (u1 ), . . . , F (un ) } ´e uma base de V . Logo v ´e combina¸c˜ao linear de F (B), isto ´e, existem n´ umeros λi tais que: v = λ1 F (u1 ) + · · · + λn F (un ) Pela linearidade de F resulta v = F ( λ1 u1 + · · · + λn un ) Portanto v ´e imagem, por F , de u = λ1 u1 + · · · + λn un ∈ U .
∗
∗
∗
Como a teoria quˆ antica, em que as leis da f´ısicas assumem novas formas bizarras, mas somente em dom´ınios muito menores do que os encontrados na vida di´ aria, o espa¸co curvo pode existir, mas sendo t˜ ao pr´ oximo do euclidiano que, na escala da vida terrestre normal, n˜ ao detectamos a diferen¸ca. E no entanto, como a teoria quˆ antica, as implica¸coes da curvatura para as teorias da f´ısica podem ser enormes. (Leonard Mlodinow/A janela de Euclides, p. 111)
∗
∗
∗
Schwarz viu algo na teoria das cordas que outros poucos viram, uma beleza matem´ atica essencial que ele sentiu que n˜ ao podia ter sido acidental. A teoria era dif´ıcil de ser desenvolvida, mas isso n˜ ao o desanimou. Ele estava tentando resolver um problema que confundiu Einstein e todo mundo depois de Einstein − reconciliar a teoria quˆ antica com a relatividade. A solu¸ca ˜o n˜ ao poderia ser f´ acil. (A janela de Euclides, p. 218)
167
3.4
Isomorfismo entre espa¸cos vetoriais
Isomorfismo: ´e uma palavra formada pelos radicais gregos iso, que significa “idˆentico” e morfo, que significa “forma”. Formas idˆenticas. No contexto dos isomorfismos podemos mais uma vez apreciar a diferen¸ca entre conjuntos e estruturas (p. 19). Dois objetos isomorfos s˜ ao idˆenticos como estruturas (estruturalmente falando) embora possam diferir nos conjuntos subjacentes ` as respectivas estruturas. Por exemplo, observe o conjunto das pe¸cas do xadrez
A =
E um conjunto formado por gr˜ aos de cereais (arroz, feij˜ ao, milho, etc.)
,
,
, ...
B =
Como conjuntos A 6= B, j´a que tˆem elementos de naturezas distintas. No entanto, podemos jogar xadrez substituindo cada pe¸ca por gr˜ aos de cereais, como j´a assinalamos na p´ agina 21. Portanto as duas estruturas (jogos) a seguir s˜ ao equivalentes, ou isomorfas: A = ( A, regras xadrez ) ≡ B = ( B, regras xadrez ) Ou ainda,
.. .
≡
.. .
168
Vejamos um exemplo na matem´ atica. Considere os dois conjuntos a seguir: P1 = { a0 + a1 t : ai ∈ R } e R2 = { (a, b) : a, b ∈ R } O primeiro ´e um conjunto de polinˆ omios com coeficientes reais, o segundo ´e um conjunto de pares ordenados de n´ umeros reais. Como estes conjuntos tˆem elementos de naturezas distintas eles s˜ ao distintos: P1 6= R2 . Agora, erigindo sobre estes conjuntos estruturas de espa¸cos vetoriais: P1 = ( P1 , +, · )
e
R2 = ( R2 , +, · )
seus respectivos vetores se comportam de forma idˆentica, relativamente `as opera¸c˜oes dos espa¸cos vetoriais, veja: ( i ) Quanto ` a adi¸c˜ ao: R2
P1 p(t) = a + b t
u = (a, b)
q(t) = c + d t
v = (c, d)
p(t) + q(t) = (a + c) + (b + d) t
u + v = (a + c, b + d)
( ii ) Quanto ` a multiplica¸c˜ ao: R2
P1 p(t) = a + b t
u = (a, b)
λ p(t) = (λ a) + (λ b) t
λ u = (λ a, λ b)
Devido a esta semelhan¸ca estrutural dizemos que estes dois espa¸cos vetoriais s˜ ao isomorfos: P1 = R2 . Mais precisamente: Defini¸ c˜ ao 21 (Isomorfismo). Uma transforma¸ca ˜o linear F : U → V ´e um isomorfismo quando ´e bijetora. Se U e V s˜ ao dois espa¸cos vetoriais tais que existe um isomorfismo de U em V , ent˜ ao dizemos que U e V s˜ ao isomorfos e denotamos por U = V.
169
Um isomorfismo F : U → U ´e dito um automorfismo de U . Exemplos: 1 ) A transforma¸c˜ ao F : P2 → R3 dada por F ( a0 + a1 x + a2 x2 ) = (a0 , a1 , a2 ) ´e um isomorfismo. Observe que F extrai de um polinˆ omio seus coeficientes. Apenas a t´ıtulo informativo, duas das especialidades da calculadora HP50g ´e matrizes e ´algebra linear; na tela ao lado simulamos a transforma¸c˜ao F dada acima: entramos com um polinˆ omio e na sa´ıda temos seus coeficientes. Deixamos a linearidade de F para o leitor provar. Vamos provar que F ´e bijetora. Temos duas alternativas para mostrar que F ´e injetora: 1a ) Diretamente da defini¸c˜ao: ∀ p1 , p2 ∈ P2 , F (p1 ) = F (p2 ) ⇒ p1 = p2 . Ent˜ ao: p2
p1
F ( a 0 + a 1 x + a 2 x 2 ) = F ( b0 + b1 x + b2 x 2 ) F (p1 )
F (p2 )
(a0 , a1 , a2 ) = (b0 , b1 , b2 ) ⇒ a0 = b0 , a1 = b1 , a2 = b2 ⇒ p1 = p2 2a ) Encontrando o n´ ucleo: N (F ) = { u ∈ U : F (u) = 0 } = { p ∈ P2 : F (p) = 0 } Devemos resolver a equa¸c˜ao: F (p) = 0 ⇒ F ( a0 + a1 x + a2 x2 ) = (a0 , a1 , a2 ) = (0, 0, 0) Logo, a0 = a1 = a2 = 0 e resulta p = 0, portanto N (F ) = { 0 }, logo, F ´e injetiva. Temos duas alternativas para mostrar que F ´e sobrejetora: Diretamente da defini¸c˜ao: F : U → V ´e sobre sse
1a )
∀ v ∈ V, existe u ∈ U tal que F (u) = v. 170
Com efeito, dado v = (a, b, c) ∈ R3 tomamos u = a + b x + c x2 ∈ P2 e teremos F (u) = v. ario 4 (p. 166). Com efeito, os espa¸cos R3 e P2 tˆem a 2a ) Fazendo uso do corol´ mesma dimens˜ao; logo, pelo corol´ ario, injetividade implica sobrejetividade. 3 2 ) Mostre que o operador F : R → R3 dado por F (x, y, z) = (x + z, x − z, y) ´e um automorfismo. Encontre F −1 . Solu¸ c˜ ao: Para mostrar que F ´e injetora encontremos seu n´ ucleo, assim: N (F ) = { u ∈ U : F (u) = 0 }
= { (x, y, z) ∈ R3 : (x + z, x − z, y) = (0, 0, 0) }
Resolvendo o sistema x+z =0 x−z =0 y=0
encontramos a solu¸c˜ ao (´ unica) (0, 0, 0) = 0. Logo, N (F ) = { 0 } e F resulta injetora. Como o dom´ınio e o contradom´ınio de F tˆem a mesma dimens˜ao podemos recorrer ao corol´ ario 4 para concluir que F ´e tamb´em sobrejetora, portanto bijetora, um automorfismo. Agora devemos encontrar F −1 (x, y, z) = (?, ?, ?). Fa¸camos F −1 (x, y, z) = (a, b, c) onde as coordenadas a, b e c, que s˜ ao fun¸c˜oes de x, y e z, devem ser encontradas. Ent˜ ao F −1 (x, y, z) = (a, b, c) ⇒ (x, y, z) = F (a, b, c) = (a + c, a − c, b) Daqui extraimos o seguinte sistema a+c=x cuja solu¸c˜ ao ´e: a =
x+y 2 ,
F −1 (x, y, z) =
a−c=y b=z
b=z e c= x+y 2
, z,
x−y 2
. Portanto:
x−y 1 = (x + y, 2z, x − y) 2 2
171
3 ) A transforma¸c˜ ao F : M2×3 → R2×3 dada por a11 a12 a13 = ( a11 , a12 , a13 , a21 , a22 , a23 ) F a21 a22 a23 ´e um isomorfismo. Deixaremos a prova como exerc´ıcio ao leitor. Nos limitaremos a fornecer uma f´ormula que nos permite resolver o seguinte problema: Dada a posi¸c˜ao (i, j) de um termo qualquer na matriz, determinar sua posi¸c˜ ao (localiza¸c˜ao) n no vetor de R6 . A f´ormula ´e a seguinte: (prop. 13, p. 183) n = N (i − 1) + j
(3.10)
onde N ´e o n´ umero de colunas na matriz. Esta f´ormula nos mostra como transferir os elementos da matriz para o vetor de R6 . Por exemplo: a11
⇒
n = 3(1 − 1) + 1 = 1
⇒
( a11 , ? , ? , ? , ? , ? )
a12
⇒
n = 3(1 − 1) + 2 = 2
⇒
( a11 , a12 , ? , ? , ? , ? )
a13
⇒
n = 3(1 − 1) + 3 = 3
⇒
( a11 , a12 , a13 , ? , ? , ? )
a21
⇒
n = 3(2 − 1) + 1 = 4
⇒
( a11 , a12 , a13 , a21 , ? , ? )
a22
⇒
n = 3(2 − 1) + 2 = 5
⇒
( a11 , a12 , a13 , a21 , a22 , ? )
a23
⇒
n = 3(2 − 1) + 3 = 6
⇒
( a11 , a12 , a13 , a21 , a22 , a23 )
Portanto:
a11 a21
a12 a22
a13 a23
( a11 , a12 , a13 , a21 , a22 , a23 )
Mais geralmente essa ideia pode ser usada para mostrar que o espa¸co vetorial Mm×n das matrizes retangulares m×n com entradas reais ´e isomorfo a Rm×n . 4 ) A transforma¸c˜ ao T : R2×3 → M2×3 dada por a1 a2 T ( a1 , a2 , a3 , a4 , a5 , a6 ) = a4 a5
a3 a6
´e um isomorfismo. Deixaremos a prova como exerc´ıcio ao leitor. Nos limitaremos a fornecer uma f´ormula que nos permite resolver o seguinte problema: Dada a posi¸c˜ao n de um termo qualquer no vetor de R2×3 , determinar sua posi¸c˜ao (localiza¸c˜ao) na matriz. A f´ormula ´e a seguinte: (prop. 13, p. 183) i = n−1 +1 N j = n − N n−1 N 172
onde N ´e o n´ umero de colunas na matriz. ⌊ x ⌋ ´e chamado o maior inteiro que n˜ ao supera x (fun¸c˜ ao piso). Esta f´ormula nos mostra como transferir os elementos do vetor de R2×3 para a matriz. Por exemplo: i = 5−1 +1 =2 3 a5 ⇒ j = 5 − 3 5−1 = 2 3
Ou seja, a quinta coordenada do ponto (n = 5) ocupar´a a posi¸c˜ao (i, j) = (2, 2) da matriz, assim:
(a1 , a2 , a3 , a4 , a5 , a6 , )
− − − − − −
Em [9] mostramos aplica¸c˜ oes destas f´ormulas na computa¸c˜ao. ´ O pr´ oximo teorema − um dos mais importantes resultados da Algebra Linear − generaliza os exemplos anteriores e revela a importˆ ancia fundamental do espa¸co vetorial Rn . Teorema 8. Qualquer espa¸co vetorial real n-dimensional ´e isomorfo a Rn . Prova: Seja U um espa¸co vetorial real n-dimensional. Para provar que U ´e isomorfo a Rn devemos encontrar uma transforma¸c˜ao linear F : U → Rn que seja bijetora. Com este desiderato em mente considere { u1 , u2 , . . . , un } uma base qualquer de U . Agora seja u = λ1 u1 + λ2 u2 + · · · + λn un a representa¸c˜ ao de um vetor arbitr´ario u pertencente a U como combina¸c˜ao linear dos vetores da base. Vamos definir uma transforma¸c˜ao F : U → Rn por F (u) = ( λ1 , λ2 , . . . , λn ) Mostremos que F ´e um isomorfismo (linear, injetora e sobre). Para provar a linearidade sejam u e v dois vetores de U e β um escalar e sejam u = λ1 u1 + λ2 u2 + · · · + λn un e v = γ1 u1 + γ2 u2 + · · · + γn un (3.11) as representa¸c˜ oes de u e v como combina¸c˜ao linear dos vetores da base. Sendo assim, temos: F (u + v) = F (λ1 + γ1 ) u1 + (λ2 + γ2 ) u2 + · · · + (λn + γn ) un = ( λ1 + γ1 , λ2 + γ2 , . . . , λn + γn )
= ( λ1 , λ2 , . . . , λn ) + ( γ1 , γ2 , . . . , γn ) = F (u) + F (v) 173
e F (β u) = F (β λ1 u1 + β λ2 u2 + · · · + β λn un ) = (β λ1 , β λ2 , . . . , β λn ) = β (λ1 , λ2 , . . . , λn ) = β F (u) Para mostrar que F ´e injetora, devemos mostrar que se u e v s˜ ao vetores distintos, ent˜ ao tamb´em o s˜ ao suas imagens por F . Mas se u 6= v e se as representa¸c˜ oes desses vetores em fun¸c˜ao dos vetores da base s˜ ao como em (3.11), ent˜ ao devemos ter λk 6= γk para algum 1 ≤ k ≤ n. Assim, F (u) = ( λ1 , λ2 , . . . , λn ) 6= ( γ1 , γ2 , . . . , γn ) = F (v) mostrando que u e v tˆem imagens distintas por F . Finalmente, para provar a sobrejetividade de F podemos invocar o corol´ ario 4 (p. 166) j´a que os espa¸cos tˆem a mesma dimens˜ao; ou, alternativamente, dado w = (a1 , a2 , . . . , an ) ∈ Rn , ent˜ao w ´e imagem por F do vetor u = a1 u1 + a2 u2 + · · · + an un de U . Exemplos: Daremos dois exemplos de contextualiza¸c˜ao do teorema anterior: 1 ) O isomorfismo natural de Pn−1 em Rn . Rn
Pn−1 a0 + a1 x + · · · + an−1 xn−1
F
( a0 , a1 , . . . , an−1 )
Essa transforma¸c˜ ao ´e denominada o isomorfismo natural de Pn−1 em Rn , pois, como mostra o esquema a seguir, ela leva a base natural 1, x, x2 , . . . , xn−1 de Pn−1 na base canˆ onica de Rn . Rn
Pn−1 1 = 1 + 0 x + 0 x2 + · · · + 0 xn−1
F
x = 0 + 1 x + 0 x2 + · · · + 0 xn−1
F
x2 = 0 + 0 x + 1 x2 + · · · + 0 xn−1
F
···································· · · ··· F xn−1 = 0 + 0 x + 0 x2 + · · · + 1 xn−1 174
( 1, 0, 0, . . . , 0 ) ( 0, 1, 0, . . . , 0 ) ( 0, 0, 1, . . . , 0 ) ··············· · · ( 0, 0, 0, . . . , 1 )
2 ) O isomorfismo natural de M2×2 em R4 . As matrizes # # " # " # " " 0 0 0 0 0 1 1 0 , , , 0 1 1 0 0 0 0 0 formam a base canˆ onica do espa¸co vetorial M2×2 . Seguindo a prova do teorema 8, podemos construir um isomorfismo F : M2×2 → R4 escrevendo primeiramente uma matriz A de M2×2 em fun¸c˜ao dos vetores da base como # " # " # " # " " # 0 0 0 0 0 1 1 0 a11 a12 +a22 +a21 +a12 A= = a11 0 1 1 0 0 0 0 0 a21 a22 e ent˜ao definindo F como: F (A) = ( a11 , a12 , a21 , a22 ). Proposi¸ c˜ ao 12. Se F ´e um isomorfismo de U em V , ent˜ ao F −1 : V → U tamb´em ´e um isomorfismo. Prova: Inicialmente vamos mostrar que F −1 : V → U ´e injetora. Devemos mostrar que ∀ v1 , v2 ∈ V, F −1 (v1 ) = F −1 (v2 ) ⇒ v1 = v2 . Suponhamos v1 , v2 ∈ V e F −1 (v1 ) = F −1 (v2 ). U
V F
F −1 (v
1
)=
F −1 (v
2
s v2
)
s
F −1
s v1
Aplicando F a ambos os membros da u ´ltima igualdade obtemos F −1 (v1 ) = F −1 (v2 ) ⇒ F F −1 (v1 ) = F F −1 (v2 ) ⇒ v1 = v2 .
Veja equa¸c˜ ao (3.3)
(p. 133).
Para verificar que F −1 : V → U ´e sobrejetora tomamos um vetor arbitr´ ario u ∈ U , e mostremos que ele ´e imagem, por F −1 , de algum elemento do dom´ınio V . U
V F s v = F (u)
u s F −1 175
Como u pertence ao dom´ınio de F ele possui uma imagem, digamos F (u) = v ∈ V . Afirmamos que v ´e, precisamente, o vetor do qual u ´e imagem por F −1 ; de fato F −1 (v) = F −1 F (u) = u. − Mostremos agora que F −1 ´e linear. Sejam v1 , v2 ∈ V , inicialmente desejamos mostrar que F −1 (v1 + v2 ) = F −1 (v1 ) + F −1 (v2 )
(3.12)
Como F ´e sobrejetora, ent˜ao existem u1 , u2 ∈ U de maneira que F (u1 ) = v1 ⇔ u1 = F −1 (v1 ) ⇔ u2 = F −1 (v2 )
F (u2 ) = v2 U
u1 s
F
sv
V
1
s v1 + v2
u2 s
sv2
F −1
Substituindo estes resultados no lado esquerdo da igualdade (3.12) obtemos: F −1 (v1 + v2 ) = F −1 F (u1 ) + F (u2 ) = F −1 F (u1 + u2 ) = u1 + u2
= F −1 (v1 ) + F −1 (v2 ) • Sejam v ∈ V e λ ∈ R, desejamos mostrar que F −1 (λ v) = λ F −1 (v)
(3.13)
Como F ´e sobrejetora, ent˜ao existe u ∈ U de maneira que F (u) = v ⇔ u = F −1 (v)
Substituindo estes resultados no lado esquerdo da igualdade (3.13) obtemos: F −1 (λ v) = F −1 λ F (u) = F −1 F (λ u) = λu
= λ F −1 (v)
176
A proposi¸c˜ ao que acabamos de demonstrar nos mostra, sob uma nova perspectiva, por que dois espa¸cos vetoriais isomorfos podem ser considerados indistintos: F
U su sv
F −1
V s F (u)
sλ u = ?
s F (v)
su + v =?
U
s F −1 λ F (u) = λ u
s λ F (u)
s F −1 F (u) + F (v) = u + v
s F (u) + F (v)
A figura acima nos diz que, ao inv´es de operarmos com vetores no espa¸co vetorial U , podemos trabalhar sobre suas imagens (por F ) em V e, ap´ os, transferimos (por F −1 ) os resultados de volta a U , ´e indiferente. No teorema 8 provamos que todo espa¸co vetorial n-dimensional ´e isomorfo a Rn , sendo assim podemos dizer que Rn ´e o espa¸co vetorial universal no sentido de que todos os outros s˜ ao “imagens” do Rn . Para contextualizar: Rn
Pn−1 a0 + a1 x + · · · + an−1 xn−1
F F −1
( a0 , a1 , . . . , an−1 )
ou ainda R4
M2×2 "
a11 a21
a12 a22
#
F F −1
( a11 , a12 , a21 , a22 )
Generalizando este u ´ltimo exemplo Rm×n
Mm×n
a11 a12 . . . a1n F .................... F −1 am1 am2 . . . amn
( a11 , a12 , . . . , a1n , . . . , am1 , am2 , . . . , amn )
Podemos, alternativamente, ver um isomorfismo F : U → V como uma codifica¸ c~ ao entre vetores. Podemos chamar as codifica¸c˜oes exemplificadas acima como codifica¸co ˜es naturais (ou canˆ onicas) j´a que elas codificam (transformam) a base canˆ onica de um espa¸co na base canˆ onica do outro. ´ importante observar que podem existir, entre dois espa¸cos vetoriais, E outros isomorfismos al´em do isomorfismo natural. De outro modo: pode existir mais de uma codifica¸c˜ ao para os vetores de um espa¸co. Vejamos um exemplo: 177
Exemplo: A aplica¸c˜ao F : P1 (R) → R2 definida por F (a + b x) = (a, b − a) ´e tamb´em um isomorfismo; isto ´e, nos d´ a uma outra codifica¸c˜ao de um polinˆ omio por um par ordenado. De fato, ( I ) F ´e injetora, pois, dados p1 (x) = a + b x e p2 (x) = c + d x, temos: F (p1 ) = F (p2 ) ⇒ (a, b − a) = (c, d − c) ⇒ a = c, b = d ⇒ p1 = p2 . ( II ) Para mostrar que F ´e sobrejetora, considere um vetor arbitr´ario (a, b) de R2 , desejamos mostrar que ele ´e imagem de algum polinˆ omio p(x) = a0 + a1 x de P1 (R), assim: F (p) = (a, b) (a0 , a1 − a0 ) = (a, b) ⇒ a0 = a, a1 = a + b. Logo, p(x) = a + (a + b) x ´e o polinˆ omio procurado, veja: F (p) = a, (a + b) − a = (a, b)
( III ) F ´e linear, pois, dados p1 (x) = a + b x e p2 (x) = c + d x, temos: ( i ) F ( p1 + p2 ) = F (a + c) + (b + d) x = (a + c), (b + d) − (a + c) = a + c, (b − a) + (d − c) = (a, b − a) + (c, d − c) = F ( p1 ) + F ( p2 )
e ( ii ) F ( λ p1 ) = F (λ a + λ b x) = (λ a, λ b − λ a) = λ (a, b − a) = λ F (p1 ) O nosso objetivo agora ser´ a ampliar a informa¸c˜ao contida no teorema 8 no sentido de provar que todos os espa¸cos vetoriais de mesma dimens˜ao s˜ ao isomorfos. Necessitaremos do seguinte Lema 2. Sejam U e V espa¸cos vetoriais sobre R. Seja B = { u1 , u2 , . . . , un } uma base de U e sejam v1 , v2 , . . . , vn vetores quaisquer em V . Ent˜ ao existe uma u ´nica aplica¸ca ˜o linear F : U → V tal que F (u1 ) = v1 , F (u2 ) = v2 , . . . , F (un ) = vn . U
F
V
B
u1 s
sv
1
sv
·
.
··
u2 s . .
s vn
un s
178
(3.14)
2
Os vetores v1 , v2 , . . . , vn do lema 2 s˜ ao completamente arbitr´arios; eles podem ser linearmente independentes ou at´e mesmo serem iguais entre si. Prova: A demonstra¸c˜ ao deste teorema consta de trˆes partes: 1a ) Construir uma aplica¸c˜ ao F : U → V tal que (3.14) se verifique; a 2 ) Mostrar que F ´e linear; ´nica. 3a ) Mostrar que F ´e u Ent˜ao: 1a ) Seja u ∈ U . Como { u1 , u2 , . . . , un } ´e uma base de U , existem e s˜ ao u ´nicos os escalares λ1 , λ2 , . . . , λn ∈ R tais que u = λ1 u1 + λ2 u2 + · · · + λn un Definimos F : U → V como F (u) = λ1 v1 + λ2 v2 + · · · + λn vn (Como os λi s˜ ao u ´nicos, F est´ a bem definida.). Agora observe que u1 = 1 u1 + 0 u2 + · · · + 0 un
⇒
F (u1 ) = 1 v1 + 0 v2 + · · · + 0 vn = v1
u2 = 0 u1 + 1 u2 + · · · + 0 un
⇒
F (u2 ) = 0 v1 + 1 v2 + · · · + 0 vn = v2
............................ ... .................................... un = 0 u1 + 0 u2 + · · · + 1 un
⇒ F (un ) = 0 v1 + 0 v2 + · · · + 1 vn = vn
ou seja, F cumpre as condi¸c˜ oes dadas em (3.14), a primeira parte da demonstra¸c˜ao est´ a completa. 2a ) Consideremos u e u′ vetores arbitr´arios em U . Podemos escrever u = λ1 u1 + λ2 u2 + · · · + λn un , u′ = γ1 u1 + γ2 u2 + · · · + γn un Ent˜ao u + u′ = (λ1 + γ1 ) u1 + (λ2 + γ2 ) u2 + · · · + (λn + γn ) un Temos F (u + u′ ) = (λ1 + γ1 ) v1 + (λ2 + γ2 ) v2 + · · · + (λn + γn ) vn = (λ1 v1 + λ2 v2 + · · · + λn vn ) + (γ1 v1 + γ2 v2 + · · · + γn vn )
= F (u) + F (u′ ) e
F (α u) = F (α λ1 ) u1 + (α λ2 ) u2 + · · · + (α λn ) un = (α λ1 ) v1 + (α λ2 ) v2 + · · · + (α λn ) vn = α (λ1 v1 + λ2 v2 + · · · + λn vn ) = α F (u) Assim, F ´e linear. 179
3a ) Suponhamos G : U → V uma outra aplica¸c˜ao linear e tal que G(ui ) = vi para i = 1, . . . , n. Seja u = λ1 u1 + λ2 u2 + · · · + λn un um vetor arbitr´ario em U . Ent˜ao, G(u) = G(λ1 u1 + λ2 u2 + · · · + λn un ) = λ1 G(u1 ) + λ2 G(u2 ) + · · · + λn G(un ) = λ1 v1 + λ2 v2 + · · · + λn vn = F (u) Como G(u) = F (u) para todo u ∈ U , pela defini¸c˜ao 14 (p. 128), resulta G = F . Assim, F ´e u ´nica. Para uma contextualiza¸c˜ao deste teorema veja a propriedade P5 (p. 151) e o exemplo que se lhe segue. Teorema 9. Dois espa¸cos U e V de dimens˜ ao finita s˜ ao isomorfos se, e somente se, dim U = dim V . T: dim U = dim V . Prova: ( ⇒ ) H: U e V isomorfos. Seja F : U → V um isomorfismo. Daqui colhemos duas informa¸c˜oes relevantes: N (F ) = { 0 } e Im (F ) = V . Do teorema do n´ ucleo e da imagem, concluimos que dim U = dim N (F ) + dim Im (F ) ↓ ↓ dim U =
0
+ dim V
( ⇐ ) H: dim U = dim V .
T: U e V isomorfos.
Sejam B = { u1 , u2 , . . . , un } e C = { v1 , v2 , . . . , vn } bases de U e V , respectivamente. Sendo u = λ1 u1 + λ2 u2 + · · · + λn un ∈ U consideremos F : U → V dada por F (u) = λ1 v1 + λ2 v2 + · · · + λn vn conforme lema 2. Assim, F ´e linear. Vamos mostrar que F ´e bijetora. Encontremos o n´ ucleo de F : N (F ) = { u ∈ U : F (u) = 0 } = { u ∈ U : λ1 v1 + λ2 v2 + · · · + λn vn = 0 } Como C ´e L.I., resulta λ1 = λ2 = . . . = λn = 0. Sendo assim, u = 0 u1 + 0 u2 + · · · + 0 un = 0 ´e o u ´nico morador do n´ ucleo de F , logo F ´e injetora. O corol´ ario 4 nos assegura ent˜ ao que F ´e sobrejetora e portanto F ´e isomorfismo. 180
(p. 166)
A t´ıtulo de ilustra¸c˜ ao vamos construir um isomorfismo entre os espa¸cos P3 e M2×2 . Isto ´e, pretendemos construir uma transforma¸c˜ao F : P3 → M2×2 que seja linear e bijetora. Para tanto podemos considerar as bases canˆ onicas destes espa¸cos: B = { 1, x, x2 , x3 } e C=
("
1 0 0 0
#
,
"
0 1 0 0
#
,
"
0 0 1 0
#
,
"
0 0 0 1
#)
Sendo p = a0 + a1 x + a2 x2 + a3 x3 ∈ P3 , definimos # " # " # " # " 0 0 0 0 0 1 1 0 + a3 + a2 + a1 F (p) = a0 0 1 1 0 0 0 0 0 Ou seja, o isomorfismo que codifica um polinˆ omio de P3 como uma matriz de M2×2 (considerando-se as bases canˆ onicas destes espa¸cos) ´e dado por " # a a 0 1 F ( a0 + a1 x + a2 x 2 + a3 x 3 ) = a2 a3
3.4.1
Exerc´ıcios
1) Seja a transforma¸c˜ ao linear F : R3 → R2 , F (x, y, z) = (x − y + 4z, 3x + y + 8z) a ) Dar uma base e a dimens˜ao de N (F );
b ) Dar uma base e a dimens˜ao de Im (F ).
c ) Verifique a equa¸c˜ ao do n´ ucleo e da imagem − equa¸c˜ao (3.9),
p. 159.
2) Dado o operador linear
F : R3 → R3 , F (x, y, z) = (x + 2y − z, y + 2z, x + 3y + z) a ) Determine o n´ ucleo de F , a dimens˜ao do n´ ucleo e uma de suas bases; b ) Determine a imagem de F , a dimens˜ao da imagem e uma de suas bases; c ) Verifique a equa¸c˜ ao do n´ ucleo e da imagem. 181
3) Dado o operador linear F : P2 → P2 ,
F f (t) = t2 f ′′ (t)
a ) Determine o n´ ucleo de F , a dimens˜ao do n´ ucleo e uma de suas bases; b ) Determine a imagem de F , a dimens˜ao da imagem e uma de suas bases; c ) Verifique a equa¸c˜ao do n´ ucleo e da imagem. 4) No exemplo 5 ) (p. 164) a transforma¸c˜ao F n˜ ao ´e sobrejetora, encontre um vetor no contradom´ınio que n˜ ao perten¸ca `a imagem. 5) Dado o operador linear F : M2 → M2 ,
F (X) = M X + X , onde M =
1 1 0 0
a ) Determine o n´ ucleo de F , a dimens˜ao do n´ ucleo e uma de suas bases; b ) Determine a imagem de F , a dimens˜ao da imagem e uma de suas bases; c ) Verifique a equa¸c˜ao do n´ ucleo e da imagem. 6) Dado o operador linear F : M2 → M2 ,
F (X) = M X − X M , onde M =
1 2 0 1
a ) Determine o n´ ucleo de F , a dimens˜ao do n´ ucleo e uma de suas bases; b ) Determine a imagem de F , a dimens˜ao da imagem e uma de suas bases; c ) Verifique a equa¸c˜ao do n´ ucleo e da imagem. 7) Considere a transforma¸c˜ao nula 0 : U → V definida por 0(u) = 0, ∀ u ∈ U . Determine o n´ ucleo e a imagem de 0. 8) Determine um operador linear F : R3 → R3 cuja imagem ´e gerada pelos vetores (2, 1, 1) e (1, −1, 2).
9) Determine um operador linear F : R4 → R4 cujo n´ ucleo ´e gerado pelos vetores (1, 1, 0, 0) e (0, 0, 1, 0). 10) Encontre n´ umeros a, b, c, d de modo que o operador F : R2 → R2 dado por F (x, y) = (ax + by, cx + dy) tenha como n´ ucleo a reta y = −2x.
11) Encontre n´ umeros a, b, c, d de modo que o operador F : R2 → R2 dado por F (x, y) = (ax + by, cx + dy) tenha como imagem a reta y = 2x. 12) Defina um operador F : R2 → R2 que tenha como n´ ucleo a reta y = −x e como imagem a reta y = x. F (x, y) = (ax + by, cx + dy) tenha como imagem a reta y = 2x. 182
13) Determine uma transfroma¸c˜ ao linear F : R3 → R4 tal que N (F ) = { (x, y, z) ∈ R3 : z = x − y } 14) Seja F : R3 → R2 a transforma¸c˜ao linear tal que F (e1 ) = (1, 2), F (e2 ) = (0, 1) e F (e3 ) = (−1, 3), sendo { e1 , e2 , e3 } a base canˆ onica 3 do R . a ) Determine o n´ ucleo de F e uma de suas bases. F ´e injetora? b ) Determine a imagem de F e uma de suas bases. F ´e sobrejetora? 15) Mostre que cada um dos operadores lineares do R3 a seguir ´e invers´ıvel e determine o isomorfismo inverso em cada caso: a ) F (x, y, z) = (x − 3y − 2z, y − 4z, z); b ) F (x, y, z) = (x, x − y, 2x + y − z).
16) Mostre que a transforma¸c˜ ao linear F : P2 → R3 ,
F (a + b t + c t2 ) = (a, a + b, b − c)
´e um isomorfismo e determine o isomorfismo inverso. 17) Mostre que o espa¸co vetorial R2 ´e isomorfo ao subespa¸co W = { (x, y, z) ∈ R3 : z = 0 } (W representa o plano xoy do R3 ).
18) Mostre que o espa¸co vetorial R2 ´e isomorfo a qualquer subespa¸co de dimens˜ao 2 do R3 .
19) Sejam U e V subespa¸cos do espa¸co W = U ⊕V . Consideremos o espa¸co vetorial U × V cuja adi¸c˜ ao ´e (u1 , v1 ) + (u2 , v2 ) = (u1 + u2 , v1 + v2 ) e cuja multiplica¸c˜ ao por escalares ´e dada por λ (u, v) = (λ u, λ v). Mostrar que ´e um isomorfismo de U ×V em W a aplica¸c˜ao assim definida: F (u, v) = u+v.
20) Considere a transforma¸c˜ ao F : R2 → R2 definida por F (x, y) = (3y, 2x). Seja σ o c´ırculo unit´ ario de R2 , isto ´e, a solu¸c˜ao da equa¸c˜ao x2 + y 2 = 1. a ) Descreva F (σ); b ) Determine a pr´eimagem de σ.
21) Prove a seguinte proposi¸c˜ ao (ver equa¸c˜ao (3.10), p. 172): Proposi¸ c˜ ao 13. Seja N um natural arbitrariamente fixado. A aplica¸ca ˜o definida abaixo, f : N × { 1, 2, . . . , N } ( i, j )
N N (i−1)+j
´e invers´ıvel; com inversa dada por, f −1 : N n
N × { 1, 2, . . . , N }
( i, j )
183
com i e j dados por, i=
n − 1 + 1; N ∗
j = n − N (i − 1). ∗
∗
Vejamos um exemplo. Para N = 4, temos f : N × { 1, 2, 3, 4} ( i, j )
N 4 (i−1)+j
com inversa dada por, f −1 : N n
N × { 1, 2, 3, 4 }
⌊ n−1 ⌋+1, n−4⌊ n−1 ⌋ 4 4
Para mais detalhes veja o diagrama seguinte: N×{ 1, 2, 3, 4 }
N
(1, 1)
(1, 2)
(1, 3)
(1, 4)
(2, 1)
(2, 2)
(2, 3)
(2, 4)
(3, 1) (3, 2) (3, 3) (3, 4) ................................. (m, 1) (m, 2) (m, 3) (m, 4) .................................
1 f f −1
2 3 4 .. .
Por exemplo, f (2, 3) = 4(2 − 1) + 3 = 7. Tamb´em,
f −1 (1000) =
1000 − 1
1000 − 1 = (250, 4) + 1, 1000 − 4 4
4 Confirmando, f (250, 4) = 4(250 − 1) + 4 = 1000.
Observe que a fun¸c˜ ao f “conta” (enumera) os elementos da matriz linha a linha. Sugest˜ ao: Veja as equa¸c˜ oes (3.2) e (3.3), p. 133.
184
Cap´ıtulo
4
MATRIZ DE UMA ˜ LINEAR TRANSFORMAC ¸ AO Uma vez, Einstein afirmou que, se a mecˆ anica quˆ antica fosse correta, o mundo seria louco. Einstein tinha toda raz˜ ao −
o mundo realmente ´ e louco.
(Daniel Greenberger/f´ısico)
4.1
Matriz de uma Transforma¸c˜ ao Linear
Introdu¸c˜ ao: No teorema 6 (p. 146) demonstramos o seguinte resultado
F : Rm → Rn Y = F (X) = A X
y1 y2 .. .
a11
a12
. . . a1m
a21 a22 . . . a2m = ................... an1 an2 . . . anm yn {z |
n×m
· }
x1 x2 .. . xm
Nosso objetivo agora ser´ a generalizar a equa¸c˜ao matricial Y = F (X) = A X para espa¸cos vetoriais arbitr´arios − bem como consideraremos bases quaisquer no dom´ınio e contradom´ınio de uma transforma¸c˜ao linear. 185
Seja F : U → V uma transforma¸c˜ao linear, B uma base de U e C uma base de V . Sem preju´ızo da generaliza¸c˜ao, consideremos o caso em que dim U = 3 e dim V = 2. Sejam B = { u1 , u2 , u3 } e C = { v1 , v2 } bases de U e V , respectivamente. Um vetor u ∈ U pode ser escrito como: u = λ1 u1 + λ2 u2 + λ3 u3
ou uB = (λ1 , λ2 , λ3 )
e a imagem F (u) como: F (u) = γ1 v1 + γ2 v2
(4.1)
ou F (u)C = (γ1 , γ2 ) Por outro lado: F (u) = F (λ1 u1 + λ2 u2 + λ3 u3 ) = λ1 F (u1 ) + λ2 F (u2 ) + λ3 F (u3 ) (4.2) Sendo F (u1 ), F (u2 ) e F (u3 ) vetores em V , eles s˜ ao combina¸c˜oes lineares dos vetores de C, digamos: F (u1 ) = a11 v1 + a21 v2
(4.3)
F (u2 ) = a12 v1 + a22 v2
(4.4)
F (u1 ) = a13 v1 + a23 v2
(4.5)
Substituindo esses vetores em (4.2), obtemos: F (u) = λ1 (a11 v1 + a21 v2 ) + λ2 (a12 v1 + a22 v2 ) + λ3 (a13 v1 + a23 v2 ) Ou ainda: F (u) = ( a11 λ1 + a12 λ2 + a13 λ3 ) v1 + ( a21 λ1 + a22 λ2 + a23 λ3 ) v2 Comparando este resultado com (4.1), devido a unicidade das coordenadas, temos: γ1 = a11 λ1 + a12 λ2 + a13 λ3 γ2 = a21 λ1 + a22 λ2 + a23 λ3 Ou, na forma matricial: "
γ1 γ2
#
=
"
a11 a21
a12 a22 186
a13 a23
#
λ1
λ2 λ3
Ou, simbolicamente:
B
[ F (u) ]C = [ F ]C [ u ]B
(4.6)
B
A matriz [ F ]C ´e denominada matriz de F em rela¸ca ˜o ` as bases B e C. Nota: Se F : U → U ´e um operador linear e consideramos B = C, ent˜ao diremos apenas matriz de F em rela¸c˜ao `a base B para indicar a matriz acima definida e usaremos a nota¸c˜ ao [ F ]B para represent´a-la. Observa¸ co ˜es: B
1a ) A matriz [ F ]C resultou de ordem 2× 3 porque dim U = 3 e dim V = 2. B
2a ) As colunas da matriz [ F ]C s˜ ao as componentes das imagens dos vetores da base B em rela¸c˜ ao ` a base C, conforme se pode ver em (4.3), (4.4) e (4.5): " F (u1 )C
a11
a12
a13
a21
a22
a23
# F (u3 )C
F (u2 )C
Resumindo:
F:U → V ↓
B = { u1 , u2 , u3 }
u = λ1 u1 + λ2 u2 + λ3 u3
↓
C = { v1 , v2 }
F (u) = γ1 v1 + γ2 v2
" B
[ F (u) ]C = [ F ]C [ u ]B
γ1 γ2
#
=
z "
a11 a21
2×3 }| a12 a22
a13 a23
F (u1 )C
F (u3 )C F (u2 )C
Este resultado generaliza o exemplo dado na p´ agina 148. 187
#{ λ1 · λ2 λ3
Generalizando, sendo F : U → V uma transforma¸c˜ao linear, se dim U = n e dim V = m, e, ademais, B = { u1 , u2 , . . . , un } e C = { v1 , v2 , . . . , vm } B
s˜ ao bases de U e V , respectivamente, resulta que [ F ]C ´e uma matriz de ordem m × n, onde cada coluna ´e formada pelas componentes das imagens dos vetores de B em rela¸c˜ao `a base C, assim:
a11 a12 . . . a1n a B 21 a22 . . . a2n [ F ]C = .................... am1
am2
...
F (u2 )C ... F (u1 )C
amn
F (un )C
Resumindo:
↓
F : U → V C = {v , v , ..., v } 1
↓
u = λ1 u1 + λ2 u2 + · · · + λn un
B
m
F (u) = γ1 v1 + γ2 v2 + · · · + γm vm
B = { u1 , u2 , . . . , un }
[ F (u) ]C = [ F ]C [ u ]B
2
z
m }| ×n
a11 a12 . . . a1m γ a21 a22 . . . a2m 2 . = .. . . . . . . . . . . . . . . . . . . . an1 an2 . . . amn γm γ1
F (u1 )C
{ ·
F (u2 )C
λ1 λ2 .. . λn
F (un )C
Observe uma analogia com a figura que consta na p´ agina 185, B
[ F (u) ]C = [ F ]C [ u ]B l
l
l
Y = F (X) = A X Em ambos os casos estamos calculando a imagem de um vetor do dom´ınio pela transforma¸c˜ ao F . 188
B
Algoritmo para encontrar a matriz [ F ]C U sF (u s.
..
F
s
1)
s.v2
B
un
s
C
sv1
[ F ]C = ?
.. s vm
sF (u B={ u1 , u2 , ..., un }
2)
sF (un )
·
u1
··
B u2
V
C={ v1 , v2 , ..., vm }
( 1 ) Calculamos F (ui ) (i = 1, 2, . . . , n); ( 2 ) Escrevemos os vetores F (ui ) como combina¸c˜ao linear dos vetores de C: F (u1 ) = a11 v1 + a21 v2 + · · · + am1 vm
F (u2 ) = a12 v1 + a22 v2 + · · · + am2 vm ..................................... F (un ) = a1n v1 + a2n v2 + · · · + amn vm ( 3 ) Tomamos o “transposto” dos coeficientes acima para obter: a11 a12 . . . a1n a a22 . . . a2n B [ F ]C = 21 .................... am1
am2
...
amn
Exemplos: 1 ) Seja F : R3 → R2 , F (x, y, z) = (x + y, x + z). Fixemos as bases B = { u1 = (1, 1, 1), u2 = (1, −1, 1), u3 = (−1, 0, 1) } e C = { v1 = (1, 1), v2 = (−1, 1) } B
a ) Encontre [ F ]C ; b ) Se u = (2, −1, 1), calcular F (u)C utilizando a matriz encontrada. Solu¸ c˜ ao: a ) Seguindo o algoritmo dado:
( 1 ) Calculamos F (ui ) (i = 1, 2, 3); F (u1 ) = F (1, 1, 1) = (1 + 1, 1 + 1) = (2, 2) F (u2 ) = F (1, −1, 1) = (1 − 1, 1 + 1) = (0, 2) F (u2 ) = F (−1, 0, 1) = (−1 + 0, −1 + 1) = (−1, 0) 189
( 2 ) Escrevemos os vetores F (ui ) como combina¸c˜ao linear dos vetores de C: F (u1 ) = a11 v1 + a21 v2 F (u2 ) = a12 v1 + a22 v2
(2, 2) = a11 (1, 1) + a21 (−1, 1) ∴
F (u3 ) = a13 v1 + a23 v2 Da primeira equa¸c˜ ao tiramos: a − a =2 11 21
a + a =2 11 21
Da segunda equa¸c˜ ao tiramos: a − a =0 12 22
a + a =2 12 22
(0, 2) = a12 (1, 1) + a22 (−1, 1) (−1, 0) = a13 (1, 1) + a23 (−1, 1)
⇒
a
⇒
a
⇒
a
Da terceira equa¸c˜ ao tiramos: a − a = −1 13 23 a + a =0 13 23
Sendo assim podemos escrever:
11
=2
21
=0
12
=1
a
a
22
a
13 23
=1
= −1/2 = 1/2
F (u1 ) =
2 v1
+
0 v2
F (u2 ) =
1 v1
+
1 v2
F (u3 ) = −1/2 v1
+ 1/2 v2
( 3 ) Tomamos o “transposto” dos coeficientes acima para obter: # " 2 1 −1/2 B [ F ]C = 0 1 1/2 Compare com a matriz obtida no exemplo da p´ agina 148 (base canˆ onica). B
b ) Como mostramos (eq. (4.6), p. 187): [ F (u) ]C = [ F ]C [ u ]B . Para encontrar [ F (u) ]C precisamos encontrar [ u ]B . O vetor u = (2, −1, 1), encontrase escrito na base canˆ onica, isto ´e: u = (2, −1, 1) = 2 (1, 0, 0) − 1 (0, 1, 0) + 1 (0, 0, 1) precisamo escrevˆe-lo na base B: (2, −1, 1) = λ (1, 1, 1) + α (1, −1, 1) + β (−1, 0, 1) 190
Daqui retiramos o seguinte sistema: λ+α−β =2 1 5 1 ⇒ λ= , α= , β=− λ−α = −1 4 4 2 λ+α+β =1 Ou seja, uB = 14 , 54 , − 21 . Sendo assim, temos: 1 " # " # 4 2 2 1 −1/2 B 5 = [ F (u) ]C = [ F ]C [ u ]B = 4 1 0 1 1/2 1 −2 Isto significa que:
F (u) = F (2, −1, 1) = (2 − 1, 2 + 1) = (1, 3) = 2 v1 + 1 v2 = 2 (1, 1) + 1 (−1, 1) Veja a geometria do exemplo
z
y
F
p
3
sF (u) x′
p
p
y′
su3
u2 u
su1
s
y
s
1
−1 p
s
p
1 v2
2 v1
sv1
p1
p2
x
x
Observe, na equa¸c˜ ao F (u) = F (2, −1, 1) = (1, 3) Tanto u quanto F (u) est˜ ao expressos nas bases canˆ onicas dos respectivos B
espa¸cos. A equa¸c˜ ao [ F (u) ]C = [ F ]C [ u ]B nos permitiu calcular as coordenadas de F (u) na base C. F (u) = (1, 3) = 2 v1 + 1 v2 = 2 (1, 1) + 1 (−1, 1) Confirme na figura anterior. 191
2 ) Consideremos a mesma transforma¸c˜ao linear do exemplo anterior, isto ´e, F : R3 → R2 , onde, F (x, y, z) = (x + y, x + z) Escolhemos agora as bases canˆ onicas do R3 e R2 : B = { u1 = (1, 0, 0), u2 = (0, 1, 0), u3 = (0, 0, 1) } e C = { v1 = (1, 0), v2 = (0, 1) } B
a ) Encontre [ F ]C ; b ) Se u = (2, −1, 1), calcular F (u)C utilizando a matriz encontrada. Solu¸ c˜ ao: a ) Temos F (1, 0, 0) = (1 + 0, 1 + 0) = (1, 1) = 1 (1, 0) + 1 (0, 1) F (0, 1, 0) = (0 + 1, 0 + 0) = (1, 0) = 1 (1, 0) + 0 (0, 1) F (0, 0, 1) = (0 + 0, 0 + 1) = (0, 1) = 0 (1, 0) + 1 (0, 1) Portanto, tomando o “transposto”: B
[ F ]C =
"
1 1 0 1 0 1
#
Compare esta matriz com F (x, y, z): F (x, y, z) = (x + y, y + z) = (1 x + 1 y + 0 z, 1 x + 0 y + 1 z) b ) Como uB = (2, −1, 1), pois B ´e a base canˆ onica, resulta: " # # " 2 1 1 1 0 B [ F (u) ]C = [ F ]C [ u ]B = −1 = 1 0 1 3 1
A geometria deste exemplo fica assim: z
y
F
p
3
sF (u)
p
2 u3
v2
s s
u
u2
s
y
0
s u1 x
192
s s
v1
p2
x
(4.7)
3 ) Seja U um espa¸co vetorial sobre R e seja I : U → U o operador identiB
dade. Dadas duas bases B e C de U , qual o significado de [ I ] C ? Solu¸ ca ˜o: Suponhamos B = { u1 , u2 , . . . , un } e C = { v1 , v2 , . . . , vn }
Calculemos o operador I nos vetores da base B e escrevamos as imagens como combina¸c˜ oes lineares dos vetores de C, assim: I(u1 ) = u1 = a11 v1 + a21 v2 + · · · + an1 vn
I(u2 ) = u2 = a12 v1 + a22 v2 + · · · + an2 vn .......................................... I(un ) = un = a1n v1 + a2n v2 + · · · + ann vn Ent˜ao B
[I ]C
a11 a12 . . . a1n a 21 a22 . . . a2n = ................... an1
an2
...
ann
´ a matriz de mudan¸ca da base B para a base C. E
Observa¸ co ˜es: 1a ) No caso de serem B e C as bases canˆ onicas, representamos a matriz simplesmente por [ F ], que ´e chamada matriz canˆ onica de F . Sendo assim, vale a seguinte equivalˆencia B
[ F (u) ]C = [ F ]C [ u ]B
⇐⇒
[ F (u) ] = [ F ] [ u ]
F (X) = A X
∴
2a ) Observe que calcular F (u) pela matriz [ F ], como em (4.7), ´e o mesmo que fazˆe-lo pela equa¸c˜ ao que define F , veja: F (x, y, z) = (x + y, x + z) F (2, −1, 1) = (2 − 1, 2 + 1) = (1, 3) ao linear F : Rm → Rn podemos pegar um 3a ) Dada uma transforma¸c˜ atalho e escrever diretamente a matriz canˆ onica, como mostram os exemplos a seguir: a ) F : R2 → R3 , F (x, y) = (2x − 3y, −2x + y, y). Lembramos que toda transforma¸c˜ao linear de Rm em Rn ´e da forma ( ∗ ) (p. 146). Sendo assim, temos: F (x, y) = (2x − 3y, −2x + y, y)
2 −3 1 = (2x − 3y, −2x + 1 y, 0 x + 1 y) ⇒ [ F ] = −2 0 1 193
b ) Vamos encontrar a matriz canˆ onica associada `a seguinte transforma¸c˜ao linear, F : R2 → R3 ,
dada por
F (x, y) = (2x + y, x − 2y, −x − y)
Veja,
F : R2 → R3
y1
z
3×2
2
}|
1
{
−2 · y2 = 1 −1 −1 y3 ↑ ↑ F (e1 ) F (e2 )
"
x1 x2
#
Observe a equa¸c˜ ao matricial da seguinte perspectiva Y = F (X) = A X c ) Vamos encontrar a matriz canˆ onica do nosso algoritmo G : R3 → R2 ,
((3.5), p. 142):
G(x, y, z) = ( y − x · sen θ, z − x · cos θ )
Neste caso, temos: G(x, y, z) = ( y − x · sen θ, z − x · cos θ ) = (− sen θ · x + 1 y + 0 z, − cos θ · x + 0 y + 1 z) Desta u ´ltima igualdade construimos diretamente a matriz canˆ onica, veja: # " − sen θ 1 0 [G] = − cos θ 0 1 Temos: (X, Y ) = ( y − x · sen θ, z − x · cos θ ). Ou ainda # x " # " X − sen θ 1 0 = y Y − cos θ 0 1 z
194
Observe que G(0, y, z) = ( y − 0 · sen θ, z − 0 · cos θ ) = (y, z) Ou seja, os pontos do plano yoz s˜ ao “invariantes”. Observe como o algoritmo transforma as coordenadas reais, (x, y, z), de um paralelepipedo em coordenadas “virtuais” (X, Y ): G (x, y, z) −→ (X, Y )
G (x, y, z) −→ (X, Y )
(0, 0, 0) −→ (0, 0)
(1, 0, 0) −→ (−0.6428, −0.7660)
(0, 1, 0) −→ (1, 0)
(1, 1, 0) −→ (0.3572, −0.7660)
(0, 1, 1) −→ (1, 1)
(1, 1, 1) −→ (0.3572, 0.2340)
(0, 0, 1) −→ (0, 1)
(1, 0, 1) −→ (−0.6428, 0.2340)
z
(0, 0, 1) (1, 0, 1)
(1, 0, 0)
r r
r
r(0, 1, 1)
r
r
Y
G : R3 → R2
r
(0, 1, 0)
(0, 1)
r
y
r(1, 1)
r r r
r(1, 1, 0)
r
↑
x
r
(1, 0)
X
r(0.3572, −0.7660)
(−0.6428, −0.7660)
Nesta figura fixamos θ = 40o e arredondamos as cordenadas em (X, Y ) para quatro casas decimais. Em nosso trabalho∗ damos detalhes de como programar a tranforma¸c˜ ao G (algoritmo) dentro do LATEX 2ε para contruir novos comandos (macros). Por exemplo, criamos um comando (\pld{a}{b}{c}{cor}) no qual entramos com as arestas a, b, e c de um paralelepipedo e mais a cor e ele desenha o paralelepipedo pedido, por exemplo:
∗
Tra¸cados 3 − D (Um aux´ılio para o tra¸cado de figuras no LATEX).
195
Todas as figuras “no espa¸co”, deste livro, foram feitas com o aux´ılio da tranforma¸c˜ ao G. Quando for dada uma matriz de uma transforma¸c˜ao linear F sem que haja referˆencia ` as bases, essa deve ser entendida como a matriz canˆ onica de F. 2 −3 Por exemplo a matriz ao lado define 1 −2 a transforma¸c˜ ao linear F : R2 → R3 , F (x, y) = (2x − 3y, −2x + y, y). 0 1 4 ) Dadas as bases B = { (1, 0, 0), (0, 1, 0), (0, 1, 2) } do R3 e C = { (1, 0), (1, 1) } do R2 , determinar a transforma¸c˜ao linear F : R3 → R2 cuja matriz ´e: # " 1 2 3 B [ F ]C = 0 1 0 Solu¸ c˜ ao: Sabemos (p. 188) que o significado de cada coluna da matriz acima ´e: "
1 2 3 0 1 0
[ F (1, 0, 0) ]C
# [ F (0, 1, 2) ]C
[ F (0, 1, 0) ]C Sendo assim, devemos ter: F (1, 0, 0) = 1 (1, 0) + 0 (1, 1) = (1, 0) F (0, 1, 0) = 2 (1, 0) + 1 (1, 1) = (3, 1) F (0, 1, 2) = 3 (1, 0) + 0 (1, 1) = (3, 0) Uma transforma¸c˜ ao linear fica completamente definida quando se conhece as imagens dos vetores de uma base. (P5 , p. 151) Expressemos um vetor arbitr´ario u = (x, y, z) ∈ R3 como uma combina¸c˜ ao linear dos elementos da base B: (x, y, z) = λ1 (1, 0, 0) + λ2 (0, 1, 0) + λ3 (0, 1, 2) desta equa¸c˜ ao obtemos o seguinte sistema linear λ1 = x λ2 + λ3 = y 2λ = z 3
196
(4.8)
cuja solu¸c˜ ao ´e: λ1 = x, λ3 = z/2 e λ2 = y − λ3 = y − z/2. Substituindo estes valores em (4.8) obtemos (x, y, z) = x (1, 0, 0) + (y − z/2) (0, 1, 0) + z/2 (0, 1, 2) Aplicando F , linear, temos: F (x, y, z) = x F (1, 0, 0) + (y − z/2) F (0, 1, 0) + z/2 F (0, 1, 2) Substituindo os valores de F nos vetores da base temos F (x, y, z) = x (1, 0) + (y − z/2) (3, 1) + z/2 (3, 0) z = x + 3y, y − 2
5 ) Seja F : P2 → P2 definida por F p(t) ) = (1 − t) p′ (t). Determine a matriz de F em rela¸c˜ ao ` a base canˆ onica de P2 . Solu¸ c˜ ao: A base canˆ onica de P2 ´e { 1, t, t2 }, ent˜ao B = { u1 = 1, u2 = t, u3 = t2 } = C Seguindo o algoritmo dado
temos:
(p. 189)
F (u1 ) = F (1) = (1 − t) 1′ = 0
⇒
F (1)C = 0 · 1 + 0 · t + 0 · t2
F (u2 ) = F (t) = (1 − t) t′ = 1 − t
⇒
F (t)C = 1 · 1 − 1 · t + 0 · t2
F (u3 ) = F (t2 ) = (1 − t) (t2 )′ = 2 t − 2 t2
⇒
F (t2 )C = 0 · 1 + 2 · t − 2 · t2
Sendo assim, temos:
0 1 0 2 [ F ] = 0 −1 0 0 −2
6 ) Considere o operador linear do exemplo 6 ): F:
Z3 2
u
(p. 139)
Z3 7→
2
u ¯
encontre a matriz de F em rela¸c˜ ao `a base canˆ onica de Z32 . Solu¸ c˜ ao: A base canˆ onica de Z32 ´e B = { 100, 010, 001 } = C. Seguindo o algoritmo: ( 1 ) Calculamos F (ui ) (i = 1, 2, 3); F (u1 ) = F (100) = 100 = 011 F (u2 ) = F (010) = 010 = 101 F (u3 ) = F (001) = 001 = 110 197
Por tratar-se da base canˆ onica, podemos escrever 0 1 1 [F ] = 1 0 1 1 1 0
7 ) Seja F : P3 → R a transforma¸c˜ao linear assim definida: Z 1 p(t) dt F p(t) ) = 0
Determine a matriz de F em rela¸c˜ao `a bases canˆ onicas de P3 e R. Solu¸ c˜ ao: A base canˆ onica de P3 ´e B = { 1, t, t2 , t3 } e de R ´e C = { 1 }.
Seguindo o algoritmo temos:
F (u1 ) = F (1) = F (u2 ) = F (t) = F (u3 ) = F (t2 ) = F (u4 ) = F (t3 ) = Portanto:
R1 0
R1 0
R1 0
R1 0
B
1 dt = 1
⇒
F (1)C = 1 · 1
t dt =
1 2
⇒
F (1)C =
1 2
·1
t2 dt =
1 3
⇒
F (1)C =
1 3
·1
t3 dt =
1 4
⇒
F (1)C =
1 4
·1
[ F ]C =
4.1.1
Exerc´ıcios
1
1 2
1 3
1 4
1) Dadas a transforma¸ca˜o linear F : R3 → R2 , F (x, y, z) = (2x − y + z, 3x + y − 2z) e as bases B = { u1 = (1, 1, 1), u2 = (0, 1, 1), u3 = (0, 0, 1) } e C = { v1 = (2, 1), v2 = (5, 3) } B
a ) Determine [ F ]C ; b ) Se u = (−1, −1, 1), encontre F (u)C .
2) Dadas a transforma¸ca˜o linear F : R2 → R3 ,
F (x, y, z) = (2x − y, x + 3y, −2y)
e as bases B = { u1 = (−1, 1), u2 = (2, 1) } e C = { v1 = (0, 0, 1), v2 = (0, 1, −1), v3 = (1, 1, 0) } 198
B
a ) Determine [ F ]C ; b ) Se u = (−1, −1), encontre F (u)C . B
c ) Qual a matriz [ F ]C onde C ´e a base canˆ onica do R3 ? 3) Determine a matriz da transforma¸c˜ao linear F : R3 → R2 , relativamente `as bases canˆ onicas dos respectivos espa¸cos, sabendo que F (1, 1, 0) = (0, 0), F (0, 1, 0) = (1, 0) e F (0, 0, 1) = (0, 1). 4) Dada a matriz M=
"
1 2 −1 1 0 1
#
encontre F : R3 → R2 de maneira que, sendo B = { (1, 0, 0), (0, 1, 0), (0, 1, 2) } e C = { (1, 0), (1, 1) } B
se tenha M = [ F ]C . 5) Determine o operador linear" do F : R#2 → R2 cuja matriz em rela¸c˜ao `a 1 1 . base B = { (1, 1), (−1, 1) } ´e −1 1
6) Sabendo que a matriz de uma transforma¸c˜ao linear F : R2 → R3 nas bases B = { (−1, 1), (1, 0) } e C = { (1, 1, −1), (2, 1, 0), (3, 0, 1) } ´e
3 1 B 5 [ F ]C = 2 1 −1
encontre a express˜ ao F (x, y) e a matriz [ F ]. 7) Seja 3 1 5 [F ] = 2 1 −1
a matriz canˆ onica de uma transforma¸c˜ao linear F : R2 → R3 . Se T (u) = (2, 4, −2) encontre u.
199
8) Considere o operador linear F : R2 R2 (x, y) 7→ (x + 2y, x − y) e as bases B = { (−1, 1), (1, 0) }, C = { (2, −1), (−1, 1) } e D = { (1, 0), (0, 1) } Encontre [ F ]B , [ F ]C , [ F ]D . 9) Mostre que a matriz do operador identidade I : Rn Rn u 7→ u em uma base qualquer, ´e a matriz identidade n × n.
10) Determine as matrizes das seguintes transforma¸c˜oes lineares em rela¸c˜ao as bases canˆ ` onicas dos respectivos espa¸cos: a ) F : R3 → R2 , definida por F (x, y, z) = (x + y, x − y) b ) F : R2 → R3 , definida por F (x, y) = (x + y, x, x − y)
c ) F : R4 → R , definida por F (x, y, z, t) = x + 2y − 3z + 4t
d ) F : R → R3 , definida por F (x) = (x, 2x, 3x). 11) Seja F : R2 → R2 definida por " # 1 2 [F ] = −2 1 Determine os vetores u, v e w tais que: a ) F (u) = u
b ) F (v) = 2v
c ) F (w) = (1, 1).
12) Considere a seguinte transforma¸c˜ao #! " a b = (a + b, a − c, a + d) F : M2×2 → R3 , F c d a ) Mostre que F ´e linear; B
onicas de M2×2 e R3 , b ) Encontre [ F ]C sendo B e C as bases canˆ respectivamente; c ) Calcule u ∈ M2×2 tal que F (u) = (1, −1, 0); d ) Determine N (F ).
200
13) Sejam F : R2 → M2×2 uma transforma¸c˜ao linear e B e C as bases canˆ onicas de R2 e M2×2 , respectivamente. Sabendo que
Encontre:
B [ F ]C =
0 1 3 −2 −1 2 1 2
a ) F (1, 0); b ) F (0, 1); c ) F (1, 1); d ) F (x, y); e ) F (a, b) tal que F (a, b) =
"
1 −1 2 3
#
.
14) No espa¸co vetorial M2×2 seja M=
"
1 −1 2
3
#
Encontre a matriz do operador linear F : M2×2 → M2×2 dado por F (X) = M X − XM , em rela¸c˜ ao a` base canˆ onica #) # " # " # " (" 0 0 0 0 0 1 1 0 , , , B= 0 1 1 0 0 0 0 0 15) Seja F : P2 → P3 , definida por F p(t) = t p(t) − p(1), ∀ p(t) ∈ P2 . Determine a matriz de F em rela¸c˜ao ao seguinte par de bases B = 1, t − 1, (t − 1)2 e C = 1, t − 1, (t − 1)2 , (t − 1)3
de P2 e P3 respectivamente.
16) Seja F : P2 → P3 , definida por F p(t) = (t − 1) p(t), ∀ p(t) ∈ P2 . Determine a matriz de F em rela¸c˜ao ao seguinte par de bases B = 1, t − 1, (t − 1)2 e C = 1, t − 1, (t − 1)2 , (t − 1)3
de P2 e P3 respectivamente.
201
17) Seja F : P2 → P2 definida por F p(t) ) = (1 + t) p′ (t). Determine a matriz de F em rela¸c˜ ao `a base canˆ onica de P2 . 18) Determine a matriz do operador de deriva¸c˜ao F : Pn Pn p(t) 7→ p′ (t)
em rela¸c˜ ao ` a base canˆ onica desse espa¸co. R1 19) Seja F : P2 → R, definida por F p(t) = −1 p(t) dt. Determine a matriz de F em rela¸c˜ ao `as bases: a ) B = 1, t, t2 e C = { 1 }; b ) B = 1, 1 + t, −1 + t2 e C = { −2 }.
20) Seja a transforma¸ca˜o linear
G : R3 → R2 , G(x, y, z) = ( y − x · sen 45o , z − x · cos 45o ) a ) Encontre a matriz [ G ]; b ) Utilizando a equa¸c˜ao [ G(u) ] = [ G ] [ u ] encontre [ G(u) ] para os seguintes vetores: i)
u = (0, 0, 0),
ii ) u = (1, 0, 0),
iii ) u = (0, 1, 0),
iv ) u = (0, 0, 1).
c ) Relacione seus c´ alculos com a seguinte figura:
G : R3 → R2
z
Y
s(0, 0, 1) s
s(0, 1)
s
(0, 1, 0)
y
s
s
s
(1, 0, 0)
(?, ?)
x
202
s
(1, 0)
X
4.2
Opera¸ c˜ oes com Transforma¸c˜ oes Lineares
Nesta se¸c˜ ao definiremos algumas opera¸c˜oes envolvendo transforma¸c˜oes lineares o que vai nos permitir construir, a partir de transforma¸c˜oes dadas, novas transforma¸c˜ oes lineares. U
Sejam U e V espa¸cos vetoriais sobre R. Indicaremos por L V o conjunto das transforma¸c˜ oes lineares de U em V , isto ´e:
=
(
F : U →V
: F ´e linear
u 7→ F (u)
(
L
U V
U
Desejamos construir sobre o conjunto L V uma estrutura de espa¸co vetorial. Ou ainda, desejamos que cada transforma¸c˜ao linear F : U → V seja um vetor. O primeiro passo nesse sentido ´e dado a seguir. U
Defini¸ c˜ ao 22 (Adi¸c˜ ao). Dados F, G ∈ L V , definimos a soma F + G de F com G do seguinte modo: F +G : U → V F : U →V
e (F + G)(u) = F (u) + G(u), ∀ u ∈ U. G : U →V
u 7→ F (u)
u 7→ G(u)
(4.9)
F +G : U →V u
7→ F (u)+G(u)
Esteja mais uma vez atento ` a economia de s´ımbolos, veja: essa ´e a nova adi¸ca˜o definida em
L UV ,
F +G : U →V
u 7→ F (u) + G(u)
essa ´e a “velha” adi¸ca˜o definida em V .
Vejamos um exemplo de adi¸c˜ ao de transforma¸c˜oes lineares. Considere, R3
oes: em L R2 , as aplica¸c˜ F : R3 → R2 , F (x, y, z) = (x + y, x + z) ,
e
G : R3 → R2 , G(x, y, z) = (x − 2y, x + 2z) Pela defini¸c˜ ao de adi¸c˜ ao temos: F + G : R3 → R2 Onde, (F + G)(x, y, z) = F (x, y, z) + G(x, y, z), 203
∀ (x, y, z) ∈ R3 .
Ent˜ ao, (F + G)(x, y, z) = F (x, y, z) + G(x, y, z) = (x + y, x + z) + (x − 2y, x + 2z) = (2x − y, 2x + 3z) U
Uma pergunta que surge naturalmente ´e: Dados F, G ∈ L V teremos U
sempre F + G ∈ L V ? (isto ´e, F + G ´e linear ?). A resposta ´e afirmativa: a soma F + G, de duas transforma¸c˜oes lineares, ´e tamb´em uma transforma¸c˜ao linear. De fato, ( i ) Pela defini¸c˜ ao de adi¸c˜ao, temos (F + G)(u1 + u2 ) = F (u1 + u2 ) + G(u1 + u2 ) = F (u1 ) + F (u2 ) + G(u1 ) + G(u2 ) = F (u1 ) + G(u1 ) + F (u2 ) + G(u2 ) = (F + G)(u1 ) + (F + G)(u2 ) ( ii ) Para λ ∈ R arbitr´ario temos: (F + G)(λ u) = F (λ u) + G(λ u) = λ F (u) + λ G(u) = λ F (u) + G(u) = λ (F + G)(u)
U
Temos assim uma adi¸c˜ao (F, G) → F + G em L V . Ou ainda: U
U
U
+ : LV × LV
LV
F +G
(F, G)
Para essa adi¸c˜ ao valem as seguintes propriedades: A1) F + G = G + F A2) (F + G) + H = F + (G + H) A3) Pelo exemplo 8
(p. 140)
(Comutativa) (Associativa)
a transforma¸c˜ao nula
F: U u
V 0
U
´e linear, logo, F ∈ L V . Trocando de nota¸c˜ao F = 0 (vermelho), isto ´e 0: U u
V 0
204
U
´e f´acil mostrar que esta transforma¸c˜ao satisfaz: F + 0 = F, ∀ F ∈ L V , isto ´e, a opera¸c˜ ao de adi¸c˜ ao (F, G) → F + G possui elemento neutro. Observe que na simbologia
0: U
V
u
0
temos trˆes “zero’s” envolvidos, assim: U
0 ∈ L V , 0 ∈ U, 0 ∈ V U
A4) Para toda F ∈ L V definimos a transforma¸c˜ao −F por (−F )(u) = −F (u)
(4.10) U
´e f´acil ver que −F ´e tamb´em linear, ou seja, −F ∈ L V e, ademais, F + (−F ) = −F + F = 0 U
Isto ´e, para a opera¸c˜ ao de adi¸c˜ ao (F, G) → F + G todo elemento F ∈ L V possui elemento oposto, dado por (4.10). U
Observe que, por enquanto, 0 ∈ L V ´e uma mera transforma¸c˜ao linear, ainda n˜ ao adquiriu o status de vetor nulo. A seguir, definiremos a multiplica¸c˜ao de uma transforma¸c˜ao linear por um escalar. U
Defini¸ c˜ ao 23. Dados F ∈ L V e λ ∈ R, definimos o produto λ F de F por λ assim: λ F : U → V e (λ F )(u) = λ F (u), ∀ u ∈ U. (4.11) F : U →V
λF : U → V
u 7→ F (u)
u 7→ λ F (u)
A aplica¸c˜ ao λ F assim definida tamb´em ´e uma transforma¸c˜ao linear de U U
em V , isto ´e, tamb´em mora em L V (prove isto!). Sendo assim ficou definida U
U
uma multiplica¸c˜ ao de R × L V em L V , multiplica¸c˜ao essa que verifica as seguintes propriedades: M1) λ ( µ F ) = (λ · µ) F (Associativa) M2) ( λ + µ ) F = λ F + µ F M3) λ ( F + G ) = λ F + λ G
(Distributiva) (Distributiva)
M4) 1 F = F
(elemento neutro) U
quaisquer que sejam λ e µ em R e F e G em L V . 205
Deixamos a prova destas propriedades, com exce¸c˜ao da M3, a cargo do leitor. Desejamos mostrar que λ(F + G) = λF + λG
(4.12)
Pela defini¸c˜ ao (4.11), temos λ(F + G) : U → V
e
Pela defini¸c˜ ao (4.9), temos λF + λG : U → V
λ ( F + G ) (u) = λ (F + G)(u),
∀ u ∈ U.
e (λ F + λ G)(u) = (λ F )(u) + (λ G)(u), ∀ u ∈ U. = λ F (u) + λ G(u)
14
Feito este “preˆ ambulo” para provar (4.12) devemos recorrer `a defini¸c˜ao (p. 128), ou seja, devemos mostrar que λ ( F + G ) (u) = λ F + λ G (u), ∀ u ∈ U.
Ent˜ ao:
λ ( F + G ) (u) = λ ( F + G )(u)
= λ ( F + G )(u)
= λ F (u) + G(u)
= λ F (u) + λ G(u) = (λ F + λ G)(u)
Sendo assim podemos concluir que se U e V s˜ ao espa¸cos vetoriais sobre R, U U ent˜ ao a tripla L V , +, · = LV tamb´em ´e um espa¸co vetorial sobre R. U
U
Nota: Agora podemos afirmar que 0 ∈ L V ´e o vetor nulo do espa¸co LV . Enfatizamos (observe o jogo das cores):
Transforma¸c˜ao linear nula − ´e o vetor nulo do U
0: U
V
u
0
espa¸co vetorial LV
0 Vetor nulo do contradom´ınio Vetor nulo do dom´ınio 206
Composi¸c˜ ao de transforma¸c˜ oes lineares Defini¸ c˜ ao 24 (Composta). Sejam U , V e W espa¸co vetoriais sobre R. Se F : U → V e G : V → W s˜ ao transforma¸co ˜es lineares, define-se a aplica¸ca ˜o composta de F e G (nota¸ca ˜o : G ◦ F ) do seguinte modo: G ◦ F : U → W e (G ◦ F )(u) = G F (u) ), ∀ u ∈ U. F : U →V
G : V →W
u 7→ F (u)
U
G◦F : U → W
v 7→ G(v)
F
V
(4.13)
u 7→ G( F (u) )
G
W
F (u) u
G( s F (u))
s
s
(G◦F )(u)
G◦F Nota: Observe que na defini¸c˜ ao anterior o dom´ınio de G coincide com o contradom´ınio de F . Vejamos um exemplo de composi¸c˜ao de transforma¸c˜oes lineares. Consideremos as seguintes tranfoma¸c˜ oes: F : R3 → R2 , F (x, y, z) = (x + y, x + z) ,
e
G : R2 → R3 , G(x, y) = (x − 2y, x + y, y − x) Pela defini¸c˜ ao de composi¸c˜ ao temos: G ◦ F : R3 → R3 e (G ◦ F )(x, y, z) = G F (x, y, z) , ∀ (x, y, z) ∈ R3 .
Ent˜ao,
G F (x, y, z) = G (x + y, x + z) = G(x + y, x + z)
= (x + y) − 2(x + z), (x + y) + (x + z), (x + z) − (x + y) = (−x + y − 2z, 2x + y + z, z − y) U
V
Uma pergunta que surge naturalmente ´e: Dados F ∈ L V , G ∈ L W U
teremos sempre G ◦ F ∈ L W ? (isto ´e, G ◦ F ´e linear ?). 207
A resposta ´e afirmativa: a composi¸c˜ao G◦F , de duas transforma¸c˜oes lineares, ´e tamb´em uma transforma¸c˜ao linear. De fato, ( i ) Pela defini¸c˜ ao de composi¸c˜ao, temos (G ◦ F )(u1 + u2 ) = G F (u1 + u2 )
= G F (u1 ) + F (u2 ) = G F (u1 ) + G F (u2 )
= (G ◦ F )(u1 ) + (G ◦ F )(u2 ) ( ii ) Fica como exerc´ıcio mostrar que (G ◦ F )(λ u) = λ (G ◦ F )(u)
4.3
Matriz da Transforma¸c˜ ao Composta
Sejam U , V e W espa¸co vetoriais sobre R que admitem como bases: U ↑ B = { u1 , . . . , un }
V ↑ C = { v 1 , . . . , vm }
W ↑ D = { w1 , . . . , wp }
Sejam as transforma¸c˜oes lineares F : U → V e G : V → W e, ademais, considere a aplica¸ca ˜o composta G ◦ F : U → W,
(G ◦ F )(u) = G F (u) ), ∀ u ∈ U.
B
C
Conhecidas as matrizes [ F ]C = (aij ) e [ G ]D = (bki ) pretendemos determiB
nar a matriz [ G ◦ F ]D , veja: U B
F
G
V C
B
[ F ]C
C
[ G ]D
W D
B
[ G ◦ F ]D = ? Observe que pela defini¸c˜ao de matriz de uma transforma¸c˜ao linear temos: (ver ´ıtem ( 2 ) do algoritmo dado na p. 189 ) B
[ F ]C = (aij )m×n C
[ G ]D = (bki )p×m
⇒
F (uj ) =
⇒ G(vi ) =
m X
aij vi
( j = 1, 2, . . . , n )
bki wk
( i = 1, 2, . . . , m )
i=1 p X k=1
208
C
B
ao obtidas Nota: Observe que pelo algoritmo as matrizes [ F ]C e [ G ]D s˜ pelo “transposto” dos coeficientes obtidos na “expans˜ ao” dos respectivos somat´ orios. Pelo mesmo algoritmo temos: ( 1 ) Calculamos (G ◦ F )(uj ) ( j = 1, 2, . . . , n );
Ou ainda,
m m X X aij G(vi ) aij vi = (G ◦ F )(uj ) = G F (uj ) = G i=1
i=1
=
m X
aij
i=1
p X
bki wk =
k=1
p X m X i=1
k=1
B
Portanto, o termo geral de [ G ◦ F ]D geral do produto:
´e akj =
bki aij
Pm
i=1
wk
bki aij que ´e o termo
C B [ G ]D · [ F ]C = (bki )p×m · (aij )m×n
(veja eq. (8.2), p. 426, atente para a ordem do produto). Resumindo, vale a seguinte identidade: C
B
B
[ G ◦ F ]D = [ G ]D · [ F ]C
(4.14)
Ou ainda,
U B
F B
[ F ]C
V C
B
G C
[ G ]D
W D
[ G ◦ F ]D = [ G ]C · [ F ]B D C 209
Uma consequˆencia (corol´ ario) da f´ormula (4.14) ´e que existe uma rela¸c˜ao ´ o que veremos agora. entre isomorfismos e matrizes invers´ıveis. E Sejam U e V espa¸cos vetoriais de dimens˜ao n. Se B e C s˜ ao bases de U e V , reespectivamente, e F : U → V ´e um isomorfismo. Os diagramas a seguir U B
F B
V C
[ F ]C
F −1 C [ F −1 ]
B
U B
∴
B
C
B
⇓
B B
[ F −1
C
[ F −1 ◦ F ] B = [ F −1 ] B · [ F ] C
= [ F −1 ] B · [ F ] C
[ In ] B
B
◦ F ]B
e, inversamente V C
F −1 C [ F −1 ]
B
U B
F B
C
V C
∴
· [ F −1 ] B
C
B
· [ F −1 ] B
⇓
[F ]C
C
[F ◦
B
[ F ◦ F −1 ] C = [ F ] C
= [F ]C
[ In ] C
C F −1 ] C
B
C
C
provam que a matriz [ F ] C ´e invers´ıvel e que sua inversa ´e a matriz [ F −1 ] B . Exemplo: Vamos retomar o exemplo dado na p. 178, isto ´e, consideremos o isomorfismo F : P1 (R) → R2 ,
dado por
F (a + b x) = (a, b − a).
Considerando as bases canˆ onicas destes espa¸cos, isto ´e, B = { 1, x } e C = { (1, 0), (0, 1) }, temos F (1 + 0 x) = (1, 0 − 1) = (1, −1) F (0 + 1 x) = (0, 1 − 0) = (0, 1) Sendo assim, temos B
[F ]C =
"
1 0 −1 1
#
⇒
C
[ F −1 ] B =
"
1 0 1 1
Onde F −1 : R2 → P1 (R). Considerando a equa¸c˜ao (4.6) ao nosso contexto, temos [ F −1 (u) ]B = [ F −1 ] B [ u ]C C
210
#
(p. 187)
adaptada
Logo [F
−1
(u) ]B =
"
1 0 1 1
#"
a b
#
=
"
a a+b
#
Ent˜ao: F −1 (a, b) = a + (a + b) x. Para a demonstra¸c˜ ao do pr´ oximo teorema iremos necessitar de dois resultados vistos anteriormente. Equa¸c˜ao (2.18) (p. 120) [ u ]B = P [ u ]C
⇔
P −1 [ u ]B = [ u ]C
(4.15)
P ´e a matriz de mudan¸ca de base, da base antiga B para a nova base C. E da equa¸c˜ ao (4.6)
(p. 187) B
[ F (u) ]C = [ F ] C [ u ]B Adaptando essa equa¸c˜ ao para o operador linear T : U → U e tomando as bases B = C, temos B
⇔
[ T ] B [ u ]B = [ T (u) ]B
(4.16)
C
⇔
[ T ] C [ u ]C = [ T (u) ]C
(4.17)
[ T (u) ]B = [ T ] B [ u ]B Ou ainda [ T (u) ]C = [ T ] C [ u ]C
O teorema a seguir nos diz o que acontece com a matriz de um operador linear T : U → U quando se muda da base B para a base C de U . Teorema 10. Seja P a matriz de mudan¸ca da base B para a base C no espa¸co vetorial U . Ent˜ ao, para qualquer operador linear T : U → U , temos [ T ]C = P −1 [ T ]B P Prova: Seja u um vetor em U . Considerando a equa¸c˜ao P [ u ]C = [ u ]B , vamos multiplic´ a-la da seguinte formada P −1 [ T ]B P [ u ]C = P −1 [ T ]B [ u ]B
Isto ´e
P −1 [ T ]B P [ u ]C = P −1 [ T ]B [ u ]B
= P −1 [ T (u) ]B
Na u ´ltima igualdade usamos (4.16). Substituindo na equa¸c˜ao (4.15), u por T (u), obtemos P −1 [ T (u) ]B = [ T (u) ]C . Ent˜ao P −1 [ T ]B P [ u ]C = [ T (u) ]C Utilizando a equa¸c˜ ao (4.17), resulta P −1 [ T ]B P [ u ]C = [ T ] C [ u ]C 211
Como a aplica¸c˜ ao u 7→ [ u ]C ´e sobrejetiva em Rn , temos P −1 [ T ]B P X = [ T ] C X,
∀ X ∈ Rn
Sendo assim, P −1 [ T ]B P = [ T ] C.
Produto de vetores Observe que na opera¸c˜ao de composi¸ca ˜o definida anteriormente temos U
V
U
F ∈ L V , G ∈ L W, G ◦ F ∈ L W Ou ainda U
V
◦ : LV × LW (F, G)
U
U
LW G◦F
V
Embora F ∈ L V e G ∈ L W sejam vetores n˜ ao podemos considerar G ◦ F como sendo uma multiplica¸c˜ao “genu´ına” de vetores porquanto essa opera¸c˜ ao n˜ ao ´e uma lei de composi¸c˜ao interna. (Veja def. 55, p. 419) No entanto, no importante caso em que U = V = W a opera¸c˜ao de composi¸c˜ ao toma a forma U
U
◦ : LU × LU (F, G)
U
LU G◦F
Sendo assim a opera¸c˜ ao “◦” torna-se uma lei de composi¸c˜ao interna em U
L U o que significa que podemos considerar esta opera¸c˜ao como sendo uma (“leg´ıtima”) multiplica¸ca˜o de vetores (no caso operadores lineares). Em sendo este o caso, trocaremos de nota¸c˜ao, faremos G ◦ F = G · F = G F ; ou seja, trocaremos a nota¸c˜ao de composi¸c˜ao pela de produto. O produto de vetores possui algumas propriedades “excˆentricas” n˜ ao compartilhadas pelo produto de n´ umeros Reais (ou Complexos), como por exemplo as propriedades P5 , P6 e P7 , vistas a seguir: U
∀ H, G, F ∈ L U
P1 ) (HG)F = H(GF ), U
P2 ) ∃ 1 ∈ L U : 1F = F 1 = F,
U
∀ F ∈ LU U
P3 ) H(F + G) = HF + HG,
∀ F, G, H ∈ L U
P3′ ) (F + G)H = F H + GH,
∀ F, G, H ∈ L U
U
U
∀ λ ∈ R, ∀ F, G ∈ L U
P4 ) G(λ F ) = λ (GF ),
U
P5 ) GF 6= F G,
∃ F, G ∈ L U U
∃ F, G, H ∈ L U
P6 ) GF = HF ; G = H, P7 ) GF = 0 ; G = 0 ou F = 0, 212
U
∃ F, G ∈ L U
No caso da propriedade P6 dizemos que n˜ ao vale a lei do corte para o produto de vetores e no caso da propriedade P7 dizemos que o produto de vetores admite divisores de zero.† Deixamos a prova destas propriedades ao leitor, no entanto forneceremos os contraexemplos para as trˆes u ´ltimas. Ent˜ao: ( i ) O produto de vetores n˜ ao ´e comutativo em geral. Com efeito, consideremos os dois vetores seguintes F : R2 → R2 ; F (x, y) = (x + y, x − y) G : R2 → R2 ; G(x, y) = (y, x) Temos (GF )(x, y) = G F (x, y) = G(x + y, x − y) = (x − y, x + y) (F G)(x, y) = F G(x, y) = F (y, x) = (y + x, y − x)
Logo, GF 6= F G. ( ii ) No produto de vetores n˜ ao vale a lei do corte. Com efeito, consideremos a seguinte terna de vetores F : R2 → R2 ; F (x, y) = (y, y) G : R2 → R2 ; G(x, y) = (x, x) H : R2 → R2 ; H(x, y) = (x, y) Verifique que GF = HF e, no entanto, G 6= H.
( iii ) No produto de vetores existem divisores de zero. Com efeito, consideremos os dois operadores F : R2 → R2 ; F (x, y) = (x, 0) G : R2 → R2 ; G(x, y) = (y, y) Temos F 6= 0, G 6= 0 e, no entanto: (GF )(x, y) = G F (x, y) = G(x, 0) = (0, 0)
isto ´e, GF = 0.
† Em um sistema alg´ebrico (A, +, ·) um elemento n˜ ao nulo a ∈ A diz-se um divisor de zero se existe b ∈ A, tamb´em n˜ ao nulo, tal que a · b = 0.
213
A dan¸ ca dos s´ımbolos Na propriedade P2 vista anteriormente: U
U
P2 ) ∃ 1 ∈ L U : 1F = F 1 = F, ∀ F ∈ L U
(elemento neutro)
o s´ımbolo 1, no presente contexto, significa a transforma¸c˜ao identidade dada no exemplo 7 (p. 139) que aqui passa a ser o elemento neutro para o produto de vetores. Em resumo: 1: U u
7→
U u
∴
1(u) = u, ∀ ∈ U.
O leitor n˜ ao se surpreenda por esta “dan¸ca dos s´ımbolos” porquanto ela ´e mais frequente em matem´ atica do que possamos suspeitar.
Potencia¸c˜ ao de vetores U
Definiremos agora uma nova opera¸c˜ao para vetores em L U . U
Defini¸ c˜ ao 25 (Potˆencia de vetores). Sejam F ∈ L U e n um n´ umero natun ral. Potˆencia de base F e expoente n ´e o vetor F tal que: ( F0 = 1 F n = F n−1 · F, ∀ n ≥ 1.
Desta defini¸c˜ ao decorre que: F1 = F0 · F = 1 · F = F F2 = F1 · F = F · F F 3 = F 2 · F = (F · F ) · F = F · F · F e, de modo geral, para p natural e p ≥ 2, temos que F p ´e um produto de p fatores iguais a F . A potˆencia¸c˜ ao de vetores n˜ ao ´e uma opera¸c˜ao “bem comportada”, a exemplo da potencia¸c˜ ao num´erica, podemos nos deparar com alguns resultados curiosos, como por exemplo os dois a seguir - Em R :
se x2 = 1
- Em R :
se x2 = 0
⇒
x = ±1
U
- Em L U : se X 2 = 1 ; X = ± 1
U
⇒
x=0
- Em L U : se X 2 = 0 ; X = 0 214
U
Um operador F ∈ L U tal que F 2 = F chama-se idempotente; se F n = 0, para um certo n´ umero natural n, ent˜ao F se diz nilpotente.
Exerc´ıcios Resolvidos R2
1) Mostre que o vetor F ∈ L R2 dado por F (x, y) = (y, x) satisfaz F 2 = 1, com F 6= ± 1 Solu¸ ca ˜o: Temos F 2 (x, y) = F · F (x, y) = F F (x, y) ) = F (y, x) ) = F (y, x) = (x, y) R2
Por outro lado, o operador identidade de L R2 ´e dado por 1 : R2 → R2 ; 1(x, y) = (x, y) portanto, F 2 = 1 com F 6= ± 1. Geometricamente o operador F produz uma reflex˜ao em torno da reta y = x (como ser´ a visto oportunamente, p. 237), veja: y
s(y, x)
y=x
F
s(x, y) x
R2
2) Mostre que o vetor F ∈ L R2 dado por F (x, y) = (0, x) 6= 0 satisfaz a equa¸c˜ao F2 = 0 Solu¸ ca ˜o: Temos F 2 (x, y) = F · F (x, y) = F F (x, y) = F (0, x) = F (0, x) = (0, 0)
Sendo assim podemos escrever,
F 2 = 0 : R2 (x, y)
215
R2 (0, 0)
3) Seja F : U → U um operador idempotente (isto ´e, F 2 = F ) de um espa¸co vetorial U . Mostre que U = N (F ) ⊕ Im (F ). Solu¸ c˜ ao: Prova: Podemos escrever um vetor u ∈ U arbitr´ario como: u = (u − F (u)) + F (u) A segunda parcela est´ a, obviamente, no subespa¸co Im (F ). Vamos mostrar que a primeira parcela est´ a no n´ ucleo: F u − F (u) = F (u) − F 2 (u) = F (u) − F (u) = 0 Resumindo: mostramos que um vetor arbitr´ario de U pode ser escrito como a soma de dois vetores, um do n´ ucleo e outro da imagem, logo U = N (F ) + Im (F ) Para mostrar que esta soma ´e direta basta mostrar que N (F ) ∩ Im (F ) = { 0 } Suponhamos ent˜ ao que u ∈ N (F ) ∩ Im (F ), ent˜ao (
u ∈ Im (F )
⇒ u = F (u′ ), para algum u′ ∈ U ;
u ∈ N (F )
⇒ F (u) = 0.
(4.18)
Aplicando F na primeira equa¸c˜ao acima obtemos F (u) = F F (u′ ) = F 2 (u′ )
usando a hip´ otese de que o operador ´e idempotente resulta F (u) = F 2 (u′ ) = F (u′ ) Agora considerando a segunda equa¸c˜ao em (4.18) concluimos que F (u′ ) = 0. Este resultado na primeira equa¸c˜ao em (4.18) fornece u = 0. Conclus˜ao: na interse¸c˜ao dos subespa¸cos N (F ) e Im (F ) mora apenas o vetor nulo, logo, a soma ´e direta. >
216
Vamos ilustrar a igualdade U = N (F ) ⊕ Im (F ) do exemplo anterior com um exemplo geom´etrico. Considere o operador (proje¸c˜ ao sobre o eixo ox): F : R2 → R2 , F (x, y) = (x, 0) Primeiramente mostremos que ele ´e idempotente, isto ´e, que F 2 = F : F 2 (x, y) = F · F (x, y) = F F (x, y) = F (x, 0) = F (x, 0) = (x, 0) = F (x, y)
Vamos encontrar o n´ ucleo desse operador:
N (F ) = { u ∈ U : F (u) = 0 }
= { (x, y) ∈ R2 : F (x, y) = (0, 0) }
Devemos resolver a equa¸c˜ ao: F (x, y) = (0, 0) ⇒ (x, 0) = (0, 0) ⇒ x = 0 Ou seja, N (F ) = { (x, y) ∈ R2 : x = 0 } = { (0, y) ∈ R2 } Isto ´e, o n´ ucleo do operador ´e o eixo oy. Calculemos a imagem do operador. Im (F ) = { F (u) : u ∈ U }
= { F (x, y) : (x, y) ∈ R2 }
= { (x, 0) : (x, y) ∈ R2 } = { x (1, 0) : x ∈ R }
A imagem ´e gerada pelo vetor (1, 0), isto ´e, Im (F ) = [ (1, 0) ], ´e o eixo ox. Geometricamente tudo se passa assim:
N (F )
N (F )
(0, y) s
(x, y)
(0, y) s
s
(x, y)
s
F
s 0
s (x, 0)
Im (F )
s 0
s (x, 0)
Im (F )
R2 = N (F ) ⊕ Im (F )
217
R2
(
4) Lembramos que L R3 ´e o conjunto ( F : R2 → R3 : F ´e linear R2 L R3 = u 7→ F (u) R2
Mostre que dim L R3 = 2 · 3 = 6. Prova: Vamos considerar B = { u1 , u2 } e C = { v1 , v2 , v3 } bases dos respectivos espa¸cos. Pelo lema 2 (p. 178), uma aplica¸c˜ao linear F : R2 → R3 R2
´nico) por uma associa¸c˜ao qualquer de de L R3 ´e determinada (de modo u imagens de elementos da base B. Consideremos as aplica¸c˜oes R2
Fij ∈ L R3 , i = 1, 2;
j = 1, 2, 3.
observe que temos 2 · 3 aplica¸c˜oes, veja: i = 1:
F11
F12
F13
i = 2:
F21
F22
F23
(4.19)
vamos definir a aplica¸c˜ ao linear Fij como v , k = i; j Fij (uk ) = 0, k = 6 i.
Por exemplo, para as aplica¸c˜oes da primeira linha de (4.19) obtemos: F11 (u1 ) = v1 , F11 (u2 ) = 0 F12 (u1 ) = v2 , F12 (u2 ) = 0
(4.20)
F13 (u1 ) = v3 , F13 (u2 ) = 0 Para as aplica¸c˜ oes da segunda linha de (4.19) obtemos: F21 (u1 ) = 0 , F21 (u2 ) = v1 F22 (u1 ) = 0 , F22 (u2 ) = v2
(4.21)
F23 (u1 ) = 0 , F23 (u2 ) = v3 Tendo o conjunto { Fij } exatamente 2 · 3 elementos a proposi¸c˜ao estar´ a R2
provada se mostrarmos que { Fij } ´e uma base de L R3 . R2
Inicialmente mostraremos que { Fij } gera L R3 . Considere uma fun¸c˜ao R2
arbitr´aria F ∈ L R3 , isto ´e, F : R2 → R3 . Suponha, ademais, que∗ F (u1 ) = w1 , F (u2 ) = w2 ∗
Veja propriedade P5 (p. 151) e lema 2 (p. 178).
218
(4.22)
Como wk ∈ R3 , ele ´e uma combina¸c˜ao linear dos vetores de C, assim: w1 = λ11 v1 + λ12 v2 + λ13 v3
(4.23)
w2 = λ21 v1 + λ22 v2 + λ23 v3
(4.24)
Considere a aplica¸c˜ ao linear G = G=
3 X
P2
i=1
P3
λ1j F1j +
j=1
3 X
λij Fij . Ou, se preferirmos: λ2j F2j
j=1
j=1
Ou ainda: G = λ11 F11 + λ12 F12 + λ13 F13 + λ21 F21 + λ22 F22 + λ23 F23 Como G ´e uma combina¸c˜ ao linear dos Fij , a demonstra¸c˜ao de que { Fij } R2
a terminada se mostrarmos que F = G. gera L R3 estar´ Vamos calcular G(uk ), k = 1, 2 e comparar com (4.22). Temos: G(u1 ) = λ11 F11 (u1 ) + λ12 F12 (u1 ) + λ13 F13 (u1 )
(4.25)
+ λ21 F21 (u1 ) + λ22 F22 (u1 ) + λ23 F23 (u1 ) Das primeiras colunas em (4.20) e (4.21) obtemos G(u1 ) = λ11 v1 + λ12 v2 + λ13 v3
(4.26)
+ λ21 0 + λ22 0 + λ23 0 Comparando este resultado com (4.23) concluimos que G(u1 ) = w1 , comparando com (4.22) concluimos que G(u1 ) = F (u1 ). Por outro lado, temos: G(u2 ) = λ11 F11 (u2 ) + λ12 F12 (u2 ) + λ13 F13 (u2 ) + λ21 F21 (u2 ) + λ22 F22 (u2 ) + λ23 F23 (u2 ) Das segundas colunas em (4.20) e (4.21) obtemos G(u2 ) = λ11 0 + λ12 0 + λ13 0 + λ21 v1 + λ22 v2 + λ23 v3 Comparando este resultado com (4.24) concluimos que G(u2 ) = w2 , comparando com (4.22) concluimos que G(u2 ) = F (u2 ). Sendo assim, pelo lema 2 (p. 178) concluimos que F = G. 219
Para demonstrar que { Fij } s˜ ao linearmente independentes suponha que, para escalares λij ∈ R, temos 3 2 X X
λij Fij = 0
(4.27)
i=1 j=1
Ou, se preferirmos: λ11 F11 + λ12 F12 + λ13 F13 + λ21 F21 + λ22 F22 + λ23 F23 = 0 Colocando, nesta igualdade, o vetor u1 como argumento das fun¸c˜oes Fij obtemos o lado direito da igualdade (4.25) igual a 0. Fazendo as devidas substitui¸c˜ oes obtemos o lado direito da igualdade (4.26) igual a 0, isto ´e: λ11 v1 + λ12 v2 + λ13 v3 = 0 Como os vi s˜ ao linearmente independentes obtemos λ11 = λ12 = λ13 = 0. Fazendo o mesmo procedimento com o vetor u2 , obtemos todos os demais > escalares da combina¸c˜ ao linear (4.27) iguais a 0. A prova est´ a concluida, no apˆendice (p. 254) demonstramos o caso geral. R2
Vamos obter, de modo expl´ıcito, uma base para o espa¸co vetorial LR3 . Para tanto vamos, por exemplo, escolher as bases canˆ onicas B = { u1 = (1, 0), u2 = (0, 1) } C = { v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1) } Sendo assim, para as aplica¸c˜oes da primeira linha de (4.19) (p. 218) obtemos: F11 (1, 0) = (1, 0, 0) , F11 (0, 1) = (0, 0, 0) F12 (1, 0) = (0, 1, 0) , F12 (0, 1) = (0, 0, 0) F13 (1, 0) = (0, 0, 1) , F13 (0, 1) = (0, 0, 0) Para as aplica¸c˜ oes da segunda linha de (4.19) obtemos: F21 (1, 0) = (0, 0, 0) , F21 (0, 1) = (1, 0, 0) F22 (1, 0) = (0, 0, 0) , F22 (0, 1) = (0, 1, 0) F23 (1, 0) = (0, 0, 0) , F23 (0, 1) = (0, 0, 1) Seguindo os passos da propriedade P5 aplica¸c˜ oes Fij , por exemplo, sendo
(p. 151)
podemos determinar todas as
(x, y) = x (1, 0) + y (0, 1) 220
temos F11 (x, y) = x F11 (1, 0) + y F11 (0, 1) = x (1, 0, 0) + y (0, 0, 0) = (x, 0, 0) Com um procedimento an´ alogo, obtemos: F11 (x, y) = (x, 0, 0) ,
F12 (x, y) = (0, x, 0) ,
F13 (x, y) = (0, 0, x)
F21 (x, y) = (y, 0, 0) ,
F22 (x, y) = (0, y, 0) ,
F23 (x, y) = (0, 0, y) R2
Sendo assim { Fij } ´e uma base do espa¸co vetorial LR3 . Uma transforma¸c˜ ao linear F : R2 → R3 arbitr´aria pode ser escrita como: F (x, y) = (a11 x + a12 y, a21 x + a22 y, a31 x + a32 y) Ou ainda,
(ver ( ∗ ), p. 146 e p. 148)
F : R2 → R3 Y = F (X) = A X
z
3×2
a11 y1 a y2 = 21 a31 y3
}|
{ " # a12 x1 a22 · x2 a32
Temos: F (x, y) = a11 (x, 0, 0) + a21 (0, x, 0) + a31 (0, 0, x) + a12 (y, 0, 0) + a22 (0, y, 0) + a32 (0, 0, y) Ou ainda: F (x, y) = a11 F11 (x, y) + a21 F12 (x, y) + a31 F13 (x, y) + a12 F21 (x, y) + a22 F22 (x, y) + a32 F23 (x, y) R2
o que confirma que { Fij } gera o espa¸co vetorial LR3 .
221
4.3.1
Exerc´ıcios
1) Sejam F : R2 → R3 e G : R2 → R3 as transforma¸c˜oes lineares definidas por F (x, y) = (x + y, x − y, x) e G(x, y) = (x − y, x + y, y) Determine as seguintes transforma¸c˜oes lineares: a) F + G; b ) 2 F − 3 G,
c ) A matriz canˆ onica de 2 F − 3 G e mostre que [ 2 F − 3 G ] = 2[ F ] − 3[ G ] 2) Sejam F : R2 → R e G : R → R as transforma¸c˜oes lineares F (x, y) = x + 2y e G(x, y) = 2x Determine a transforma¸c˜ao G ◦ F . Perguntamos se F ◦ G est´ a definida.
3) Sejam F e G operadores lineares no R2 dados por
F (x, y) = (x + y, x − y) e G(x, y) = (x − y, x + y) Determine os seguintes produtos: a) F G
b) GF
c) F2
d ) G2
R2
4) Sejam F, G ∈ L R2 vetores dados por F (x, y) = (0, x) e G(x, y) = (x, 0) Determine os seguintes produtos: a) F G
b) GF
c ) ( F G )2
d ) ( G F )2
R3
5) Seja F ∈ L R3 dado por F (x, y, z) = (3x, x − y, 2x + y + z). Mostre que: ( F 2 − 1 )( F − 3 · 1 ) = 0 R2
6) Sejam F, G ∈ L R3 vetores dados por F (x, y) = (x + y, y + z, z) e G(x, y) = (x + 2y, y − z, x + 2z) Encontre: a ) F G; b ) N ( F G ) e Im ( G F ); c ) uma base e a dimens˜ao de N ( F 2 G ). 222
R2
R3
7) Sejam F ∈ L R3 e G ∈ L R3 dados por: F (x, y) = (x + y, x − y, 0) e G(x, y, z) = (x + y, x − z, y + z) Determine: F ◦ G ◦ F .
8) Sejam F, G : R3 → R2 definidas por F (x, y, z) = (y, x + z) e G(x, y, z) = (2z, x − y) R3
Mostre que { F, G} ´e linearmente independente no espa¸co LR2 . R3
9) Determine uma base para o espa¸co vetorial LR2 .
R2
10) Determine uma base para o espa¸co vetorial LR2 . P
11) Determine uma base para o espa¸co vetorial LP22 . R2
12) Seja F ∈ L R2 dado por F (x, y) = (y, x). Determine F n (x, y), sendo n ≥ 1 um n´ umero natural. R2
13) Seja F ∈ L R2 dado por F (x, y) = (x, 0). Determine F n (x, y), sendo n ≥ 1 um n´ umero natural. 14) Determine se os seguintes vetores (operadores) lineares de R3 s˜ ao idempotentes ou nilpotentes: a ) F (x, y, z) = (−x, −y, −z);
b ) F (x, y, z) = (z, x, y); c ) F (x, y, z) = (0, x, z); d ) F (x, y, z) = (x, y, 0); R2
15) Seja F ∈ L R2 dado por F (x, y) = (x, x + y). a ) Determine F 2 ;
b ) Determine ( F − 1 )2 ;
c ) Mostre que ( F − 1 )2 = F 2 − 2 F + 1 = 0. Observe que F − 1 6= 0.
223
Espa¸ co Dual
Reconsideremos o conjunto ( F : U →V U LV = u 7→ F (u)
(p. 203)
: F ´e linear
(
4.4
das transforma¸c˜ oes lineares do espa¸co vetorial U no espa¸co vetorial V . U U J´ a vimos que LV = L V , +, · tamb´em ´e um espa¸co vetorial sobre R. Sendo o pr´ oprio R um espa¸co vetorial sobre R tomemos no conjunto acima V = R, isto ´e
=
(
F : U →R
: F ´e linear
u 7→ F (u)
(
L
U R
Esse espa¸co vetorial ´e chamado espa¸ co vetorial dual de U e costuma ser denotado na literatura por U ∗ . Enfatizamos:
U∗
=L
U R
Cada elemento de U ∗ recebe o nome de forma linear ou funcional linear sobre U . Exemplos: 1 ) A transforma¸c˜ ao F : R3 → R
(x, y, z) 7→ x+y+z R3
´e um elemento do espa¸co L R = ( R3 )∗ . 2 ) A transforma¸c˜ ao F : P2 (R) → R R1 p(x) 7→ 0 p(x) dx
´e um elemento do espa¸co ( P2 (R) )∗ . 3 ) A transforma¸c˜ ao
F : Mn (R) → R (aij ) 7→ a11 + a22 + · · · + ann 224
Faz corresponder a cada matriz quadrada de ordem n o seu tra¸co. A “aplica¸c˜ ao tra¸co” ´e uma forma linear. O nosso objetivo agora ser´ a caracterizar os elementos F do espa¸co dual n de R . Ent˜ ao, seja F : Rn → R u
∈ L
7→ F (u)
Rn R
(⋆)
uma forma linear sobre o Rn . Consideremos { e1 , e2 , . . . , en } como sendo a base canˆ onica do Rn , isto ´e e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), . . . , en = (0, 0, 0, . . . , 1) Fixado arbitrariamente um vetor u = (x1 , x2 , . . . , xn ) em Rn , u pode ser escrito como uma combina¸c˜ ao linear desta base, assim u = x1 e1 + x2 e2 + · · · + xn en Ent˜ao F (u) = F ( x1 e1 + x2 e2 + · · · +xn en ) = x1 F (e1 ) + x2 F (e2 ) + · · ·+xn F (en ) Observe em (⋆) que F (e1 ), F (e2 ), . . . , F (en ), s˜ ao n´ umeros reais; fa¸camos F (e1 ) = k1 , F (e2 ) = k2 , . . . , F (en ) = kn ; sendo assim obtemos F (x1 , x2 , . . . , xn ) = k1 x1 + k2 x2 + · · · + kn xn A conclus˜ao ´e que todo elemento do espa¸co ( Rn )∗ ´e desta forma. Por exemplo, veja o Exemplo 1 ) dado anteriormente (p. 224). Por outro lado, dada qualquer n-upla (k1 , k2 , . . . , kn ) de n´ umeros reais ´e f´acil ver que a aplica¸c˜ ao Rn
F :
→R
(x1 , x2 , ..., xn ) 7→ k1 x1 + k2 x2 + ··· +kn xn
´e uma forma linear sobre o Rn . Ent˜ao, podemos afirmar que F ∈ ( Rn )∗ se, e somente se, existem n´ umeros reais k1 , k2 , . . . , kn tais que F (x1 , x2 , . . . , xn ) = k1 x1 + k2 x2 + · · · + kn xn , ∀ (x1 , x2 , . . . , xn ) ∈ Rn Em resumo:
= L
Rn R
=
(
F : Rn → R
u 7→ F (u)
225
: F ´e linear
(
( Rn )∗
Um espa¸ co e seu dual tˆ em a mesma dimens˜ ao Seja U um espa¸co vetorial sobre R de dimens˜ao n. Desejamos provar que o espa¸co vetorial U ∗ tamb´em tem dimens˜ao n. Isto ´e,
U
dim U ∗ = dim L R = dim U De fato, consideremos B = { u1 , u2 , . . . , un } uma base de U , o que implica que todo vetor desse espa¸co pode ser escrito como u = x1 u1 + x2 u2 + · · · + xn un ,
com xi ∈ R.
(4.28)
As n aplica¸c˜ oes ssim F1 : U → R , u 7→ x1
F2 : U → R ,
, Fn : U → R
...
u 7→ xn
u 7→ x2
s˜ ao transforma¸c˜ oes lineares de U em R, logo, pertencem ao dual de U , isto ´e, a U ∗ . Tendo o conjunto { F1 , F2 , . . . , Fn } exatamente n elementos o nosso desiderato ter´ a sido cumprido se mostrarmos que { Fi } ´e uma base de U
U
L R = U ∗ . Inicialmente mostraremos que { Fi } gera L R . U
Considere uma fun¸ca˜o arbitr´aria F ∈ L R . Suponha, ademais, que∗ F (u1 ) = k1 , F (u2 ) = k2 , . . . , F (un ) = kn Ent˜ ao F (u) = F (x1 u1 + x2 u2 + · · · + xn un ) = x1 F (u1 ) + x2 F (u2 ) + · · · + xn F (un ) = k1 x1 + k2 x2 + · · · + kn xn = k1 F1 (u) + k2 F2 (u) + · · · + kn Fn (u) Podemos escrever essa u ´ltima igualdade como F (u) = k1 F1 (u) + k2 F2 (u) + · · · + kn Fn (u) = ( k1 F1 + k2 F2 + · · · + kn Fn )(u) Como u foi tomado arbitrariamente em U concluimos que F = k1 F1 + k2 F2 + · · · + kn Fn U
Assim mostramos que, de fato, { Fi } gera L R . ∗
Veja propriedade P5 (p. 151) e lema 2 (p. 178).
226
Para demonstrar que { Fi } ´e linearmente independente consideremos, para escalares λi ∈ R, a combina¸c˜ ao λ1 F1 + λ2 F2 + · · · + λn Fn = 0 Coloquemos o vetor u1 como argumento das fun¸c˜oes Fi acima, assim λ1 F1 (u1 ) + λ2 F2 (u1 ) + · · · + λn Fn (u1 ) = 0 Nesta igualdade temos λ1 F1 (u1 ) +λ2 F2 (u1 ) + · · · + λn Fn (u1 ) = 0 | {z } | {z } | {z } =1
=0
(4.29)
=0
Observe porque: podemos escrever
u1 = 1 u1 + 0 u2 + · · · + 0 un u2 = 0 u1 + 1 u2 + · · · + 0 un
··· = ························
un = 0 u1 + 0 u2 + · · · + 1 un
Agora basta atentar para o desenvolvimento dado em (4.28), de um vetor arbitr´ario u ∈ U , e as defini¸c˜ oes das Fi dadas em seguida. Sendo assim de (4.29) concluimos que λ1 = 0. Agora coloquemos o vetor u2 como argumento das fun¸c˜oes Fi , assim λ1 F1 (u2 ) + λ2 F2 (u2 ) + · · · + λn Fn (u2 ) = 0 Nesta igualdade temos λ1 F1 (u1 ) +λ2 F2 (u1 ) + · · · + λn Fn (u1 ) = 0 | {z } | {z } | {z } =0
=1
=0
donde λ2 = 0. Procedendo desta forma at´e o u ´ltimo vetor da base B concluimos que todos os λi s˜ ao nulos; logo, o conjunto { Fi } ´e linearmente independente. U
Sendo assim { F1 , F2 , . . . , Fn } ´e uma base de L R = U ∗ . Ent˜ao, dim U = dim U ∗ Pelo teorema 9 espa¸cos isomorfos.
(p. 180)
concluimos que o espa¸co U e seu dual U ∗ s˜ ao
Nota: A base { F1 , F2 , . . . , Fn } construida anteriormente recebe o nome de base dual da base B = { u1 , u2 , . . . , un }.
227
Exemplos: 1 ) Determine a base dual da base B = { (1, 1), (−1, 1) } do R2 .
Solu¸ c˜ ao: Seguindo os passos da demonstra¸c˜ao anterior, vamos escrever um vetor arbitr´ario u = (x, y) de R2 como combina¸c˜ao linear dos vetores da base B, temos u = (x, y) = x1 u1 + x2 u2 = x1 (1, 1) + x2 (−1, 1) Resolvendo o sistema acima encontramos x1 = Isto nos leva a u=
x+y 2
e x2 =
−x+y 2 .
x+y −x + y (1, 1) + (−1, 1) 2 2
Ainda de acordo com a prova anterior estamos procurando as duas aplica¸c˜oes F2 : R2 → R
F1 : R2 → R ,
u 7→ x2
u 7→ x1
Sendo assim, resulta F1 (x, y) =
x+y 2
e
F2 (x, y) =
−x + y 2
A base { F1 , F2 } ´e a base dual de B, solicitada. Existe uma outra alternativa pela qual podemos resolver o problema acima. Com efeito, as Fi definidas na p. 226 atuam numa base B = { u1 , u2 , . . . , un } de U da seguinte forma Fi (uj ) = δij =
( 1, se i = j; 0, se i 6= j.
A express˜ ao acima, que usa o delta de Kronecker δij , ´e uma forma abreviada de escrever F1 (u1 ) = 1 , F1 (u2 ) = 0 ,
F1 (u3 ) = 0 , . . .
F1 (un ) = 0
F2 (u1 ) = 0 , F2 (u2 ) = 1 ,
F2 (u3 ) = 0 , . . .
F2 (un ) = 0
......................................................... Fn (u1 ) = 0 , Fn (u2 ) = 0 , Fn (u3 ) = 0 , . . .
Fn (un ) = 1
Pois bem, estamos procurando duas aplica¸c˜oes da forma F1 (x, y) = ax + by
e 228
F2 (x, y) = cx + dy
Reconsideremos a base B = { u1 = (1, 1), u2 = (−1, 1) }; aplicando nestas transforma¸c˜ oes o vetores dessa base temos F1 (1, 1) = a 1 + b 1 = 1 , F1 (−1, 1) = a(−1) + b 1 = 0 F2 (1, 1) = c 1 + d 1 = 0 , F2 (−1, 1) = c(−1) + d 1 = 1 Destas equa¸c˜ oes retiramos os seguintes sistemas ( ( a+b = 1 c+d = 0 e −a + b = 0 −c + d = 1 Resolvendo-os, encontramos F1 (x, y) =
1 1 x+ y 2 2
1 1 F2 (x, y) = − x + y 2 2
e
2 ) Determine a base dual da seguinte base do R3 B = { (1, 1, 0), (0, 1, 0), (0, 0, 2) } Solu¸ ca ˜o: Seguindo os passos da demonstra¸c˜ao anterior, vamos escrever um vetor arbitr´ario u = (x, y, z) de R3 como combina¸c˜ao linear dos vetores da base B, temos temos u = (x, y, z) = x1 u1 + x2 u2 + x3 u3 Ou ainda (x, y, z) = x1 (1, 1, 0) + x2 (0, 1, 0) + x3 (0, 0, 2) Resolvendo o sistema 1x + 0x2 + 0x3 = x 1 1x1 + 1x2 + 0x3 = y 0x1 + 0x2 + 2x3 = z
Obtemos
x1 = x,
x2 = y − x,
x3 =
z 2
Estamos procurando trˆes aplica¸c˜ oes F1 : R3 → R , u 7→ x1
F3 : R3 → R
F2 : R3 → R,
u 7→ x3
u 7→ x2
Sendo assim, resulta F1 (x, y, z) = x,
F2 (x, y, z) = −x + y
e
A base { F1 , F2 , F3 } ´e a base dual de B procurada. 229
F3 (x, y, z) =
z 2
4.4.1
Exerc´ıcios
16) Determine a base dual da base B = { (1, −1), (−1, −1) } do R2 .
17) Determine a base dual da base B = { (1, −1, 3), (0, 1, −1), (0, 3, −2) } do R3 . 18) Determine a base dual da base canˆ onica do R3 . 19) Determine a base dual da base B = { 1, t, 1 − t2 } do P2 (R). 20) Determine a base dual da base canˆ onica do M2 (R) e escreva a aplica¸c˜ao tra¸co como uma combina¸c˜ao linear dessa base. 21) Verifique se os funcionais lineares F1 e F2 do espa¸co (R2 )∗ , dados abaixo, forma uma base deste espa¸co: F1 (x, y) = x + y
e
F2 (x, y) = x − y
22) Seja { e1 , e2 , . . . , en } a base canˆ onica do Rn . Mostre que sua base dual ´e { π1 , π2 , . . . , πn } onde πi ´e a aplica¸c˜ao proje¸c˜ao na coordenada i; isto ´e, πi :
Rn
→R
(x1 , ..., xn ) 7→ xi
23) Seja U um espa¸co vetorial sobre R. Sejam F1 e F2 ∈ U ∗ e suponha F : U → R definida por F (u) = F1 (u) F2 (u), tamb´em pertence a U ∗ . Mostre que F1 = 0 ou F2 = 0. 24) Seja V = R3 . Considere o subespa¸co W ∗ de V ∗ gerado pelos funcionais F e G dados por F (x, y, z) = x − y e G(x, y, z) = y − 2z. Determine uma base do seguinte subespa¸co de W : W = { u ∈ V : F (u) = 0, ∀ F ∈ W ∗ } 25) Sejam F e G formas lineares n˜ ao nulas no espa¸co vetorial U (i.e. F e G ∈ U ∗ ), linearmente dependentes. Prove que N (F ) = N (G) e sua dimens˜ao ´e n − 1 se dim U = n. (Sug.: Considere o teorema do n´ ucleo e da imagem)
∗
∗
∗
Importa bem pouco o que se sup˜ oe [a respeito da disposi¸ca ˜o primeva da mat´eria], pois depois isso dever´ a mudar de acordo com as leis da natureza. J´ a que por obra dessas leis a mat´eria assume em sucess˜ ao [sucessive] todas as formas de que ´e capaz, se considerarmos essas formas segundo sua ordem poderemos, afinal, chegar ` aquela que ´e pr´ opria deste mundo; neste caso, n˜ ao h´ a raz˜ ao alguma para temer algum erro derivado de falsa hip´ otese. (Descartes) (Paolo Rossi/Os Sinais do Tempo, p. 74)
230
4.5
Matrizes Semelhantes
No cap´ıtulo 6 estaremos considerando um importante tema pertinente `a ´algebra linear, a diagonaliza¸ca ˜o de operadores, que se inicia com Defini¸ c˜ ao 26 (Matrizes Semelhantes). Duas matrizes A e B, quadradas e de ordem n, s˜ ao semelhantes se, e somente se, existe uma matriz invers´ıvel P , tamb´em de ordem n, de modo que: P −1 A P = B
1 1 0 1
(4.30)
1 0 0 −1
Exemplos: As matrizes A = e B = s˜ ao seme 1 1 lhantes, onde P = . Deixamos como exerc´ıcio ao leitor confirmar 1 −1 a equa¸c˜ ao (4.30). Observamos, ademais, que a matriz P na defini¸c˜ao acima n˜ ao ´e u ´nica. Por exemplo, no exemplo dado uma outra P que satisfaz a equa¸c˜ao (4.30) ´e 2 2 dada por P = . Isto ´e uma consequˆencia da seguinte propriedade 2 −2 da invers˜ ao de matrizes: Se A ´e uma matriz invert´ıvel e λ um escalar n˜ ao nulo, ent˜ ao λ A ´e uma matriz invert´ıvel e (p. 429) (λ A)−1 =
1 A λ
De fato, temos P −1 A P = B ⇒
1
P −1 A ( λ P ) = B ⇒ ( λ P )−1 A ( λ P ) = B.
λ Nota¸ca ˜o: Se A ´e semelhante a B escrevemos: A ∼ B.
Proposi¸ c˜ ao 14. A rela¸ca ˜o ∼ no conjunto das matrizes quadradas ´e uma rela¸ca ˜o de equivalˆencia, isto ´e: (i) ( ii ) ( iii )
A ∼ A, para toda A; Se A ∼ B ent˜ ao B ∼ A;
Se A ∼ B e B ∼ C ent˜ ao A ∼ C.
Prova: ( i ) A matriz identidade I ´e invers´ıvel com I −1 = I. Como A = I −1 A I, segue que A ∼ A. ( ii ) Como A ∼ B, existe uma matriz invers´ıvel P tal que A = P −1 B P . Multiplicado essa igualdade do lado esquerdo por P e do lado direito por P −1 encontramos B = P A P −1 , mas B = P A P −1 = (P −1 )−1 A P −1 e P −1 tamb´em ´e invers´ıvel; assim, B ∼ A. 231
( iii ) Como A ∼ B e B ∼ C existem matrizes invers´ıvis P e Q tais que A = P −1 B P
e
B = Q−1 C Q
Ent˜ ao A = P −1 B P = P −1 (Q−1 C Q) P Logo A = (P −1 Q−1 ) C (Q P ) = (Q P )−1 C (Q P ) Q P sendo invers´ıvel decorre que A ∼ C.
Proposi¸ c˜ ao 15. Duas matrizes representam o mesmo operador linear T se e s´ o se essas matrizes s˜ ao semelhantes. Sendo assim, todas as representa¸c˜oes matriciais de um operador linear T formam uma classe de equivalˆencia de matrizes semelhantes. ´ uma consequˆencia direta do teorema 10. Prova: ( ⇒ ) E (p. 211)
( ⇐ ) O rec´ıproco do teorema afirma que se A e B s˜ ao matrizes semelhantes, de ordem n, ent˜ ao existe um operador T : Rn → Rn tal que A e B s˜ ao n matrizes de T relativamente a bases distintas de R . De fato, Tomemos uma base B ′ do Rn e seja T : Rn → Rn B′
o operador tal que [ T ] B′ = [ T ] B′ = A.
Por hip´ otese, existe uma matriz P de modo que B = P −1 A P . Suponhamos λ11 λ12 . . . λ1n λ λ22 . . . λ2n 21 B ′ = { u1 , u2 , . . . , un } e P = ................... λn1
λn2
...
λnn
Consideremos os seguintes vetores do Rn :
v1 = λ11 u1 + λ21 u2 + · · · + λn1 un v2 = λ12 u1 + λ22 u2 + · · · + λn2 un
.................................... vn = λ1n u1 + λ2n u2 + · · · + λnn un Como a matriz P ´e invers´ıvel concluimos (Problema 3, p. 121) que o conjunto C = { v1 , v2 , . . . , vn } tamb´em ´e uma base do Rn . Observe que P pode ser vista como a matriz de mudan¸ca da base antiga B ′ para a nova base C. (p. 113) 232
Suponhamos o operador identidade Rn
I : Rn ↓
C = { vi }
Sendo assim, temos
B ′ = { ui }
I(v1 ) = v1 = λ11 u1 + λ21 u2 + · · · + λn1 un I(v2 ) = v2 = λ12 u1 + λ22 u2 + · · · + λn2 un
· · ········································
I(vn ) = vn = λ1n u1 + λ2n u2 + · · · + λnn un C
Do algoritmo dado na p. 189 concluimos que [ I ] B′ = P . Ent˜ao C
P = [ I ] B′
⇒
B′
B′
P −1 = [ I −1 ] C = [ I ] C
Sendo assim, temos B′
B′
B = P −1 A P = [ I ] C [ T ] B′ [ I ] B′ B′
C
C
= [ I ] C [ T ◦ I ] B′ B′
C
= [ I ] C [ T ] B′ C
= [ I ◦ T ]C C
= [T ]C Portanto B ´e a matriz de T em rela¸c˜ao `a base C.
Vamos voltar ` a equa¸c˜ ao, e nota¸c˜ao, dada no enunciado do teorema 10 para provar uma importante propriedade. (p. 211) Proposi¸ c˜ ao 16. As matrizes semelhantes [ T ]C e [ T ]B tˆem o mesmo determinante. Prova: De fato, sendo [ T ]C = P −1 [ T ]B P temos P [ T ]C = [ T ]B P Ent˜ao donde
det P · det [ T ]C = det [ T ]B · det P det [ T ]C = det [ T ]B
233
A proposi¸c˜ ao anterior torna v´alida a seguinte Defini¸ c˜ ao 27 (Determinante de um operador linear). Chama-se determinante de um operador linear T : V → V o determinante da matriz de T em rela¸ca ˜o a uma base qualquer de V . Usaremos a seguinte nota¸c˜ao det (T ) para indicar o determinante do operador T . Temos as seguintes propriedades (a) Se F e G s˜ ao operadores lineares de V , ent˜ao det (F ◦ G) = det (F ) det (G) Isto ´e uma consequˆencia imediata da equa¸c˜ao (4.14).
(p. 209)
(b) det (I) = 1, onde I indica o operador identidade; (c) T : V → V ´e um isomorfismo se, e somente se, det (T ) 6= 0. ∗
∗
∗
De uma perspectiva quˆ antica, tudo, desde os ´ atomos da mat´eria, a folha do gramado, at´e nosso corpo, o planeta e o que se encontra al´em, tudo isso pode ser pensado como uma “perturba¸ca ˜o” no tecido liso desse cobertor espa¸co-temporal. Talvez n˜ ao seja coincidˆencia o fato de as antigas tradi¸co ˜es espirituais e po´eticas se assemelharem tanto ao descreverem o fenˆ omeno da existˆencia. As escrituras v´edicas, por exemplo, falam de um campo unificado de “pura consciˆencia” , que banha e permeia toda a cria¸ca ˜o. Nesses escritos, nossas experiˆencias do pensar, sentir, ter emo¸co ˜es e alimentar cren¸cas − e todo o discernimento criado por tais experiˆencias − s˜ ao considerados como “perturba¸co ˜es” , interrup¸co ˜es em um campo que, n˜ ao fosse por isso, teria suavidade e imobilidade. (Gregg Braden/A Matriz Divina, p. 16)
Metaforicamente, como eu sugeri, podemos pensar o v´ acuo como um vasto mar; e tudo quanto existe − as estrelas, a Terra, as ´ arvores, n´ os e as part´ıculas de que somos feitos −, como ondas nesse mar. Os f´ısicos denominam tais “ondas” − n´ os e tudo quanto existe − “excita¸co ˜es” ou “flutua¸co ˜es” do v´ acuo.
(Danah Zohar/Sociedade quˆ antica, p. 284)
As ondas existem, mas n˜ ao separadas do oceano. Da mesma forma, ´ isso que Deus n´ os existimos: n˜ ao separados do oceano da consciˆencia. E ´e. (Osho/Zen, p. 104)
234
Exerc´ıcios 26) Para que valores de a, b e c (reais) as seguintes matrizes de M2 (R) s˜ ao semelhantes? # # " " c 0 a −b e 0 −c b a 27) Seja o operador linear T : R2 → R2 dado por T (x, y) = (2x + 9y, x + 2y) Determine [ T ], matriz canˆ onica de T , e a seguir utilize a identidade [ T ]B = P −1 [ T ] P para transform´a-la na matriz de T na base B = { (3, 1), (−3, 1) }.
28) Seja T : R2 → R2 dado por T (x, y) = (4x + 5y, 2x − y).
(a) Calcule a matriz A que representa T na base canˆ onica E. (b) Calcule a matriz B que representa T na base canˆ onica S = { (1, 4), (2, 9) }.
(c) Determine P tal que B = P −1 A P . (d) Para u = (a, b), calcule [ u ]S e [ T (u) ]S . Verifique que [ T ]S [ u ]S = [ T (u) ]S . # # " " 1 −2 1 1 . e P = 29) Sejam A = 3 −5 2 −3 (a) Calcule B = P −1 A P ; (b) Verifique que tr(B) = tr(A); (c) Verifique det(B) = det(A). 30) Considere o operador linear T : R2 → R2 e as bases B = { (3, 4), (5, 7) }
C = { (1, 1), (−1, 1) } " −2 Considere a matriz de T na base B como sendo [ T ]B = 2 e
Calcule a matriz [ T ]C . 31) Verifique se as matrizes a seguir s˜ ao semelhantes. # # " " 1 1 0 1 e 0 0 0 0 32) Verifique se as matrizes a seguir s˜ ao semelhantes. # # " " 1 0 −1 −2 e 0 0 1 2 235
4 −1
#
.
33) Prove que se A e B s˜ ao semelhantes ent˜ao An e B n s˜ ao semelhantes, para todo n ≥ 1. Solu¸ c˜ ao: Considerando B = P −1 A P provaremos que B n = P −1 An P e, portanto, B n e An s˜ ao semelhantes. Faremos a prova por indu¸c˜ao sobre n. O resultado ´e verdadeiro para n = 1, por hip´ otese. Suponha que n > 1 e que o resultado seja verdadeiro para n − 1. Sendo assim B n = B B n−1 = ( P −1 A P )( P −1 An−1 P ) = P −1 An P. 34) Sendo p(t) = a0 + a1 t + a2 t2 + · · · + an tn um polinˆ omio, indicamos por p(A) e p(B) as matrizes p(A) = a0 I + a1 A + a2 A2 + · · · + an An p(B) = a0 I + a1 B + a2 B 2 + · · · + an B n Mostre que se A e B s˜ ao semelhantes, ent˜ao p(A) e p(B) tamb´em s˜ ao semelhantes. Solu¸ c˜ ao: Considerando B = P −1 A P provaremos que p(B) = P −1 p(A) P e, portanto, p(B) e p(A) s˜ ao semelhantes. De fato, usando distributividade `a direita e `a esquerda e o exerc´ıcio anterior, obtemos P −1 p(A) P = P −1 ( a0 I + a1 A + a2 A2 + · · · + an An ) P = P −1 ( a0 I ) P + P −1 ( a1 A ) P + · · · + P −1 ( an An ) P = a0 ( P −1 I P ) + a1 ( P −1 A P ) + · · · + an ( P −1 An P ) = a0 I + a1 B + a2 B 2 + · · · + an B n = p(B). 35) Calcule
A10
para A =
"
0 1 2 1
#
.
36) Calcule a n-´esima potˆencia da matriz 37) Considere os seguintes objetos # # " " 1 0 0 1 , B= A= 0 −1 1 0
"
1 a 0 1
e
Calcule p(A) e p(B) e mostre que p(A) ∼ p(B). 236
#
.
p(t) = 2 + 3t − t2 .
4.6
Transforma¸c˜ oes do Plano no Plano
As transforma¸c˜ oes geom´etricas vistas a seguir ocupam um papel muito importante em computa¸c˜ ao gr´ afica.
Reflex˜ ao em torno de uma reta Na figura a seguir (esquerda) desenhamos o efeito de uma transfroma¸c˜ao F : R2 → R2 que faz a reflex˜ ao de um ponto de coordenadas (x, y) em torno de uma reta de equa¸c˜ ao y = ax. y (x′ , y ′ )
y
y=ax
y′ (x′ , y ′ )
s
y=ax
s ⊡
s ( x+x′ , y+y′ )
s (x, y)
2
2
s (x, y)
x
x
- Dedu¸ c~ ao de (x′ , y ′ ) = ?
- Reflex~ ao em torno de uma reta
Temos o seguinte problema a resolver: Conhecemos a reta de equa¸c˜ao y = ax e conhecemos as coordenadas (x, y) do ponto a ser refletido em torno desta reta, devemos obter as coordenadas (x′ , y ′ ) do ponto refletido. Sabemos da geometria anal´ıtica que y − y0 = m (x − x0 ) ´e a equa¸c˜ao da reta que passa no ponto (x0 , y0 ) e tem m como coeficiente angular. Devemos resolver o seguinte sistema: 1 ′ ′ y − y = − a (x − x) (4.31) y+y′ = a x+x′ 2 2
A primeira das equa¸c˜ oes acima se deve a que a reta de equa¸ca˜o y ′ (fig. da direita) passa no ponto de coordenadas (x, y) e ´e perpendicular `a reta de equa¸c˜ao y = ax. A segunda equa¸c˜ao ´e obtida tendo em conta que os dois pontos (objeto e imagem) est˜ ao ` a mesma distˆ ancia da reta y = ax, o que tem como consequˆencia que o ponto m´edio pertence a esta reta. Resolvendo o sistema acima (para x′ e y ′ ) obtemos (exerc´ıcio): (x′ , y ′ ) =
1 − a2 1 + a2
x+
2a 2a 1 − a2 y, x − y 1 + a2 1 + a2 1 + a2
Vejamos alguns casos particulares de reflex˜ao:
237
(4.32)
Reflex˜ ao em torno do eixo dos x Nesse caso temos y = 0x, substituindo a = 0 na equa¸c˜ao (4.32), obtemos: (x′ , y ′ ) = (x, −y) Dentro do contexto das transforma¸c˜oes lineares, temos: y
F : R2 → R2 (x, y) 7→ (x, −y)
s (x, y) F
ou F (x, y) = (x, −y)
x
0
s (x, −y)
A matriz canˆ onica desta transforma¸c˜ao ´e "
x y
#
7−→
"
x −y
#
=
"
"
1 0 0 −1
1 0 0 −1
#"
#
, porquanto:
#
x y
Reflex˜ ao em torno do eixo dos y Para refletir um ponto de coordenadas (x, y) em torno do eixo y ´e f´acil ver que: (x′ , y ′ ) = (−x, y) Dentro do contexto das transforma¸c˜oes lineares, temos: y
F :
R2 →
R2
(x, y) 7→ (−x, y)
F
(−x, y) s
ou F (x, y) = (−x, y)
A matriz canˆ onica desta transforma¸c˜ao ´e "
x y
#
7−→
x
0
"
−x y
#
=
238
"
"
−1 0 0 1
−1 0
0 1
#"
s (x, y)
x y
#
, porquanto:
#
Reflex˜ ao em torno da origem Para refletir um ponto de coordenadas (x, y) em torno da origem ´e f´acil ver que: (x′ , y ′ ) = (−x, −y) Dentro do contexto das transforma¸c˜oes lineares, temos: y
F :
R2 →
R2
(x, y) 7→ (−x, −y)
s(x, y)
F
x
ou F (x, y) = (−x, −y) (−x, −y)
s
A matriz canˆ onica desta transforma¸c˜ao ´e "
x y
#
7−→
"
−x −y
#
=
"
"
−1
−1 0 0 −1
#
#"
#
0
0 −1
x y
, porquanto:
Reflex˜ ao em torno da reta y = x Nesse caso temos y = 1 x, substituindo a = 1 na equa¸c˜ao (4.32), obtemos: (x′ , y ′ ) = (y, x) Dentro do contexto das transforma¸c˜oes lineares, temos: y=x
y (y, x)
s
F :
R2 →
R2
(x, y) 7→ (y, x)
s (x, y) x
ou F (x, y) = (y, x)
A matriz canˆ onica desta transforma¸c˜ao ´e "
x y
#
7−→
"
y x
#
=
239
"
"
0 1 1 0
0 1 1 0 #"
x y
#
, porquanto:
#
Reflex˜ ao em torno da reta y = −x Nesse caso temos y = −1 x, substituindo a = −1 na equa¸c˜ao (4.32), obtemos: (x′ , y ′ ) = (−y, −x) Dentro do contexto das transforma¸c˜oes lineares, temos: y (x, y)
F : R2 → R2 (x, y) 7→ (−y, −x)
s F
s (−y, −x)
ou F (x, y) = (−y, −x)
x
y = −x
A matriz canˆ onica desta transforma¸c˜ao ´e "
#
x y
7−→
"
−y −x
#
=
"
"
0
#
x y
#
0 −1
−1
0 −1 −1 0
#"
, porquanto:
Dilata¸c˜ oes e Contra¸c˜ oes a ) Dilata¸c˜ ao ou contra¸c˜ ao na dire¸c˜ao do vetor: y
sF
Fλ : R2 → R2 (x, y) 7→ λ (x, y)
x
A matriz canˆ onica desta transforma¸c˜ao ´e x y
(u)
su →
ou Fλ (x, y) = ( λx, λy) , λ ∈ R.
"
λ
#
7−→
"
λx λy
#
=
240
"
"
λ 0 0 λ
λ
0
0 λ #"
# x y
, porquanto: #
Observemos que: • Se |λ| > 1, Fλ dilata o vetor;
• Se |λ| < 1, Fλ contrai o vetor. Defini¸ c˜ ao 28 (Homotetia de raz˜ ao λ). Se λ ´e um escalar n˜ ao negativo, ent˜ ao o operador linear T (x, y) = (λ x, λ y) ´e dito uma homotetia de raz˜ ao λ. b ) Dilata¸c˜ ao ou contra¸c˜ ao na dire¸c˜ao do eixo dos x: y
F :
R2 →
( 21 x, y) (x, y)
R2
(2x, y)
s
s
s
p x
p x
p 2x
(x, y) 7→ (λx, y)
ou F (x, y) = ( λx, y) , λ > 0.
1 2
x
Na forma matricial temos: "
x y
#
7−→
"
λx y
#
=
"
#"
λ 0 0 1
x y
#
c ) Dilata¸c˜ ao ou contra¸c˜ ao na dire¸c˜ao do eixo dos y:
1 2
y
p
y
F : R2 → R2 (x, y) 7→ (x, λy)
s(x, 2y)
p
2y
s(x, y)
p
y
s(x, 1 y) 2
p x
ou F (x, y) = ( x, λy) , λ > 0.
Na forma matricial temos: "
x y
#
7−→
"
x λy
#
=
241
"
1 0 0 λ
#"
x y
#
x
Cisalhamentos a ) Cisalhamento na dire¸c˜ao do eixo dos x: y
y
F F : ou
R2 →
R2
(x, y) 7→ (x + λy, y)
F (x, y) = ( x + λy, y) , λ ∈ R.
x
x
Na forma matricial temos: #" # # " " " # x 1 λ x + λy x = 7−→ y 0 1 y y Observe que o cisalhamento F n˜ ao altera a ordenada de um vetor (x, y) e, ademais, vetores sobre o eixo x s˜ ao invariantes (n˜ ao se movem): (x, 0) 7→ (x, 0) Para que o leitor veja a fun¸c˜ao do parˆ ametro λ, na figura a seguir aplicamos v´arios cisalhamentos em um quadrado de lado unit´ ario: y
y
y
x
y
x
λ=0
λ=
x
1 2
x
λ=1
λ=
3 2
b ) Cisalhamento na dire¸c˜ao do eixo dos y: y
y
F F : ou
R2 →
R2
(x, y) 7→ (x, y + λx)
F (x, y) = ( x, y + λx) , λ ∈ R.
x
Na forma matricial temos: #" # # " " " # x 1 0 x x = 7−→ y λ 1 y + λx y 242
x
Observe que o cisalhamento F n˜ ao altera a abscissa de um vetor (x, y) e, ademais, vetores sobre o eixo y s˜ ao invariantes (n˜ ao se movem): (0, y) 7→ (0, y) Para que o leitor veja a fun¸c˜ ao do parˆ ametro λ, na figura a seguir aplicamos v´arios cisalhamentos em um quadrado de lado unit´ ario: y
y
y
x
y
x
λ=0
λ=
x
1 2
x
λ=1
λ=
3 2
Transla¸c˜ ao Dado um vetor w = (a, b) como parˆ ametro definimos a transla¸c˜ao do vetor (x, y) como: y
y
T Tw :
R2 →
R2
♣
(x, y)7→ (x + a, y + b)
ou Tw (x, y) = ( x + a, y + b)
x
♣
x
Na forma matricial temos: #" # " # " " # a x 1 0 x + 7−→ b y 0 1 y ´ f´acil ver que T n˜ E ao ´e uma transforma¸c˜ao linear, exceto se (a, b) = (0, 0). ∗
∗
∗
Matem´ atica: Esta “ciˆencia vazia” que − espantosamente − se aplica a todas as contingˆencias fenomenol´ ogicas, apesar de ser um puro formalismo reflexivo.
243
Rota¸c˜ ao do Sistema de Coordenadas Nosso objetivo agora ser´ a analisar o efeito de uma rota¸c˜ao (do sistema) sobre as coordenadas de um vetor. y
y ′
y
′
x
s (x′ , y′ )
s(x, y)
θ
x
0
x
` esquerda temos no plano R2 um sistema de coordenadas xoy, a ser A chamado sistema antigo, esse sistema sofre uma rota¸c˜ao de ˆangulo θ dando origem a um sistema novo de coordenadas x′ oy ′ (`a direita). Temos o seguinte problema a resolver: Dadas as coordenadas (x, y) de um ponto no sistema antigo, obter suas coordenadas (x′ , y ′ ) no sistema novo. Para resolver esse problema faremos os seguintes acr´escimos (complementos) na u ´ltima figura y
y
′
y
′
x
sP θ
⊡
D
⊡C
′
y
θ O
y
x
A B
s (x′ , y′ )
⊡′
⊡ O
x
x
x
Desta figura destacamos os dois triˆ angulos a seguir: P θ D
′
θ y C
∴
θ O
y
′
x
θ A B
x
Devemos encontrar as coordenadas x′ e y ′ em fun¸c˜ao de x, y e θ. Com o aux´ılio do triˆ angulo OBC escrevemos: OA = OB − AB ⇒ x = x′ cos θ − y ′ sen θ Com o aux´ılio do triˆ angulo DCP escrevemos: AP = AD + DP ⇒ y = x′ sen θ + y ′ cos θ 244
Resumindo, temos: x = x′ cos θ − y ′ sen θ y = x′ sen θ + y ′ cos θ
Na forma matricial, resulta: # #" " # " x′ cos θ − sen θ x = y′ sen θ cos θ y
(4.33)
Para calcular as coordenadas (x′ , y ′ ), no novo sistema, em fun¸c˜ao das coordenadas (x, y), no antigo sistema, observamos que o determinante da matriz acima ´e ∆ = cos θ · cos θ − sen θ · (− sen θ) = 1, portanto ela ´e invers´ıvel; temos: # # " " cos θ sen θ cos θ − sen θ ⇒ R−1 = R= − sen θ cos θ sen θ cos θ Multiplicando ambos os membros da equa¸c˜ao (4.33) por R−1 , obtemos: #" # # " " x cos θ sen θ x′ (4.34) = y − sen θ cos θ y′ De outro modo: x′ =
x cos θ + y sen θ
′
y = −x sen θ + y cos θ Ou ainda: (x′ , y ′ ) = (x cos θ + y sen θ, −x sen θ + y cos θ)
(4.35)
Observe que a transforma¸c˜ ao (x, y) 7→ (x′ , y ′ ) ´e linear (ver ( ∗ ), p. 146). Exemplo: Dado o vetor (x, y) = 1, 32 (coordenadas canˆ onicas), obter suas novas coordenadas por uma rota¸c˜ao de θ = 30o no sistema antigo. Solu¸ c˜ ao: Da equa¸c˜ ao (4.35) temos:
(x′ , y ′ ) = (x cos θ + y sen θ, −x sen θ + y cos θ) = (1 cos 30o +
3 3 sen 30o , −1 sen 30o + cos 30o ) 2 2
Fazendo as contas, obtemos: 2 √3 + 3 −2 + 3 √3 , (x , y ) = 4 4 ′
′
Geometricamente tudo se passa assim:
245
y ′
p
y
s(1, 3 )
′
x
s
p
2
′
′
y
p
0
x
30o
x
p
Rota¸c˜ ao de um Vetor em torno da Origem No problema anterior mantivemos um vetor fixo e rotacionamos o sistema de coordenadas, aqui fazemos o contr´ ario, mantemos o sistema fixo e rotacionamos o vetor. R
R
Fθ
(x′ , y ′ ) = ?
s
(x, y)
s(x, y) θ R
0
R
0
Desejamos encontrar as novas coordenadas (x′ , y ′ ) do vetor rotacionado em fun¸c˜ ao das coordenadas anteriores (x, y) e do ˆangulo θ. Para a resolu¸c˜ ao do nosso problema vamos considerar as seguintes figuras: R y′
y
s r
r
θ 0
y′
r α x′
x
R
ր x′
α+θ
Do primeiro triˆ angulo obtemos: x′ = r cos(α + θ) = r cos α cos θ − r sen α sen θ Do segundo triˆ angulo obtemos: r cos α = x e r sen α = y Portanto: x′ = x cos θ − y sen θ 246
r α x
y
Analogamente, y ′ = r sen (α + θ) = r sen α cos θ + r sen θ cos α = y cos θ + x sen θ Resumindo, temos: x′ = x cos θ − y sen θ y ′ = x sen θ + y cos θ
Portanto resulta linear a aplica¸ca ˜o rota¸ca ˜o: Fθ : R2 → R2 (x, y) 7→ (x cos θ−y sen θ, x sen θ+y cos θ) Em forma matricial, temos: #" # # " " x cos θ − sen θ x′ = y sen θ cos θ y′ Temos: (x′ , y ′ ) = (x cos θ − y sen θ, x sen θ + y cos θ)
(4.36)
Exemplo: Dar uma rota¸c˜ ao de θ = 45o no vetor (x, y) = (2, 1): Solu¸ c˜ ao: Da equa¸c˜ ao (4.36) temos: (x′ , y ′ ) = (x cos θ − y sen θ, x sen θ + y cos θ)
= (2 cos 45o − 1 sen 45o , 2 sen 45o + 1 cos 45o )
Fazendo as contas, obtemos: √2 3 √2 (x , y ) = , 2 2 ′
′
Geometricamente tudo se passa assim:
R
p
F45o
3
2
2
→
s
(2, 1)
p
s(2, 1)
p
√
p
R
45o 0
p
p
R
0
↑ √
2 2
247
p
p
R
Rota¸c˜ ao de um Vetor em torno de um Ponto Arbitr´ ario Vamos construir agora uma aplica¸c˜ao, do plano no plano, que nos permita rotacionar − de um ˆ angulo θ − um vetor arbitr´ario (x, y) em torno de um ponto (a, b) arbitrariamente fixado, como na figura a seguir: R
R
s(x′ , y′ ) = ?
Hθ
s(a, b)
s
θ
s(x, y) R
0
R
0
Desejamos encontrar as novas coordenadas (x′ , y ′ ) do vetor rotacionado em fun¸c˜ ao das coordenadas dos pontos (a, b), (x, y) e do ˆangulo θ. Para a resolu¸c˜ ao do nosso problema temos que fazer a composi¸ca ˜o de v´arias aplica¸c˜ oes. I ) Inicialmente aplicamos uma transla¸c˜ao T−w (ver p. 243) para que o ponto (a, b) (centro da rota¸c˜ ao) coincida com a origem, veja: R
R
T−w
s(a, b) s(x, y) R
0
(0, 0)
R
s s (x−a, y−b)
Isto se consegue com a aplica¸c˜ao: T−w (x, y) = (x, y) + (−a, −b) = (x − a, y − b) II ) Agora aplicamos uma rota¸c˜ao em torno da origem, veja: R
R
Fθ
s(x′′ , y′′ ) (0, 0)
R
s
(0, 0)
s
R
θ (x−a, y−b)
s(x−a, y−b)
248
Isto se consegue substituindo o ponto (x − a, y − b) na equa¸c˜ao (4.36): (x′′ , y ′′ ) = (x − a) cos θ − (y − b) sen θ, (x − a) sen θ + (y − b) cos θ
III ) Finalmente aplicamos uma transla¸c˜ao Tw para que este u ´ltimo ponto retorne ` a sua posi¸c˜ ao original, veja: R
R
s(x′ , y′ )
Tw
s
θ
s(x′′ , y′′ ) (0, 0)
s
R
θ
R
0
(x−a, y−b)
Aplicando Tw no ponto (x′′ , y ′′ ), obtemos: (x′ , y ′ ) = (x − a) cos θ − (y − b) sen θ + a, (x − a) sen θ + (y − b) cos θ + b
Resumimos todos os passos anteriores na seguinte sequˆencia de composi¸c˜oes: (x, y)
T−w
(x − a, y − b)
Fθ
(x′′ , y ′′ )
Tw
(x′ , y ′ )
Hθ onde: Hθ = Tw ◦ Fθ ◦ T−w Exemplo: Dar uma rota¸c˜ ao de θ = 60o no vetor (x, y) = (2, 1) em torno do ponto w = (1, 2). Solu¸ c˜ ao: Temos: ′ y ) = (x − a) cos θ − (y − b) sen θ + a, (x − a) sen θ + (y − b) cos θ + b = (2−1) cos 60o −(1−2) sen 60o +1, (2−1) sen 60o +(1−2) cos 60o +2
(x′ ,
Fazendo as contas, obtemos:
3 + √3 3 + √3 (x , y ) = , 2 2 ′
′
Geometricamente tudo se passa assim: 249
R
R
→
p
R
p
60o
p
p
s(2, 1)
0
s(x′ , y′ ) s
p
Hθ
s(1, 2)
p
√ 3+ 3 2
p
0
p
R
↑√
3+ 3 2
Exemplo: Na figura a seguir, R
s(1, 2)
2
p
p
2
R
s(1, 2)
(1, 2)
2
p
R
s s s
1
s
1
p
s
p
p
1
s
s p 1
0
p 2
R
0
p 1
R
p 2
p 1
0
R
p 2
ao centro aparece o triˆ angulo da esquerda rotacionado de 30o em rela¸c˜ao ao v´ertice superior. Na figura da direita aparece esse mesmo triˆ angulo rotacionado de 30o em rela¸c˜ ao ao v´ertice inferior direito. Exemplo: Na figura a seguir (esquerda)
3
3
2
2
1
1
p p p
p
p
p
p
4
p
4
p 1
0
p 2
p 3
p 4
p 1
0
9
p 2
p 3
p 4
18
Ψ (2); θ = 30o ; λ = 0, 7321
Ψ (2); θ = 10o ; λ = 0, 8632
rotacionamos um quadrado ( 2 ) com θ = 30o em torno do seu centro aplicando uma contra¸c˜ ao (p. 240) com parˆ ametro λ = 0, 7321; fizemos 9 itera¸c˜oes (composi¸c˜ oes). Na figura da direita apenas mudamos os parˆ ametros para θ = 10o e λ = 0, 8632 com 18 itera¸c˜oes. 250
O “fator de contra¸ca ˜o” λ em fun¸c˜ao do ˆangulo θ desejado ´e dado por (exerc´ıcio): λ = ( sen θ + cos θ)−1 (4.37) Para obter a figura anterior necessitamos da seguinte sequˆencia de composi¸c˜oes: (x, y)
T−w
(x − a, y − b)
Fθ
(x′′ , y ′′ )
Fλ
(x′′′ , y ′′′ )
Tw
(x′ , y ′ )
Ψ onde: Ψ = Tw ◦ Fλ ◦ Fθ ◦ T−w No diagrama de composi¸c˜ oes temos que w = (a, b) = 25 , 52 ´e o centro do quadrado. A transla¸c˜ ao T−w ´e aplicada a cada um dos v´ertices (x, y) do quadrado.
Exerc´ıcios 1) Resolva o sistema (4.31) (p. 237). 2) Dˆe uma reflex˜ ao no vetor (1, 2) em torno da reta y = −3x. Fa¸ca um esbo¸co gr´ afico do resultado. 3) Aplique um cisalhamento com λ = 2, na dire¸c˜ao horizontal, no triˆ angulo de v´ertices: (0, 0), (1, 1) e (2, 0). Fa¸ca um esbo¸co. 4) No triˆ angulo do exerc´ıcio anterior aplique um cisalhamento na vertical. 5) Aplique um cisalhamento na horizontal, com parˆ ametro λ − em um quadrado unit´ ario − mostre que a `area do quadro permanece inalterada. Encontre, ademais, uma express˜ ao p(λ) para o per´ımetro do quadril´ atero resultante. [ Resp.: p(λ) = 2 (1 +
√
1 + λ2 ) ]
6) Determine a matriz da transforma¸c˜ao linear F em R2 que representa um cisalhamento de fator 2 na dire¸ca˜o horizontal seguida de uma reflex˜ao em rela¸c˜ao ao eixo dos y. 7) Sabendo que e1 = (1, 0) e e2 = (0, 1), calcular as imagens Fθ (e1 ) e Fθ (e2 ) por uma rota¸c˜ ao do sistema de coordenadas (canˆ onico) de um ˆangulo o θ = 30 . Fa¸ca um esbo¸co gr´ afico do resultado. 8) Rotacione os vetores e1 = (1, 0) e e2 = (0, 1) de um ˆangulo θ = 30o . Fa¸ca um esbo¸co gr´ afico do resultado. 9) O sistema de coordenadas ` a esquerda sofreu uma rota¸c˜ao de ˆangulo θ = 30o , encontre as novas coordenadas do ponto assinalado. 251
y ′
p
y
′
x
p 0
s (x′ , y′ ) = ?
s(2, 1) p
p
30o
x
(x′ , y ′ ) = ?
s(1, 2)
s
p
y′
p
y
x′
10) O sistema de coordenadas `a esquerda sofreu uma rota¸c˜ao de ˆangulo θ = 45o , encontre as novas coordenadas do ponto assinalado.
0
p
p
45o
x
11) Os dois pontos na figura da direita s˜ ao imagens por Fθ (rota¸c˜ao de um ponto em torno da origem), onde θ = 30o ; calcule, para cada ponto sua pr´e-imagem, no dom´ınio. y p
p
y
p
?
0
p
(− 21 , p
x
√
3 2
p
p
? )s
s( 0
p
√
3 1 , 2) 2
p
x
12) Dado o operador Fθ : R2 → R2 que produz uma rota¸c˜ao - de ˆangulo θ de um vetor em torno da origem, calcule Fθ (x, y) e Fθ (−1, 2) nos seguintes casos: a ) θ = 30o
b ) θ = 60o
c ) θ = 90o
d ) θ = 120o
Nos exerc´ıcios 13-15 a seguir, determine a matriz da transforma¸c˜ao linear em R2 que representa a sequˆencia de transforma¸c˜oes dadas em cada um deles. Calcule tamb´em a express˜ ao geral F (x, y) para a transforma¸c˜ao resultante (composta). 13) Reflex˜ ao em rela¸c˜ ao ao eixo dos y, seguida de cisalhamento de fator 2 na dire¸c˜ ao forizontal. 14) Rota¸c˜ ao de θ = 30o , seguida de uma duplica¸c˜ao dos m´ odulos, seguida de uma reflex˜ ao em torno da origem.
252
15) Rota¸c˜ ao de θ = 30o , no sentido hor´ ario, seguida de uma duplica¸c˜ao dos m´ odulos, seguida de uma reflex˜ ao em torno da reta y = −x. 16) Reflex˜ ao em rela¸c˜ ao ` a reta y = 2x, seguida de uma dilata¸c˜ao de fator 2 na dire¸c˜ ao vertical e, finalmente, um cisalhamento de fator 1/2 na dire¸c˜ao horizontal. 17) Na figura a seguir, R
s(1, 2)
2
p
p
2
R
s(1, 2)
(1, 2)
2
p
R
s s s
( 12 , 1)
( 32 , 1) p 1
0
1
s
1
p
s
p
p
1
s
s p 2
R
p 1
0
p 2
R
p 1
0
p 2
R
ao centro aparece o triˆ angulo da esquerda rotacionado de 30o em rela¸c˜ao ao v´ertice superior. Na figura da direita aparece esse mesmo triˆ angulo rotacionado de 30o em rela¸c˜ ao os v´ertice inferior direito. Calcule os v´ertices dos triˆ angulos rotacionados. 18) Na figura a seguir, R
s(1, 2)
2
p
p
2
R
s(1, 2)
s
0
( 12 , 1)
( 32 , 1) p 1
p 2
R
1
s
0
p 1
s
1
p
p
1
s
p
s s
s
2
p
R
p 2
R
0
p 1
p 2
R
ao centro aparece o triˆ angulo da esquerda rotacionado de 30o (no sentido hor´ ario) em rela¸c˜ ao ao v´ertice superior. Na figura da direita aparece esse mesmo triˆ angulo rotacionado de 30o (no sentido hor´ ario) em rela¸c˜ao os v´ertice inferior direito. Calcule os v´ertices dos triˆ angulos rotacionados. 19) Deduza a equa¸c˜ ao (4.37), p. 251. 20) Considere nas figuras da p´ agina 251 um quadrado (inicial) de lado ℓ. Aplicando-se a “opera¸c˜ ao” Ψ(2) indefinidamente mostre que a soma S∞ das ´areas de todos os quadrados vale: S∞ =
1 ℓ2 2 = ℓ · 1 + 1 − λ2 sen 2θ 253
Apˆ endice U
• Se dim U = m e dim V = n, mostre que dim L V = mn.
Prova: Suponha que B = { u1 , u2 , . . . , um } seja uma base de U e C = { v1 , v2 , . . . , vn } uma base de V . Pelo lema 2 (p. 178), uma aplica¸c˜ao linear U
F : U → V de L V ´e u ´nicamente determinada por uma associa¸c˜ao qualquer entre os elementos da base B. Consideremos as aplica¸c˜oes U
Fij ∈ L V , i = 1, . . . , m, j = 1, . . . , n observe que temos mn aplica¸c˜oes, veja: i = 1:
F11
F12
...
F1n
i = 2:
F21
F22
...
F2n
(4.38)
.................................... i = m:
Fm1
Fm2
...
Fmn
vamos definir a aplica¸c˜ ao linear Fij como v , k = i; j Fij (uk ) = 0, k = 6 i.
Por exemplo, para as aplica¸c˜oes da primeira linha de (4.38) obtemos: F11 (u1 ) = v1 ,
F11 (u2 ) = 0 ,
F11 (u3 ) = 0 , . . .
F11 (um ) = 0
F12 (u1 ) = v2 ,
F12 (u2 ) = 0 ,
F12 (u3 ) = 0 , . . .
F12 (um ) = 0
............................................................... F1n (u1 ) = vn , F1n (u2 ) = 0 , F1n (u3 ) = 0 , . . .
(4.39)
F1n (um ) = 0
Para as aplica¸c˜ oes da segunda linha de (4.38) obtemos: F21 (u1 ) = 0 ,
F21 (u2 ) = v1 ,
F21 (u3 ) = 0 , . . .
F21 (um ) = 0
F22 (u1 ) = 0 ,
F22 (u2 ) = v2 ,
F22 (u3 ) = 0 , . . .
F22 (um ) = 0
............................................................... F2n (u1 ) = 0 , F2n (u2 ) = vn , F2n (u3 ) = 0 , . . .
(4.40)
F2n (um ) = 0
E assim sucessivamente, para as aplica¸c˜oes da m-´esima linha de (4.38) obtemos: Fm1 (u1 ) = 0 , Fm1 (u2 ) = 0 , Fm1 (u3 ) = 0 , . . . Fm1 (um ) = v1 Fm2 (u1 ) = 0 , Fm2 (u2 ) = 0 , Fm2 (u3 ) = 0 , . . .
Fm2 (um ) = v2
.................................................................. Fmn (u1 ) = 0 , Fmn (u2 ) = 0 , Fmn (u3 ) = 0 , . . .
254
Fmn (um ) = vn (4.41)
Tendo o conjunto { Fij } exatamente m n elementos a proposi¸c˜ao estar´ a U
provada se mostrarmos que { Fij } ´e uma base de L V . U
Inicialmente mostraremos que { Fij } gera L V . Considere uma fun¸c˜ao U
arbitr´aria F ∈ L V . Suponha, ademais, que∗
F (u1 ) = w1 , F (u2 ) = w2 , . . . , F (un ) = wn
(4.42)
Como wk ∈ V , ele ´e uma combina¸c˜ao linear dos vetores de C, assim: w1 = λ11 v1 + λ12 v2 + · · · + λ1n vn
(4.43)
w2 = λ21 v1 + λ22 v2 + · · · + λ2n vn
(4.44)
··································
wn = λn1 v1 + λn2 v2 + · · · + λnn vn (4.45) Pm Pn Considere a aplica¸c˜ ao linear G = i=1 j=1 λij Fij . Ou, se preferirmos: G=
n X j=1
λ1j F1j +
n X j=1
λ2j F2j + · · · +
n X
λmj Fmj
j=1
Ou ainda: G = λ11 F11 + λ12 F12 + · · · + λ1n F1n + λ21 F21 + λ22 F22 + · · · + λ2n F2n
····································
+ λm1 Fm1 + λm2 Fm2 + · · · + λmn Fmn
Como G ´e uma combina¸c˜ ao linear dos Fij , a demonstra¸c˜ao de que { Fij } U
gera L V estar´ a terminada se mostrarmos que F = G. Vamos calcular G(uk ), k = 1, 2, . . . , n e comparar com (4.42). Temos: G(u1 ) = λ11 F11 (u1 ) + λ12 F12 (u1 ) + · · · + λ1n F1n (u1 )
(4.46)
+ λ21 F21 (u1 ) + λ22 F22 (u1 ) + · · · + λ2n F2n (u1 )
··················································· + λm1 Fm1 (u1 ) + λm2 Fm2 (u1 ) + · · · + λmn Fmn (u1 )
Das primeiras colunas em (4.39), (4.40) e (4.41) obtemos G(u1 ) = λ11 v1 + λ12 v2 + · · · + λ1n vn + λ21 0 + λ22 0 + · · · + λ2n 0
································· + λm1 0 + λm2 0 + · · · + λmn 0
∗
Veja propriedade P5 (p. 151) e lema 2 (p. 178).
255
(4.47)
Comparando este resultado com (4.43) concluimos que G(u1 ) = w1 , comparando com (4.42) concluimos que G(u1 ) = F (u1 ). Por outro lado, temos: G(u2 ) = λ11 F11 (u2 ) + λ12 F12 (u2 ) + · · · + λ1n F1n (u2 ) + λ21 F21 (u2 ) + λ22 F22 (u2 ) + · · · + λ2n F2n (u2 )
··················································· + λm1 Fm1 (u2 ) + λm2 Fm2 (u2 ) + · · · + λmn Fmn (u2 )
Das segundas colunas em (4.39), (4.40) e (4.41) obtemos G(u2 ) = λ11 0 + λ12 0 + · · · + λ1n 0 + λ21 v1 + λ22 v2 + · · · + λ2n vn
································· + λm1 0 + λm2 0 + · · · + λmn 0
Comparando este resultado com (4.44) concluimos que G(u2 ) = w2 , comparando com (4.42) concluimos que G(u2 ) = F (u2 ). Com um procedimento idˆentico aos anteriores podemos mostrar que G(un ) = F (un ). Sendo assim, pelo lema 2 (p. 178) concluimos que F = G. Para demonstrar que { Fij } s˜ ao linearmente independentes suponha que, para escalares λij ∈ R, temos n m X X
λij Fij = 0
(4.48)
i=1 j=1
Ou, se preferirmos: λ11 F11 + λ12 F12 + · · · + λ1n F1n + λ21 F21 + λ22 F22 + · · · + λ2n F2n
····································
+ λm1 Fm1 + λm2 Fm2 + · · · + λmn Fmn = 0
Colocando, nesta igualdade, o vetor u1 como argumento das fun¸c˜oes Fij obtemos o lado direito da igualdade (4.46) igual a 0. Fazendo as devidas substitui¸c˜ oes obtemos o lado direito da igualdade (4.47) igual a 0, isto ´e: λ11 v1 + λ12 v2 + · · · + λ1n vn = 0 Como os vi s˜ ao linearmente independentes obtemos λ11 = λ12 = · · · = λ1n = 0. Fazendo o mesmo procedimento com os vetores u2 , . . . , um , obtemos todos os demais escalares da combina¸c˜ao linear (4.48) iguais a 0.
256
Cap´ıtulo
5
ESPAC ¸ OS COM PRODUTO INTERNO Finalizando, desejo exprimir a esperan¸ca de que . . . a matem´ atica possa servir agora como modelo para a solu¸ca ˜o de muitos problemas de nossa ´epoca: revelar um objetivo religioso supremo e avaliar o significado da atividade espiritual da humanidade. (I.R. Shafarevitch)
5.1
Produto Interno
Introdu¸ c˜ ao: O m´ odulo de um n´ umero real definido como ( x, se x ≥ 0; |x| = −x, se x < 0.
(5.1)
pode ser interpretado geometricamente como a distˆ ancia de um n´ umero (ponto) ` a origem, por exemplo: |3| = 3,
| − 2| = 2
Geometricamente, temos: |−2| = 2
...
p −3
p −2
p −1
|3| = 3 p 0
p 1
p 2
p 3
...
R
De um modo geral |x − y| ´e a distˆ ancia entre dois pontos da reta, por exemplo: d(−2, 3) = | − 2 − 3| = 5 cuja representa¸c˜ ao geom´etrica ´e vista a seguir: |−2−3| = 5
...
p −3
p −2
p −1
p 0
257
p 1
p 2
p 3
...
R
Um dos conceitos mais f´erteis de toda a matem´ atica ´e o de distˆ ancia entre dois pontos − deste derivam muitos outros, tais como convergˆencia e continuidade. Desejamos estender o importante conceito de distˆ ancia∗ a espa¸cos vetoriais em geral; isto ´e, calcular a distˆ ancia entre vetores quaisquer: matrizes, polinˆ omios, fun¸c˜ oes, c´ odigos, etc. Os axiomas de espa¸cos vetoriais (listados na p. 12) n˜ ao s˜ ao suficientes para esse objetivo. O primeiro passo neste sentido ´e dado a seguir: Defini¸ c˜ ao 29 (Produto Interno). Seja V um espa¸co vetorial de dimens˜ ao ˜o F finita sobre R. Entende-se por produto interno sobre V uma aplica¸ca que transforma cada par ordenado (u, v) ∈ V × V em um n´ umero real (que indicaremos por h u, v i), isto ´e: F : V ×V →
R
(u, v) 7→ h u, v i
desde que as seguintes condi¸co ˜es sejam satisfeitas: ( a ) h u + v, w i = h u, w i + h v, w i,
∀ u, v, w ∈ V ;
( b ) h λu, v i = λ h u, vi,
∀ λ ∈ R e ∀ u, v ∈ V ;
( c ) h u, v i = h v, u i,
∀ u, v ∈ V ;
( d ) h u, u i > 0,
∀ u 6= 0.
As primeiras duas condi¸c˜oes nos dizem que um produto interno ´e linear com respeito ` a primeira vari´ avel. A terceira condi¸c˜ao nos diz que o produto interno ´e sim´etrico, a quarta condi¸c˜ao nos diz que um produto interno de um vetor n˜ ao nulo com ele mesmo ´e sempre positivo. Defini¸ c˜ ao 30 (Espa¸co Euclidiano). Um espa¸co euclidiano ´e um espa¸co vetorial sobre R munido de um produto interno. Nota: Ao acrescentarmos (definirmos) um produto interno sobre um espa¸co vetorial podemos dizer que estamos enriquecendo essa estrutura; por exemplo, em fun¸c˜ ao desse produto interno poderemos calcular a distˆ ancia e o angulo entre dois vetores, como ser´ ˆ a visto oportunamente.
∗ E ainda outros conceitos geom´etricos tais como ˆ angulo e perpendicularidade, por exemplo.
258
Exemplos: 1 ) Produto interno usual do Rn . Se u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ) s˜ ao arbitr´arios em Rn , ent˜ao: (u, v) 7→ h u, v i = x1 y1 + x2 y2 + · · · + xn yn (5.2)
´e um produto interno sobre o Rn . Por exemplo: − No R2 , se u = (1, −1) e v = (2, 3), ent˜ao: h u, v i = x1 y1 + x2 y2
h u, v i = 1 · 2 + (−1) · 3 = −1 − No R3 , se u = (2, 1, 0) e v = (−1, 3, 4), ent˜ao: h u, v i = x1 y1 + x2 y2 + x3 y3 h u, v i = 2 · (−1) + 1 · 3 + 0 · 4 = 1 Devemos provar que a aplica¸ca˜o dada por (5.2) de fato ´e um produto interno sobre o espa¸co vetorial Rn . Provaremos as exigˆencias ( b ) e ( d ), e deixaremos as demais como exerc´ıcio ao leitor. ( b ) Inicialmente temos que, u = (x1 , x2 , . . . , xn ) ⇒ λ u = (λ x1 , λ x2 , . . . , λ xn ) Ent˜ao: h λu, v i = (λ x1 ) y1 + (λ x2 ) y2 + · · · + (λ xn ) yn = λ (x1 y1 + x2 y2 + · · · + xn y2 ) = λ h u, v i ( d ) Inicialmente temos que, h u, u i = x1 x1 + x2 x2 + · · · + xn xn Se u 6= (0, 0, . . . , 0), ent˜ ao um dos xi , ao menos, ´e n˜ ao nulo. Logo, h u, u i = x21 + x22 + · · · + x2n > 0 2 ) O c´ odigo UPC ´e um c´ odigo associado aos c´odigos de barra encontrados em muitos tipos de mercadorias:
0
74927 02094 6 259
as barras pretas e brancas escaneadas pelo laser da caixa registradora do mercado s˜ ao codificadas em um vetor 10-´ario∗ u = ( u1 , u2 , . . . , u11 , d ) de comprimento 12. As 11 primeiras componentes constituem um vetor em Z11 , 10 que guardam informa¸c˜ oes sobre o fabricante e o produto; a u ´ltima componente d ´e um d´ıgito de checagem escolhido de maneira que h c, u i = 0 em Z10 , onde o vetor de checagem c ´e dado por c = { 3, 1, 3, 1, 3, 1, 3, 1, 3, 1, 3, 1 }. Para o UPC mostrado na figura podemos confirmar o d´ıgito de checagem; da figura obtemos u = ( 0, 7, 4, 9, 2, 7, 0, 2, 0, 9, 4, d ), ent˜ao h c, u i = 3 · 0 + 1 · 7 + 3 · 4 + 1 · 9 + 3 · 2 + 1 · 7 +3·0+1·2+3·0+1·9+3·4+1·d listando os produtos n˜ ao nulos temos h c, u i = 7 + 3 · 4 + 9 + 6 + 7 + 2 + 9 + 3 · 4 + d lembramos que a aritm´etica ´e a de Z10 , ent˜ao h c, u i = 7 + 2 + 9 + 6 + 7 + 2 + 9 + 2 + d = 44 + d = 4 + d devemos ter h c, u i = 4 + d = 0, logo, d = 6, o que confirma o u ´ltimo d´ıgito do c´ odigo da figura. 3 ) Produto interno sobre Pn (R). Se f e g s˜ ao polinˆ omios arbitr´arios em Pn (R) , ent˜ao: Z 1 f (t) g(t) dt (f, g) 7→ h f, g i =
(5.3)
0
´e um produto interno sobre este espa¸co. Por exemplo:
− Em P1 (R) , se f (t) = 1 − t e g(t) = 2 + 3 t, ent˜ao: f (t) g(t) = (1 − t)(2 + 3 t) = 2 + t − 3 t2
logo, Z
h f (t), g(t) i =
1
0
(2 + t − 3 t2 ) dt =
3 2
Devemos provar que a aplica¸c˜ao dada por (5.3) de fato ´e um produto interno sobre o espa¸co vetorial Pn (R). Provaremos as exigˆencias ( b ) e ( d ), e deixaremos as demais como exerc´ıcio ao leitor. ( b ) Temos Z 1 λ f (t) g(t) dt h λ f (t), g(t) i = 0
=λ
Z
0
1
f (t) g(t) dt = λ h f (t), g(t) i
∗ Tamb´em chamado decimal, ou seja, cujas coordenadas pertencem ao conjunto { 0, 1, 2, . . . , 9 }.
260
( d ) Temos h f (t), f (t) i =
Z
1
f (t) f (t) dt =
Z
1
f (t)2 dt
0
0
R1 Como, por hip´ otese, f (t) 6= 0, segue que∗ h f (t), f (t) i = 0 f (t)2 dt > 0. ´ poss´ıvel a existˆencia de mais de um produto interno num mesmo espa¸co E vetorial. Por exemplo, deixamos como exerc´ıcio ao leitor mostrar que: 3 ) Se u = (x1 , x2 ) e v = (y1 , y2 ) s˜ ao vetores arbitr´arios em R2 , ent˜ao a aplica¸c˜ao definida por (u, v) 7→ h u, v i = 3 x1 y1 + 4 x2 y2 ´e um outro produto interno sobre o R2 . 4 ) Se f (t) = a0 + a1 t + a2 t2 e g(t) = b0 + b1 t + b2 t2 s˜ ao vetores (polinˆ omios) arbitr´arios em P2 (R) , ent˜ao a aplica¸c˜ao definida por (f, g) 7→ h f (t), g(t) i = a0 b0 + a1 b1 + a2 b2
(5.4)
´e um outro produto interno sobre o espa¸co P2 (R). 5 ) Seja V um espa¸co vetorial de dimens˜ao finita arbitr´ario e consideremos uma base B = { u1 , u2 , . . . , un } de V . Sendo u = λ1 u1 + λ2 u2 + · · · + λn un v = α1 u1 + α2 u2 + · · · + αn un Podemos definir um produto interno em V pondo h u, v i = λ1 α1 + λ2 α2 + · · · + λn αn
(5.5)
Portanto todo espa¸co vetorial de dimens˜ao finita pode ser munido de um produto interno. ∗
∗
∗
Acredito que o matem´ atico desenvolve um “sentido” irredut´ıvel a ` vis˜ ao, ` a audi¸ca ˜o e ao tato, que lhe permite perceber uma realidade t˜ ao palp´ avel quanto, mas bem mais est´ avel que a realidade f´ısica, pois n˜ ao localizada no espa¸co-tempo. (Alain Connes) ∗ Aqui estamos nos valendo de um teorema do C´ alculo que afirma: Se f ≥ 0 ´e uma fun¸c˜ ao cont´ınua num intervalo [a, b], com f (c) > 0 em algum ponto c ∈ [a, b], ent˜ ao Rb f > 0. a
261
Propriedades do Produto Interno Seja V, h ·, · i um espa¸co vetorial munido de um produto interno. Valem as seguintes propriedades:
P1 ) h 0, u i = h u, 0 i = 0, Prova: J´ a sabemos que 0 u = 0, para todo u ∈ V . Logo,
∀u ∈ V .
h 0, u i = h 0 u, u i = 0 h u, u i = 0. ↑ (b)
Como h u, 0 i = h 0, u i, ent˜ao h u, 0 i = 0.
>
P2 ) h u, λ v i = λ h u, v i,
∀ λ ∈ R e ∀ u, v ∈ V .
Prova: Temos: h u, λ v i = h λ v, u i = λ h v, u i = λ h u, v i ↑ ↑ ↑ (c)
(b)
>
(c)
P3 ) h u, v+w i = h u, v i+h u, w i,
∀ u, v, w ∈ V .
Prova: Temos: h u, v + w i = h v + w, u i = h v, u i + h w, u i = h u, v i + h u, w i > ↑ ↑ ↑ (c)
(a)
(c)
P4 ) Dado um n´ umero inteiro m ≥ 1, temos. m DX
λi ui , v
i=1
E
=
m X i=1
λi h ui , v i
Prova: Basta usar indu¸c˜ao juntamente com os axiomas ( a ) e ( b ) da defini¸c˜ ao de produto interno. > P5 ) Dado um n´ umero inteiro n ≥ 1, temos. D
u,
n X
αj vj
j=1
E
=
n X j=1
αj h u, vj i
Prova: Basta usar indu¸c˜ao juntamente com as propriedades P2 e P3 > demonstradas anteriormente. P6 ) Dados dois n´ umeros inteiros m, n ≥ 1, temos. m DX i=1
λi ui ,
n X j=1
αj vj
E
=
262
n m X X i=1 j=1
λi αj h ui , vj i
5.2
Produto Interno e Norma
Com a defini¸c˜ ao a seguir daremos mais um passo no sentido de generalizar a fun¸c˜ao m´ odulo, dos n´ umeros reais, para um espa¸co vetorial arbitr´ario. Defini¸ c˜ ao 31 (Norma). Seja V um espa¸co euclidiano (u, v) → 7 h u, v i. umero Dado um vetor u ∈ V indica-se por kuk e chama-se norma de u o n´ real n˜ ao negativo dado por p kuk = h u, u i (5.6)
Nota: Observe que a norma de um vetor est´ a bem definida em virtude do axioma ( d ) da defini¸c˜ ao de produto interno (p. 258) juntamente com a propriedade P1 (p. 262). Exemplos: 1 ) Seja u = (x1 , x2 , . . . , xn ) um vetor arbitr´ario do Rn , para o produto interno usual temos: h u, u i = x1 x1 + x2 x2 + · · · + xn xn = x21 + x22 + · · · + x2n Logo, kuk =
p
h u, u i =
q
x21 + x22 + · · · + x2n
(5.7)
´ a norma euclidiana (ou usual) de um vetor do Rn . E Por exemplo, a seguir calculamos a norma de cada um dos vetores da base canˆ onica do R3 . R
√ 12 + 02 + 02 = 1 √ e2 = (0, 1, 0) ⇒ ke2 k = 02 + 12 + 02 = 1 √ e3 = (0, 0, 1) ⇒ ke3 k = 02 + 02 + 12 = 1 e1 = (1, 0, 0) ⇒ ke1 k =
e3 s s
e2 se
R
1
R
A interpreta¸c˜ ao geom´etrica destes resultados ´e que a norma nos d´ a a distˆ ancia de um vetor para a origem (vetor nulo). Estaremos logo mais justificando essa interpreta¸c˜ ao.
263
Propriedades da Norma Seja V, k · k um espa¸co vetorial munido de uma norma. Valem as seguintes propriedades: PN1 ) kuk ≥ 0 e kuk = 0 ⇔ u = 0,
∀u ∈ V .
PN2 ) kλ uk = |λ| kuk,
∀ u ∈ V e ∀ λ ∈ R.
PN3 ) ku + vk ≤ kuk + kvk,
∀ u, v ∈ V .
Prova: PN1 ) Pela pr´ opria defini¸c˜ao temos kuk ≥ 0. Por outro lado p (⇒) kuk = h u, u i = 0 ⇒ h u, u i = 0 ⇒ u = 0.
Au ´ltima implica¸c˜ ao se deve a que, pelo axioma ( d ) da defini¸c˜ao de produto interno, se u 6= 0 ⇒ h u, u i > 0, o que estaria em contradi¸c˜ao com h u, u i = 0. Esta propriedade permite-nos escrever: kuk2 = h u, u i. p √ (⇐) u = 0 ⇒ h 0, 0 i = 0 ⇒ k 0k = h 0, 0 i = 0 = 0. >
Prova: PN2 ) Inicialmente temos, h λ u, λ u i = λ h u, λ u i = λ λ h u, u i = λ2 h u, u i ↑ ↑ (b)
P2
Logo, kλ uk =
p
h λ u, λ u i =
p p λ2 h u, u i = |λ| h u, u i = |λ| kuk
>
A propriedade PN3 da norma ´e conhecida como desigualdade triangular, para demonstr´ a-la iremos necessitar de um lema. Lema 3 (Desigualdade de Cauchy-Schwarz). Em qualquer espa¸co vetorial euclidiano V vale a seguinte desigualdade |h u, v i| ≤ kuk kvk,
∀ u, v ∈ V.
(5.8)
Prova: Faremos uso da seguinte identidade: h u − λ v, u − λ v i = kuk2 − 2λ h u, v i + λ2 kvk2 v´alida para quaisquer u, v ∈ V e para todo λ ∈ R (exerc´ıcio). Se v = 0 a desigualdade (5.8) fica
|h u, 0 i| ≤ kuk k 0k ⇒ |0| ≤ kuk 0 ⇒ 0 ≤ 0 e a desigualdade proposta resulta verdadeira. 264
(5.9)
Suponhamos agora v 6= 0. Como a identidade (5.9) vale para qualquer λ ∈ R, em particular vale para λ=
h u, v i kvk2
isto ´e, h u − λ v, u − λ v i = kuk2 − 2λ h u, v i + λ2 kvk2 = kuk2 − 2
h u, v i 2 h u, v i h u, v i + kvk2 kvk2 kvk2
= kuk2 − 2
h u, v i2 h u, v i2 + kvk2 kvk2
= kuk2 −
h u, v i2 kvk2
Devido a que h u − λ v, u − λ v i ≥ 0, resulta que kuk2 − Logo, kuk2 −
h u, v i2 ≥0 kvk2
h u, v i2 ≥0 kvk2 ⇒
h u, v i2 ≤ kuk2 kvk2
Extraindo a raiz quadrada de cada um dos membros desta u ´ltima desigualdade resulta: |h u, v i| ≤ kuk kvk Agora vamos demonstrar a desigualdade triangular da norma: ku + vk2 = h u + v, u + v i = h u, u i + h u, v i + h v, u i + h v, v i = kuk2 + 2 h u, v i + kvk2
(5.10)
Da desigualdade de Cauchy-Schwarz obtemos 2 |h u, v i| ≤ 2 kuk kvk somando kuk2 + kvk2 a ambos os membros desta desigualdade obtemos kuk2 + 2 |h u, v i| + kvk2 ≤ kuk2 + 2 kuk kvk + kvk2 Portanto ku + vk2 ≤ ( kuk + kvk )2 265
Extraindo a raiz quadrada obtemos ku + vk ≤ kuk + kvk Exemplo: Vejamos como fica a desigualdade de Cauchy-Schwarz no caso especial em que V = Rn ; e o produto interno seja o usual; ou seja, dados u = (x1 , x2 , . . . , xn ) e v = (y1 , y2 , . . . , yn ), temos: h u, v i = x1 y1 + x2 y2 + · · · + xn yn =
n X
h u, u i = x21 + x22 + · · · + x2n =
n X
kuk =
p
h v, v i = y12 + y22 + · · · + yn2 =
n X
kvk =
p
xi y i
i=1
e x2i
⇒
i=1
e yi2
⇒
i=1
v u n uX h u, u i = t x2i i=1
v u n uX h v, v i = t yi2 i=1
substituindo estes resultados na desigualdade (5.8) obtemos v v u n u n n X X u uX 2 t xi y i ≤ xi t yi2 i=1
i=1
i=1
que tamb´em pode ser escrita como
n n n 2 X X X 2 yi2 xi xi y i ≤ i=1
i=1
i=1
Esta desigualdade tamb´em ´e conhecida como desigualdade de Lagrange. Defini¸ c˜ ao 32 (Distˆ ancia entre vetores). Seja V um espa¸co vetorial. Consideremos uma aplica¸ca ˜o d : V × V −→ R, que associa a cada par ordenado (u, v) ∈ V × V um n´ umero real d(u, v) satisfazendo as seguintes condi¸co ˜es (para quaisquer u, v e w em V ): (M1 )
d(u, v) ≥ 0 e d(u, v) = 0 ⇐⇒ u = v ;
(M2 )
d(u, v) = d(v, u) ;
(M3 )
d(u, v) ≤ d(u, w) + d(w, v).
Nestas condi¸co ˜es dizemos que d ´e uma m´etrica sobre V e que d(u, v) ´e a distˆ ancia do vetor u ao vetor v. 266
Podemos dizer tamb´em que uma aplica¸c˜ao d : V × V −→ R satisfazendo as condi¸c˜ oes anteriores adquire status de m´etrica. O par (V, d) ´e o que entendemos por espa¸co m´etrico. A exigˆencia feita em (M1 ) ´e bastante intuitiva: uma distˆ ancia nunca ´e negativa; se a distˆ ancia entre dois pontos ´e nula ent˜ao, obrigatoriamente, estes pontos s˜ ao o mesmo (s˜ ao iguais), e; reciprocamente: a distˆ ancia de um ponto para si mesmo deve ser nula. A exigˆencia feita em (M2 ), tamb´em assaz intuitiva, foi tomada de empr´estimo do dito popular que todos conhecemos: “fulano!! vem c´a! E o fulano responde: vem c´ a t´ u, pois a distˆ ancia daqui pr´ a l´a, ´e a mesma de l´a pr´ a c´a”. A exigˆencia feita em (M3 ), a menos intuitiva, ´e conhecida como desigualdade triangular e se inspira no fato de que na geometria elementar cada lado de um triˆ angulo tem sempre medida menor que a soma das medidas dos outros dois lados. us d(u, v)
s
v
d(u, w)
s
w
d(w, v)
Exemplos: Qualquer espa¸co vetorial euclidiano V pode se tornar um espa¸co m´etrico se considerarmos d : V × V −→ R, definida como: d(u, v) = ku − vk,
∀ u, v ∈ V.
Prova: Devemos mostrar que d assim definida satisfaz a todas as exigˆencias para uma m´etrica. Primeiramente devemos mostrar que (M1 )
d(u, v) = ku − vk ≥ 0 e d(u, v) = ku − vk = 0 ⇐⇒ u = v.
´ uma decorrˆencia imediata de PN E 1 (M2 )
(p. 264).
d(u, v) = ku − vk = k(−1)(v − u)k = | − 1| kv − uk = d(v, u).
(M3 ) Pela desigualdade triangular da norma (PN3 , p. 264) podemos escrever ku − vk = ku − w + w − vk ≤ ku − wk + kw − vk Logo, ku − vk ≤ ku − wk + kw − vk ⇒ d(u, v) ≤ d(u, w) + d(w, v). > Observe que agora podemos d´ a uma interpreta¸c˜ao geom´etrica para a norma de um vetor, veja: (def. 31, p. 263) kuk = ku − 0k = d(u, 0) 267
Isto ´e, podemos dizer que a norma de um vetor u ∈ V ´e igual `a sua distˆ ancia para o vetor nulo (“origem”). Tal como acontece com a fun¸c˜ao m´ odulo nos reais (reveja a introdu¸c˜ ao deste cap´ıtulo, p. 257). Exemplos: 1 ) No espa¸co vetorial R2 , sejam u = (x1 , x2 ) e v = (y1 , y2 ) vetores arbitr´arios; ademais, consideremos neste espa¸co o produto interno usual. Temos: u − v = (x1 , x2 ) − (y1 , y2 ) = (x1 − y1 , x2 − y2 ) ent˜ ao,
h u − v, u − v i = (x1 − y1 ) · (x1 − y1 ) + (x2 − y2 ) · (x2 − y2 ) logo, com o aux´ılio da equa¸c˜ao (5.6) (p. 263) podemos escrever p p d(u, v) = ku − vk = h u − v, u − v i = (x1 − y1 )2 + (x2 − y2 )2
Que nada mais ´e que a velha e conhecida distˆ ancia euclidiana entre dois pontos no plano. Por exemplo, para u = (1, 2) e v = (0, 0), temos p √ d(u, 0) = ku − 0k = (1 − 0)2 + (2 − 0)2 = 5
Geometricamente, temos:
s(1, 2)
d(u, 0) = ku − 0k = kuk =
p
p
R
0
s
p
p
√
5
R
Observa¸ca ˜o: Nos livros de ´algebra linear os autores definem o comprimento de um vetor u como sendo a sua norma, kuk. Aqui n˜ ao adotaremos esta defini¸c˜ ao uma vez que n˜ ao vemos sentido em se atribuir um “comprimento” a um vetor (estamos falando de um vetor “matem´ atico”, n˜ ao “f´ısico”), porquanto um vetor − segundo entendemos − ´e um “ponto em um espa¸co” e um “ponto” n˜ ao tem comprimento. Feita esta observa¸c˜ ao vejamos como fica a figura anterior: R
s←− vetor
d(u, 0) = distˆ ancia 6= comprimento.
p
p
u=(1, 2)
0
s
p
տ vetor
p
R
268
Esta observa¸c˜ ao visa apenas a contribuir no “descondicionamento” do aluno no sentido de que um vetor seja um ente que possui “m´ odulo, dire¸ca ˜o e sentido”. Se isto ´e verdade no que diz respeito aos vetores da f´ısica, no que concerne aos vetores da matem´ atica, resulta totalmente falso. “Nossos vetores” n˜ ao possuem nem m´ odulo (comprimento) nem dire¸c˜ao e nem sentido. Digo, estes trˆes conceitos n˜ ao nos fazem falta. Pouco a pouco, procuro liberar suavemente o esp´ırito dos alunos de seu apego a imagens privilegiadas. Eu os encaminho para as vias da abstra¸ca ˜o, esfor¸cando-me para despertar o gosto pela abstra¸ca ˜o. Enfim, acho que o primeiro princ´ıpio da educa¸ca ˜o cient´ıfica ´e, no reino intelectual, esse ascetismo que ´e o pensamento abstrato. S´ o ele pode levar-nos a dominar o conhecimento experimental. (Bachelard/A forma¸ca ˜o do esp´ırito cient´ıfico)
Por oportuno, dissemos alhures que em todo esse livro n˜ ao h´ a de encontrarse uma u ´nica “seta vetorial”. (representando um vetor da matem´ atica) Poderia questionar-se: E qual o mal em se considerar um vetor com comprimento? No meu entendimento o mal consiste precisamente em deturpar† na mente do “novi¸co” em ´ algebra linear o conceito (defini¸c˜ao) de vetor. Da´ı deriva toda uma gama de “maus h´ abitos” de pensamento − uma quest˜ao de inteligibilidade. De fato, trata-se de operar a passagem do mundo sens´ıvel ao mundo intelig´ıvel, e esse movimento ´e um doloroso e dif´ıcil movimento de alforria. Exige etapas pelas quais a alma se esfor¸ca progressivamente por se elevar em dire¸ca ˜o ` as Id´eias, e compreendemos que essa ascens˜ ao ´e, antes de mais nada, uma convers˜ ao da sombra ` a luz, o que no fundo ´e uma maneira de reentrar em si mesmo para olhar com os olhos da alma aquilo que de in´ıcio est´ avamos condenados a deformar, porque o capt´ avamos com os olhos do corpo. (Simone Manon/ Plat˜ ao) 2 ) Vimos que podem existir diversos produtos internos em um mesmo espa¸co vetorial, o que tem como consequˆencia a existˆencia de diversas distˆ ancias sobre um mesmo espa¸co. Por exemplo, vamos calcular duas distˆ ancias entre dois polinˆ omios f (t) = 1 + t e g(t) = 1 − t, em P1 †
Juntamente com os outros pseudo-atributos de um vetor (dire¸c˜ ao e sentido).
269
− A primeira, segundo o produto interno dado em (5.3) (p. 260), inicialmente temos: Z 1 4 2 t · 2 t dt = f (t) − g(t) = 2 t ⇒ h f (t) − g(t), f (t) − g(t) i = 3 0 Em um espa¸co arbitr´ario temos d(u, v) = ku − vk =
p
h u − v, u − v i
no nosso caso em quest˜ ao temos: p d f (t), g(t) = h f (t) − g(t), f (t) − g(t) i
Logo,
√ 2 3 4 d(1 + t, 1 − t) = = 3 3 − A segunda distˆ ancia, segundo o produto interno dado em (5.4) inicialmente temos: r
(p. 261),
f (t) − g(t) = 0 + 2 t ⇒ h f (t) − g(t), f (t) − g(t) i = 0 · 0 + 2 · 2 = 4 Logo, d′ (1 + t, 1 − t) =
√
4 =2
Observamos que m´etricas distintas sobre um mesmo conjunto d˜ ao origem ′ a espa¸cos m´etricos distintos. Por exemplo, ( P1 , d ) e ( P1 , d ) s˜ ao dois espa¸cos m´etricos distintos. Nota: Estamos considerando d como a m´etrica oriunda do produto interno dado por (5.3) (p. 260) e d′ como a m´etrica oriunda do produto interno dado por (5.4) (p. 261).
5.3
Normas e Distˆ ancias
Anteriormente definimos a norma de um vetor p kuk = h u, u i
em fun¸c˜ ao de um produto interno, e, posteriormente, a distˆ ancia entre dois vetores d(u, v) = ku − vk (5.11)
em fun¸c˜ ao de uma norma, de modo que a distˆ ancia entre vetores est´ a a depender de um produto interno: p d(u, v) = h u − v, u − v i ´ poss´ıvel eliminarmos a restri¸c˜ao (dependˆencia) da distˆ E ancia em rela¸c˜ao ao produto interno de modo que a equa¸c˜ao (5.11) ainda seja v´alida. Para este prop´osito necessitamos da defini¸c˜ao dada a seguir. 270
Defini¸ c˜ ao 33 (Norma). Seja V um espa¸co vetorial de dimens˜ ao finita. Entende-se por norma sobre V uma aplica¸ca ˜o F que transforma cada vetor u ∈ V em um n´ umero real (que indicaremos por kuk), chamado norma de u k·k : V → R u 7→ kuk desde que as seguintes condi¸co ˜es sejam satisfeitas para todos os vetores u e v e todos os escalares λ: (N1 )
kuk ≥ 0 e kuk = 0 ⇐⇒ u = 0 ;
(N2 )
kλ uk = |λ| kuk ;
(N3 )
ku + vk ≤ kuk + kvk.
Um espa¸co vetorial munido de uma norma ´e chamado de espa¸co vetorial normado. Exemplos: p ´ f´acil ver que em um espa¸co com produto interno, kuk = h u, u i (1) E define uma norma.
( 2 ) A seguir listamos duas normas para o Rn que n˜ ao prov´em de um produto interno (exerc´ıcio, p. 281): kuks = |x1 | + |x2 | + · · · + |xn | kukm = max |x1 |, |x2 |, . . . , |xn |
(5.12) (5.13)
onde u = (x1 , x2 , . . . , xn ) ∈ Rn . No apˆendice estaremos provando que de fato essas aplica¸c˜ oes s˜ ao normas. A equa¸c˜ao (5.11) (p. 270) define uma distˆ ancia num espa¸co vetorial independente de um produto interno, a prova ´e a mesma apresentada na p´ agina 267.
Distˆ ancias no Rn Agora estamos em condi¸c˜ oes de exibir outras (importantes) distˆ ancias no espa¸co vetorial Rn . Consideremos neste espa¸co dois vetores arbitr´arios: u = (x1 . . . , xn ) e v = (y1 , . . . , yn ), sendo assim temos: u − v = (x1 − y1 , . . . , xn − yn ) Daqui resultam, segundo (5.11), trˆes distˆ ancias para o Rn : p D1 (u, v) = (x1 − y1 )2 + · · · + (xn − yn )2 D2 (u, v) = |x1 − y1 | + · · · + |xn − yn | D3 (u, v) = max |x1 − y1 |, . . . , |xn − yn | 271
(5.14) (5.15) (5.16)
A primeira prov´em da norma euclidiana ((5.7), p. 263), as duas outras prov´em das normas (5.12) e (5.13), respectivamente. D1 ´e a m´etrica euclidiana, no apˆendice provamos que D2 e D3 s˜ ao duas n outras m´etricas sobre o R , isto ´e, que satisfazem todas as condi¸c˜oes listadas na defini¸c˜ ao 32 de distˆ ancia entre vetores (p. 266). Particularizando estas m´etricas para o espa¸co R2 , temos: p D1 (u, v) = (x1 − y1 )2 + (x2 − y2 )2 (5.17) D2 (u, v) = |x1 − y1 | + |x2 − y2 | D3 (u, v) = max |x1 − y1 |, |x2 − y2 |
(5.18)
(5.19)
onde u = (x1 , x2 ) e v = (y1 , y2 ) ∈ R2 .
D2 acima ´e conhecida como m´etrica (distˆ ancia) da soma ou do t´ axi, D3 ´e conhecida como m´etrica (distˆ ancia) do m´ aximo. Exemplo: Para efeito de compara¸c˜ao calculemos a distˆ ancia entre os dois vetores u = (x1 , x2 ) = (1, 1) e v = (y1 , y2 ) = (4, 5) nas trˆes m´etricas acima. ( i ) Distˆ ancia euclidiana p D1 (x, y) = (x1 − y1 )2 + (x2 − y2 )2 p D1 (1, 1), (4, 5) = (1 − 4)2 + (1 − 5)2 = 5.
( ii ) Distˆ ancia do t´ axi
D2 (x, y) = |x1 − y1 | + |x2 − y2 | D2 (1, 1), (4, 5) = |1 − 4| + |1 − 5| = 7.
( iii ) Distˆ ancia do m´ aximo
D3 (x, y) = max |x1 − y1 |, |x2 − y2 | D3 (1, 1), (4, 5) = max |1 − 4|, |1 − 5| = max{ 3, 4 } = 4.
Vejamos como fica a representa¸c˜ao geom´etrica destas trˆes distˆ ancias, veja: R
R
6
R
6
D1
0
(4,5)
5 4
5 4
5 4
3
3 (1,1)
6
(4,5)
(4,5)
-R
(1,1) 0
272
D3
3
D2
-R
(1,1) 0
-R
` esquerda temos a distˆ A ancia euclidiana dada pela medida da hipotenusa do triˆ angulo, ao centro temos a distˆ ancia do t´axi dada pela medida da soma dos catetos e ´ a direita temos a m´etrica do m´ aximo dada pela medida do maior dos catetos do triˆ angulo. Vejamos ainda sob uma “nova” perspectiva estas trˆes distˆ ancias: R
R
6
-R
0
R
6
-R
0
0
6
-R
Uma pergunta ingˆenua, n˜ ao obstante pertinente, seria: Em existindo mais de uma distˆ ancia entre dois pontos, qual a verdadeira? Do ponto de vista da matem´ atica, isto ´e, da l´ogica, todas as m´etricas gozam do mesmo status, nenhuma ´e mais ou menos verdadeira que as outras. O que acontece ´e que a m´etrica (trena) usual (euclidiana) ´e a mais conveniente para, por exemplo: o pedreiro, o carpinteiro, para o engenheiro civil, etc., porque esta ´e suficiente para resolver todos os seus problemas de medida. J´ a para o matem´ atico e o f´ısico, estes profissionais tˆem necessidade − em seus trabalhos − de “outras r´eguas”, as quais n˜ ao se encontram no com´ercio, pois s˜ ao, por assim dizer, abstratas. A prop´osito, acontece − no que diz respeito `as m´etricas − o mesmo que ocorre no ˆ ambito das geometrias euclidiana e n˜ ao-euclidianas. A de Euclides n˜ ao ´e nem mais nem menos verdadeira que as outras; pode ou n˜ ao ser a mais conveniente a determinados prop´ositos; por exemplo, Einstein ao formular sua Teoria da Relatividade (Gravita¸c˜ao) preferiu optar por uma das geometrias n˜ ao-euclidianas (optou pela geometria riemaniana).
Distˆ ancias no espa¸co de c´ odigos Vamos definir a seguinte aplica¸c˜ao k · k : Zn2 → R u 7→ kuk onde, kuk =
n X
xi
(5.20)
i=1
Por exemplo, kuk =
4 X
xi = x1 + x2 + x3 + x4
i=1
273
⇒
k1011k = 1 + 0 + 1 + 1 = 3
O somat´ orio (5.20) conta o n´ umero de 1s presentes no vetor u. Uma observa¸c˜ ao importante ´e a de que as adi¸c˜oes que comparecem no desenvolvimento do somat´ orio n˜ ao ´e mais a adi¸c˜ao em Z2 mas a pr´ opria adi¸c˜ao em R. Nosso objetivo agora ser´ a provar que a aplica¸c˜ao assim definida ´e uma n norma em Z2 . Devemos, para tanto, provar todas as condi¸c˜oes exigidas na defini¸c˜ao 33, ent˜ ao: (p. 271) (N1 ) kuk ≥ 0 e kuk = 0 ⇐⇒ u = 0 . Temos kuk = (N2 )
n X i=1
xi ≥ 0
kuk =
e
kλ uk = |λ| kuk.
n X i=1
xi = 0 ⇐⇒ xi = 0 ⇐⇒ u = 0.
Como u = ( xi ) temos λ u = ( λ xi ) kλ uk = uma vez que λ ∈ { 0, 1 }.
n X
λ xi = λ
n X i=1
i=1
xi = |λ| kuk
(N3 ) ku + vk ≤ kuk + kvk. Considerando u = ( xi ) e v = ( yi ) vetores arbitr´arios em Zn2 . Temos u + v = ( xi + yi ). Devemos mostrar que n X i=1
( xi + y i ) ≤
n X
xi +
i=1
n X
yi
(5.21)
i=1
Observe que nesta desigualdade temos algumas “sutilezas te´ oricas”. Sen˜ ao vejamos, abrindo os somat´ orios resulta ( x1 + y1 )+ ( x2 + y2 )+ · · ·+ ( xn + yn ) ≤ x1 + x2 + · · ·+ xn + y1 + y2 + · · ·+ yn do lado esquerdo n˜ ao podemos aplicar as propriedades associativa e comutativa porquanto a adi¸ca˜o u + v ´e “bit a bit”. Ou ainda: as adi¸c˜oes “dentro” dos parˆentesis se verificam em Z2 e as “entre” os parˆentesis se verificam em R. Por outro lado, as adi¸c˜oes do lado direito se d˜ ao em R. Pois bem, devido a desigualdade triangular para os n´ umeros reais podemos escrever |x1 + y1 | ≤ |x1 | + |x1 | |x2 + y2 | ≤ |x2 | + |x2 | (5.22) ....................... |xn + yn | ≤ |xn | + |xn |
Somando essas n desigualdades resulta n X i=1
| xi + y i | ≤
n X i=1
274
|xi | +
n X i=1
|yi |
(5.23)
A adi¸c˜ao que comparece em | xk + yk | nas desigualdades (5.22) ´e a de R, tendo em conta a tabela a seguir xk 0 yk 0
1 0
0 1
1 1
vemos que as desigualdade em (5.22) continuam v´alidas se substituirmos “o resultado da adi¸ca ˜o” de | xk + yk | em R pelo “resultado da adi¸ca ˜o” de ( xk +yk ) em Z2 . Sendo assim, a desigualdade (5.23) implica na desigualdade (5.21). Apenas a t´ıtulo de curiosidade observe que | xk + yk | n˜ ao faz sentido em Z2 . E por que n˜ ao faz sentido? A raz˜ ao ´e que para se definir m´ odulo (veja eq. (5.1), p. 257) necessitamos de uma ordem “ ≥ ” e Z2 n˜ ao ´e um corpo ordenado. E por que Z2 n˜ ao ´e um corpo ordenado? A raz˜ ao ´e que num corpo ordenado valem as desigualdades 1>0
e
1+1>1
e em Z2 temos 1 + 1 = 0. Uma vez que demonstramos a existˆencia de uma norma em Zn2 temos agora como calcular a distˆ ancia entre dois c´odigos. Dados dois vetores u = ( xi ) e v = ( yi ), temos u − v = (xi − yi )
⇒
d(u, v) = ku − vk = k(xi − yi )k
substituindo esse resultado na equa¸c˜ao (5.20) d(u, v) =
n X i=1
(p. 273)
resulta
(xi − yi )
(5.24)
ancia de Hamming∗ e ´e muito Essa distˆ ancia em Zn2 ´e conhecida como distˆ utilizada na constru¸c˜ ao de c´ odigos de corre¸c˜ao de erros (em transmiss˜ ao de dados). Por exemplo, consideremos os vetores x = 1010 e y = 0011 em Z42 , temos: d(u, v) =
4 X i=1
(xi − yi ) = (x1 − y1 ) + (x2 − y2 ) + (x3 − y3 ) + (x4 − y4 ) = (1 − 0)
+ (0 − 0)
+ (1 − 1)
+ (0 − 1) = 2
∗ Richard W. Hamming (1915−1998) obteve seu Ph.D. em Matem´ atica na Universidade de Illinois, em Urbana-Champaign, em 1942. De 1946 a 1976, trabalhou no Bell Labs, depois integrou-se ao corpo docente na US Naval Postgraduate School, em Monterey, Calif´ ornia. Em 1950, publicou seu trabalho fundamental em c´ odigos corretores de erros, dando uma constru¸c˜ ao expl´ıcita para os c´ odigos de otimiza¸c˜ ao que Claude Shannon tinha provado serem teoricamente poss´ıveis, em 1948.
275
Observe que a distˆ ancia de Hamming entre duas sequˆencias nos d´ a precisamente o n´ umero de posi¸c˜oes em que estas sequˆencias diferem quando comparadas bit a bit; no caso do exemplo em quest˜ao, temos: x: 1 0 1 0 y: 0011 As sequˆencias em Z22 = { 00, 10, 01, 11 }
podem ser arrumadas segundo os v´ertices de um quadrado unit´ ario, veja: 01
11
00
10
A distˆ ancia de Hamming entre quaisquer dois vetores u e v ´e o n´ umero de arestas no caminho mais curto para ir de u at´e v. As sequˆencias em Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 } podem ser arrumadas segundo os v´ertices de um cubo unit´ ario, veja: 001
011
101
111 000
100
010 110
A distˆ ancia de Hamming entre quaisquer dois vetores u e v ´e o n´ umero de arestas no caminho mais curto para ir de u at´e v. Tamb´em construi uma outra distˆ ancia entre vetores de Zn2 . Sen˜ ao vejamos, considere a seguinte aplica¸c˜ao k · k : Zn2 → R u 7→ kuk onde,
kuk = max 1 x1 , 2 x2 , . . . , n xn
Por exemplo, para u = 1011, temos kuk = max 1 x1 , 2 x2 , 3 x3 , 4 x4 = max 1 · 1, 2 · 0, 3 · 1, 4 · 1 = 4
Vejamos um outro exemplo, seja u = 1010, ent˜ao kuk = max 1 · 1, 2 · 0, 3 · 1, 4 · 0 = 3 276
(5.25)
A f´ormula (5.25) nos d´ a a maior posi¸c˜ao onde ocorre um bit 1 no vetor u. Nosso objetivo agora ser´ a provar que a aplica¸c˜ao assim definida ´e uma norma em Zn2 . Devemos para tanto provar todas as condi¸c˜oes exigidas na defini¸c˜ao 33, ent˜ao: (N1 ) kuk ≥ 0 e kuk = 0 ⇐⇒ u = 0 . Que kuk = max 1 x1 , 2 x2 , . . . , n xn ≥ 0 ´e imediato. kuk = max 1 x1 , 2 x2 , . . . , n xn = 0 ⇐⇒ xi = 0 ⇐⇒ u = 0.
(N2 ) kλ uk = |λ| kuk. Como u = ( xi ) temos λ u = ( λ xi ) kλ uk = max 1 (λ x1 ), 2 (λ x2 ), . . . , n (λ xn ) = λ max 1 x1 , 2 x2 , . . . , n xn = |λ| kλ uk uma vez que λ ∈ { 0, 1 }.
(N3 ) ku + vk ≤ kuk + kvk. Considerando u = ( xi ) e v = ( yi ) vetores arbitr´arios em Zn2 . Temos u + v = ( xi + yi ). Devemos mostrar que max 1 ( x1 + y1 ), 2 ( x2 + y2 ), . . . , n ( xn + yn ) ≤ max 1 x1 , 2 x2 , . . . , n xn + max 1 y1 , 2 y2 , . . . , n yn
Pois bem, existem ´ındices i, j, k ∈ { 1, 2, . . . , n } tais que max 1 ( x1 + y1 ), 2 ( x2 + y2 ), . . . , n ( xn + yn ) = i ( xi + yi ) max 1 x1 , 2 x2 , . . . , n xn = j xj max 1 y1 , 2 y2 , . . . , n yn = k yk
(5.26) (5.27) (5.28)
Sendo assim, devemos mostrar que
i ( xi + y i ) ≤ j xj + k y k Temos que i xi ≤ j xj
por (5.27)
i yi ≤ k yk
por (5.28)
Somando essas desigualdades temos o resultado (5.29).
277
(5.29)
Uma vez que demonstramos a existˆencia de uma nova norma em Zn2 temos agora uma nova distˆ ancia entre dois c´odigos. Dados dois vetores u = ( xi ) e v = ( yi ), temos u − v = (xi − yi )
⇒
d(u, v) = ku − vk = k(xi − yi )k
substituindo esse resultado na equa¸c˜ao (5.25) (p. 276) resulta d(u, v) = max 1 ( x1 − y1 ), 2 ( x2 − y2 ), . . . , n ( xn − yn )
(5.30)
Por exemplo, consideremos os vetores x = 1010 e y = 0011 em Z42 , temos: d(u, v) = max 1 (1 − 0), 2 (0 − 1), 3 (0 − 0), 4 (0 − 1) = 4
Compare esse resultado com a distˆ ancia de Hamming. (p. 276) Observe que esta distˆ ancia entre duas sequˆencias nos d´ a precisamente a maior posi¸c˜ ao em que as sequˆencias diferem entre si, veja: x: 1 0 1 0 y: 0011
Nota: A distˆ ancia (5.30) ´e de “minha pr´ opria autoria”. Nota: No caso de duas sequˆencias iguais estamos assumindo que max =0
Esta igualdade pode ser provada por “vacuidade”, no sentido de que ela jamais poder´ a ser contraditada∗ .
Exerc´ıcios 1) Em rela¸c˜ ao ao produto interno usual do R2 , calcular h u, v i sendo dados: a ) u = (−1, 1) e v = (1, 1);
b ) u = (6, −2) e v = (3, 9); c ) u = (2, 1) e v = 21 , −1 .
2) Para os mesmos vetores do exerc´ıcio anterior, calcular h u, v i em rela¸c˜ao ao produto interno dado por h u, v i = 3 x1 y1 + 4 x2 y2
∗´
E semelhante ` a prova de que o conjuto vazio ´e subconjunto de qualquer conjunto.
278
3) Sejam x = (x1 , x2 ) e y = (y1 , y2 ). Mostrar que cada aplica¸c˜ao a seguir define um produto interno no R2 : a ) (u, v) 7→ x1 y1 + x2 y2 ; b ) (u, v) 7→ 2 x1 y1 + 5 x2 y2 ; c ) (u, v) 7→
x 1 y1 a2
x 2 y2 b2
com a, b ∈ R fixos e n˜ ao nulos. R1 4) Em P2 (R) com o produto interno dado por h f, g i = 0 f (t) g(t) dt calcular a norma dos seguintes vetores: +
a ) f (t) = 1 − t ;
b ) f (t) = 1 + t ; c ) f (t) = 1 − t2 .
5) Sejam x e y n´ umeros reais n˜ ao negativos. Aplique a desigualdade de √ √ √ √ Cauchy-Schwarz para u = ( x, y ) e v = ( y, x ) para demonstrar que x+y √ xy ≤ 2 6) Calcular a norma dos vetores do exerc´ıcio anterior em rela¸c˜ao ao produto interno dado por h f (t), g(t) i = a0 b0 + a1 b1 + a2 b2 .
7) Dados os vetores u = (0, 0, 0) e v = (1, 1, 1) em R3 calcule as trˆes distˆ ancias D1 , D2 e D3 dadas na p. 271 e dˆe uma interpreta¸c˜ao geom´etrica das mesmas (fa¸ca um esbo¸co gr´ afico). 8) Chama-se tra¸co de uma matriz A = ( aij ), quadrada de ordem n, a soma dos termos da sua diagonal principal. Nota¸ca ˜o: tr (A). Ent˜ ao, tr (A) = a11 + · · · + ann . Sendo V = Mm×n (R), mostre que h A, B i = tr(B t A) define um produto interno sobre V .
9) No espa¸co vetorial V = M2 (R) considere o produto interno definido no exerc´ıcio anterior. Sendo 2 1 1 −1 A= e B= 1 1 1 0 calcule h A, B i, kAk, kBk e d(A, B). Para alguns dos exerc´ıcios a seguir necessitaremos de algumas considera¸c˜oes concernentes a norma e produto interno. Perguntamos, por exemplo, se toda norma ´e oriunda de um produto interno. Vejamos uma condi¸c˜ ao necess´aria para que uma norma seja oriunda de um produto interno.
279
Proposi¸ c˜ ao 17 (Identidade do Paralelogramo). Em um espa¸co vetorial com produto interno ´e v´ alida a seguinte identidade ku + vk2 + ku − vk2 = 2 kuk2 + kvk2 Prova: De fato,
ku + vk2 = hu + v, u + vi = hu, ui + hu, vi + hv, ui + hv, vi = kuk2 + 2hu, vi + kvk2 Por outro lado ku − vk2 = hu − v, u − vi = hu, ui + hu, −vi + h−v, ui + h−v, −vi = kuk2 − 2hu, vi + kvk2 somando estas duas equa¸c˜oes obtemos o resultado desejado.
Observe que esta proposi¸c˜ao pode ser reformulada assim: p ao ku + vk2 + ku − vk2 = Se a norma ´e dada por kuk = hu, ui ent˜ 2 2 2 kuk + kvk . A qual ´e equivalente a: p Se ku + vk2 + ku − vk2 6= 2 kuk2 + kvk2 ent˜ ao kuk = 6 hu, ui.
Isto significa que se uma norma n˜ ao satisfaz a identidade do paralelogramo ent˜ ao ela n˜ ao provem do produto interno, segundo a equa¸c˜ao p (5.31) kuk = hu, ui
Sendo assim ´e imediata a pergunta: Uma norma que n˜ ao satisfa¸ca a identidade do paralelogramo n˜ ao poderia provir de um produto interno dado por uma outra equa¸c˜ ao que n˜ ao seja (5.31)? Para responder a essa pergunta vamos considerar o seguinte axioma de norma kλ uk = |λ| kuk, ∀ λ ∈ R e ∀ u ∈ V. (5.32)
E a igualdade hλu, λui = λ2 hu, ui que ´e consequˆencia da defini¸c˜ao de produto interno.
280
(5.33)
Vamos supor que estamos tentando definir uma norma em fun¸c˜ao do produto interno. Devemos ter
p
kλ uk = |λ| kuk p hλu, λui = |λ| hu, ui
Daqui concluimos que necessariamente a rela¸c˜ao entre norma e produto interno deve ser p kuk = hu, ui a menos de constantes multiplicativas. 10) Mostre, para algum valor de n, que as normas kuks e kukm sobre o Rn dadas na p. 271 n˜ ao prov´em de um produto interno. 11) Perguntamos se as normas kukH = e
n X
xi
i=1
kukG = max 1 x1 , 2 x2 , . . . , n xn
em Zn2 prov´em de um produto interno. Sugest˜ao: Inicialmente, para algum valor de n, tente obter duas sequˆencias tais que a identidade do paralelogramo n˜ ao seja satisfeita. 12) Mostre que a aplica¸c˜ ao k · k : Zn2 → R u 7→ kuk onde, kuk = ´e uma norma em
Zn .
n X
2n−1 xn
i=1
2
281
(5.34)
C´ırculos e bolas em espa¸cos vetoriais normados Num espa¸co vetorial normado (V, k · k) define-se um c´ırculo de centro em um vetor p ∈ V e raio r > 0 como o conjunto de todos os vetores u ∈ V que satisfazem a equa¸c˜ ao ku − pk = r Ou seja, um c´ırculo de centro p e raio r > 0 ´e o conjunto de todos os pontos (vetores) que est˜ ao a uma mesma distˆ ancia r do centro p. 13) Nas figuras a seguir:
1
s
−1
−1
1
1
1
s
−1
1
−1
s
−1
1
−1
temos os c´ırculos de centro na origem e raio 1 segundo as distˆ ancias dadas em (5.17), (5.18) e (5.19), respectivamente (p. 272). Encontre a equa¸c˜ao que descreve cada um desses c´ırculos. 14) Mostre que cada uma das figuras acima n˜ ao ´e um c´ırculo nas duas outras normas. 15) Fa¸ca, no plano R2 , um esbo¸co da figura de equa¸c˜ao dada por |x| + |y| + |x| − |y| = 2
16) Encontre em Z42 o c´ırculo de centro em p = 1110 e raio r = 2 para as trˆes normas deste espa¸co (eq’s: (5.24), p. 275; (5.30), p. 278; (5.34), p. 281).
− Num espa¸co vetorial normado (V, k · k) define-se bola aberta de centro em um vetor p ∈ V e raio r > 0 como o conjunto de todos os vetores u ∈ V que satisfazem a inequa¸c˜ao ku − pk < r Ou seja, uma bola aberta de centro p e raio r > 0 ´e o conjunto de todos os pontos (vetores) que est˜ ao a uma distˆ ancia de p menor que r. 17) Fa¸ca um esbˆ o¸co (desenhe) a bola aberta de centro na origem e raio 1 para as trˆes normas do R2 . 18) Encontre em Z42 a bola aberta de centro em p = 0101 e raio r = 2 para as trˆes normas deste espa¸co. 282
5.4
ˆ Angulo entre vetores
O objetivo que temos em vista agora ser´ a definir o ˆangulo entre dois vetores em um espa¸co vetorial arbitr´ario. Para tanto iremos nos inspirar no que acontece no espa¸co R2 ; digo, vamos inicialmente obter uma f´ormula para o c´alculo do ˆ angulo entre dois vetores nesse espa¸co; para tanto partiremos da seguinte figura − rota¸c˜ ao do vetor v de θ graus em torno da origem: R
u = (x1 , x2 ) s
s v = (y , y ) 1 2 β
θ 0
s
α
R
Temos que o ˆ angulo entre os vetores u e v ´e dado por θ = β − α. Com o aux´ılio da trigonometria podemos escrever cos θ = cos(β − α) = cos β cos α + sen β sen α Da figura anterior destacamos os dois triˆ angulos a seguir: s
kuk
x2 s
kvk
β
s
s
x1
y2
α
y1
Sendo assim, temos: cos θ = cos β cos α + sen β sen α = De modo que cos θ =
x y2 x1 y 1 + 2 kuk kvk kuk kvk h u, v i x1 y 1 + x2 y 2 = kuk kvk kuk kvk 283
Vamos generalizar esse resultado para um espa¸co vetorial arbitr´ario ˆ Defini¸ c˜ ao 34 (Angulo entre vetores). Seja V um espa¸co vetorial de dimens˜ ao finita qualquer, dados dois vetores u, v ∈ V , n˜ ao nulos, definimos o angulo θ entre esses vetores pela f´ ˆ ormula h u, v i , kuk kvk
cos θ =
0≤θ≤π
(5.35)
Observe que por (5.5) (p. 261) todo espa¸co de dimens˜ao finita pode ser munido de um produto interno. Temos um probleminha agora: precisamos saber se a equa¸c˜ao (5.35), deduzida para vetores em R2 , faz sentido em espa¸cos arbitr´arios. Sabemos da trigonometria que −1 ≤ cos θ ≤ 1, portanto para que o angulo entre dois vetores esteja bem definido precisamo mostrar que em um ˆ espa¸co arbitr´ario de fato temos −1 ≤
h u, v i ≤1 kuk kvk
Ora, esta desigualdade ´e v´alida em todo espa¸co com produto interno justamente por ser uma consequˆencia da desigualdade de Cauchy-Schwarz, veja: |h u, v i| ≤ kuk kvk Essa desiguldade implica em −kuk kvk ≤ h u, v i ≤ kuk kvk ⇒ −1 ≤
h u, v i ≤ 1. kuk kvk
Exemplos:
√ √ 1 ) Calcule o ˆ angulo entre os vetores u = 12 , 23 e v = − 23 , − 21 com o produto interno usual do R2 . Solu¸ c˜ ao: Para u = (x1 , x2 ) e v = (y1 , y2 ) temos as seguintes f´ormulas
h u, v i = x1 y1 + x2 y2 Ent˜ ao
e
kuk =
q x21 + x22
√ √ √ 1− 3 3 −1 3 h u, v i = + =− 2 2 2 2 2
Por outro lado kuk =
s
1 2 + 2 284
√
3 2 =1 2
e kvk =
s
Portanto
√ 3 2 − + 2
√ √ − 23 h u, v i 3 = =− cos θ = kuk kvk 1·1 2
−
1 2 =1 2
⇒
θ=
5π = 150o 6
Geometricamente temos R p
su
p
p
p
R
su α
θ p
p
p
R
p
p
p
R
vs p
p
vs
Observe que o ˆ angulo entre dois vetores u e v n˜ ao necessariamente coincide com o ˆ angulo entre as retas que os cont´em. Na geometria, o ˆangulo entre duas retas ´e definido como o menor ˆangulo entre os dois ˆangulos determinados pela interse¸c˜ ao das mesmas. O ˆangulo entre as duas retas na figura ´e α = 30o . 2 ) Calcule o ˆ angulo entre os dois polinˆ omios f (t) = 1−t e g(t) = 2+3 t, com produto interno dado por (p. 260) Z 1 f (t) g(t) dt (f, g) 7→ h f, g i = 0
p
Solu¸ ca ˜o: Inicialmente, temos kuk = h u, u i , ou seja, s s Z 1 Z 1 p 1 f (t) f (t) dt = (1 − t) (1 − t) dt = √ kf k = h f, f i = 3 0 0 s s Z 1 Z 1 p √ g(t) g(t) dt = (2 + 3t) (2 + 3t) dt = 13 kgk = h g, g i = 0
0
Na p´ agina (p. 260) encontramos h f (t), g(t) i = 32 , logo, 3 3 √3 h f, g i √ cos θ = = 1 2√ ≈ 43, 90o ⇒ θ = arccos √ · kf k kgk 13 2 13 3 285
3 ) No espa¸co vetorial Z22 , temos Z22 = { 00, 10, 01, 11 } Calcule o ˆ angulo entre os vetores u = 10 e v = 11 com o produto interno usual do Z22 . Solu¸ c˜ ao: Para u = x1 x2 e v = y1 y2 temos as seguintes f´ormulas q h u, v i = x1 y1 + x2 y2 e kuk = x21 + x22
Nota: No exemplo 4 (p. 95) estamos considerando a base canˆ onica do Z22 : B = { 10, 01 }, para a qual u = x1 x2 = x1 10 + x2 01. Ent˜ ao h 10, 11 i = 1 · 1 + 0 · 1 = 1 Por outro lado kuk =
e kvk = Portanto
p
p
12 + 02 = 1
12 + 12 =
√ 1 h u, v i 2 √ = = cos θ = kuk kvk 2 1· 2 Geometricamente temos r01 r
00
v= r 11 θ
r
u = 10
286
√
2
⇒
θ=
π = 45o 4
5.5
Ortogonaliza¸c˜ ao
Defini¸ c˜ ao 35 (Vetores ortogonais). Seja V um espa¸co euclidiano. Dizemos que dois vetores u, v ∈ V s˜ ao ortogonais se, e somente se, h u, v i = 0. A defini¸c˜ ao de ˆ angulo entre vetores (eq. (5.35), p. 284) implica que dois vetores s˜ ao ortogonais se, e somente se, o ˆangulo entre eles ´e 90o . Defini¸ c˜ ao 36 (Conjuntos ortonormais). Um conjunto S = { u1 , . . . , ur } se ˜es a seguir s˜ ao satisfeitas: diz ortonormal se, e somente se, as duas condi¸co ( I ) kui k = 1 (i = 1, 2, . . . , r) e ( II ) dois vetores quaisquer de S, distintos entre si, s˜ ao ortogonais. p Nota: Tendo em conta kui k = h ui , ui i as duas condi¸c˜oes da defini¸c˜ao anterior podem ser substituidas pela seguinte: ( 1, se i = j; h ui , uj i = δij = (5.36) 0, se i 6= j. Exemplos: As bases canˆ onicas do R2 e R3 B = { (1, 0), (0, 1) };
B ′ = { (1, 0, 0), (0, 1, 0), (0, 0, 1) }
s˜ ao conjuntos ortonormais (exerc´ıcio). O que significa que os vetores, dois a dois, formam um ˆ angulo de 90o entre si e todo est˜ ao `a mesma distˆ ancia, 1, da origem, veja:
R
(0, 1)
0
R
t(0, 0, 1)
t t
0
R
t (0, 1, 0)
(1, 0)
t(1, 0, 0) R
287
R
Coeficientes de Fourier A importˆ ancia das bases ortogonais reside no fato de que existe um procedimento padr˜ao para se encontrar as coordenadas de um vetor qualquer em rela¸c˜ ao a elas. De fato, seja V um espa¸co vetorial com produto interno h ·, · i, B = { u1 , . . . , un } uma base ortogonal de V e u um vetor arbitr´ario em V . Vamos calcular as coordenadas de u em rela¸c˜ao a B. Sabemos que u = x1 u1 + · · · + xi ui + · · · + xn un e queremos encontrar a i-´esima coordenada xi . Para isto, fa¸camos o produto interno dos dois membros da igualdade acima por ui , assim: h u, ui i = h x1 u1 + · · · + xi ui + · · · + xn un , ui i = x1 h u1 , ui i + · · · + xi h ui , ui i + · · · + xn h un , ui i = x1 · 0
+ · · · + xi h ui , ui i + · · · + xn · 0 = xi h ui , ui i
portanto h u, ui i = xi h ui , ui i, ent˜ao: xi =
h u, ui i , h ui , ui i
(i = 1, 2, . . . , n)
(5.37)
Esta coordenada ´e chamada coeficiente de Fourier de u em rela¸c˜ao a ui . Observe que se tivermos uma base ortonormal { u1 , . . . , un } os coeficientes (coordenadas) xi de um vetor u = x1 u1 + · · · + xi ui + · · · + xn un s˜ ao dados por xi =
h u, ui i = h u, ui i h ui , ui i
Isto ´e, as coordenadas de um vetor relativamente a uma base ortonormal s˜ ao os produtos internos desse vetor pelos elementos da referida base. Exemplo: Na figura a seguir y ′
p
p
y
′
x
s
p
p
(0, 1)
0
s
p
u2 ps (1, 0)
p
sp 30o
x
u1
0
demos uma rota¸c˜ ao de θ = 30o na base canˆ onica do R2 . Para calcular uma base ortogonal para o novo sistema rotacionamos de θ, segundo a f´ormula (4.36) (p. 247), os vetores da base antiga { (1, 0), (0, 1) }, assim: 288
(confira na f´ ormula)
√
√ 1 3 1 3 , ; (0, 1) 7→ u2 = − , (1, 0) 7→ u1 = 2 2 2 2 3 Vamos calcular as coordenadas do vetor u = 1, 2 em rela¸c˜ao a essa nova base, isto ´e, queremos x1 e x2 na equa¸c˜ao u = x1 u1 + x2 u2 Pelo coeficiente de Fourier (5.37) temos x1 = Temos:
h u, u1 i h u1 , u1 i
√ √ √ 2 3+3 3 3 1 3 3 1 , + · = · =1· h u, u1 i = 1, 2 2 2 2 2 2 4 e √ √ √ √ 3 1 3 1 3 3 1 1 h u1 , u1 i = , , · + · =1 · = 2 2 2 2 2 2 2 2 √ 2 3+3 Portanto, x1 = 4 . An´alogamente, x2 =
Temos: 3 · h u, u2 i = 1, 2
e
Portanto, x2 =
√ √ √ −2 + 3 3 1 −1 3 3 3 + · = − , =1· 2 2 2 2 2 2
√ 1 3 − , · 2 2
h u2 , u2 i =
−2+3 2
√
3
, isto ´e,
√ √ √ 1 1 −1 3 3 3 + · =1 − , =− · 2 2 2 2 2 2
u = (x1 , x2 ) = Geometricamente temos
h u, u2 i h u2 , u2 i
√ √ 2 3 + 3 −2 + 3 3 , 4 4
y ′
p
y
s(1, 3 )
′
x
s
p
2
x1
x2
0
p
p
30o
x
Compare esse resultado com o obtido pela f´ormula (4.35) exemplo da p. 245. 289
(p. 245),
no
Conjunto ortogonal e independˆ encia linear Proposi¸ c˜ ao 18. Todo conjunto ortogonal S = { u1 , u2 , . . . , ur } contido num espa¸co vetorial euclidiano ´e necessariamente L.I. Prova: Com efeito, suponha λ1 u1 + λ2 u2 + · · · + λr ur = 0 Ent˜ ao 0 = h 0, u1 i = h λ1 u1 + λ2 u2 + · · · + λr ur , u1 i = λ1 h u1 , u1 i + λ2 h u2 , u1 i + · · · + λr h ur , u1 i = λ1 · 1
+ λ2 · 0
+ · · · + λr · 0 = λ1
An´alogamente se prova que λ2 = λ3 = · · · = λr = 0.
Proposi¸ c˜ ao 19. Seja U = { u1 , u2 , . . . , ur } um subconjunto ortonormal do espa¸co euclidiano V . Ent˜ ao, para todo vetor u de V , o vetor v = u − h u, u1 i u1 − h u, u2 i u2 − · · · − h u, ur i ur ´e ortogonal a cada vetor do subespa¸co gerado pelos vetores de U . Prova: Iniciamente observemos que se v for ortogonal aos vetores de U , ent˜ ao ser´ a ortogonal a toda combina¸c˜ao linear de U . Com efeito, seja w = λ1 u1 + λ2 u2 + · · · + λr ur uma dessas combina¸c˜oes lineares. Ent˜ao h v, w i = h v, λ1 u1 + λ2 u2 + · · · + λr ur i = λ1 h v, u1 i + λ2 h v, u2 i + · · · + λr h v, ur i = λ1 0
+ λ2 0
+ · · · + λr 0 = 0
Sendo assim, s´ o nos resta provar que v ´e ortogonal a cada ui . Consideremos o produto h v, u1 i = h u−h u, u1 i u1 −h u, u2 i u2 − ··· −h u, ur i ur , u1 i = h u, u1 i−h h u, u1 iu1 , u1 i−h h u, u2 iu2 , u1 i− ··· −h h u, ur iur , u1 i = h u, u1 i−h u, u1 i h u1 , u1 i−h u, u2 i h u2 , u1 i− ··· −h u, ur i h ur , u1 i = h u, u1 i−h u, u1 i 1
−h u, u2 i 0
− ··· −h u, ur i 0 = 0
Onde usamos a hip´ otese de que o conjunto { u1 , u2 , . . . , ur } ´e ortonormal. De modo an´ alogo provamos que h v, u2 i = · · · = h v, ur i = 0. 290
Processo de ortogonaliza¸ c˜ ao de Gram-Schmidt∗ A partir de uma base qualquer de um espa¸co vetorial existe um processo (algoritmo) para se obter uma base ortogonal. Inicialmente vamos mostrar como esse algoritmo funciona para uma base B = { v1 , v2 } com dois vetores. Enfatizando: a partir da base B, na qual v1 e v2 n˜ ao s˜ ao ortogonais queremos construir uma outra base C = { u1 , u2 } na qual u1 e u2 s˜ ao ortogonais. t v2
u2 t
⇒ t v1
t u1
⊡ 0
0
Ent˜ ao, tomemos u1 = v1 . Precisamos encontrar com o aux´ılio de v2 um novo vetor u2 ortogonal a u1 . Para isto tomamos u2 = v2 − λ u1 , onde λ ´e um n´ umero a ser encontrado de modo que u1 e u2 resultem ortogonais, ou seja, h u2 , u1 i = 0, ou ainda h v2 − λ u 1 , u 1 i = 0 Sendo assim temos h v2 + (−λ u1 ), u1 i = h v2 , u1 i + h (−λ u1 ), u1 i = h v2 , u1 i − λ h u1 , u1 i Logo h v2 − λ u1 , u1 i = h v2 , u1 i − λ h u1 , u1 i = 0
⇒
λ=
h v2 , u 1 i h u1 , u1 i
Comparando λ com a equa¸c˜ ao (5.37) (p. 288) concluimos que λ ´e a coordenada (proje¸c˜ao, coeficiente de Fourier) de v2 em rela¸c˜ao a v1 (= u1 ). ∗
J¨ orgen Pederson Gram (1850-1916) foi um atu´ ario dinamarquˆes. Erhard Schmidt (1876-1959) ensinou em diversas universidades alem˜ as importantes e foi aluno de Hermann Amandus Schwarz e David Hilbert. Ele realizou contribui¸c˜ oes importantes para o estudo de equa¸c˜ oes integrais e equa¸c˜ oes diferenciais parciais e, como parte deste estudo, introduziu o m´etodo para encontrar uma base ortogonal em 1907. Em 1908, escreveu um artigo sobre sistemas lineares de infinitas equa¸c˜ oes com infinitas inc´ ognitas, no qual fundou a teoria dos espa¸cos de Hilbert e no qual ele novamente utilizou este m´etodo.
291
Resumindo, a base procurada fica assim: u1 = v1
u2 = v2 − λ u1 = v2 −
e
h v2 , u1 i u h u1 , u1 i 1
(5.38)
Observe que u2 foi obtido de v2 subtraindo-se deste a proje¸c˜ao (coordenada) do vetor v2 em rela¸c˜ ao a v1 (= u1 ). Geometricamente tudo se passa assim: t v2
u2 t
t u1 = v1 t
λ u1
0
t
−λ u1 u1 e u2 s˜ ao vetores ortogonais n˜ ao nulos. Podemos ent˜ao normaliz´a-los: u′1 =
u1 ku1 k
e
u′2 =
u2 ku2 k
para obter uma base C ′ = { u′1 , u′2 } ortonormal. Nota: Normalizar um vetor u (n˜ ao nulo) significa a partir dele obter um outro vetor u′ de norma 1; para isto basta dividir o vetor por sua norma. De fato,
1 u 1 1
′ ′ u = = u ⇒ ku k = u = kuk = 1 kuk kuk kuk kuk
Observe que na pen´ ultima igualdade acima usamos as propriedades PN1 e PN2 da norma (p. 264). Exemplo: Seja B = { (4, 1), (1, 3) } uma base do R2 . Vamos obter a partir de B uma base ortonormal em rela¸c˜ao ao produto interno usual. Sejam ent˜ao v1 = (4, 1)
e
v2 = (1, 3)
Agora basta usar a equa¸c˜ao (5.38), isto ´e, u1 = (4, 1)
e
u2 = (1, 3) −
h (1, 3), (4, 1) i (4, 1) h (4, 1), (4, 1) i
Ent˜ ao h (1, 3), (4, 1) i = 1 · 4 + 3 · 1 = 7 h (4, 1), (4, 1) i = 4 · 4 + 1 · 1 = 17 292
Logo u2 = (1, 3) −
7 (4, 1) = 17
11 44 , 17 17
−
Para normalizar esses vetores precisamos de r √ p √ 2057 11 2 44 2 2 2 − ku1 k = 4 + 1 = 17 e ku2 k = + = 17 17 17 Ent˜ao
u′1 =
1 1 u1 = √ (4, 1) ku1 k 17
u′2 =
e
1 17 u2 = √ ku2 k 2057
−
Geometricamente tudo se passa assim y
y′
sv
s v2
p
p
3
11 44 , 17 17
2
u2 s p
p
2
v1
p
s
p1
p2
p3
x
u′2 s
p4
N { v1 , v2 } base n˜ ao ortogonal.
s
p
1
us′1 p
x′
u 1 = v1
s
λ u1 p
p
p
s
−λ u1
N { u′1 , u′2 } base ortonormal.
O procedimento de ortogonaliza¸c˜ao de dois vetores pode ser generalizado para uma base B = { v1 , v2 , . . . , vn } com n vetores. Tomemos como anteriormente u1 = v1 u2 = v2 − λ u1
onde
λ=
h v2 , u1 i h u1 , u1 i
J´ a vimos que u1 e u2 s˜ ao ortogonais. Vamos construir agora um vetor u3 que seja ao mesmo tempo ortogonal a u1 e u2 . Por analogia ao caso anterior vamos adotar u3 = v3 − α u2 − β u1 (5.39) e determinar os escalares α e β tais que h u3 , u2 i = 0 e h u3 , u1 i = 0. Sendo assim temos o seguinte sistema a resolver h v3 − α u2 − β u1 , u2 i = 0 ⇒ h v3 , u2 i − α h u2 , u2 i − β h u1 , u2 i = 0 hv − αu − β u , u i = 0 ⇒ hv , u i − αhu , u i − β hu , u i = 0 3 2 1 1 3 1 2 1 1 1 293
Como h u1 , u2 i = h u2 , u1 i = 0, das duas u ´ltimas equa¸c˜oes obtemos: α=
h v3 , u2 i h u2 , u2 i
e
β=
h v3 , u1 i h u1 , u1 i
Substituindo esses resultados em (5.39), obtemos u3 = v3 −
hv , u i h v3 , u2 i u − 3 1 u h u2 , u2 i 2 h u1 , u1 i 1
Comparando α com a equa¸c˜ao (5.37) (p. 288) concluimos que α ´e a coordenada (proje¸c˜ ao, coeficiente de Fourier) de v3 em rela¸c˜ao a u2 . Conclus˜ao an´ aloga vale para β. Sendo assim u3 ´e obtido de v3 subtraindo-se suas proje¸c˜ oes sobre u1 e u2 . Procedendo de maneira an´ aloga, obtemos os vetores u4 , . . . , un . Assim, a partir de uma base B = { v1 , . . . , vn } de um espa¸co vetorial V , construimos a base ortogonal C = { u1 , . . . , un } dada por: u 1 = v1 u 2 = v2 −
h v2 , u1 i h u1 , u1 i
u1
u 3 = v3 −
h v3 , u2 i h u2 , u2 i
u2 −
h v3 , u1 i h u1 , u1 i
u1
............................................ u n = vn −
h vn , un−1 i h un−1 , un−1 i
un−1 − · · · −
h vn , u1 i h u1 , u1 i
u1
A partir desta base podemos obter uma outra base de vetores ortonormais, basta normalizar cada um dos vetores acima. Nota: Podemos, alternativamente, provar o algoritmo (ou processo) de Gram-Schmidt fazendo uso da proposi¸c˜ao 19. (p. 290) Exemplo: Seja B = { (1, 0, 0), (0, 1, 1), (0, 1, 2) } uma base do R3 . Vamos aplicar o algoritmo de Gram-Schmidt para obter a partir de B uma base ortonormal em rela¸c˜ao ao produto interno usual. Sejam v1 = (1, 0, 0), v2 = (0, 1, 1) e v3 = (0, 1, 2). Ent˜ao, seguindo o algoritmo temos: u1 = v1 = (1, 0, 0) u2 = v2 −
h v2 , u1 i h u1 , u1 i
u1 = (0, 1, 1) −
h (0, 1, 1), (1, 0, 0) i h (1, 0, 0), (1, 0, 0) i
(1, 0, 0) = (0, 1, 1)
Observe que u2 = v2 porque v2 j´a ´e ortogonal a v1 . Continuando u 3 = v3 −
hv , u i h v3 , u2 i u2 − 3 1 u1 h u2 , u2 i h u1 , u1 i
= (0, 1, 2) −
h (0, 1, 2), (0, 1, 1) i h (0, 1, 2), (1, 0, 0) i (0, 1, 1) − (1, 0, 0) h (0, 1, 1), (0, 1, 1) i h (1, 0, 0), (1, 0, 0) i 294
Fazendo as contas obtemos u3 = 0, − 12 , C=
n
1 2
. Logo,
1 1 o (1, 0, 0), (0, 1, 1), 0, − , 2 2
´e uma base ortogonal (o que pode ser confirmado diretamente). Normalizando cada um dos vetores acima obtemos √ √ o √ √ n 2 2 2 2 ′ , , , 0, − C = (1, 0, 0), 0, 2 2 2 2 que ´e uma base ortonormal do R3 , construida a partir da base B. Geometricamente temos Algoritmo Gram-Schmidt
R
sv
= (0, 1, 2)
sv
= (0, 1, 1)
3
2
R
u′3
s
s
u′2
R
sv
1
R
R
su′
= (1, 0, 0)
1
R
N { v1 , v2 , v3 } base n˜ ao ortogonal.
N { u′1 , u′2 , u′3 } base ortonormal.
Polinˆ omios de Legendre Os polinˆ omios de Legendre s˜ ao aplicados na f´ısica quˆantica, por exemplo na resolu¸c˜ao da equa¸c˜ ao de Schr¨ oedinger − para o ´atomo de hidrogˆenio (p. 112). Consideremos em P3 (R) a seguinte base
B = { 1, t, t2 , t3 } que ´e ortogonal em rela¸c˜ ao ao produto interno usual (equa¸c˜ao (5.4), p. 261), prove isto. Mostre que esta base n˜ ao ´e ortogonal segundo o produto interno dado por Z 1
h f, g i =
f (t) g(t) dt
(5.40)
−1
Vamos, a partir de B, construir uma base C = { u1 , u2 , u3 , u4 } ortogonal em rela¸c˜ ao a esse produto interno. Solu¸ c˜ ao: Sejam v1 = 1, v2 = t, v3 = t2 algoritmo temos: 295
e v4 = t3 . Ent˜ao, seguindo o
u1 = v1 = 1 u2 = v2 −
h v2 , u1 i h u1 , u1 i
u1
Temos h v2 , u1 i = h t, 1 i =
Z
1
−1
t · 1 dt = 0
e
h u1 , u1 i =
Z
1
−1
1 · 1 dt = 2
Sendo assim, temos: u2 = v2 = t. Prosseguindo, devemos obter u3 = v3 −
hv , u i h v3 , u2 i u2 − 3 1 u1 h u2 , u2 i h u1 , u1 i
Ent˜ ao h v3 , u2 i = h t2 , t i =
Z
1 −1
t2 · t dt = 0
e
h u2 , u2 i =
Z
1
−1
t · t dt = 2/3
Ainda 2
h v3 , u1 i = h t , 1 i =
Z
1 −1
t2 · 1 dt = 2/3
Substituindo estes resultados na equa¸c˜ao de u3 , dada acima, obtemos u3 = t 2 −
0 2/3 1 t− · 1 = t2 − 2/3 2 3
Finalmente u4 = v4 −
hv , u i hv , u i h v4 , u3 i u3 − 4 2 u2 − 4 1 u1 h u3 , u3 i h u2 , u2 i h u1 , u1 i
Deixamos como exerc´ıcio ao leitor confirmar os seguintes resultados h v4 , u3 i = 0,
h v4 , u2 i =
2 5
e h v4 , u1 i = 0
Substituindo os resultados obtidos na equa¸c˜ao de u4 , dada anteriormente, obtemos u4 = t3 − 35 t. Sendo assim, resulta C=
n
1 3 o 1, t, t2 − , t3 − t 3 5
´ uma base ortogonal em rela¸c˜ao ao produto interno dado em (5.40). E Observe que se dois vetores s˜ ao ortogonais multiplicando um deles por uma constante a ortogonalidade ´e preservada. Dizemos h u, v i = 0 ⇒ h λ u, v i = 0 296
Assim ´e que vamos multiplicar o terceiro vetor em C, acima, por 3/2 e o quarto por 5/2 para obter n o 1 1 C ′ = 1, t, (3t2 − 1), (5t3 − 3t) 2 2
Cada um destes vetores vale 1 em t = 1, isto ´e, p(1) = 1. Estes s˜ ao os quatro primeiros polinˆ omios de Legendre, em homenagem ao matem´ atico francˆes Adrien-Marie Legendre (1752-1833), que primeiro reconheceu sua importˆ ancia no estudo da atra¸c˜ ao gravitacional. Os polinˆ omios de Legendre: P0 (t) = 1
P1 (t) = t
P2 (t) = 12 (3t2 − 1)
P3 (t) = 12 (5t3 − 3t)
s˜ ao solu¸c˜ oes da importante equa¸c˜ ao diferencial de Legendre: (1 − t2 )Pn′′ − 2tPn′ + n(n + 1)Pn = 0
(5.41)
Utilizada na f´ısica quˆantica. A f´ormula seguinte 1 dn [(t2 − 1)n ] 2n n! dtn conhecida como f´ ormula de Rodrigue’s nos fornece o polinˆ omio de Legendre de ordem n ( n = 0, 1, 2, . . .). Ainda a t´ıtulo de informa¸c˜ ao, os polinˆ omios de Legendre comparecem na famosa Quadratura Gaussiana, uma importante t´ecnica num´erica para o Rb c´alculo de integrais a f (x) dx, na qual faz-se a seguinte mudan¸ca de vari´ avel: Z 1 Z b F (t) dt f (x) dx = Pn (t) =
−1
a
Os polinˆ omios de Legendre encontram-se dispon´ıveis na Calculadora HP50g; por exemplo, nas telas a seguir
`a esquerda temos os polinˆ omios de terceira e quarta ordem, 1 1 (5 t3 − 3 t) e p4 (t) = (35 t4 − 30 t2 + 3) 2 8 no centro e a ` direita a plotagem dos respectivos gr´ aficos. p3 (t) =
297
Complemento ortogonal Seja U um subespa¸co vetorial do espa¸co com produto interno V . O complemento ortogonal de U , denotado por U ⊥ (lˆe-se “U perp”) ´e formado por todos os vetores v de V que s˜ ao ortogonais a todo vetor u ∈ U ; isto ´e U ⊥ = v ∈ V : h v, u i = 0, ∀ u ∈ U Exemplo: Seja V = R2 com o produto interno usual e U = { (λ, λ) : λ ∈ R }. Vamos encontrar o complemento ortogonal de U , assim: U ⊥ = v ∈ V : h v, u i = 0, ∀ u ∈ U = (x, y) ∈ R2 : h (x, y), (λ, λ) i = 0, ∀ u ∈ U
Devemos resolver a equa¸c˜ao
h (x, y), (λ, λ) i = 0 ⇒ x · λ + y · λ = 0 Como essa equa¸c˜ ao deve ser satisfeita para todo λ real ent˜ao y = −x. Portanto y
U⊥
= { (x, y) ∈
R2
: y = −x }
U
U⊥
x
Proposi¸ c˜ ao 20. O subconjunto U ⊥ ´e um subespa¸co vetorial de V . Prova: Sejam u1 e u2 dois vetores arbitr´arios em U ⊥ . Ent˜ao h u1 , v i = h u2 , v i = 0,
∀ v ∈ V.
Daqui decorre h u1 + u2 , v i = h u1 , v i + h u2 , v i = 0,
∀ v ∈ V.
Portanto, u1 +u2 ∈ U ⊥ . Outrossim, mostremos que o complemento ´e fechado para a multiplica¸c˜ ao por escalar. Sejam u ∈ U ⊥ e λ ∈ R, ent˜ao h λ u, v i = λ h u, v i = λ · 0 = 0,
∀ v ∈ V.
Para concluir observamos que U ⊥ ´e n˜ ao vazio, pois 0 ∈ U ⊥ . 298
Proposi¸ c˜ ao 21. Seja U um subespa¸co vetorial de um espa¸co euclidiano de dimens˜ ao finita V . Ent˜ ao V = U ⊕ U ⊥ . Isto ´e, V ´e a soma direta de U e U ⊥ . Prova: Devemos provar que V = U + U ⊥ e U ∩ U ⊥ = { 0 }. Com efeito, seja B = { u1 , u2 , . . . , ur } uma base ortonormal de U . Pela proposi¸c˜ ao 19 (p. 290), dado u ∈ V , o vetor v = u − h u, u1 i u1 − h u, u2 i u2 − · · · − h u, ur i ur ´e ortogonal a todo vetor de U , ou seja, v ∈ U ⊥ . Sendo assim o vetor u = h u, u1 i u1 + h u, u2 i u2 + · · · + h u, ur i ur + v pertence a U + U ⊥ j´a que a soma das r primeiras parcelas no segundo membro acima est´ a em U . Como u foi fixado arbitrariamente em V isso prova que V ⊂ U + U ⊥ . Logo V = U + U ⊥ .
Agora seja w ∈ U ∩ U ⊥ , sendo assim w ∈ U ⊥ ; ent˜ao w ´e ortogonal a todo vetor de U . Em particular temos h w, w i = 0, no que resulta w = 0, logo: U ∩ U ⊥ = { 0 }.
Proje¸c˜ ao ortogonal
Conforme vimos se B = { u1 , u2 , . . . , ur } ´e uma base ortonormal de um subespa¸co U de um espa¸co euclidiano V , ent˜ao todo vetor u ∈ V se decomp˜oe, de maneira u ´nica, em duas parcelas ortogonais entre si, de acordo com a equa¸c˜ ao u = h u, u1 i u1 + h u, u2 i u2 + · · · + h u, ur i ur + |{z} v | {z } ∈U
∈ U⊥
A primeira parcela acima ´e chamada proje¸ca ˜o ortogonal de u sobre o subespa¸co U . Exemplo: Seja V = R2 com o produto interno usual e U = { (λ, λ) : λ ∈ R }. Encontrar a proje¸c˜ ao de u = (1, 3) sobre este subespa¸co. Solu¸ ca ˜o: B ′ = { (1, 1) } ´e uma base de U , dividindo esse vetor por sua norma, temos uma base, B = √12 (1, 1) , ortonormal de U ; sendo assim a proje¸c˜ao procurada vale E 1 D 1 h u, u1 i u1 = (1, 3), √ (1, 1) √ (1, 1) 2 2 Temos
1 1 h u, u1 i u1 = √ (1 · 1 + 3 · 1) √ (1, 1) = (2, 2) 2 2 Geometricamente, temos 299
R U⊥
u
U
s
p
3
s
p
2
p
1
p
0
1
p
2
p
3
R
Exemplo: Encontre a proje¸c˜ao ortogonal do polinˆ omio f (t) R 1 = 1 + 2t ∈ P2 sobre o subespa¸co U = [ t ], em rela¸c˜ao ao produto interno −1 f (t) g(t) dt. Solu¸ c˜ ao: B ′ = { t } ´e uma base de U , dividindo esse vetor por sua norma sZ r 1 2 t · t dt = ktk = 3 −1 q3 temos uma base, B = u1 = 2 t , ortonormal de U ; sendo assim a proje¸c˜ ao procurada vale r Er D 3 3 t t h u, u1 i u1 = 1 + 2t, 2 2 Ou ainda
r Z 1 r3 3 (1 + 2t) · t dt t = 2t h u, u1 i u1 = 2 2 −1 ∗
∗
∗
Por ora, tudo se passa como se Nietzsche recusasse apenas os atributos que a chamada metaf´ısica dogm´ atica confere a Deus, sem todavia negar-lhe a existˆencia. A leitura de mais alguns de seus escritos fortalece essa hip´ otese. “Afastemos a suprema bondade do conceito de Deus: ela ´e indigna de um Deus. Afastemos tamb´em a suprema sabedoria: foi a vaidade dos fil´ osofos que se tornou culpada dessa extravagˆ ancia de um Deus monstro de sabedoria: ele deveria parecer-se com eles tanto quanto poss´ıvel. N˜ ao! Deus, a suprema potˆencia − isso basta”. (Scarlett Marton/Nietzsche das for¸cas c´ osmicas aos valores humanos, p. 166)
300
5.6
Isometrias
Daremos ˆenfase agora a um tipo de operador linear especial que − dentre outras propriedades − preserva o ˆangulo entre dois vetores bem como suas distˆ ancias para a origem. Por sinal, j´a estudamos dois destes operadores: o operador rota¸ca ˜o em torno da origem s
Uma rota¸c˜ ao em torno da origem preserva a distˆ ancia dos vetores − para a origem − e tamb´em o ˆ angulo entre os vetores.
s
s
)
s )
s 0
E o operador reflex˜ ao em uma reta pela origem s
Uma reflex˜ ao numa reta pela origem preserva a distˆ ancia dos vetores − para a origem − e tamb´em o ˆ angulo entre os vetores.
s
)
s )
s
0
Defini¸ c˜ ao 37 (Isometria). Seja V um espa¸co euclidiano de dimens˜ ao finita. Um operador linear T : V → V ´e dito uma isometria se possui a seguinte propriedade k T (u) k = k u k, ∀ u ∈ V. Isto ´e, se preserva a norma dos vetores. Uma tal isometria ´e tamb´em conhecida como operador ortogonal sobre V . Exemplo: Consideremos a rota¸c˜ao de um ponto em torno da origem T : R2 → R2 (x, y) 7→ (x cos θ−y sen θ, x sen θ+y cos θ) Onde T (x, y) = (x cos θ − y sen θ, x sen θ + y cos θ). Utilizando a norma usual: (ver eq. (5.7), p. 263) p k T (x, y) k = (x cos θ − y sen θ)2 + (x sen θ + y cos θ)2 p = x2 (cos2 θ + sen 2 θ) + y 2 ( sen 2 θ + cos2 θ) p = x2 + y 2 = k (x, y) k 301
Proposi¸ c˜ ao 22. Toda isometria T : V → V ´e um isomorfismo. Prova: Inicialmente vamos encontrar o n´ ucleo de T , assim: N (F ) = { u ∈ V : T (u) = 0 } Ent˜ ao T (u) = 0 ⇒ k T (u) k = k 0k = 0 ⇒ kuk = k T (u) k = 0 ⇒ u = 0 Logo, N (F ) = { 0 }. O que significa que T ´e injetora. Como o dom´ınio e o contradom´ınio de T tˆem a mesma dimens˜ao podemos recorrer ao corol´ ario 4 (p. 166) para concluir que T ´e tamb´em sobrejetora, portanto bijetora. Proposi¸ c˜ ao 23. Seja T : V → V um operador linear sobre um espa¸co euclidiano V . Ent˜ ao s˜ ao equivalentes as seguintes afirma¸co ˜es: ( I ) T ´e isometria. ( II ) T transforma bases ortonormais de V em bases ortonormais de V . ( III ) T preserva o produto interno de vetores; isto ´e, h T (u), T (v) i = h u, v i,
∀ u, v ∈ V.
Prova: ( I ) ⇒ ( II ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V e provemos que T (B) tamb´em ´e uma base ortonormal de V . Como T ´e injetora, T (B) e B tˆem o mesmo n´ umero de vetores, digamos: B = { u1 , u2 , . . . , un }
T
T (B) = { T (u1 ), T (u2 ), . . . , T (un ) }
Devemos provar que T (B) ´e um conjunto ortonormal. Da igualdade (5.10) (p. 265), podemos escrever as duas seguintes k ui + uj k2 = kui k2 + kuj k2 + 2h ui , uj i k T (ui ) + T (uj ) k2 = kT (ui )k2 + kT (uj )k2 + 2h T (ui ), T (uj ) i Como, por hip´ otese, T ´e isometria decorre que os primeiros membros nestas igualdades s˜ ao iguais, e, ademais kT (uk )k = kuk k
(k = 1, 2, . . . , n).
Donde h T (ui ), T (uj ) i = h ui , uj i = δij Isto prova que T (B) ´e um conjunto ortonormal.
302
(eq. (5.36), p. 287)
( II ) ⇒ ( III ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V . Ent˜ao, dados u = λ1 u1 + · · · + λn un
e
v = γ1 u1 + · · · + γn un
Temos h T (u), T (v) i = h T (λ1 u1 + · · · + λn un ), T (γ1 u1 + · · · + γn un ) i = h λ1 T (u1 ) + · · · + λn T (un ), γ1 T (u1 ) + · · · + γn T (un ) i Aplicando as propriedades do produto interno, obtemos h T (u), T (v) i = λ1 γ1 h T (u1 ), T (u1 ) i + · · · + λ1 γn h T (u1 ), T (un ) i + ················································
+ λn γ1 h T (un ), T (u1 ) i + · · · + λn γn h T (un ), T (un ) i Decorre da hip´ otese que T (B) = { T (u1 ), T (u2 ), . . . , T (un ) } ´e ortonormal, o que acarreta h T (u), T (v) i = λ1 γ1 h T (u1 ), T (u1 ) i + · · · + λ1 γn h T (u1 ), T (un ) i | {z } {z } | =1
=0
+ ················································
+ λn γ1 h T (un ), T (u1 ) i + · · · + λn γn h T (un ), T (un ) i {z } {z } | | =0
=1
Sendo assim, temos
h T (u), T (v) i = λ1 γ1 + · · · + λn γn Por outro lado, um racioc´ınio an´ alogo ao anterior nos fornece h u, v i = h λ1 u1 + · · · + λn un , γ1 u1 + · · · + γn un i = λ1 γ1 + · · · + λn γn Logo ( III ) ⇒ ( I )
h T (u), T (v) i = h u, v i,
∀ u, v ∈ V.
Tomando u = v na hip´ otese, obtemos h T (u), T (u) i = h u, u i,
∀ u, v ∈ V.
O que nos fornece p p k T (u) k = h T (u), T (u) i = h u, u i = k u k,
303
∀ u ∈ V.
Decorre desta proposi¸c˜ao que toda isometria T : V → V preserva o ˆngulo entre dois vetores; isto ´e, o ˆangulo entre dois vetores u e v ´e igual a ao ˆ angulo entre suas imagens T (u) e T (v). (ver eq. (5.35), p. 284) Exemplo: Se T1 e T2 s˜ ao isometrias num espa¸co euclidiano V , mostraremos que a composta T1 ◦ T2 tamb´em o ´e. Ademais, provaremos que se T ´e uma isometria em V , ent˜ao T −1 tamb´em ´e uma isometria em V . De fato, j´a vimos (p. 207) que a composta de duas transforma¸c˜oes lineares continua sendo uma transforma¸c˜ao linear. Por outro lado k (T1 ◦ T2 )(u) k = k T1 T2 (u) k = k T2 (u) k = kuk, ∀ u ∈ V
na segunda e terceira igualdades usamos a hip´ otese de que T1 e T2 s˜ ao isometrias. A igualdade acima prova que a composta preserva a norma dos vetores, portanto ´e tamb´em isometria. Vamos ` a segunda parte. J´ a provamos que toda isometria ´e um isomor−1 fismo, logo existe T . Ent˜ao
−1
T (u) 2 = h T −1 (u), T −1 (u) i = h T T −1 (u) , T T −1 (u) i = h I(u), I(u) i = h u, u i = kuk2
Observe que na segunda igualdade usamos ( III ) da proposi¸c˜ao 23 − tendo em conta que T ´e ismometria, por hip´ otese.
−1
Da igualdade acima concluimos que T (u) = kuk, ∀ u ∈ V . Portanto T −1 tamb´em preserva a norma e por isso tamb´em ´e isometria. O nome alternativo para uma isometria (“operador ortogonal ”) decorre da seguinte proposi¸c˜ ao Proposi¸ c˜ ao 24. Seja T : V → V um operador linear de um espa¸co euclidiano de dimens˜ ao finita. Ent˜ ao T ´e uma isometria se, e somente se, a matriz de T em rela¸ca ˜o a uma base ortonormal ´e uma matriz ortogonal. Nota: Uma matriz [ T ] ´e ortogonal quando sua inversa ´e igual `a sua transposta, isto ´e, [ T ]−1 = [ T ]t . Prova: ( ⇒ ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V . Seguindo o algoritmo dado na p. 189 podemos escrever T (u1 ) = λ11 u1 + λ21 u2 + · · · + λn1 un
T (u2 ) = λ12 u1 + λ22 u2 + · · · + λn2 un ..................................... T (un ) = λ1n u1 + λ2n u2 + · · · + λnn un
Tomamos o “transposto” dos coeficientes acima para obter: λ11 λ12 . . . λ1n λ 21 λ22 . . . λ2n [T ] = ................... λn1
λn2
304
...
λnn
Em correspondˆencia aos ´ındices desta matriz consideremos a seguinte matriz
h T (u1 ), T (u1 ) i
h T (u1 ), T (u2 ) i . . .
h T (u1 ), T (un ) i
h T (un ), T (u1 ) i h T (un ), T (u2 ) i . . .
h T (un ), T (un ) i
h T (u ), T (u ) i h T (u ), T (u ) i . . . h T (u ), T (u ) i n 2 1 2 2 2 .......................................................
= In
Nestas condi¸c˜ oes n˜ ao ´e dif´ıcil mostrar a seguinte rela¸c˜ao [ T ]t [ T ] = In Daqui decorre que [ T ]−1 = [ T ]t . ( ⇐ ) “A volta” ´e praticamente o caminho inverso da prova anterior.
Exemplo: A matriz-rota¸c˜ ao
[T ] = ´e ortogonal, o que significa que " [ T ]t =
"
cos θ − sen θ sen θ cos θ
cos θ − sen θ
sen θ cos θ
#
(p. 247)
#
= [ T ]−1
Corol´ ario: Decorre da proposi¸ca˜o anterior que o determinante de uma matriz ortogonal ´e +1 ou −1. De fato, sendo [ T ] ortogonal, [ T ]t [ T ] = In , logo det [ T ]t [ T ] = det ( In ) ⇒ det [ T ]t det [ T ] = 1
Como det [ T ] = det [ T ]t , decorre queremos det [ T ]
2
=1 ⇒
305
det [ T ] = ±1.
Corol´ ario: Dizer que uma matriz real de ordem n ´e ortogonal significa que suas colunas formam uma base ortonormal do Rn . Reciprocamente, os vetores de uma base ortonormal do Rn , em rela¸c˜ao ao produto interno usual, costituem as colunas de uma matriz ortogonal. Vejamos o que foi dito acima para o caso n = 2. Consideremos " # a11 a12 M= a21 a22 uma matriz ortogonal. Consideremos os seguintes vetores u = (a11 , a21 ), v = (a12 , a22 )
(5.42)
do R2 , formados pelas colunas dessa matriz. Da hip´ otese de que a matriz ´e ortogonal vale M t M = In ; o que se traduz como a11 a11 + a21 a21 = 1 # " #" # " a11 a12 + a21 a22 = 0 a11 a21 a11 a12 1 0 ⇒ = 0 1 a12 a22 a21 a22 a12 a11 + a22 a21 = 0 a12 a12 + a22 a22 = 1 Logo
h u, u i = 1,
h u, v i = 0
h v, u i = 0,
h v, v i = 1
Isso mostra que (5.42) ´e uma base ortonormal do R2 . Para constatar o “Reciprocamente” basta seguir o “caminho inverso” da prova anterior.
∗
∗
∗
[. . .] Sim, de fato ele [Leibniz] percebeu no bit 0 e no bit 1 o poder combinat´ orio para criar o universo inteiro, que ´e exatamente o que acontece nos modernos computadores digitais eletrˆ onicos e no restante de nossa tecnologia de informa¸ca ˜o digital: CDS, DVDS, cˆ ameras digitais, PCS. . . Tudo isso ´e 0’s e 1’s, e esta ´e a nossa imagem do mundo! Vocˆe combina apenas 0’s e 1’s e vocˆe consegue tudo. [. . .] A despeito da cr´ıtica de Laplace, a vis˜ ao de Leibniz, pela qual o mundo ´e criado a partir dos 0’s e 1’s, recusa-se a sair de cena. De fato, ela come¸cou a inspirar alguns f´ısicos contemporˆ aneos, que provavelmente nunca ouviram falar de Leibniz. (Gregory Chaitin/Metamat!/pp. 99-101)
306
5.6.1
Exerc´ıcios
1) No espa¸co Z22 cujos vetores s˜ ao listados a seguir 01
11
00
10
Z22 = { 00, 10, 01, 11 } a partir da base B = { 10, 11 } aplique, com o produto interno usual, o algoritmo de Gram-Schmidt para obter uma base ortonormal. 2) No espa¸co Z32 cujos vetores s˜ ao listados a seguir 001
Z32 = { 000, 100, 010, 110, 001, 101, 011, 111 }
011
101
111 000
100
010 110
a partir da base B = { 101, 011, 111 } aplique, com o produto interno usual, o algoritmo de Gram-Schmidt para obter uma base ortonormal. 3) Calcule o valor de k para que os vetores u = (k + 1, 2) e v = (−1, 4) sejam ortogonais em rela¸c˜ ao ao produto interno usual de R2 . 4) Calcule o valor de k para que os vetores u = (5, k, −3) e v = (k, 1, 2) sejam ortogonais em rela¸c˜ ao ao produto interno usual de R3 . 5) Calcule o valor de k para que os vetores u = (1, k + 1, k)
e
v = (k − 1, k, k + 1)
sejam ortogonais em rela¸c˜ ao ao produto interno usual de R3 . 6) Dados V = R2 e o produto interno h u, v i = 2x1 y1 + 3x2 y2 calcule um vetor unit´ ario simultˆ aneamente ortogonal aos vetores u = (1, 2) e v = (2, 4). 7) Consideremos no espa¸co V = R2 o produto interno dado por h u, v i = x1 y1 + 2x2 y2 para vetores arbitr´arios u = (x1 , x2 ), v = (y1 , y2 ). Verifique se u e v s˜ ao ortogonais, em rela¸c˜ ao a esse produto, nos seguintes casos: a ) u = (−1, 1) e v = (1, 1); b ) u = (1, 1) c ) u = (2, 1) d ) u = (3, 2)
e v = (2, −1);
e v = (1, −1);
e v = (2, −1).
307
8) Dadas duas matrizes quaisquer a1 a2 A= a3 a4
e
B=
b1 b3
b2 b4
do espa¸co vetorial V = M2×2 munido do produto interno h A, B i = a1 b1 + a2 b2 + a3 b3 + a4 b4 e dados os vetores A=
1 −1 0 −1
e
B=
2 −2 −1 1
calcule: a ) kA + Bk;
b ) d(A, B) = kA − Bk;
b) o ˆ angulo entre A e B. 9) Em rela¸c˜ ao ao produto interno do exerc´ıcio anterior calcule k de modo que o ˆ angulo entre os vetores a seguir 1 −1 1 −1 e B= A= 2 k 2 1 tenha uma medida de 90o . 10) Dados os polinˆ omios f (t) = 1 − t + t2 Re g(t) = 1 + t no espa¸co V = P2 , 1 munido do produto interno h f (t), g(t) i = 0 f (t) g(t) dt calcule: a ) kf + gk b ) d(f, g) = kf − gk c ) o ˆangulo entre f e g.
11) Mesmo enunciado do Rexerc´ıcio anterior mudando o produto interno para 1 o seguinte h f (t), g(t) i = −1 f (t) g(t) dt.
12) Mostrar que a base canˆ onica ao ´e ortonormal em rela¸c˜ao ao R 1 de P2 n˜ produto interno h f (t), g(t) i = 0 f (t) g(t) dt. 13) A partir da base canˆ onica de P2 obter uma base ortonormal em rela¸c˜ao ao produto interno Z 1 f (t) g(t) dt h f (t), g(t) i = 0
14) Determinar a proje¸c˜ao ortogonal de f (t) = −1 + 2t ∈ P2 sobre o subespa¸co U = [ t ], em rela¸c˜ao ao produto interno Z 1 f (t) g(t) dt h f (t), g(t) i = −1
15) Seja V um espa¸co vetorial euclidiano. Dados u, v ∈ V (v 6= 0) e u, v i k = hkvk e ortogonal a v. 2 , mostre que u − k v ´ 308
16) Mostre que se u e v s˜ ao vetores em um espa¸co vetorial euclidiano tais que ku + vk = ku − vk, ent˜ ao u e v s˜ ao ortogonais.
17) Seja B = { (1, 0), (0, 1) } a base canˆ onica de R2 . Mostre que esta base n˜ ao ´e ortonormal em rela¸c˜ ao so produto interno de R2 , definido por h (x1 , x2 ), (y1 , y2 ) i = 2x1 y1 − x1 y2 − x2 y1 + x2 y2 18) A partir da base canˆ onica de R2 obter uma base ortonormal em rela¸c˜ao ao produto interno do exerc´ıcio anterior. 19) Determine uma base ortonormal, em rela¸c˜ao ao produto interno canˆ onico, 3 para o seguinte subespa¸co de R : W = { (x, y, z) ∈ R3 : x − y + z = 0 } 20) Suponha que os vetores u e v s˜ ao ortogonais. Mostre o teorema de 2 2 2 Pit´ agoras: ku + vk = kuk + kvk . 21) Mostre que um produto interno pode ser obtido a partir de uma fun¸c˜ao norma: 1 h u, v i = ku + vk2 − ku − vk2 4 22) A partir da f´ormula anterior obtenha dois produtos internos para os espa¸cos Z22 e Z32 segundo as normas dadas em (5.20) (p. 273) e (5.25) (p. 276). 23) Calcule o ˆ angulo entre os vetores u = 10 e v = 11 em rela¸c˜ao aos dois produtos internos obtidos no exerc´ıcio anterior. ´Idem para os vetores u = 110 e v = 111. 24) Seja V um espa¸co vetorial euclidiano de dimens˜ao finita. Se W ´e um subespa¸co vetorial de V , mostremos que W = ( W ⊥ )⊥ . Solu¸ ca ˜o: Devemos mostrar uma igualdade entre dois conjuntos. Mostremos inicialmente que W ⊂ ( W ⊥ )⊥ . Ent˜ao, seja w ∈ W , temos: h w, u i = 0, u ∈ W ⊥ . Observe que, por defini¸c˜ ao, (p. 298) ( W ⊥ )⊥ = { v ∈ V : h v, u i = 0, ∀ u ∈ W ⊥ } Portanto, w ∈ ( W ⊥ )⊥ . Por outro lado, j´a provamos (prop. 21, p. 299) que V ´e soma direta de cada um dos seus subespa¸cos com o respectivo complemento ortogonal, o que nos permite escrever (eq. (2.13), p. 104) dim W + dim W ⊥ = dim V dim W ⊥ + dim ( W ⊥ )⊥ = dim V Daqui resulta: dim W = dim ( W ⊥ )⊥ . Tendo em conta a proposi¸c˜ ao 8 (p. 99) concluimos que W = W ⊥ .
309
25) Sejam U e V subespa¸cos de um espa¸co euclidiano W de dimens˜ao finita. Provemos que (U + V )⊥ = U ⊥ ∩ V ⊥ . Solu¸ c˜ ao: Devemos mostrar uma igualdade entre dois conjuntos. Mostremos inicialmente que (U + V )⊥ ⊂ U ⊥ ∩ V ⊥ . Ent˜ao, seja w ∈ (U + V )⊥ , logo w ´e ortogonal a todo vetor u + v ∈ U + V . Como s˜ ao v´alidas as seguintes inclus˜oes U ⊂ U +V e V ⊂ U +V ent˜ ao w ´e ortogonal a todo vetor u ∈ U e a todo vetor v ∈ V , o que implica u ∈ U ⊥ e u ∈ V ⊥ ; portanto u ∈ U ⊥ ∩ V ⊥ .
Para mostrar a inclus˜ao contr´ aria consideremos w ∈ U ⊥ ∩ V ⊥ . Ent˜ao w ´e ortogonal a todo vetor de U e de V . Agora considere um vetor arbitr´ario u + v ∈ U + V , ent˜ ao: h w, u + v i = h w, u i + h w, v i = 0 + 0 = 0. Portanto, w ∈ (U + V )⊥ , o que conclui a demonstra¸c˜ao. ∗
∗
∗
Entre observa¸co ˜es, o el´etron espalha-se de acordo com a equa¸ca ˜o de Schr¨ odinger, mas probabilisticamente, em potentia, disse Heisenberg, que adotou a palavra potentia usada por Arist´ oteles. Onde ´e que existe essa potentia? Uma vez que a onda de el´etron entra imediatamente em colapso quando a observamos, a potentia n˜ ao poderia existir no dom´ınio material do espa¸co-tempo. Nessa dimens˜ ao, todos os objetos tˆem que obedecer ao limite de velocidade einsteiniano, lembram-se? Em vista disso, o dom´ınio da potentia deve situar-se fora do espa¸co-tempo. A potentia existe em um dom´ınio transcendente da realidade. Entre observa¸co ˜es, o el´etron existe como uma forma de possibilidade, tal como um arqu´etipo platˆ onico, no dom´ınio transcendente da potentia. El´etrons s˜ ao remotos demais da realidade pessoal comum. Suponhamos que perguntamos: a Lua est´ a l´ a em cima quando n˜ ao a olhamos? Na medida em que ela ´e, em u ´ltima an´ alise, um objeto quˆ antico (sendo composta inteiramente de objetos quˆ anticos), temos que responder que n˜ ao − ou assim diz o f´ısico David Mermim. Entre observa¸co ˜es, a Lua existe tamb´em como uma forma de possibilidade em potentia transcendente. (Amit Goswami/O Universo Autoconsciente, p. 84)
310
5.7
Operadores Autoadjuntos
A f´ısica (mecˆ anica quˆantica) e a engenharia el´etrica (sistemas de comunica¸c˜ao) s˜ ao dois ramos da ciˆencia nos quais os espa¸cos vetoriais comparecem com bastante frequˆencia. Em particular, os operadores autoadjuntos e os espa¸cos hermitianos − vistos oportunamente − s˜ ao dois t´opicos de grande interesse nessas disciplinas. Defini¸ c˜ ao 38. Seja V um espa¸co vetorial euclidiano. Um operador T : V → V se diz autoadjunto se h T (u), v i = h u, T (v) i,
∀ u, v ∈ V.
Exemplo: Considere o operador linear T : R2 → R2 ,
T (x, y) = (2x + 4y, 4x − y)
Sejam u = (1, −1) e v = (0, 1), ent˜ao:
e
T (u) = T (1, −1) = 2 · 1 + 4 · (−1), 4 · 1 − (−1) = (−2, 5) T (v) = T (0, 1) = ( 2 · 0 + 4 · 1, 4 · 0 − 1 ) = (4, −1)
Com o produto interno usual, temos h T (u), v i = h (−2, 5), (0, 1) i = −2 · 0 + 5 · 1 = 5 h u, T (v) i = h (1, −1), (4, −1) i = 1 · 4 + (−1) · (−1) = 5 Tomando vetores u = (a, b) e v = (c, d) arbitr´arios em R2 n˜ ao ´e dif´ıcil provar que T ´e autoadjunto. Por outro lado, observe que a matriz canˆ onica de T # " 2 4 [T ] = 4 −1 ´e sim´etrica, isto ´e, [ T ] = [ T ]t . Este ´e um caso particular do seguinte resultado Proposi¸ c˜ ao 25. Seja V um espa¸co euclidiano de dimens˜ ao finita. Ent˜ ao, um operador T : V → V ´e autoadjunto se, e somente se, a matriz de T em rela¸ca ˜o a uma base ortonormal de V ´e sim´etrica. Nota: Como se vˆe, os operadores autoadjuntos admitem uma caracteriza¸c˜ao matricial bastante simples. 311
Prova: ( ⇒ ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V . Por hip´ otese h T (ui ), uj i = h ui , T (uj ) i, 1 ≤ i, j ≤ n. (5.43) Consideremos que a matriz de T na base B ´e [ T ]B = (aij ), ent˜ao
T (un ) = a1n u1 + a2n u2 + · · · + ann un
T (u2 ) = a12 u1 + a22 u2 + · · · + an2 un ....................................
T (u1 ) = a11 u1 + a21 u2 + · · · + an1 un
T (ui ) =
n X
aki uk
n X
atj ut
(p. 189)
k=1
↓ i = 1, 2, ... , n
De igual modo
T (un ) = a1n u1 + a2n u2 + · · · + ann un
T (u2 ) = a12 u1 + a22 u2 + · · · + an2 un ....................................
T (u1 ) = a11 u1 + a21 u2 + · · · + an1 un
T (uj ) =
t=1
↓ j = 1, 2, ... , n
Substituindo estes somat´ orios em (5.43), obtemos n DX k=1
aki uk , uj
E
=
D
ui ,
n X t=1
E atj ut ,
1 ≤ i, j ≤ n.
(5.44)
Observe que em correspondˆencia `a matriz dos ´ındices i e j: (1, 1)
(1, 2) . . . (1, n)
(2, 1) (2, 2) . . . (2, n) .......................... (n, 1) (n, 2) . . . (n, n) Obtemos n DX
ak1 uk , u2
...
n DX
ak2 uk , u2
E
...
n E DX
akn uk , u2
E
...
ak1 uk , u1
n DX
ak2 uk , u1
E
n DX
akn uk , u1
k=1
k=1
n DX
E
E
k=1
k=1
n DX
ak1 uk , un
n DX
E
ak2 uk , un
E
n DX
akn uk , un
k=1
k=1
.............................................................
k=1
k=1
312
k=1
E
para o lado esquerdo da igualdade (5.44). Para o lado direito da mesma igualdade temos n n n E E D E D D X X X atn ut ... u1 , at2 ut u1 , at1 ut u1 , u2 ,
D
un ,
t=1
t=1
t=1
D
n X
at1 ut
n X
at1 ut
t=1
E
D
u2 ,
E D
un ,
n X
at2 ut
n X
at2 ut
t=1
E
...
E
...
D
u2 ,
D
un ,
n X
atn ut
n X
atn ut
t=1
E
..........................................................
t=1
t=1
t=1
E
Como a base B = { ui } ´e ortonormal obtemos para estas duas matrizes a11 a21 . . . an1 a12 a22 . . . an2 ................... a1n a2n . . . ann
a11 a12 . . . a1n a21 a22 . . . a2n ................... an1 an2 . . . ann
e
respectivamente. Por (5.44) estas duas matrizes s˜ ao iguais, logo aji = aij para 1 ≤ i, j ≤ n., isto ´e, [ T ]B ´e sim´etrica. ( ⇐ ) Seja B = { u1 , u2 , . . . , un } uma base ortonormal de V e, ainda por hip´ otese, consideremos [ T ]B sim´etrica. Pois bem, como a base B ´e ortonormal, como antes, temos
Logo
h T (ui ), uj i = aji
e h ui , T (uj ) i = aji ,
h T (ui ), uj i = h ui , T (uj ) i,
1 ≤ i, j ≤ n.
Considerando vetores arbitr´arios u, v ∈ V :
u = λ1 u1 + λ2 u2 + · · · + λn un =
n X
λi ui
v = γ1 u1 + γ2 u2 + · · · + γn un =
n X
γj uj
teremos h T (u), v i = =
1 ≤ i, j ≤ n.
n DX
λi T (ui ),
i=1
n X n X i=1 j=1
n X j=1
γj uj
E
=
λi γj hui , T (uj )i =
n n X X i=1 j=1
n DX i=1
i=1
j=1
λi γj hT (ui ), uj i
λi ui ,
n X j=1
E γj T (uj ) = hu, T (v)i
313
U U Na se¸c˜ ao 4.2 (p. 203) provamos que L V , +, · = LV ´e um espa¸co vetorial ´ f´acil mostrar que o conjunto dos operadores autoadjuntos de sobre R. E V V ´e um subespa¸co vetorial de LV . De fato, se T1 e T2 s˜ ao operadores autoadjuntos de V , ent˜ ao T1 + T2 tamb´em ´e, veja: h (T1 + T2 )(u), v i = h T1 (u) + T2 (u), v i = h T1 (u), v i + h T2 (u), v i = h u, T1 (v) i + h u, T2 (v) i = h u, T1 (v) + T2 (v) i = h u, (T1 + T2 )(v) i Deixamos como exerc´ıcio ao leitor provar que se T ´e autoadjunto e λ ∈ R ent˜ ao λ T tamb´em ´e autoadjunto. Fixando uma base ortonormal B no espa¸co vetorial V , consideremos a aplica¸c˜ ao V
T : L V → Mn (R) 7→ [ T ]B T V
que a cada operador autoadjunto T ∈ L V associa sua matriz com respeito `a base B. Por exemplo, V
L V , +, · T :
R2 (x, y)
→ 7→
M2 (R), +, · "
R2 (2x+4y, 4x−y)
2 4 4 −1
#
A transforma¸c˜ ao T ´e linear e injetora (prove isto), e, tendo em conta a proposi¸c˜ ao 25, concluimos que T ´e um isomorfismo do espa¸co dos operadores autoadjuntos no espa¸co das matrizes sim´etricas de ordem n sobre R. Esse isomorfismo tem como consequˆencia que os operadores autoadjuntos podem ser identificados com as matrizes sim´etricas. ∗
∗
∗
O matem´ atico Roger Penrose argumenta que o racioc´ınio algor´ıtmico, semelhante ao que faz o computador, n˜ ao basta para permitir a descoberta de teoremas e axiomas matem´ aticos. [. . .] Outra capacidade importate da mente humana, que parece estar al´em do alcance de um computador de sil´ıcio, ´e a criatividade. (O Universo Autoconsciente, p. 41, 42)
314
5.7.1
Exerc´ıcios
26) Ache os valores de x e y tais que
x y −1 0
seja ortogonal.
27) Para cada uma das matrizes sim´etricas A dadas abaixo, determine uma matriz ortogonal P tal que P t A P ´e diagonal: 1 2 5 4 6 5 a) A = b) A = c) A = 2 −2 4 −1 5 −1 28) Considere a seguinte matriz − √12 0 A= 1 √
2
√1 2
0 √1 2
0
1 0
Mostre que os vetores formados pelas colunas de A formam uma base ortonormal do R3 . 29) No espa¸co R3 com o produto interno usual considere o operador T : R3 → R3 dado por T (x, y, z) = (2x + 2z, x + z, x + z) A matriz de T em rela¸c˜ ao ` a base B = { (1, 1, 0), (1, 0, 0), (0, 0, 1) } ´e 1 1 1 A= 1 1 1 1 1 1
sim´etrica. Mostre que T n˜ ao ´e autoadjunto. Tendo em conta que B n˜ ao ´e ortonormal conclua da´ı que na proposi¸c˜ao 25 a hip´ otese de que a base seja ortonormal ´e imprescind´ıvel. 30) Seja T um operador autoadjunto de um espa¸co euclidiano V . Se h T (u), u i = 0 para todo u ∈ V , mostre que T = 0. 31) Mostre que o produto e que a inversa de matrizes ortogonais s˜ ao ortogonais. 32) Suponha que T1 e T2 s˜ ao autoadjuntos. Mostre que T1 T2 ´e autoadjunto se e s´ o se T1 e T2 comutam, isto ´e, T1 T2 = T2 T1 . V
33) Seja T ∈ L V um automorfismo. Se T ´e autoadjunto, mostre que T −1 tamb´em o ´e.
315
34) Seja T um operador autoadjunto de um espa¸co euclidiano V . Se U ´e um subespa¸co vetorial de V com a propriedade u ∈ U ⇒ T (u) ∈ U mostre que U ⊥ tamb´em tem essa propriedade. 35) Mostre que se T : R2 → R2 ´e uma transforma¸c˜ao ortogonal sua matriz em rela¸c˜ ao ` a base canˆ onica s´ o pode ser da forma: # # " " cos θ sen θ cos θ − sen θ ou B = A= sen θ − cos θ sen θ cos θ Sugest˜ao: Tome em considera¸c˜ao que T preserva a norma dos vetores. − Se a matriz de T for da forma dada por A ent˜ao T"ser´ a uma# rota¸c˜ao de 1 0 ´e a matriz um ˆ angulo θ (p. 247). Mostre que B = A · J, onde J = 0 −1 em rela¸c˜ ao ` a base canˆ onica de reflex˜ao no eixo dos x (p. 238). Usando composi¸c˜ ao de fun¸c˜oes conclua que se a matriz da transforma¸c˜ao T for da forma dada por B, ent˜ao T ser´ a uma reflex˜ao atrav´es de uma reta que passa pela origem. P 36) Considere o R3 com o produto interno h u, v i = 3i, j=1 aij xi yj , onde
2 1 0
A= 1 2 0 0 1 4
Calcule os cossenos dos ˆangulos entre os vetores da base canˆ onica do R3 . Nota: u = (x1 , x2 , x3 ) e v = (y1 , y2 , y3 ). ∗
∗
∗
Quando convers´ avamos com Hermite sobre matem´ atica, ele nunca invocava uma id´eia concreta e logo perceb´ıamos que a mais abstrata das id´eias do conhecimento matem´ atico, para ele ´e como se fossem criaturas vivas e presentes no dia-a-dia de todos n´ os. (Poincar´ e)
316
5.8
Espa¸ cos Vetoriais Complexos
A presente se¸c˜ ao ´e uma esp´ecie de pr´e-requisito para o pr´ oximo cap´ıtulo. At´e agora temos dado ˆenfase aos espa¸cos vetoriais reais que, lembramos, s˜ ao os espa¸cos tendo como escalares os n´ umeros reais (K = R). Agora estaremos interessados nos espa¸cos complexos, isto ´e, nos espa¸cos onde os escalares s˜ ao n´ umeros complexos (K = C). Exemplo: Consideremos V = Cn e K = C e definamos (z1 , z2 , . . . , zn ) + (w1 , w2 , . . . , wn ) = (z1 + w1 , z2 + w2 , . . . , zn + wn , ) λ (z1 , z2 , . . . , zn ) = ( λ z1 , λ z2 , . . . , λ zn ) Onde zi , wi e λ s˜ ao n´ umeros complexos. Estas opera¸c˜oes satisfazem todos os requisitos para que ( Cn , +, · ) seja um espa¸co vetorial sobre C. Sendo assim os elementos de Cn adquirem o status de vetores. Exemplo: Considere os vetores u = ( 1 + 2 i, 4 − i, 2 ), v = ( 2 − i, 3, 4 i ) em C3 e o escalar λ = 1 − i em C, temos: u + v = ( 1 + 2 i, 4 − i, 2 ) + ( 2 − i, 3, 4 i ) = (1 + 2 i) + (2 − i), (4 − i) + 3, 2 + 4 i = ( 3 + i, 7 − i, 2 + 4 i )
Tamb´em
λ u = (1 − i) ( 1 + 2 i, 4 − i, 2 ) = (1 − i)(1 + 2 i), (1 − i)(4 − i), (1 − i)2 = ( 3 + i, 3 − 5 i, 2 − 2 i )
Os espa¸cos vetoriais complexos aparecem com frequˆencia nas aplica¸c˜oes pr´ aticas, por exemplo na resolu¸c˜ ao de equa¸c˜oes diferenciais∗ as quais, por sua vez, comparecem em muitos ramos do conhecimento. A raz˜ ao principal para lidarmos com espa¸cos complexos ´e que eles s˜ ao imprescind´ıveis na prova de muitos teoremas† , em fun¸c˜ao de que o corpo dos n´ umeros complexos, C, ´e alg´ ebricamente fechado − o que tem como consequˆencia que os polinˆ omios com coeficientes complexos podem ser fatorados em fatores lineares. O corpo R dos n´ umeros reais n˜ ao possui esta importante propriedade. Como um simples exemplo do que estamos afirmando, observe: x2 + 1 = (x + i)(x − i)
em C
x2 + 1 = (x + ?)(x − ?)
em R (N˜ao se fatora).
No pr´ oximo cap´ıtulo teremos oportunidade de ver que isso faz toda a diferen¸ca entre os espa¸cos (reais e complexos). ∗ †
Por exemplo na resolu¸c˜ ao da equa¸c˜ ao de Schr¨ oedinger da mecˆ anica quˆ antica (p. 112). Mesmo teoremas referentes a espa¸cos vetoriais reais.
317
5.8.1
Espa¸cos Hermitinianos
Vimos que ao definirmos produto interno em um espa¸co vetorial essa estrutura foi substancialmente enriquecida, podemos dizer que seu potencial de aplicabilidade “foi multiplicado por um fator de 10”. Vejamos porque a defini¸c˜ao 29 (p. 258), de produto interno, n˜ ao pode ser diretamente transplantada para os espa¸cos vetoriais complexos. Consideremos os seguinte vetores u 6= 0 e w = i u; por ( d ) devemos ter h u, u i > 0, por outro lado, h w, w i = h i u, i u i = i h u, i u i = i h i u, u i = i · i h u, u i = −1 h u, u i < 0 uma flagrante incompatibilidade. Este resultado justifica uma nova defini¸c˜ao de produto interno − para espa¸cos vetoriais complexos. Defini¸ c˜ ao 39 (Produto Interno Complexo). Seja V um espa¸co vetorial so˜o F que transforma bre C. Um produto interno sobre V ´e uma aplica¸ca cada par ordenado (u, v) ∈ V ×V em um n´ umero complexo (que indicaremos por h u, v i), isto ´e: h·, ·i : V × V →
C
(u, v) 7→ h u, v i
desde que as seguintes condi¸co ˜es sejam satisfeitas: ( a ) h u + v, w i = h u, w i + h v, w i,
∀ u, v, w ∈ V ;
( b ) h λu, v i = λ h u, vi,
∀ λ ∈ C e ∀ u, v ∈ V ;
h u, v i = h v, u i,
∀ u, v ∈ V ;
( d ) h u, u i > 0,
∀ u 6= 0.
Nota: a barra em ( c ) denota o “complexo conjugado”. Um espa¸co vetorial complexo munido de um produto interno recebe o nome de Espa¸ co Hermitiniano. Exemplo: Consideremos V = Cn e u = (z1 , z2 , . . . , zn ) e v = (w1 , w2 , . . . , wn ) vetores neste espa¸co, ent˜ao a aplica¸c˜ao dada por (u, v) 7→ h u, v i = z1 w1 + z2 w2 + · · · + zn wn
(5.45)
define o chamado produto interno usual de Cn . A norma de um vetor ´e definida como no caso real, assim: p p p kuk = h u, u i = z1 z1 + z2 z2 + · · · + zn zn = |z1 |2 + |z2 |2 + · · · + |zn |2 318
Exemplo: Considere os vetores u = ( 1 + 2 i, 4 − i, 2 ) e v = ( 2 − i, 3, 4 i ) em C3 . Ent˜ ao h u, v i = (1 + 2 i) · ( 2 − i ) + (4 − i) · 3 + 2 · 4 i = (1 + 2 i) · (2 + i) + (4 − i) · 3 + 2 · (−4 i) = 12 − 6 i e p |z1 |2 + |z2 |2 + |z3 |2 p = |1 + 2 i|2 + |4 − i|2 + |2|2 q p p √ = ( 12 + 22 )2 + ( 42 + (−1)2 )2 + 4 = 26
kuk =
Destacamos agora uma importante consequˆencia da defini¸ca˜o de produto interno complexo h u, λ v i = h λ v, u i = λ h v, u i = λ h v, u i = λ h u, v i = λ h u, v i O que significa que devemos tomar o conjugado de um n´ umero complexo quando o retiramos da segunda posi¸c˜ao de um produto interno. Vamos mostrar que a transforma¸c˜ao dada por (5.45) satisfaz a exigˆencia ( c ) para produto interno. De fato, inicialmente observe que h u, v i = z1 w1 + z2 w2 + · · · + zn wn h v, u i = w1 z1 + w2 z2 + · · · + wn zn Ent˜ao h v, u i = ( w1 z1 + w2 z2 + · · · + wn zn ) = w1 · z1 + w2 · z2 + · · · + wn · zn = z1 w1 + z2 w2 + · · · + zn wn = h u, v i Finalmente, observamos que num espa¸co hermitiniano al´em da norma de um vetor definimos os conceitos de ortogonalidade, complemento ortogonal e conjuntos ortogonais e ortonormais como antes. A bem da verdade, as defini¸c˜oes de distˆ ancia, coeficientes de Fourier e proje¸c˜ao s˜ ao as mesmas que as do caso real. Ademais, importantes resultados obtidos, tais como a desigualdade de Cauchy-Schwarz e o algoritmo de Gram-Schimidt tamb´em continuam v´alidos num espa¸co hermitiniano. 319
O Desafio do S´eculo Um desafio dirigido − preferencialmente − aos estudantes de ciˆencia da computa¸c˜ ao, mas n˜ ao apenas a estes. N˜ao fazemos discrimina¸c˜ao. Nos livros de C´ alculo I constam algumas f´ormulas (deduzidas a duras penas) para se encontrar a soma de potˆencias dos n primeiros n´ umeros naturais, por exemplo: 1 + 2 + 3 + ··· + n =
n(n + 1) 2
Ou ainda 12 + 22 + 32 + · · · + n2 =
n(2n + 1)(n + 1) 6
13 + 23 + 33 + · · · + n3 =
n2 (n + 1)2 4
Ou ainda
No entanto, n˜ ao existe uma f´ormula para uma potˆencia arbitr´aria. O Desafio: fa¸ca um programa no qual entramos (apenas) com a potˆencia m e o mesmo saia com a f´ ormula correspondente: 1m + 2m + 3m + · · · + nm = ? Nota: m ´e um inteiro positivo arbitrariamente fixado. Por exemplo, se entrarmos com m = 2, teremos
m=2
Programa
?
n(2n+1)(n+1) 6
− Fa¸ca o programa na linguagem de sua preferˆencia − deixamos livre.
Nota: Tente resolver o desafio, de preferˆencia sem nenhuma ajuda minha. − As poss´ıveis solu¸c˜ oes devem ser enviadas para:
[email protected]
Uma curiosidade: Se o eminente matem´ atico Gauss vivesse nos dias atuais, e, se eu quisesse mantˆe-lo ocupado por algum tempo, ser´ a que ele resolveria este desafio antes de Jesus voltar? − O arquivo .pdf deste desafio encontra-se dispon´ıvel em: www.profgentil.com.br Prof. Gentil, o taumaturgo Boa Vista, RR/17.05.2013 320
Cap´ıtulo
6
AUTOVALORES E AUTOVETORES O algoritmo PageRank, inventado pela empresa Google, permite ao computador saber qual ´ e o site mais importante quando uma busca ´ e realizada pelo usu´ ario. O algoritmo cria matrizes constitu´ıdas por dados que mostram o quanto um site ´ e indicado por outro site, por exemplo. Uma parte decisiva do algoritmo envolve a busca de autovalores.
6.1
Vetor Pr´ oprio e Valor Pr´ oprio
Introdu¸c˜ ao: Na resolu¸c˜ao da equa¸c˜ao de Schr¨odinger (p. 112) chegamos `a seguinte equa¸c˜ ao Hψ = λψ
(6.1)
onde H ´e um operador, ψ um vetor (em um espa¸co de fun¸c˜oes) e λ um escalar, representando a energia do sistema − um ´atomo por exemplo. Al´em da f´ısica quˆantica esse tipo de equa¸c˜ao comparece em v´arios outros ramos, como por exemplo, na resolu¸c˜ ao de equa¸c˜oes diferenciais, no estudo dos fenˆomenos de vibra¸c˜ oes e na an´ alise de estabilidade de um avi˜ao. Spectrum ´e uma palavra latina que significa “imagem”. Quando ´ atomos vibram, eles emitem luz. Quando a luz passa atrav´es de um prisma, ela se espalha em um espectro − uma faixa de cores do arco-´ıris. As freq¨ uˆencias de vibra¸ca ˜o correspondem aos autovalores de um certo operador e s˜ ao vis´ıveis como retas brilhantes em um espectro de luz emitido atrav´es de um prisma. Podemos literalmente ver os autovalores de um ´ atomo em seu espectro, e, por essa raz˜ ao, ´e razo´ avel que a palavra spectrum seja usada para designar o conjunto dos autovalores de uma matriz (ou operador). ([6], p. 356)
321
A equa¸c˜ ao (6.1) est´ a contemplada no contexto da ´algebra linear pela Defini¸ c˜ ao 40. Seja V um espa¸co vetorial e seja T : V → V um operador linear sobre o corpo K. Um vetor u ∈ V , u 6= 0, ´e um vetor pr´ oprio de T se existe um escalar λ tal que T (u) = λ u. Neste caso dizemos que λ ´e um valor pr´ oprio de T associado a u. Nota: Um “vetor pr´ oprio”, ´e conhecido tamb´em como “autovetor” ou “vetor caracter´ıstico” e um “valor pr´ oprio”, ´e conhecido tamb´em como “autovalor” ou “valor caracter´ıstico”. Quando existe um vetor n˜ ao nulo u tal que T (u) = λ u, dizemos que o autovalor λ correponde (ou est´ a associado) ao autovetor u e, vice-versa, que o autovetor u corresponde (ou est´ a associado) ao autovalor λ. Exemplos: Vamos encontrar os vetores pr´ oprios (caso existam) de algumas das transforma¸c˜ oes geom´etricas vistas na se¸c˜ao 4.6. 1 ) Reflex˜ ao em torno do eixo dos x
(p. 238) y
T :
R2 →
R2
(x, y) 7→ (x, −y)
s (x, y)
T
ou T (x, y) = (x, −y)
x
0
s (x, −y)
Procuramos os vetores u = (x, y) ∈ R2 tais que T (u) = λ u, para algum λ ∈ R. Ent˜ ao T (u) = λ u ⇒ T (x, y) = λ (x, y) como T (x, y) = (x, −y), temos
(x, −y) = λ (x, y) ⇒
λx = x
(6.2)
λ y = −y
Da primeira equa¸c˜ ao obtemos λ = 1, que satisfar´ a a segunda somente se y = 0. Sendo assim, temos T (x, 0) = (x, −0) = 1 · (x, 0) Desta forma todo ponto do eixo x − exceto a origem − ´e um vetor pr´ oprio do operador T com autovalor λ = 1. Mas, tem mais: Se na primeira equa¸c˜ao de (6.2) considerarmos x = 0 temos que λ = −1 satisfaz a segunda. Sendo assim, temos T (0, y) = (0, −y) = −1 · (0, y)
Desta forma todo ponto do eixo y − exceto a origem − ´e um vetor pr´ oprio do operador T com autovalor λ = −1. 322
2 ) Reflex˜ ao em torno da origem
(p. 239) y
T :
R2 →
R2
(x, y) 7→ (−x, −y)
T
s(x, y) x
ou T (x, y) = (−x, −y) (−x, −y)
s
Procuramos os vetores u = (x, y) ∈ R2 tais que T (u) = λ u, para algum λ ∈ R. Ent˜ ao T (u) = λ u ⇒ T (x, y) = λ (x, y)
como T (x, y) = (−x, −y), temos
(−x, −y) = λ (x, y) ⇒
λ x = −x λ y = −y
Observamos que λ = −1 satisfaz o sistema acima para todo (x, y) ∈ R2 . Sendo assim, temos T (x, y) = (−x, −y) = −1 · (x, y) Desta forma todo vetor do R2 − exceto a origem − ´e um vetor pr´ oprio do operador T com autovalor λ = −1. 3 ) Reflex˜ ao em torno da reta y = x
(p. 239)
y=x
y (y, x)
s
T :
R2 →
R2
(x, y) 7→ (y, x)
s (x, y) x
ou T (x, y) = (y, x)
Procuramos os vetores u = (x, y) ∈ R2 tais que T (u) = λ u, para algum λ ∈ R. Ent˜ ao T (u) = λ u ⇒ T (x, y) = λ (x, y)
como T (x, y) = (y, x), temos
(y, x) = λ (x, y) ⇒ 323
λx = y
λy = x
Substituindo o y da primeira equa¸c˜ao na segunda temos λ (λ x) = x ⇒ (λ2 − 1) x = 0 Se x = 0, substituindo na primeira equa¸c˜ao do sistema encontramos y = 0, n˜ ao vale pois um autovetor ´e sempre diferente de 0, por defini¸c˜ao. Agora temos de considerar λ = ±1. Substituindo no sistema temos λ=1 ⇒ y=x
e
λ = −1 ⇒ y = −x
Sendo assim todo ponto sobre a reta y = x ´e um autovetor com autovalor λ = 1 e todo ponto sobre a reta y = −x ´e um autovetor com autovalor λ = −1. (com exce¸ca ˜o da origem) 4 ) Cisalhamento na dire¸ c˜ ao do eixo dos x
(p. 242)
y
y
F T :
R2 →
R2
(x, y) 7→ (x + α y, y)
ou T (x, y) = ( x + α y, y) , α ∈ R.
x
x
Procuramos os vetores u = (x, y) ∈ R2 tais que T (u) = λ u, para algum λ ∈ R. Ent˜ ao T (u) = λ u ⇒ T (x, y) = λ (x, y) como T (x, y) = ( x + α y, y), temos ( x + α y, y) = λ (x, y) ⇒
λx = x +αy λy = y
Se α = 0 temos o operador identidade e ´e f´acil ver que todo vetor do R2 − exceto a origem − ´e um autovetor com autovalor λ = 1. Se α 6= 0 o sistema ´e satisfeito por y = 0 e λ = 1, neste caso temos T (x, 0) = ( x + α 0, 0) = 1 ( x, 0) O que significa que todo ponto do eixo x − exceto a origem − ´e um autovetor com vetor pr´ oprio λ = 1.
324
5 ) Rota¸ c˜ ao de 90o em torno da origem
(p. 247)
R T (x, y)
s
T : R2 → R2 (x, y) 7→ (−y, x)
(x, y) ⊡
ou T (x, y) = (−y, x)
R
0
Procuramos os vetores u = (x, y) ∈ R2 tais que T (u) = λ u, para algum λ ∈ R. Ent˜ ao T (u) = λ u ⇒ T (x, y) = λ (x, y) como T (x, y) = (−y, x), temos (−y, x) = λ (x, y) ⇒
λ x = −y λy = x
Substituindo o y da primeira equa¸c˜ao na segunda temos λ (−λ x) = x ⇒ (λ2 + 1) x = 0 Se x = 0, substituindo na primeira equa¸c˜ao do sistema encontramos y = 0, n˜ ao vale pois um autovetor ´e sempre diferente de 0, por defini¸c˜ao. Como λ2 + 1 = 0 n˜ ao possui solu¸c˜ ao nos reais concluimos que o operador em quest˜ao n˜ ao admite vetores pr´ oprios. Como se vˆe, nem todo operador linear possui autovetores e autovalores. 6 ) Proje¸ c˜ ao no plano xy z
T : R3 → R3 (x, y, z) 7→ (x, y, 0)
t(x, y, z)
y
ou T (x, y, z) = (x, y, 0) sT (x, y, 0) x
Procuramos os vetores u = (x, y, z) ∈ R3 tais que T (u) = λ u, para algum λ ∈ R. Ent˜ ao 325
T (u) = λ u ⇒ T (x, y, z) = λ (x, y, z) como T (x, y, z) = (x, y, 0), temos λx = x (x, y, 0) = λ (x, y, z) ⇒ λy = y λz = 0
Para λ = 1 e z = 0, temos
u = (x, y, 0) ⇒ T (x, y, 0) = (x, y, 0) = 1 (x, y, 0) O que significa que todo vetor do plano xoy − exceto a origem − ´e um vetor pr´ oprio deste operador com valor pr´ oprio λ = 1. Podemos ter ainda λ = 0, z 6= 0 e x = y = 0; o que implica u = (0, 0, z) ⇒ T (0, 0, z) = (0, 0, 0) = 0 (0, 0, z) O que significa que todo vetor do eixo z − exceto a origem − ´e um vetor pr´ oprio deste operador com valor pr´ oprio λ = 0.
6.1.1
Propriedades dos vetores pr´ oprios e valores pr´ oprios
P1 ) O valor pr´ oprio λ associado ao vetor pr´ oprio u de um operador T ´e univocamente determinado por T e u. De fato, digamos que existam dois valores pr´ oprios associado a um u ´nico vetor pr´ oprio, ent˜ ao T (u) = λ u = λ′ u ⇒ (λ − λ′ ) u = 0 ⇒ λ − λ′ = 0 ⇒ λ = λ′ . P2 ) Se u ´e um vetor pr´ oprio associado ao valor pr´ oprio λ de um operador linear T , ent˜ ao o vetor α u, para qualquer α 6= 0, ´e tamb´em vetor pr´ oprio de T associado ao mesmo λ. De fato, por hip´ otese, T (u) = λ u e, por ser T linear, T (α u) = α T (u), ent˜ ao T (α u) = α (λ u) ⇒ T (α u) = λ (α u) E isto prova que o vetor α u ´e vetor pr´ oprio associado ao mesmo valor pr´ oprio λ. Essa propriedade pode ser confirmada em todos os exemplos vistos anteriormente. P3 ) Se λ ´e um valor pr´ oprio do operador linear T : V → V , ent˜ao o subconjunto U(λ) = { u ∈ V : T (u) = λ u } 326
´e um subespa¸co vetorial de V . Ou seja, o conjunto de todos os vetores pr´ oprios associados a um mesmo valor pr´ oprio λ − e mais o vetor nulo − ´e um subespa¸co. De fato, sejam u1 e u2 ∈ U(λ) , ent˜ao T (u1 + u2 ) = T (u1 ) + T (u2 ) = λ u1 + λ u2 = λ (u1 + u2 ) e, portanto, u1 + u2 ∈ U(λ) . Sejam agora, u ∈ U(λ) e α ∈ R, arbitr´arios, ent˜ao T (α u) = α T (u) = α (λ u) = λ (α u) e, portanto, α u ∈ U(λ) . O subespa¸co α u ∈ U(λ) chama-se o subespa¸co pr´ oprio de λ. Observe que as provas continuam as mesmas se o corpo de escalares for os Complexos. A t´ıtulo de ilustra¸c˜ ao vamos exibir geometricamente os subespa¸cos U(λ) para os exemplos vistos anteriormente. 1 ) Reflex˜ ao em torno do eixo dos x
(p. 322)
y
R
U(−1) #
s (x, y) x
0
#
T 0
R
U(1)
s (x, −y)
2 ) Reflex˜ ao em torno da origem
(p. 323)
R y
T
s(x, y) x
R
0
s
#
(−x, −y)
327
U(−1)
3 ) Reflex˜ ao em torno da reta y = x
(p. 323)
R y=x
y (y, x)
s
U(1)
U(−1) s (x, y) x
R
4 ) Cisalhamento na dire¸ c˜ ao do eixo dos x y
(p. 324)
y
R
x
x
0
#
F
R
U(1)
Nota: Consideramos apenas o caso α 6= 0. 5 ) Rota¸ c˜ ao de 90o em torno da origem
R
(p. 325)
R
T (x, y)
s (x, y) ⊡
0
R
R
t 0
328
U(λ) = { 0 }
6 ) Proje¸ c˜ ao no plano xy
(p. 325)
z
U(0) # t(x, y, z)
y
sT (x, y, 0)
U(1)
6.1.2
x
Polinˆ omio Caracter´ıstico
Tivemos oportunidade de observar que o c´alculo dos autovalores e autovetores de um operador, a partir da defini¸c˜ao, resultou assaz trabalhoso; nosso objetivo agora ser´ a desenvolver um m´etodo pr´ atico − mais eficiente − para efetuar tais c´ alculos.
Determina¸ c˜ ao dos valores pr´ oprios
Seja o operador linear T : R3 → R3 , cuja matriz canˆ onica ´e dada por a11 a12 a13 A = a21 a22 a23 a31
a32
a33
isto ´e, A = [ T ]. Se u e λ s˜ ao, respectivamente, vetor pr´ oprio e o correspondente valor pr´ oprio do operador T , a equa¸c˜ ao T (u) = λ u toma a seguinte forma matricial: [ T ] · u = λ u, (u ´e um vetor-coluna 3 × 1) Ou ainda: A u − λ u = 0. x Considerando u = y , por exemplo; observe que z
1 0 0
x
x
0 1 0 y = y z z 0 0 1 329
⇒
Iu = u
Sendo assim, temos Au − λu = 0
⇒
A u − λ (Iu) = 0
⇒
(A − λ I ) u = 0
Observe que esta u ´ltima equa¸c˜ao equivale a um sistema homogˆ eneo. Para 0 x que esse sistema admita solu¸c˜oes n˜ ao nulas, isto ´e: u = y 6= 0 0 z devemos ter a11 a12 a13 1 0 0 det (A − λ I ) = 0 ⇒ det a21 a22 a23 − λ 0 1 0 = 0 a31
Ou ainda:
a11 − λ det a21 a31
a32
a12 a22 − λ a32
0 0 1
a33
a13 a23 a33 − λ
=0
Generalizando essa introdu¸c˜ao temos a seguinte Defini¸ c˜ ao 41 (Polinˆ omio caracter´ıstico de uma matriz). Dada uma matriz omio caracter´ısA = (aij ) de ordem n (real ou complexa), chama-se polinˆ tico de A o seguinte polinˆ omio em λ, de grau n: a11 − λ a12 ... a1n a a22 − λ ... a2n P (A) = det 21 = det (A − λ In ) ..................................... an1
an2
...
ann − λ
Uma importante propriedade das matrizes semelhantes ´e dada na Proposi¸ c˜ ao 26. Matrizes semelhantes tˆem o mesmo polinˆ omio caracter´ıstico. Prova: Sejam A e B matrizes semelhantes. Pela defini¸c˜ao 26 existe uma matriz invers´ıvel P de modo que P −1 A P = B, ent˜ao
(p. 231)
P (A) = det (A − λ In ) = det (P B P −1 − λ In ) = det (P B P −1 − λ P In P −1 ) = det P (B − λ In ) P −1
= det P det (B − λ In ) det P −1 = det (B − λ In ) = P (B) 330
Defini¸ c˜ ao 42 (Polinˆ omio caracter´ıstico de um operador). Seja T : V → V um operador linear sobre um espa¸co vetorial de dimens˜ ao n. Chama-se polinˆ omio caracter´ıstico de T o polinˆ omio caracter´ıstico da matriz de T em rela¸ca ˜o a qualquer base de V . Observe que a proposi¸c˜ ao 26, juntamente com a proposi¸c˜ao 15 nos assegura a validade desta defini¸c˜ao.
(p. 232),
Proposi¸ c˜ ao 27. Seja T : V → V um operador linear sobre um espa¸co vetorial sobre o corpo K (K = R ou K = C) de dimens˜ ao n. Ent˜ ao os valores pr´ oprios de T s˜ ao as ra´ızes do polinˆ omio caracter´ıstico de T . Prova: Consideremos as seguintes equivalˆencias T (u) = λ u ⇔ T (u) − λ u = 0 ⇔ (T − λ I)(u) = 0
esta u ´ltima equa¸c˜ ao implica em que o autovetor u pertence ao n´ ucleo∗ do operador (T − λ I). Em s´ımbolos T (u) = λ u ⇔ u ∈ Ker (T − λ I)
(6.3)
Como deve ser u 6= 0 isto implica que devemos ter Ker (T − λ I) 6= { 0 }. Pela proposi¸c˜ ao 11 (p. 157) a transforma¸c˜ao (T −λ I) n˜ ao ´e injetora; ou ainda, n˜ ao possui inversa − n˜ ao ´e invers´ıvel. Logo, det (T − λ I)=0. (p. 234) Como, por defini¸c˜ ao
det (T − λ I) = det ([ T ] − λ I) a proposi¸c˜ ao est´ a provada.
Valores pr´ oprios e vetores pr´ oprios de uma matriz Assim como definimos valores e vetores pr´ oprios de um operador, de modo an´ alogo podemos definir valores e vetores pr´ oprios de uma matriz. Se A ´e uma matriz quadrada de ordem n, real ou complexa, chama-se vetor pr´ oprio de A toda matriz x1 x2 X= . 6= 0 .. xn
tal que
AX = λX
(6.4)
∗ Doravante estaremos utilizando a seguinte nota¸c˜ ao para o n´ ucleo de um operador T : Ker (T ). A palavra Kernel deriva do termo cyrnel, do inglˆes antigo, significando semente.
331
onde λ ´e chamado valor pr´ oprio de A. Para encontrar os autovalores de uma matriz, de modo an´ alogo ao caso dos operadores, devemos resolver a equa¸c˜ ao det (A − λ In ) = 0 A t´ıtulo de ilustra¸c˜ ao da proposi¸c˜ao 27 vamos calcular os valores pr´ oprios dos exemplos vistos no in´ıcio. 1 ) Reflex˜ ao em torno do eixo dos x Nesse caso a matriz do operador na base canˆ onica ´e 1 0 [T ] = 0 −1
(p. 238)
Ent˜ ao (T − λ I) =
1 0 0 −1
−λ
1 0 0 1
Logo det (T − λ I) = 0
⇒
det
o que nos fornece
=
1−λ 0
1−λ 0
(1 − λ) · (−1 − λ) = 0
⇒
0 −1 − λ
0 −1 − λ
=0
λ = ±1
O que concorda com os resultados obtidos anteriormente.
(p. 322)
2 ) Reflex˜ ao em torno da origem Nesse caso a matriz do operador na base canˆ onica ´e −1 0 [T ] = 0 −1
(p. 239)
Ent˜ ao (T − λ I) =
−1 0 0 −1
−λ
1 0 0 1
=
−1 − λ 0
0 −1 − λ
Logo det (T − λ I) = 0
⇒
det
−1 − λ 0
0 −1 − λ
(1 + λ)2 = 0
⇒
=0
o que nos fornece (−1 − λ) · (−1 − λ) = 0
⇒
O que concorda com o resultado obtido anteriormente.
332
λ = −1 (p. 323)
3 ) Reflex˜ ao em torno da reta y = x Nesse caso a matriz do operador na base canˆ onica ´e 0 1 [T ] = 1 0 Ent˜ao (T − λ I) =
0 1 1 0
−λ
Logo det (T − λ I) = 0
⇒
1 0 0 1
det
=
−λ 1
(p. 239)
−λ 1 1 −λ
1 −λ
=0
o que nos fornece λ2 − 1 = 0
⇒
λ = ±1
O que concorda com o resultado obtido anteriormente.
(p. 323)
4 ) Cisalhamento na dire¸ c˜ ao do eixo dos x
(p. 242)
Nesse caso a matriz do operador na base canˆ onica ´e 1 α [T ] = 0 1 Ent˜ao (T − λ I) =
1 α 0 1
−λ
1 0 0 1
Logo det (T − λ I) = 0
⇒
det
=
1−λ 0
1−λ 0
α 1−λ
α 1−λ
=0
o que nos fornece (1 − λ)2 = 0
⇒
λ=1
O que concorda com o resultado obtido anteriormente.
(p. 324)
5 ) Rota¸ c˜ ao de 90o em torno da origem Nesse caso a matriz do operador na base canˆ onica ´e 0 −1 [T ] = 1 0
(p. 247)
Ent˜ao (T − λ I) =
0 −1 1 0
−λ
333
1 0 0 1
=
−λ 1
−1 −λ
Logo det (T − λ I) = 0
⇒
det
o que nos fornece λ2 + 1 = 0
⇒
S = { },
−λ 1
−1 −λ
=0
(em R)
O que concorda com o resultado obtido anteriormente.
(p. 325)
Nota: Nesse exemplo estamos considerando o espa¸co vetorial V sobre o corpo de escalares R; caso decidissemos trabalhar com os escalares em C − o que ´e muito comum em aplica¸c˜oes pr´ aticas − os autovalores de um operador sempre existir˜ ao. Com efeito, ´ O teorema fundamental da Algebra afirma que se p(λ) ´e um polinˆ omio n˜ ao constante de grau n com coeficientes reais ou complexos, ent˜ao a equa¸c˜ao polinomial p(λ) = 0 tem pelo ao menos uma raiz real ou imagin´ aria. Se λ1 ´e ´ uma tal raiz, ent˜ ao o teorema da fatora¸ca ˜o da Algebra afirma que p(λ) pode ser fatorado como p(λ) = (λ − λ1 ) p1 (λ), onde p1 (λ) ´e um polinˆ omio de grau n − 1. Aplicando esse mesmo processo de fatora¸c˜ao ao polinˆ omio p1 (λ), etc. chegamos ` a conclus˜ao que todo polinˆ omio p(λ) pode ser fatorado em fatores lineares. Na p´ agina 336 estaremos discutindo o significado geom´etrico dos autovalores complexos de uma matriz real 2 × 2. 6 ) Proje¸ c˜ ao no plano xy Nesse caso a matriz do operador na 1 [T ] = 0 0
Ent˜ ao
base canˆ onica ´e 0 0 1 0 0 0
1−λ 1 0 0 1 0 0 0 (T − λ I) = 0 1 0 − λ 0 1 0 = 0 0 1 0 0 0 0
0 1−λ 0
Logo
det (T − λ I) = 0
⇒
(1 − λ)2 (−λ) = 0
0 0 −λ (6.5)
o que nos fornece λ = 0 ou λ = 1. O que concorda com o resultado obtido anteriormente. (p. 325) Defini¸ c˜ ao 43 (Multiplicidades alg´ebrica e geom´etrica de um autovalor). A multiplicidade de λ como raiz do polinˆ omio caracter´ıstico ´e a multipliciao do subespa¸co pr´ oprio U(λ) ´e dade alg´ ebrica do autovalor λ. A dimens˜ etrica do autovalor λ. chamada multiplicidade geom´ 334
Exemplos: Da equa¸c˜ ao (6.5) concluimos que a multiplicidade alg´ebrica do autovalor λ = 1 ´e 2. J´ a vimos (pp. 325, 329) que dim U(1) = 2; nesse caso as duas multiplicidades coincidem; todavia, nem sempre ´e este o caso. A prop´osito pode-se provar que a multiplicidade geom´etrica ´e sempre menor ou igual ` a multiplicidade alg´ebrica − Veja exerc´ıcio (p. 407).
C´ alculo dos vetores pr´ oprios
A partir dos valores pr´ oprios de um operador T podemos encontrar os respectivos vetores pr´ oprios. Para tanto basta considerar a equa¸c˜ao matricial ⇐⇒
T (u) = λ u
[ T ] [u] = λ [u]
Vejamos alguns exemplos: 1 ) Reflex˜ ao em torno do eixo dos x (p. 238) Como vimos, nesse caso temos dois autovalores λ = 1 e λ = −1, ent˜ao x x 1 0 =1· [ T ] [u] = λ [u] ⇐⇒ y y 0 −1 Daqui deriva o seguinte sistema∗ ( 1x + 0y = 1x ⇒ 0x − 1y = 1y
(
x=x −y = y
(
⇒
x=x y=0
Logo, os autovetores procurados s˜ ao da forma u = (x, y) = (x, 0). Ou, u = (x, 0) = x (1, 0), com x ∈ R∗ . Sendo assim o vetor (1, 0) gera o subespa¸co (ou subespa¸co pr´ oprio) de λ = 1, isto ´e: U(1) = [ (1, 0) ] . Observe a representa¸c˜ ao geom´etrica desse subespa¸co na p. 327 Temos ainda [ T ] [u] = λ [u]
⇐⇒
Daqui deriva o seguinte sistema ( 1 x + 0 y = −1 x ⇒ 0 x − 1 y = −1 y
(
1 0 0 −1
x = −x −y = −y
x y
= −1 ·
⇒
(
x y
x=0 y=y
Logo, os autovetores procurados s˜ ao da forma u = (x, y) = (0, y). Ou, u = (0, y) = y (0, 1), com y ∈ R∗ . Sendo assim o vetor (0, 1) gera o subespa¸co pr´ oprio associado a λ = −1, isto ´e: U(−1) = [ (0, 1) ] . Observe a representa¸c˜ ao geom´etrica desse subespa¸co na p. 327.
∗
Lembramos que na ´ algebra matricial n˜ ao vale a “lei do corte”.
335
6 ) Proje¸ c˜ ao no plano xy Como vimos, nesse caso temos dois autovalores λ = 0 e λ = 1, ent˜ao 1 0 0 x x [ T ] [u] = λ [u] ⇐⇒ 0 1 0 y =0· y 0 0 0 z z
Daqui 1x 0x 0x
deriva o seguinte sistema
+ 0y + 0z = 0x + 1y + 0z = 0y + 0y + 0z = 0z
⇒
1x = 0x 1y = 0y 0z = 0z
⇒
x=0 y=0 z = qualquer
Logo, os autovetores procurados s˜ ao da forma u = (x, y, z) = (0, 0, z). Ou, u = z (0, 0, 1), com z ∈ R∗ . Sendo assim o vetor (0, 0, 1) gera o subespa¸co pr´ oprio associado a λ = 0, isto ´e: U(0) = [ (0, 0, 1) ] . Observe a representa¸c˜ ao geom´etrica desse subespa¸co na p. 329. Temos ainda 1 0 0 x x 0 1 0 y = 1 · y [ T ] [u] = λ [u] ⇐⇒ 0 0 0 z z Daqui 1x 0x 0x
deriva o seguinte sistema
+ 0y + 0z = 1x + 1y + 0z = 1y + 0y + 0z = 1z
⇒
1x = 1x 1y = 1y 0z = 1z
⇒
x = qualquer y = qualquer z=0
Logo, os autovetores procurados s˜ ao da forma u = (x, y, z) = (x, y, 0). Ou, u = (x, y, 0) = x (1, 0, 0) + y (0, 1, 0), com x e y reais n˜ ao ambos nulos. Sendo assim os vetores (1, 0, 0) e (0, 1, 0) geram o subespa¸co pr´ oprio associado a λ = 1, isto ´e: U(0) = [ (1, 0, 0), (0, 1, 0) ] . Observe a representa¸c˜ao geom´etrica desse subespa¸co na p. 329. Iremos agora ver uma interpreta¸c˜ao geom´etrica para os autovalores complexos de uma matriz real 2 × 2.
Proposi¸ c˜ ao 28. Os autovalores da matriz real a −b T = b a
(6.6)
s˜ ao λ = a ± bi. Se a e b n˜ ao s˜ ao ambos nulos, ent˜ ao essa matriz pode ser fatorada como # #" " cos θ − sen θ |λ| 0 a −b (6.7) = b a sen θ cos θ 0 |λ| onde θ ´e o ˆ angulo que vai do eixo x positivo ao raio desde a origem at´e o ponto (a, b). 336
Geometricamente, essa proposi¸c˜ao afirma que a multiplica¸c˜ao por uma matriz da forma (6.6) pode ser vista como uma rota¸c˜ao pelo aˆngulo θ seguida de uma homotetia de raz˜ ao |λ|. (def. 28, p. 241) Prova: Vamos calcular o polinˆ omio caracter´ıstico de T : a −b 1 0 a−λ (T − λ I) = −λ = b a 0 1 b Logo det (T − λ I) = 0
⇒
det
o que nos fornece (a − λ)2 + b2 = 0
a−λ b
⇒
−b a−λ
−b a−λ
=0
λ = a ± bi
Supondo a e b n˜ ao ambos nulos, seja θ o ˆangulo do eixo x positivo ao raio desde a origem at´e o ponto (a, b). O ˆangulo θ ´e o argumento do autovalor λ = a + b i, conforme visto a seguir R
cos θ =
s(a, b)
|λ| θ
R
0
a |λ|
sen θ =
⇒
b |λ|
a = |λ| cos θ b = |λ| sen θ
Sendo assim a matriz (6.6) pode ser reescrita como
a −b b a
=
"
|λ| 0
0 |λ|
#
a |λ| b |λ|
b − |λ| a |λ|
=
"
|λ| 0
0 |λ|
#"
cos θ − sen θ
sen θ
cos θ
#
Interpreta¸c˜ ao geom´ etrica Multiplicando a matriz T por um ponto (vetor) arbitr´ario do R2 , assim: #" # #" " # " x cos θ − sen θ |λ| 0 x a −b = b a y sen θ cos θ 0 |λ| y Obtemos T (x, y) = |λ| (x cos θ − y sen θ, x sen θ + y cos θ) uma rota¸c˜ ao seguida de uma homotetia. 337
(6.8)
R
A figura ao lado exibe uma rota¸c˜ ao seguida de uma homotetia de raz˜ ao |λ|. No caso da figura a homotetia nada mais ´e que uma contra¸c˜ ao por ser |λ| < 1.
↓
s
(a, b) θ 0
R
Itera¸c˜ oes sucessivas destas duas opera¸c˜oes nos permitiu desenhar as figuras a seguir
onde um quadrado ´e rotacionado e em seguida “contra´ıdo”.
∗
∗
∗
A matem´ atica ´e um campo demasiadamente ´rduo e in´ a ospito para agradar ` aqueles a quem n˜ ao oferece grandes recompensas. Recompensas que s˜ ao da mesma ´ındole que as do artista. . . . Acrescenta ainda que ´e no ato de criar que o matem´ atico encontra sua culminˆ ancia e que “nenhuma quantidade de trabalho ou corre¸ca ˜o t´ecnica pode substituir este momento de cria¸ca ˜o na vida de um matem´ atico, poeta ou m´ usico”.
338
(p. 251)
(Norbert Wiener)
6.1.3
Exerc´ıcios
1) Encontre os valores pr´ oprios e os vetores pr´ oprios do operador linear T : R2 → R2 ,
T (x, y) = (−3x − 5y, 2y)
dado por
Encontre e fa¸ca um esbo¸co geom´etrico dos respectivos subespa¸cos pr´ oprios. 2) Encontre os valores pr´ oprios e os vetores pr´ oprios do operador linear T : R2 → R2 ,
dado por
T (1, 0) = (0, −1) e T (0, 1) = (1, 0)
Encontre e fa¸ca um esbo¸co geom´etrico dos respectivos subespa¸cos pr´ oprios. 3) Encontre os valores pr´ oprios e os vetores pr´ oprios do operador linear T : R3 → R3 ,
dado por
T (x, y, z) = (3x−y+z, −x+5y−z, x−y+3z)
Tente visualizar mentalmente os respectivos subespa¸cos pr´ oprios. 4) Encontre os valores pr´ oprios e os vetores pr´ oprios do operador linear T : R3 → R3 dado por T (1, 0, 0) = (2, 0, 0), T (0, 1, 0) = (2, 1, 2), T (0, 0, 1) = (3, 2, 1) Tente visualizar mentalmente os respectivos subespa¸cos pr´ oprios. 5) Encontre os valores pr´ oprios e os vetores pr´ oprios da matriz 4 5 A= 2 1 6) Encontre os valores pr´ oprios e os vetores pr´ oprios da matriz 1 3 A= 4 2 Esboce os espa¸cos pr´ oprios de A num sistema de coordenadas xy. 7) Encontre os valores pr´ oprios e os vetores pr´ oprios da matriz −2 −1 A= 5 2 8) Considere a matriz A=
a b c d
Mostre que seu polinˆ omio caracter´ıstico ´e dado por det (A − λ I2 ) = λ2 − (a + d) λ + (ad − bc) = λ2 − tr(A) λ + det A 339
9) Prove que se A ´e uma matriz quadrada, ent˜ao A e At tˆem o mesmo polinˆ omio caracter´ıstico. 10) Os valores pr´ oprios de um operador linear T : R2 → R2 s˜ ao λ1 = 2 e λ2 = −3, sendo u1 = (1, −1) e u2 = (−1, 0) os respectivos vetores pr´ oprios associados, encontre T (x, y). 11) Considere a matriz do operador T 2 [T ] = 1 −3
dada por 0 0 3 0 5 3
mostre que esse operador tem como autovalores
λ = 2, com multiplicidade alg´ebrica 1 e multiplicidade geom´etrica 1; λ = 3, com multiplicidade alg´ebrica 2 e multiplicidade geom´etrica 1. 12) Encontre os valores pr´ oprios e os vetores pr´ oprios do operador linear T : P1 (R) → P1 (R) dado por T (1 + x) = 1 + 2x
e
T (1 − x) = −1 + 3x
13) Encontre os valores pr´ oprios e os vetores pr´ oprios do operador linear T : P2 (R) → P2 (R) dado por T (c + bx + ax2 ) = b + cx + ax2 14) Prove que se λ ´e um autovalor de uma matriz invert´ıvel A e u ´e um autovetor associado, ent˜ao 1/λ ´e um autovetor de A−1 e u ´e um autovetor associado. [Sugest˜ ao: comece com a equa¸c˜ao A u = λ u]. 15) Encontre p(λ) o polinˆ omio caracter´ıstico da matriz 1 3 A= 4 5 mostre que p(A) = 0.
340
6.2
Diagonaliza¸c˜ ao de matrizes e operadores
Matrizes diagonais desempenham um papel relevante em muitas aplica¸c˜oes porque, sob muitos aspectos, elas representam os tipos mais simples de operadores lineares. Dado um operador linear T : V → V , como vimos, a cada
base B de V corresponde uma matriz [ T ]B que representa T nesta base. Nosso objetivo ser´ a obter, quando poss´ıvel, uma base do espa¸co de modo que a matriz do operador T nesta base seja diagonal. Da proposi¸c˜ ao a seguir inferimos que um operador linear num espa¸co vetorial de dimens˜ ao n possui no m´ aximo n autovalores distintos.
Proposi¸ c˜ ao 29. Autovetores associados a autovalores distintos de um operador T : V → V s˜ ao linearmente independentes. Prova: Faremos a prova para dois autovalores distintos, a generaliza¸c˜ao fica f´acil.
Sejam λ1 , λ2 autovalores, com λ1 6= λ2 , e v1 , v2 os respectivos autovetores associados. Para provarmos que v1 e v2 s˜ ao L.I. consideremos a equa¸c˜ao a 1 v1 + a 2 v2 = 0 Apliquemos a esta equa¸c˜ ao o operador T − λ2 I: (T − λ2 I)(a1 v1 + a2 v2 ) = T ( 0) Logo (T − λ2 I)(a1 v1 ) + (T − λ2 I)(a2 v2 ) = 0
Ent˜ao
T (a1 v1 ) − λ2 I(a1 v1 ) + T (a2 v2 ) − λ2 I(a2 v2 ) = 0 a1 T (v1 ) − λ2 a1 v1 + a2 T (v2 ) − λ2 a2 v2 = 0 Tendo em conta que, por hip´ otese T ( v1 ) = λ 1 v1
e
T ( v2 ) = λ2 v2
Obtemos a1 (λ1 v1 ) − λ2 a1 v1 + a2 (λ2 v2 ) − λ2 a2 v2 = 0 Simplificando Ou
a1 (λ1 − λ2 ) v1 + a2 (λ2 − λ2 ) v2 = 0 a1 (λ1 − λ2 ) v1 = 0
Como v1 6= 0 e λ1 6= λ2 , resulta necessariamente a1 = 0. Aplicando ` a equa¸c˜ ao original o operador T − λ1 I e com uma manipula¸c˜ao an´ aloga obtemos a2 = 0.
341
Um corol´ ario deste resultado que nos ser´ au ´til para o objetivo em vista ´e o que segue Corol´ ario 5. Sempre que tivermos um operador T : R2 → R2 com autovalores λ1 6= λ2 , ent˜ ao o conjunto { v1 , v2 }, formado pelos autovetores associados, ser´ a uma base do R2 . Este fato pode ser generalizado, isto ´e, se V ´e um espa¸co vetorial de dimens˜ ao n e T : V → V ´e um operador linear que possui n autovalores distintos, ent˜ ao o conjunto { v1 , v2 , · · · , vn }, formado pelos correspondentes autovetores, ´e uma base de V . Defini¸ c˜ ao 44 (Operador diagonaliz´ avel). Seja V um espa¸co vetorial de avel se existe dimens˜ ao finita. Um operador T : V → V se diz diagonaliz´ uma base de V formada por vetores pr´ oprios. Observe que se B = { v1 , v2 , . . . , vn } ´e uma base formada de vetores pr´ oprios de T − associados aos valores pr´ oprios λ1 , λ2 , . . . , λn , ent˜ao T (v1 ) = λ1 v1 + 0 v2 + · · · + 0 vn
T (v2 ) = 0 v1 + λ2 v2 + · · · + 0 vn ................................... T (vn ) = 0 v1 + 0 v2 + · · · + λn vn
Tomando o “transposto” dos coeficientes acima:
λ1
0
...
0
0 λ ... 0 2 [ T ]B = ................ 0 0 . . . λn
(p. 189)
concluimos que a matriz do operador na base B, formada pelos vetores pr´ oprios, ´e diagonal e que os elementos da diagonal s˜ ao os valores pr´ oprios. Exemplos: 1 ) Seja T : R2 → R2 , o operador dado por T (x, y) = (−3x + 4y, −x + 2y). Sua matriz na base canˆ onica ´e: # " −3 4 [ T ]B = −1 2 Nosso objetivo ser´ a encontrar para esse operador uma outra base na qual sua matriz seja diagonal. Pois bem, inicialmente vamos determinar os autovalores do operador. # " −3 − λ 4 = 0 ⇒ λ2 + λ − 2 = 0 det ([ T ] − λ I ) = 0 ⇒ det −1 2−λ 342
Resolvendo essa equa¸c˜ ao encontramos λ1 = 1 e λ2 = −2. Como esses autovalores s˜ ao distintos segue do corol´ ario anterior que seus autovetores associados s˜ ao L.I. e, portanto, formam uma base. Vamos encontr´ a-los: # " −3 4 x x =1· [ T ] [u] = λ [u] ⇐⇒ y y −1 2 Daqui deriva o seguinte sistema ( −3 x + 4 y = 1 x ⇒ −1 x + 2 y = 1 y
(
−x + y = 0 −x + y = 0
⇒
y=x
Logo, os autovetores procurados s˜ ao da forma u1 = (x, y) = (x, x). Ou, u1 = (x, x) = x (1, 1), com x ∈ R∗ . Por outro lado, # " −3 4 x x = −2 · [ T ] [u] = λ [u] ⇐⇒ y y −1 2 Daqui deriva o seguinte sistema ( −3 x + 4 y = −2 x ⇒ −1 x + 2 y = −2 y
(
−x + 4y = 0 −x + 4y = 0
⇒
x = 4y
Logo, os autovetores procurados s˜ ao da forma u2 = (x, y) = (4y, y). Ou, u1 = (4y, y) = y (4, 1), com y ∈ R∗ . Portanto, a base procurada pode ser B ′ = u1 = (1, 1), u2 = (4, 1) Calculemos agora [ T ]B′ :
T (u1 ) = a11 u1 + a21 u2 T (u2 ) = a12 u1 + a22 u2
(p. 189)
(1, 1) = a11 (1, 1) + a21 (4, 1)
⇒
(−8, −2) = a12 (1, 1) + a22 (4, 1)
Resolvendo este sistema encontramos T (u1 ) = 1 u1 + 0 u2 T (u2 ) = 0 u1 − 2 u2
⇒
[ T ]B′ =
"
1 0 0 −2
#
A matriz do operador T nesta nova base resultou diagonal, onde os elementos da diagonal s˜ ao os autovalores do operador. Nota: Poderiamos ter encontrado a matriz acima diretamente, conforme observa¸c˜ ao ap´ os a defini¸c˜ ao 44 − preferimos assim.
Vamos explorar um pouco mais este exemplo. Consideremos as duas bases: B = u1 = (1, 0), u2 = (0, 1) , B ′ = v1 = (1, 1), v2 = (4, 1) 343
Isto ´e, a base antiga (canˆ onica) e a base nova. Vamos calcular, de acordo com a defini¸c˜ ao 12 (p. 113), a matriz de mudan¸ca da base antiga B para a nova base B ′ : v1 = λ11 u1 + λ21 u2 v2 = λ12 u1 + λ22 u2
(1, 1) = λ11 (1, 0) + λ21 (0, 1)
⇒
(4, 1) = λ12 (1, 0) + λ22 (0, 1)
Resolvendo esse sistema encontramos # " λ11 λ12 ⇒ P = λ21 λ22
P =
"
1 4 1 1
#
´e a matriz cujas colunas s˜ ao os autovetores do operador. Vimos (p. 15, p. 232) que duas matrizes de um mesmo operador linear s˜ ao semelhantes. Verifique que, no caso em quest˜ ao, P −1 [ T ]B P = [ T ]B′ Isto ´e
"
1 4 1 1
#−1 "
−3 4 −1 2
#"
1 4 1 1
#
=
"
1
0
0 −2
#
2 ) Seja T : R3 → R3 , o operador dado por T (x, y) = (3x − 4z, 3y + 5z, −z). Sua matriz na base canˆ onica ´e: 3 0 −4 5 [ T ]B = 0 3 0 0 −1
Nosso objetivo ser´ a encontrar para esse operador uma outra base na qual sua matriz seja diagonal. Pois bem, inicialmente vamos determinar os autovalores do operador. 3−λ 0 −4 3−λ 5 det ([ T ] − λ I ) = 0 ⇒ det 0 =0 0 0 −1 − λ Desenvolvendo esse determinante encontramos: (3 − λ)(3 − λ)(−1 − λ) = 0.
Portanto, os autovalores s˜ ao λ1 = 3 e λ2 = −1. Encontremos os respectivos autovetores: 3 0 −4 x x 5 y =3· y [ T ] [u] = λ [u] ⇐⇒ 0 3 z z 0 0 −1 344
Daqui deriva o seguinte sistema 3 x + 0 y − 4z = 3 x ⇒ 0 x + 3 y + 5z = 3 y 0x + 0y − z = 3z
3 x − 4z = 3 x 3 y + 5z = 3 y −z = 3z
⇒
x=x y=y z=0
Logo, os autovetores procurados s˜ ao da forma u1 = (x, y, z) = (x, y, 0). Ou, ainda: u1 = (x, y, 0) = x (1, 0, 0) + y (0, 0, 1) Portanto, associado ao autovalor λ1 = 3, obtemos dois autovetores L.I. u1 = (1, 0, 0) e u2 = (0, 0, 1) Agora calculemos os autovetores associados ao autovalor λ2 = −1: 3 0 −4 x x 0 3 5 [ T ] [u] = λ [u] ⇐⇒ = −1 · y y z z 0 0 −1
Daqui deriva o seguinte sistema 3 x + 0 y − 4z = −1 x ⇒ 0 x + 3 y + 5z = −1 y 0 x + 0 y − z = −1 z
3 x − 4z = −x 3 y + 5z = −y − z = −z
⇒
x=z 4y = −5z z=z
Logo, os autovetores procurados s˜ ao da forma (x, y, z) = (z, − 54 z, z). Pela propriedade P2 (p. 326) podemos multiplicar estes autovetores por 4, obtendo (4z, −5 z, 4z) = z (4, −5, 4), que ainda s˜ ao autovetores associados ao mesmo autovalor. Portanto, a base procurada pode ser B ′ = u1 = (1, 0, 0), u2 = (0, 1, 0), u3 = (4, −5, 4) Procedendo como no exemplo anterior, obtemos: 3 0 0 0 [ T ]B′ = 0 3 0 0 −1
Um autovalor aparecer´a na diagonal tantas vezes quantas forem os autovetores L.I. a ele associados. Como no exemplo anterior podemos mostrar que P −1 [ T ]B P = [ T ]B′ 345
Isto ´e
1
0 0
0
4
−1
1 −5 0 4
3
0 0
0 −4
1
3 5 0 0 0 −1
0
4
3
1 −5 = 0 0 0 4
Onde P ´e a matriz cujas colunas s˜ ao os vetores da base B ′ .
0
0
3 0 0 −1
Vimos dois exemplos de operadores diagonaliz´ aveis, entretanto isso nem sempre ocorre; a seguir exibimos um operador n˜ ao diagonaliz´ avel. 3 3 3 ) Seja T : R → R , o operador cuja matriz na base canˆ onica ´e dada por: 3 −3 −4 3 5 [ T ]B = 0 0 0 −1 Vamos tentar encontrar para esse operador uma base formada de autovetores. Inicialmente vamos determinar os autovalores do operador. 3−λ −3 −4 3−λ 5 =0 det ([ T ] − λ I ) = 0 ⇒ det 0 0 0 −1 − λ
Desenvolvendo esse determinante − pela primeira coluna − encontramos: (3 − λ)(3 − λ)(−1 − λ) = 0. Portanto, os autovalores s˜ ao λ1 = 3 e λ2 = −1. Encontremos os respectivos autovetores: 3 −3 −4 x x 3 5 y = 3 · y [ T ] [u] = λ [u] ⇐⇒ 0 z z 0 0 −1
Daqui deriva o seguinte sistema 3 x − 3 y − 4z = 3 x 0 x + 3 y + 5z = 3 y 0x + 0y − z = 3z
⇒
x − y=x y=y z=0
Da primeira equa¸c˜ ao deste u ´ltimo sistema encontramos que y = 0; logo, os autovetores procurados s˜ ao da forma (x, y, z) = (x, 0, 0) = x (1, 0, 0). Portanto, associado ao autovalor λ1 = 3, obtemos apenas um autovetor L.I., por exemplo, u = (1, 0, 0). Agora calculemos os autovetores associados ao autovalor λ2 = −1: 3 −3 −4 x x y 0 3 5 [ T ] [u] = λ [u] ⇐⇒ = −1 · y z z 0 0 −1 346
Daqui deriva o seguinte sistema 3 x − 3 y − 4z = −1 x ⇒ 0 x + 3 y + 5z = −1 y 0 x + 0 y − z = −1 z
Sendo assim temos
5 y=− z 4
e
x=
4 x − 3 y − 4z = 0 4 y + 5z = 0 z=z
3 3 y+z = 4 4
−
1 5 z +z = z 4 16
Logo, os autovetores procurados s˜ ao da forma 1 5 z, − z, z ⇒ 16(x, y, z) = (z, −20z, 16z) (x, y, z) = 16 4 = z (1, −20, 16)
Portanto, associado ao autovalor λ2 = −1, temos o autovetor (1, −20, 16). Conclus˜ao: temos apenas dois autovetores L.I., logo − para o operador T em quest˜ao − n˜ ao existe uma base do R3 constituida s´ o de autovetores. Tendo em conta que todas as matrizes de um mesmo operador s˜ ao semelhantes e que matrizes semelhantes tˆem os mesmos autovalores concluimos que em nenhuma base a matriz do operador T ´e uma matriz diagonal, ou seja, T n˜ ao ´e diagonaliz´ avel.
347
6.2.1
Exerc´ıcios
16) Seja T : R2 → R2 um operador linear dado por T (x, y) = (4x + 5y, 2x + y) Encontre uma base de R2 em rela¸c˜ao `a qual a matriz de T ´e diagonal. 17) Seja T : R2 → R2 um operador linear dado por T (x, y) = (−3x + 4y, −x + 2y) Encontre uma base de R2 em rela¸c˜ao `a qual a matriz de T ´e diagonal. 18) Para quais valores de a as matrizes abaixo s˜ ao diagonaliz´ aveis? a) A =
"
1
1
0
a
#
b) B =
"
1
a
0
1
#
19) Determine uma matriz P , invers´ıvel, tal que P −1 A P seja diagonal, onde 2 0 4 A = 3 −4 12 1 −2 5 20) Encontre uma matriz diagonal semelhante `a matriz
3
3
−5
A = −1 1 21) Considere a matriz A =
"
2
−3
−1
1
5 −1 −1 3 #
, mostre que:
a) Se A ´e uma matriz sobre o corpo R dos reais, ent˜ao A n˜ ao ´e diagonaliz´ avel; b) Se A ´e uma matriz sobre o corpo C dos complexos, ent˜ao A ´e diagonaliz´ avel; neste caso encontre uma matriz P , invers´ıvel, e calcule P −1 A P . # " a a2 . 22) Seja a > 0 um n´ umero real, considere a matriz A = 1 a a) Mostre que A ´e diagonaliz´ avel; a) Encontre uma matriz P , invers´ıvel, tal que P −1 A P seja uma matriz diagonal. 348
6.2.2
Diagonaliza¸c˜ ao de operadores autoadjuntos
Lembramos (def. 38, p. 311) que um operador autoadjunto ´e um operador linear T de um espa¸co euclidiano V que satisfaz h T (u), v i = h u, T (v) i,
∀ u, v ∈ V.
Vimos, ademais, que a matriz de T , em rela¸c˜ao a qualquer base ortonormal ´e sim´etrica (prop. 25, p. 311). Sendo assim, reduzimos o problema da diagonaliza¸c˜ ao de uma matriz sim´etrica ao da diagonaliza¸c˜ao de um operador autoadjunto. Como vimos, nem toda matriz ´e diagonaliz´ avel. Ademais, vimos que algumas matrizes n˜ ao possuem autovalor (real). Veremos, no entanto, que se A ´e uma matriz real sim´etrica, ent˜ao a existˆencia de autovalores reais estar´ a garantida. Proposi¸ c˜ ao 30. Seja A uma matriz real sim´etrica. Ent˜ ao toda raiz λ de seu polinˆ omio caracter´ıstico ´e real. Prova: De fato, seja A = (aij ) uma matriz sim´etrica real e seja λ um valor pr´ oprio de A. Sendo assim, vamos nos reportar `a equa¸c˜ao (6.4) (p. 331) para escrever
a21 a22 ... a2n ......................... an1 an2 ... ann
a11
a12
...
a1n
x1 x2 .. . xn
= λ
x1 x2 .. . xn
Como o vetor pr´ oprio X de A satisfaz
X=
x1 x2 .. . xn
6= 0
isso significa que o sistema linear (equivalente `a equa¸c˜ao (6.9)): a11 x1 + a12 x2 + · · · + a1n xn = λ x1 a21 x1 + a22 x2 + · · · + a2n xn = λ x2 ····································· a x + a x + · · · + a x = λ x n1 1 n2 2 nn n n 349
(6.9)
tem ao menos uma solu¸c˜ao n˜ ao trivial (β1 , β2 , . . . , βn ); sendo assim, temos: a11 β1 + a12 β2 + · · · + a1n βn = λ β1 a21 β1 + a22 β2 + · · · + a2n βn = λ β2 ····································· a β + a β + · · · + a β = λ β nn n n n1 1 n2 2 Agora multipliquemos a primeira equa¸c˜ao pelo conjugado complexo de β1 , a segunda pelo conjugado de β2 e assim sucessivamente. Ent˜ao a11 β1 β¯1 + a12 β2 β¯1 + · · · + a1n βn β¯1 = λ β1 β¯1 a β β¯ + a β β¯ + · · · + a β β¯ = λ β β¯ 21
1
2
22
2
2
2n
n
2
2
2
················································ a β β¯ + a β β¯ + · · · + a β β¯ = λ β β¯ n n n nn n n1 1 n n2 2 n
Vamos somar todas essas equa¸c˜oes a11 β1 β¯1 + a12 β2 β¯1 + · · · + a1n βn β¯1
+ a21 β1 β¯2 + a22 β2 β¯2 + · · · + a2n βn β¯2
(⋆)
·······································
+ an1 β1 β¯n + an2 β2 β¯n + · · · + ann βn β¯n = λ (β1 β¯1 + β2 β¯2 + · · · + βn β¯n ) O n´ umero entre parˆentesis do lado direito da igualdade ´e real; sendo assim se provarmos que o n´ umero do lado esquerdo tamb´em ´e real teremos atingido nosso desiderato. Para isso ´e suficiente provar que o primeiro membro ´e igual ao seu conjugado. Tomemos o conjugado do primeiro membro: a11 β1 β¯1 + a12 β2 β¯1 + · · · + a1n βn β¯1 + a21 β1 β¯2 + a22 β2 β¯2 + · · · + a2n βn β¯2 ······································· + an1 β1 β¯n + an2 β2 β¯n + · · · + ann βn β¯n Logo, 350
a11 β¯1 β¯1 + a12 β¯2 β¯1 + · · · + a1n β¯n β¯1
+ a21 β¯1 β¯2 + a22 β¯2 β¯2 + · · · + a2n β¯n β¯2 ·······································
+ an1 β¯1 β¯n + an2 β¯2 β¯n + · · · + ann β¯n β¯n Ou ainda, a11 β¯1 β1 + a12 β¯2 β1 + · · · + a1n β¯n β1
+ a21 β¯1 β2 + a22 β¯2 β2 + · · · + a2n β¯n β2 ·······································
+ an1 β¯1 βn + an2 β¯2 βn + · · · + ann β¯n βn Neste momento vamos utilizar a hip´ otese de que a matriz A ´e sim´etrica, isto ´e, (aij ) = (aji ). Trocando os ´ındices nos elementos da matriz obtemos: a11 β¯1 β1 + a21 β¯2 β1 + · · · + an1 β¯n β1
+ a12 β¯1 β2 + a22 β¯2 β2 + · · · + an2 β¯n β2 ·······································
+ a1n β¯1 βn + a2n β¯2 βn + · · · + ann β¯n βn Permutando os β ′ s e somando por colunas, obtemos a11 β1 β¯1 + a21 β1 β¯2 + · · · + an1 β1 β¯n
+ a12 β2 β¯1 + a22 β2 β¯2 + · · · + an2 β2 β¯n +
·······································
+ a1n βn β¯1 + a2n βn β¯2 + · · · + ann βn β¯n
a11 β1 β¯1 + a12 β2 β¯1 + · · · + a1n βn β¯1
+ a21 β1 β¯2 + a22 β2 β¯2 + · · · + a2n βn β¯2 ·······································
+ an1 β1 β¯n + an2 β2 β¯n + · · · + ann βn β¯n 351
Comparando este u ´ltimo quadro com o lado esquerdo da igualdade em ( ⋆ ) vemos que s˜ ao iguais. J´ a vimos (prop. 29, p. 341) que a autovalores diferentes de um mesmo operador correspondem autovetores distintos. Se, em particular, o operador for autoadjunto podemos garantir algo a mais: que estes autovetores s˜ ao ortogonais. Proposi¸ c˜ ao 31. Seja T : V → V autoadjunto e λ1 e λ2 autovalores distintos de T e v1 , v2 os respectivos autovetores associados. Ent˜ ao v1 ⊥ v2 . Prova: Com efeito, lembramos que T (v1 ) = λ1 v1 e T (v2 ) = λ2 v2 . Sendo assim λ1 h v1 , v2 i = h λ1 v1 , v2 i = h T (v1 ), v2 i = h v1 , T (v2 ) i = h v1 , λ2 v2 i = λ2 h v1 , v2 i O que justifica a u ´ltima passagem acima ´e que λ2 ∈ R.
(p. ??)
Ent˜ ao
λ1 h v1 , v2 i = λ2 h v1 , v2 i ⇒ (λ1 − λ2 ) h v1 , v2 i = 0 como λ1 6= λ2 , segue que h v1 , v2 i = 0, o que conclui a demonstra¸c˜ao.
Essa proposi¸c˜ ao nos permite concluir que, com rela¸c˜ao `a diagonaliza¸c˜ao, os operadores autoadjuntos comportam-se de uma maneira especial. De fato, se T : V → V ´e autoadjunto, com V de dimens˜ao n, e T admite n autovalores distintos (portanto uma base de autovetores), ent˜ao T ´e diagonaliz´ avel e os autovetores s˜ ao dois a dois ortogonais. Normalizando os vetores de uma tal base obteremos uma base ortonormal de autovetores para esse operador. Enfatizamos: T al´em de ser diagonaliz´ avel ainda possui uma base de autovetores ortonormais. Vamos provar que isto vale, a princ´ıpio, pelo ao menos para um espa¸co de dimens˜ao n = 2. Proposi¸ c˜ ao 32. Seja T : V → V um operador autoadjunto num espa¸co vetorial V de dimens˜ ao 2. Ent˜ ao, existe uma base ortonormal B = { u1 , u2 } ⊂ V formada por autovetores de T . Prova: Com efeito, seja T um operador autoadjunto, nas condi¸c˜oes do enunciado, ent˜ ao pela proposi¸c˜ao 25 (p. 311) sua matriz em rela¸c˜ao a uma base ortonormal B ′ = { v1 , v2 } ⊂ V ´e sim´etrica − B ′ sempre existe por Gram-Schmidt −, digamos a b [T ] = b c 352
Vamos calcular o polinˆ omio caracter´ıstico de T : a b 1 0 a−λ (T − λ I) = −λ = b c 0 1 b Logo det (T − λ I) = 0
⇒
det
a−λ b
b c−λ
b c−λ
=0
o que nos fornece (a − λ) (c − λ) − b2 = 0
λ2 − (a + c) λ + (ac − b2 ) = 0
⇒
Vamos encontrar o discriminante dessa equa¸c˜ao ∆ = (a + c)2 − 4 · 1 · (ac − b2 ) ⇒ ∆ = (a − c)2 + 4b2 . Sendo assim ∆ ≥ 0. Temos duas alternativas quanto ao sinal de ∆. Se ∆ = 0 ent˜ ao a = c e b = 0. Neste caso a matriz de T toma a forma a 0 [T ] = 0 a Isto significa que T (v1 ) = a v1 + 0 v2 T (v2 ) = 0 v1 + a v2 Isto implica que todo vetor v ∈ V , n˜ ao-nulo, ´e um autovetor de T . De fato, seja v ∈ V , ent˜ ao existem escalares λ1 , λ2 tais que v = λ1 v1 + λ2 v2 . Logo, T (v) = T (λ1 v1 + λ2 v2 ) = λ1 T (v1 ) + λ2 T (v2 ) = λ1 (a v1 ) + λ2 (a v2 ) = a (λ1 v1 + λ2 v2 ) = a v Sendo assim, para obter a base B procurada ´e suficiente ortonormalizar a base B ′ . No caso em que ∆ > 0, teremos dois autovalores distintos o que acarreta, pela proposi¸c˜ ao 31, que seus respectivos autovetores s˜ ao ortogonais, normalizando estes autovetores encontramos a base B desejada.
353
Defini¸ c˜ ao 45 (Subespa¸cos invariantes). Se T : V → V ´e uma transforma¸ca ˜o linear e U ⊂ V ´e um subespa¸co de V , U ´e dito ser invariante sob T se T (U ) ⊂ U . Proposi¸ c˜ ao 33. Seja T : V → V operador linear autoadjunto e λ um de ⊥ ´ seus autovalores. Ent˜ ao o subespa¸co U(λ) e invariante sob T . Prova: Lembramos que U ⊥ = v ∈ V : h v, u i = 0, ∀ u ∈ U
(pp. 298, 326)
U(λ) = { u ∈ V : T (u) = λ u }
Sendo U(λ) o subespa¸co formado por todos os autovetores associados ao ⊥ ´ autovalor λ (mais o vetor nulo), temos que U(λ) e o subespa¸co formado por todos os vetores do espa¸co que s˜ ao ortogonais a todos os autovetores associados ao autovalor λ. Ent˜ao, ⊥ ⊥ Se v ∈ U(λ) ⇒ h v, u i = 0, ∀ u ∈ U(λ)
Logo: 0 = λ h v, u i = h v, λ u i = h v, T (u) i = h T (v), u i. ⊥ , o que conclui a prova. Portanto, T (v) ∈ U(λ)
Como um exemplo do que acabamos de ver, consideremos o operador proje¸c˜ ao no plano xy. (p. 325) Este operador admite dois autosubespa¸cos, vistos na figura a seguir (p. 329) z
U(0)# s(x, y, z) y
rT (x, y, 0)
U(1)
x
Temos ⊥ U(0) = U(1)
e
⊥ U(1) = U(0)
A matriz na base caˆonica do operador proje¸c˜ao T : R3 → R3 (x, y, z) 7→ (x, y, 0)
ou
´e dada por 354
T (x, y, z) = (x, y, 0)
1 0 0 [T ] = 0 1 0 0 0 0
x x 1 0 0 0 1 0 y = y 0 0 0 z 0
⇒
Como essa matriz ´e sim´etrica concluimos que o operador em quest˜ao ´e autoadjunto. (prop. 25, p. 311) ⊥ e U ⊥ s˜ Portanto concluimos da proposi¸c˜ao 33 que os subespa¸cos U(0) (1) ao invariantes sob o operador proje¸ca˜o. O que significa dizer que a imagem de todo vetor do eixo z permanece nesse eixo e a imagem de todo vetor no plano xy permanece nesse plano. Veja
T (0, 0, z) = (0, 0, 0)
e
T (x, y, 0) = (x, y, 0)
Vamos agora generalizar a proposi¸c˜ao 32.
(p. 352)
Teorema 11 (Teorema Espectral). Seja T : V → V um operador autoadjunto num espa¸co vetorial V de dimens˜ ao n. Ent˜ ao, existe uma base ortonormal B = { u1 , u2 , . . . , un } ⊂ V formada por autovetores de T . Prova: A demonstra¸c˜ ao se faz por indu¸c˜ao sobre a dimens˜ao n do espa¸co. Com efeito, se dim V = 1, fixamos qualquer vetor v ∈ V , v 6= 0, e v fazemos kvk = u1 , ent˜ ao { u1 } ´e uma base ortonormal. Como V = [ u1 ] e T (u1 ) ∈ V , ent˜ ao T (u1 ) = λ u1 , para algum λ ∈ R. Sendo assim u1 ´e um autovetor de T e o teorema fica provado para n = 1. Seja V um espa¸co euclidiano de dimens˜ao n > 1 e suponhamos o teorema v´alido para os espa¸cos euclidianos de dimens˜ao n − 1. Devemos provar que o teorema ´e v´alido para o caso em que dim V = n. Seja λ ∈ R um autovalor de T , se u ´e um autovetor de T associado a λ, u 1 ent˜ao u1 = kuk = kuk u tamb´em o ´e. Se [ u1 ] = U , ent˜ ao podemos escrever V = U ⊕ U ⊥ .
(prop. 21, p. 299)
Sendo dim U = 1 e tendo em conta a equa¸c˜ao (2.13) (p. 104) concluimos que dim U ⊥ = n − 1. Considerando a defini¸c˜ ao de produto interno (def. 29, p. 258) concluimos que U ⊥ tamb´em ´e euclidiano − relativamente ao produto interno de V , restrito a este subespa¸co. Ademais, observamos que U ⊥ ´e invariante sob T , isto ´e, vale a implica¸c˜ao v ∈ U ⊥ ⇒ T (v) ∈ U ⊥ De fato, se v ∈ U ⊥ , ent˜ ao h v, u i = 0, ∀ u ∈ U. 355
Logo 0 = λ h v, u i = h v, λ u i,
∀u ∈ U
= h v, T (u) i,
∀u ∈ U
= h T (v), u i,
∀u ∈ U
Isto prova que T (v) ∈ U ⊥ . Uma consequˆencia deste resultado ´e que podemos considerar T , restrito aos elementos de U ⊥ , como um operador linear deste subespa¸co. E como h T (u), v i = h u, T (v) i,
vale para todo u, v ∈ V,
em particular esta igualdade vale para quaisquer u, v ∈ U ⊥ ; ent˜ao T , restrito ao subespa¸co U ⊥ , ´e tamb´em autoadjunto; logo, podemos aplicar a este subespa¸co a hip´ otese de indu¸c˜ao e concluir que existe uma base ortonormal { u2 , . . . , un } de U ⊥ formada por autovetores de T (restrito a U ⊥ ). Ent˜ao, podemos concluir que B = { u1 , u2 , . . . , un } ´e uma base ortonormal pois cada vetor de U ⊥ ´e ortogonal a u1 . Como cada elemento da base B ´e um vetor pr´ oprio de T , a demonstra¸c˜ao se encerra. Observamos que vale o rec´ıproco do teorema espectral: Se existe uma base ortonormal B = { u1 , u2 , . . . , un } ⊂ V formada por autovetores do operador T : V → V ent˜ao este operador ´e autoadjunto. B
Prova: Nas condi¸c˜ oes do enunciado [ T ]B ´e uma matriz diagonal (def. 44, p. 342) e portanto sim´ etrica. Logo T ´e autoadjunto. (prop. 25, p. 311) Exemplo: Determine uma matriz ortogonal P que diagonaliza a matriz sim´etrica: (ver Nota p. 304) 1 −2 0 A = −2 1 0 0 0 −1 Solu¸ c˜ ao: A equa¸c˜ ao caracter´ıstica de A ´e:
det (A − λ I) = 0
⇒
1 − λ −2 0 =0 det −2 1 − λ 0 0 0 −1 − λ
Dessenvolvendo esse determinante pela terceira linha obtemos:
(−1 − λ) [ (1 − λ)2 − 4 ] = 0 ⇒ λ1 = −1 e λ2 = 3. Os respectivos autovetores s˜ ao obtidos da equa¸c˜ao matricial T (u) = λ u
⇐⇒ 356
[ T ] [u] = λ [u]
No caso em quest˜ ao
([ T ] = A)
1 −2 0 x x −2 1 0 y =λ y 0 0 −1 z z
Substituindo λ por −1 e depois λ por 3 encontramos
U(−1) = { (x, x, z) : x, z ∈ R } = { x(1, 1, 0) + z(0, 0, 1) : x, z ∈ R } U(3) = { (x, −x, 0) : x ∈ R } = { x(1, −1, 0) : x ∈ R } Daqui podemos retirar B = { (1, 1, 0), (0, 0, 1), (1, −1, 0) } que ´e uma base de R3 formada de vetores pr´ oprios ortogonais. Dividindo cada um destes vetores pela respectiva norma obtemos √ √2 n √2 √2 2 o ′ , , 0 , u2 = (0, 0, 1), u3 = ,− ,0 B = u1 = 2 2 2 2 A matriz P , cujas colunas s˜ ao as componentes dos vetores pr´ oprios unit´ arios u1 , u2 , e u3 ´e ortonormal √ √ 2 2 0 2 2 √ √ 2 P = 0 −2 2 2 0 1 0 ↑ ↑ ↑ u3 u1 u2 isto ´e ( 1, se i = j; h ui , uj i = δij = 0, se i 6= j. como o leitor pode constatar diretamente. A matriz P ´e a matriz diagonalizadora. De fato, D = P −1 A P = P t A P isto ´e
√ 2 2
D= 0 √
2 2
√
2 2
0 √
− 2 2
0
√
2 2 √ 2 2
1 −2 0 1 −2 1 0 0 0 −1 0 0 357
√
0
2 2 √ − 2 2
1
0
0
Fazendo as multiplica¸c˜ oes devidas, encontramos −1 0 0 D = 0 −1 0 0 0 3
Nestes casos dizemos que P diagonaliza A ortogonalmente.
6.2.3
Exerc´ıcios
2 −2 23) Seja A = uma matriz real sim´etrica. Determine uma −2 5 matriz ortogonal P tal que P −1 A P seja diagonal. 24) Considere o operador autoadjunto T : R2 → R2 definido pela matriz: 4 12 A= 12 −3 Encontre uma matriz ortogonal P que diagonaliza A. 25) Considere o operador autoadjunto 1 0 A= −2
T : R3 → R3 definido pela matriz: 0 −2 0 0 0 4
Encontre uma matriz ortogonal P que diagonaliza A. 26) Seja T : R3 → R3 o operador linear definido por
T (x, y, z) = (x + y + z, x + y + z, x + y + z). a ) Achar os valores pr´ oprios de T ; B
b ) Encontre uma base ortonormal B do R3 tal que [ T ]B ´e diagonal; c ) Qual a matriz de mudan¸ca da base canˆ onica do R3 para a base B? 27) Seja T : R3 → R3 o operador linear definido por T (x, y, z) = (2x + y, x + y + z, y − 3z). a ) Mostre que T ´e um operador autoadjunto mas n˜ ao ortogonal;
(p. 301)
b ) Se u = (2, −1, 5) e v = (3, 0, 1), verifique que h T (u), v i = h u, T (v) i; c ) Exiba uma base de autovetores de T e verifique que ´e uma base ortogonal. A partir desta base construa uma base ortonormal. 28) Se T1 e T2 s˜ ao transforma¸c˜oes autoadjuntas de um espa¸co vetorial V , ´e verdade que T1 T2 = T2 T1 ? Prove isso ou apresente um contra-exemplo. 358
29) Seja T : R3 → R3 o operador linear definido por T (x, y, z) = (2x + 2y, x + z, x + y). Identifique as afirma¸c˜ oes verdadeiras: a ) T n˜ ao ´e invers´ıvel; b ) Dado W = { (x, y, z) : x + y = 0 }, se w ∈ W , ent˜ao h T (w), w i = 0 ⇐⇒ w = 0; c ) Em rela¸c˜ ao ` a base B = { (1, 1, 0), (1, 1 B [ T ]B = 0 −2
6.3 6.3.1
0, 0), (0, 0, 1) } 0 −2 0 0 0 4
Aplica¸ c˜ oes da Diagonaliza¸c˜ ao Potˆ encias de uma matriz
Defini¸ c˜ ao 46 (Potˆencia de matrizes). Sejam A ∈ Mn uma matriz quadrada e n um n´ umero natural. Potˆencia de base A e expoente n ´e a matriz An tal que: ( A0 = In An = An−1 · A, ∀ n ≥ 1.
Desta defini¸c˜ ao decorre que: A1 = A0 · A = In · A = A A2 = A1 · A = A · A A3 = A2 · A = (A · A) · A = A · A · A e, de modo geral, para p natural e p ≥ 2, temos que Ap ´e um produto de p fatores iguais a A. Via de regra o c´ alculo de An ´e ma¸cante, sobretudo se n ´e grande. No entanto se A for diagonaliz´ avel esse trabalho fica assaz simplificado. Sen˜ ao vejamos: se A ´e diagonaliz´ avel, existe uma matriz invers´ıvel P tal que P −1 A P = D, sendo λ1 0 λ2 D= . . . 0
λn
359
a matriz diagonal dos valores pr´ oprios de A. Na p´ agina 236 provamos a seguinte implica¸c˜ ao D = P −1 A P
D n = P −1 An P
⇒
Multiplicando esta u ´ltima equa¸c˜ao `a equerda por P ´e `a direita por P −1 , obtemos P D n P −1 = P (P −1 An P ) P −1
An = P D n P −1
⇒
De sorte que (quase) todo o trabalho recai em elevarmos a matriz diagonal D` a n-´esima potˆencia. Para tanto ´e suficiente elevarmos cada elemento da diagonal a essa potˆencia: (mostre isso por indu¸ca ˜o) n λ1 0 n λ2 Dn = .. . λnn
0
Exemplo: a ) Calcule
A10
para A =
0 2
1 . 1
Solu¸ c˜ ao: Vamos em busca da matriz P que ´e a matriz cujas colunas s˜ ao os autovetores da matriz A. Temos 0 1 1 0 −λ 1 (A − λ I) = −λ = 2 1 0 1 2 1−λ Logo det (A − λ I) = 0
⇒
det
−λ 2
o que nos fornece −λ · (−1 − λ) − 2 = 0
⇒
1 1−λ
λ2 − λ − 2 = 0
⇒
x y
=0
λ1 = −1 , λ2 = 2
Em busca dos autovetores [ A ] [u] = λ [u]
⇐⇒
0 1 2 1
= −1 ·
x y
Daqui deriva o seguinte sistema ( 0 x + 1 y = −1 x 2 x + 1 y = −1 y donde concluimos que y = −x. Logo, os autovetores associados a autovalor −1 s˜ ao da forma u = (x, y) = (x, −x). Ou, u = x (1, −1). 360
Ainda:
⇐⇒
[ A ] [u] = λ [u]
0 1 2 1
x y
=2·
x y
Daqui deriva o seguinte sistema ( 0x + 1y = 2x 2x + 1y = 2y donde concluimos que y = 2x. Logo, os autovetores associados a autovalor 2 s˜ ao da forma u = (x, y) = (x, 2x). Ou, u = x (1, 2). Sendo assim, podemos escrever 1 1 P = −1 2
−1 0
0 2
−1 0
0 2
n
#
1 · 3
e D=
Sendo n
n
A =PD P
−1
⇒
n
A =
1 −1
1 2
1 −1
1 2
Ou ainda n
A =
1 −1
1 2
" (−1)n 0
0 2n
2 1
−1 1
Efetivando os c´ alculos obtemos
An =
2(−1)n + 2n 3 2(−1)n+1
+ 2n+1
(−1)n+1 + 2n 3 (−1)n
3
+ 2n+1 3
Em particular, para n = 10, temos
10
A
=
2(−1)10 + 210 3
(−1)10+1 + 210 3
2(−1)10+1 + 210+1 3
(−1)10 + 210+1 3
361
=
342 682
341 683
−1
6.3.2
Exerc´ıcios
30) Suponha que a matriz A =
1 0
Calcule A2 , A3 , An , onde n > 3. 4 4 31) Seja A = , calcule An . 1 4 3 1 32) Seja A = . Encontre: 2 2
2 . 1
a ) P a matriz cujas colunas s˜ ao os autovetores de A; b ) A matriz diagonal D = P −1 A P ; c ) An ; Se os elementos diagonais de D s˜ ao n˜ ao negativos, seja √ B = P D P −1 onde √
D=
" p
λ1
0
0 p λ2
#
Ent˜ ao B ´e a raiz quadrada positiva de A; isto ´e, B 2 = A. d ) Encontre a raiz quadrada da matriz A; e ) Verifique que, de fato, B 2 = A. 2 2 33) Seja A = . Encontre: 1 3 a ) Os autovalores e os autovetores correspondentes; b ) Uma matriz n˜ ao singular P e P −1 tais que P −1 A P ´e diagonal; c ) A6 e f (A) onde f (t) = t4 − 3t3 − 6t2 + 7t + 3; d ) A raiz quadrada positiva de A. 2 −1 34) Repita o exerc´ıcio anterior para A = . −2 3 35) Sejam A, B ∈ Mn (R) escreva uma f´ormula para
(A + B)2 , (A − B)2 , A2 − B 2 0 1 1 36) Seja A = 1 0 1 , calcule An . 1 1 0 1 1 0 37) Seja A = 2 −2 2 , calcule An . 0
1
1
362
Teorema de Gersgorin (1906-1995)
Olga Taussky-Todd foi uma das mulheres pioneiras na An´ alise Matricial e a primeira mulher a ocupar um cargo de professora no Instituto Tecnol´ ogico da Calif´ ornia. Ela trabalhou no Laborat´ orio Nacional de F´ısica em Londres durante a Segunda Guerra Mundial, onde foi encarregada de estudar vibra¸co ˜es em aeronaves supersˆ onicas. Ocorre que os problemas centrais de vibra¸co ˜es eram relacionadas ` a localiza¸ca ˜o dos autovalores de uma certa matriz complexa 6 × 6 e assim foi contratado um grande grupo de jovens meninas para efetuar os c´ alculos necess´ arios em calculadoras manuais. Olga Taussky-Todd havia ouvido falar de um resultado, denominado Teorema de Gersgorin, que fornecia uma maneira simples de identificar certos c´ırculos que continham autovalores de uma matriz complexa. Ela rapidamente percebeu que esse teorema poderia ser usado para fornecer informa¸co ˜es sobre vibra¸co ˜es que de outro modo exigiriam c´ alculos trabalhosos. Essa observa¸ca ˜o elevou o teorema de Gersgorin da obscuridade a importˆ ` ancia pr´ atica. Depois da Segunda Guerra Mundial ela continuou seu trabalho em assuntos relacionados a matrizes e ajudou a trazer muitos resultados conhecidos (mas discrepantes) sobre matrizes para um assunto coerente, que hoje conhecemos como Teoria de Matrizes. ([8], p. 513)
A equa¸c˜ ao
(p. 331)
AX = λX define vetor pr´ oprio de uma matriz. Se a matriz A ´e complexa consideramos o escalar λ tomando valores no corpo complexo C. Como no caso real provase que λ ´e valor pr´ oprio de A se, e somente se, det (A − λ In ) = 0 Isto ´e, os valores pr´ oprios de A s˜ ao as ra´ızes do polinˆ omio resultante da equa¸c˜ao acima. O conjunto dos valores pr´ oprios de A ´e chamado de espectro de A. O teorema de Gersgorin nos permite prever onde se localiza no plano complexo o espectro de uma matriz, sem calcular explicitamente seus valores. Antes de enunciar e provar o teorema de Gersgorin necessitamos de uma defini¸c˜ao, dada a seguir:
363
Defini¸ c˜ ao 47. Seja z0 um n´ umero complexo e r > 0 um n´ umero real. Chama-se disco de centro z0 e raio r o subconjunto D(z0 , r) do plano complexo definido por y
p
3
zs0 2
p
z ∈ C : |z − z0 | ≤ r
r
1
p
D(z0 ; r) =
D(z0 ; r)
p
p
1
p
2
p
3
x
p
0
Teorema 12 (Teorema de Gersgorin). Seja A = (aij ) uma matriz complexa de ordem n. Consideremos os n discos D(aii ; ri ) onde n X
ri =
j=1 j 6= i
|aij |
(i = 1, . . . , n).
Ent˜ ao o espectro de A est´ a contido na reuni˜ ao destes n discos. Antes da prova deste teorema vamos exemplific´ a-lo para a matriz i −i 0 −2 + i i A= 1 ∈ M3 (C) i i −1 + i
Vamos encontrar os trˆes discos: ri =
3 X
j=1 j 6= i
|aij |
Ent˜ ao i=1
Temos |a12 | =
p
⇒
(i = 1, 2, 3).
3 X
r1 =
j=1 j 6= 1
02 + (−1)2 = 1
e
364
|a1j | = |a12 | + |a13 |
|a13 | =
p 02 + 02 = 0
Portanto o primeiro disco ´e D(z0 ; r) = z ∈ C : |z − z0 | ≤ r D (0, 1); 1
=
z = (x, y) ∈ C : | (x, y) − (0, 1) | ≤ 1
Onde, z0 = a11 = i = (0, 1). Ou seja, s˜ ao todos os n´ umeros complexos que satisfazem a desigualdade p (x − 0)2 + (y − 1)2 ≤ 1
S˜ ao os pontos no disco de equa¸c˜ ao
(x − 0)2 + (y − 1)2 = 1 Para o segundo disco, temos ⇒
i=2
Temos |a21 | =
p
r2 =
3 X
j=1 j 6= 2
12 + 02 = 1
e
|a2j | = |a21 | + |a23 |
|a23 | =
Portanto o segundo disco ´e D(z0 ; r) = z ∈ C : |z − z0 | ≤ r D (−2, 1); 2
=
p
02 + 12 = 1
z = (x, y) ∈ C : | (x, y) − (−2, 1) | ≤ 2
Onde, z0 = a22 = −2+i = (−2, 1). Ou seja, s˜ ao todos os n´ umeros complexos que satisfazem a desigualdade p (x + 2)2 + (y − 1)2 ≤ 2 S˜ ao os pontos no disco de equa¸c˜ ao
(x + 2)2 + (y − 1)2 = 2 Para o terceiro disco, temos i=3
Temos |a31 | =
p
⇒
r3 =
02 + 12 = 1
3 X
j=1 j 6= 3 e 365
|a3j | = |a31 | + |a32 |
|a32 | =
p
02 + 12 = 1
Portanto o terceiro disco ´e D(z0 ; r) = z ∈ C : |z − z0 | ≤ r D (−1, 1); 2
=
z = (x, y) ∈ C : | (x, y) − (−1, 1) | ≤ 2
Onde, z0 = a33 = −1+i = (−1, 1). Ou seja, s˜ ao todos os n´ umeros complexos que satisfazem a desigualdade p (x + 1)2 + (y − 1)2 ≤ 2 S˜ ao os pontos no disco de equa¸c˜ao
(x + 1)2 + (y − 1)2 = 2 Logo, o teorema de Gersgorin afirma que os autovalores da matriz A situam-se todos na reuni˜ao destes trˆes discos: y
p
3
p
2
p
p
−1
1
t
0
p
1
p
2
p
3
x
p
−2
t
p
t
Podemos confirmar isto calculando as ra´ızes do polinˆ omio i−λ −i 0 −2 + i − λ i det (A − λ In ) = 0 ⇒ det 1 =0 i i −1 + i − λ
Desenvolvendo este determinante pela primeira −2 + i − λ i (i − λ) − (−i) i −1 + i − λ 366
linha obtemos: 1 i i −1 + i − λ
=0
Ao final obtemos o polinˆ omio caracter´ıstico da matriz λ3 + (3 − 3i) λ2 − (5i) λ − (2 + 2i) = 0 cujas ra´ızes s˜ ao λ1 = −1, λ2 = i, λ3 = −2 + 2i Vamos alocar estes autovalores no gr´ afico anterior y
p
3
t
p
2
t
p
1
p
pt
−1
p
0
1
p
p
2
3
x
p
−2
Nesta figura retiramos os centros dos discos − para Vamos agora demonstrar o teorema de Gersgorin. x1 .. Prova: Tomemos um valor pr´ oprio λ e seja X = . xn
associado a λ. A igualdade A X = λ X pode ser reescrita como
....................................
an1 x1 + an2 x2 + · · · + ann xn = λ xn Ou ainda 367
a21 x1 + a22 x2 + · · · + a2n xn = λ x2
a11 x1 + a12 x2 + · · · + a1n xn = λ x1
n X j=1
evitar confus˜ ao.
oprio um vetor pr´ (eq. (6.9), p. 349)
aij xj = λ xi ( i = 1, . . . , n )
0 a x 21 1
+ a12 x2
+ ···
+ a1n xn
= λ x1 − a11 x1
+
+ ···
+ a2n xn
= λ x2 − a22 x2
0
....................................................... a x + a x + ··· + 0 = λ x2 − ann xn n1 1 n2 2
O sistema acima pode ser reescrito de forma compacta como n X aij xj = λ xi − aii xi = (λ − aii ) xi (i = 1, . . . , n). j=1 j 6= i
(6.10)
Vamos escolher o ´ındice i0 ∈ { 1, . . . , n } tal que
| xi | = max{ |xi | : i = 1, . . . , n } 0
Substituindo este ´ındice na equa¸c˜ao (6.10) e tomando o m´ odulo obtemos: n X ai j xj = |(λ − ai i ) xi | 0 0 0 j =1 0 j 6= i0 Sendo assim temos
Ou ainda∗
Logo
n X ai j xj |(λ − ai i ) xi | = |λ − ai i | |xi | = 0 0 0 0 0 0 0 j =1 j 6= i0
X n X n |ai j | |xj | |λ − ai i | |xi | = ai j xj ≤ 0 0 0 0 j=1 0 j=1 j 6= i0 j 6= i0
n X |ai j | |ai j | |xj | ≤ |λ − ai i | |xi | ≤ max |xj | 0 0 0 0 0 j=1 j=1 j 6= i0 j 6= i0 n X
∗
Lembramos que para n´ umeros reais valem: |a1 + a2 + · · · + an | ≤ |a1 | + |a2 | + · · · + |an | P P n isto ´e n a ≤ |a j |, e mais: |a · b| = |a| · |b|. j=1 j j=1
368
Ent˜ao
X n X n |λ − ai i | |xi | ≤ |ai j | max |xj | ≤ |ai j | |xi | 0 0 0 0 0 0 j=1 j=1 j 6= i0 j 6= i0
Portanto
|λ − ai
0 i0
| |xi | ≤ 0
n X
j=1 j 6= i0
|ai j | |xi | ⇒ |λ − ai 0
0 i0
0
Esta u ´ltima desigualdade implica em que λ ∈ D(ai
0 i0
6.3.3
| ≤
n X
j=1 j 6= i0
|ai j | 0
; ri ).
0
Exerc´ıcios
38) Considere a matriz A =
"
1+i
2i
−i
i
#
∈ M2 (C).
Encontre − e fa¸ca um esbo¸co gr´ afico − dos “discos de Gersgorin”. Plote no gr´ afico os autovalores da matriz. 39) Repita o exerc´ıcio anterior para a matriz A =
"
1+i i
−i
−i − i
40) Repita o exerc´ıcio anterior para a matriz†
1+i
A = −i
− 12
†
0
i
−1 + i i
0 ∈ M3 (C). √ − 2i
Dica: Um dos autovalores da matriz coincide com o centro do primeiro disco.
369
#
.
EP´ISTOLA PREAMBULAR (De Giordano Bruno) PARA O ILUSTR´ISSIMO SENHOR MICHEL DE CASTELNAU Se eu, ilustr´ıssimo Cavaleiro, manejasse o arado, apascentasse um rebanho, cultivasse uma horta, remendasse um fato, ningu´em faria caso de mim, raros me observariam, poucos me censurariam, e f`acilmente poderia agradar a todos. Mas, por eu ser delineador do campo da natureza, atento ao alimento da alma, ansioso da cultura do esp´ırito e estudioso da actividade do intelecto, eis que me amea¸ca quem se sente visado, me assalta quem se vˆe observado, me morde quem ´e atingido, me devora quem se sente descoberto. E n˜ ao ´e s´o um, n˜ ao s˜ao poucos, s˜ao muitos, s˜ao quase todos. Se quiserdes saber porque isto acontece, digo-vos que a raz˜ ao ´e que tudo me desagrada, que detesto o vulgo, a multid˜ao n˜ ao me contenta, e s´o uma coisa me fascina: aquela, em virtude da qual me sinto livre em sujei¸c˜ao, contente em pena, rico na indigˆencia e vivo na morte; em virtude da qual n˜ ao invejo aqueles que s˜ao servos na liberdade, que sentem pena no prazer, s˜ao pobres na riqueza e mortos em vida, pois que tˆem no pr´oprio corpo a cadeia que os acorrenta, no esp´ırito o inferno que os oprime, na alma o error que os adoenta, na mente o letargo que os mata, n˜ ao havendo magnanimidade que os redima, nem longanimidade que os eleve, nem esplendor que os abrilhante, nem ciˆencia que os avive. Da´ı, sucede que n˜ ao arredo o p´e do ´ arduo caminho, por cansado; nem retiro as m˜aos da obra que se me apresenta, por indolente; nem qual desesperado, viro as costas ao inimigo que se me op˜oe, nem como deslumbrado, desvio os olhos do divino objeto: no entanto, sinto-me geralmente reputado um sofista, que mais procura parecer subtil do que ser ver´ıdico; um ambicioso, que mais se esfor¸ca por suscitar nova e falsa seita do que por consolidar a antiga e verdadeira; um trapaceiro que procura o resplendor da gl´ oria impingindo as trevas dos erros; um esp´ırito inquieto que subverte os edif´ıcios da boa disciplina, tornando-se maquinador de perversidade. Oxal´a, Senhor, que os santos numes afastem de mim todos aqueles que injustamente me odeiam; oxal´a que me seja sempre prop´ıcio o meu Deus; oxal´a que me sejam favor´aveis todos os governantes do nosso mundo; oxal´a que os astros me tratem tal como `a semente em rela¸ca˜o ao campo, e ao campo em rela¸ca˜o `a semente, de maneira que apare¸ca no mundo algum fruto u ´til e glorioso do meu labor, acordando o esp´ırito e abrindo o sentimento ` aqueles que n˜ ao tˆem luz de intelecto; pois, em verdade, eu n˜ ao me entrego a fantasias, e se erro, julgo n˜ ao errar intencionalmente; falando e escrevendo, n˜ ao disputo pelo amor da vit´oria em si mesma (pois que todas as reputa¸co˜es e vit´orias considero inimigas de Deus, abjectas e sem sombra de honra, se n˜ ao assentarem na verdade), mas por amor da verdadeira sapiˆencia e fervor da verdadeira ´ isto que ir˜ especula¸ca˜o me afadigo, me apoquento, me atormento. E ao comprovar os argumentos da demonstra¸ca˜o, baseados em racioc´ınios v´alidos que procedem de um ju´ızo recto, informado por imagens n˜ ao falsas, que, como verdadeiras embaixadoras, se desprendem das coisas da natureza e se tornam presentes `aqueles que as procuram, patentes `aqueles que as miram, claras para todo aquele que as aprende, certas para todo aquele que as compreende. Apresento-vos agora a minha especula¸ca˜o acerca do infinito, do universo e dos mundos inumer´aveis. Do livro: ACERCA DO INFINITO, DO UNIVERSO E DOS MUNDOS. Giordano Bruno (1548-1600) foi queimado vivo em 1600 pelo Papa.
370
Cap´ıtulo
7
FORMAS BILINEARES E ´ QUADRATICAS Tanto para eruditos quanto para leigos n˜ ao ´ e a Filosofia, mas a experiˆ encia ativa na pr´ opria Matem´ atica que unicamente pode responder ` a quest˜ ao: o que ´ e Matem´ atica?
(Richard Courant)
Introdu¸ c˜ ao: As formas bilineares, a serem estudadas nesta se¸ca˜o, est˜ ao relacionadas com considera¸co˜es acerca da energia de um sistema e, portanto, com toda a F´ısica.
7.1
Formas Bilineares
Defini¸ c˜ ao 48. Sejam U e V espa¸cos vetoriais sobre R. Uma forma bilinear ´e uma transforma¸c˜ ao f : U ×V →R
(u, v) 7→ f (u, v)
que satisfaz as seguintes condi¸c˜ oes: ( i ) Para todo v fixado, f ´e linear em u, isto ´e, f ( u1 + u2 , v ) = f ( u1 , v ) + f ( u2 , v ) f ( λ u, v ) = λ f ( u, v ) ( ii ) Para todo u fixado, f ´e linear em v, isto ´e, f ( u, v1 + v2 ) = f ( u, v1 ) + f ( u, v2 ) f ( u, λ v ) = λ f ( u, v ) Em resumo: uma forma bilinear ´e linear em cada uma das duas vari´aveis.
371
Indicaremos por
B UV o conjunto das transforma¸co˜es bilineares de U em V , isto
´e: =
(
f : U ×V →R (u, v)
: f ´e bilinear
7→ f (u, v)
(
B
U V
O conjunto B UV passa a ter uma estrutura de espa¸co vetorial sobre R se definirmos adi¸ca˜o e multiplica¸ca˜o por escalar da forma “usual”: (f + g)(u, v) = f (u, v) + g(u, v) (λ f )(u, v) = λ f (u, v) Para quaisquer f, g ∈ B UV e λ ∈ R. Exemplos: 1 ) O produto usual de n´ umeros reais p : R×R→R (x, y)
7→ p(x, y) = x y
De fato, (i) p(x + y, z) = (x + y) z = xz + yz = p(x, z) + p(y, z) p(λ x, y) = (λ x) y = λ (x y) = λ p(x, y) ( ii ) An´alogo. 2 ) Seja V um espa¸co vetorial com produto interno. A transforma¸ca˜o f : V ×V →
R
(u, v) 7→ f (u, v) = h u, v i ´e uma forma bilinear. Isto decorre da defini¸ca˜o de produto interno e das propriedades P2 e P3 . (def. 29, p. 258; p. 262) Resumindo: Todo produto interno em um espa¸co vetorial V ´e uma forma bilinear. 3 ) Seja A uma matriz real m × n fixada. A aplica¸ca˜o fA : Mm×1 (R) × Mn×1 (R) → R
(7.1)
fA (X, Y ) = X t A Y
(7.2)
dada por ´e bilinear. Basta ter em conta as propriedades de multiplica¸ca˜o de matrizes e de matriz por escalar. (Cap. 8)
372
Vejamos um exemplo para “desanuviar os hieroglifos” anteriores. Ent˜ ao fA : M2×1 (R) × M3×1 (R) → R
A=
1 4
2 −1 3 2
,
x1 x2
X=
Y =
,
y1 y2 y3
Portanto fA (X, Y ) = X t A Y =
x1
x2
1 4
2 −1 3 2
Fazendo as multiplica¸co˜es obtemos
y1 y2 y3
fA (X, Y ) = x1 y1 + 4x2 y1 + 2x1 y2 + 3x2 y2 − x1 y3 + 2x2 y3 4 ) Sejam µ : U → R e ν : V → R duas formas lineares.
(p. 224)
A transforma¸ca˜o f : U × V → R definida por f (u, v) = µ(u) ν(v) ´e bilinear. Vamos provar, por exemplo, o ´ıtem ( ii ) da defini¸ca˜o. Veja f ( u, v1 + v2 ) = µ(u) ν(v1 + v2 ) = µ(u) ν(v1 ) + ν(v2 )
= µ(u) ν(v1 ) + µ(u) ν(v2 ) = f ( u, v1 ) + f ( u, v2 )
Por outro lado f ( u, λ v ) = µ(u) ν(λ v) = µ(u) λ ν(v) = λ µ(u) ν(v) = λ f (u, v)
Esta forma bilinear ´e denotada por µ ⊗ ν e recebe o nome de produto tensorial das formas lineares µ e ν. Portanto µ: U → R ν: V → R
⇒
µ⊗ν : U ×V →R (u, v)
373
7→ µ(u) ν(v)
5 ) Sejam µ : U → R e ν : V → R duas formas lineares. A transforma¸ca˜o f : U × V → R definida por f (u, v) = µ(u) ν(v) − µ(v) ν(u) ´e bilinear (mostre isto). Esta forma bilinear ´e denotada por µ ∧ ν e recebe o nome de produto exterior das formas lineares µ e ν.
7.1.1
Matriz de uma forma bilinear
Suponhamos que U e V sejam espa¸cos vetoriais sobre R de dimens˜oes m e n, respectivamente, e, ademais, que f : U × V → R seja uma forma bilinear. Consideremos uma base B = { u1 , u2 , . . . , um } de U e uma base C = { v1 , v2 , . . . , vn } de V . Consideremos u = λ1 u1 + λ2 u2 + · · · + λm um
e v = γ1 v1 + γ2 v2 + · · · + γn vn
vetores arbitr´arios em U e V , respectivamente. Sendo assim, temos f (u, v) = f (λ1 u1 + λ2 u2 + · · · + λm um , γ1 v1 + γ2 v2 + · · · + γn vn ) = λ1 γ1 f (u1 , v1 ) + λ1 γ2 f (u1 , v2 ) + · · · + λ1 γn f (u1 , vn ) + λ2 γ1 f (u2 , v1 ) + λ2 γ2 f (u2 , v2 ) + · · · + λ2 γn f (u2 , vn ) ······························································· + λm γ1 f (um , v1 ) + λm γ2 f (um , v2 ) + · · · + λm γn f (um , vn ) Podemos reescrever o lado direito dessa equa¸ca˜o em forma matricial:
λ1
λ2 · · · λm
f (u1 , v1 )
f (u1 , v2 )
...
f (u1 , vn )
f (u , v ) f (u , v ) . . . f (u , v ) 2 1 2 2 2 n ...................................... f (um , v1 ) f (um , v2 ) . . . f (um , vn )
γ1 γ2 .. . γn
A matriz de ordem m × n dada por
f (u1 , v1 )
f (u1 , v2 )
...
f (u1 , vn )
f (u , v ) f (u , v ) . . . f (u , v ) 2 1 2 2 2 n f (ui , vj ) = ...................................... f (um , v1 ) f (um , v2 ) . . . f (um , vn )
´e chamada matriz da forma bilinear de f em rela¸ca˜o `as bases B e C.
374
(7.3)
Considerando
[ u ]B =
Vale a igualdade
λ1 λ2 .. . λn
e
f (u, v) = [ u ]tB
[ v ]C =
γ1 γ2 .. . γn
f (ui , vj ) [ v ]C
(7.4)
Exemplo: Seja a forma bilinear f : R3 × R3 → R, dada por f (x1 , x2 , x3 ), (y1 , y2 , y3 ) = −2x1 y1 + 4x2 y1 + 2x2 y2 + 2x3 y3
Consideremos a base canˆ onica do R3 , isto ´e
B = { u1 = (1, 0, 0), u2 = (0, 1, 0), u3 = (0, 0, 1) }, e C = { v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1) } Ent˜ ao, a matriz de f dever´ a ser de ordem 3 × 3, por exemplo f (x1 , x2 , x3 ), (y1 , y2 , y3 ) = −2x1 y1 + 4x2 y1 + 2x2 y2 + 2x3 y3
f (1, 0, 0), (1, 0, 0) = −2 · 1 · 1 + 4 · 0 · 1 + 2 · 0 · 0 + 2 · 0 · 0 = −2 | {z } | {z } u1
v1
Portanto f (u1 , v1 ) = −2. Procedendo de modo an´alogo para as outras posi¸co˜es da matriz, obtemos
f (u1 , v1 ) f (u1 , v2 ) f (u1 , v3 )
−2 0 f (ui , vj ) = f (u , v ) f (u , v ) f (u , v ) = 2 1 2 2 2 3 4 2 0 0 f (u , v ) f (u , v ) f (u , v )
3
1
3
2
3
3
0 0 2
Podemos escrever a forma bilinear dada na forma matricial:
f (x1 , x2 , x3 ), (y1 , y2 , y3 ) = x1
375
x2
−2 x3 4 0
0 0 y1 2 0 y2 y3 0 2
Exemplo: Seja a forma bilinear f : R2 × R3 → R, dada por f (u, v) = x1 y1 + 3x1 y2 − x1 y3 + x2 y1 − 3x2 y3 Onde u = (x1 , x2 ) e v = (y1 , y2 , y3 ) s˜ao vetores gen´ericos do R2 e do R3 , respectivamente. Consideremos, nos respectivos espa¸cos, as bases canˆonicas: B = { u1 = (1, 0), u2 = (0, 1) }, e C = { v1 = (1, 0, 0), v2 = (0, 1, 0), v3 = (0, 0, 1) } Ent˜ ao, a matriz de f dever´a ser de ordem 2 × 3, por exemplo f (u2 , v3 ) = x1 y1 + 3x1 y2 − x1 y3 + x2 y1 − 3x2 y3 f (0, 1), (0, 0, 1) = 0 · 0 + 3 · 0 · 0 − 0 · 1 + 1 · 0 | {z } | {z } u2
− 3 · 1 · 1 = −3
v3
Portanto f (u2 , v3 ) = −3. Procedendo de modo an´alogo para as outras posi¸co˜es da matriz, obtemos
f (ui , vj ) =
"
f (u1 , v1 )
f (u1 , v2 )
f (u1 , v3 )
f (u2 , v1 )
f (u2 , v2 )
f (u2 , v3 )
#
=
"
1 3 1 0
−1 −3
#
Podemos escrever a forma bilinear dada na forma matricial: " # y1 1 3 −1 f (u, v) = x1 x2 y2 1 0 −3 y3
Mudan¸ ca de base Daqui para a frente restringiremos as formas bilineares f : U ×V → R aos casos em que U = V . Estaremos tentando responder a seguinte pergunta: como a matriz que representa uma forma bilinear se altera quando uma nova base ´e escolhida? A resposta ´e dada na pr´oxima Proposi¸ c˜ ao 34. Seja P a matriz de mudan¸ca da base B = { u1 , u2 , . . . , un } do espa¸co vetorial V para a base C = { v1 , v2 , . . . , vn } desse mesmo espa¸co. Se A ´e a representa¸c˜ ao matricial da forma bilinear f : V × V → R na base original B, ent˜ ao P t A P ´e a representa¸c˜ ao matricial de f na nova base C.
376
Antes da prova desta proposi¸ca˜o, vejamos um exemplo. Seja f : R2 × R2 → R dada por f (x1 , x2 ), (y1 , y2 ) = 2x1 y1 − 3x1 y2 + 4x2 y2
a ) Determine a matriz A de f na base { u1 = (1, 0), u2 = (1, 1) }. b ) Determine a matriz B de f na base { v1 = (2, 1), v2 = (1, −1) }. c ) Determine a matriz P de mudan¸ca da base “antiga” { ui } para a “nova” base { vi }. Verifique que B = P t A P . Solu¸ c˜ ao: a ) A matriz que comparece em (7.3) (p. 374) adaptada ao presente contexto fica assim: " # f (u1 , u1 ) f (u1 , u2 ) A= f (u2 , u1 ) f (u2 , u2 ) Por exemplo f (x1 , x2 ), (y1 , y2 ) = 2x1 y1 − 3x1 y2 + 4x2 y2
f (1, 0), (1, 0) = 2 · 1 · 1 − 3 · 1 · 0 + 4 · 0 · 0 = 2 | {z } | {z } u1
u1
Procedendo de modo an´alogo para as outras posi¸co˜es da matriz, obtemos " # 2 −1 A= 2 3 b ) Agora procuramos a matriz: " B=
f (v1 , v1 ) f (v1 , v2 ) f (v2 , v1 ) f (v2 , v2 )
#
Por exemplo f (x1 , x2 ), (y1 , y2 ) = 2x1 y1 − 3x1 y2 + 4x2 y2
f (1, −1), (2, 1) = 2 · 1 · 2 − 3 · 1 · 1 + 4 · (−1) · 1 = −3 | {z } | {z } v2
v1
Procedendo de modo an´alogo para as outras posi¸co˜es da matriz, obtemos " # 6 6 B= −3 9
377
c ) Agora procuramos a matriz: P =
"
λ11 λ21
#
λ12 λ22
Onde:
(def. 12, p. 113)
v1 = λ11 u1 + λ21 u2 v2 = λ12 u1 + λ22 u2 Escrevendo os vetores da base { vi } como combina¸ca˜o linear dos vetores da base { ui }, temos (2, 1) = λ11 (1, 0) + λ21 (1, 1) (1, −1) = λ12 (1, 0) + λ22 (1, 1) Resolvendo este sistema encontramos P = Fa¸camos o produto " 1 t P AP = 2
1 −1
#"
"
1 1
2
−1
2
3
2 −1
#"
#
1 2 1 −1
#
=
"
6 6 −3 9
#
=B
Prova: Sejam u, v ∈ V . Como P ´e a matriz de mudan¸ca da base B para a base C temos que (eq. (2.18), p. 120) [ u ] B = P [ u ]C Similarmente temos [ v ] B = P [ v ]C Tomando o transposto em ambos os membros da primeira equa¸ca˜o t t ⇒ [ u ]tB = [ u ]tC P t [ u ]B = P [ u ]C
Tendo em conta que∗
(eq. (7.4), p. 375)
f (u, v) = [ u ]tB A [ v ]B Escrevemos f (u, v) = [ u ]tB A [ v ]B = [ u ]tC P t A P [ v ]C Como u e v s˜ao vetores arbitr´arios em V , segue que P t A P ´e a representa¸ca˜o matricial da forma bilinear f na base nova C. A proposi¸ca˜o anterior motiva a seguinte defini¸ca˜o ∗ Observe que esta equa¸c˜ ao deriva da equa¸c˜ ao (7.4) (p. 375), na qual tomamos as duas bases iguais B = C.
378
Defini¸ c˜ ao 49. Uma matriz B ´e congruente a uma matriz A se existe uma matriz invers´ıvel P tal que B = P t A P . Sendo assim: Quando se muda a base do espa¸co vetorial V , a matriz da forma bilinear f : V × V → R muda para uma outra matriz congruente `a primeira. Nota¸c˜ ao: Se A ´e congruente a B escrevemos: A ≈ B. Proposi¸ c˜ ao 35. A rela¸c˜ ao ≈ no conjunto das matrizes quadradas ´e uma rela¸c˜ ao de equivalˆencia, isto ´e: (i) ( ii ) ( iii )
A ≈ A, para toda A; Se A ≈ B ent˜ ao B ≈ A; Se A ≈ B e B ≈ C ent˜ ao A ≈ C.
Prova: ( i ) A matriz identidade In ´e tal que Int = In . Como A = Int A In , segue que A ≈ A. ( ii ) Como A ≈ B, existe uma matriz invers´ıvel P tal que A = P t B P . Multiplicado −1 essa igualdade do lado esquerdo por P t e do lado direito por P −1 encontramos t t −1 −1 t −1 −1 t B = P A P , mas P = P ; logo, B = P −1 A P −1 e P −1 tamb´em ´e invers´ıvel; assim, B ≈ A. ( iii ) Como A ≈ B e B ≈ C existem matrizes invers´ıveis P e Q tais que A= PtBP
e
B = Qt C Q
Ent˜ ao A = P t B P = P t (Q t C Q) P Logo A = (P t Q t ) C (Q P ) = (Q P ) t C (Q P ) Q P sendo invers´ıvel decorre que A ≈ C.
7.1.2
Formas bilineares sim´ etricas
Defini¸ c˜ ao 50. Seja f : V × V → R uma forma bilinear sobre V . Dizemos que f ´e sim´etrica se, para todos u, v ∈ V tivermos f (u, v) = f (v, u)
O conjunto
BS VV das formas bilineares sim´etricas ´e um subespa¸co vetorial do
espa¸co B VV das formas bilineares. De fato, esse conjunto ´e fechado para as opera¸co˜es de adi¸ca˜o e multiplica¸ca˜o por escalar; por exemplo, se f e g s˜ao sim´etricas ent˜ ao (f + g)(u, v) = f (u, v) + g(u, v) = f (v, u) + g(v, u) = (f + g)(v, u) isto ´e, f + g ´e sim´etrica.
379
Das defini¸co˜es de matriz de uma forma bilinear e forma bilinear sim´etrica ´e f´acil inferir que a matriz de uma forma sim´etrica ´e uma matriz sim´etrica. Por outro lado seja A uma matriz sim´etrica e seja f a forma representada por A, numa certa base B: (eq. (7.2), 372) fA (X, Y ) = X t A Y Apenas fa¸camos uma ligeira troca de nota¸ca˜o f (u, v) = X t A Y Onde
[ u ]B =
x1 x2 .. . xn
=X
e
[ v ]B =
y1 y2 .. . yn
=Y
Vamos provar que f (u, v) ´e sim´etrica. Com efeito, t f (v, u) = Y t A X = Y t A t ( (X) t )t = (X t A Y )t = f (u, v) = f (u, v)
Nota: A primeira igualdade acima foi obtida fazendo-se a permuta entre X e Y na equa¸ca˜o (7.2) (p. 372) . Isto ´e poss´ıvel em fun¸ca˜o de que A ´e de ordem n × n, observe a equa¸ca˜o (7.1) (p. 372). A u ´ltima igualdade se deve a que f (u, v) ´e um n´ umero real, pode ser visto como uma matriz 1 × 1 que, portanto, coincide com sua transposta. Portanto, existe uma bije¸ca˜o
BS VV ←→ MSn (R) Onde, a cada f ∈ BS VV (dim V = n) est´ a associada uma matriz sim´etrica de ordem n e, vice-versa. Em resumo: o espa¸co das formas bilineares sim´etricas ´e isomorfo ao espa¸co das matrizes reais sim´etricas. O principal resultado sobre formas bilineares sim´etricas ´e dado a seguir. Teorema 13. Seja f : V × V → R uma forma bilinear sim´etrica. Ent˜ ao existe uma base de V em rela¸c˜ ao a ` qual a matriz de f ´e diagonal, isto ´e, tal que f (vi , vj ) = 0 se i 6= j. Prova: A demonstra¸ca˜o se faz por indu¸ca˜o sobre a dimens˜ao n do espa¸co. Inicialmente consideremos f = 0 e dim V = 1. Se B = { u1 } ´e uma base de V , a matriz de f ´e [ f ] = f (u1 , u1 ) = 0 , e o teorema est´ a provado. Seja V um espa¸co de dimens˜ao n > 1 e suponhamos o teorema v´alido para os espa¸cos de dimens˜ao n − 1. Devemos provar que o teorema ´e v´alido para o caso em que dim V = n. Considere ent˜ ao que f 6= 0 e dim V > 1. Existe um vetor v1 em V tal que
380
f (v1 , v1 ) 6= 0. De fato, se o contr´ ario ´e que fosse verdadeiro, isto ´e, f (v, v) = 0, para todo v ∈ V , ter´ıamos 0 = f (u + v, u + v) = f (u, u) + f (u, v) + f (v, u) + f (v, v) =
0
+ f (u, v) + f (u, v) +
0 = 2f (u, v)
resultando f = 0, absurdo. Considerando ent˜ ao o vetor v1 tal que f (v1 , v1 ) 6= 0, todo vetor v ∈ V admite a seguinte decomposi¸ca˜o f (v, v1 ) f (v, v1 ) v= v− v1 + v (7.5) f (v1 , v1 ) f (v1 , v1 ) 1 Fa¸camos a seguinte nota¸ca˜o f (v, v1 ) x= v− v1 f (v1 , v1 )
e
y=
f (v, v1 ) v f (v1 , v1 ) 1
Observe que y ´e m´ ultiplo de v1 . Consideremos, ademais, os seguintes subconjuntos de V f (v, v1 ) v1 : v ∈ V e U2 = [ v1 ] U1 = x = v − f (v1 , v1 ) Afirmamos que U1 ´e um subespa¸co vetorial de V . Com efeito, tomando v = v1 ⇒ x = v1 −
f (v1 , v1 ) v = 0 ∈ U1 f (v1 , v1 ) 1
Mostremos que este conjunto ´e fechado para opera¸ca˜o de adi¸ca˜o. De fato, tomando dois elementos neste conjunto, digamos: x=v−
f (v, v1 ) v f (v1 , v1 ) 1
Temos x + x′ = v −
x′ = v ′ −
f (v ′ , v1 ) v f (v1 , v1 ) 1
f (v, v1 ) f (v ′ , v1 ) v1 + v ′ − v f (v1 , v1 ) f (v1 , v1 ) 1
Ent˜ ao x + x′ = (v + v ′ ) − Ou ainda:
e
f (v, v1 ) f (v ′ , v1 ) + f (v1 , v1 ) f (v1 , v1 )
x + x′ = (v + v ′ ) −
v1
f (v + v ′ , v1 ) v1 ∈ U1 f (v1 , v1 )
De modo an´alogo mostramos que U1 ´e fechado para a multiplica¸ca˜o por escalar. Sendo assim a equa¸ca˜o (7.5) nos permite escrever V como a soma de dois subespa¸cos: V = U1 + U2 . Mostremos que esta soma ´e direta. Temos f (v, v1 ) f (v, v1 ) v1 , v1 = f (v, v1 ) − f (v1 , v1 ) = 0 f (x, v1 ) = f v − f (v1 , v1 ) f (v1 , v1 ) Por isso dizemos que x ´e ortogonal a v1 relativamente a f . Observe ainda que se λ ´e um escalar n˜ ao nulo f (v1 , v1 ) 6= 0 ⇒ λ f (v1 , v1 ) 6= 0 ⇒ f (λ v1 , v1 ) 6= 0
381
donde concluimos que nenhum m´ ultiplo n˜ ao nulo de v1 pode ser ortogonal a v1 (relativamente a f ). De outro modo, nenhum elemento n˜ ao nulo de U2 pode pertencer a U1 (conjunto dos elementos ortogonais a v1 , relativamente a f ), o que nos permite escrever U1 ∩ U2 = { 0 }. Logo, V = U1 ⊕ U2 . V U2 y s
sv = x + y
v1 s U1
s x
0
O subespa¸co gerado por v1 ´e de dimens˜ao 1; logo, a dimens˜ao do subespa¸co U1 ´e n− 1. A restri¸ca˜o de f a este subespa¸co ´e sim´etrica∗; logo, podemos aplicar a este subespa¸co a hip´ otese de indu¸ca˜o e concluir que existe uma base { v2 , . . . , vn } ⊂ U1 de maneira que f (vi , vj ) = 0 se i 6= j, para i, j ∈ { 2, . . . , n }. At´e o presente momento podemos escrever
f (v1 , v1 )
f (v1 , v2 )
...
f (v1 , vn )
f (v , v ) f (v , v ) . . . f (v , v ) 2 1 2 2 | 2{z n} =0 f (vi , vj ) = .................................... f (vn , v1 ) f (vn , v2 ) . . . f (vn , vn ) | {z } =0
Afirmamos que o conjunto { v1 } ∪ { v2 , . . . , vn } ´e linearmente independente. De fato, se n˜ ao fosse este o caso, pela propriedade P5 (p. 90), o vetor v1 seria combina¸ca˜o linear dos demais; isto ´e, existiriam escalares λ2 , . . . , λn tais que v1 = λ2 v2 + · · · + λn vn Sendo assim f (v1 , v1 ) = f (v1 , λ2 v2 + · · · + λn vn ) = λ2 f (v1 , v2 ) + · · · + λn f (v1 , vn ) + · · · + λn 0 = 0
= λ2 0
Porquanto os vetores v2 , . . . , vn s˜ao ortogonais a v1 (relativamente a f ). A contradi¸ca˜o acima prova nossa afirmativa. Sendo assim B = { v1 , v2 , . . . , vn } ´e uma ∗ A t´ıtulo de simplifica¸c˜ ao de nota¸c˜ oes manteremos a mesma nota¸c˜ ao, f , para a restri¸c˜ ao de f ao subespa¸co U1 .
382
base de V satisfazendo f (vi , vj ) = 0, sempre que i 6= j, resultando:
f (vi , vj ) = B
f (v1 , v2 ) | {z } =0 =0 f (v2 , v1 ) f (v2 , v2 ) . . . f (v2 , vn ) | {z } | {z } =0 =0 ..................................... f (vn , v1 ) f (vn , v2 ) . . . f (vn , vn ) | {z } | {z } f (v1 , v1 )
f (v1 , v2 ) | {z }
=0
=0
...
Corol´ ario 6. Seja A uma matriz sim´etrica. Ent˜ ao A ´e congruente a uma matriz diagonal; isto ´e, existe uma matriz invers´ıvel P tal que P t A P ´e diagonal.
7.1.3
Formas bilineares antissim´ etricas
Defini¸ c˜ ao 51. Seja f : V × V → R uma forma bilinear sobre V . Dizemos que f ´e antissim´etrica se, para todos u, v ∈ V tivermos f (u, v) = −f (v, u) Nota: Decorre da defini¸ca˜o que f (u, u) = 0, ∀ u, v ∈ V . O conjunto BA VV das formas bilineares antissim´etricas ´e um subespa¸co vetorial do espa¸co B VV das formas bilineares. De fato, esse conjunto ´e fechado para as opera¸co˜es de adi¸ca˜o e multiplica¸ca˜o por escalar; por exemplo, se f e g s˜ao antissim´etricas ent˜ ao (f + g)(u, v) = f (u, v) + g(u, v) = −f (v, u) − g(v, u) = − f (v, u) + g(v, u) = −(f + g)(v, u)
isto ´e, f + g ´e antissim´etrica. Para que f seja antissim´etrica ´e suficiente que se tenha f (vi , vj ) = −f (vj , vi ) numa base { v1 , v2 , . . . , vn } ⊂ V . Ou seja, a matriz de uma forma bilinear antissim´etrica ´e uma matriz antissim´etrica. Reciprocamente, dada uma matriz antissim´etrica, pode-se mostrar que a forma bilinear de que ela provem, escolhida uma base apropriada de V , ´e antissim´etrica. Uma forma bilinear f , ao mesmo tempo sim´etrica e antissim´etrica, deve ser nula. Com efeito, para todos u, v ∈ V , temos: ( f (u, v) = f (v, u) ⇒ f (v, u) = −f (v, u) ⇒ f (v, u) = f (u, v) = 0 f (u, v) = −f (v, u) Este resultado implica que
BS VV ∩ BA VV = { 0 } 383
Por outro lado toda forma bilinear f ∈ B VV pode ser escrita como 1 1 f (u, v) = f (u, v) + f (v, u) + f (u, v) − f (v, u) 2 2 Observe que 1 f (u, v) + f (v, u) = g(v, u) ´e sim´etrica g(u, v) = 2 e 1 h(u, v) = f (u, v) − f (v, u) = −h(v, u) ´e antissim´etrica 2
O que significa que toda forma bilinear f ∈ dois elementos f (u, v) = g(u, v) + h(u, v)
B VV pode ser escrita como a soma dos
⇒
B VV = BS VV + BA VV
E mais ainda: B VV = BS VV ⊕ BA VV . O principal resultado sobre formas bilineares antissim´etricas ´e dado a seguir. Teorema 14. Seja f : V × V → R uma forma bilinear antissim´etrica. Ent˜ ao existe uma base de V na qual f ´e representada por uma matriz diagonal por blocos na forma A A .. . (7.6) A 0 .. . 0 Onde A =
0 1 −1 0
.
Prova: Inicialmente fazemos uma observa¸ca˜o. Quando se afirma que a matriz da forma antissim´etrica ´e da forma dada em (7.6), isto significa que os blocos da diagonal s˜ao da forma A ou 0 − sendo este ou n˜ ao exclusivo. A demonstra¸ca˜o se faz por indu¸ca˜o sobre a dimens˜ao n do espa¸co. ao o teorema ´e ´obviamente verdadeiro. Al´em disso, se dim V = 1, Se f = 0, ent˜ ent˜ ao f (λ1 u, λ2 u) = λ1 λ2 f (u, u) = 0 e, assim∗ , f = 0. Sendo assim, podemos supor f 6= 0 e dim V > 1. Como f 6= 0, existem vetores v¯1 , v¯2 ∈ V tais que f (¯ v1 , v¯2 ) 6= 0. Esses dois vetores s˜ao linearmente independentes, pois se v¯2 = λ v¯1 ent˜ ao f (¯ v1 , v¯2 ) = f (¯ v1 , λ v¯1 ) = λ f (¯ v1 , v¯1 ) = 0 Seja U1 = [ v¯1 , v¯2 ] o subespa¸co gerado por v¯1 e v¯2 . A restri¸ca˜o de f ao subespa¸co U1 ´e uma forma bilinear antissim´etrica; calculemos a matriz da restri¸ca˜o de f em rela¸ca˜o ` a base 1 (7.7) B = { λ v¯1 , v¯2 }, onde λ = f (¯ v1 , v¯2 ) ∗
Ver nota ap´ os def. 51, p. 383.
384
Ent˜ ao
(eq. (7.3), p. 374)
f (ui , vj ) =
"
f (u1 , v1 ) f (u1 , v2 ) f (u2 , v1 ) f (u2 , v2 )
#
Adaptando esta (aquela) matriz ao presente contexto temos B = { u1 = λ v¯1 , u2 = v¯2 }
e
C = { v1 = λ v¯1 , v2 = v¯2 }
(7.8)
Sendo assim, temos f (u1 , v1 ) = f (λ v¯1 , λ v¯1 ) = λ2 f (¯ v1 , v¯1 ) = λ2 0 = 0 e f (u1 , v2 ) = f (λ v¯1 , v¯2 ) = λ f (¯ v1 , v¯2 ) = e f (u2 , v1 ) = f (¯ v2 , λ v¯1 ) = λ f (¯ v2 , v¯1 ) = e
1 f (¯ v1 , v¯2 ) = 1 f (¯ v1 , v¯2 )
1 − f (¯ v1 , v¯2 ) = −1 f (¯ v1 , v¯2 )
f (u2 , v2 ) = f (¯ v2 , v¯2 ) = 0 Logo
f (ui , vj ) = A =
0 1 −1 0
Seja V um espa¸co de dimens˜ao n > 2 e suponhamos o teorema v´alido para os espa¸cos de dimens˜ao n − 2. Inicialmente observamos que U1 = [ v¯1 , v¯2 ] = [ λ v¯1 , λ v¯2 ] Se u ∈ U1 , existem escalares a e b tais que u = a (λ v¯1 ) + b (λ v¯2 ), ent˜ ao v1 , v¯1 ) + b λ f (¯ v2 , v¯1 ) = −b f (u, v¯1 ) = f a (λ v¯1 ) + b (λ v¯2 ), v¯1 = a λ f (¯
Substituimos na equa¸ca˜o acima λ como dado em (7.7). An´alogamente v1 , v¯2 ) + b λ f (¯ v2 , v¯2 ) = a f (u, v¯2 ) = f a (λ v¯1 ) + b (λ v¯2 ), v¯2 = a λ f (¯ Sendo assim
u = a (λ v¯1 ) + b (λ v¯2 ) = f (u, v¯2 ) (λ v¯1 ) − f (u, v¯1 ) (λ v¯2 ) = λ f (u, v¯2 ) v¯1 − λ f (u, v¯1 ) v¯2
(7.9)
Isto significa que todo vetor u ∈ U1 pode ser expresso, quando conveniente, nesta forma. Seja U2 = { u ∈ V : f (u, v) = 0, ∀ v ∈ U1 } (7.10) Afirmamos que V = U1 ⊕ U2 . Com efeito, seja w ∈ U1 ∩ U2 , ent˜ ao existem escalares a e b tais que w = a v¯1 + b v¯2 ; por outro lado f (w, v) = 0, ∀ v ∈ U1 , isto ´e f (a v¯1 + b v¯2 , v) = 0, ∀ v ∈ U1
385
Ent˜ ao, tomando v = v¯1 f (a v¯1 + b v¯2 , v¯1 ) = 0 ⇒ af (¯ v1 , v¯1 ) + bf (¯ v2 , v¯1 ) = 0 ⇒ b = 0 tomando v = v¯2 f (a v¯1 + b v¯2 , v¯2 ) = 0 ⇒ af (¯ v1 , v¯2 ) + bf (¯ v2 , v¯2 ) = 0 ⇒ a = 0 Sendo assim, w = 0 o que implica U1 ∩ U2 = { 0 }. Resta mostrar que V = U1 + U2 . Seja ent˜ ao w ∈ V arbitrariamente fixado. Fa¸camos u1 = f (w, v¯2 )(λ v¯1 ) − f (w, v¯1 )(λ v¯2 )
e
u2 = w − u1
(7.11)
Como u1 ´e uma combina¸ca˜o linear de λ v¯1 e λ v¯2 , u1 ∈ U1 . A seguir mostraremos que u2 ∈ U2 . Como u1 ∈ U1 ent˜ ao ele pode ser expresso como em (7.9), assim: u1 = λ f (u1 , v¯2 ) v¯1 − λ f (u1 , v¯1 ) v¯2 Comparando este resultado com (7.11) inferimos que f (u1 , v¯2 ) = f (w, v¯2 )
e
f (u1 , v¯1 ) = f (w, v¯1 )
Ent˜ ao f (u2 , v¯1 ) = f (w − u1 , v¯1 ) = f (w, v¯1 ) − f (u1 , v¯1 ) = 0 e f (u2 , v¯2 ) = f (w − u1 , v¯2 ) = f (w, v¯2 ) − f (u1 , v¯2 ) = 0 Estes dois resultados implicam que f (u2 , v) = 0,
∀ v ∈ U1
que, de acordo com (7.10), ´e condi¸ca˜o suficiente para que u2 ∈ U2 . Por (7.11) w = u1 + u2 , onde u1 ∈ U1 . Isto mostra que V = U1 + U2 e, portanto, V = U1 ⊕ U2 . Sendo assim: dim V = dim U1 + dim U2 , isto ´e, n = 2 + dim U2 . Logo, dim U2 = n − 2. Pela hip´otese de indu¸ca˜o, existe uma base B ′ = { u3 , . . . , un } de U2 na qual a representa¸ca˜o matricial de f , restrita a U2 , ´e da forma desejada. Sendo assim B ∪ B ′ = { u1 , u2 , u3 , . . . , un } (ver eq. (7.8), p. 385) ´e uma base de V na qual a representa¸ca˜o matricial de f possui a forma desejada.
386
Apenas como informa¸ca˜o complementar, observe a matriz de uma forma bilinear geral
f (u1 , v1 )
f (u1 , v2 )
f (u1 , v3 )
...
f (u1 , vn )
f (u , v ) f (u , v ) f (u , v ) . . . f (u , v ) 2 1 2 2 2 3 2 n f (ui , vj ) = f (u , v ) f (u , v ) f (u , v ) . . . f (u , v ) 3 1 3 2 2 3 3 n ................................................ f (un , v1 ) f (un , v2 ) f (un , v3 ) . . . f (un , vn ) Adaptada ao presente contexto
f (u1 , u1 )
(vi ) = (ui )
A f (u1 , u2 )
f (u1 , u3 )
...
f (u1 , un )
f (u , u ) f (u , u ) f (u , u ) . . . f (u , u ) 2 1 2 2 2 3 2 n f (ui , uj ) = f (u , u ) f (u , u ) f (u , u ) . . . f (u , u ) 3 1 3 2 3 3 3 n ................................................. f (un , u1 ) f (un , u2 ) f (un , u3 ) . . . f (un , un )
Hip´ otese de indu¸ca˜o
0 1 , como vimos, ´e a matriz de f restrita ao subespa¸co U1 = −1 0 [ v¯1 , v¯2 ] com respeito ` a base B = { u1 = λ v¯1 , u2 = v¯2 }. Observe que todos os termos fora dos retˆ angulos, na matriz acima, s˜ao iguais a 0 em fun¸ca˜o de que u1 , u2 ∈ U1 e u3 , . . . , un ∈ U2 . Observe como U2 foi construido em (7.10). (p. 385) A =
387
7.1.4
Exerc´ıcios
1) Sejam u = (x1 , x2 ) e v = (y1 , y2 ). Determine quais das express˜oes abaixo s˜ao formas bilineares sobre R2 : a) f (u, v) = 2x1 y2 − 3 x2 y1 , b) f (u, v) = x1 + y2 , c) f (u, v) = 1, d) f (u, v) = 0,
e) f (u, v) = x21 + y2 ,
f) f (u, v) = x1 x2 + y1 y2 .
2) Seja a forma bilinear f : R2 × R2 → R, dada por f (u, v) = −x1 y1 + 2 x2 y1 + 5x2 y2 onde u = (x1 , x2 ) e v = (y1 , y2 ). Encontre a matriz de f com respeito `a base canˆ onica do R2 . 1 2 3) Dada a matriz A = 4 3 , encontre a forma bilinear associada, segundo −1 2 o esquema fA : M3×1 (R) × M2×1 (R) → R,
onde
fA (X, Y ) = X t A Y
4) Considere a forma bilinear dada por f (u, v) = 3x1 y1 − 2x1 y3 + 5x2 y1 + 7x2 y2 − 8x2 y3 + 4x3 y2 − 6x3 y3 onde u = (x1 , x2 , x3 ), v = (y1 , y2 , y3 ). Expresse f na nota¸ca˜o matricial, fA (X, Y ) = Xt A Y . 5) Seja a forma bilinear f : R2 × R3 → R, dada por f (u, v) = x1 y1 + 3x1 y2 − x1 y3 + x2 y1 − 3x2 y3 Onde u = (x1 , x2 ) e v = (y1 , y2 , y3 ) s˜ao vetores gen´ericos do R2 e do R3 , respectivamente. Consideremos, nos respectivos espa¸cos, as bases: B = { u1 = (1, 1), u2 = (−1, 1) }, e C = { v1 = (1, 1, 0), v2 = (0, 1, 1), v3 = (1, 1, 1) } Encontre a matriz de f com respeito a estas bases. 6) Prove que se f : U × V → R e g : U × V → R s˜ao bilineares ent˜ ao f + g e λ f s˜ao tamb´em bilineares. 7) Mostre que se ϕ e ψ s˜ao formas lineares sobre V , ent˜ ao f (u, v) = ϕ(u) ψ(v) ´e uma forma bilinear sobre V .
388
8) Seja f : R2 × R2 → R dada por f (x1 , x2 ), (y1 , y2 ) = 4x1 y1 − 3x1 y2 + 2x2 y2
a ) Determine a matriz A de f na base { u1 = (1, 1), u2 = (1, 0) }. b ) Determine a matriz B de f na base { v1 = (1, −1), v2 = (2, 1) }. c ) Determine a matriz P de mudan¸ca da base “antiga” { ui } para a “nova” base { vi }. Verifique que B = P t A P . 9) Seja f uma forma bilinear sobre V . Para qualquer subconjunto S de V fa¸ca S ⊥ = { v ∈ V : f (u, v) = 0 para todo u ∈ S } e S ⊤ = { v ∈ V : f (v, u) = 0 para todo u ∈ S } Mostre que: a ) S ⊥ e S ⊤ s˜ao subespa¸cos de V ; b ) S1 ⊂ S2 implica que S2⊥ ⊂ S1⊥ e S2⊤ ⊂ S1⊤ ; c ) { 0 }⊥ = { 0 }⊤ = V . 10) Seja f a forma bilinear . Que condi¸co˜es devem satisfazer a, b, c e d para que: a ) f (u, v) = f (v, u) para todo u, v ∈ R2 ; b ) f (u, v) = −f (v, u) para todo u, v ∈ R2 ; c ) Exista u 6= 0 tal que f (u, v) = 0 para todo u ∈ R2 ; d ) f (u, v) = 0 para todo v ∈ R2 implique u = 0. 11) Para cada uma das matrizes sim´etricas A dadas abaixo, determine uma matriz invers´ıvel P tal que D = P t A P ´e diagonal. 1 −2 1 1 0 2 1 −1 5 3 , c) A = 0 3 6 a) A = , b ) A = −2 −1 3 1 3 −2 2 6 7
12) Sejam ϕ : R2 → R e ψ : R2 → R as formas lineares dadas por ϕ(x, y) = 2x + y
e
ψ(x, y) = x − y
Calcular as formas bilineares: a ) ϕ ⊗ ψ,
b ) ψ ⊗ ϕ,
c ) ψ ⊗ ψ,
d ) ϕ ⊗ ϕ,
e ) ϕ ⊗ ψ − ψ ⊗ ϕ,
f ) ϕ ⊗ ψ + ψ ⊗ ϕ.
13) Seja f : U × V → R uma forma bilinear. Seja u0 um vetor fixo de U . Prove que o seguinte subconjunto W = { v ∈ V : f (u0 , v) = 0 } ´e um subespa¸co vetorial de V . 14) Seja f : R2 → R dada por f (u, v) = x1 y1 + x1 y2 + x2 y2 − x2 y1 para todos u = (x1 , x2 ) e v = (y1 , y2 ). Calcule a matriz de f em rela¸ca˜o `as bases: a ) { (0, 1), (1, 0) },
b ) { (1, 0), (0, 1) },
389
c ) { (1, 1), (1, −1) }.
Verifique que elas s˜ao congruentes duas a duas. 15) Dada f ∈ B VV provar que as formas bilineares g e h definidas por g(u, v) = f (u, v) + f (v, u) e
h(u, v) = f (u, v) − f (v, u)
satisfazem as condi¸co˜es: a) g ∈
BS VV ,
b) h ∈
BA VV ,
∗
∗
c ) 2f = g + h.
∗
[. . .] As notas autobiogr´ aficas de Albert Einstein, por exemplo, nos contam que ele era um dos que acreditavam que somos observadores essencialmente passivos vivendo em um universo preexistente, sobre o qual exercemos uma influˆencia muito pequena: “L´ a fora encontra-se esse imenso universo” , ele dizia, “que existe independentemente dos seres humanos. . . ”. Contrastando com a perspectiva de Einstein, que ainda ´e sustentada por muitos cientistas hoje, John Wheeler, um f´ısico de Princeton e colega de Einstein, oferece uma explica¸c˜ ao radicalmente diferente de nosso papel na cria¸c˜ ao. [. . .] Os experimentos da f´ısica quˆ antica realmente nos revelam que as propriedades de um el´etron mudam enquanto ele est´ a sob observa¸c˜ ao, basta que focalizemos nossa aten¸c˜ ao sobre ele, ainda que por um breve instante. Os experimentos sugerem que o simples ato de observar ´e um ato de criar, e que a consciˆencia executa uma cria¸c˜ ao. Aparentemente esses resultados ap´ oiam a proposi¸c˜ ao de Wheeler de que n˜ ao podemos mais nos julgar simples observadores, sem qualquer efeito sobre o mundo que observamos. (Gregg Braden/A Matriz Divina, p. 10)
390
7.2
Formas Quadr´ aticas
As forma quadr´ aticas comparecem numa ampla gama de aplica¸co˜es pr´aticas como, por exemplo, no estudo de vibra¸co˜es de sistemas mecˆanicos, em estudos sobre energia na F´ısica e no processamento e transmiss˜ao de sinais digitais na Engenharia El´etrica. O estudo das formas quadr´ aticas est´ a intimamente relacionado com as formas bilineares j´ a vistas. Defini¸ c˜ ao 52. Seja f : V × V → R uma forma bilinear sim´ etrica. Consideremos a fun¸c˜ ao qf : V → R definida por qf (v) = f (v, v), para todo v ∈ V . Esta atica sobre V associada ` a forma bilinear f . fun¸c˜ ao chama-se forma quadr´ Exemplos: 1 ) A forma bilinear a seguir t
fA (X, Y ) = X A Y =
x1
x2
2 3 3 −5
´e sim´etrica (por conta de que a matriz A ´e sim´etrica). Fazendo as multiplica¸co˜es obtemos
y1 y2
fA (X, Y ) = 2x1 y1 + 3x2 y1 + 3x1 y2 − 5x2 y2 Por conveniˆencia, fa¸camos a seguinte mudan¸ca de nota¸ca˜o f (u, v) = 2x1 y1 + 3x2 y1 + 3x1 y2 − 5x2 y2
onde u = (x1 , x2 ) e v = (y1 , y2 ). Temos que f ´e da forma f : R2 × R2 → R. Tomando u = (x1 , x2 ) = (x, y) = (y1 , y2 ) = v, obtemos qf (v) = 2x x + 3y x + 3x y − 5y y Ou ainda qf (v) = 2x2 + 6xy − 5y 2
Esta fun¸ca˜o ´e da forma qf : R2 → R, ´e a forma quadr´ atica associada `a forma bilinear sim´etrica f . 2 ) A forma bilinear a seguir
fA (X, Y ) = X t A Y =
x1
x2
x3
1 2 −1
2 7 4
−1 y1 4 y2 −3 y3
´e sim´etrica (por conta de que a matriz A ´e sim´etrica). Substituindo u = (x1 , x2 , x3 ) = (x, y, z) = (y1 , y2 , y3 ) = v ao final obtemos qf : R3 → R, dada por qf (v) = x2 + 7y 2 − 3z 2 + 4xy − 2xz + 8yz
Observe (def. 391) que definimos uma forma quadr´ atica a partir de uma forma bilinear sim´etrica, a raz˜ ao para essa exigˆencia ´e que podemos recuperar a forma bilinear original a partir da forma quadr´ atica a ela associada, como mostraremos a seguir:
391
Proposi¸ c˜ ao 36. Seja q : V → R a forma quadr´ atica associada ` a forma bilinear sim´etrica f : V × V → R . Ent˜ ao f fica univocamente determinada.∗ Prova: De fato, vamos provar a seguinte equa¸ca˜o f (u, v) =
1 q(u + v) − q(u) − q(v) 2
Conhecida como identidade de polariza¸c˜ ao. Ent˜ ao
q(u + v) − q(u) − q(v) = f (u + v, u + v) − f (u, u) − f (v, v) = f (u, u) + f (u, v) + f (v, u) + f (v, v) − f (u, u) − f (v, v) = 2f (u, v) Dividindo ambos os membros desta igualdade por 2, obtemos o resultado desejado. Exemplo: Seja a forma quadr´ atica q : R2 → R dada por q(u) = 6 x21 + 6 x1 x2 + 4 x22 e as formas bilineares f1 e f2 definidas por f1 (u, v) =
x1
x2
f2 (u, v) =
x1
x2
e
6 4
2 4
y1 y2
6 3
3 4
y1 y2
´ f´ E acil ver que f1 (u, u) = f2 (u, u) = q(u), ∀ u ∈ R2 . Este exemplo mostra a necessidade de se exigir que a forma bilinear seja sim´etrica; de outro modo, a forma bilinear n˜ ao ficaria univocamente determinada pela forma quadr´ atica associada a ela. Exemplo: A seguir mostramos como ficam as formas quadr´ aticas gerais em R2 e 3 R , respectivamente: a1 a3 x1 2 2 q(u) = a1 x1 + a2 x2 + 2 a3 x1 x2 = x1 x2 a3 a2 x2
e
q(u) = a1 x21 + a2 x22 + a3 x23 + 2 a4 x1 x2 + 2 a5 x1 x3 + 2 a6 x2 x3 =
x1
x2
x3
a1 a4 a5
a4 a2 a6
a5 x1 a6 x2 a3 x3
Observe que a matriz A nestas igualdades ´e sim´etrica e que suas entradas na diagonal s˜ao os coeficientes dos termos quadrados e que suas entradas fora da diagonal s˜ao a metade dos coeficientes dos termos mistos. ∗
Estamos dispensando o ´ındice em qf , a t´ıtulo de simplifica¸c˜ ao de nota¸c˜ ao.
392
Exemplo: Vamos obter a matriz A para a 3 x21 + 2x22 − 5 x23 . Sendo assim, temos: 3 q(u) = x1 x2 x3 0 0
7.2.1
forma quadr´ atica dada por q(u) = 0 0 x1 2 0 x2 0 −5 x3
Diagonaliza¸c˜ ao de formas quadr´ aticas
Veremos a seguir que para toda forma quadr´ atica q : V → R existe uma base ortonormal de V em rela¸ca˜o a qual a matriz de q ´e diagonal, ou seja, q ter´ a uma forma parecida com a do exemplo anterior. Na subse¸ca˜o 7.1.1 (p. 374) consideremos U = V e as duas bases iguais: B = C = { v1 , v2 , . . . , vn }, base do espa¸co V . Suponhamos q : V → R a forma quadr´ atica associada ` a forma bilinear sim´etrica f . Neste caso, a partir da igualdade (7.4) (p. 375), obtemos q(v) = f (v, v) = [ v ]tB f (vi , vj ) [ v ]B
O teorema 13 (p. 380) afirma que existe uma base B ′ de V em rela¸ca˜o a qual a matriz de f ´e diagonal. Sendo assim podemos escrever q(v) = [ v ]tB′ f (vi , vj ) ′ [ v ]B′ B
Supondo
[ v ]B ′
y1 = ... yn
e
f (vi , vj )
B′
=
d1 d2
..
.
dn
Substituindo na u ´ltima equa¸ca˜o obtemos
q(v) =
y1
···
yn
d2
..
.
y1 .. . = d1 y12 + · · · + dn yn2 yn
d1 dn
Dizemos que a base B ′ diagonalizou a forma quadr´ atica q. Essa igualdade ´e dita uma express˜ ao diagonal de q. Na se¸ca˜o seguinte veremos um algoritmo para obter a express˜ao diagonal de uma forma quadr´ atica. A diagonaliza¸ca˜o de uma forma quadr´ atica tem muitas aplica¸co˜es, uma delas ser´a vista oportunamente na classifica¸ca˜o de cˆ onicas.
393
7.2.2
Exerc´ıcios
16) Seja a forma bilinear f (u, v) = 3x1 y1 − x2 y2 , onde u = (x1 , x2 ) e v = (y1 , y2 ). Encontre a forma quadr´ atica q : R2 → R associada a f . 17) Seja q(x, y) = 2x2 + 4xy − y 2 . Ache a matriz da forma bilinear associada.
18) Expresse a forma quadr´ atica em nota¸ca˜o matricial X t A X, onde A ´e uma matriz sim´etrica. a) 3x21 + 7x22 ,
b) 4x21 − 9x22 − 6x1 x2 ,
d) 9x21 − x22 + 4x23 + 8x1 x2 − 6x1 x3 + x2 x3 ,
c) −4x1 x2
e) 5x21 + 5x1 x2 .
19) Determine a forma quadr´ atica q que corresponde a cada uma das matrizes sim´etricas dadas abaixo:
a)
2 −3 −3 5
4 −2 5 3 1 b) −2 5 1 −2
20) Considere a forma quadr´ atica q : R3 → R dada por 2 q(x, y, z) = 3x + 3xy + 7y 2 − 4yz − z 2 . Ache a matriz da forma bilinear associada. 21) Para cada uma das forma quadr´ aticas abaixo, encontre a forma bilinear que lhe deu origem : a) q(x, y, z) = x2 + y 2 + z 2 − 2xy + 4xz − yz; b) q(x, y, z) = x2 − y 2 + 4yz; c) q(x, y, z) = x2 − z 2 − 4xy + 4yz; 22) Dˆe exemplo de uma forma quadr´ atica q(x, y) tal que q(u) = 0 e q(v) = 0, mas q(u + v) 6= 0.
394
7.2.3
Redu¸c˜ ao de formas quadr´ aticas
Na subse¸ca˜o 7.2.1 provamos que toda forma quadr´ atica q : V → R pode ser reduzida a uma express˜ ao diagonal. Dizemos que aquela foi uma prova de existˆencia∗ n˜ ao uma prova construtiva. Veremos a seguir um processos pr´atico (algoritmo) para transformar uma forma quadr´ atica a uma express˜ao diagonal.
Mudan¸ ca de vari´ aveis em formas quadr´ aticas A forma quadr´ atica qA (X) = X t A X pode ser reduzida a uma forma diagonal atrav´es da substitui¸ca˜o X =PY (7.12) que expressa as vari´aveis x1 , x2 , . . . , xn em fun¸ca˜o das vari´aveis y1 , y2 , . . . , yn . Se a matriz P possui inversa ent˜ ao (7.12) ´e denominada uma mudan¸ca de vari´ aveis e se P ´e ortogonal, dizemos que (7.12) ´e uma mudan¸ca de vari´ aveis ortogonal. Fazendo a mudan¸ca de coordenadas X = P Y na forma quadr´ atica qA (X) obtemos X t A X = (P Y )t A (P Y ) = Y t P t A P Y = Y t ( P t A P ) Y Sendo A sim´etrica − por defini¸ca˜o de forma quadr´ atica − pode-se mostrar que a matriz B = P t A P ´e tamb´em sim´etrica, sendo assim o efeito de mudan¸ca de vari´aveis ´e produzir uma nova forma quadr´ atica Y t B Y nas vari´aveis y1 , y2 , . . . , yn . Em particular, se P diagonaliza A ortogonalmente, ent˜ ao a nova forma quadr´ atica ´e Y t D Y , onde D ´e uma matriz diagonal com os autovalores de A na diagonal principal, veja:
Xt A X = Y t D Y =
y1
y2
···
yn
λ1
λ2
..
.
λn
y1 y2 .. . yn
= λ1 y12 + λ2 y22 + · · · + λn yn2 Exemplo: Considere a forma quadr´ atica q : R3 → R dada por
q(x1 , x2 , x3 ) = 7 x21 − 4 x1 x2 + 6 x22 − 4 x2 x3 + 5 x23
Encontre uma mudan¸ca de vari´aveis ortogonal que elimine os termos mistos. Solu¸ c˜ ao: Esta forma quadr´ atica pode ser reescrita como q(x1 , x2 , x3 ) = 7 x1 x1 − 2 x1 x2 + 0 x1 x3 − 2 x2 x1 + 6 x2 x2 − 2 x2 x3 + 0 x3 x1 − 2 x3 x2 + 5 x3 x3 ∗
Existe uma base de V em rela¸c˜ ao a qual a matriz de q ´e diagonal.
395
Sendo assim, temos
qA (X) =
x1
x2
7 −2 0 x 1 x3 −2 6 −2 x2 x3 0 −2 5
Da equa¸ca˜o caracter´ıstica da matriz A 7−λ −2 6−λ det −2 0 −2
0 −2 = 0 5−λ
Encontramos os autovalores: λ1 = 3, λ2 = 6, e λ3 = 9. Os autovetores associados s˜ao 1 1 v3 = x 1, −1, v1 = x (1, 2, 2), v2 = x 1, , −1 , 2 2 A seguir exibimos uma base ortonormal B=
n
u1 =
1 2 2 , , ), u2 = 3 3 3
2 1 2 , , − ), u3 = 3 3 3
2 2 1 o ,− , ) 3 3 3
Sendo assim, a substitui¸ca˜o X = P Y que diagonaliza a forma quadr´ atica ´e 1 2 2 y1 x1 3 3 3 1 x2 = 2 − 32 3 y2 3 x3
2 3
− 23
Isso nos fornece a nova forma quadr´ atica 3 q = Y t ( P t A P ) Y = y1 y2 y3 0 0
1 3
y3
0 0 y1 6 0 y2 = 3 y12 + 6 y22 + 9 y32 0 9 y3
na qual n˜ ao existem termos mistos. Nota: Existem outros m´etodos para diagonalizar uma forma quadr´ atica que n˜ ao ser˜ao vistos aqui. Dois desses m´etodos, o processo de Gauss (ou m´etodo de completar quadrados) e o processo das matrizes elementares constam na referˆencia [2].
396
Exerc´ıcios 23) Considere a forma quadr´ atica q : R2 → R dada por q(x1 , x2 ) = x21 + 2 x22 − 4 x1 x2 Encontre uma mudan¸ca de vari´aveis ortogonal que elimine o termo misto. 24) Considere a forma quadr´ atica q : R2 → R dada por q(x, y) = 4x2 − 3 y 2 + 24 x y Encontre uma mudan¸ca de vari´aveis ortogonal que elimine o termo misto. 25) Considere a forma quadr´ atica q : R2 → R dada por q(x, y) = x2 + y 2 − 10 x y Encontre uma mudan¸ca de vari´aveis ortogonal que elimine o termo misto. 26) Considere a forma quadr´ atica q : R2 → R dada por q(x1 , x2 ) = −4 x21 − 6 x1 x2 + 6 x22 Encontre uma mudan¸ca de vari´aveis ortogonal que elimine o termo misto. 27) Encontre uma mudan¸ca de vari´aveis ortogonal que elimine os termos mistos da forma quadr´ atica q : R3 → R dada por q(x1 , x2 , x3 ) = x21 − 4 x1 x2 + 4 x2 x3 − x23 28) Encontre uma mudan¸ca de vari´aveis ortogonal que elimine os termos mistos da forma quadr´ atica q : R3 → R dada por q(x, y, z) = 2 x2 + 2 y 2 − 2 z 2 + 4 x y − 4 x z + 8 y z 29) Considere a forma quadr´ atica q(x, y) = a x2 + 2b x y + c y 2 , com a 6= 0. Reduza-a ` a forma diagonal, exibindo a substitui¸ca˜o linear correspondente `a redu¸ca˜o. ∗
∗
∗
As teorias matem´ aticas, as boas, consistem na defini¸c˜ ao de uns poucos novos conceitos-chave e depois o fogo de artif´ıcio come¸ca: elas revelam novos panoramas, abrem a porta a mundos inteiramente novos. [. . .] O fascinante ´e que, simples como s˜ ao os n´ umeros inteiros e os primos, ainda assim ´e f´ acil propor quest˜ oes diretas e claras a seu respeito que ningu´ em sabe como responder, e podemos dizer que nem mesmo daqui a dois mil anos, nem sequer os melhores matem´ aticos do mundo, saber˜ ao! (Gregory Chaitin/Metamat!)
397
7.3
Classifica¸ c˜ ao de Cˆ onicas e Qu´ adricas
Estaremos aqui utilizando os resultados da subse¸ca˜o 7.2.3 no estudo das cˆ onicas e qu´ adricas.
7.3.1
Se¸c˜ oes cˆ onicas
As cˆ onicas quando estudadas na geometria anal´ıtica s˜ao caracterizadas (definidas) a partir de propriedades geom´etricas∗, aqui estaremos definindo as cˆ onicas algebricamente. Defini¸ c˜ ao 53. Uma cˆ onica em R2 ´e um conjunto de pontos (x, y) cujas coordenadas em rela¸c˜ ao ` a base canˆ onica satisfazem a equa¸c˜ ao A x2 + B x y + C y 2 + D x + E y + F = 0
(7.13)
onde A, B e C n˜ ao s˜ ao todos nulos. Podemos observar que a equa¸ca˜o da cˆ onica envolve uma forma quadr´ atica q(x, y), uma forma linear ℓ(x, y) e um termo constante, assim: F =0 A x2 + B x y + C y 2 + D x + E y + |{z} {z } | {z } | q(x, y)
k
ℓ(x, y)
Vejamos geometricamente algumas possibilidades que podem ocorrer quanto aos termos da equa¸ca˜o (7.13). 1 a ) Circunferˆencia y
r
x2 + y 2 = r2 r
−r
r
x
A x2 + B x y + C y 2 + D x + E y + F = 0 ↓ ↓ ↓ ↓ ↓ ↓
=1
=0
=1
=0
=0
= −r 2
−r
∗ A elipse, por exemplo, ´e o lugar geom´etrico dos pontos do plano cuja soma das distˆ ancias a dois pontos fixos (chamados focos) ´e uma constante.
398
2 a ) Elipse y
y2 x2 + 2 = 1 2 a b
b a
x
−b
A x2 + B x y + C y 2 + D x + E y + F = 0 ↓ ↓ ↓ ↓ =0 =0 =0 = −1 1 1 = = a2 b2 −→
r
−→
r
−a
(a > b > 0)
3 a ) Hip´erbole y
x2 y2 − = 1 a2 b2 x
A x2 + B x y + C y 2 + D x + E y + F = 0 ↓ ↓ ↓ ↓ =0 =0 = −1 1 1 =0 = =− a2 b2 −→
a
−→
−a
abola 4 a ) Par´ y
y2 − x = 0 x
A x2 + B x y + C y 2 + D x + E y + F = 0 ↓ ↓ ↓ ↓ ↓ ↓
=0
=0
=1
= −1
=0
=0
Existe a possibilidade de n˜ ao haver valores x e y reais que satisfa¸cam a equa¸ca˜o (7.13), por exemplo, x2 + y 2 + 1 = 0. Nesses casos, dizemos que a equa¸ca˜o n˜ ao tem gr´ afico ou ent˜ ao que tem um gr´ afico vazio. Ademais, podemos ter ainda os casos chamados degenerados, como por exemplo
399
5 a ) Par de retas concorrentes (hip´erbole degenerada) y
y2 b x2 − 2 = 0 ⇒ y= ± x 2 a b a
−→
−→
A x2 + B x y + C y 2 + D x + E y + F = 0 ↓ ↓ ↓ ↓ =0 =0 =0 1 1 =0 = =− a2 b2
x
6 a ) Par de retas paralelas (par´abola degenerada) y
a x2 − b = 0
√ ր − b a
r
r տ√b
A x2 + B x y + C y 2 + D x + E y + F = 0 ↓ ↓ ↓ ↓ ↓ ↓
x
a
=a
=0
=0
=0
=0
= −b
Nota: Nos dois exemplos anteriores estamos admitindo a > 0 e b > 0.
Identificando se¸ co ˜es cˆ onicas Antes de tratarmos o caso geral vejamos um exemplo particular. Exemplo: Consideremos a equa¸ca˜o 5x2 − 4x y + 8y 2 − 36 = 0 nosso objetivo ser´a determinar que figura esta cˆ onica representa no plano. Para isto precisamos inicialmente eliminar o termo misto; isso pode ser feito seguindo os passos do exemplo da subse¸ca˜o 7.2.3 (p. 395). A forma quadr´ atica associada a essa cˆ onica pode ser escrita assim: q(x, y) = 5 x2 − 2 x y − 2 x y + 8 y2 Sendo assim, temos qA (X) =
x y
"
400
5 −2 −2 8
#
x y
(7.14)
Da equa¸ca˜o caracter´ıstica da matriz M , acima # " 5−λ −2 = (5 − λ)(8 − λ) − 4 = 0 det −2 8−λ Encontramos os autovalores: λ1 = 4, e λ2 = 9. Encontremos uma base de autovetores " # 5 −2 x x [ T ] [u] = λ [u] ⇐⇒ =4 y y −2 8 Daqui deriva o seguinte sistema ( 5x − 2y = 4x ⇒ −2 x + 8 y = 4 y
(
x − 2y = 0 −2x + 4y = 0
⇒
x = 2y
Logo, os autovetores procurados s˜ao da forma v1 = (x, y) = (2y, y). Ou, v1 = y (2, 1), com y ∈ R∗ . Por outro lado, " # 5 −2 x x [ T ] [u] = λ [u] ⇐⇒ =9 y y −2 8 Daqui deriva o seguinte sistema ( 5x − 2y = 9x ⇒ −2 x + 8 y = 9 y
(
−4x − 2y = 0 −2x − y = 0
⇒
y = −2x
Logo, os autovetores procurados s˜ao da forma v2 = (x, y) = (x, −2x). Ou, v2 = x (1, −2), com x ∈ R∗ . Uma base de autovetores ´e { (2, 1), (1, −2) } Dividindo cada um dos vetores pela respectiva norma, obtemos a seguinte base ortonormal∗ n 2 1 2 o 1 √ , √ , √ , −√ 5 5 5 5 Sendo assim, a matriz M ´e ortogonalmente diagonaliz´ avel pela matriz P =
∗
√1 5
√2 5
− √25
√1 5
Na interpreta¸c˜ ao geom´etrica dada a seguir ficar´ a claro o por quˆe dessa exigˆencia.
401
Nota: Colocamos o segundo vetor (da base ortonormal) na primeira coluna da matriz P porque devemos ter det (P ) = 1, para que a substitui¸ca˜o X = P X ′ execute uma rota¸ca˜o de eixos. Essa ´e uma exigˆencia que consta na proposi¸ca˜o 2 2 28 (p. 336) √; l´a det T = a + b e, segundo equa¸ca˜o (6.8) (p. 337) devemos ter 2 2 |λ| = 1 = a + b , logo det T = 1. Continuando: A mudan¸ca de base X = P X ′ :
(eq.
X t M X = (P X ′ )t M (P X ′ ) = (X ′ )t (P t M P ) X ′ | {z }
(7.12), p. 395)
D
Nota: X t M X ´e o lado direito da equa¸ca˜o (7.14). nos fornece: " # ′ 9 0 x′ ′ x y = 36 y′ 0 4
(p. 400)
que pode ser escrito como
9 x′ 2 + 4 y ′ 2 = 36
y′ 2 x′ 2 + = 1 4 9
ou
(7.15)
Que ´e a equa¸ca˜o de uma elipse. ∗
∗
∗
Gottfried Wilhelm Leibniz (1646-1716), um dos maiores intelectos de sua ´epoca, apreciava o sistema di´ adico. Segundo Laplace, “Leibniz via em sua aritm´etica bin´ aria a imagem da cria¸c˜ ao. Ele imaginava que a Unidade representava Deus, e zero o vazio; que o Ser Supremo extraiu todos os seres do vazio, da mesma forma como a unidade e o zero expressam todos os n´ umeros em seu sistema de numera¸c˜ ao.”
(O que ´ e matem´ atica?/Richard Courant/Herbert Robbins, p. 11)
0 0 0 = {}
0 0 1 1 0 1
(Universo)
V´ acuo
0 1 1 1 1 1
+
1 0 0 0 1 0 1 1 0
Excita¸co˜es ou flutua¸co˜es do V´ acuo
Assim como um dia a explos˜ ao aconteceu e milh˜ oes de coisas nasceram a partir do nada, da mesma maneira, quando a implos˜ ao acontece, formas e nomes desaparecem, e novamente o nada nasce da´ı. O c´ırculo est´ a completo. (Osho(1931-1990)/Buda, p. 112)
402
Interpreta¸c˜ ao geom´ etrica do exemplo Observe que∗
X =PX
′
′
⇒
X =P
−1
⇐⇒
X
"
′
x
y′
#
=
√1 5
− √25
√2 5
√1 5
"
#
x y
Comparando com a equa¸ca˜o (4.34) (p. 245) concluimos que o sistema x′ o y ′ , ao qual se refere a equa¸ca˜o (7.15), foi obtido do sistema x o y (canˆ onico) por uma rota¸ca˜o de ˆ angulo − sen θ = √25 ⇒ θ = tan−1 (−2) ≃ −63, 43o 1 cos θ = √5 Geometricamente tudo se passa assim:
y
p
−3
3
p
p
−2
2
p p
′
p
−63, 43o
p
p
p
1
−1
p
y
2
x
0
3p
−1
2p
1
p
0
1p
p
p
−1
−1 p
−2
−2 p
−3
−3 p
3
p
1
2
p
p
−2
p
3
p
−3
′
x
5x2 − 4x y + 8y 2 − 36 = 0
y′ 2 x′ 2 + = 1 4 9
Reiterando: Dando uma rota¸ca˜o de ˆangulo θ = tan−1 (−2) ≃ −63, 43o no sistema de coordenadas x o y obtivemos o sistema de coordenadas x′ o y ′ no qual a equa¸ca˜o da cˆ onica resultou na forma padr˜ ao, podendo assim ser reconhecida como sendo uma elipse.
∗ Lembramos que a inversa de uma matriz ortogonal ´e igual ` a sua transporta − ver Nota p. 304 e corol´ ario p. 306.
403
Agora iremos tratar do caso geral de classifica¸ca˜o de cˆ onicas. Considere a equa¸ca˜o geral de uma cˆ onica A x2 + B x y + C y 2 + D x + E y + F = 0
(7.16)
onde A, B e C n˜ ao s˜ao todos nulos. Para facilitar a exposi¸ca˜o dividiremos nosso trabalho em alguns passos: Passo 1 ) Elimina¸ca˜o do termo misto x y Inicialmente escrevemos a equa¸ca˜o na forma matricial∗ : " B # x A 2 x x y + F = 0 (7.17) + D E B y y C 2
Passo 1.1 ) Calculamos os autovalores λ1 e λ2 e os respectivos autovetores unit´ arios da matriz sim´etrica que comparece na equa¸ca˜o acima: v1 = (x11 , x12 ), v2 = (x21 , x22 ) (base ortonormal) Montamos P =
"
x11
#
x12
, tal que det (P ) = 1. Se necess´ario trocamos a x21 x22 posi¸ca˜o (ordem) dos vetores na base acima (ou as colunas da matriz). Passo 1.2 ) Fazemos na equa¸ca˜o (7.17) a substitui¸ca˜o X = P X ′ :
y
"
A
B 2
B 2
C
#
x y
+
D
E
↓
t
t
′ t
X M X = (X ) (P M P ) X | {z }
x y
+
F
=
0
F
=
0
x
↓
′
X = P X′
D
Isto ´e
y
"
A
B 2
B 2
C
#
x y
+
D
E
↓ ∗
′
x
y
′
"
x y
+
x
↓
λ1
0
0
λ2
#
x′ y′
"
x11
x12
x21
x22
Observe que F e 0 est˜ ao sendo vistos como matrizes 1 × 1.
404
#
x′ y′
Obtendo assim:
x′
y′
"
λ1
0
0
λ2
#
x′ y′
+
D
E
"
x11
x12
x21
x22
#
x′ y′
+
F
=
0
Realizando os produtos matriciais, obtemos: λ1 x′ 2 + λ2 y ′ 2 + (D x11 + E x21 ) x′ + (D x12 + E x22 ) y ′ + F = 0 Ou ainda, simplificando a nota¸ca˜o: λ1 x′ 2 + λ2 y ′ 2 + p x′ + q y ′ + F = 0
(7.18)
Sendo assim conseguimos eliminar o termo misto na equa¸ca˜o (7.16) por uma rota¸ca˜o do sistema canˆ onico de um ˆ angulo θ. Para se certificar que a transforma¸ca˜o dada por X = P X ′ ´e de fato uma rota¸ca˜o de eixos basta volver `a equa¸ca˜o (4.33). (p. 245)
A equa¸ca˜o (7.18) est´ a referida ` a nova base { v1 , v2 }. Observe: ⇒
y
y ′
y
s(x, y)
s(x′ , y′ ) v2
r rv
1
x
0
′
x
θ x
Passo 2 ) Transla¸ca˜o de eixos (elimina¸ca˜o da parte linear de (7.18)) Para eliminar a parte linear de (7.18) consideraremos trˆes casos: Passo 2.1 ) λ1 6= 0 e λ2 6= 0. Faremos um completamento de quadrados em (7.18), come¸cando assim: p ′ q ′ λ1 x′ 2 + x + λ2 y ′ 2 + y + F =0 λ1 λ2 e
λ1 x′ 2 + Ou ainda
p ′ q ′ p2 p2 q2 q2 + λ2 y ′ 2 + +F − x + y + − =0 2 2 2 λ1 4 λ1 λ2 4 λ2 4 λ1 4 λ22
λ1 x′ +
q 2 p2 q2 p 2 + λ2 y ′ + +F − − =0 2 λ1 2 λ1 4 λ21 4 λ22
Fa¸camos a seguinte mudan¸ca de vari´aveis (transla¸ca˜o de eixos): X = x′ +
p , 2 λ1
Y = y′ +
q , 2 λ1
405
f =F −
q2 p2 − 2 4 λ1 4 λ22
para obter λ1 X 2 + λ2 Y 2 + f = 0 Passo 2.2 ) λ1 = 0 e λ2 6= 0. Nesse caso a equa¸ca˜o (7.18) toma a seguinte forma λ2 y ′ 2 + p x′ + q y ′ + F = 0 Ou λ2 y ′ 2 + ou ainda λ2 y ′ 2 + Ent˜ ao λ2 y ′ +
q ′ y + p x′ + F = 0 λ2
q ′ q2 q2 ′ + p x + F − y + =0 λ2 4 λ22 4 λ22 q 2 F q2 + p x′ + − =0 2 λ2 p 4 p λ22
(7.19)
Fa¸camos a seguinte transla¸ca˜o X = x′ + Para obter
q2 F − , p 4 p λ22
Y = y′ +
q 2 λ2
λ2 Y 2 + p X = 0 Nota: Se fosse λ1 6= 0 e λ2 = 0 (mostre que n˜ ao podemos ter λ1 = λ2 = 0) ao final obteriamos. λ1 X 2 + q Y = 0 ∗
∗
∗
Lembre-se que a matem´ atica ´e uma livre cria¸c˜ ao da mente humana e, como disse Cantor − o inventor da moderna teoria da infinitude, descrita por Wallace −, a essˆencia da matem´ atica reside na liberdade, na liberdade de criar. A hist´ oria, por´em, julga essas cria¸c˜ oes por sua beleza duradoura e pela extens˜ ao com que elas iluminam outras id´eias matem´ aticas ou o universo f´ısico, em suma, por sua “fertilidade”. (Gregory Chaitin/Metamat!)
406
Classifica¸ c˜ ao das cˆ onicas Em resumo: Por meio de uma rota¸ca˜o seguida de uma transla¸ca˜o, a equa¸ca˜o (7.16) se transforma em λ1 X 2 + λ2 Y 2 + f = 0 (7.20) que lhe ´e equivalente. Ent˜ ao, no que diz respeito a esta equa¸ca˜o − Se λ1 e λ2 forem ambos de mesmo sinal, a equa¸ca˜o representa uma elipse (ou suas degenera¸co˜es: um ponto ou o vazio); − Se λ1 e λ2 forem de sinais contr´arios, a equa¸ca˜o representa uma hip´ erbole (ou sua degenera¸ca˜o: par de retas concorrentes). Para as outras duas possibilidades: λ2 Y 2 + p X = 0
λ1 X 2 + q Y = 0
ou
teremos uma par´ abola (ou suas degenera¸co˜es: par de retas paralelas, uma reta ou o vazio). Exemplo: Determine a equa¸ca˜o reduzida e o gˆenero da cˆ onica representada pela equa¸ca˜o x2 + 2xy + y 2 − 2x + 4y + 1 = 0 Solu¸ c˜ ao: Vamos seguir os passos do algoritmo. Ent˜ ao, reescrevemos A x2 + B x y + C y 2 + D x + E y + F = 0 x2 + 2xy + y 2 − 2x + 4y + 1 = 0 Passo 1 ) Elimina¸ca˜o do termo misto x y Inicialmente escrevemos a equa¸ca˜o na forma matricial: " # B A 2 x x x y + D E + F = 0 B y y C 2
Isto ´e
x
y
"
1
1
1
1
#
x y
+
−2
4
x y
+
1
=
0
(7.21)
Passo 1.1 ) Calculamos os autovalores λ1 e λ2 e os respectivos autovetores unit´ arios da matriz sim´etrica que comparece na equa¸ca˜o acima: " # 1−λ 1 det = (1 − λ)2 − 1 = 0 1 1−λ Encontramos os autovalores: λ1 = 0, λ2 = 2. Encontremos uma base de autovetores " # 1 1 x x [ T ] [u] = λ [u] ⇐⇒ =0 y y 1 1
407
Daqui deriva o seguinte sistema ( 1x + 1y = 0x ⇒ 1x + 1y = 0y
n
⇒
x+y = 0
y = −x
Logo, os autovetores procurados s˜ao da forma v1 = (x, y) = (x, −x). Ou, v1 = x (1, −1), com x ∈ R∗ . Por outro lado, # " 1 1 x x [ T ] [u] = λ [u] ⇐⇒ =2 y y 1 1 Daqui deriva o seguinte sistema ( 1x + 1y = 2x ⇒ 1x + 1y = 2y
(
x + y = 2x x + y = 2y
⇒
y=x
Logo, os autovetores procurados s˜ao da forma v2 = (x, y) = (x, x). Ou, v2 = x (1, 1), com x ∈ R∗ . Uma base de autovetores ´e { (1, −1), (1, 1) } Dividindo cada um dos vetores pela respectiva norma, obtemos a seguinte base ortonormal: n 1 −1 1 o 1 √ , √ , √ , √ (7.22) 2 2 2 2 Sendo assim obtemos a matriz de transi¸ca˜o de bases 1 1 P =
√ 2
√
−1 √ 2
√1 2
2
(7.23)
Passo 1.2 ) Fazemos na equa¸ca˜o (7.21) a seguinte mudan¸ca de vari´avel:
′
x
y
′
"
λ1
"
0 0
0
0 λ2
#
x′ y′
+
D
E
"
x11
x12
x21
x22
#
x′ y′
+
F
=
0
x′ y′
+
1
=
0
Isto ´e
′
x
y
′
0 2
#
′
x y′
+
−2 4
Realizando os produtos matriciais, obtemos:
√1 2 −1 √ 2
√1 2 √1 2
2 −6 2 y ′ 2 + √ x′ + √ y ′ + 1 = 0 2 2 Passo 2 ) Transla¸ca˜o de eixos (elimina¸ca˜o da parte linear) Para eliminar a parte linear da equa¸ca˜o anterior caimos no caso:
408
(7.24)
Passo 2.2 ) λ1 = 0 e λ2 6= 0. Vamos completar o quadrado na equa¸ca˜o anterior: −6 2 2 y ′ 2 + √ y ′ + √ x′ + 1 = 0 2 2 essa equa¸ca˜o ´e equivalente a 2 y′ + Ou
1 2 −6 1 2 √ + √ x′ + 1 − 2 √ =0 2 2 2 2 2
2 y′ + Logo 2 y′ +
−6 3 1 2 √ + √ x′ + = 0 4 2 2 2
√ 1 2 2 3 −6 √ + √ x′ − =0 · 6 4 2 2 2
Fa¸camos a seguinte transla¸ca˜o de eixos Y = y′ + Para obter
1 √ 2 2
√ 2 3 · 6 4
X = x′ −
e
(7.25)
−6 2Y2 + √ X = 0 2
Essa ´e a equa¸ca˜o de uma par´ abola: −6 Y2 + √ X = 0 2
⇒
2Y2 − 3
√ 2X = 0
Interpreta¸ c˜ ao geom´ etrica ′ ′ O sistema x o y , ao qual se refere a equa¸ca˜o (7.24) (p. canˆonico a partir de uma rota¸ca˜o, assim:
y
Y2 =
⇒
408),
3√ 2X 2
foi obtido do sistema
⇒
p
3
′
y
3
p
−
p
p
3
2
2
p
2
p
−
p
−
1
p
1
p
1
1p
2p
3p
x
−45o
p
0
1
−1 p
0
p
p
1
−
−1
p
2
p
2
− 3
p
p
−2
p
3
′
x
−3
p
p
−
−3 p −2
409
Para encontrar o ˆ angulo de rota¸ca˜o, observe que X = P X′
X ′ = P −1 X
⇒
⇐⇒
Comparando com a equa¸ca˜o (4.34) − sen θ =
cos θ =
"
√1 2
y′
=
√1 2
− √12
√1 2
√1 2
obtemos
(p. 245)
"
x y
#
θ = tan−1 (−1) = −45o
⇒
√1 2
#
x′
Para obter o sistema XoY executamos no sistema x′ o y ′ a transla¸ca˜o dada pela equa¸ca˜o (7.25). Obtemos as coordenadas da origem desse sistema fazendo (X, Y ) = (0, 0) naquela equa¸ca˜o: √ √ √ 1 2 3 2 2 ′ ′ ′ ′ 0=x − · ⇒ (x , y ) = ,− 0=y + √ , 6 4 8 4 2 2 Ent˜ ao
⇒ y Y
′
′
y
p
p
p p
3
−
3
p
−
3
3
p
p
2
p
−
2
p p
p
2
−
2
p
p
p p
p
1
−
1
−
p
1
p
1
0 −
p
1
1
p
p
p p
−
1
p p
p
3
3
p
p
p p
−
3
2
−
p
2
2
p
p
p p
−
2
1
−
3√ 2X 2
refere-se a este u ´ltimo sistema. Veja: y
⇒
p
3
Y
p
−
3
p
2
p
3
2
p
2
p
p
−
1
1
r
1p
2p
3p
p
−1 p
1
p
p
−
x
r −
−3 p −2
1
p
p
−1
p
1
−
p
2 3
p
p
p
2
−
−2
p
3
X
p
−3
√ 2Y2 − 3 2X = 0
x2 + 2xy + y 2 − 2x + 4y + 1 = 0
410
′
Y2 =
x X
p
3
′
x
A par´ abola de equa¸ca˜o
Exemplo: Determine a equa¸ca˜o reduzida e o gˆenero da cˆ onica representada pela equa¸ca˜o 11 x2 − 24xy + 4y 2 + 20x − 40y − 20 = 0 Solu¸ c˜ ao: Vamos seguir os passos do algoritmo. Ent˜ ao, reescrevemos A x2 + B x y + C y 2 + D x + E y + F = 0 11 x2 − 24xy + 4y 2 + 20x − 40y − 20 = 0 Passo 1 ) Elimina¸ca˜o do termo misto x y Inicialmente escrevemos a equa¸ca˜o na forma matricial: " B # A 2 x x x y + F = 0 + D E B y y C 2
Isto ´e
x y
"
11 −12 −12
4
#
x y
+
20 −40
x y
+
−20
=
0
Passo 1.1 ) Calculamos os autovalores λ1 e λ2 e os respectivos autovetores unit´ arios da matriz sim´etrica que comparece na equa¸ca˜o acima: " # 11 − λ −12 det = (11 − λ)(4 − λ) − 144 = 0 −12 4−λ Encontramos os autovalores: λ1 = 20, λ2 = −5. Encontremos uma base de autovetores
[ T ] [u] = λ [u]
"
⇐⇒
Daqui deriva o seguinte sistema ( 11 x − 12 y = 20 x −12 x + 4 y = 20 y
⇒
n
11 −12 −12 4
#
3x + 4y = 0
x y
= 20
⇒
x y
3 y=− x 4
Logo, os autovetores procurados s˜ao da forma v2 = (x, − 43 x) = x (1, − 43 ). Por outro lado " # 11 −12 x x [ T ] [u] = λ [u] ⇐⇒ = −5 y y −12 4 Daqui deriva o seguinte sistema ( 11 x − 12 y = −5 x −12 x + 4 y = −5 y
⇒
n 4x − 3y = 0
411
⇒
y=
4 x 3
Logo, os autovetores procurados s˜ao da forma v1 = (x, Uma base de autovetores ´e n 4 o 3 1, − , 1, 4 3
4 3
x) = x (1, 43 ).
Dividindo cada um dos vetores pela respectiva norma, obtemos a seguinte base ortonormal: n 4 3 3 4 o (7.26) ,− , , 5 5 5 5 Sendo assim obtemos a matriz de transi¸ca˜o de bases P =
4 5
3 5
− 35
4 5
(7.27)
Passo 1.2 ) Fazemos, na equa¸ca˜o da cˆ onica na forma matricial, a seguinte mudan¸ca de vari´avel: " # " # 0 x′ ′ λ1 x11 x12 x′ ′ x y D E + F = 0 + ′ ′ y y x x 0 λ 21
2
22
Isto ´e
′
x
y
′
"
20 0
0 −5
#
x′ y′
+ 20 −40
Realizando os produtos matriciais, obtemos:
4 5
− 53
3 5 4 5
x′ y′
+ −20 = 0
20 x′ 2 − 5 y ′ 2 + 40 x′ − 20 y ′ − 20 = 0 Dividindo essa equa¸ca˜o por 5 resulta: 4 x′ 2 − y ′ 2 + 8 x′ − 4 y ′ − 4 = 0
(7.28)
Passo 2 ) Transla¸ca˜o de eixos (elimina¸ca˜o da parte linear) Para eliminar a parte linear da equa¸ca˜o anterior caimos no caso: Passo 2.1 ) λ1 6= 0 e λ2 6= 0. Vamos completar o quadrado na equa¸ca˜o anterior: 4(x′ 2 + 2 x′ ) − (y ′ 2 + 4 y ′ ) − 4 = 0 essa equa¸ca˜o ´e equivalente a 4(x′ + 1)2 − 4 − (y ′ + 2)2 + 4 − 4 = 0 Ou 4(x′ + 1)2 − (y ′ + 2)2 − 4 = 0 Fa¸camos a seguinte transla¸ca˜o de eixos X = x′ + 1
e
412
Y = y′ + 2
(7.29)
Para obter 4 X2 − Y 2 = 4
Y2 X2 − = 1 1 4
⇒
Essa ´e a equa¸ca˜o de uma hip´erbole. Interpreta¸ c˜ ao geom´ etrica O sistema x′ o y ′ , ao qual se refere a equa¸ca˜o (7.28) (p. 412), foi obtido do sistema canˆonico a partir de uma rota¸ca˜o. Observe que " " ′ # 4 # − 53 x x 5 X = P X ′ ⇒ X ′ = P −1 X ⇐⇒ = 3 4 y′ y 5 5
Comparando com a equa¸ca˜o (4.34) (p. 245) concluimos que o ˆangulo de rota¸ca˜o ´e dado assim − sen θ = 35 3 ≃ −36, 87o ⇒ θ = tan−1 − 4 4 cos θ = 5 y
y
⇒
p
3
y′
p
3 3
−
p
1
p
−1 p
2
p
1 −
1p
0
2p
1p
x
3p
−
x
0 1
p
−1
2
2
p
p
−
−36, 87o
1p
p
−3 p −2
2
p
p
p
−
p
2
3
p
−2
p
x′
Para obter o sistema XoY executamos no sistema x′ o y ′ a transla¸ca˜o dada pela equa¸ca˜o (7.29). Obtemos as coordenadas da origem desse sistema fazendo (X, Y ) = (0, 0) naquela equa¸ca˜o: 0 = x′ + 1
0 = y′ + 2
e
(x′ , y ′ ) = (−1, −2)
⇒
Ent˜ ao y
y
⇒
y′
y′
3
p
p 2
x
0
p
2
p
p −
2
p
p
1 −
1p
x
1p
p
p
1
3
2
p
−
p
1
p
3
0
x′
−
2
r
p
1p
p
−
r−
−
1p
p
1 −
p
p
2
p
p
p
2
Y
p
p
−
p
2
p
p
3
p
−
p
p
3
3
413
p
X
x′
A hip´erbole de equa¸ca˜o
X2 Y2 − = 1 1 4 refere-se a este u ´ltimo sistema. Veja:
y
⇒
p
3 2
p
Y
p
3
−3 p r −2
p
−1 p
0
1p
2p
3p
x
3
2
p
p
p
−
−
2
p
1 −
1pr 0
p
−1
p
1
−
1
p
r p
−2
2
1pr 2
p
p
−
3
11x2 − 24xy + 4y 2 + 20x − 40y − 20 = 0
414
Y2 X2 − = 1 1 4
p
X
7.3.2
Exerc´ıcios
1 ) Nos ´ıtens seguintes identifique a cˆ onica representada pela equa¸ca˜o girando os eixos x o y para colocar a cˆ onica na posi¸ca˜o canˆonica. Encontre a equa¸ca˜o padr˜ ao da cˆ onica e determine o ˆ angulo θ de rota¸ca˜o dos eixos. a) b) c) d) e)
x2 + 4xy − 2y 2 − 6 = 0 2x2 − 4xy − y 2 + 8 = 0 3x2 + 2xy + 3y 2 − 1 = 0 11x2 + 24xy + 4y 2 − 15 = 0 x2 + xy + y 2 − 12 = 0
2 ) Determine a equa¸ca˜o reduzida e o gˆenero da cˆ onica. a ) x2 + 2x + 4y − 2 = 0 b ) x2 − 6x + 8y − 7 = 0 c ) 3x2 + y 2 + 12x − 2y − 10 = 0 d ) y 2 + 7x − 8y − 5 = 0 e ) 9x2 − 18y 2 + 54x − 36 = 0 Nota: Observe que essas cˆ onicas s˜ao destituidas do termo misto, o que significa que a primeira parte do algoritmo (rota¸ca˜o) ´e desnecess´aria. 3 ) Determine a equa¸ca˜o reduzida e o gˆenero da cˆ onica. a) b) c) d) e)
4x2 + xy − 3y 2 − 156 = 0 x2 + xy + y 2 − 3 = 0 x2 + 2xy + y 2 − 2x + 8 y − 1 = 0 2x2 + 4xy − 4x − 6y + 2 = 0 16x2 − 24xy + 9y 2 − 15x − 20y + 50 = 0
4 ) Prove que se b 6= 0, ent˜ ao o termo misto pode ser eliminado da forma quadr´ atica ax2 + 2bxy + cy 2 com uma rota¸ca˜o dos eixos coordenados de ˆangulo θ dado por: cotg 2θ =
a−c 2b
Sugest˜ ao: Considere a forma quadr´ atica escrita na forma matricial " # a b x t X AX = x y y b c Fa¸ca a substitui¸ca˜o X = P X ′ , onde " X = P X′ =
(eq. (4.33), p. 245)
cos θ sen θ
− sen θ cos θ
#"
x′ y′
#
Para obter X t A X = (P X ′ )t A (P X ′ ) = (X ′ )t (P t A P ) X ′ . | {z } Diagonal
415
7.3.3
Qu´ adricas
O estudo que fizemos das cˆ onicas pode ser generalizado para as qu´adricas. Defini¸ c˜ ao 54. Uma qu´ adrica em R3 ´e um conjunto de pontos (x, y, z) cujas coordenadas em rela¸c˜ ao ` a base canˆ onica satisfazem a equa¸c˜ ao A x2 + B y 2 + C z 2 + D xy + E xz + F yz + G x + Hy + I z + J = 0 onde A, B, C, D, E e F n˜ ao s˜ ao todos nulos. Vejamos alguns casos especiais: 1 ) Elips´ oide z c
b
−b
y
y2 z2 x2 + + = 1 a2 b2 c2
a −c
x
A esfera ´e um caso particular de elips´ oide, quando a = b = c = r. z r
r
−r
y
x2 + y 2 + z 2 = r2
y
x2 y2 z2 + − = 1 a2 b2 c2
r −r
x
2 ) Hiperbol´ oide de uma folha z
s
b
−b
x
s
416
3 ) Hiperbol´ oide de duas folhas z
r
−
y
r
y2 z2 x2 + − = 1 a2 b2 c2
x
4 ) Parabol´ oide el´ıptico z
r
x2 y2 + 2 = cz 2 a b
y
x
5 ) Parabol´ oide hiperb´ olico
−
z
y x
417
x2 y2 + = cz a2 b2
www.profgentil.com.br
[email protected]
Transcender o ego n˜ ao ´e uma aberra¸c˜ ao mental nem uma alucina¸c˜ ao psic´ otica, sen˜ ao um estado ou n´ıvel de consciˆencia infinitamente mais rico, mais natural e mais satisfat´ orio do que o ego poderia imaginar em seus vˆ oos mais desatinados de fantasia. (Ken Wilber/O Espectro da Consciˆenca, p. 21) Talvez seja muito f´ acil ver atrav´es desse tipo de fic¸c˜ oes, por´em muitas outras, como a separa¸c˜ ao entre a vida e a morte e a existˆencia de um mundo objetivo “l´ a fora”, s˜ ao muito mais dif´ıceis de penetrar. A raz˜ ao ´e porque temos sofrido uma completa lavagem cerebral ministrada por pais e pares bem intencionados mas que tamb´em haviam sido submetidos ` a lavagem cerebral, e passamos a confundir uma descri¸c˜ ao do mundo com o pr´ oprio mundo tal como ´e em sua realidade sem nome e sem car´ ater, em sua vacuidade. (Ken Wilber/O Espectro da Consciˆenca, p. 185)/Grifo nosso
418
Cap´ıtulo
8
CONSULTAS O homem ´ e o art´ıfice do seu destino: tem que arrostar o esfor¸co de criar a si mesmo.
(Pietro Ubaldi)
Introdu¸ c˜ ao: O objetivo deste cap´ıtulo ´e estabelecer alguns resultados (pr´e-requisitos) para fins de consultas e referˆencias.
8.1
Opera¸ c˜ oes em um Conjunto
Defini¸ c˜ ao 55 (Opera¸ca˜o). Sendo A um conjunto n˜ ao vazio, toda aplica¸c˜ ao F : A×A → A (a, b)
7→ F (a, b)
recebe o nome de opera¸ c˜ ao sobre A ou lei de composi¸c˜ ao interna em A. Chamamos a aten¸ca˜o para o importante fato de que estas leis (opera¸co˜es) podem ser escolhidas de modo totalmente arbitr´ario (apenas n˜ ao esquecendo que s˜ao aplica¸co˜es (fun¸co˜es)). Por exemplo se A = { 0, 1 } podemos definir duas opera¸co˜es sobre esse conjunto, uma chamada de adi¸ca˜o + : A×A → A
(a, b) 7→ +(a, b) = a+b
e outra chamada de multiplica¸ca˜o · : A×A→ A
(a, b) 7→ ·(a, b) = a·b
Dadas pelas seguintes t´ abuas operat´orias: +
0
1
0
0
1
1
1
0
419
·
0
1
0
0
0
1
0
1
8.2
Corpos
De todas as estruturas (ver p. 19) a mais “rica”, alg´ebricamente falando, ´e a conhecida como corpo, a qual definiremos agora: Defini¸ c˜ ao 56 (Corpo). Um corpo ´e um sistema alg´ebrico (K, +, ·) no qual as opera¸c˜ oes + e · satisfazem certos postulados, chamados os axiomas de corpo, a seguir especificados:
Axiomas da adi¸ c˜ ao A1. Comutativa: para quaisquer x e y em K, x+y = y+x A2. Associativa: para quaisquer x, y e z em K, (x + y) + z = x + (y + z) A3. Elemento neutro: existe 0 ∈ K tal que, para todo x ∈ K, x+0=x A4. Elemento sim´etrico: para todo x ∈ K existe −x ∈ K tal que, x + (−x) = 0.
Axiomas da multiplica¸ c˜ ao M1. Comutativa: para quaisquer x e y em K, x·y =y·x M2. Associativa: para quaisquer x, y e z em K, (x · y) · z = x · (y · z) M3. Elemento neutro: existe 1 ∈ K, 1 6= 0, tal que, para todo x ∈ K, 1·x = x M4. Inverso multiplicativo: para todo x 6= 0 em K existe x−1 ∈ K tal que, x · x−1 = 1. Devido a existˆencia do inverso podemos definir, em um corpo, a opera¸ca˜o (x, y) 7→ x/y de divis˜ ao, como sendo x/y = x · y −1 . O elemento neutro 1 ´e tamb´em conhecido por elemento identidade do corpo.
420
Axioma da distributividade Ou ´ltimo axioma de corpo expressa uma rela¸ca˜o entre a multiplica¸ca˜o e a adi¸ca˜o: D. Axioma da distributividade − para quaisquer x, y e z em K, x · (y + z) = x · y + x · z Nota: Fazemos quest˜ ao de enfatizar: Um corpo ´e uma estrutura (alg´ebrica) e n˜ ao um conjunto. Esta estrutura ´e erigida sobre um conjunto K no qual definimos duas opera¸co˜es satisfazendo todas as condi¸co˜es listadas anteriormente. Muitas vezes para distinguir o corpo (estrutura) do conjunto K, sobre o qual construimos a estrutura, usaremos da nota¸ca˜o: K. Podemos resumir isto assim: K = (K, +, ·) Exemplos e Contraexemplos: Temos: N Z Q R C
→ → → → →
N˜ ao ´e corpo. N˜ ao ´e corpo. ´ corpo. E ´ corpo. E ´ corpo. E
(n˜ao satisfaz A4.) (n˜ao satisfaz M4.)
Com as opera¸co˜es de adi¸ca˜o e multiplica¸ca˜o usuais nos respectivos conjuntos. Na verdade podemos exibir infinitos exemplos de corpos na matem´atica. A seguir exibiremos infinitos exemplos de corpos os quais s˜ao utilizados na teoria dos espa¸cos vetoriais − e em suas in´ umeras aplica¸co˜es na tecnologia moderna, como por exemplo, conjugados ` a inform´atica (ver, p. ex., espa¸cos de c´ odigos, p. 26). Antes necessitamos do Teorema 15 (Algoritmo da Divis˜ ao). Para quaisquer a, b ∈ N, b 6= 0, existe um u ´nico par de n´ umeros naturais q e r, de maneira que a = b · q + r com 0 ≤ r < b. Por exemplo, seja a = 20 por b = 3, dividindo a por b, temos: 20 2
3 6
Temos q = 6, r = 2 s˜ao tais que: 20 = 3 · 6 + 2 A seguinte proposi¸ca˜o ´e de algum interesse quando formos dividir dois n´ umeros pelo algoritmo da divis˜ao:
421
Proposi¸ c˜ ao 37. Se 0 < a < b ent˜ ao o quociente da divis˜ ao de a por b ´e q = 0. Prova: Dividindo a por b, pelo algoritmo da divis˜ao existem naturais q e r, tais que, a = bq + r, 0≤ r
⇒ bq ≥ b. Por outro lado,
a = bq + r ≥ bq ≥ b ⇒ a ≥ b. o que contradiz a hip´ otese. Nota: Observe ainda que, como q = 0, por (8.1), a = b · 0 + r, logo, r = a > 0. Por exemplo, seja a = 4 por b = 5, dividindo a por b, temos: 4 4
5 0
Temos q = 0, r = 4 s˜ao tais que: 4 = 5 · 0 + 4.
Os corpos Zp Um n´ umero primo ´e um inteiro (> 1) que n˜ ao possui divisores al´em de 1 e dele pr´oprio, a seguir s˜ao listados alguns primos: 2, 3, 5, 7, 11, 13, . . . Os primos formam uma sequˆencia infinita, conforme ´e provado em teoria dos n´ umeros. Consideremos agora o conjunto Zp , onde p ´e um n´ umero primo arbitrariamente fixado, dado por Zp = { 0, 1, 2, . . . , p − 1 } Tomemos dois elementos arbitr´arios x e y em Zp e vamos definir sobre este conjunto duas opera¸co˜es; a uma delas chamaremos de adi¸ca˜o e a outra chamaremos de multiplica¸ca˜o, assim definidas: x + y = resto da divis˜ao de x + y por p; x · y = resto da divis˜ao de x · y por p. Inicialmente observe que, devido ao algoritmo da divis˜ao, estas opera¸co˜es est˜ ao bem definidas. Por outro lado, ´e f´acil inferir que s˜ao comutativas e associativas. − Por exemplo, para o conjunto Z5 = { 0, 1, 2, 3, 4 } as opera¸co˜es s˜ao: x + y = resto da divis˜ao de x + y por 5; x · y = resto da divis˜ao de x · y por 5. Por exemplo: 2 + 3 = resto da divis˜ao de 2 + 3 por 5 = 0 2 · 3 = resto da divis˜ao de 2 · 3 por 5 = 1 As t´ abuas destas opera¸co˜es s˜ao vistas a seguir:
422
+
0
1
2
3
4
1
2
3
4
0
1
2
3
4
·
0
0
0
0
0
0
0
0
1
1
2
3
4
0
1
0
1
2
3
4
2
2
3
4
0
1
2
0
2
4
1
3
3
3
4
0
1
2
3
0
3
1
4
2
4
4
0
1
2
3
4
0
4
3
2
1
´ Em Algebra (ver por exemplo [11]) prova-se que os sistemas alg´ebricos Zp = (Zp , +, ·) s˜ao corpos. O elemento neutro da adi¸ca˜o ´e 0. O sim´etrico de cada elemento encontramos na pr´opria tabela de adi¸ca˜o. Veja: 0 + 0 = 0, 1 + 4 = 0, 2 + 3 = 0. Observe que, segundo a nota¸ca˜o do axioma A4
(p. 420),
podemos escrever
−0 = 0, −1 = 4, −2 = 3 O elemento neutro da multiplica¸ca˜o ´e 1. O inverso de cada elemento encontramos na pr´opria tabela de multiplica¸ca˜o. Veja: 1 · 1 = 1, 2 · 3 = 1, 4 · 4 = 1.
O corpo Z2 Para o conjunto Z2 = { 0, 1 } definimos as duas opera¸co˜es: x + y = resto da divis˜ao de x + y por 2; x · y = resto da divis˜ao de x · y por 2. cujas t´ abuas operat´orias s˜ao vistas a seguir: +
0
1
0
0
1
1
1
0
423
·
0
1
0
0
0
1
0
1
8.3
Matrizes
Defini¸ c˜ ao 57 (Matriz). Sejam m ≥ 1 e n ≥ 1 dois n´ umeros inteiros. Uma matriz A m × n real ´e uma sequˆencia dupla de n´ umeros reais, distribuidos em m linhas e n colunas, formando uma tabela que se indica do seguinte modo: a11 a12 . . . a1n a 21 a22 . . . a2n A= .................... am1 am2 . . . amn Nota¸ca˜o: A = ( aij )m×n ou apenas A = ( aij ). Indicaremos por Mm×n (R) o conjunto das matrizes com elementos (entradas) reais m × n. Se m = n a nota¸ca˜o anterior reduz-se a Mn (R). Uma matriz na qual m = n chama-se quadrada de ordem n; quando m 6= n a matriz chama-se retangular de ordem m × n. Nota: Em muitos contextos da matem´atica da engenharia el´etrica e da f´ısica as “entradas” (termos, elementos) de uma matriz podem ser n´ umeros complexos, como por exemplo: " # 1+i 1−i A= 2 3 − 2i Quando no contexto estiver subentendido que trata-se de matrizes reais podemos, alternativamente, simplificar a nota¸ca˜o Mm×n (R) para Mm×n .
Igualdade de matrizes Consideremos duas matrizes reais m × n: A = ( aij ) e B = ( aij ). Dizemos que A = B se, e somente se, aij = bij
∀ i = 1, 2, . . . , m; j = 1, 2, . . . , n.
Isto ´e, duas matrizes s˜ao iguais se, e somente se, seus elementos de mesma posi¸ca˜o s˜ao iguais.
Opera¸c˜ oes com matrizes Adi¸c˜ ao Sejam A = ( aij ) e B = ( aij ) matrizes (de mesma ordem) m × n. Indicaremos por A + B e chamaremos soma de A com B a matriz m × n cujo termo geral ´e aij + bij , ou seja
A+B =
a11 + b11 a12 + b12 . . . a1n + b1n a21 + b21 a22 + b22 . . . a2n + b2n ....................................... am1 + bm1 am2 + bm2 . . . amn + bmn
424
Por exemplo, se A= ent˜ ao A+B =
"
" 1 2
1 2
#
−1 0 1 0 3 −1 0
0 1 3
#
e
+
"
B=
2 3 −2 1
"
−1
2 3 −2 1 #
−1 2 3
=
2 3
"
3 0
#
2 −1 1 1
#
Propriedades da adi¸c˜ ao de matrizes Para matrizes A, B e C, de mesma ordem, tem-se: A1) A + B = B + A (Comutativa) A2) (A + B) + C = A + (B + C) (Associativa) A3) Existe em Mm×n um elemento, denotado por 0, detentor da seguinte propriedade† : A + 0 = 0 + A = A; ∀ A ∈ Mm×n (Elemento neutro) A4) Para todo elemento A de Mm×n existe um outro elemento de Mm×n , denotado por −A, detentor da seguinte propriedade: A + (−A) = −A + A = 0
(Elemento oposto)
As propriedades listadas s˜ao de f´ acil verifica¸ca˜o, por exemplo, temos em Mm×n
0=
e se
A=
a11 a12 . . . a1n a21 a22 . . . a2n .................... am1 am2 . . . amn
0 0 ... 0 0 0 ... 0 ............. 0 0 ... 0
⇒
−A =
−a11 −a12 . . . −a1n −a21 −a22 . . . −a2n ......................... −am1 −am2 . . . −amn
Multiplica¸ c˜ ao de uma Matriz por um n´ umero Dada uma matriz real A = ( aij )m×n , e dado um n´ umero real λ, o produto de λ por A ´e a matriz real de ordem m × n dada por:
λA =
λ a11 λ a12 . . . λ a1n λ a21 λ a22 . . . λ a2n ......................... λ am1 λ am2 . . . λ amn
† Escolhemos o “zero em negrito” para simbolizar o elemento neutro da adi¸c˜ ao de matrizes, com o intuito de distingui-lo do 0 n´ umero real.
425
Por exemplo, se " A=
1 −1 0 1 2 0 3
#
e
⇒
λ=3
3A =
"
3 6
−3 0 0 1
#
Propriedades Para matrizes A, B ∈ Mm×n e para n´ umeros λ, µ ∈ R, valem as seguintes propriedades: M1) λ · ( µ · A ) = (λ · µ) · A (Associativa) M2) ( λ + µ ) · A = λ · A + µ · A (Distributiva) M3) λ · ( A + B ) = λ · A + λ · B (Distributiva) M4) 1 · A = A (elemento neutro) Estas propriedades s˜ao de f´acil verifica¸ca˜o, por exemplo, provemos M2: Suponhamos A = ( aij ). Ent˜ ao: ( λ + µ ) · A = ( λ + µ ) · aij = λ aij + µ aij
= ( λ aij ) + ( µ aij ) = λ·A+µ·B
Multiplica¸ c˜ ao de Matrizes Consideremos a matriz A = ( aij )m×n e a matriz B = ( bjk )n×p . O produto A · B (tamb´em indicado A B) ´e a matriz C = ( cik )m×p , veja A = ( aij )m×n B = ( ajk )n×p C = ( cik )m×p cujo termo geral ´e dado por: cik =
n X j=1
aij · bjk = ai1 · b1k + · · · + ain · bnk
Exemplo: Sejam #
"
a11 a21
a12 a22
a13 a23
b11 B = b21 b31
b12 b22 b32
b13 2 b23 = 3 b33 1
A= e
"
426
=
1 2
1 0 0 3
#
0 1 1 4 1 0
(8.2)
Temos: A · B = C, onde: A = ( aij )2×3 B = ( bij )3×3 C = ( cij )2×3 Sendo assim temos: " 1·2+1·3+0·1 C= 2·2+0·3+3·1
1·0+1·1+0·1 2·0+0·1+3·1
Fazendo as contas, resulta A=
"
5 7
1 7 3 2
1·1+1·4+0·0 2·1+0·4+3·0
#
#
Propriedades da multiplica¸c˜ ao de Matrizes Para matrizes com produtos compat´ıveis (segundo a defini¸ca˜o), valem as seguintes propriedades: MM1) A(BC) = (AB)C (Associativa) MM2) A(B + C) = A B + A C (Distributiva) Para a prova destas propriedades veja, por exemplo, [2]. Nota: Em geral o produto de matrizes n˜ ao ´e comutativo, por exemplo, sejam: " " # # 1 2 5 6 A= e B= 3 4 7 8 Temos: AB =
"
1 3
2 4
#"
5 7
6 8
#
BA =
"
5 7
6 8
#"
1 3
2 4
#
e
=
"
19 22 43 50
#
=
"
23 34 31 46
#
Transposi¸ c˜ ao de Matrizes Dada uma matriz A = ( aij ) ∈ Mm×n denomina-se transposta de A e indica-se por At a seguinte matriz n × m: At = ( bij ),
onde bij = aij
(i = 1, 2, . . . , m; j = 1, 2, . . . , n)
Por exemplo:
A=
"
a11 a21
a12 a22
a13 a23
#
⇒
427
a11 t A = a12 a13
a21 a22 a23
Propriedade da matriz transposta Valem as seguintes identidades: ( i ) (A + B)t = At + B t ; ( ii ) (λ A)t = λ At , onde λλ ∈ R;
( iii ) (At )t = A;
( iv ) (A B)t = B t At ; As trˆes primeiras propriedades s˜ao imediatas, para a prova de ( iv ) consulte [2].
8.3.1
Matrizes Invers´ıveis
Defini¸ c˜ ao 58 (Invers˜ao de matrizes). Seja A uma matriz quadrada de ordem n×n, A se diz invers´ıvel se, e somente se, existe uma matriz A′ , tamb´em de ordem n×n, de modo que: AA′ = A′ A = In In , ´e a matriz quadrada de ordem n × n − conhecida como identidade de ´ a matriz com 1 na diagonal principal e 0 em todas as outras entradas, ordem n. E assim: 1 0 ... 0 0 1 ... 0 In = ............. 0 0 ... 1 Por exemplo: " # 1 0 0 1 0 I2 = , I3 = 0 1 0 0 1 0 0 1 " # 1 2 Exemplo: A matriz A = ´e invers´ıvel uma vez que, tomando A′ = 1 3 " # 3 −2 , resulta: −1 1 # # " #" " 1 0 3 −2 1 2 = AA′ = 0 1 −1 1 1 3
e
′
AA=
"
3 −2 −1 1
#"
1 2 1 3
#
=
"
1 0 0 1
#
Neste momento faremos a seguinte mudan¸ca de nota¸ca˜o: A′ = A−1 . Para uma matriz A, quadrada e de ordem 2, existe uma f´ormula para a inversa, dada assim: # " # " a b d −b 1 −1 ⇒ A = A= (8.3) ad − bc c d −c a Se ad − bc = 0, A n˜ ao ter´ a inversa. A f´ormula para a inversa pode ser provada por multiplica¸ca˜o direta e ser´a deixada como exerc´ıcio ao aluno.
428
Para a determina¸ca˜o da inversa de matrizes de ordem mais elevada o estudante poder´ a consultar, por exemplo, [2]. Nos limitaremos a enunciar a seguinte Proposi¸ c˜ ao 38. (I) Se A ´e uma matriz invers´ıvel, ent˜ ao A−1 ´e invers´ıvel e (A−1 )−1 = A (II) Se A ´e uma matriz invers´ıvel e λ ´e um n´ umero n˜ ao nulo, ent˜ ao λ A ´e uma matriz invers´ıvel e 1 (λ A)−1 = A−1 λ (III) Se A e B s˜ ao matrizes invers´ıveis, ent˜ ao AB ´e invers´ıvel e, neste caso, vale (AB)−1 = B −1 A−1 (IV) Se A ´e uma matriz invers´ıvel, ent˜ ao At ´e invers´ıvel e, neste caso, vale (At )−1 = (A−1 )t (V) Se A ´e uma matriz invers´ıvel e sendo n um n´ umero natural, ent˜ ao An ´e invers´ıvel e, neste caso, vale (An )−1 = (A−1 )n Para a prova desta proposi¸ca˜o veja, por exemplo, [6].
8.4
Elementos de L´ ogica & Demonstra¸c˜ oes
Nesta sec¸ca˜o recordaremos, de modo resumido, alguns conceitos da L´ ogica Matem´ atica. De in´ıcio tecemos algumas considera¸co˜es sobre alguns s´ımbolos, objetivando transferilos da L´ ogica para o contexto da Matem´ atica. Posteriormente estabeleceremos algumas t´ecnicas de demonstra¸co˜es matem´aticas.
Proposi¸ c˜ ao: ´o Chamamos conceito primitivo aquele conceito que aceitamos sem defini¸ca˜o. E que acontece, por exemplo, com o conceito de proposi¸c˜ ao. Portanto, n˜ ao o definiremos. N˜ ao obstante, nada impede que conhe¸camos suas qualidades, tendo em conta que proposi¸ca˜o ´e uma senten¸ca declarativa, afirmativa e que deve exprimir um pensamento de sentido completo; via de regra sendo escrita na linguagem usual ou na forma simb´ olica. Por exemplo, s˜ao proposi¸co˜es: π 1) sen = 1. 2 √ 2) π < 2 2. 3) Todo quadrado ´e um retˆ angulo. 4) Todo retˆ angulo ´e um quadrado. Dizemos que o valor l´ ogico de uma proposi¸ca˜o ´e a verdade (V ) se a proposi¸ca˜o ´e verdadeira; ´e a falsidade (F ) se a proposi¸ca˜o ´e falsa. Por exemplo, para as proposi¸co˜es anteriores,temos 1) V
2) F
3) V
429
4) F
8.4.1
Opera¸c˜ oes L´ ogicas sobre Proposi¸c˜ oes
Faremos um resumo das opera¸co˜es do c´ alculo proposicional tamb´em chamadas opera¸c˜ oes l´ ogicas. Os principais operadores (conectivos) l´ogicos s˜ao os seguintes: ∨ ∧ ¯ −→ ←→
Disjun¸ca˜o (“ou”) Conjun¸ca˜o (“e”) Nega¸ca˜o Condicional (“se...ent˜ ao”) Bicondicional (“se e somente se”)
cujas tabelas-verdade s˜ao dadas a seguir (estas tabelas definem os respectivos operadores): p
q
p∨q
p
q
p∧q
p
p¯
V
V
V
V
V
V
V
F
V
F
V
V
F
F
F
V
F
V
V
F
V
F
F
F
F
F
F
F
p
q
p −→ q
p
q
p ←→ q
p
p¯
q
V
V
V
V
V
V
V
F
V
V
V
F
F
V
F
F
V
F
F
F
F
V
V
F
V
F
F
V
V
V
F
F
V
F
F
V
F
V
F
V
p¯ ∨q
Acrescentamos a tabela-verdade da proposi¸ca˜o p¯ ∨ q a qual nos ser´a de grande utilidade. Vamos agora enunciar uma rela¸ca˜o entre proposi¸co˜es, que se distingue dos operadores, porque n˜ ao cria nova proposi¸ca˜o. Defini¸ c˜ ao 59 (Implica¸ca˜o L´ ogica). Diz-se que uma proposi¸c˜ ao p implica logicamente ou apenas implica uma proposi¸c˜ ao q, se e somente se, na tabela de p e q, n˜ ao ocorre V F em nenhuma linha, com V na coluna de p e F na coluna de q. Exemplo: Da tabela a seguir inferimos que a proposi¸ca˜o q n˜ ao implica na proposi¸ca˜o p ∧ q, ao passo que a proposi¸ca˜o p ∧ q implica na proposi¸ca˜o q. p
q
p∧q
q
V
V
V
V
V
F
F
F
F
V
F
V
F
F
F
F
Indica-se que a proposi¸ca˜o p implica a proposi¸ca˜o q com a nota¸ca˜o: p =⇒ q. Nota: Os s´ımbolos −→ e =⇒ n˜ ao devem ser confundidos, pois p −→ q ´e uma proposi¸ca˜o enquanto p =⇒ q n˜ ao ´e proposi¸ca˜o. Isto ´e an´alogo ao que acontece com o sinal + e o sinal < na Aritm´etica: 2 + 5 ´e um n´ umero e 2 < 5 n˜ ao ´e um n´ umero.
430
A escolha do conectivo (palavra) “se p ent˜ ao q” para a proposi¸ca˜o p −→ q, a nosso ver, foi infeliz. De fato, isto induz a que se conclua que a proposi¸ca˜o q se deduz ou ´e uma consequˆ encia da proposi¸ca˜o p. Isto n˜ ao se d´ a, por exemplo: √ 5 ´e um n´ umero ´ımpar −→ 2 ´e irracional (Se 5 ´ e um n´ umero ´ımpar ent˜ ao
√ 2´ e irracional)
´√ e uma proposi¸ca˜o verdadeira (ver tabela-verdade do condicional). Obviamente que 2 ser irracional n˜ ao ´e consequˆencia de 5 ser um n´ umero ´ımpar. Ao contr´ ario do que acontece na L´ ogica, em Matem´ atica n˜ ao comparece o operador l´ogico −→, mas apenas =⇒ com os seguintes significados para p =⇒ q: 1) Se p, ent˜ ao q; 2) Se p for verdadeira, ent˜ ao q ´e verdadeira; 3) p implica q; 4) q ´e implicada por p; 5) q segue de p; 6) p ´e uma condi¸ca˜o suficiente para q; 7) q ´e uma condi¸ca˜o necess´aria para p; ´ imposs´ıvel termos p verdadeira e q falsa simultˆ 8) E aneamente, dentre outros significados poss´ıveis. Neste momento temos uma importante observa¸ca˜o a fazer: Dos ´ıtens 1) e 3) vemos que a matem´atica funde (confunde) os s´ımbolos −→ e =⇒. Como sempre, nestes casos, o “galho quebra” do lado do mais fraco: o aluno que ter´ a que distinguir no contexto matem´atico se o s´ımbolo =⇒ est´ a se referindo a ele pr´oprio ou ao condicional −→. Chama-se tautologia toda proposi¸ca˜o composta cuja u ´ltima coluna da sua tabela verdade encerra somente a letra V (verdade). Proposi¸ c˜ ao 39. A proposi¸c˜ ao p implica a proposi¸c˜ ao q (isto ´e, p =⇒ q) se, e somente se, a condicional p −→ q ´e tautol´ ogica. Prova: (i) Se p implica q, ent˜ ao, n˜ ao ocorre que os valores p q p −→ q l´ogicos simultˆ aneos destas duas proposi¸co˜es sejam reV V V spectivamente V e F , e por conseguinte na u ´ltima colV F F una da tabela-verdade da condicional p −→ q consta F V V somente a letra V , logo, esta condicional ´e tautol´ ogica. F F V (ii) Reciprocamente, se a condicional p −→ q ´e tautol´ ogica, ent˜ ao n˜ ao ocorre que os valores l´ogicos simultˆ aneos das proposi¸co˜es p e q sejam respectivamente V e F , e por conseguinte p implica q.
431
Uma diferen¸ca b´ asica entre proposi¸ca˜o e teorema ´e que enquanto ´e l´ıcito se cogitar do valor l´ogico de uma proposi¸ca˜o (isto ´e, uma proposi¸ca˜o pode ser verdadeira ou falsa) o mesmo n˜ ao acontece com um teorema, que sempre ´e verdadeiro. N˜ ao se demonstra teoremas, mas sim proposi¸co˜es. Uma vez demonstrada a veracidade de uma proposi¸ca˜o: p −→ q, esta adquire status de teorema: p =⇒ q. p q p −→ q Em matem´atica, para demonstrar-se a validade de uma proposi¸ca˜o p −→ q assumimos a hip´otese p como → V V V sendo verdadeira. Sendo assim podemos nos restringir V F F as duas primeiras linhas da tabela verdade do condi` F V V cional −→. F F V Uma vez assumido p verdadeira se conseguirmos demonstrar a veracidade de q ent˜ ao podemos riscar a segunda linha da tabela verdade do condicional. Ap´os isto a proposi¸ca˜o p −→ q resulta tautol´ ogica e, por conseguinte, p =⇒ q
Isto ´e, a proposi¸ca˜o p −→ q tornou-se o teorema p =⇒ q. Defini¸ c˜ ao 60 (Equivalˆencia L´ ogica). Diz-se que uma proposi¸c˜ ao p ´e logicamente equivalente ou apenas equivalente a uma proposi¸c˜ ao q, se as tabelas-verdade destas duas proposi¸c˜ oes s˜ ao iguais. Indica-se que a proposi¸ca˜o p ´e equivalente a proposi¸ca˜o q com a nota¸ca˜o: p ⇐⇒ q Os s´ımbolos ←→ e ⇐⇒ n˜ ao devem ser confundidos, pois p ←→ q ´e uma proposi¸ca˜o enquanto p ⇐⇒ q n˜ ao ´e proposi¸ca˜o. Os argumentos arrolados anteriormente a respeito dos s´ımbolos −→ e =⇒ podem ser adaptados para os s´ımbolos ←→ e ⇐⇒. A seguir listamos v´arias maneiras de se formular p ⇐⇒ q em palavras∗: 1) Se p, ent˜ ao q e rec´ıprocamente; 2) Se q, ent˜ ao p e rec´ıprocamente; 3) q ´e verdadeira se, somente se, p for verdadeira; 4) p implica q e rec´ıprocamente; 5) p ´e uma condi¸ca˜o necess´aria e suficiente para q; 6) q ´e uma condi¸ca˜o necess´aria e suficiente para p; 7) p e q s˜ao proposi¸co˜es equivalentes. Dos ´ıtens 1) e 4) acima, vemos que a matem´atica (con) funde os s´ımbolos ←→ e ⇐⇒.
∗
Isto na Matem´ atica, n˜ ao na L´ ogica.
432
Proposi¸ c˜ ao 40. A proposi¸c˜ ao p ´e equivalente ` a proposi¸c˜ ao q (isto ´e, p ⇐⇒ q) se, e somente se, a bicondicional p ←→ q ´e tautol´ ogica. Prova: (i) Se p ´e equivalente a q, ent˜ ao, tˆem tabelas-verdade iguais, e por conseguinte o valor l´ogico da bicondicional p ←→ q ´e sempre V , isto ´e, esta bicondicional ´e tautol´ ogica (ver tabela-verdade da bicondicional, p. 430). (ii) Rec´ıprocamente, se a bicondicional p ←→ q ´e tautol´ ogica, ent˜ ao, a u ´ ltima coluna da sua tabela-verdade encerra somente a letra V , e por conseguinte os valores l´ogicos respectivos das proposi¸co˜es p e q s˜ao ambos V ou ambos F , isto ´e, estas duas proposi¸co˜es s˜ao equivalentes. Portanto, a toda equivalˆencia l´ogica corresponde uma bicondicional tautol´ ogica e vice-versa.
Equivalencias Not´ aveis A seguir listamos algumas equivalencias entre proposi¸co˜es, as quais podem ser demonstradas com o aux´ılio das respectivas tabelas-verdade. 1) p¯ ⇐⇒ p
(Dupla Nega¸ca˜o)
2) Leis Idempotentes a) p ∨ p ⇐⇒ p b) p ∧ p ⇐⇒ p 3) Leis Comutativas a) p ∨ q ⇐⇒ q ∨ p b) p ∧ p ⇐⇒ q ∧ p 4) Leis Associativas a) p ∨ (q ∨ r) ⇐⇒ (p ∨ q) ∨ r b) p ∧ (q ∧ r) ⇐⇒ (p ∧ q) ∧ r 5) Leis de De Morgan∗ a) ( p ∨ q ) ⇐⇒ p¯ ∧ q¯ b) ( p ∧ q ) ⇐⇒ p¯ ∨ q¯ 6) Leis Distributivas a) p ∧ ( q ∨ r ) ⇐⇒ (p ∧ q) ∨ (p ∧ r) b) p ∨ ( q ∧ r ) ⇐⇒ (p ∨ q) ∧ (p ∨ r) ∗ Augustus De Morgan (1806 − 1873) lecionou no University College, Londres. Foi matem´ atico e l´ ogico, e contribuiu para preparar o caminho da L´ ogica matem´ atica moderna.
433
8.4.2
T´ ecnicas (Engenharia) de Demonstra¸c˜ ao
Os problemas em matem´atica dividem-se em duas classes: Determina¸ c˜ ao: calcule, encontre, ache, determine,. . . Demonstra¸ c˜ ao: mostre, prove, demonstre,. . . Costumo mesmo dizer que a matem´atica come¸ca com os problemas do segundo tipo. De fato, a resolu¸ca˜o da maioria dos problemas do primeiro tipo s˜ao algoritmicas (mecˆ anicas); enquanto os problemas do segundo tipo exigem muito de criatividade (engenhosidade). Um outro crit´erio que utilizo para distinguir n˜ ao-matem´ atica (algoritmo) de matem´atica, ´e que a n˜ ao-matem´ atica ´e suscept´ıvel de programa¸ca˜o − a exemplo dos poderosos softwares alg´ebricos − enquanto que a matem´atica em si (demostra¸co˜es) n˜ ao. Ademais, estou propenso a acreditar que podemos ver a maioria dos “objetos” como consistindo de mat´eria e esp´ırito. Para contextualizar minha tese vejamos alguns exemplos: 1o ) Um computador consiste de hardware e software, o hardware ´e a parte material e o software ´e o esp´ırito do computador. 2o ) Uma c´elula ´e composta de mat´eria (´e o que os bi´ologos enxergam ao microsc´ opio) e esp´ırito (software que comanda suas atividades) que os bi´ologos n˜ ao enxergam ao microsc´opio. 3o ) Os n´ umeros inteiros, s˜ao compostos de mat´eria: Z = { . . . , −3, −2, −1, 0, 1, 2, 3, . . . } e esp´ırito, que s˜ao seus axiomas de manipula¸ca˜o da mat´eria (s´ımbolos) tais como: comutatividade, associatividade, elemento neutro, elemento oposto, Princ´ıpio da Boa Ordem, etc. De igual modo, a matem´atica possui uma parte material (s´ımbolos) e uma parte espiritual (conceitos, ideias), o que se estar a manipular∗ por a´ı ´e apenas o corpo (cad´ aver) da matem´atica, seu esp´ırito fica de fora. − Para se lidar com o esp´ırito da matem´atica (viva) torna-se indispens´ avel o conhecimento de algumas t´ecnicas de demonstra¸ca˜o. 1. Proposi¸co˜es Aparentadas p −→ q
:
Direta
q −→ p
:
Rec´ıproca
p¯ −→ q¯
:
Contr´aria
q¯ −→ p¯
:
Contrapositiva (contrarrec´ıproca)
∗
Por a´ı a que me refiro ´e a matem´ atica praticada at´e o ensino m´edio e em algumas cadeiras da universidade, ´e uma matem´ atica mecˆ anica, morta. O fato de vocˆe manusear o controle remoto de sua televis˜ ao n˜ ao significa que vocˆe compreende como ele funciona. De igual modo, muitos manipulam a matem´ atica sem compreender como ela funciona, ´e uma matem´ atica sem vida, sem esp´ırito! Ver p´ agina 11.
434
2. Equivalˆencia Entre Proposi¸co˜es Aparentadas 2.1 A proposi¸ca˜o direta equivale `a contrarrec´ıproca. p −→ q ⇐⇒ q¯ −→ p¯ Para provar isto faremos uso da seguinte identidade: p −→ q = p¯ ∨ q Esta identidade pode ser obtida das respectivas tabelas-verdade. Prova: (i) p −→ q = p¯ ∨ q
(ii) q¯ −→ p¯ = q¯ ∨ p¯
= p¯ ∨ q
Isto significa que as proposi¸co˜es p −→ q e q¯ −→ p¯ assumem sempre os mesmos valores l´ogicos; isto ´e, ou s˜ao ambas verdadeiras (V ) ou s˜ao ambas falsas (F ). Sendo assim acabamos de estabelecer nossa primeira t´ecnica de demonstra¸ca˜o indireta: (T-1) O teorema direto equivale ao contrarrec´ıproco† ¯ H =⇒ T ⇐⇒ T¯ =⇒ H Enunciemos nossa segunda t´ecnica de demonstra¸ca˜o indireta: (T-2) Anexa¸ca˜o ` a hip´ otese da nega¸ca˜o da tese H =⇒ T ⇐⇒
H ∧ T¯ =⇒ T
Prova: Provemos a seguinte equivalˆencia: p −→ q ⇐⇒ p ∧ q¯ −→ q
De fato,
(i) p −→ q = p¯ ∨ q. (ii) p ∧ q¯ −→ q = (p ∧ q¯) ∨ q = ( p¯ ∨ q¯ ) ∨ q
= p¯ ∨ q ∨ q = p¯ ∨ q. †
¯ Nega¸c˜ H: Hip´ otese, T : Tese, H: ao da hip´ otese, T¯: Nega¸c˜ ao da tese.
435
(T-3) Redu¸ c˜ ao ao absurdo H =⇒ T ⇐⇒
H ∧ T¯ =⇒ f
Onde: f ´e uma proposi¸ca˜o de valor l´ogico falso (´e qualquer contradi¸c˜ao). Prova: Provemos a seguinte equivalˆencia: p −→ q ⇐⇒ p ∧ q¯ −→ f
De fato,
(i) p −→ q = p¯ ∨ q. (ii) p ∧ q¯ −→ f = (p ∧ q¯) ∨ f = (p ∧ q¯)
= p¯ ∨ q¯
= p¯ ∨ q. Nota: Na tabela-verdade da proposi¸ca˜o p ∨ q vemos que quando o valor l´ogico de q ´e F , prevalece o valor l´ogico de p. Estamos dizendo que p ∨ f = p. Resumindo: Para utilizar esta t´ecnica em uma demonstra¸ca˜o, devemos anexar ` a Hip´ otese a nega¸ca˜o da Tese e devemos exibir, ao final, alguma contradi¸ca˜o (algum absurdo).
Uma Equivalencia Not´ avel Uma das equivalˆencias mais utilizadas em demonstra¸co˜es matem´aticas ´e a que segue (T-4) Teorema com hip´otese composta (∧) Se a hip´ otese de um teorema ´e formada pela conjun¸ca˜o de duas outras, ´e v´alida a seguinte equivalˆencia H1 ∧ H2 =⇒ T ⇐⇒
¯ H1 ∧ T¯ =⇒ H 2
Isto ´e, junta-se a uma das hip´oteses a nega¸ca˜o da tese e demonstrase a nega¸ca˜o da outra hip´otese. Prova: Provemos a seguinte equivalˆencia p ∧ q −→ r ⇐⇒ p ∧ r¯ −→ q¯ De fato, p ∧ q −→ r = (p ∧ q) ∨ r = (¯ p ∨ q¯) ∨ r = p¯ ∨ q¯ ∨ r.
436
Por outro lado, p ∧ r¯ −→ q¯ = (p ∧ r¯) ∨ q¯ = (¯ p ∨ r¯) ∨ q¯
= p¯ ∨ r ∨ q¯. Vejamos alguns exemplos de aplica¸ca˜o desta equivalˆencia: umeros: Se a divide b e a n˜ ao divide c ent˜ ao b n˜ ao divide c. 1o ) Teoria dos n´ a|b H1 : ⇒ T: b 6 | c. H2 : a6|c ¯ H1 ∧ T¯ =⇒ H 2
Prova: Para algum n1 e algum n2 inteiros, resulta H : 1 T¯ : Observe que
b = n1 a =⇒ c = n2 b
c c = n2 = b a · n1
c ¯ = n1 · n2 ≡ H 2 a
2o ) Em An´alise: Se a ≤ b e b ≤ a ent˜ ao a = b. H1 :
H2 :
a≤b b≤a
⇒
T:
a = b.
¯ H1 ∧ T¯ =⇒ H 2
Prova: Suponha a ≤ b e a 6= b, ent˜ ao a < b. 3 ) Em An´alise:
o
Se n ∈ N, x ∈ R, e n < x < n + 1, ent˜ ao x 6∈ N. x>n H1 : ⇒ T: H2 : x
437
x 6∈ N.
Prova: Se x > n e x ∈ N ent˜ ao x ≥ n + 1. (T-5) O seguinte teorema n˜ ao ´e raro em matem´atica: H1 ⇐⇒ H2 =⇒ T
´ um teorema, tipo “se e somente se”, isto ´e E
H1 =⇒ H2 =⇒ T H1 ⇐= H2 =⇒ T Ent˜ ao
(i) H1 =⇒ H2 =⇒ T Observemos que a tese do teorema acima ´e um outro teorema. Isto significa que assumindo H1 devemos demonstrar H2 =⇒ T . Isto ´e, devemos mostrar que H2 acarreta T . Ainda, H1 ∧ H2 =⇒ T Esta conclus˜ao pode ser provada assim: H1 −→ H2 −→ T = H¯1 ∨ H2 −→ T = H¯1 ∨ H¯2 ∨ T = (H1 ∧ H2 ) ∨ T
= H1 ∧ H2 −→ T. Portanto subsiste a seguinte equivalˆencia H1 =⇒ H2 =⇒ T ⇐⇒ H1 ∧ H2 =⇒ T
(ii) H2 =⇒ T =⇒ H1
Consideremos a contrapositiva: H¯1 =⇒ H2 =⇒ T . Ent˜ ao, ¯ ∨T H¯1 −→ H2 −→ T = H¯1 −→ H 2 = H¯1 −→ H2 ∧ T¯
Portanto subsiste a seguinte equivalˆencia (H2 =⇒ T ) =⇒ H1 ⇐⇒ H¯1 =⇒ H2 ∧ T¯
(T-6) Teorema com hip´ otese composta (∨) Se a hip´ otese de um teorema ´e formada pela disjun¸ca˜o de duas outras, ´e v´alida a seguinte equivalˆencia H1 ∨ H2 =⇒ T ⇐⇒
H1 =⇒ T ∧ H2 =⇒ T
Prova: Provemos a seguinte equivalˆencia p ∨ q −→ r ⇐⇒
438
p −→ r ∧ q −→ r
De fato, p ∨ q −→ r = (p ∨ q) ∨ r = (¯ p ∧ q¯) ∨ r = p¯ ∨ r ∧ q¯ ∨ r = p −→ r ∧ q −→ r
(T-7) Teorema com tese composta (∨) Se a tese de um teorema ´e formada pela disjun¸ca˜o de duas outras, ´e v´alida a seguinte equivalˆencia H =⇒ T1 ∨ T2
⇐⇒
H ∧ T¯1 =⇒ T2
Prova: Provemos a seguinte equivalˆencia
p −→ ( q ∨ r ) ⇐⇒ ( p ∧ q¯ ) −→ r De fato, p −→ ( q ∨ r ) = p¯ ∨ ( q ∨ r ) = ( p¯ ∨ q ) ∨ r = ( p ∧ q¯ ) ∨ r = ( p ∧ q¯ ) −→ r
Resumo das T´ ecnicas de Demonstra¸ co ~es ¯ H ⇒ T ⇐⇒ T¯ ⇒ H
(T-2)
H ⇒ T ⇐⇒
(T-3)
H ⇒ T ⇐⇒ H1 ∧ H2 ⇒ T ⇐⇒
(T-4)
(T-5)
(T-6) (T-7) (T-8)
H1 ⇐⇒ H2 ⇒ T
(
H1 =⇒ H2 ⇒ T
H1 ⇐= H2 ⇒ T
H1 ∨ H2 ⇒ T ⇐⇒
H ⇒ T1 ∨ T2
H ∧ T¯ ⇒ T H ∧ T¯ ⇒ f ¯ H1 ∧ T¯ ⇒ H 2
⇐⇒
H ⇒ T ⇐⇒
(f =absurdo)
⇐⇒ H1 ∧ H2 ⇒ T
⇐⇒ H¯1 ⇒ H2 ∧ T¯
H 1 ⇒ T ∧ H2 ⇒ T
H ∧ T¯1 ⇒ T2 ¯ H ∧ T¯ ⇒ H
439
Gentil
(T-1)
Uma F´ ormula In´ edita “Gostei da sua f´ ormula.” Carlos Gustavo T. de A. Moreira (Gugu/IMPA) Nos livros de C´ alculo I constam algumas f´ormulas para se encontrar a soma de potˆencias dos n primeiros n´ umeros naturais, por exemplo: 1 + 2 + 3 + ··· + n = Ou ainda
n(n + 1) 2
1 2 + 2 2 + 3 2 + · · · + n2 =
n(2n + 1)(n + 1) 6
1 3 + 2 3 + 3 3 + · · · + n3 =
n2 (n + 1)2 4
Ou ainda
(8.4)
Durante muitos anos − por d´ecadas, por s´eculos − os matem´aticos estiveram `a procura de uma f´ ormula u ´nica que incluisse como caso especial as anteriores. . . Ningu´em teve ˆexito. Coube a mim materializar essa aspira¸ca˜o. Em 1997 demonstrei o seguinte: (p. 126) Teorema 16 (Gentil/1997). Sendo m um natural arbitrariamente fixado, ´e v´ alida a seguinte identidade: 1 m + 2 m + 3 m + · · · + nm = Onde:
j X
a(m−j) =
k=0
(−1)k
m X n a j + 1 (m−j) j=0
m j (1 − k + j) k
Prova: Ver [9]. Vejamos um exemplo de aplica¸ca˜o desta f´ormula (m = 3): 3 X n a 1 + 2 + 3 + ··· + n = j + 1 (3−j) j=0 3
3
3
3
n n n n = a + a + a + a 1 3 2 2 3 1 4 0 Onde: a(3−j) =
j X
k=0
(−1)k
3 j (1 − k + j) ; k
( j = 0, 1, 2, 3. )
Substituindo e simplificando chegamos ao resultado (8.4).
440
Referˆencias Bibliogr´aficas
´ [1] J¨anich, Klaus. Algebra Linear. Rio de Janeiro, RJ: LTC-Livros T´ecnicos e Cient´ıficos, 1998. [2] Callioli, Carlos A., Hygino H. Domingues, Roberto C.F. Costa. − 6. ed. rev. − ´ Algebra linear e aplica¸c˜ oes. S˜ ao Paulo: Atual, 1990. [3] Lipschutz, Seymour, Marc Lars Lipson; Tradu¸ca˜o: Dr. Claus Ivo Doering. − 4. ´ ed. − Algebra linear (Cole¸ca˜o Schaum). Porto Alegre: Bookman, 2011. ´ [4] Coelho, Fl´ avio Ulhoa., Mary Lilian Louren¸co . Um Curso de Algebra Linear. S˜ ao Paulo: Edusp, 2013.
´ [5] Lima, Elon Lages. − 7. ed. − Algebra Linear. Rio de Janeiro, RJ: IMPA, 2006. ´ [6] Poole, David. Algebra Linear. S˜ ao Paulo: Thomson, 2004.
´ [7] Lawson, Terry. Algebra Linear. Tradu¸ca˜o de Elza F. Gomide. S˜ ao Paulo: Editora Edgard Bl¨ ucher, 1997. ´ [8] Anton, Howard, Robert C. Busby. Algebra Linear Contemporˆ anea. Tradu¸ca˜o de Claus Ivo Doering. Porto Alegre: Bookman, 2006. [9] Silva, Gentil Lopes. Novas Seq¨ uˆencias Aritm´eticas e Geom´etricas. Bras´ılia - DF: THESAURUS EDITORA, 2000. [10] Silva, Gentil Lopes. Fundamentos dos N´ umeros (Tudo o que vocˆe gostaria de saber sobre os n´ umeros mas n˜ ao tinha a quem perguntar). Boa Vista-RR: Publica¸ca˜o Eletrˆ onica, 2016. ´ [11] Hefez, Abramo. Curso de Algebra, Volume 1. Rio de Janeiro: IMPA - CNPq, 1993.
441
´Indice Remissivo
´ Arduo e in´ospito, 338 ˆ Angulo entre vetores, 284
Desigualdade De Cauchy-Schwarz, 264 De Lagrange, 266 Algoritmo triangular, 267 da divis˜ao, 421 Diagonaliza¸ca˜o de Operador, 342 De Gram-Schmidt, 291 Dilata¸ca˜o e Contra¸ca˜o, 240 Gentil, 142 Dimens˜ ao de um espa¸co vetorial, 99 Para determinar uma base de um Distˆ ancia subespa¸co, 100 entre dois pontos, 266 Para encontrar a matriz de uma trans- Distˆ ancia entre vetores, 267 forma¸ca˜o, 189 Ego, transcender, 418 Automorfismos, 168 Einstein Autovalor, 322 1 + 1 6= 2, 77 Autovetor, 322 Enderˆec¸os, livros, 8 Base Equivalˆencia L´ ogica, 432 Canˆonica do Rn , 94 Equivalencias Not´ aveis, 433 De um espa¸co vetorial, 92 Espa¸co De C´odigos, 26 C´ odigo ASCII, 26 Dual, 224 C´ odigo bin´ ario, 27 Euclidiano, 258 Cˆ onicas e Qu´ adricas, 398 Funcional, 33 Capas, Gentil, 78, 126, 418 Hermitiniano, 318 Cisalhamento, 242 Vetorial, 12 Coeficientes de Fourier, 288 Vetorial complexo, 317 Combina¸co˜es lineares, 67 Vetorial finitamente gerado, 72 Complemento ortogonal, 298 Exemplo patol´ogico, 38 Conjuntos × Estruturas, 19 Forma linear, 224 Conjuntos ortonormais, 287 Formas bilineares, 371 Coordenadas de um vetor, 109 Formas bilineares antissim´etricas, 383 Corpos, 420 Formas bilineares sim´etricas, 379 Dean Radin, 126 Formas quadr´ aticas Defini¸ca˜o Defini¸ca˜o, 391 C´ odigo, 27 Diagonaliza¸ca˜o, 393 Desafio do S´eculo, 320 Mudan¸ca de vari´aveis, 395 Desafio: Engenheiros e f´ısicos, 11 Funcional linear, 224
442
Gentil Algoritmo, 142 Capa DQ, 418 Capa E.M., 78 Capa Gugu, 126 Capa NSSAG, 78 Desafio, 320 F´ormula c´ odigos, 31, 52 F´ormula in´edita, 440 Gregory Chaitin Leibniz, 306 Homotetia, 241 Identidade de um Elemento, 20 Identidade do paralelogramo, 280 Imagem de um conjunto, 128 Imagem Direta, 128 Implica¸ca˜o L´ ogica, 430 Isometria, 301 Isomorfismo, 169
Polinˆomio caracter´ıstico, 330, 331 Polinˆomios de Legendre, 295 Potˆencias de uma matriz, 359 Produto de vetores, 42 Produto Interno, 258 Produto interno de Norma, 309 Proposi¸ca˜o, 429 Quadro amarelo, 14 Resumo das t´ecnicas, 439 Rota¸ca˜o, 244, 246, 248 Subespa¸co pr´oprio, 327 Subespa¸cos Gerados, 68 Invariantes, 354 Soma de, 62 Soma direta, 64 Vetoriais, 53
T´ecnicas de demonstra¸ca˜o, 434 Teorema Ken Wilber Da invariˆancia, 98 Transcender o ego, 418 de Gersgorin, 363 Vida e morte, 418 de Pit´ agoras, 309 Do n´ u cleo e da imagem, 159 Leibniz e os bits, 306 Espectral, 355 ´ Matriz Fundamental da Algebra, 334 De mudan¸ca de base, 113 Transforma¸ca˜o de uma forma bilinear, 374 Bijetora, 132 De uma transforma¸ca˜o linear, 185 Identidade, 139 Invers´ıvel, 428 Injetora, 131 Valores pr´oprios e vetores pr´oprios, Linear, 134 331 N´ ucleo, 155 Matrizes semelhantes, 231 Nula (Zero), 140 Multiplicidade alg´ebrica, 334 Sobrejetora, 132 Multiplicidade geom´etrica, 334 Transforma¸co˜es Lineares Mundo, Vacuidade, 418 Composi¸ca˜o, 207 Do plano no plano, 237 N´ ucleo de uma transforma¸ca˜o linear, 155 Opera¸co˜es, 203 Norbert Wiener, 338 Norma, 271 Ubiratan D’Ambr´osio, 78 Norma e produto interno, 263 Vacuidade, Mundo, 418 Opera¸co˜es L´ ogicas, 430 Vetores Operador autoadjunto, 311 Linearmente dependentes, 80 Osho Linearmente independentes, 80 Vocˆe n˜ ao existe., 124 Ortogonais, 287 Poincar´e, 11, 43
443
Pelo que temos constatado não é difícil encontrar alunos que tenham cursado a disciplina álgebra linear e que, ao término, não sabem o que é um vetor. Dentre algumas possíveis explicações para este paradoxo gostaria de destacar uma em especial: o condicionamento. Com efeito, muitos alunos chegam nesta disciplina condicionados, por seus estudos anteriores, a imaginar que um vetor é um ente que possui módulo, direção e sentido. Se isto é verdade na física na matemática é integralmente falso.
Insistimos: na matemática um vetor não possui módulo, não possui direção, não possui sentido. Isto se deve a que as definições deste ente (vetor) são distintas nestas duas disciplinas. Embora, através de um malabarismo os vetores da física possam ser incluídos entre os vetores da matemática (como um caso especial), os vetores desta última vão muito mais além. A princípio são “pontos” em um espaço abstrato; e pontos não possuem nem módulo (comprimento), nem direção e nem sentido. Alguns vetores da matemática:
Para estes vetores não existe módulo, direção e sentido.
Gentil, o iconoclasta