Teoria espectral de operadores lineares limitados

Tamanho: px
Começar a partir da página:

Download "Teoria espectral de operadores lineares limitados"

Transcrição

1 Capítulo 8 Teoria espectral de operadores lineares limitados A teoria espectral é um dos ramos principais da análise funcional moderna e suas aplicações. Essencialmente consiste no inverso de certos operadores, nas suas propriedades e relação com os operadores originais. Como vimos no Capítulo 5, os operadores inversos surgem naturalmente na resolução de equações, sistemas de equações lineares, equações diferenciais, integrais, etc. A teoria espectral de operadores também ajuda a compreender os próprios operadores, como veremos mais adiante. Vamos começar com a teoria espectral de operadores em dimensão finita, a qual é essencialmente a teoria dos valores próprios de matrizes. Neste capítulo vamos excluir o espaço vectorial trivial {0} e admitiremos que todos os espaços vectoriais são complexos, isto é, o corpo subjacente é C. 8.1 Teoria espectral em espaços de dimensão finita Seja X um espaço normado de dimensão finita n e T : X X um operador linear. Então T pode ser representado por uma matriz n n, a qual, depende da escolha de uma base em X. Veremos que a teoria espectral de T reduz-se à teoria dos valores próprios da matriz associada a T. Assim, vamos investigar em primeiro lugar valores próprios e conceitos relacionados com matrizes n n. Seja A = (a i j ) n i, j=1 uma matriz n n real ou complexa. Os conceitos de valor próprio, vector próprio estão relacionados pela equação Ax = λx, λ C. (8.1) 179

2 A equação (8.1) pode escrever-se na forma matricial a 11 x 1 + a 12 x a 1n x n a 21 x 1 + a 22 x a 2n x n = a n1 x 1 + a n2 x a nn x n λx 1 λx 2. λx n ou ainda na forma de sistema de n equações a n incógnitas (a 11 λ)x 1 + a 12 x a 1n x n = 0 a 21 x 1 + (a 22 λ)x a 2n x n = a n1 x 1 + a n2 x (a nn λ)x n = 0. Se denotarmos o operador identidade em X por I, então (8.1) escreve-se Recordemos os seguintes factos da álgebra linear: (A λi)x = 0. (8.2) 1. A equação (8.2) tem uma solução x 0 se e só se o determinante da matriz A λi é igual a zero, isto é, det(a λi) = 0. Isto dá a equação característica de A a 11 λ a a 1n a det(a λi) = 21 a 22 λ... a 2n = a n1 a n2... a nn λ det(a λi) é chamado determinante característico de A. Desenvolvendo obtemos um polinómio em λ de grau n, chamado polinómio característico de A. 2. Por outro lado, se det(a λi) 0, então a equação (8.2) tem apenas a solução trivial x = De acordo com o teorema fundamental da álgebra, um polinómio de grau n tem pelo menos uma raiz complexa e não mais do que n raízes diferentes. Definição 8.1 Seja A = (a i j ) n i, j=1 uma matriz real ou complexa n n dada. Consideremos a equação Ax = λx, λ C. (8.3) 180

3 1. Um número λ C tal que a equação (8.3) tem solução não trivial x 0 chama-se valor próprio de A. O vector x 0 correspondente chama-se vector próprio associado ao valor próprio λ C. (a) Dado um valor próprio λ de A, o conjunto E(λ) := {x X Ax = λx} forma um subespaço vectorial de X o qual se chama subespaço próprio de A correspondente ao valor próprio λ. 2. O conjunto σ(a) de todos os valores próprios de A é chamado o espectro de A. 3. O complemento ρ(a) := C\σ(A) em C é chamado conjunto resolvente de A. Do que foi dito, concluímos que a matriz A tem pelo menos um valor próprio complexo e não mais do que n valores próprios diferentes. Por exemplo, a matriz A = ( ) tem por vectores próprios x1 = ( ) 4 1 e x2 = ( ) 1 1 os quais correspondem aos valores próprios λ 1 = 6 e λ 2 = 1, respectivamente. Vamos agora aplicar estas noções a operadores T B(X), onde X é um espaço normado de dimensão n <. Seja e = {e 1,..., e n } uma base arbitrária de X e T e = (a i j ) i, j=1 a matriz associada ao operador T relativamente à base e. Então os valores próprios da matriz T e são chamados os valores próprios do operador T o conjunto σ(t e ) o espectro de T e ρ(t e ) o conjunto resolvente de T. Assim definido, podemos pensar que o conjunto dos valores próprios, e o conjunto resolvente dependem da base escolhida. Temos, no entanto, a seguinte proposição. Proposição 8.2 Seja T B(X) um operador linear definido num espaço normado de dimensão finita. Então todas as matrizes representando o operador T nas diferentes bases têm os mesmos valores próprios. Podemos combinar os resultados anteriores para mostrar que um operador T B(X) possui pelo menos um valor próprio. Proposição 8.3 Todo o operador linear definido num espaço normado complexo de dimensão finita X {0} possui pelo menos um valor próprio. A conclusão da proposição anterior não é verdadeira no caso dos espaços de dimensão infinita, ver Exemplo 8.12 mais à frente. Exemplo 8.4 Mostre que os valores próprios de uma matriz A de Hermite 2 2 são reais. Prove que o mesmo resultado é verdadeiro para uma matriz Hermiteana n n qualquer. 181

4 Prova. Uma matriz A diz-se de Hermite se e só se A = Ā. Assim se A = ( a b c d), então ( ) ( ) a b ā c A = = = Ā c d b d. Portanto, temos a = ā, d = d, pelo que a, d R. Temos ainda b = c, por isso a matriz A pode escrever-se como ( ) a b A =. b d Assim, o polinómio característico de A é dado pelo desenvolvimento de det(a λi) = 0, ou seja, As raízes são (a λ)(d λ) b 2 = 0 λ 2 (a + d)λ + ad b 2 = 0 = 0. λ ± = (a + d) ± (a + d) 2 4(ad b 2 ) 2 = a + d ± 1 (a d)2 + 4 b 2 2 2, como (a d) b 2 > 0, então as raízes λ ± R. No caso geral, procedemos do seguinte modo Ax = λx x Ax = x λx λ = x Ax x x, onde x x é real e se N denotar x Ax, então assim, N é real e, portanto λ é real. N = N = x Ax = x Ā x = N, Exercícios Exercício 8.1 Encontre os valores e vectores próprios da matriz A = ( a R e b b b a), a, b

5 Exercício 8.2 Mostre que os valores próprios de uma matriz A anti-hermiteana (isto é, Ā T = A) são imaginários puros ou zero. Exercício 8.3 Mostre que os valores próprios de uma matriz A unitária (isto é, Ā = A 1 ) têm todos valor absoluto Teoria espectral dos operadores lineares limitados Nesta secção vamos considerar espaços normados de dimensão arbitrária. A teoria dos operadores lineares limitados nos espaços de dimensão infinita é bem mais complicada quando comparada com a mesma em dimensão finita. Seja T : D(T) X um operador linear, onde D(T) X e T λ, λ C o operador T λ := T λi, onde I é o operador identidade em D(T). Definição 8.5 (Operador resolvente) Se o operador T λ possui inverso, denotado por R λ (T), isto é, se existe R λ (T) := T 1 λ = (T λi) 1, então R λ (T) é chamado operador resolvente de T. É claro que se R λ (T) existe ele é linear. Observação 8.6 O nome resolvente é apropriado, visto que R λ (T) serve para resolver a equação T λ x = y. De facto, se R λ (T) existe, então x = R λ (T)y é solução da equação T λ x = y. Por outro lado, a investigação das propriedades do operador R λ (T) desempenham um papel relevante para compreender o próprio operador T. Definição 8.7 (Valor próprio) Seja T : D(T) X um operador linear com D(T) X. Um número complexo λ chama-se valor próprio do T se existe x 0 em X tal que T λ x = (T λi)x = 0. O vector x 0 chama-se vector próprio de T associado ao valor próprio λ. Note que se λ C é um valor próprio de T, então R λ (T) não existe, pois N(T λ ) {0}. 183

6 Definição 8.8 (Valor regular) Seja T : D(T) X um operador linear com D(T) X. Um número complexo λ chama-se valor regular de T se (R1) o operador R λ (T) existe e, portanto é um operador linear. (R2) O operador R λ (T) é limitado. (R3) O operador R λ (T) está definido num conjunto M denso em X, isto é, M = X. O conjunto ρ(t) de todos os valores regulares λ C do operador T chama-se conjunto resolvente de T. Definição 8.9 (Espectro) O complemento σ(t) = C\ρ(T) no plano complexo chama-se espectro de T e λ σ(t) diz-se um valor espectral de T. Pode provarse que o espectro σ(t) é a união disjunta dos seguintes conjuntos onde: σ(t) = σ d (T) σ c (T) σ r (T), σ d (T): é o espectro discreto de T, isto é, é o conjunto dos λ C tais que R λ (T) não existe. Portanto, se λ σ p (T), então λ é um valor próprio de T. σ c (T): é o espectro contínuo de T, isto é, é o conjunto dos λ C tais que o operador R λ (T) existe e satisfaz a condição 3. da Definição 8.8 mas não satisfaz a condição 2. da Definição 8.8, ou seja R λ (T) é ilimitado. σ r (T): é o espectro residual de T, isto é, é o conjunto dos λ C tais que R λ (T) existe e não satisfaz a condição 3. da Definição 8.8, ou seja, o domínio de R λ (T) não é denso em X. Neste caso R λ (T) pode ou não ser limitado. Podemos resumir as Definições 8.8 e 8.9 no seguinte quadro Sim Não Sim Não Sim Não Sim Não (R1) (R2) (R3) λ pertence a: ρ(t) σ d (T) σ c (T) σ r (T) 184

7 Em dimensão finita, isto é, dim X <, o conjunto σ d (T) e σ c (T) = σ r (T) =. Mas em dimensão infinita, isto é, dim X = pode acontecer que σ d (T) = no entanto o operador tem valores espectrais. O próximo exemplo apresenta um operador com esta propriedade, isto é, T possui valores espectrais que não são valores próprios. Exemplo 8.10 Seja X = l 2 (C) e T : l 2 (C) l 2 (C) definido por Tz := (0, z 1, z 2,...). Então T = 1, R 0 (T) existe e λ = 0 é um valor espectral de T mas λ = 0 não é um valor próprio de T. Prova. É fácil verificar que T = 1, pois Tz 2 = z n 2 = z 2 Tz = z, n=1 de onde resulta T = 1. Por outro lado, R 0 (T) = T 1 0 = (T 0I) 1 = T 1 existe. De facto, o inverso do operador de deslocamento direito é o operador de deslocamento esquerdo, sendo este definido em R(T), isto é, D(R 0 (T)) = R(T). Assim, se w = (0, w 1, w 2,...) R(T), então R 0 (T)w = (w 2, w 3,...) e R 0 (T) é um operador limitado; de facto, temos R 0 (T) = 1. É claro que no domínio D(R 0 (T)) temos T R 0 (T) = I e também R 0 (T) T = I. Mas λ = 0 não é um valor próprio de T, pois Tz = 0z (0, z 1, z 2,...) = 0 z 1 = z 2 =... = 0, logo z = 0 e, assim, λ = 0 não é valor próprio de T. Para ver que λ = 0 é um valor espectral de T basta ter em atenção o facto de D(R 0 (T)) não ser denso em l 2 (C), pois D(R 0 (T)) = { z l 2 (C) z 1 = 0 } e, por exemplo, o vector (1, 0,...) não pertence ao conjunto gerado por D(R 0 (T)). Assim, λ = 0 ρ(t) pelo que λ = 0 σ(t) ou seja, λ = 0 é um valor espectral de T em σ r (T). 185

8 De seguida vamos analisar com mais pormenor o problema da existência de valores próprios de operadores auto-adjuntos limitados. Seja H é um espaço de Hilbert complexo e T B(H) um operador auto-adjunto, isto é, (T x, y) = (x, Ty), x, y H. Ou seja, T = T e temos ainda que T = T. Por outro lado se T é autoadjunto, então (T x, x) é real, visto que H é complexo e, inversamente, se (T x, x) é real, então T é auto-adjunto, ver Teorema Teorema 8.11 Seja T B(H) um operador auto-adjunto em H. Então: 1. Todos os valores próprios de T (se existirem!) são reais. 2. Os vectores próprios correspondentes a valores próprios distintos são ortogonais. 3. Se λ é um valor próprio de T, então λ T. Prova. 1. Seja λ um valor próprio qualquer de T e x o vector próprio correspondente. Então x 0 e T x = λx. Como T é auto-adjunto, temos λ(x, x) = (λx, x) = (T x, x) = (x, T x) = (x, λx) = λ(x, x). Como (x, x) = x 2 Portanto, λ é real. 0 por x 0, então dividindo por (x, x) obtemos λ = λ. 2. Sejam λ,µ dois valores próprios de T distintos e x, y os vectores próprios correspondentes. Então T x = λx e T y = µy. Visto que T é auto-adjunto, temos λ(x, y) = (λx, y) = (T x, y) = (x, Ty) = (x, µy) = µ(x, y). Como por hipótese λ µ, então temos (λ µ)(x, y) = 0, de onde resulta que (x, y) = 0. Logo x y. 3. Tendo em conta a desigualdade e o facto de x 0, então λ T. λx = λ x = T x T x Um operador auto-adjunto pode não ter valores próprios, como mostra o seguinte exemplo. 186

9 Exemplo 8.12 Seja H = L 2 ([0, 1]) e T B(H) definido por T : L 2 ([0, 1]) L 2 ([0, 1]), x (T x)(t) := tx(t). Então T é linear limitado auto-adjunto sem valores próprios e σ(t) = σ c (T) = [0, 1]. Prova. É claro que T é linear limitado e auto-adjunto, pois, para quaisquer x, y L 2 ([0, 1]) temos (T x, y) = 1 0 (T x)(t)y(t)dt = 1 0 tx(t)y(t)dt = 1 De onde resulta T = T, isto é, T é auto-adjunto. Vamos provar que T não tem valores próprios. Temos (T λ x)(t) = ((T λi)x)(t) = (t λ)x(t). 0 x(t)ty(t)dt = (x, Ty). 1. Suponhamos que λ [0, 1], então (T λ x)(t) = 0 implica x(t) = 0 para t λ, logo x = 0, o elemento nulo em L 2 ([0, 1]). Assim, T λ é invertível e, deste modo, λ [0, 1] não pode ser valor próprio de T. O inverso Tλ 1 é dado por (T 1 λ x)(t) = (t λ) 1 x(t). (8.4) É claro que Tλ 1 não é limitado quando λ [0, 1] (quando t = λ, (Tλ 1x)(t) =!); como D(Tλ 1) é denso em L2 ([0, 1]), então concluímos que [0, 1] σ c (T). 2. Para λ R\[0, 1] o operador T λ também é injectivo e o seu inverso (dado por (8.4)) é limitado sendo o seu domínio denso em L 2 ([0, 1]). Logo R\[0, 1] ρ(t). Em resumo ρ(t) = R\[0, 1] σ(t) = σ c = [0, 1] σ p (T) = σ r (T) =. 187

10 Teorema 8.13 Seja T B(H) um operador linear limitado auto-adjunto no espaço de Hilbert complexo H. Então T = sup (T x, x). x =1 Prova. Pela desigualdade de Cauchy-Schwarz temos sup x =1 (T x, x) sup x =1 T x x sup T x = T. x =1 Vamos mostrar a desigualdade contrária. Podemos supor que T x 0 com x = 1, pois, caso contrário se T x = 0 para todos x com x = 1, então T = sup T x = 0 T = 0 x =1 e a desigualdade T sup x =1 (T x, x) é verdadeira neste caso. Assim, T x 0 com x = 1. Definimos v := T x x, w := 1 T x T x. Notemos, desde já que v 2 = w 2 = T x e para y 1 = v + w, y 2 = v w temos (Ty 1, y 1 ) (Ty 2, y 2 ) = 2[(Tv, w) + (Tw, v)] = 2((T x, T x) + (T 2 x, x)) = 4 T x 2. (8.5) Por outro lado, para qualquer y 0 e z = y 1 y y = y z, então (Ty, y) = y 2 (Tz, z) y 2 sup (Tz, z) = K y 2. z =1 Pela desigualdade triangular temos (Ty 1, y 1 ) (Ty 2, y 2 ) (Ty 1, y 1 ) + (Ty 2, y 2 ) sup (Tz, z) ( y y 2 2 ) z =1 = 2K( v 2 + w 2 ) = 4K T x. (8.6) 188

11 Portanto, de (8.5) e (8.6) resulta 4 T x 2 4K T x T x K. Tomando o supremo sobre todos os x com norma 1 obtemos a desigualdade desejada, isto é, T K = sup x =1 (T x, x). Teorema 8.14 O espectro residual σ r (T) de um operador T B(H) auto-adjunto é vazio. Prova. Suponhamos, com vista a um absurdo, que existe λ σ r (T). Assim, R λ (T) existe mas D(R λ (T)) não é denso em H. Se denotarmos L := D(R λ (T)), então H pode decompor-se como H = L L. Existe y H tal que y 0 e y D(R λ (T)) = L, ou seja y L. D(R λ (T)) = R(T λ ), então (T λ x, y) = 0, x H. Como Como T é auto-adjunto, então (x, T λ y) = 0, x H. Escolhendo x = T λ y resulta T λ y 2 = 0, ou seja, T λ y = 0 Ty = λy. Como y 0, isto mostra que λ é um valor próprio de T, logo λ não pode ser um elemento em σ r (T), absurdo. Assim, σ r (T) =. Exemplo 8.15 Considere o espaço de Hilbert l 2 (C), e o operador T B(l 2 (C)) definido por ( Tz = z 1, z 2 2,..., z ) n n,.... Mostre que T é auto-adjunto e compacto. Calcule o espectro de T. Prova. Vamos mostrar que T é auto-adjunto. De facto, para quaisquer z, w l 2 (C) temos z n (Tz, w) = n w 1 n = z n n w n = (z, Tw). n=1 n=1 Como por definição (Tz, w) = (z, T w), então (z, T w) = (z, Tw) (z, (T T)w) = 0, z l 2 (C). 189

12 Escolhendo z = (T T)w, obtemos (T T)w 2 = 0, w l 2 (C). Portanto, as propriedades de norma implicam que (T T)w = 0, w l 2 (C), ou seja T T = 0 e, portanto, T = T. Deste modo T é auto-adjunto. Pelo Exemplo 7.25 o operador T é compacto. Assim, do Teorema 8.14 resulta de imediato que, o espectro residual de T σ r (T) é vazio, isto é, σ r (T) =. Temos, pois σ(t) = σ d (T) σ c (T). Relativamente ao espectro discreto, isto é, o conjunto formado pelos valores próprios de T, temos ( Tz = λz z 1, z 2 2,..., z ) n n,... = (λz 1, λz 2,..., λz n,...), de onde resulta que λ { 1, 1, 1,... 1,...}. Portanto, σ 2 3 n d (T) = { 1, 1, 1,... 1,...}. 2 3 n Falta identificar o conjunto do espectro contínuo, isto é, o conjunto σ c (T) dos valores λ tais que Tλ 1 existe mas não é limitado. Para tal, vamos calcular o operador inverso Tλ 1 := (T λi) 1. Sejam z, w l 2 (C) dados, então T λ z = w z = T 1 λ w. Assim, T λ z = w (T λi)z = w ( z 1 λz 1, z 2 2 λz 2,..., z ) n n λz n,... = (w 1, w 2,..., w n,...), de onde resulta que z 1 = z 2 =.. z n =.. w 1 1 λ, 2w 2 1 2λ,. nw n 1 nλ. O operador inverso T 1 λ é dado por ( Tλ 1 w = w1 1 λ, 2w 2 1 2λ,..., nw n 1 nλ, ).

13 É claro que para λ { 1, 1, 1,... 1,...}, o operador está bem definido e D(T n λ ) = l 2 (C), de onde resulta que D(Tλ 1) é denso em l2 (C). Vamos, agora estudar Tλ 1 quanto à sua limitação: Tλ 1 w 2 = nw n 2 1 nλ = n 2 1 nλ w n 2. n=1 Para λ = 0 e w = e n = (0,... 0, 1, 0,...) (1 na posição n), então n=1 T 1 λ e n = n, lodo, passando ao supremo sobre todos os e n, n N, concluímos que Tλ 1 não é limitado. Isto prova que λ = 0 σ c (T), pois, T 0 é auto-adjunto (σ r (T) = ). Por outro lado, se λ 0, então como a sucessão n é crescente com limite 1, então 1 λn λ obtemos e, deste modo, temos T 1 1 λ σ(t) = λ T 1 λ w 1 λ w, 1, isto é, Tλ {1, 12, 13,... 1n },... é limitado. Portanto, {0}. Exercícios Exercício 8.4 Seja H = l 2 (C) o espaço de Hilbert das sucessões complexas de quadrado somável. Consideremos o operador T definido por ( T : l 2 (C) l 2 (C), x Tz := 0, z 1, z 2 2,..., z ) n n,.... Encontre o espectro do operador T. Exercício 8.5 Seja X = C([0, 1]) o espaço de Banach de todas as funções contínuas no intervalo [0, 1] e T : X X definida por Calcule o espectro de T. (T x)(t) = α(t)x(t), α C([0, 1]). 191

14 Exercício 8.6 Seja T : X X um operador linear limitado num espaço de Banach X tal que T < λ. Mostre que λ pertence ao conjunto resolvente de T, isto é, λ ρ(t). Conclua que σ(t) D T (C), onde D T (C) é o disco com centro na origem e raio T, isto é, D T (C) := {z C z T }. Exercício 8.7 Sendo X um espaço de Banach, encontre os seguintes objectos para o operador I: σ(i), R λ (I), Exercício 8.8 Seja X = C([0, 1]) o espaço de Banach e T B(X 2 ) o operador definido por ( ) ( ) 1 e (T x)(t) = t + 2 x1 (t) e t. 1 x 2 (t) Calcule o espectro de T. Calcule o operador R λ (T) para λ σ(t). Exercício 8.9 Sejam λ 1,... λ n valores próprios de uma n n-matriz A e p um polinómio de grau n, isto é, p(t) = α k t k. Mostre que p(λ j ), j = 1,..., n são valores próprios da matriz p(a). Exercício 8.10 Seja X = L 2 ([ 1, 1]) e T o operador definido por k=1 T : L 2 ([ 1, 1]) L 2 ([ 1, 1]), x (T x)(t) := 1 [0,1] (t)x(t). Calcule o espectro de T. Exercício 8.11 Seja T : l 1 (C) l 1 (C) o operador definido por Tz = (z 2, z 3,...). 1. Calcule a norma de T e o operador adjunto T. 2. Identifique os conjuntos σ(t) e ρ(t). Exercício 8.12 Sejam λ 1, λ 2 dois valores regulares de um operador T B(X). Mostre que 192

15 1. A seguinte identidade é verdadeira R λ1 (T) R λ2 (T) = (λ 1 λ 2 )R λ1 (T)R λ2 (T). 2. Os operadores R λ1 (T) e R λ2 (T) comutam, isto é [R λ1 (T), R λ2 (T)] = R λ1 (T)R λ2 (T) R λ2 (T)R λ1 (T) = A aplicação é contínua. ρ(t) λ R λ (T) B(X) Exercício 8.13 Mostre que se T B(X), então a aplicação ρ(t) λ R λ (T) B(X) tem derivada em qualquer ponto de λ ρ(t). 8.3 Teorema espectral Já vimos que os valores próprios de um operador auto-adjunto limitado T é real, cf. Teorema 8.3. Mas podemos mesmo mostrar que todo o espectro de T é real. Teorema 8.16 Seja T : H H um operador linear auto-adjunto limitado no espaço de Hilbert complexo H. 1. Então um número λ pertence ao conjunto resolvente ρ(t) se e só se existe uma constante c > 0 tal que, para todo x H, temos 2. O espectro σ(t) de T é real. T λ x c x, T λ := T λi. Prova. 1. Vamos somente mostrar a condição necessária. Se λ ρ(t), então R λ (T) = Tλ 1 : H H existe e é limitado. Assim, a norma de R λ (T) é, digamos, R λ (T) = k, onde k > 0. É claro que R λ (T)T λ = I e, portanto, para qualquer x H temos x = R λ (T)T λ x R λ (T) T λ x = k T λ x. 193

16 Deste modo, T λ x c x, onde c = 1/k. 2. Suponhamos, que λ = α+βi, β 0 com vista a provar que λ ρ(t); implicando que σ(t) R. Como T é auto-adjunto, então para qualquer x 0 em H, (T x, x), (x, x) são reais. Por outro lado, temos pelo que (T λ x, x) = (T x, x) λ(x, x), (T λ x, x) (T λ x, x) = (λ λ)(x, x) = 2iβ x 2. O lado esquerdo é igual a 2iIm(T λ x, x). Portanto, dividindo por 2, tomando o valor absoluto e usando a desigualdade de Cauchy-Schwarz, obtemos Dividindo por x 0 resulta que β x 2 = Im(T λ x, x) (T λ x, x) T λ x x. T λ x β x, β > 0 e, pela alínea anterior, λ ρ(t). Concluímos, pois, que se λ σ(t), então λ é real. Teorema 8.17 (Espectro) O espectro σ(t) de um operador T : H H limitado auto-adjunto está contido dentro do intervalo [m, M] do eixo real, onde m := inf (T x, x), x =1 M := sup(t x, x). Prova. Já sabemos pelo Teorema que o espectro σ(t) é real. Vamos mostrar que se λ = M + ε, ε > 0, então λ pertence ao conjunto resolvente ρ(t). Seja x 0 e definimos v := x 1 x de onde resulta x = x v. Assim, (T x, x) = x 2 (Tv, v) x =1 x 2 sup(tṽ, ṽ) ṽ =1 = (x, x)m. Daqui resulta (T x, x) (x, x)m e, pela desigualdade de Cauchy-Schwarz obtemos T λ x x (T λ x, x) = (T x, x) + λ(x, x) ( M + λ)(x, x) = c x 2, c := M + λ = ε >

17 Portanto, dividindo por x obtemos a desigualdade T λ x c x pelo que λ ρ(t) pelo Teorema Para λ < m a idea da prova é a mesma. O teorema seguinte mostra que se T = (T x 0, x 0 ) para algum x 0 H com x 0 = 1, então pelo menos um dos números T ou T é um valor próprio de T. Teorema 8.18 Seja T B(H) um operador auto-adjunto em H. 1. Se existe um vector x 0 H com x 0 = 1 e µ := sup (T x, x) = (T x 0, x 0 ), x =1 então µ é um valor próprio de T com vector próprio correspondente x Se existe um vector y 0 H com y 0 = 1 e λ := inf x =1 (T x, x) = (Ty 0, y 0 ), então λ é um valor próprio de T com vector próprio correspondente y 0. Prova. Sem prova. O teorema anterior dá uma condição necessária para existir um valor próprio de um operador auto-adjunto T, mas não dá a condição suficiente, isto é, quando é que (T x, x) tem um máximo ou mínimo no conjunto {x H x = 1}. O próximo teorema responde a esta questão. Teorema 8.19 Seja T B(H) um operador auto-adjunto e compacto. Então pelo menos um dos valores T ou T é um valor próprio de T. Prova. Se T = 0, então λ = 0 é um valor próprio de T, pois T x = λx para qualquer x 0. É claro que λ = T. Assim, suponhamos que T 0 e λ = T 0. Do Teorema 8.13 e definição de supremo, resulta a existência de uma sucessão (x n ) n=1 H com x n = 1 tal que lim n (T x n, x n ) T. (8.7) 195

18 Como T é compacto, então a sucessão (T x n ) n=1 possui uma subsucessão (Ty k) k=1 convergente. Por sua vez, a sucessão de números reais ((Ty k, y k )) n=1 possui uma subsucessão ((Tz l, z l )) l=1 convergente para um número real λ R com λ T. Vamos provar que lim z l = ϕ, e lim Tz l = λϕ. l l Como (Ty k ) k=1 é convergente, então a subsucessão (Tz l) l=1 também é convergente, digamos lim Tz l = ψ. l Assim, basta mostrar que Temos lim Tz l λz l = 0. (8.8) l Tz l λz l 2 = Tz l 2 λ(tz l, z l ) λ(z l, Tz l ) + λ 2 = Tz l 2 2λ(Tz l, z l ) + λ 2 ψ 2 λ 2. Temos ainda Tz l T = λ o que implica ψ λ. Daqui resulta a igualdade (8.8). Por outro lado, de lim l Tz l = ψ resulta a existência de um elemento ϕ H com ϕ = 1 tal que lim l z l = ϕ. Como T B(H), então lim l Tz l = Tϕ. Agora a igualdade (8.8) implica que Tϕ = λϕ, isto é, λ é um valor próprio de T. Corolário 8.20 Se T B(H) é auto-adjunto e compacto, então max (T x, x) x =1 existe e T = max (T x, x). x =1 196

19 Prova. Pelo Teorema 8.19, T é um valor próprio de T. Seja x o vector próprio correspondente a T tal que x = 1. Temos, logo (T x, x) = T. Assim, sup y =1 (T x, x) = ( T x, x) = T x 2 = T, (Ty, y) = T = (T x, x) = max (Ty, y). y =1 Observação 8.21 Se T B(H) é um operador auto-adjunto compacto, então a componente do espectro σ d (T) e ainda σ d (T) R, pois os valores próprios são reais. Num espaço euclidiano de dimensão finita, dado qualquer operador linear auto-adjunto, existe uma base ortonormada na qual a matriz associada ao operador é diagonal. Vamos estabelecer este resultado para os operadores auto-adjunto compactos definidos num espaço de Hilbert H. Antes disso, analisamos o caso de dimensão finita. Seja H = C n e T um operador linear auto-adjunto em H. Então T é limitado e podemos escolher uma base na qual T seja representado por uma matriz diagonal. O espectro de T consiste nos valores próprios da matriz de T, os quais são reais. Suponhamos que a matriz de T tem n valores próprios distintos λ 1 < λ 2 <... < λ n. Então os vectores próprios associados x 1, x 2,..., x n formam uma base de H, por estes serem ortogonais. Assim, qualquer x H pode representar-se como x = α i x i. = i=1 (x, x i )x i = i=1 x x i x i. (8.9) i=1 Aplicando T a x e usando o facto de x i ser um vector próprio de T, com valor próprio λ i, obtemos T x = λ i (x, x i )x i. (8.10) i=1 Embora T possa actuar de uma forma complicada em x, em cada parcela da soma (8.9) a sua acção é simples. Isto mostra a vantagem de usar os vectores próprios como base. Podemos ainda escrever a soma (8.10) de uma forma mais conveniente 197

20 com vista à sua generalização a espaços de Hilbert com dimensão infinita. Para cada vector próprio λ i associamos o subespaço próprio E(λ i ) definido por E(λ i ) = {x H T x = λ i x}. A projecção ortogonal P i := P λi sobre E(λ i ) é definida da seguinte forma P i : H E(λ i ), x P i (x) := α i x i. P i está bem definida, de facto para cada x H, P i (x) E(λ i ), visto que T(P i (x)) = α i T x i = λ i α i x i = λ i P i (x). Portanto, a igualdade (8.9) pode escrever-se como x = P i x = I = e a igualdade (8.10) dá lugar a T x = λ i P i x = T = i=1 i=1 i=1 P i P i. (8.11) Isto é a representação de T em termos de projecções e dos valores próprios. Por outras palavras, o espectro de T é utilizado para obter a representação de T, dada em (8.11), em termos de operadores simples como são as projecções P i. Teorema 8.22 (Espectral) Seja T B(H) um operador auto-adjunto e compacto. Então 1. Existe um sistema ortogonal (e n ) n=1 de vectores próprios de T com valores próprios correspondentes (λ n ) n=1 tal que para qualquer x H temos T x = λ n (x, e n )e n. Se (λ n ) n=1 é uma sucessão infinita, então λ n 0, n. n=1 2. Inversamente, se (e n ) n=1 é um sistema ortogonal em H e (λ n) n=1 é uma sucessão de números reais finita ou infinita tal que λ n 0, então o operador T definido por T x := λ n (x, e n )e n é linear auto-adjunto e compacto. Prova. Sem prova. n=1 i=1 198

21 Exercícios Exercício 8.14 Seja T um operador compacto auto-adjunto em H cuja representação espectral é dada por (8.11). Mostre que 1. Para qualquer k N temos T k = λ k i P i. i=1 2. Para qualquer z ρ(t) e x H, temos T 1 z x = (λ i z) 1 P i x. i=1 Exercício 8.15 Um subespaço X H diz-se invariante sob a acção de um operador T B(H) se T(X) X, isto é, T x X, para qualquer x X. 1. Mostre que o subespaço próprio E(λ) do operador T associado a λ é invariante. 2. Mostre que se X H é um subespaço invariante do operador T B(H), então X é um subespaço invariante de T. 199

Operadores em espaços normados

Operadores em espaços normados Capítulo 7 Operadores em espaços normados Neste capítulo vamos introduzir uma série de operadores em espaços normados os quais são muito úteis, nomeadamente, na resolução de equações envolvendo operadores.

Leia mais

Parte II. Análise funcional II

Parte II. Análise funcional II Parte II Análise funcional II 12 Capítulo 5 Produto de Operadores. Operadores inversos Neste capítulo vamos introduzir a noção de produto de operadores assim como a de operador invertível. Para tal precisamos

Leia mais

Convergência em espaços normados

Convergência em espaços normados Chapter 1 Convergência em espaços normados Neste capítulo vamos abordar diferentes tipos de convergência em espaços normados. Já sabemos da análise matemática e não só, de diferentes tipos de convergência

Leia mais

Teoremas fundamentais dos espaços normados

Teoremas fundamentais dos espaços normados Capítulo 9 Teoremas fundamentais dos espaços normados 9.1 Teorema de Hahn-Banach O próximo teorema, conhecido como teorema de Hahn-Banach, é uma generalização do Teorema 4.12, o qual, recordamos para conveniência

Leia mais

d(t x, Ty) = d(x, y), x, y X.

d(t x, Ty) = d(x, y), x, y X. Capítulo 6 Espaços duais 6.1 Preliminares A análise funcional foi nos seus primórdios o estudo de funcionais. Assim, nos dias de hoje um princípio fundamental da análise funcional é a investigação de espaços

Leia mais

Teoria Espectral em Espaços de Hilbert

Teoria Espectral em Espaços de Hilbert Teoria Espectral em Espaços de Hilbert Departamento de Análise Instituto de Matemática e Estatística Universidade Federal Fluminense 22 de setembro de 2016 Espaços Vetoriais de Dimensão Finita Sejam V

Leia mais

Álgebra Linear. Determinantes, Valores e Vectores Próprios. Jorge Orestes Cerdeira Instituto Superior de Agronomia

Álgebra Linear. Determinantes, Valores e Vectores Próprios. Jorge Orestes Cerdeira Instituto Superior de Agronomia Álgebra Linear Determinantes, Valores e Vectores Próprios Jorge Orestes Cerdeira Instituto Superior de Agronomia - 200 - ISA/UTL Álgebra Linear 200/ 2 Conteúdo Determinantes 5 2 Valores e vectores próprios

Leia mais

Noções de Álgebra Linear

Noções de Álgebra Linear Noções de Álgebra Linear 1. Espaços vetoriais lineares 1.1. Coordenadas 2. Operadores lineares 3. Subespaços fundamentais 4. Espaços normados 5. Espaços métricos 6. Espaços de Banach 7. Espaços de Hilbert

Leia mais

ALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral

ALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral Módulo 9 ALGA I. Operadores auto-adjuntos (simétricos e hermitianos). Teorema espectral Contents 9.1 Operadores auto-adjuntos (simétricos e hermitianos) 136 9. Teorema espectral para operadores auto-adjuntos...........

Leia mais

Análise Complexa e Equações Diferenciais 1 ō Semestre 2016/2017

Análise Complexa e Equações Diferenciais 1 ō Semestre 2016/2017 Análise Complexa e Equações Diferenciais 1 ō Semestre 016/017 ō Teste Versão A (Cursos: MEBiol, MEQ 17 de Dezembro de 016, 10h [,0 val 1 Considere a equação diferencial e t + y e t + ( 1 + ye t dy dt 0

Leia mais

Matrizes Semelhantes e Matrizes Diagonalizáveis

Matrizes Semelhantes e Matrizes Diagonalizáveis Diagonalização Matrizes Semelhantes e Matrizes Diagonalizáveis Nosso objetivo neste capítulo é estudar aquelas transformações lineares de R n para as quais existe pelo menos uma base em que elas são representadas

Leia mais

ficha 5 transformações lineares

ficha 5 transformações lineares Exercícios de Álgebra Linear ficha 5 transformações lineares Exercícios coligidos por Jorge Almeida e Lina Oliveira Departamento de Matemática, Instituto Superior Técnico 2 o semestre 2011/12 5 Notação

Leia mais

Diagonalização. Operador diagonalizável

Diagonalização. Operador diagonalizável Operador linear Diagonalização Se T: V V for uma transformação linear definida no espaço vectorial V, então T designa-se por operador linear. A representação matricial de um operador linear depende da

Leia mais

ALGA I. Bases, coordenadas e dimensão

ALGA I. Bases, coordenadas e dimensão Módulo 5 ALGA I. Bases, coordenadas e dimensão Contents 5.1 Bases, coordenadas e dimensão............. 58 5.2 Cálculos com coordenadas. Problemas......... 65 5.3 Mudanças de base e de coordenadas..........

Leia mais

INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o

INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)

Leia mais

MAT ÁLGEBRAS DE OPERADORES 2 SEMESTRE DE 2017 LISTA DE PROBLEMAS

MAT ÁLGEBRAS DE OPERADORES 2 SEMESTRE DE 2017 LISTA DE PROBLEMAS MAT 5818 - ÁLGEBRAS DE OPERADORES 2 SEMESTRE DE 2017 LISTA DE PROBLEMAS 1) Mostre que M n (C) munida da norma ((a jk )) 1 j,k n = k=1 2) Defina na álgebra C[X] dos polinômios complexos na variável X a

Leia mais

Álgebra Linear Teoria de Matrizes

Álgebra Linear Teoria de Matrizes Álgebra Linear Teoria de Matrizes 1. Sistemas Lineares 1.1. Coordenadas em espaços lineares: independência linear, base, dimensão, singularidade, combinação linear 1.2. Espaço imagem (colunas) - Espaço

Leia mais

Capítulo 5. Operadores Auto-adjuntos. Curso: Licenciatura em Matemática. Professor-autor: Danilo Felizardo Barboza Wilberclay Gonçalves Melo

Capítulo 5. Operadores Auto-adjuntos. Curso: Licenciatura em Matemática. Professor-autor: Danilo Felizardo Barboza Wilberclay Gonçalves Melo Capítulo 5 Operadores Auto-adjuntos Curso: Licenciatura em Matemática Professor-autor: Danilo Felizardo Barboza Wilberclay Gonçalves Melo Disciplina: Álgebra Linear II Unidade II Aula 5: Operadores Auto-adjuntos

Leia mais

Modelagem Computacional. Parte 7 2

Modelagem Computacional. Parte 7 2 Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,

Leia mais

3 a Avaliação Parcial - Álgebra Linear

3 a Avaliação Parcial - Álgebra Linear 3 a Avaliação Parcial - Álgebra Linear - 016.1 1. Considere a função T : R 3 R 3 dada por T(x, y, z) = (x y z, x y + z, x y z) e as bases de R 3 B = (1, 1, 1), (1, 0, 1), ( 1,, 0)} (a) Encontre [T] B B.

Leia mais

. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1

. (1) Se S é o espaço vetorial gerado pelos vetores 1 e,0,1 QUESTÕES ANPEC ÁLGEBRA LINEAR QUESTÃO 0 Assinale V (verdadeiro) ou F (falso): (0) Os vetores (,, ) (,,) e (, 0,) formam uma base de,, o espaço vetorial gerado por,, e,, passa pela origem na direção de,,

Leia mais

) a sucessão definida por y n

) a sucessão definida por y n aula 05 Sucessões 5.1 Sucessões Uma sucessão de números reais é simplesmente uma função x N R. É conveniente visualizar uma sucessão como uma sequência infinita: (x(), x(), x(), ). Neste contexto é usual

Leia mais

ficha 4 valores próprios e vectores próprios

ficha 4 valores próprios e vectores próprios Exercícios de Álgebra Linear ficha 4 valores próprios e vectores próprios Exercícios coligidos por Jorge Almeida e Lina Oliveira Departamento de Matemática, Instituto Superior Técnico 2 o semestre 2011/12

Leia mais

Curso: MAT 221- CÁLCULO DIFERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008

Curso: MAT 221- CÁLCULO DIFERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008 Curso: MAT 221- CÁLCULO DIERENCIAL E INTEGRAL IV Professor Oswaldo Rio Branco de Oliveira Período: Segundo Semestre de 2008 SÉRIES E SOMAS EM ÁLGEBRAS: C([a, b]), M n n (R), M n n (C), etc. O PRODUTO DE

Leia mais

Álgebra Linear e Geometria Analítica

Álgebra Linear e Geometria Analítica Instituto Politécnico de Viseu Escola Superior de Tecnologia Departamento: Matemática Álgebra Linear e Geometria Analítica Curso: Engenharia Electrotécnica Ano: 1 o Semestre: 1 o Ano Lectivo: 007/008 Ficha

Leia mais

= f(0) D2 f 0 (x, x) + o( x 2 )

= f(0) D2 f 0 (x, x) + o( x 2 ) 6 a aula, 26-04-2007 Formas Quadráticas Suponhamos que 0 é um ponto crítico duma função suave f : U R definida sobre um aberto U R n. O desenvolvimento de Taylor de segunda ordem da função f em 0 permite-nos

Leia mais

5 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão 2009

5 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão 2009 5 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão 29 Soluções dos exercícios Devido ao fato de A ser simétrica, existe uma base ortonormal {u,, u n } formada por autovetores de A, então

Leia mais

UFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 2017/2 - Mestrado

UFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 2017/2 - Mestrado UFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 27/2 - Mestrado A prova é composta de 6 (seis) questões, das quais o candidato

Leia mais

Exercício: Identifique e faça um esboço do conjunto solução da. 3x xy + y 2 + 2x 2 3y = 0

Exercício: Identifique e faça um esboço do conjunto solução da. 3x xy + y 2 + 2x 2 3y = 0 Motivação Exercício: Identifique e faça um esboço do conjunto solução da equação 3x 2 + 2 3xy + y 2 + 2x 2 3y = 0 Motivação Exercício: Identifique e faça um esboço do conjunto solução da equação 3x 2 +

Leia mais

Valores e vectores próprios

Valores e vectores próprios Valores e vectores próprios Álgebra Linear C (Engenharia Biológica) 0 de Dezembro de 006 Conteúdo Motivação e definições Propriedades 4 3 Matrizes diagonalizáveis 5 Motivação e definições Considere a matriz

Leia mais

Lista de exercícios 6 Espaços Vetoriais

Lista de exercícios 6 Espaços Vetoriais Universidade Federal do Paraná semestre 016. Algebra Linear, Olivier Brahic Lista de exercícios 6 Espaços Vetoriais Exercícios da Seção 3. Exercício 1: Determine se os seguintes conjuntos formam subespaços

Leia mais

Análise Matemática III - Turma especial

Análise Matemática III - Turma especial Análise Matemática III - Turma especial Fichas 1 a 5 - Solução parcial 1.3 Seja D E k um conjunto fechado. Uma transformação T : D D diz-se uma contracção se existe c < 1 tal que para todos os x, y D se

Leia mais

Capítulo 4 - Valores e Vectores Próprios

Capítulo 4 - Valores e Vectores Próprios Capítulo 4 - Valores e Vectores Próprios Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática I - 1 o Semestre 2011/2012 Matemática I 1/ 17

Leia mais

Quinta lista de Exercícios - Análise Funcional, período Professor: João Marcos do Ó. { 0 se j = 1 y j = (j 1) 1 x j 1 se j 2.

Quinta lista de Exercícios - Análise Funcional, período Professor: João Marcos do Ó. { 0 se j = 1 y j = (j 1) 1 x j 1 se j 2. UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE MATEMÁTICA PÓS-GRADUAÇÃO EM MATEMÁTICA Quinta lista de Exercícios - Análise Funcional, período 2009.2. Professor:

Leia mais

Espaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:

Espaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números

Leia mais

1 Determinantes, traços e o teorema espectral para operadores arbitrários

1 Determinantes, traços e o teorema espectral para operadores arbitrários Álgebra Linear e Aplicações - Lista para Segunda Prova Nestas notas, X, Y,... são espaços vetoriais sobre o mesmo corpo F {R, C}. Você pode supor que todos os espaços têm dimensão finita. (x, y) = (x,

Leia mais

A forma canônica de Jordan

A forma canônica de Jordan A forma canônica de Jordan 1 Matrizes e espaços vetoriais Definição: Sejam A e B matrizes quadradas de orden n sobre um corpo arbitrário X. Dizemos que A é semelhante a B em X (A B) se existe uma matriz

Leia mais

Álgebra Linear Exercícios Resolvidos

Álgebra Linear Exercícios Resolvidos Álgebra Linear Exercícios Resolvidos Agosto de 001 Sumário 1 Exercícios Resolvidos Uma Revisão 5 Mais Exercícios Resolvidos Sobre Transformações Lineares 13 3 4 SUMA RIO Capítulo 1 Exercícios Resolvidos

Leia mais

Sistemas de Equações Diferenciais Lineares

Sistemas de Equações Diferenciais Lineares Capítulo 9 Sistemas de Equações Diferenciais Lineares Agora, estamos interessados em estudar sistemas de equações diferenciais lineares de primeira ordem: Definição 36. Um sistema da linear da forma x

Leia mais

ÁLGEBRA LINEAR I - MAT0032

ÁLGEBRA LINEAR I - MAT0032 UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT0032 11 a Lista de

Leia mais

1 Álgebra linear matricial

1 Álgebra linear matricial MTM510019 Métodos Computacionais de Otimização 2018.2 1 Álgebra linear matricial Revisão Um vetor x R n será representado por um vetor coluna x 1 x 2 x =., x n enquanto o transposto de x corresponde a

Leia mais

Introduzir os conceitos de base e dimensão de um espaço vetorial. distinguir entre espaços vetoriais de dimensão fnita e infinita;

Introduzir os conceitos de base e dimensão de um espaço vetorial. distinguir entre espaços vetoriais de dimensão fnita e infinita; META Introduzir os conceitos de base e dimensão de um espaço vetorial. OBJETIVOS Ao fim da aula os alunos deverão ser capazes de: distinguir entre espaços vetoriais de dimensão fnita e infinita; determinar

Leia mais

Álgebra Linear I - Aula Autovetores e autovalores de uma transformação

Álgebra Linear I - Aula Autovetores e autovalores de uma transformação Álgebra Linear I - Aula 18 1. Autovalores e autovetores. 2. Cálculo dos autovetores e autovalores. Polinômio característico. Roteiro 1 Autovetores e autovalores de uma transformação linear Considere uma

Leia mais

GAAL Exercícios 6: Umas soluções

GAAL Exercícios 6: Umas soluções GAAL Exercícios 6: Umas soluções. Quais dos seguintes vetores são combinação linear de u = (5, 3, ), v = (, 4, 3), w = (, 8, 7)? (a) (, 2, 5) (b) (, 2, 8) (c) ( 2, ) (d) (, 2, 3). O conjunto {u, v, w}

Leia mais

Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais

Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Teorema da Triangularização de Schur e Diagonalização de Matrizes Normais Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 16 de novembro

Leia mais

MAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de T ( p(x) ) = p(x + 1) p(x), (a) 8, (b) 5, (c) 0, (d) 3, (e) 4.

MAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de T ( p(x) ) = p(x + 1) p(x), (a) 8, (b) 5, (c) 0, (d) 3, (e) 4. MAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de 218 Q1. Considere a transformação linear T : P 3 (R) P 2 (R), dada por T ( p(x) ) = p(x + 1) p(x), para todo p(x) P 3 (R), e seja A

Leia mais

Aula 1 Autovetores e Autovalores de Matrizes Aula 2 Autovetores e Autovalores de Matrizes Casos Especiais 17

Aula 1 Autovetores e Autovalores de Matrizes Aula 2 Autovetores e Autovalores de Matrizes Casos Especiais 17 Sumário Aula 1 Autovetores e Autovalores de Matrizes.......... 8 Aula 2 Autovetores e Autovalores de Matrizes Casos Especiais 17 Aula 3 Polinômio Característico................. 25 Aula 4 Cálculo de Autovalores

Leia mais

Unidade 22 - Teorema espectral para operadores simétricos, reconhecimento de cônicas. A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa

Unidade 22 - Teorema espectral para operadores simétricos, reconhecimento de cônicas. A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa MA33 - Introdução à Álgebra Linear Unidade 22 - Teorema espectral para operadores simétricos, reconhecimento de cônicas A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa PROFMAT - SBM 10 de agosto

Leia mais

Lista 8 de Análise Funcional - Doutorado 2018

Lista 8 de Análise Funcional - Doutorado 2018 Lista 8 de Análise Funcional - Doutorado 2018 Professor Marcos Leandro 17 de Junho de 2018 1. Sejam M um subespaço de um espaço de Hilbert H e f M. Mostre que f admite uma única extensão para H preservando

Leia mais

1 a Lista de Exercícios de MAT3458 Escola Politécnica 2 o semestre de 2016

1 a Lista de Exercícios de MAT3458 Escola Politécnica 2 o semestre de 2016 1 a Lista de Exercícios de MAT3458 Escola Politécnica o semestre de 16 1 Para que valores de t R a função definida por (x 1, x ), (y 1, y ) = x 1 y 1 + tx y é um produto interno em R? Para cada par de

Leia mais

ALGA I. Representação matricial das aplicações lineares

ALGA I. Representação matricial das aplicações lineares Módulo 6 ALGA I Representação matricial das aplicações lineares Contents 61 Matriz de uma aplicação linear 76 62 Cálculo do núcleo e imagem 77 63 Matriz da composta 78 64 GL(n Pontos de vista passivo e

Leia mais

Escola de Inverno de Matemática Fevereiro. Matrizes. Relações entre o Finito e o Infinito. Pedro A. Santos

Escola de Inverno de Matemática Fevereiro. Matrizes. Relações entre o Finito e o Infinito. Pedro A. Santos Escola de Inverno de Matemática 2010 4-9 Fevereiro Matrizes Relações entre o Finito e o Infinito Pedro A. Santos CEAF / Instituto Superior Técnico Universidade Técnica de Lisboa Portugal Dentro da Matemática...

Leia mais

Autovalores e Autovetores Determinante de. Motivando com Geometria Definição Calculando Diagonalização Teorema Espectral:

Autovalores e Autovetores Determinante de. Motivando com Geometria Definição Calculando Diagonalização Teorema Espectral: Lema (determinante de matriz ) A B A 0 Suponha que M = ou M =, com A e D 0 D C D matrizes quadradas Então det(m) = det(a) det(d) A B Considere M =, com A, B, C e D matrizes C D quadradas De forma geral,

Leia mais

Equação Geral do Segundo Grau em R 2

Equação Geral do Segundo Grau em R 2 8 Equação Geral do Segundo Grau em R Sumário 8.1 Introdução....................... 8. Autovalores e autovetores de uma matriz real 8.3 Rotação dos Eixos Coordenados........... 5 8.4 Formas Quadráticas..................

Leia mais

ÁLGEBRA LINEAR - MAT0024

ÁLGEBRA LINEAR - MAT0024 UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR - MAT0024 11 a Lista de exercícios

Leia mais

1.3 Conjuntos de medida nula

1.3 Conjuntos de medida nula 1.3 Conjuntos de medida nula Seja (X, F, µ) um espaço de medida. Um subconjunto A X é um conjunto de medida nula se existir B F tal que A B e µ(b) = 0. Do ponto de vista da teoria da medida, os conjuntos

Leia mais

Álgebra Linear. 8 a Lista: a) Use o processo de ortogonalização de Gram Schmidt para construir uma base ortonormada para W.

Álgebra Linear. 8 a Lista: a) Use o processo de ortogonalização de Gram Schmidt para construir uma base ortonormada para W. Álgebra Linear Cursos: Química, Engenharia Química, Engenharia de Materiais, Engenharia Biológica, Engenharia do Ambiente 1 ō ano/1 ō Semestre 2006/07 8 a Lista: Nos exercícios em que n~ao se especifica

Leia mais

CM005 Álgebra Linear Lista 3

CM005 Álgebra Linear Lista 3 CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ

Leia mais

Resolução do efólio B

Resolução do efólio B Resolução do efólio B Álgebra Linear I Código: 21002 I. Questões de escolha múltipla. Em cada questão de escolha múltipla apenas uma das afirmações a), b), c), d) é verdadeira. Indique-a marcando no quadrado

Leia mais

0 1. Assinale a alternativa verdadeira Q1. Seja A = (d) Os autovalores de A 101 são i e i. (c) Os autovalores de A 101 são 1 e 1.

0 1. Assinale a alternativa verdadeira Q1. Seja A = (d) Os autovalores de A 101 são i e i. (c) Os autovalores de A 101 são 1 e 1. Nesta prova, se V é um espaço vetorial, o vetor nulo de V será denotado por 0 V. Se u 1,...,u n forem vetores de V, o subespaço de V gerado por {u 1,...,u n } será denotado por [u 1,...,u n ]. O operador

Leia mais

Valores e vectores próprios

Valores e vectores próprios ALGA - Eng Civil e EngTopográ ca - ISE - / - Valores e vectores próprios 5 Valores e vectores próprios Neste capítulo, sempre que não haja especi cação em contrário, todas as matrizes envolvidas são quadradas

Leia mais

ÁLGEBRA LINEAR A FICHA 6. Por definição do determinante de uma matriz 3 3, tem-se det A = 7.

ÁLGEBRA LINEAR A FICHA 6. Por definição do determinante de uma matriz 3 3, tem-se det A = 7. Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualização: 20/Nov/2003 ÁLGEBRA LINEAR A FICHA 6 SOLUÇÕES SUMÁRIAS DOS EXERCÍCIOS ÍMPARES Propriedades dos Determinantes

Leia mais

Ficha de Exercícios nº 3

Ficha de Exercícios nº 3 Nova School of Business and Economics Álgebra Linear Ficha de Exercícios nº 3 Transformações Lineares, Valores e Vectores Próprios e Formas Quadráticas 1 Qual das seguintes aplicações não é uma transformação

Leia mais

Instituto Superior Técnico Departamento de Matemática Última actualização: 18/Nov/2003 ÁLGEBRA LINEAR A

Instituto Superior Técnico Departamento de Matemática Última actualização: 18/Nov/2003 ÁLGEBRA LINEAR A Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualização: 18/Nov/2003 ÁLGEBRA LINEAR A REVISÃO DA PARTE III Parte III - (a) Ortogonalidade Conceitos: produto

Leia mais

Produto interno e produto vetorial no espaço

Produto interno e produto vetorial no espaço 14 Produto interno e produto vetorial no espaço Sumário 14.1 Produto interno.................... 14. Produto vetorial.................... 5 14..1 Interpretação geométrica da norma do produto vetorial.......................

Leia mais

Geometria anaĺıtica e álgebra linear

Geometria anaĺıtica e álgebra linear Geometria anaĺıtica e álgebra linear Francisco Dutenhefner Departamento de Matematica ICEx UFMG 22/08/13 1 / 24 Determinante: teorema principal Teorema: Se A é uma matriz quadrada, então o sistema linear

Leia mais

10 a Lista de Exercícios

10 a Lista de Exercícios Álgebra Linear Licenciaturas: Eng. Biológica, Eng. Ambiente, Eng. Química, Química 1 ō ano 2004/05 10 a Lista de Exercícios Problema 1. Decida quais das expressões seguintes definem um produto interno.

Leia mais

Topologia. Fernando Silva. (Licenciatura em Matemática, 2007/2008) 13-agosto-2018

Topologia. Fernando Silva. (Licenciatura em Matemática, 2007/2008) 13-agosto-2018 Topologia (Licenciatura em Matemática, 2007/2008) Fernando Silva 13-agosto-2018 A última revisão deste texto está disponível em http://webpages.fc.ul.pt/~fasilva/top/ Este texto é uma revisão do texto

Leia mais

O TEOREMA ESPECTRAL PARA OPERADORES SIMÉTRICOS. Marco Antonio Travassos 1, Fernando Pereira Sousa 2

O TEOREMA ESPECTRAL PARA OPERADORES SIMÉTRICOS. Marco Antonio Travassos 1, Fernando Pereira Sousa 2 31 O TEOREMA ESPECTRAL PARA OPERADORES SIMÉTRICOS Marco Antonio Travassos 1, Fernando Pereira Sousa 2 1 Aluno do Curso de Matemática CPTL/UFMS, bolsista do Grupo PET Matemática/CPTL/UFMS; 2 Professor do

Leia mais

Prova: Usando as definições e propriedades de números reais, temos λz = λx + iλy e

Prova: Usando as definições e propriedades de números reais, temos λz = λx + iλy e Lista Especial de Exercícios de Física Matemática I Soluções (Número complexo, sequência de Cauchy, função exponencial e movimento hamônico simples) IFUSP - 8 de Agosto de 08 Exercício Se z x + iy, x,

Leia mais

ÁLGEBRA LINEAR. Exame Final

ÁLGEBRA LINEAR. Exame Final UNIVERSIDADE DE AVEIRO DEPARTAMENTO DE MATEMÁTICA ÁLGEBRA LINEAR Exame Final 9/0/00 DURAÇÃO: 3 horas Nome: N o Aluno: Observação: Declaro que desisto: (Justifique sempre as suas respostas) Folha. (4,0

Leia mais

3 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão e B =

3 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão e B = 3 a Lista de Exercícios de Introdução à Álgebra Linear IMPA - Verão 2008. (a) Ache os auto-valores e auto-vetores de A = 3 4 2 0 2 0 0 0 e B = 0 0 2 0 2 0 2 0 0 (b) Mostre que λ + λ 2 + λ 3 é igual ao

Leia mais

Exponencial de uma matriz

Exponencial de uma matriz Exponencial de uma matriz Ulysses Sodré Londrina-PR, 21 de Agosto de 2001; Arquivo: expa.tex Conteúdo 1 Introdução à exponencial de uma matriz 2 2 Polinômio característico, autovalores e autovetores 2

Leia mais

Álgebra Linear I - Lista 10. Matrizes e Transformações lineares. Respostas

Álgebra Linear I - Lista 10. Matrizes e Transformações lineares. Respostas Álgebra Linear I - Lista 1 Matrizes e Transformações lineares Respostas 1 Sejam A e B matrizes quadradas do mesmo tamanho Dê um exemplo onde (A + B 2 A 2 + 2A B + B 2 Complete: (A + B 2 = A 2 + B 2 +?

Leia mais

Universidade Federal de Viçosa Centro de Ciências Exatas - CCE Departamento de Matemática Primeira Lista de MAT641 - Análise no R n

Universidade Federal de Viçosa Centro de Ciências Exatas - CCE Departamento de Matemática Primeira Lista de MAT641 - Análise no R n Universidade Federal de Viçosa Centro de Ciências Exatas - CCE Departamento de Matemática Primeira Lista de MAT641 - Análise no R n 1. Exercícios do livro Análise Real, volume 2, Elon Lages Lima, páginas

Leia mais

Interbits SuperPro Web

Interbits SuperPro Web 1 (Ita 018) Uma progressão aritmética (a 1, a,, a n) satisfaz a propriedade: para cada n, a soma da progressão é igual a n 5n Nessas condições, o determinante da matriz a1 a a a4 a5 a 6 a a a 7 8 9 a)

Leia mais

Notas de Aulas 3(Segunda Avaliação)-Produto Interno II Prof. Carlos Alberto S Soares

Notas de Aulas 3(Segunda Avaliação)-Produto Interno II Prof. Carlos Alberto S Soares Notas de Aulas 3(Segunda Avaliação)-Produto Interno II Prof. Carlos Alberto S Soares Neste capítulo, estaremos generalizando a noção de projeção ortogonal já desenvolvida em cursos anteriores. Definição

Leia mais

Álgebra Linear e suas Aplicações Notas de Aula. Petronio Pulino = Q

Álgebra Linear e suas Aplicações Notas de Aula. Petronio Pulino = Q Álgebra Linear e suas Aplicações Notas de Aula Petronio Pulino 1 3 4 3 1 0 4 0 1 = Q 4 1 6 Qt Q t Q = 1 1 1 PULINUS Álgebra Linear e suas Aplicações Notas de Aula Petronio Pulino Departamento de Matemática

Leia mais

Produtos de potências racionais. números primos.

Produtos de potências racionais. números primos. MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e

Leia mais

Álgebra Linear e Geometria Analítica em R 3

Álgebra Linear e Geometria Analítica em R 3 Módulo 2 Álgebra Linear e Geometria Analítica em R 3 Neste segundo módulo vamos generalizar os conceitos aprendidos no módulo 1, e também no ensino secundário, estudando Álgebra Linear e Geometria Analítica

Leia mais

Análise I Solução da 1ª Lista de Exercícios

Análise I Solução da 1ª Lista de Exercícios FUNDAÇÃO EDUCACIONAL SERRA DOS ÓRGÃOS CENTRO UNIVERSITÁRIO SERRA DOS ÓRGÃOS Centro de Ciências e Tecnologia Curso de Graduação em Matemática Análise I 0- Solução da ª Lista de Eercícios. ATENÇÃO: O enunciado

Leia mais

Análise Complexa e Equações Diferenciais 2 ō Semestre 2013/2014

Análise Complexa e Equações Diferenciais 2 ō Semestre 2013/2014 Análise Complexa e Equações Diferenciais 2 ō Semestre 213/21 Cursos: 2 ō Teste, versão A LEIC, MEEC, LEMat, MEAer, MEBiol, MEQ, MEAmbi 31 de Maio de 21, 11h3 [1,5 val. 1. Considere a equação diferencial

Leia mais

Teoremas de Traço e os Operadores Irregulares

Teoremas de Traço e os Operadores Irregulares Teoremas de Traço e os Operadores Irregulares Ewerton Ribeiro Torres Dissertação de Mestrado apresentada ao Programa de Pós-graduação do Instituto de Matemática, da Universidade Federal do Rio de Janeiro,

Leia mais

MEDIDAS COM SINAL.. Uma medida com sinal σ-aditiva (ou, simplesmente, uma medida com sinal) µ(a n ) def = lim

MEDIDAS COM SINAL.. Uma medida com sinal σ-aditiva (ou, simplesmente, uma medida com sinal) µ(a n ) def = lim MEDIDAS COM SINAL DANIEL V. TAUSK 1. Definição. Seja C uma coleção de conjuntos tal que C. Uma medida com sinal finitamente aditiva em C é uma função µ : C R tal que: µ( ) = 0; se (A n ) t é uma seqüência

Leia mais

7 temos que e u =

7 temos que e u = Capítulo 1 Complementos de Álgebra Linear 11 Introdução Seja A = [a ij ] uma matriz quadrada de ordem n e pensemos na transformação linear R n! R n que a cada cada vector u R n faz corresponder um vector

Leia mais

Pontos extremos, vértices e soluções básicas viáveis

Pontos extremos, vértices e soluções básicas viáveis Pontos extremos, vértices e soluções básicas viáveis Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta

Leia mais

Seja f um endomorfismo de um espaço vectorial E de dimensão finita.

Seja f um endomorfismo de um espaço vectorial E de dimensão finita. 6. Valores e Vectores Próprios 6.1 Definição, exemplos e propriedades Definição Seja f um endomorfismo de um espaço vectorial E, com E de dimensão finita, e seja B uma base arbitrária de E. Chamamos polinómio

Leia mais

Começamos relembrando o conceito de base de um espaço vetorial. x = λ 1 x λ r x r. (1.1)

Começamos relembrando o conceito de base de um espaço vetorial. x = λ 1 x λ r x r. (1.1) CAPÍTULO 1 Espaços Normados Em princípio, os espaços que consideraremos neste texto são espaços de funções. Isso significa que quase todos os nossos exemplos serão espaços vetoriais de dimensão infinita.

Leia mais

Forma Canônica de Matrizes 2 2

Forma Canônica de Matrizes 2 2 Forma Canônica de Matrizes Slvie Olison Kamphorst Departamento de Matemática - ICE - UFMG Versão. - Novembro 5 a b Seja A c d induzida por A uma matriz real e seja T a transformação operador linear de

Leia mais

OPERADORES LINEARES ESPECIAIS: CARACTERIZAÇÃO EM ESPAÇOS DE DIMENSÃO DOIS*

OPERADORES LINEARES ESPECIAIS: CARACTERIZAÇÃO EM ESPAÇOS DE DIMENSÃO DOIS* OPERADORES LINEARES ESPECIAIS: CARACTERIZAÇÃO EM ESPAÇOS DE DIMENSÃO DOIS* FABIANA BARBOSA DA SILVA, ALINE MOTA DE MESQUITA ASSIS, JOSÉ EDER SALVADOR DE VASCONCELOS Resumo: o objetivo deste artigo é apresentar

Leia mais

t X s db s, I t (X) :=

t X s db s, I t (X) := Chapter 3 Integrais estocásticos Neste capítulo vamos definir integrais estocásticos relativamente ao movimento Browniano e estudar algumas das suas propriedades. Estes integrais também são chamados integrais

Leia mais

Cálculo Diferencial e Integral 2 Formas Quadráticas

Cálculo Diferencial e Integral 2 Formas Quadráticas Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral 2 Formas Quadráticas 1 Formas quadráticas Uma forma quadrática em R n é um polinómio do

Leia mais

EXERCÍCIOS DE ELEMENTOS DE MATEMÁTICA II (BQ, CTA, EFQ, Q) 2002/2003. Funções reais de várias variáveis

EXERCÍCIOS DE ELEMENTOS DE MATEMÁTICA II (BQ, CTA, EFQ, Q) 2002/2003. Funções reais de várias variáveis EXERCÍCIOS DE ELEMENTOS DE MATEMÁTICA II (BQ, CTA, EFQ, Q) 2002/2003 Funções reais de várias variáveis 1. Faça um esboço de alguns conjuntos de nível das seguintes funções: (a) f (x,y) = 1 + x + 3y, (x,y)

Leia mais

2009/2010-2º SEMESTRE- 2ª ÉPOCA EXAME DE ÁLGEBRA LINEAR (1303) 16 de Junho de Respostas

2009/2010-2º SEMESTRE- 2ª ÉPOCA EXAME DE ÁLGEBRA LINEAR (1303) 16 de Junho de Respostas Grupo 1 1- Considere o conjunto S 3 definido por: S x 1,x 2,x 3 3 : x 1 x 2 x 3 0 1.1- Mostre que S éumsub-espaço de 3. Determine a dimensão de S exibindo uma base B de S. [1/20] 1.2- Qual é o complemento

Leia mais

Álgebra Linear II - Poli - Gabarito Prova SUB-tipo 00

Álgebra Linear II - Poli - Gabarito Prova SUB-tipo 00 Álgebra Linear II - Poli - Gabarito Prova SUB-tipo 00 [ ] 4 2 Questão 1. Seja T : R 2 R 2 o operador linear cuja matriz, com respeito à base canônica de R 2, é. 1 3 [ ] 2 0 Seja B uma base de R 2 tal que

Leia mais

GEOMETRIA II EXERCÍCIOS RESOLVIDOS - ABRIL, 2018

GEOMETRIA II EXERCÍCIOS RESOLVIDOS - ABRIL, 2018 GEOMETRIA II EXERCÍCIOS RESOLVIDOS - ABRIL, 08 ( Seja a R e f(x, y ax + ( ay. Designe por C a a cónica dada por f(x, y 0. (a Mostre que os quatro pontos (±, ± R pertencem a todas as cónicas C a (independentemente

Leia mais

(Todos os cursos da Alameda) Paulo Pinto

(Todos os cursos da Alameda) Paulo Pinto Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Resumo das Aulas Teóricas de 2 o Semestre 2004/2005 (Todos os cursos da Alameda) Paulo Pinto Álgebra Linear Conteúdo Sistemas

Leia mais

Universidade Federal da Paraíba - UFPB Centro de Ciências Exatas e da Natureza - CCEN Departamento de Matemática - DM

Universidade Federal da Paraíba - UFPB Centro de Ciências Exatas e da Natureza - CCEN Departamento de Matemática - DM Universidade Federal da Paraíba - UFPB Centro de Ciências Exatas e da Natureza - CCEN Departamento de Matemática - DM 3 a Lista de Exercícios de Introdução à Álgebra Linear Professor: Fágner Dias Araruna

Leia mais