Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Quântica
Preliminares Matemáticos
Texto em elaboração
Departamento de Filosofia
2 Noções de álgebra 15
2.1 Leis de composição e elementos notáveis . . . . . . . . . . . . . . . . . 15
2.2 Relações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Estruturas matemáticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Ordem de uma estrutura . . . . . . . . . . . . . . . . . . . . . . 20
2.3.2 Digressão: a ciência da estrutura . . . . . . . . . . . . . . . . . . 21
2.4 Grupos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 Grupos de permutação . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Corpos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Espaços Vetoriais 27
3.1 Combinações lineares, superposições . . . . . . . . . . . . . . . . . . . . 30
3.2 Sub-espaços vetoriais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Espaço gerado, base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Espaços vetoriais isomorfos . . . . . . . . . . . . . . . . . . . . . . . . 37
4 Produtos Internos 39
4.0.1 A condição de normalização na teoria quântica . . . . . . . . . . 43
4.1 Ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.1.1 Coeficientes de Fourier . . . . . . . . . . . . . . . . . . . . . . . 46
5 Operadores Lineares 49
5.1 Representação matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2 Matriz de mudança de base . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3 Produto de operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
iii
CONTEÚDO 1
5.3.1 O comutador . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.3.2 O espaço dos operadores . . . . . . . . . . . . . . . . . . . . . . 55
5.4 Funcionais Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
9 Produto tensorial 71
10 Apêndice A
Matrizes e operações com matrizes 73
11 Apêndice B
Noções de cálculo diferencial 79
11.1 Um pouco de história . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.2 Funções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
11.3 Limites de funções e de sequências . . . . . . . . . . . . . . . . . . . . . 83
11.3.1 Derivadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
12 Apêndice C
Noções sobre cálculo integral 85
13 Apêndice D
Noções sobre equações diferenciais 87
2 CONTEÚDO
Prefácio
3
4 CONTEÚDO
Capítulo 1
5
6 CAPÍTULO 1. A BASE LÓGICA E MATEMÁTICA
2. A ∨ B =def ¬A → B
3. A ↔ B =def (A → B) ∧ (B → A)
6. x , y =def ¬(x = y)
1. A → (B → A)
5. ∀xA(x) → A(y),
7. A/∀xA (Generalização)
∀x∀y(∀z(z ∈ x ↔ z ∈ y) → x = y) (1.1)
∃x∀y(¬y ∈ x) (1.2)
Chamemos por um momento de A o conjunto postulado por este axioma. Vê-
se então que, se A0 for também conjunto que satisfaça o axioma em apreço, resulta
2
Basta tomar α(x) como sendo ∀z(z ∈ x ↔ z ∈ x); sabendo que as restrições mencionadas são
satisfeitas, resulta, pondo y no lugar do segundo x para obter α(y), que esta se torna ∀z(z ∈ x ↔
z ∈ y). Daí, lembrando que α → (> → β) equivale a α → β se > é uma tautologia, e de que de
α → β e α → γ segue α → β ∧ γ, vem o resultado, aqui citado por curiosidade.
8 CAPÍTULO 1. A BASE LÓGICA E MATEMÁTICA
∀x∀y∃z∀t(t ∈ z ↔ t = x ∨ t = y) (1.3)
Este conjunto é denotado {x, y}, dito par (não ordenado) de x e y. É fácil provar
(decorre do axioma da extensionalidade) que, para quaisquer x e y, {x, y} = {y, x}.
No axioma acima, nada indica que x e y não possam ser o mesmo conjunto, vindo
daí que o conjunto unitário de x é por definição o conjunto {x} =def {x, x}. Por
outro lado, pomos hx, yi =def {{x}, {x, y}} para denotar o par ordenado de x e y
(nesta ordem); esta definição é devida ao matemático russo C. Kuratowski. Há
outras maneiras de se definir o par ordenado de dois conjuntos; por exemplo,
poderíamos ter usado hx, yi =def {{∅, x}, {{∅}, y}}; qualquer que seja a definição que
se adote (a que usamos é a mais simples), o que se objetiva é que ela permita que
se possa provar o seguinte resultado, que expressa a propriedade fundamental dos
pares ordenados: para quaisquer x, y, z, w, tem-se que
∀x∃y∀z(z ∈ y ↔ z ⊆ x)
Este conjunto, que se pode provar ser único para cada x, é denotado P(x).
Importante observar uma distinção fundamental entre ∈ e ⊆, já que x ∈ P(y) ↔
x ⊆ y.
O postulado seguinte é o Esquema da Separação, também denominado de Axi-
oma dos Subconjuntos. Esse postulado foi introduzido por Zermelo, como dito
no capítulo anterior; no entanto, como visto, Zermelo não havia caracterizado de
modo preciso o significado de ‘proprietat definit’, o que foi feito por Skolem (e
por Fraenkel) alguns anos depois. Tal definição resulta essencialmente naquela de
fórmula da linguagem de ZFC.
Uma fórmula de ZFC que não contém variáveis livres é dita ser uma sen-
tença de ZFC. Uma sentença é uma asserção acerca de determinados conjuntos
(na verdade, acerca dos objetos do domínio, que podem não ser ‘conjuntos’), a
qual podemos (pelo menos em princípio) saber se é verdadeira ou falsa. De uma
fórmula que contenha variáveis livres, pelo contrário, não podemos asseverar nada
acerca de sua verdade ou falsidade, uma vez que não sabemos a quais conjuntos
as variáveis livres estão se referindo. Por exemplo, falando intuitivamente, dei-
xemos x percorrer o conjunto dos números naturais; então, não podemos saber se
x ∈ {1, 2, 3} é verdadeira ou falsa, pois tal asserção depende do que seja x; mas
podemos seguramente afirmar que ∀x(x ∈ {1, 2, 3}) é falsa. No entanto, se atri-
buímos uma interpretação para as variáveis livres de uma fórmula, ela ganha um
significado, e podemos indagar acerca de sua veracidade para aquela atribuição.
Uma fórmula α que contenha uma só variável livre x é dita ser uma propriedade
dos objetos que constituem o domínio de x. Em geral, uma propriedade nesse
sentido é representada pela notação P(x), F(x), ou outra letra conveniente.
Vem então o postulado seguinte (a palavra ‘esquema’ reflete o fato de que na
realidade a expressão abaixo encerra uma infinidade de axiomas, um para cada
fórmula F(x) que se considere):
10 CAPÍTULO 1. A BASE LÓGICA E MATEMÁTICA
especificar de qual conjunto tenham vindo, não são lícitas em ZFC. Deste modo,
coleções como a ‘coleção de todos os grupos’, ou ‘de todos os conjuntos unitários’
não são conjuntos de ZFC.
Seja α(x, y) uma fórmula de ZFC na qual x e y são variáveis livres. Dizemos
então que α(x, y) é uma condição x-funcional se, para cada x, existe um único y tal
que α(x, y) seja verdadeira. Isto se escreve assim: ∀x∃!yα(x, y).3 Nesta situação,
um novo axioma, denominado de Esquema da Susbstituição, vai dizer que dado
um conjunto qualquer z, existe um conjunto w cujos elementos são precisamente
aqueles t’s para os quais existe s ∈ z tal que α(s, t) é verdadeira. Em outras
palavras, a coleção das imagens dos s’s do conjunto z pela ‘função’ α é também
um conjunto. Postulamos então que:
(ZFC.6) [Esquema da Substituição]
∀x(∀y∀z((y ∈ x ∧ z ∈ x ∧ y , z) → (y , ∅
Noções de álgebra
15
16 CAPÍTULO 2. NOÇÕES DE ÁLGEBRA
Exercício 2.1.1 Procure caracterizar cada uma das operações indicadas no pa-
rágrafo anterior como funções, de acordo com a definição. Por exemplo, a adição
de números reais é uma função de R × R em R que associa, a cada par ha, bi de
números reais, um número real a + b, dito soma de a e b.
Exercício 2.1.2 (a) Mostre que a adição e a multiplicação de números reais são
associativas e comutativas, e que a multiplicação é distributiva relativamente à
adição. (b) Mostre que a composição de funções é associativa, mas não comu-
tativa, o mesmo se dando com a adição e a multiplicação de matrizes de mesma
ordem.
Observação 1 Ainda que não insistamos neste ponto aqui, é conveniente ter-se
em mente que uma operação binária pode ter unicamente elemento neutro em um
dos lados, e neste caso via de regra não será único. Você pode dar exemplos?
Qual a codição necessária e suficiente para que um elemento neutro lateral seja
elemento neutro propriamente dito?
Exercício 2.1.4 Seja ∗ a operação binária sobre R definida por x∗y = x+y 2
(média
aritmética entre x e y). Verifique se ∗ é associativa, comutativa, a admite elemento
neutro.
Exercício 2.1.5 Operações binárias importantes são as seguintes, que você deve
procurar detalhar, definindo-as, verificando quais são associativsa, comutativas,
admitem elemento neutro: (1) adição de vetores; (2) produto vetorial de vetores;
(3) união de conjuntos; (4) interseção de conjuntos; (5) composição de funções;
(6) adição de matrizes.
Definição 2.1.5 (Operação n-ária) Uma operação n-ária (ou de peso n) sobre
um conjunto A é uma aplicação de An (o produto cartesiano de A por si mesmo n
vezes) em A.
Assim, uma operação n-ária sobre A associa um elemento de A a cada n-upla
hx1 , . . . , xn i de elementos de A.
Definição 2.1.6 (Lei de composição externa) Sejam A e B dois conjuntos. Uma
lei de composição externa à esquerda sobre B é uma aplicação δ : A × B ,→ B.
Uma lei de composição externa à direita sobre B é uma aplicação η : B × A ,→ B.
Exemplo 2.1.1 Seja B o conjunto dos vetores do plano e A = R. Então a opera-
ção de multiplicação de um vetor (à esquerda) por um número real é uma lei de
composição externa (à esquerda) sobre B. Analogamente podemos considerar a
operação à direita.
Exemplo 2.1.2 Seja Rn×n o conjunto das matrizes reais de ordem n. A operação
definida por k.A = [k.ai j ], para cada matriz A e cada número real k, é uma lei de
composição externa sobre o referido conjunto de matrizes. (sobre essa notação,
ver mais abaixo).
Nos exemplos que estaremos interessados, via de regra, quando houver um
elemento neutro, ele será neutro tanto à direita quanto à esquerda, o mesmo se
dando com sa leis externas, motivo pelo qual não mais insistiremos nessas dis-
tinções, falando simplesmente de elemento neutro e de inverso sem quaisquer
qualificações. Por exemplo, será útil escrever às vezes αk em vez de kα, sendo α
um vetor e k um número real ou complexo.
2.2 Relações
Definição 2.2.1 (Relações n-árias) Seja A um conjunto. Uma relação n-ária so-
bre A é um subconjunto de An .
Se n = 2, falamos de relações binárias. Assim, uma relação n-ária sobre A é
um conjunto de n-uplas ordenadas de elementos de A.
Exemplo 2.2.1 A relação ‘menor ou igual’ sobre números reais é uma relação
binária sobre R, representada por ≤. Sempre que um par ha, bi pertence a essa
relação, escrevemos
a ≤ b.
2.3. ESTRUTURAS MATEMÁTICAS 19
Perceba a diferença entre uma relação binária e uma operação binária. Essas
‘operam’ com os elementos de A, originando novos elementos, enquanto que as
relações simplesmente relacionam os elementos entre si. Um exemplo de uma
relação ternária entre números reais é a relação ‘x está entre y e z’.
Fato importante é que toda operação n-ária pode ser vista como uma relação
de ordem n + 1, como evidenciaremos mais abaixo.
1. ∅ e D pertencem a τ
2. Se A, B ∈ τ, então A ∩ B ∈ τ
Diz-se que o conjunto τ é uma topologia em D (ou sobre D). Podemos entender τ
como uma relação entre subconjuntos de D; xτy se e somente se x e y pertencem
à topologia τ. Neste sentido, a relação da estrutura não relaciona elementos do
domínio; os relata são subconjuntos do domínio. Uma tal estrutura é de segunda
ordem.
1
Um conjunto é enumerável se existe uma bijeção entre ele e o conjunto dos números naturais.
Alguns autores chamam tais conjuntos de denumeráveis. Um conjunto é contável se for finito ou
enumerável.
2.3. ESTRUTURAS MATEMÁTICAS 21
2.4 Grupos
O conceito de grupo, surgido de questões teóricas em matemática, adentrou a
física, tendo se tornado fundamental para a fícisa presente. Mais à frente, veremos
alguns exemplos de seu uso nessa disciplina.
Definição 2.4.1 (Grupo) Um grupo é uma estrutura G = hG, ∗i onde G é um
conjunto não vazio, ∗ é uma operação binária sobre G satisfazendo as condições
seguintes:
1. ∗ é associativa)
2. ∗ admite elemento neutro e ∈ G
3. Todo elemento a ∈ G admite um inverso a0 ∈ G.
Se a operação ∗ for ainda comutativa, o grupo é comutativo ou abeliano (em
homenagem ao matemático norueguês Niels Henrik Abel, 1802-1829).
Em geral, quando nos referimos ao grupo G, mencionamos unicamente o con-
junto G (dito domínio do grupo), dizendo (por abuso de linguagem) que G é um
grupo com a operação ∗. Isso será feito para as demais estruturas introduzidas
abaixo, em conformidade com a prática matemática usual.
Por exemplo, e usando a notação mencionada, R é um grupo quando munido
da operação de adição de reais, o conjunto F (R) é um grupo quando munido da
operação de composição de funções, e o conjunto dos vetores geométricos do
plano é mum grupo quando munido da operação de adição de vetores (regra do
paralelogramo).
Exercício 2.4.1 (a) Detalhe cada um dos exemplos precedentes. (b) Diga por
que o conjunto R dos números reais não é um grupo quando considerado com a
operação de multiplicação de reais.
Um grupo de notável interesse é o chamado grupo de Klein, em honra ao ma-
temático alemão Felix Klein (1849-1925). O dominio é o conunto G = {a, b, c, d}
e a operação ∗ é definida pela tabela abaixo:
* a b c d
a a b c d
b b a d c
c c d a b
d d c b a
2.4. GRUPOS 23
◦ 1 i j k
1 1 i j k
i i 1 k j
j j k 1 i
k k j i 1
1. ∗ é associativa
Exemplo 2.4.1
1. Ache os produtos f1 · f4 , f2 · f5 e f3 · f3 .
Pi j (x1 , . . . , xi , . . . , x j , . . . , xn ) = (x1 , . . . , x j , . . . , xi , . . . , xn ).
2.5 Corpos
A outra estrutura que nos interessa é a de corpo.
3. · é distributiva em relação a +.
Exercício 2.5.1 Verifique que o conjuno dos números racionais munido das ope-
rações usuais é um corpo, que podemos representar por Q = hQ, +, ·, 0, 1i.
Exercício 2.5.3 Verifique que o conjunto A = {0, 1} munido das operações dadas
pelas tabelas abaixo é um corpo.
+ 0 1 · 0 1
0 0 1 0 0 0
1 1 0 1 0 1
Capítulo 3
Espaços Vetoriais
E = hV, K, +, ·i,
onde:
27
28 CAPÍTULO 3. ESPAÇOS VETORIAIS
(a) a · (α + β) = a · α + a · β
(b) (a + b) · α = a · α + b · α
(c) (a · b) · α = a · (b · α)
(d) 1 · α = α
Exemplo 3.0.2 Considere o conjunto F das funções reais de variável real com
mesmo domínio, digamos o intervalo [a, b] ⊆ R. Para f, g ∈ F , definimos as
operações seguintes:
1. ( f + g)(x) = f (x) + g(x)
2. (k f )(x) = k f (x)
É facil ver que resulta um espaço vetorial real, cujo vetor nulo é a função nula
n(x) = 0.
Exemplo 3.0.3 Seja Rn×m o conjunto das matrizes reais de ordem n × m, munido
das operações usuais de adição de matrizes e de multiplicação de matriz por
escalar real. Neste caso, tem-se um espaço vetorial real, cujo vetor nulo é a
matriz nula n × m.
Exercício 3.0.4 Mostre que temos um espaço vetorial real se tomarmos o con-
junto R+ dos reais não negativos munido das operações x + y = xy e kx = xk ,
para x, y ∈ R+ e k ∈ R. Veja o paralelo que há entre as operações definidas e as
propriedades do logaritmo.
30 CAPÍTULO 3. ESPAÇOS VETORIAIS
Exercício 3.0.5 Todo corpo K = hK, +, ·, 0, 1i pode ser visto como um espaço
vetorial sobre K. Dizemos que todo corpo é um espaço vetorial sobre si mesmo.
Explique este fato.
Exercício 3.0.9 Justifique porque não resulta espaço vetorial se tomarmos R como
conjunto de vetores e C como conjunto de escalares, e considerando a adição de
números rais como adição de vetores e a multiplicação de número real por nú-
mero complexo como a multiplicação de vetor por escalar.
x1 α1 + . . . + xn αn = O
acarreta x1 = x2 = 0. Por outro lado os vetores (1, 3) e (−1, −3) são linearmente
dependentes, como é fácil verificar.
Teorema 3.2.1 Uma condição necessária e suficiente para que W seja subes-
paço vetorial de V é que, para todos α, β ∈ V e para todo k ∈ K, se tenha:
1. Se α, β ∈ W, então α + β ∈ W.
2. Se α ∈ W, então kα ∈ W.
Demonstração: Quanto à necessidade dessas condições, ela segue do fato de que
um espaço vetorial deve ser fechado ralativamente às operações de adição de ve-
tores e de multiplicação de vetor por escalar. Quanto à suficiência dessas con-
dições, basta verificar que delas resultam as condições da definição de espaço
vetorial para hW, K, +W , ·W i. Por exemplo, como W , ∅, existe α ∈ W, logo
−α = (−1)α ∈ W (pela segunda condição). Analogamente, pela primeira condi-
ção, 0 = α − α ∈ W. Quanto às demais propriedades, em virtude de elas valerem
para todos os vetores de V, valerão em particular para os vetores de W, ou seja,
são "herdadas"por W.
8. R = {(x, y, z) : x
a
= y
b
= cz , a, b, c , 0} (reta passando pela origem).
Exercício 3.2.1 Prove que cada um dos casos do exemplo anterior de fato define
um subespaço do R3 .
ψ −→ eiθ ψ,
ou seja, X X X
β= xi αi + x j k i αi = (xi + ki )αi ,
i, j i, j i, j
Definição 3.3.2 (Base de um espaço vetorial) Uma base para um espaço veto-
rial E é um conjunto A de vetores de V que satisfaz as condições seguintes:
1. A é linearmente independente
O conjunto A tem um cardinal, que no caso finito pode ser entendido intuitiva-
mente como designando a quantidade de elementos de A. Pode-se demonstrar que
todas as bases de um espaço vetorial têm a mesma cardinalidade. Este cardinal
chama-se dimensão do espaço vetorial.
Por exemplo, o espaço Rn tem dimensão n, pois tem o conjunto (com n ele-
mentos)
Ξ = {1 , . . . , n }, (3.1)
onde i = (0, . . . , 1, . . . , n) (com o 1 na i-ésima posição) como uma base. Esta
base é dita base canônica do Rn .
Da mesma forma, se olharmos agora os vertores 1 como formados por nú-
meros complexos, então Ξ também representa uma base (canônica) para o espaço
complexo Cn . Essas bases desempenharão papel relevante à frente.
Um conceito importante é o de matriz das coordenadas de um vetor em uma
base ordenada. Seja A = {α1 , . . . , αn } uma base ordenada para o espaço vetorial
36 CAPÍTULO 3. ESPAÇOS VETORIAIS
Por exemplo, A = {(1, 1), (−1, 2)} é uma base ordenada para o R2 , como é
fácil provar (é linearmente independente e todo vetor (x, y) ∈ R2 pode ser escrito
como combinação linear desses vetores). Seja β = (2, 3). Então, (2, 3) = x1 (1, 1)+
x2 (−1, 2), ou (2, 3) = (x1 − x2 , x1 +2x2 ), o que fornece x1 = 7/3 e x2 = 1/3. Assim,
β = x1 α1 + . . . + xn αn .
1
Recorde que uma função f : A 7→ B é injetiva se x 6 y implica f (x) , f (y).
2
Uma função f : A 7→ B é sobrejetiva se para todo y ∈ B, existe x ∈ A tal que y = f (x).
Capítulo 4
Produtos Internos
2. hα|a.βi = a.hα|βi
1. ha.α|βi = ā.hα|βi
1
Há autores que preferem postular as condições 1 e 2 abaixo de forma alternatica, a saber, (1’)
hα + β|γi = hα|βi + hα|γi e (2’) ha.α|βi = a.hα|βi. Isso é meramente uma questão de conveniência.
Aqui, seguimos o procedimento usual dos textos de física.
39
40 CAPÍTULO 4. PRODUTOS INTERNOS
Exemplo 4.0.3 Sobre o espaço das funções reais (de variável real) contínuas no
intervalo [a, b] (e isto vale para a = −∞, b = +∞), a aplicação seguinte é um
produto interno:
Z b
h f |gi = f ∗ (x)g(x)dx (4.3)
a
Exemplo 4.0.4 Seja Cn×n o espaço vetorial das matrizes complexas de ordem n.
Se A? denota a conjugada de A, então a aplicação
é um produto interno. No caso real (ou seja, se Rn ), então hA|Bi = Tr(AT B).
2
Observamos que, para números complexos z e z0 , tem-se que z.z0 = z̄.z¯0 .
41
Importa aqui, dentre todas as possíveis normas, aquela que é definida a partir
do produto interno, dita norma advinda do produto interno, a saber, a aplicação
tal que
p
||α|| = hα|αi (4.5)
Exemplo 4.0.5 Mostre que a aplicação recém definida é de fato uma norma.
1. d(α, β) = d(β, α)
Demonstração: Imediata.
No caso do espaço vetorial ser R ou C, costuma-se escrever |α| em vez de ||α||,
deste modo confundindo-se a norma de um vetor com o módulo de um escalar.
Do mesmo modo, escrevemos nesses casos |α − β| em vez de ||α − β||.
Importante notar que, sendo z = a + bi um número complexo (ou ‘vetor’ no
espaço vetorial dos complexos sobre si mesmo), resulta que
Ou seja, a norma√a ser considerada é aquela que se define por meio do produto
interno, vis, ||α|| = hα|αi.
z1
α = z2
..
.
tais que ∞k=1 |zi | < ∞. Este espaço é denominado de ` e é isomorfo a todos os
P 2 2
Digamos que o observável a ser medido para um sistema composto por uma
partícula em um espaço de dimensão unitária. Assim, a expressão simplificada
Z b
p= |ψ(x, t)|2 dx (4.8)
a
designa a probabilidade de encontrar a partícula, representada pela função de onda
ψ(x, t) no intervalo [a, b] da reta real.
O valor |ψ(x, t)|2 é denotado
ρ(x, t) (4.9)
e denominado densidade de probabilidade.
Exemplo 4.0.7 Suponha (para t fixo), que ρ(x) = 1/x2 . A probabilidade de en-
contrarmos a partícula em [1, 2], é dada por
Z 2
x−3 2
p= 1/x2 dx = [ ] = −1/3(1/8 − 1) = 7/24 = 0, 29.
1 −3 1
Voltaremos a essa e outras questões ‘quânticas’ mais tarde.
Definição 4.0.8 Um espaço de Hilbert é separável se admite uma base ortonor-
mal contável (finita ou enumeável).
Grande parte dos espaços usados em física são separáveis nesse sentido, e são
todos isomorfos a `2 .
4.1. ORTOGONALIDADE 45
4.1 Ortogonalidade
Daqui para frente, assumiremos sempre que H é um espaço de Hilbert.
Uma base para H formada por vetores ortonormais é uma base ortonormal de
H.
m−1
X hα1 |βm i
(2) βm+1 = βm − αi .
1=1
||αi ||2
Constata-se sem dificuladade que os β j são ortogonais entre si. Para exempli-
ficar, mostraremos que β2 é ortogonal a β1 . Com efeito, lembrando que β1 = α1 ,
temos que
hα1 |β2 i hα1 |β2 i
hβ1 |β2 i = hβ1 |β2 − 2
α1 i = hβ1 |β2 i − hβ1 |α1 i = 0.
||α1 || ||α1 ||2
Uma vez obtida a base ortogonal B, uma base ortonormal é obtida simples-
mente dividindo-se cada vetor de B pela sua norma, ou seja, obtendo
β1 βn
N ={ ,..., }.
||β1 || ||βn ||
Espaços de Hilbert são fundamentais na formulação usual da física quântica.
Vetores unitários de um espaço de Hilbert H representarão os estados dos siste-
mas físicos, e certos opradores (que veremos na seção seguinte) representarão os
observáveis físicos.
logo
Operadores Lineares
1. T (α + β) = T (α) + T (β)
49
50 CAPÍTULO 5. OPERADORES LINEARES
Por sua vez, as transformadas T (|αi i) dos vetores da base podem ser escritos
como combinações lineares dos vetores da própria base, ou seja,
5.1. REPRESENTAÇÃO MATRICIAL 51
Ou simplesmente,
n
X
T (|αi i) = ai j |α j i, i = 1, . . . , n (5.4)
j=1
A matrix A = [ai j ] dos coeficientes das combinações lineares acima age como
se fosse o operador, permitindo que, dadas as coordenadas x1 , . . . , xn de um vetor
numa base ordenada, encontremos as coordenadas y1 , . . . , yn se sua transformada
na mesma base.
A matrix A = [ai j ] chama-se matriz representativa do operador T na base A,
denotada
[T ]A .
52 CAPÍTULO 5. OPERADORES LINEARES
Façamos agora o produto interno hαi |T |αi i, que devido ao fato de que hαi |α j i =
δi j , obtemos
hαi |T |αi i = aii .
5.2. MATRIZ DE MUDANÇA DE BASE 53
[β]TB = M.[β]TA .
5.3.1 O comutador
Escrevemos [T, U] (dito comutador de T e U) para denotar a diferença T U − UT ,
ou seja,
[T, U] =def T U − UT (5.9)
Claro que quando T e U comutam, seu comutador é nulo. Propriedades im-
portantes são as seguintes, aqui só enunciadas:
1. [A, B] = −[B, A]
2. [A + B, C] = [A, C] + [B, C]
1. [X, X] = 0
2. [P, P] = 0
Ou seja, trata-se de uma função linear que associa um escalar a cada vetor do
espaço.
Um caso de particular interesse é o seguinte funcional linear. Para cada vetor
α de V, associamos o escalar hα|βi, para β um vetor fixo de V. Ou seja, temos
T β (α) = hα|βi.
A notação de Dirac, II Note o que foi feito acima: o vetor β de certo modo
caracteriza o funcional linear T ; para cada α, a imagem de α por T é determinada
a partir de β efetuando-se o produto interno hα|βi. Pode-se demonstrar, por um
resultado conhecido como Teorema de Riez, que isso sempre ocorre para cada
funcional T , e que tal β é único para cada T . Por isso, Dirac usou a notação
seguinte para expressar esse funcional: hβ|, chamado de bra. De maneira geral,
hβ|, hγ| etc. denotam funcionais linerares T β , T γ , etc. Os nomes já vistos (página
28) de "kets"para os vetores, e agora de "bras"para os funcionais, tem a ver com a
terminologia inglesa, que chama os delimitadores h, i de brakets. Veja como fica
fácil: a notação hα|βi pode significar duas coisas: o produto interno dos vetores α
e β ou a imagem do vetor α pelo funcional caracterizado por β. Genial, não?
(continua) Base dual, espaço dual,
Capítulo 6
Autovetores e autovalores,
diagonalização
57
58 CAPÍTULO 6. AUTOVETORES E AUTOVALORES, DIAGONALIZAÇÃO
que deve ter determinante não nulo para que haja solução não trivial. Portanto,
os autovalores são as raízes do polinômio caraterístico λ2 − 3λ + 2 = 0, que são
λ1 = 1 e λ2 = 2. Os autovetores associados são obtidos resolvendo-se o sistema
acima para cada valor de λ, o que fornece dois conjuntos de vetores, a saber:
Eλ1 = {γ ∈ V : T (γ) = λ1 γ} = {(x, y) ∈ R2 : x = y} e Eλ2 = {γ ∈ V : T (γ) =
λ2 γ} = {(x, y) ∈ R2 : y = 0}.
É facil ver que o conjunto Eλ ∪ {0} é um subspaço vetorial de V, dito espaço
característico associado ao autovalor λ, onde 0 é o vetor nulo de V.
Seja A matriz quadrada de ordem n sobre o corpo K. Impondo AX T = λX T ,
para X = [x, y], obtemos AX T − λX T = 0, ou (A − λI)X T = 0, sendo I a matrix
identidade de ordem n. A matriz A − λI deve ser singular (não inversível) para
que o sistema admita solução não trivial, portando, det(A − λI) = 0, que é o po-
linômio característico de A. Suas raízes são os autovalores de A, e os autovetores
associados são obtidos resolvendo-se os sistemas (A − λI)X T = 0 para cada λ
encontrado.
Exemplo 6.0.4 Seja !
1 1
A=
0 1
matrix real. Então det(A − λI) = 0 formece
1 − λ 1
det(A − λI) = = (1 − λ)2 = 0,
0 1 − λ
o que fornece λ1 = λ2 = 1. Resolvendo-se o sistema AX T = 1.X T , encontramos
y = 0, portanto E1 = {(x, y) ∈ R2 : y = 0}.
Pode-se demonstrar que se T é operador linear sobre V e A = [T ]A é a matriz
representativa de T na base ordenada A, então ξ é autovetor de T se e somente
se X = [ξ]A , a matriz das coordenadas de ξ na base A, é autovetor de A. Os
autovalores são os mesmos.
Definição 6.0.4 Duas matrizes A e B são semelhantes e existe uma matriz invesí-
vel M tal que B = M −1 AM.
Teorema 6.0.1 Matrizes semelhantes têm o mesmo polinômio característico, logo
os mesmos autovalores.
Demonstração: det(B − λI) = det(M −1 AM − λI) = det(M −1 (A − λI)M) = det(A −
λI).
6.1 Diagonalização
Definição 6.1.1 (Operador diagonalizável) Um operador linear T sobre V é di-
agonalizável se existe uma base de V na qual a matriz representativa de T seja
uma matriz diagonal.
Exercício 7.0.3 (a) Prove o teorema anterior; (b) Mostre que T (x, y, z) = (xcosθ−
ysenθ, xsenθ + ycosθ) é uma isometria sobre o R2 (operador ortogonal); (c) Idem
para T (x, y) = (x, −y).
61
62CAPÍTULO 7. MATRIZES E OPERADORES ORTOGONAIS E UNITÁRIOS
Definição 7.0.5 (Matriz ortogonal, matriz unitária) Uma matriz real (complexa)
de orden n A = [a1 j ] é ortogonal (unitária) se AT A = I (A∗ A = I).
Teorema 7.0.3 (Teorema dos Eixos Principais) Toda matriz hermitiana (real si-
métrica) A é unitariamente (ortogonalmente) semelhante a uma matriz diagonal
real D, cujos elementos diagonais são os autovalores de A, ou seja, existe M
unitária (ortogonal) tal que D = M −1 AM = M ∗ AM (respect., D = M T AM).
Como se viu acima, a matriz M tem por colunas autovetores linermente in-
dependentes de A, que sempre existem (o que decorre do teorema). Em outras
palavras, mesmo que haja autovalores com multiplicidade k > 1, pode-se associar
a ele um conjunto de k autovetores linearmente independentes.
64CAPÍTULO 7. MATRIZES E OPERADORES ORTOGONAIS E UNITÁRIOS
Capítulo 8
W = W1 + · · · + Wk ,
W = W1 ⊕ · · · ⊕ Wk
65
66 CAPÍTULO 8. SOMAS, SOMAS DIRETAS E PROJEÇÕES
I = E1 + · · · + Ek .
T = λ1 E1 + λ2 E2 + · · · + λk Ek .
Demonstração: Suponha T diagomalizável e λ1 , . . . , λk são autovalores distintos
de T . Sejam Wi (i = 1, . . . , n) os subespaços característicos associados aos autova-
lores correspondentes. Então sabemos que podemos escrever V = W1 ⊕ · · · ⊕ Wk .
Sejam Ei as projeções associadas a cada um dos espaços desta decomposição,
respeitando-se os índices. Então, para α ∈ V, podemos escrever α = E1 (α) + · · · +
Ek (α), logo T (α) = T (E1 (α) + · · · + Ek (α)) = T E1 (α) + · · · + T Ek (α), ou seja, tendo
em vista que os Wi são invariantes pela ação de T , então as projeções Ei comu-
tam com T , resultando T (α) = E1 T (α) + · · · + Ek T (α) = E1 c1 α + · · · + Ek ck α =
c1 Ei (α) + · · · + ck Ek (α), logo T = c1 E1 + · · · + ck Ek .
8.1. RESOLUÇÃO DA IDENTIDADE 67
Exercício 8.0.6 (i) Mostre que os operadores Ei definidos acima são de fato pro-
jeções. (ii) Mostre que para projeções, vale a expressão E I E j = 0 se i , j. (iii)
Mostre que a cada operador de projeção E está associado um subespaço vetorial
de V, e reciprocamente.
EW = |ψihψ|.
EW (|αi) = |ψihψ|αi,
onde {|αi i} é uma base de H. Uma tal expressão para 1 é denominada de resolu-
ção da identidade.
Claro que, para qualquer vetor |αi, tem-se que 1(|αi) = |αi, o que sugere que
podemos utilizar a resolução da identidade sempre que desejarmos. Disso vem
que, para qualquer |αi,
Teorema 8.2.1 Seja T operador linear sobre V com produto interno. Se a série
P
i hψi |T (ψi )i converge e tem o mesmo limite independentemente da base {|ψi i},
então X X
T r(T ) = hψi |T (ψi )i = hψi |T |ψi i. (8.2)
i i
Como os vetores da base são ψ1 = (1, 0) e ψ2 = (0, 1), que na forma de matriz
(ou de suas coordenadas em relação à base canônica) vem que
2 ! ! ! !
X a a 1 a a 0
hψi |A|ψi i = (1 0) 11 12 + (0 1) 11 12 = a11 + a22 ,
a21 a22 0 a21 a22 1
i=1
n
X
hÂi|ψi = p j hψ j |Â|ψ j i. (8.3)
j=1
Produto tensorial
(em preparo)
Consideraremos a situação de e espaços vetoriais, mas tendo em vista as apli-
cações que temos em mente, serão dois espaços de Hilbert) H 1 e H 2 . A gene-
ralização para um número finito qualquer de espaços é fácil de se fazer, e o caso
para infinitos espaços será visto mais à frente. Denotaremos por H1 × H2 o pro-
duto desses espaços, dito produto topológico, cujos elementos são pares da forma
ξ = (ψ1 , ψ2 ), com ψ1 ∈ H1 e ψ2 ∈ H2 .
(CONTINUA)
71
72 CAPÍTULO 9. PRODUTO TENSORIAL
Capítulo 10
Apêndice A
Matrizes e operações com matrizes
Como acima, as imagens dos pares hi, ji são denotadas por ai j ∈ X, e a notação
é acima.
Se m = n, a matriz se diz quadrada de ordem n (ou m). Uma matriz de ordem
m × n é dita matriz nula se ai j = 0 para todos i, j. Duas matrizes A = (ai j )
e B = (bi j ) são iguais se e somente se ai j = bi j para todos i e j. Importam
as seguintes definições. Se A é quadrada, os seus elementos aii formam a sua
diagonal principal.
73
74CAPÍTULO 10. APÊNDICE AMATRIZES E OPERAÇÕES COM MATRIZES
2+0 3+1
! ! ! !
2 3 0 1 2 4
+ = =
4 5 7 8 4+7 5+8 11 13
Conceitos importantes são os seguintes. Em uma matriz quadrada Uma matriz
de ordem n A = (ai j ), os elementos ai j para os quais i = j são os elementos da
diagonal principal de A. A matriz quadrada de ordem n I = (δi j ), onde δi j = 0 se
i , j e δi j = 1 se i = j é dita matriz identidade de ordem n; δi j assim definido é
denominado de delta de Kronecker.
1. A + (B + C) = (A + B) + C (associatividade da adição)
2. A + B = B + A (comutatividade da adição)
2. (k + l)A = kA + lA
3. k(lA) = (kl)A
Com os dois teoremas acima, vê-se que o conjunto das matrizes de ordem m×n
sobre um corpo K é um espaçõ vetorial sobre K. Interessa-nos particularmente o
caso das matrizes quadradas, que consideraremos doravante, exceto quanto men-
cinado o contrário. Podemos dotar o espaço vetorial das matrizes quadradas de
ordem n sobre um corpo K com um produto interno, como faremos abaixo. Antes,
uma definição importante, a de produto de matrizes, que definiremos de maneira
geral.
m×n · n× p = m × p.
76CAPÍTULO 10. APÊNDICE AMATRIZES E OPERAÇÕES COM MATRIZES
3. A0 = 0 (para A e 0 de ordem n)
4. AI = IA = A (para A e I de ordem n)
Definição 10.0.6
Definição 10.0.7 (Traço de uma matriz) Chama-se traço de uma matriz qua-
drada A = (ai j ) de ordem n sobre um corpo K ao escalar
n
X
T r(A) = aii . (10.2)
i=1
Exercício 10.0.2 Mostre que (10.3) define de fato um produto interno sobre o
espaço das matrizes acima referido.
78CAPÍTULO 10. APÊNDICE AMATRIZES E OPERAÇÕES COM MATRIZES
Capítulo 11
Apêndice B
Noções de cálculo diferencial
11.2 Funções
Se f : A 7→ B é uma função em uma só variável independente x, chamando y o
valor f (x), dizemos que y é a variável dependente. A notação
y = f (x)
79
80 CAPÍTULO 11. APÊNDICE B NOÇÕES DE CÁLCULO DIFERENCIAL
trizes reais quadradas de ordem n, esta função é uma função de Rn×n em R. Isso
mostra que os conjuntos A e B não necessitam ‘ter a mesma natureza’.
Uma função pode, no entanto, ter muitas variáveis independentes, digamos n,
a saber, x1 , . . . , xn . Neste caso, escrevemos
y = f (x1 , . . . , xn )
para denotá-la. Exemplos importantes em nosso estudo são certas funções que
associam a cada par de vetores α e β de um K-espaço vetorial V um escalar
hα|βi ∈ K chamado de produto interno entre α e β. Neste caso, n = 2.
Casos relevantes de funções são as que têm domínio em algun subconjunto do
R (ou do Cn ) e contra-domínio Rm (ou Cm ). Se escrevermos x̄ = hx1 , . . . , xn i e
n
ȳ = f ( x̄)
'$ f '$
x y Img( f )
&% &%
A = dom( f ) B = codom( f )
'$'$
x f z
y
A &% &%
B
Figura 11.2: Se f for injetiva, o que representa a figura acima não pode ocorrer,
ou seja, elementos distintos de A terem a mesma imagem.
Exemplo 11.2.1
'$'$
x f z
y
A &%&%
B
(datas). Em terminologia atual, dizemos que a função real de uma variável real f
tem limite b quando sua variável independente x tende a a, em símbolos,
(∀ > 0)(∃δ > 0)(0 < |x − a| < δ → | f (x) − b| < ).
(MAIS)
11.3.1 Derivadas
Capítulo 12
Apêndice C
Noções sobre cálculo integral
85
86 CAPÍTULO 12. APÊNDICE C NOÇÕES SOBRE CÁLCULO INTEGRAL
Capítulo 13
Apêndice D
Noções sobre equações diferenciais
87
88CAPÍTULO 13. APÊNDICE DNOÇÕES SOBRE EQUAÇÕES DIFERENCIAIS
Bibliografia
[Barsotti 1973] Barsotti, L., Álgebra Linear, A. M. Cavalvante & Cia., Curitiba, 1973.
[Brown 1979] Brown, H. B. 1979, Filosofia da Macânica Quântica, Notas de Aula, Uni-
versidade Estadual de Campinas.
[Hoffman & Kunze 1979] Hoffman, K. e Kunze, R., Álgebra Linear, LTC, Rio de Ja-
neiro, 2a. ed., 1979.
89