Você está na página 1de 81

Captulo 1

Sistemas de Equac oes Lineares


e Matrizes
Os sistemas de equacoes lineares tem uma grande aplicac ao a diferentes
areas, tais como `a Economia, `as Engenharias, `a Fsica, . . .. De facto, muitos
problemas nestas areas levam `a necessidade de resolver sistemas de equac oes
lineares com um determinado n umero de equa coes e incognitas. Salienta-se
que existem programas como o Mathematica e o MatLab que permitem re-
solver ecazmente estes sistemas quando o n umero de equac oes e incognitas
e bastante elevado. Por esta raz ao apresentaremos apenas exemplos de di-
mens ao pequena.
1.1 Generalidades
Denicao 1.1.1 Uma equacao linear nas incognitas x
1
, x
2
, . . . , x
n
e uma
equacao do tipo
a
1
x
1
+ a
2
x
2
+ . . . + a
n
x
n
= b, (1.1)
onde a
1
, a
2
, . . . , a
n
, b sao n umeros reais.

E habitual designar-se b segundo
membro ou termo independente da equacao (1.1) e a
1
, a
2
, . . . , a
n
coecientes
das incognitas. Diz-se que o n- uplo (
1
,
2
, . . . ,
n
) e solucao de (1.1) se
a
1

1
+ a
2

2
+ . . . + a
n

n
= b.
A conjunc ao de equac oes lineares do tipo (1.1) designa-se sistema de equacoes
lineares.
1
2 CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
Denicao 1.1.2 Um sistema constitudo por m equacoes lineares nas n
incognitas x
1
, x
2
, . . . , x
n
, pode representar-se da seguinte forma:
_

_
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
.
.
.
.
.
.
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
= b
m
.
(1.2)
A resolu cao de um sistema de equacoes lineares consiste em determinar
todas as suas soluc oes (caso existam). Deste modo, um sistema de equac oes
lineares diz-se:
1. Possvel quando tem solucao;
1.i Determinado quando a solu cao e unica;
1.ii Indeterminado quando tem mais do que uma soluc ao;
Designa-se grau de indeterminacao do sistema ao n umero de inc ognitas
livres, isto e, incognitas que podem tomar valores arbitr arios.
2. Impossvel quando nao tem soluc ao.
No caso do sistema de equac oes lineares (1.2) ser possvel, o n- uplo
(
1
,
2
, . . . ,
n
) e solucao do sistema se as substituic oes x
i
=
i
; i = 1, 2, . . . , n,
transformam todas as equac oes do sistema em identidades verdadeiras.
Denicao 1.1.3 Dois sistemas de equacoes lineares com o mesmo n umero
de equacoes e de incognitas dizem-se equivalentes se o conjunto solucao for
igual.
Denicao 1.1.4 Um sistema de equacoes lineares cujos termos independen-
tes sao todos nulos designa-se de sistema homogeneo. Este tipo de sistema
sera sempre possvel, pois possui sempre, pelo menos, a solucao nula.
De modo a ilustrar a aplicac ao do metodo de eliminacao de Gauss-Jordan
na resolu cao de sistemas de equa coes lineares, introduzir-se-` a alguma termi-
nologia, nomeadamente, tabelas de dupla entrada designadas de matrizes.
1.1. GENERALIDADES 3
As matrizes denotam-se habitualmente por letras mai usculas. Alguns
exemplos de matrizes s ao:
A =
_
2 3 5
1 3 6
_
, B =
_
_
1 4
0 3
2 7
_
_
, C =
_
_
1 3 5
1 3 6
5 8 3
_
_
As matrizes consistem de linhas e colunas. Por exemplo, considerando a
matriz
A =
_
2 3 5
1 3 6
_
,
As linhas s ao
_
2 3 5

linha 1
,
_
1 3 6

linha 2
,
e as colunas s ao
_
2
1
_
coluna 1
,
_
3
3
_
coluna 2
,
_
5
6
_
coluna 3
.
Denicao 1.1.5 As matrizes consistem em tabelas de dupla entrada, em
que a localizacao de um elemento na matriz e descrita indicando a linha e a
coluna na qual o elemento se encontra. Assim, o elemento que se encontra
na linha i, coluna j da matriz A denota-se por a
ij
. Deste modo podemos
visualizar uma matriz arbitraria mn do seguinte modo:
A =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
. . . .
.
.
.
a
m1
a
m2
. . . a
mn
_

_
.
Cada uma das m las horizontais de A designa-se por linha de A enquanto
cada uma das n las verticais se designa por coluna de A. Uma matriz com
m linhas e n colunas de n umeros reais diz-se uma matriz de ordem ou tipo
mn sobre R.
4 CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
O conjunto de todas as matrizes do tipo m n sobre R representa-se
por M
mn
. A ordem de uma matriz e descrita especicando o n umero de
linhas e de colunas da matriz. Por exemplo, uma matriz com duas linhas e
tres colunas diz-se uma matriz de ordem 2 3, o primeiro n umero indica o
n umero de linhas e o segundo o n umero de colunas. Quando o n umero de
linhas e igual ao n umero de colunas (m = n), diz-se que a matriz e quadrada e
escreve-se A M
n
, caso contrario diz-se que a matriz e rectangular. No caso
da matriz ser quadrada, os elementos diagonais de A s ao a
11
, a
22
, . . . , a
nn
.
`
A
sequencia ordenada constituda por estes elementos (a
11
, a
22
, . . . , a
nn
) chama-
se diagonal principal de A. A sequencia ordenada constituda pelos elementos
(a
1n
, a
2,n1
, . . .,a
n1
) designa-se diagonal secundaria.
Uma matriz composta por uma linha diz-se matriz linha e uma matriz
composta por uma coluna diz-se matriz coluna. Por exemplo,

2 1 3
1 1 0

matriz 23
matriz rectangular
,

3 1 2
3 0 1
2 1 8

matriz 33
matriz quadrada
,

5 3 1

matriz 13
matriz linha

5
3
1

matriz 31
matriz coluna
Continuar-se-a, agora, o tema inicial desta secc ao. Existem duas matri-
zes associadas a um sistema de equac oes lineares: a matriz dos coecientes
constituda pelos coecientes das vari aveis do sistema e a matriz ampliada
constituda pela matriz dos coecientes, juntamente com os termos indepen-
dentes. A matriz dos coecientes denota-se habitualmente por A e a matriz
ampliada por [A[B]. Por exemplo, a matriz dos coecientes e a matriz am-
pliada associada ao sistema de equa coes lineares seguinte e:
_
_
_
x y + 2z = 1
2x + 2z = 1
x 3y + 5z = 3.
_
_
1 1 2
2 0 2
1 3 5
_
_
matriz dos coecientes
_
_
1 1 2 1
2 0 2 1
1 3 5 3
_
_
matriz ampliada
,
respectivamente.
As transformac oes designadas transformacoes elementares, aplicam-se ao
sistema inicial de modo a obter um sistema mais simples e equivalente ao
primeiro. Assim, dado um sistema de equacoes lineares, S, obtem-se um
sistema equivalente a S, quando:
1.1. GENERALIDADES 5
1. Se troca a ordem das equac oes;
2. Se multiplicam ambos os membros de uma dada equac ao por uma cons-
tante diferente de zero;
3. A uma equa cao se soma uma outra, eventualmente multiplicada por
uma constante arbitraria.
As transforma coes anteriores podem representar-se simbolicamente do se-
guinte modo:
1. E
i
E
j
;
2. E
i
E
i
, ,= 0;
3. E
i
E
i
+ E
j
.
A troca da ordem das incognitas permite tambem obter sistemas equiva-
lentes entre si.
Utilizam-se transformac oes an alogas, designadas operacoes elementares,
na resoluc ao de sistemas de equacoes lineares recorrendo ao metodo matricial,
nomedadamente
1. Troca entre si de duas linhas da matriz;
2. Multiplicacao de uma linha da matriz por um n umero diferente de zero;
3. Substituicao de uma linha da matriz pela sua soma com um m ultiplo
de outra,
e podem representar-se simbolicamente da forma seguinte:
1. L
i
L
j
;
2. L
i
L
i
, ,= 0;
3. L
i
L
i
+ L
j
.
Para cada uma das tres operac oes elementares anteriores existem operac oes
an alogas correspondente ` as colunas, que se podem escrever simbolicamente
do seguinte modo:
6 CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
1. C
i
C
j
;
2. C
i
C
i
, ,= 0;
3. C
i
C
i
+ C
j
.
No metodo de eliminac ao de Gauss-Jordan as transformacoes elementares
s ao utilizadas para eliminar de um modo sistem atico variaveis. O objectivo
nal deste metodo e o de se obter um sistema cujas soluc oes sao dadas de
modo imediato. Ilustrar-se-` a, no exemplo seguinte, o modo de funcionamento
deste metodo quer atraves das equac oes quer recorrendo `as matrizes. O leitor
dever a observar no modo como as variaveis s ao eliminadas nas equa coes e
como isto se processa em termos matriciais onde s ao colocados zeros em
determinadas posicoes.
Exemplo. Resolva o sistema de equac oes lineares
_
_
_
x y + 2z = 1
2x + 2z = 1
x 3y + 5z = 3.
Solucao. Pretende-se eliminar os coecientes de x na 2
a
e 3
a
equac oes,
para tal substituem-se estas equac oes pela sua soma com o produto de 2 e
1 vezes a 1
a
equac ao, respectivamente. No segundo passo para eliminar o
coeciente de y na 3
a
equac ao basta adicionar a esta equac ao a 2
a
equac ao.
Isto e,
_
_
_
x y +2z = 1
2x +2z = 1
x 3y +5z = 3

E
2
E
2
2E
1
E
3
E
3
E
1
_
_
_
x y +2z = 1
2y 2z = 1
2y +3z = 2

E
3
E
3
+E
2
_
_
_
x y +2z = 1
2y 2z = 1
z = 1.
Para obter a solucao do sistema prossegue-se utilizando a substitui cao
inversa. Assim, o conjunto soluc ao deste sistema e (
1
2
,
1
2
, 1), ou seja, e
possvel e determinado.
No metodo matricial, `a matriz ampliada associada ao sistema, [A[B],
efectuam-se as mesmas sequencias de operac oes elementares sobre linhas que
1.2. M

ETODO DE ELIMINAC

AO DE GAUSS 7
se executaram anteriormente. Neste caso,
[A[B] =
_
_
1 1 2 [ 1
2 0 2 [ 1
1 3 5 [ 3
_
_

L
2
L
2
2L
1
L
3
L
3
L
1
_
_
1 1 2 [ 1
0 2 2 [ 1
0 2 3 [ 2
_
_

L
3
L
3
+ L
2
_
_
1 1 2 [ 1
0 2 2 [ 1
0 0 1 [ 1
_
_
.
A ultima matriz representa o sistema
_
_
_
x y +2z = 1
2y 2z = 1
z = 1,
que pode ser resolvido por substituicao inversa dando origem ao mesmo con-
junto soluc ao j a anteriormente obtido.
1.2 Metodo de eliminacao de Gauss
Na sec ao anterior, ilustrou-se o metodo de eliminac ao de Gauss num
sistema de equac oes lineares em que o n umero de equa coes e inc ognitas era
igual. De seguida, explica-se o funcionamento deste metodo no caso geral.
Primeiro, introduz-se o conceito de matriz em escada de linha.
Denicao 1.2.1 Dizse que uma matriz A de ordem M
mn
esta em forma
de escada de linhas se satiszer as condicoes seguintes:
1. Se r < m e a linha r e nula, entao a linha r + 1 tambem e nula;
2. Se s < m, a linha s e nao nula e a
st
e a sua primeira entrada nao nula
(designada pivot), entao para todo o j 1, . . . , t, a
s+1j
= 0.
Assim, uma matriz esta em forma de escada de linhas se as entradas
debaixo do pivot s ao iguais a zero.
Exemplo. A matriz A de ordem 5 6
A =
_

_
0 1 2 0 2 4
0 0 0 3 1 0
0 0 0 0 1 5
0 0 0 0 0 0
0 0 0 0 0 0
_

_
8 CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
est a em forma de escada de linhas. No entanto, a matriz B de ordem 4 6
B =
_

_
0 1 2 0 0 4
0 0 1 1 0 0
0 0 1 0 1 5
0 0 0 0 0 0
_

_
n ao est a em forma de escada de linhas.
O metodo de eliminacao de Gauss aplica-se `a matriz ampliada de um
dado sistema de equac oes lineares com o objectivo de a colocar na forma em
escada de linhas. Assim, em cada passo do metodo identica-se o pivot e
eliminam-se os coecientes dos termos correspondentes que se situam abaixo
dele. Na pr atica usa-se uma variante do metodo de eliminacao de Gauss que
se pode sintetizar no algoritmo seguinte:
Para i = 1, . . . , m
1. Seja t o menor elemento de 1, . . . , n, tal que a
it
,= 0 (a
it
e candidato
a pivot no passo corrente).
2. Seja r o menor elemento de 1, . . . , t 1 tal que a
kr
,= 0, k i +
1, . . . , m.
i. Caso nao exista este elemento a
it
e o pivot;
ii. Caso exista este elemento troca-se a k-esima pela i-esima equacao
e a
ir
e o pivot.
3. Seja l a coluna onde se situa o pivot. Para cada s i + 1, . . . , m,
substitui-se a s-esima equacao pela sua soma com o produto de
a
sl
a
il
pela i-esima equacao.
Ap os terminar o processo de eliminac ao de Gauss, a resolucao do sistema
prossegue atraves da substituic ao inversa, isto e, substituindo da ultima para
a primeira equa cao os valores entretanto determinados.
Observe-se, no entanto, que na resoluc ao de sistemas de equac oes lineares
n ao e possvel utilizar operac oes elementares sobre colunas, com excepc ao da
troca de colunas aplicada `a matriz dos coecientes.
No caso de uma matriz nao estar na forma de escada de linhas, a elimi-
nac ao de Gauss permite obter a partir desta matriz, e efectuando um n umero
1.2. M

ETODO DE ELIMINAC

AO DE GAUSS 9
nito de operacoes elementares sobre linhas e/ou colunas, uma nova matriz
na forma de escada de linhas.
Exemplo.Utilize o metodo de elimina cao de Gauss para encontrar uma ma-
triz em escada de linha a partir da matriz A.
A =
_

_
0 0 0 0 0
0 9 6 6 3
0 4 5 3 4
0 2 2 2 2
_

_
Solucao.
A =
_

_
0 0 0 0 0
0 9 6 6 3
0 4 5 3 4
0 2 2 2 2
_

L
1
L
5
_

_
0 2 2 2 2
0 9 6 6 3
0 4 5 3 4
0 0 0 0 0
_

L
1

1
2
_

_
0 1 1 1 1
0 9 6 6 3
0 4 5 3 4
0 0 0 0 0
_

L
2
L
2
9L
1
_

_
0 1 1 1 1
0 0 3 3 12
0 4 5 3 4
0 0 0 0 0
_

L
3
L
3
4L
1
_

_
0 1 1 1 1
0 0 3 3 12
0 0 1 1 0
0 0 0 0 0
_

L
2
L
3
_

_
0 1 1 1 1
0 0 1 1 0
0 0 3 3 12
0 0 0 0 0
_

L
3
L
3
+3L
2
_

_
0 1 1 1 1
0 0 1 1 0
0 0 0 6 12
0 0 0 0 0
_

_
.
Aplicando o metodo de eliminac ao de Gauss transformou-se a matriz A
numa matriz em escada de linhas.
Exemplo. Resolva o sistema de equac oes lineares untilizando o metodo de
eliminac ao de Gauss:
_
_
_
x + 2y z + 3w = 4
2x + 4y 2z + 7w = 10
x 2y + z 4w = 6.
10CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
Solucao. Aplicando o metodo de eliminac ao de Gauss-Jordan, obtem-se
[A[B] =
_
_
1 2 1 3 [ 4
2 4 2 7 [ 10
1 2 1 4 [ 6
_
_

L
2
L
2
2L
1
L
3
L
3
+L
1
_
_
1 2 1 3 [ 4
0 0 0 1 [ 2
0 0 0 1 [ 2
_
_

L
1
L
1
3L
2
L
3
L
3
+L
2
_
_
1 2 1 3 [ 4
0 0 0 1 [ 2
0 0 0 0 [ 0
_
_
.
A ultima matriz representa o sistema
_
x + 2y z = 2
w = 2
A primeira equac ao pode-se escrever da forma x = 2y +z 2 e, portanto,
a solu cao geral e x = 2y + z 2 e w = 2. Este sistema e possvel e inde-
terminado, por isso para se obterem solu coes particulares para este sistema
podem obter-se atribuindo a y e z diversos valores.
1.3 Caracterstica de uma matriz
Nesta sec ao, apresenta-se a no cao de caracterstica de uma matriz pois
permite classicar um sistema de equa coes lineares sem o resolver previa-
mente.
Denicao 1.3.1 A caracterstica de uma matriz A, car(A), de ordem mn
e igual ao n umero de pivots de uma matriz em forma de escada de linhas
obtida a partir de A.
Sejam A, B, C matrizes de ordem mn tais que B e C s ao matrizes em
forma de escada de linhas que se obtem de A efectuando um n umero nito
de operacoes elementares. Ent ao B e C tem a mesma caracterstica..
Teorema 1 (Teorema de Rouche) Considere-se um sistema de equacoes li-
neares com coecientes e termos independentes reais, representado pela ma-
triz ampliada [A[B]. Este sistema e possvel se e so se a caracterstica da
matriz simples do sistema, A, for igual `a caracterstica da matriz ampliada
do sistema [A[B]
1.3. CARACTER

ISTICA DE UMA MATRIZ 11


Deste modo, um sistema diz-se
1. Possvel Determinado quando car(A) = car(A[B) = n umero de inc ognitas;
2. Possvel Indeterminado quando car(A) = car(A[B) <n umero de incognitas.
O grau de indeterminac ao = n umero de incognitas car(A);
3. Impossvel quando car(A) < car(A[B).
Exemplo. Classique o sistema seguinte para os diferentes valores reais de
k.
_
_
_
3x + 4y + 2z = k
2x + 3y z = 1
x + y + kz = 2.
Solucao: A matriz ampliada deste sistema e
[A[B] =
_
_
3 4 2 [ k
2 3 1 [ 1
1 1 k [ 2
_
_

L
1
L
3
_
_
1 1 k [ 2
2 3 1 [ 1
3 4 2 [ k
_
_

L
2
L
2
2L
1
L
3
L
3
3L
1
_
_
1 1 k [ 2
0 1 1 2k [ 3
0 1 2 3k [ k 6
_
_

L
3
L
3
L
2
_
_
1 1 k [ 2
0 1 1 2k [ 3
0 0 3 k [ k 3
_
_
.
Se k = 3 obtem-se
_
_
1 1 3 [ 2
0 1 7 [ 3
0 0 0 [ 0
_
_
.
Ent ao, car(A) = car(A[B) = 2 < 3 =n umero de incognitas e o grau de
indeterminac ao e igual ao n umero de inc ognitas menos car(A) = 3 2 = 1.
Logo, o sistema e possvel e indeterminado com grau de indetermina cao 1.
No caso de k R3, car(A) = car(A[B) = 3 = n umero de inc ognitas.
Como tal, o sistema e possvel e determinado.
12CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
1.4 Propriedades algebricas das matrizes
Denicao 1.4.1 Duas matrizes C = [c
ij
] e D = [d
ij
] dizem-se iguais quando
C e D sao matrizes com a mesma ordem satisfazendo c
ij
= d
ij
, para cada
i = 1, . . . , m e j = 1, . . . , n.
A denic ao anterior aplica-se em particular a matrizes do tipo
u = [1 2 3] e v =
_
_
1
2
3
_
_
.
Apesar de u e v representarem o mesmo ponto em R
3
, n ao se pode considerar
que estas matrizes s ao iguais, uma vez que tem ordens diferentes.
Denicao 1.4.2 Sejam A, B M
mn
. A soma de A e B e a matriz A +
B M
mn
que se obtem adicionando as entradas homologas de A e B, i.e.,
A + B = [a
ij
+ b
ij
] M
mn
.
Exemplo.
_
_
1 1 x
2 0 1
3 5 y
_
_
+
_
_
0 2 1
3 1 1
3 4 1
_
_
=
_
_
1 3 x + 1
5 1 2
6 9 y + 1
_
_
.
Denicao 1.4.3 Sejam um escalar e A = [a
ij
] M
mn
. Chama-se pro-
duto do escalar pela matriz A, e denota-se por A, `a matriz que se obtem
multiplicando todas as entradas de A por , i.e, A = [a
ij
].
A matriz A e a matriz que se obtem de A multiplicando cada um dos
elementos de A por 1. Assim, se A = [a
ij
], ent ao A = [a
ij
]. Como tal,
pode-se denir subtraccao de matrizes em termos da adicaoe da multiplica cao
escalar. Dadas duas matrizes A = [a
ij
] e B = [b
ij
] com a mesma ordem, a
diferenca entre A e B e denida como sendo a matriz A B = A + (B).
Deste modo,
A B = [a
ij
b
ij
].
1.4. PROPRIEDADES ALG

EBRICAS DAS MATRIZES 13


Denicao 1.4.4 Seja A = [a
ij
] M
mn
e B = [b
ij
] M
np
. O produto
entre A e B, AB, e a matriz do tipo m p cujo elemento (i, j) e a
i1
b
1j
+
a
i2
b
2j
+ + a
in
b
nj
. Assim,
AB =
_
n

k=1
a
ik
b
kj
_
M
mp
.
Como se pode constatar pela denic ao, o produto da matriz A pela matriz
B, AB, apenas esta denido se o n umero de colunas de A for igual ao n umero
de linhas de B. Neste caso, o n umero de linhas da matriz AB e igual ao
n umero de linhas de A e o n umero de colunas e igual ao n umero de colunas
de B.
Exemplo. Sejam
A =
_
_
3 0 1
1 1 2
2 4 3
_
_
e B =
_
_
1 0
1 3
2 2
_
_
.
Ent ao
AB =
_
_
3 1 + 0 (1) + 1 2 3 0 + 0 3 + 1 (2)
1 1 + (1) (1) + 2 2 1 0 + (1) 3 + 2 (2)
2 1 + 4 (1) + 3 2 2 0 + 4 3 + 3 (2)
_
_
=
_
_
5 2
6 7
4 6
_
_
.
Considerem-se as matrizes A e B do exemplo anterior. A matriz AB tem
ordem 3 2, enquanto a matriz BA tem ordem 2 3. Assim, pode concluir-
se que o produto de matrizes nao goza da propriedade comutativa. No
entanto, embora o produto de matrizes n ao seja comutativo, h a matrizes
A, B M
n
tais que AB = BA. Neste caso diz-se que A e B comutam.
Denicao 1.4.5 A matriz nula e uma matriz em que todas as entradas sao
iguais a zero. Uma matriz diz-se triangular superior se todas as entradas
abaixo da diagonal principal sao nulas. Uma matriz diz-se triangular infe-
rior se todas as entradas abaixo da diagonal principal sao nulas. Uma matriz
14CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
diagonal e uma matriz quadrada nos quais todos os elementos excepto a dia-
gonal principal sao iguais a zero. A matriz identidade e uma matriz diagonal,
em que as entradas diagonais sao todas iguais a zero.
Assim,
A =
_

_
a
11
a
12
. . . a
1n
0 a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
nn
_

_
matriz triangular superior
B =
_

_
a
11
0 . . . 0
a
21
a
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_

_
.
matriz triangular inferior
C =
_

_
a
11
0 . . . 0
0 a
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
nn
_

_
.
matriz diagonal
e
0
mn
=
_

_
0 0 . . . 0
0 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 0
_

_
matriz nula
I
n
=
_

_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_

_
matriz identidade
As matrizes nulas tem um papel na teoria das matrizes semelhante ao
zero dos n umeros reais, enquanto que as matrizes identidades tem um pape
an alogo ao n umero 1. Estes papeis encontram-se descritos no teorema se-
guinte.
Teorema 2 Seja A M
mn
e 0
mn
a matriz nula de ordem mn. Seja
B M
n
uma matriz quadrada nn e sejam O
n
e I
n
a matriz nula e a matriz
identidade de ordem n n. Entao
1. A + 0
mn
= 0
mn
= 0
mn
+ A;
2. B0
n
= 0
n
B = 0
n
3. BI
n
= I
n
B = B.
Teorema 3 Sejam A, B e C matrizes e e escalares. Suponhamos que
a ordem das matrizes e tal que as operacoes seguintes podem ser realizadas.
De seguida, apresentam-se algumas propriedades para a adicao de matri-
zes e para o produto escalar
1. A + B = B + A, (propriedade comutativa);
1.4. PROPRIEDADES ALG

EBRICAS DAS MATRIZES 15


2. (A + B) + C = A + (B + C), (propriedade associativa);
3. A + 0
mn
= 0
mn
+ A = A, (existencia de elemento neutro para a
adicao);
4. A + (A) = (A) + A = 0
mn
, (existencia de elemento simetrico).
5. ()A = (A), (propriedade associativa);
6. (A + B) = A + B, (propriedade distributiva);
7. ( + )A = A + A, (propriedade distributiva);
8. 1A = A, (elemento neutro).
9. A0 = 0 e 0A = 0, AI
n
= I
m
A = A, (elemento absorvente e elemento
neutro, respectivamente);
10. (AB)C = A(BC), (propriedade associativa);
11. A(B+C) = AB+AC, (A+B)C = AC+BC, (propriedade distributiva);
12. (AB) = (A)B = A(B).
Considerem-se as matrizes
A =
_
1 0
1 0
_
, B =
_
0 0
1 0
_
, C =
_
1 0
2 2
_
e C

=
_
1 0
1 2
_
.
Ent ao,
AB =
_
0 0
0 0
_
e AC =
_
1 0
1 0
_
= AC

.
Assim, pode concluir-se que
13. AB = 0 n ao implica que A = 0 ou B = 0;
14. (AC = AC

e A ,= 0) n ao implica que C = C

.
Denicao 1.4.6 Sejam A M
n
e k N
0
. Dene-se potencia de expoente
k de A da forma:
A
k
=
_
I
n
se k = 0
AA. . . A
. .
k vezes
se k N.
16CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
Note-se que A
i+j
= A
i
A
j
e A
ij
= (A
i
)
j
, para i, j N
0
. No entanto, como
o produto de matrizes n ao e comutativo, n ao se verica (AB)
i
= A
i
B
i
, i N.
Com efeito, para as matrizes
A =
_
1 2
1 1
_
e B =
_
1 0
1 0
_
obtem-se
A
2
B
2
=
_
3 4
2 3
_ _
1 0
1 0
_
=
_
7 0
5 0
_
e
(AB)
2
=
__
1 2
1 1
_ _
1 0
1 0
__
2
=
_
9 0
6 0
_
.
e, para este exemplo, (AB)
2
,= A
2
B
2
.
1.5 Matrizes simetricas
Denicao 1.5.1 Seja A = [a
ij
] do tipo mn. A matriz transposta de A e
a matriz A
T
= [a
ji
] M
nm
.
Recorrendo ` a denicao anterior, verica-se que as colunas de A
T
s ao as
linhas de A e as linhas s ao as colunas de A.
Teorema 4 Sejam A e B matrizes de tal forma que as somas e os produtos
estejam bem denidos. Entao,
1. (A
T
)
T
= A;
2. (A + B)
T
= A
T
+ B
T
;
3. (A)
T
= A
T
, para R;
4. (AB)
T
= B
T
A
T
;
5. (A
k
)
T
= (A
T
)
k
.
Denicao 1.5.2 Seja A uma matriz quadrada, tal que A
T
= A, entao A
diz-se simetrica. No caso de A
T
= A a matriz A diz-se anti-simetrica. Se
A e uma matriz quadrada que satisfaz a condicao AA
T
= I
n
, entao diz-se
que A e ortogonal.
1.5. MATRIZES SIM

ETRICAS 17
Se A e uma matriz simetrica, ent ao os elementos situados em posic oes
simetricas relativamente `a diagonal principal s ao iguais. Se A e uma matriz
anti-simetrica, entao os elementos diagonais da matriz s ao iguais a zero e os
elementos situados em posicoes simetricas relativamente ` a diagonal principal
s ao simetricos.
Exemplo. A transposta de
A =
_
1 2 1
0 3 4
_
e
A
T
=
_
_
1 0
2 3
1 4
_
_
.
A matriz
B =
_
_
3 2 5
2 1 7
5 7 9
_
_
e simetrica, isto e, B = B
T
e a matriz
C =
_
_
0 2 5
2 0 7
5 7 0
_
_
e anti-simetrica, ou seja, C = C
T
.
Introduz-se, de seguida, um n umero que se associa a toda a matriz qua-
drada designado de traco da matriz .
Denicao 1.5.3 Seja A M
n
. O traco de A, denotado de Tr (A), e a soma
dos elementos da diagonal principal de A, isto e,
Tr (A) = a
11
+ a
22
+ . . . + a
nn
Exemplo: Determine o traco da matriz
A =
_
_
4 1 2
2 5 6
7 3 0
_
_
.
18CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
Soluc ao. Obtem-se Tr (A) = 4 + (5) + 0 = 1.
O traco de matriz desempenha um papel muito importante na teoria das
matrizes por causa das suas propriedades muito simples. Este conceito e
utilizado em areas tais como a mecanica estatstica, na relatividade geral
na mec anica qu antica, uma vez que tem um signicado fsico. No teorema
seguinte apresentam-se alguns resultados sobre o traco.
Teorema 5 Sejam A, C matrizes e c um escalar. Suponhamos que as ma-
trizes tem ordem que permitem as operacoes seguintes:
(a) Tr (A + B) = Tr (A) + Tr (B)
(b) Tr (AB) = Tr (BA)
(c) Tr (cA) = cTr (A)
(d) Tr (A
T
) = Tr (A)
Demonstracao. Prova-se apenas a alnea (a), as demonstrac ao das restan-
tes alneas sao deixadas a cargo do leitor. Como os elementos da diagonal
principal de A + B s ao (a
11
+ b
11
), (a
22
+ b
22
), . . . , (a
22
+ b
22
), obtem-se
Tr (A + B) = (a
11
+ b
11
) + (a
22
+ b
22
) + . . . + (a
nn
+ b
nn
)
= (a
11
+ a
22
+ . . . + a
nn
) + (b
11
+ b
22
+ . . . + b
nn
)
= Tr (A) + Tr (B).

Para nalizar esta sec ao, abordar-se- a o tema sobre matrizes com entradas
complexas. Um n umero complexo e um n umero da forma z = a + b i. onde
a, b s ao n umeros reais e i =

1. a designa-se parte real e b designa-se parte


imaginaria de z. O conjunto constitudo pelos n umeros complexos denota-se
por C
Descrevem-se de seguida, a regras da aritmetica para n umeros complexos.
Sejam z
1
= a + b i e z
2
= c + d i n umeros complexos. Entao
1. z
1
= z
2
se e s o se a = c e b = d;
2. z
1
+ z
2
= (a + c) + (b + d) i
1.5. MATRIZES SIM

ETRICAS 19
3. z
1
z
2
= (a c) + (b d) i
4.
z
1
z
2
= (a + b i)(c + d i) = a(c + d i) + b i(c + d i)
= ac + ad i + bc i + bdi
2
= ac + bdi
2
+ (ad + bc) i = (ac bd) + (ad + bc) i
O conjugado de um n umero complexo z = a + b i dene-se e denota-se por
z = a b i.
Exemplo. Considere os n umeros complexos z
1
= 2 + 3 i e z
2
= 1 2 i.
Calcule z
1
+ z
2
, z
1
z
2
e z
1
.
Soluc ao. Usando as denic oes anteriores, obtem-se
z
1
+ z
2
= (2 + 3 i) + (1 2 i) = (2 + 1) + (3 2) i = 3 + i
z
1
z
2
= (2 + 3 i)(1 2 i) = 2(1 2 i) + 3 i(1 2 i) = 2 4 i + 3 i 6 i
2
= 8 i
z
1
= 2 3 i
As opera coes matriciais em matrizes com entradas complexas sao exac-
tamente iguais ao caso de matrizes com entradas reais,
Exemplo. Sejam
A =
_
2 + i 3 2 i
4 5 i
_
e B =
_
3 2 i
1 + i 2 + 3 i
_
.
Calcule A + B, 2A e AB.
Soluc ao. Obtem-se
A + B =
_
2 + i 3 2 i
4 5 i
_
+
_
3 2 i
1 + i 2 + 3 i
_
=
_
2 + i + 3 3 2 i + 2 i
4 + 1 + i 5 i + 2 + 3 i
_
=
_
5 + i 3
5 + i 2 + 8
_
2A = 2
_
2 + i 3 2 i
4 5 i
_
=
_
4 + 2 i 6 4 i
8 10 i
_
20CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
AB =
_
2 + i 3 2 i
4 5 i
_ _
3 2 i
1 + i 2 + 3 i
_
=
_
3(2 + i) + (3 2 i)(1 + i) (2 + i)(2 i) + (3 2 i)(2 + 3 i)
4 3 + (5 i)(1 + i) 4(2 i) + (5 i)(2 + 3 i)
_
=
_
11 + 4 i 10 + 9 i
7 + 5 i 15 + 8 i
_
.
A conjugada da matriz A denota-se por A e obtem-se de A fazendo a
conjugada de cada uma das entradas de A. A matriz transconjugada de A
escreve-se e dene-se por A

= A
T
. Por exemplo, se A =
_
2 + 3 i 1 4 i
6 7 i
_
,
ent ao
A =
_
2 3 i 1 + 4 i
6 7 i
_
e A

= A
T
=
_
2 3 i 6
1 + 4 i 7 i
_
.
Uma matriz quadrada diz-se hermtica se A = A

.
Por exemplo, a matriz C =
_
2 3 4 i
3 + 4 i 7 i
_
e hermtica. De facto,
C =
_
2 3 + 4 i
3 4 i 6
_
e C

= C
T
=
_
2 3 4 i
3 + 4 i 7 i
_
= C.
As propriedades da transconjugada sao semelhantes ` as propriedades da
transposta, como se pode constatar no teorema que se segue.
Teorema 6 Sejam A, B matrizes com entradas complexas e seja z um n umero
complexo. Entao
(a) (A + B)

= A

+ B

;
(b) (z A)

= z A

;
(c) (AB)

= B

(d) (A

= A
1.6. INVERSA DE UMA MATRIZ 21
1.6 Inversa de uma matriz
Dado um escalar n ao nulo , ent ao para cada escalar a equa cao x =
tem uma unica soluc ao dada por x =
1
. Ser a possvel efectuar um
raciocnio semelhante no caso dos sistemas de equac oes lineares da forma
AX = B, isto e, sera possvel encontrar uma matriz A
1
de modo que
X = A
1
B? A resposta a esta questao e armativa no caso da matriz A ser
quadrada.
Denicao 1.6.1 Seja A uma matriz quadrada de ordem n. Diz-se que A e
invertvel (ou regular ou nao singular) se existir uma matriz quadrada B de
ordem n, tal que AB = BA = I
n
.
Note-se que existe apenas uma matriz quadrada B satisfazendo as igual-
dades anteriores. A matriz B denomina-se inversa da matriz A e denota-se
por A
1
.
Teorema 7 Sejam A, B M
n
invertveis. Entao
1. AB e invertvel e (AB)
1
= B
1
A
1
;
2. A
k
e invertvel e (A
k
)
1
= A
1
A
1
. . . A
1
. .
k vezes
, k N;
3. A
T
e invertvel e (A
T
)
1
= (A
1
)
T
;
4. A
1
e invertvel e (A
1
)
1
= A;
5. (A)
1
=
1

A
1
, ,= 0;
6. I
1
n
= I
n
.
Demonstracao:
1. Note-se que B
1
A
1
e inversa de AB se e s o se (AB)(B
1
A
1
) =
(B
1
A
1
)(AB) = I
n
. Dado que as matrizes A e B s ao invertveis e que
o produto de matrizes e associativo, vem
(AB)(B
1
A
1
) = A(BB
1
)A
1
= AI
n
A
1
= AA
1
= I
n
e
(B
1
A
1
)(AB) = B
1
(A
1
A)B = B
1
I
n
B = B
1
B = I
n
.
22CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
2. Uma vez que (A
1
)
m
e inversa de A
m
se e s o se A
m
(A
1
)
m
= (A
1
)
m
A
m
=
I
n
e que A e invertvel e o produto de matrizes e associativo, tem-se
A
m
(A
1
)
m
= (A. . . AAA)
. .
m vezes
(A
1
A
1
A
1
. . . A
1
)
. .
m vezes
= (A. . . AA)
. .
m1 vezes
(AA
1
) (A
1
A
1
. . . A
1
)
. .
m1 vezes
= (A. . . AA)
. .
m1 vezes
I
n
(A
1
A
1
. . . A
1
)
. .
m1 vezes
= (A. . . AA)
. .
m1 vezes
(A
1
A
1
. . . A
1
)
. .
m1 vezes
=
= I
n
.
3. Dado que (A
1
)
T
e inversa de A
T
se e s o se (A
1
)
T
A
T
= (A
T
A
1
)
T
= I
n
e que A e invertvel e o produto de matrizes e associativo, tem-se
(A
1
)
T
A
T
= (AA
1
)
T
= I
n
e
(A
T
A
1
)
T
= (A
1
A)
T
= I
n
.
As demonstrac oes de 4. e 5. sao an alogas `as anteriores e deixam-se a
cargo do leitor. A demonstrac ao de 6. e imediata.
Denicao 1.6.2 Uma matriz A e ortogonal se e so se a sua inversa coincidir
com a sua transposta, i.e., A
1
= A
T
.
Seja A M
n
uma matriz invertvel. A matriz inversa de A pode ser
determinada usando o algoritmo de Gauss-Jordan, que consiste nos seguintes
passos:
1. Aplicar ` a matriz [A[I
n
], de ordem n 2n, o metodo de eliminac ao de
Gauss descendente.
2. Quando a matriz estiver na forma de escada, se o n umero de linhas
n ao nulas for menor que n, ent ao a matriz A n ao e invertvel. Caso
contr ario,
1.6. INVERSA DE UMA MATRIZ 23
2.i comecando pela ultima linha e utilizando operac oes elementares,
anulam-se os elementos que se encontram acima da diagonal prin-
cipal da matriz ` a esquerda.
2.ii Depois de transformada a matriz ` a esquerda na forma diagonal
dividem-se todas as linhas pelos respectivos elementos diagonais
da matriz ` a esquerda.
No nal deste processo obtem-se a matriz [I[A
1
].
A partir do metodo anterior, pode-se concluir que A M
n
e invertvel se
e so se a sua caracterstica e igual a n.
Exemplo. Averig ue se a seguinte matriz e invertvel e em caso armativo
determine a sua inversa.
A =
_
_
1 1 4
2 5 4
1 4 2
_
_
.
Solucao. Comeca-se por aplicar o metodo de eliminac ao de Gauss descen-
dente `a matriz
[A[I] =
_
_
1 1 4 [ 1 0 0
2 5 4 [ 0 1 0
1 4 2 [ 0 0 1
_
_
.
O primeiro passo consiste em adicionar `a segunda e `a terceira linhas de [A[I] a
primeira linha multiplicada por 2 e 1, respectivamente. Na matriz obtida
adiciona-se `a terceira linha a segunda multiplicada por 1:
[A[I] =
_
_
1 1 4 [ 1 0 0
2 5 4 [ 0 1 0
1 4 2 [ 0 0 1
_
_

L
2
L
2
2L
1
L
3
L
3
L
1
_
_
1 1 4 [ 1 0 0
0 3 4 [ 2 1 0
0 3 6 [ 1 0 1
_
_

L
3
L
3
L
2
_
_
1 1 4 [ 1 0 0
0 3 4 [ 2 1 0
0 0 2 [ 1 1 1
_
_
.
Como se pode observar a matriz A e invertvel, dado que o n umero de linhas
n ao nulas da matriz em escada ` a esquerda e 3. Inicia-se, agora, a eliminac ao
de Gauss ascendente. Usa-se o elemento 2 que se encontra na posic ao (3, 3)
para anular os restantes elementos da terceira coluna (adiciona-se `a segunda
e primeira linhas a terceira multiplicada por 2 e 2, respectivamente). Na
24CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
nova matriz obtida, adiciona-se ` a primeira linha a segunda multiplicada por

1
3
:
_
_
1 1 0 [ 3 2 2
0 3 0 [ 4 3 2
0 0 2 [ 1 1 1
_
_

L
1
L
1

1
3
L
2
_
_
1 0 0 [
13
3
3
8
3
0 3 0 [ 4 3 2
0 0 2 [ 1 1 1
_
_
.
Do lado esquerdo obteve-se uma matriz diagonal. Resta dividir a segunda
linha por 3 e a terceira por 2:
[I[A
1
] =
_
_
1 0 0 [
13
3
3
8
3
0 1 0 [
4
3
1
2
3
0 0 1 [
1
2
1
2

1
2
_
_
.
Conclu-se que A e invertvel e a sua inversa e
A
1
=
_
_
13
3
3
8
3

4
3
1
2
3

1
2
1
2

1
2
_
_
.
Considere o seguinte sistema de equac oes lineares
_

_
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
= b
m
.
.

E possvel escrever este sistema usando notac ao matricial. De facto,


_

_
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
.
.
.
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
.
_

_
=
_

_
b
1
b
2
.
.
.
b
m
_

_
A matriz da esquerda pode ser escrita como o produto da matriz dos coeci-
entes A e a matriz coluna das variaveis. Seja AB a matriz coluna dos termos
independentes, isto e,
A
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
. . . .
.
.
.
a
m1
a
m2
. . . a
mn
_

_
X
_

_
x
1
x
2
.
.
.
x
n
_

_
=
B
_

_
b
1
b
2
.
.
.
b
m
_

_
1.6. INVERSA DE UMA MATRIZ 25
Teorema 8 Se A M
n
e invertvel, entao verica-se facilmente que a
solucao do sistema AX = B e dada por X = A
1
B.
Demonstrac ao: A invertibilidade de A implica que AX = B seja equivalente
a A
1
(AX) = A
1
B o que, conjuntamente com a associatividade do produto
matricial, permite escrever a equac ao anterior da forma I
n
X = A
1
B, ou
seja, X = A
1
B.
Exemplo. Seja
_
_
_
x + y + 4z = 1
2x + 5y + 4z = 1
x + 4y 2z = 0.
Este sistema pode representar-se matricialmente como AX = B, onde
A =
_
_
1 1 4
2 5 4
1 4 2
_
_
, X =
_
_
x
y
z
_
_
e B =
_
_
1
1
0
_
_
.
Pelo exerccio anterior tem-se
A
1
=
_
_
13
3
3
8
3

4
3
1
2
3

1
2
1
2

1
2
_
_
.
Logo, X = A
1
B =
_
_
13
3
3
8
3

4
3
1
2
3

1
2
1
2

1
2
_
_
_
_
1
1
0
_
_
=
_
_
4
3

1
3
0
_
_
. Assim, o conjunto
soluc ao do sistema e (
4
3
,
1
3
, 0).
26CAP

ITULO 1. SISTEMAS DE EQUAC



OES LINEARES E MATRIZES
TOP SECRET
By Everus at 23:29:13, 07-11-2012
Captulo 2
Determinantes e
Valores/Vectores Proprios
Como se constatou no Captulo 1, nem sempre uma matriz quadrada e
invertvel. Recorde-se que
A M
n
e invertvel se e s o se car(A) = n. (2.1)
Neste captulo, mostra-se que e possvel associar a cada matriz A M
n
um n umero, dependendo exclusivamente das entradas da matriz, que permite
decidir acerca da invertibilidade de A. Este n umero designa-se determinante
de A e denota-se por det (A) ou [A[.
2.1 Determinantes - Denicoes e Proprieda-
des
O caso 1 1 e trivial. De facto, uma matriz A = [a
11
] M
1
e invertvel
se e s o se a
11
,= 0, isto e, car(A) = 1.
Analise-se, agora, o caso 2 2. Considere-se a matriz
A =
_
a
11
a
12
a
21
a
22
_
e comece-se por supor que a
11
,= 0. Assim,
A =
_
a
11
a
12
a
21
a
22
_

L
2
L
2

a
21
a
11
L
1
_
a
11
a
12
0 a
22

a
21
a
11
a
12
_
=
_
a
11
a
12
0
a
22
a
11
a
21
a
12
a
11
_
,
27
28CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
o que, juntamente com (2.1), permite concluir que A e invertvel se e so se
a
22
a
11
a
21
a
12
,= 0.
Se a
11
= 0, ent ao
A =
_
0 a
12
a
21
a
22
_

L
2
L
1
_
a
21
a
22
0 a
12
_
e A e invertvel quando a
21
,= 0 e a
12
,= 0, isto e quando a
21
a
12
,= 0. Deste
modo, construiu-se, a partir das entradas da matriz, o n umero a
22
a
11
a
21
a
12
,
que indica se a matriz A e ou nao invertvel.
Em termos pr aticos, o determinante de uma matriz de ordem 2, A = [a
ij
] ,
pode calcular-se utilizando uma regra, habitualmente designada Regra dos
Produtos Cruzados, que consiste em subtrair o produto dos elementos da
diagonal secundaria ao produto dos elementos da diagonal principal, isto e,
Denicao 2.1.1 O determinante de uma matriz 2 2 denota-se por [A[ ou
det (A) e e dado por

a
11
a
12
a
21
a
22

= a
22
a
11
a
21
a
12
Exemplo. Considere-se a matriz
A =
_
1 2
3 4
_
M
2
,
ent ao det (A) = 1 4 3 2 = 2.
No caso de A M
3
mostra-se, de forma semelhante, que
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
e invertvel se e s o se
a
11
a
22
a
33
+ a
21
a
32
a
13
+ a
31
a
12
a
23
a
31
a
22
a
13
a
11
a
32
a
23
a
21
a
12
a
33
,= 0.
Tal como no caso 2 2, o determinante de uma matriz de ordem 3 pode
obter-se usando uma regra pratica designada Regra de Sarrus. A utiliza cao
desta regra pode resumir-se do seguinte modo:
2.1. DETERMINANTES - DEFINIC

OES E PROPRIEDADES 29
1. Reproduzem-se as duas primeiras linhas, ap os a terceira linha de A.
2. Considera-se a diagonal principal de A, (a
11
, a
22
, a
33
), e as sequencias
(a
21
, a
32
, a
13
) e (a
31
, a
12
, a
23
), bem como a diagonal secundaria, (a
31
, a
22
, a
13
),
e as sequencias (a
11
, a
32
, a
23
) e (a
21
, a
12
, a
33
).
O determinante de A obtem-se multiplicando os elementos que constituem
cada uma das sequencias, somando, depois, as parcelas correspondentes `a
diagonal principal e ` as duas sequencias que lhe estao associadas e subtraindo
as parcelas relativas ` a diagonal secund aria e `as outras duas sequencias que
lhe correspondem.
Denicao 2.1.2 O determinante de uma matriz A M
3
e dado por
[A[ =

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

= a
11
a
22
a
33
+a
21
a
32
a
13
+a
31
a
12
a
23
a
31
a
22
a
13
a
11
a
32
a
23
a
21
a
12
a
33
.
Exemplo. Seja
A =
_
_
1 2 3
4 5 6
1 1 1
_
_
M
3
,
ent ao det (A) = 1 5 (1) + 4 1 3 + 1 2 6 1 5 3 1 1
6 4 2 (1) = 6.
Apresentam-se de seguida algumas propriedades imediatas associadas ao
determinante de uma matriz 2 2:
1. Seja A = [a
ij
] M
2
, entao
det
_
a
11
+ a

11
a
12
+ a

12
a
21
a
22
_
= det
_
a
11
a
12
a
21
a
22
_
+ det
_
a

11
a

12
a
21
a
22
_
.
Esta propriedade admite uma versao an aloga no caso da soma ocorrer
na segunda linha da matriz.
30CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
2. Seja A = [a
ij
] M
2
e R, ent ao
det
_
a
11
a
12
a
21
a
22
_
= det
_
a
11
a
12
a
21
a
22
_
.
Esta propriedade ainda e valida no caso de estar multiplicado pela
segunda linha.
3. Seja A = [a
ij
] M
2
, entao
det
_
a
11
a
12
a
21
a
22
_
= det
_
a
21
a
22
a
11
a
12
_
.
4. det (I
2
) = 1.
As propriedades anteriores continuam a ser v alidas para o caso de matrizes
de ordem 3 e as demonstra coes deixam-se a cargo do leitor.
Denicao 2.1.3 O determinante de uma matriz A M
n
como sendo a
funcao
det : M
n
R
A det (A),
que a cada matriz quadrada A de ordem n faz corresponder um n umero real,
det (A), de tal modo que as seguintes condicoes sejam satisfeitas:
P1. det (L
1
, . . . , L
i
+ L

i
, . . . , L
n
) = det (L
1
, . . . , L
i
, . . . , L
n
)+det (L
1
, . . . , L

i
, . . . , L
n
) ;
P2. det (L
1
, . . . , L
i
, . . . , L
n
) = det (L
1
, . . . , L
i
, . . . , L
n
) ;
P3. det (L
1
, . . . , L
i
, . . . , L
j
, . . . , L
n
) = det (L
1
, . . . , L
j
, . . . , L
i
, . . . , L
n
) ;
P4. det (I
n
) = 1,
onde L
i
representa a iesima linha da matriz A.
Da Propriedade 1 conclui-se que, em geral, dadas A, B M
n
,
det (A + B) ,= det (A) + det (B).
2.1. DETERMINANTES - DEFINIC

OES E PROPRIEDADES 31
Exemplo. Considerem-se as matrizes de ordem 2
A =
_
1 0
0 0
_
e B =
_
0 0
0 1
_
.
Ent ao,
A + B =
_
1 0
0 1
_
e det (A + B) = 1.
Como det (A) = det (B) = 0, vem que det (A) + det (B) ,= det (A + B).
Teorema 9 O determinante de uma matriz com, pelo menos, duas linhas
iguais e nulo.
O teorema anterior prova-se facilmente recorrendo `a Propriedade 3. De
facto, P3. permite concluir que trocando duas linhas iguais o sinal do de-
terminante altera-se, mas, por outro lado, a matriz mantem-se igual e, como
tal, o seu determinante tambem se mantem. Assim, det (A) = det (A) e,
por isso, o determinante e nulo.
O proximo teorema generaliza o Teorema 9.
Teorema 10 Seja A M
n
. Entao, tem-se:
(a) Se existirem na matriz A M
n
duas linhas m ultiplas uma da outra,
entao det (A) = 0. Em particular, det (A) = 0 se A tiver uma linha
nula.
(b) Se a j-esima linha de A M
n
se escrever da forma L
j
=
n
k=1,k=j

k
L
k
,
sendo
k
escalares, entao det (A) = 0.
Demonstracao: Considere-se que L
k
, k = 1, . . . , n, representam as linhas
de A e seja L
j
= L
i
, com escalar. Aplicando a Propriedade 2 e o Teorema
9, vem
det (L
1
, . . . , L
i
, . . . , L
i
, . . . , L
n
) = det (L
1
, . . . , L
i
, . . . , L
i
, . . . , L
n
)
= 0 = 0.
O caso particular de uma linha nula resulta de se considerar L
j
= 0L
i
. Deste
modo, provou-se a alnea (a).
32CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
Considere-se agora L
j
=
n
k=1,k=j

k
L
k
. Ent ao, aplicando a Propriedade
1 e a alnea (a), obtem-se:
det
_
L
1
, . . . , L
k
, . . . ,
n

k=1,k=j

k
L
k
, . . . , L
n
_
=
n

k=1,k=j
det (L
1
, . . . , L
k
, . . . ,
k
L
k
, . . . , L
n
)
=
n

k=1,k=j
0 = 0,
obtendo-se assim a alnea (b).
A demonstrac ao do teorema seguinte e trivial, uma vez que as proprieda-
des decorrem imediatamente da denicao de fun cao determinante.
Teorema 11 Seja A M
n
. Entao, tem-se:
(a) O determinante nao se altera se a uma linha de A for adicionado um
m ultiplo de outra linha de A.
(b) Multiplicando os elementos de n linhas de uma matriz A, pelos escalares
nao nulos
1
, . . . ,
n
, obtem-se uma matriz B, satisfazendo
det (B) =
1

n
det (A).
(c) O determinante de uma matriz e igual ao determinante da sua trans-
posta, isto e, det (A) = det (A
T
).
(d) O determinante de uma matriz triangular A e o produto dos elementos
da diagonal principal.
(e) Se B M
n
, entao det (AB) = det (A)det (B).
Como consequencia do Teorema 11 (c), as propriedades apresentadas em
termos de linhas de uma matriz, tambem, s ao v alidas em termos de colunas.
Exemplo.
1. Seja A M
n
. Mostre que det (2A) = 2
n
det (A).
2.1. DETERMINANTES - DEFINIC

OES E PROPRIEDADES 33
2. Considere-se A = (L
1
, L
2
, L
3
), onde L
i
, i = 1, 2, 3, representam as
linhas de A. Sabendo que det (A) = 2, calcule det (B), com B =
(2L
1
+ 4L
2
, 5L
3
, 3L
2
+ L
3
).
Solucao: 1. Considere-se A = (L
1
, . . . , L
n
), onde L
i
, i = 1, . . . , n, represen-
tam as linhas de A. Ent ao,
det (2A) = det (2L
1
, 2L
2
, . . . , 2L
n
) = 2det (L
1
, 2L
2
, . . . , 2L
n
)
= 2
2
det (L
1
, L
2
, . . . , 2L
n
) = . . . = 2
n
det (L
1
, L
2
, , L
n
)
= 2
n
det (A).
2. Utilizando a Propriedade 1, tem-se
det (B) = det (2L
1
+ 4L
2
, 5L
3
, 3L
2
+ L
3
)
= det (2L
1
+ 4L
2
, 5L
3
, 3L
2
) + det (2L
1
+ 4L
2
, 5L
3
, L
3
) .
O segundo determinante e nulo, visto que a segunda linha e m ultipla da
terceira. Utilizando novamente a Propriedade 1, obtem-se
det (B) = det (2L
1
+ 4L
2
, 5L
3
, 3L
2
)
= det (2L
1
, 5L
3
, 3L
2
) + det (4L
2
, 5L
3
, 3L
2
) .
Mais uma vez, o segundo determinante e nulo, dado que a primeira linha e
m ultipla da terceira. Logo, utilizando as Propriedades 2 e 3, tem-se
det (B) = 2 5 3 det (L
1
, L
3
, L
2
) = 30 (det (L
1
, L
2
, L
3
)) .
Dado que det (A) = 2, conclui-se que det (B) = 30 det (A) = 60.

E sempre possvel utilizar o algoritmo de elimina cao de Gauss para cal-


cular o determinante de uma matriz A M
n
, transformando-a numa matriz
triangular. No entanto, e necess ario n ao esquecer que:
1. A troca de linhas (colunas), entre si, altera o sinal do determinante.
2. Multiplicando os elementos de uma linha (coluna) da matriz A por um
escalar, n ao nulo, obtem-se uma matriz B tal que det (B) = det (A).
3. A soma de uma linha (coluna) com outra multiplicada por um escalar
n ao altera o valor do determinante.
34CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
Exemplo.

1 2 1 1
1 1 2 1
0 1 0 1
1 2 2 1

=
L
2
L
2
+L
1
L
4
L
4
+L
1

1 2 1 1
0 1 1 0
0 1 1 2
0 0 1 0

=
C
3
C
4

1 2 1 1
0 1 0 1
0 1 2 1
0 0 0 1

=
L
3
L
3
L
2

1 2 1 1
0 1 0 1
0 0 2 2
0 0 0 1

= (1 1 2 1) = 2.
Utilizando o procedimento descrito anteriormente, conclui-se, facilmente,
que det (A) = 0 se e s o se a caracterstica da matriz A M
n
e inferior a n.
Logo, det (A) ,= 0 se e s o se a caracterstica da matriz A e igual a n. Assim,
pode dizer-se que:
Teorema 12 Seja A M
n
. Entao A M
n
e invertvel se e so se det (A) ,=
0.
Se uma matriz A M
n
e invertvel ent ao AA
1
= I
n
. Deste modo,
det (AA
1
) = det (I
n
)
que, pelo Teorema 11 (e), ainda se pode escrever, de forma equivalente, como
det (A)det (A
1
) = 1. Obtem-se, assim, a propriedade seguinte
Teorema 13 Seja A M
n
invertvel . Entao
det (A
1
) =
1
det (A)
.
Considere-se A M
n
. Para cada n N existe uma unica func ao determi-
nante. De seguida apresenta-se uma f ormula, denida por recorrencia, que
permite escrever o determinante de uma matriz de ordem n como combinacao
linear de determinantes de ordem n1. Primeiro introduzem-se os conceitos
de menor e complemento algebrico de uma matriz.
2.1. DETERMINANTES - DEFINIC

OES E PROPRIEDADES 35
Denicao 2.1.4 Seja A
ij
a submatriz de A = [a
ij
] M
n
obtida por su-
pressao da linha i e da coluna j. Chama-se menor e complemento algebrico
(co-factor) de ndices i e j de A a det(A
ij
) e (1)
i+j
det(A
ij
), respectiva-
mente.
Exemplo.Considere-se
A =
_
_
1 2 3
4 5 6
7 8 9
_
_
M
3
.
O menor de ndices 2 e 3 de A e det (A
23
) =

1 2
7 8

= 6 e o co-factor de
ndices 2 e 3 de A e (1)
2+3
det (A
23
) = 6.
Comece-se, agora, por analisar a f ormula que permite calcular o determi-
nante no caso de A = [a
ij
] M
3
. Pela regra de Sarrus, obtem-se
det (A) = a
11
a
22
a
33
+a
13
a
21
a
32
+a
31
a
12
a
23
(a
13
a
22
a
31
+a
11
a
23
a
32
+a
12
a
21
a
33
).
Agrupando as parcelas que contem a
11
, as que contem a
12
e as que contem
a
13
pode escrever-se a express ao anterior na forma
det (A) = a
11
(a
22
a
33
a
23
a
32
) a
12
(a
21
a
33
a
23
a
31
) + a
13
(a
21
a
32
a
22
a
31
)
ou seja,
det (A) = a
11

a
22
a
23
a
32
a
33

a
12

a
21
a
23
a
31
a
33

+ a
13

a
21
a
22
a
31
a
32

.
Provou-se, assim, que para o caso 33 o determinante de A se obtem multipli-
cando os elementos da primeira linha de A pelos respectivos complementos
algebricos. Mostra-se, facilmente, que se em vez da primeira linha tivesse
sido utilizada qualquer uma das outras linhas/colunas de A o resultado se-
ria analogo. Esta f ormula pode ser generalizada para matrizes de ordem n
obtendo-se o seguinte resultado, conhecido como Teorema de Laplace:
36CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
Teorema 14 Seja A = [a
ij
] M
n
. Entao, o determinante de A e igual `a
soma dos produtos dos elementos de uma linha/coluna arbitraria de A pelos
respectivos complementos algebricos, isto e, xando uma linha,
det(A) =
n

j=1
a
ij
(1)
i+j
det(A
ij
), i = 1, . . . , n;
ou, xando uma coluna,
det(A) =
n

i=1
a
ij
(1)
i+j
det(A
ij
), j = 1, . . . , n.
Esta f ormula e particularmente util se uma das linhas ou das colunas da
matriz tiver muitos zeros.
Exemplo. Efectuando o desenvolvimento de Laplace ao longo da 2
a
coluna
da matriz A, obtem-se
det (A) =

1 1 1 1
1 0 2 1
3 0 1 1
1 1 2 1

= 1 (1)
1+2
det (A
12
) + 0 (1)
2+2
det (A
22
) +
+ 0 (1)
3+2
det (A
32
) + 1 (1)
4+2
det (A
42
) =
=

1 2 1
3 1 1
1 2 1

1 1 1
1 2 1
3 1 1

= 2.
Na pr atica e habitual utilizar-se um metodo hbrido para o c alculo de
determinantes, que consiste em aplicar o algoritmo de eliminac ao de Gauss
a uma linha (coluna) que contiver mais zeros, efectuando depois o desenvol-
vimento de Laplace ao longo dessa linha (coluna).
Exemplo. Considerando a opera cao elementar que se segue e efectuando o
desenvolvimento de Laplace ao longo da 2
a
coluna, obtem-se

1 1 1 1
1 0 2 1
3 0 1 1
1 1 2 1

=
L
4
L
4
L
1

1 1 1 1
1 0 2 1
3 0 1 1
0 0 1 0

= 1 (1)
1+2

1 2 1
3 1 1
0 1 0

= 2.
2.2. ALGUMAS APLICAC

OES DOS DETERMINANTES 37
2.2 Algumas aplicac oes dos determinantes
Nesta seccao, apresenta-se algumas aplicacoes da teoria dos determinan-
tes, nomeadamente ao calculo da matriz inversa de uma matriz e `a resoluc ao
de sistemas de equac oes lineares.
Seja A = [a
ij
] M
n
uma matriz invertvel. A matriz inversa de A pode
ser obtida utilizando a teoria dos determinantes. Para tal:
1. Constr oi-se a matriz dos complementos algebricos ou a matriz dos co-
factores de A,
Cof(A) =
_
(1)
i+j
det (A
ij
)

M
n
,
que se obtem substituindo cada componente a
ij
da matriz A pelo seu
complemento algebrico;
2. Transpoe-se a matriz dos complementos algebricos, obtendo-se a matriz
adjunta de A, Adj (A), isto e, Adj (A) = (Cof (A))
T
;
3. A matriz inversa de A obtem-se multiplicando a matriz adjunta de A
por
1
det (A)
, isto e,
A
1
=
1
det (A)
Adj (A). (2.2)
Exemplo.
1. Determine a inversa da matriz
A =
_
_
1 1 0
1 0 1
2 1 1
_
_
M
3
.
2. Seja A M
n
invertvel. Mostre que A.Adj (A) = Adj (A).A = det (A).I
n
.
38CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
Solucao: 1. Como det (A) = 4 ,= 0, A e invertvel e a matriz adjunta de
A e dada por
Adj(A) = (Cof(A))
T
=
_
_
(1)
2
det (A
11
) (1)
3
det (A
12
) (1)
4
det (A
13
)
(1)
3
det (A
21
) (1)
4
det (A
22
) (1)
5
det (A
23
)
(1)
4
det (A
31
) (1)
5
det (A
32
) (1)
6
det (A
33
)
_
_
T
=
_

_
(1)
2

0 1
1 1

(1)
3

1 1
2 1

(1)
4

1 0
2 1

(1)
3

1 0
1 1

(1)
4

1 0
2 1

(1)
5

1 1
2 1

(1)
4

1 0
0 1

(1)
5

1 0
1 1

(1)
6

1 1
1 0

_
T
=
_
_
1 3 1
1 1 3
1 1 1
_
_
T
=
_
_
1 1 1
3 1 1
1 3 1
_
_
.
Assim,
A
1
=
1
det (A)
Adj(A) =
_
_
1
4

1
4
1
4

3
4

1
4
1
4
1
4
3
4
1
4
_
_
.
2. Dado que A e invertvel, verica-se (2.2) e, como tal, Adj(A) =
det (A).A
1
. Assim, usando a igualdade anterior e a associatividade do pro-
duto matricial, pode escrever-se
A.Adj (A) = A.
_
det (A).A
1
_
= det (A).
_
A.A
1
_
= det (A).I.
Analogamente,
Adj (A).A =
_
det (A).A
1
_
.A = det (A).
_
A
1
.A
_
= det (A).I.
A utiliza cao de (2.2) para o calculo da inversa e por vezes util para alguns
tipos especiais de matrizes. No entanto, em geral, nao e a melhor escolha
como processo de calculo da inversa de uma matriz, porque requer, por exem-
plo, mais c alculos do que o metodo de Gauss-Jordan.
Tal como ja foi referido anteriormente, o determinante de uma matriz A
permite decidir se essa matriz e ou n ao invertvel e, consequentemente, se o
2.2. ALGUMAS APLICAC

OES DOS DETERMINANTES 39
sistema linear AX = B tem solu cao unica. De seguida, apresenta-se uma
f ormula para obter a soluc ao de um sistema AX = B, no caso de A M
n
ser
invertvel. A um sistema nestas condi coes d a-se o nome de sistema de Cramer
e a f ormula utilizada para obter a sua soluc ao, habitualmente designada por
Regra de Cramer, e apresentada de seguida.
Teorema 15 Sejam A M
n
e X, B M
n1
. Se det (A) ,= 0, entao o
sistema AX = B tem uma unica solucao
x
i
=
[A

i
[
[A[
, i = 1, . . . , n;
sendo A

i
a matriz que se obtem de A substituindo a i-esima coluna de A pelo
vector dos termos independentes B.
Demonstracao: Como det (A) ,= 0 a soluc ao do sistema AX = B e unica e
e dada por
X = A
1
B
=
1
[A[
Adj(A)B
o elemento x
i
de X e dado por
x
i
=
1
[A[
[ linha i de Adj(A)] B
=
1
[A[
[C
1i
C
2i
. . . C
ni
]
_

_
b
1
b
2
.
.
.
b
n
_

_
=
1
[A[
(b
1
C
1i
+ b
2
C
2i
+ . . . + b
n
C
ni
).
A expressao em parentesis e a expansao do co-factor de [A

i
[ em func ao da
coluna i. Assim,
x
i
=
[A

i
[
[A[
.

40CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
Exemplo. Considere-se o sistema denido por
A =
_
_
1 1 1
1 2 1
1 2 3
_
_
, X =
_
_
x
y
z
_
_
e B =
_
_
2
1
3
_
_
.
Uma vez que det (A) = 2 ,= 0, o sistema e de Cramer, sendo por isso possvel
e determinado, isto e, tendo apenas uma soluc ao. Assim, usando a regra de
Cramer, obtem-se
x =

2 1 1
1 2 1
3 2 3

det (A)
= 2, y =

1 2 1
1 1 1
1 3 3

det (A)
= 1 e z =

1 1 2
1 2 1
1 2 3

det (A)
= 1.
Logo, o conjunto solu cao do sistema e (2, 1, 1).
Note-se que, como o calculo de determinantes de matrizes de grandes
dimens oes e moroso, n ao se aconselha a utilizacao da Regra de Cramer para
resolver sistemas de Cramer com um grande n umero de inc ognitas.
Denicao 2.2.1 Considere-se a matriz A M
n
. Um vector proprio de A e
um vector X R
n
0, tal que
AX = X, para algum escalar .
O escalar designa-se valor proprio de A e o vector X diz-se vector proprio
associado ao valor proprio .
Note-se que, embora seja possvel que um valor pr oprio seja nulo, o vec-
tor nulo nunca poder a ser vector proprio. Na verdade, A ter um valor
pr oprio nulo signica que A n ao e invertvel. Para mostrar a veracidade
desta armac ao basta notar que se 0 e valor pr oprio de A, entao o sistema
AX = 0 tem mais do que uma solu cao (n ao e um sistema de Cramer). Logo,
det (A) = 0 e, como tal, A n ao e invertvel. Deste modo, os valores pr oprios
de A M
n
s ao todos os escalares que sao soluc ao da equac ao
det (A I) = 0.
2.2. ALGUMAS APLICAC

OES DOS DETERMINANTES 41
A esta equac ao da-se o nome de equacao caracterstica de A e a det (AI)
d a-se o nome de polinomio caracterstico de A e representa-se por p
A
().
Dado uma raiz da equac ao caracterstica de A, designa-se de multiplici-
dade algebrica do valor pr oprio a multiplicidade de como raiz da equac ao
caracterstica de A.
Note-se que, o coeciente do termo de grau n do polinomio caracterstico
de A e (1)
n
e o termo independente e det (A). Assim,
p
A
() = (1)
n

n
+ a
n1

n1
+ . . . + a
1
+ det (A).
Para um dado valor proprio de A, , os vectores proprios de A associados
a s ao os vectores que pertencem ao seguinte conjunto
V
A
() = X R
n
0 : (A I)X = 0 .
Exemplo. Considere-se a matriz
A =
_
1 2
0 1
_
M
2
.
O escalar e valor pr oprio de A se e s o se det (A I) = 0. Assim,

1 2
0 1

= 0 (1 )
2
= 0 = 1.
Como tal, 1 e valor p oprio de A com multiplicidade algebrica 2.
O conjunto dos vectores pr oprios de A associados ao valor pr oprio 1 e
V
A
(1) =
_
X = (x, y) R
2
(0, 0) : (A I)X = 0
_
.
Como
(A I)X = 0
_
0 2
0 0
_ _
x
y
_
=
_
0
0
_
(y = 0 x R),
vem que
V
A
(1) =
_
(x, y) R
2
(0, 0) : y = 0
_
= (x, 0) : x R0 .
Observe-se que a cada valor proprio est a associado mais do que um vector
pr oprio, mas a cada vector proprio esta associado um e um s o valor proprio.
42CAP

ITULO 2. DETERMINANTES E VALORES/VECTORES PR

OPRIOS
Teorema 16 Seja A M
n
. Entao:
1. Se X e um vector proprio de A associado ao valor proprio , entao
X, ,= 0, tambem e vector proprio de A associado a .
2. As matrizes A e A
T
tem os mesmos valores proprios.
3. Se A e triangular, entao os seus valores proprios sao os elementos da
diagonal principal de A.
Demonstracao: 1. Supondo que X e um vector pr oprio de A associado a
, vem que
A(X) = (AX) = (X) = (X), X ,= 0.
Logo, X tambem e vector proprio de A associado ao valor pr oprio .
2. Aplicando o Teorema 11 (c), obtem-se
det (A I) = 0 det ((A I)
T
) = 0,
que ainda se pode escrever como
det (A
T
I) = 0.
Assim, as matrizes A e A
T
tem os mesmos valores proprios.
3. Seja A = [a
ij
] M
n
triangular superior. O escalar e valor proprio de A
se e s o se det (A I) = 0. Assim,
det (A I) = 0

a
11
a
12
. . . a
1n
0 a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
nn

= 0.
Aplicando o Teorema 11 (d), obtem-se
det (A I) = 0 (a
11
)(a
22
) . . . (a
nn
) = 0,
que ainda e equivalente a
= a
11
= a
22
. . . = a
nn
.
Como tal, os valores pr oprios de A s ao os elementos da sua diagonal principal.
No caso de A triangular inferior a demonstra cao e an aloga.
Captulo 3
Espacos e Subespacos
Vectoriais
Denote-se por R
3
o espaco tridimensional. Neste espa co e possvel cons-
truir uma correspondencia entre pontos e vectores, desde que se considere
um determinado ponto, O, como sendo a origem. Com efeito, a qualquer
ponto P de R
3
pode fazer-se corresponder o vector

OP, com origem em O e


extremidade em P. Neste conjunto, e possvel considerar as operac oes usuais
de adic ao entre vectores e multiplicac ao de um escalar real por um vector.
Estas operac oes satisfazem as propriedades usuais de associatividade, co-
mutatividade, distributividade, existencia de oposto, etc. A noc ao de espaco
vectorial que se introduz neste captulo generaliza este conceito e engloba,
por exemplo, espacos vectoriais n-dimensionais, entre outros.
3.1 Denicao e propriedades
Toda a func ao f : AA A, onde A e um conjunto, n ao vazio, designa-
se operacao binaria em A. Alguns exemplos de operac oes bin arias sao: a
adic ao usual de dois n umeros reais, visto que e uma operac ao que transforma
o par de n umero reais (a, b) no n umero real a + b, a multiplicac ao usual de
dois n umeros naturais, porque transforma o par de n umeros naturais (a, b)
no n umero natural ab, . . ..
Denicao 3.1.1 Seja K um conjunto no qual estejam denidas duas operacoes:
uma operacao binaria, designada por adicao e uma operacao multiplicacao
43
44 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


escalar, representadas pela simbologia usual. Diz-se que K, com essas operacoes,
constitui um corpo se se vericam as condicoes seguintes:
(a) Propriedades da adicao:
(i) K e fechado para a adicao
1
;
(ii) Propriedade Comutativa: + = + , , K;
(iii) Propriedade Associativa: ( + ) + = + ( + ), , , K;
(iv) Existencia de Elemento neutro: 0
K
K, tal que 0
K
+ = ,
K;
(v) Existencia de oposto: K, K, tal que +() = 0
K
;
(b) Propriedades da multiplicacao:
(i) K e fechado para a multiplicacao escalar
2
;
(ii) Propriedade Comutativa: = , , K;
(iii) Propriedade Associativa: ( ) = ( ), , , K;
(iv) Existencia de Elemento neutro: 1
K
K, tal que 1
K
= ,
K;
(v) Exist
1
K
;
(vi) Propriedade distributiva da multiplicacao sobre a adicao
( + ) = +
Entre os exemplos mais habituais de corpos contam-se o conjunto dos
n umeros reais, R, com as opera coes habituais; o conjunto dos n umeros raci-
onais, Q, com as operac oes habituais; o conjunto dos n umeros complexos, C,
com as operac oes habituais
3
.
1
Este conceito sera denido a seguir
2
Este conceito sera denido a seguir
3
Os n umeros complexos apareceram como uma extensao dos n umeros reais, o seu con-
junto representa-se por C e dene-se como sendo C = z = a + i b : a, b R e i
2
= 1.
Dados os n umeros complexos z = a + b i e z

= a

+ i b

dene-se a adicao como sendo o


complexo z +z

= (a+a

) +i (b +b

) e a multiplicacao de um n umero complexo z = a+i b


por outro n umero complexo =
1
+ i
2
, como z = (
1
a
2
b) + (
1
b +
2
a)i.
encia de oposto: K0
K
, 1/ K, tal que (1/) =
3.1. DEFINIC

AO E PROPRIEDADES 45
Denicao 3.1.2 Seja K o corpo dos n umeros reais ou dos n umeros comple-
xos. Um espaco vectorial e um conjunto V, nao vazio, satisfazendo certas pro-
priedades (descritas abaixo), e onde estao denidas duas operacoes: adicao
e multiplicacao escalar, representadas pela simbologia usual e denidas do
modo seguinte:
+ : V V V
(u, v) u + v
(3.1)
e
: KV V
(, v) v
. (3.2)
Diz-se que V e fechado para a adicao e fechado para a multiplicacao escalar
se satiszer (3.1) e (3.2), respectivamente. Assim, (V, +, ) e um espaco
vectorial sobre o corpo K se forem validas as seguintes propriedades:
(a) Propriedades da adicao:
(i) V e fechado para a adicao;
(ii) Propriedade comutativa: u + v = v + u, u, v V ;
(iii) Propriedade associativa: (u + v) + w = u + (v + w), u, v, w V ;
(iv) Existencia de elemento neutro, 0
V
V , tal que u + 0
V
= u,
u V .
(v) Existencia de oposto: u V , u V , tal que u + (u) = 0
V
;
(b) Propriedades da multiplica cao:
(i) V e fechado para a multiplicacao escalar;
(ii) (u + v) = u + v, K e u, v V ;
(iii) ( + ) u = u + u; , K e u V ;
(iv) ( ) u = ( u), , K e u V ;
(v) 1
K
u = u, u V , onde 1
K
e o elemento neutro para a multi-
plicacao em K.
Os elementos de K s ao designados escalares e os elementos de V vecto-
res. Se K = R ou K = C, entao V diz-se um espaco vectorial real ou um
espaco vectorial complexo, respectivamente. Quando as operac oes adi cao
46 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


e multiplicac ao escalar estiverem subentendidas, para simplicar a lingua-
gem, dir-se-a seja V um espaco vectorial sobre K em vez de seja V um
espaco vectorial denido por (V, +, ).
Doravante, representa-se por 0
V
e 0 o elemento neutro para a adi cao no
espaco vectorial V e o elemento neutro para a adicao em K, respectivamente.
As demonstrac oes dos proximos exemplos deixam-se a cargo do leitor.
Exemplo. 1. Seja n N. Mostra-se que (K
n
, +, ) e um espaco vectorial
sobre K, onde K
n
representa o conjunto dos n- uplos com elementos em K,
i.e.,
K
n
= (x
1
, x
2
, . . . , x
n
) : x
1
, x
2
, . . . , x
n
K.
As opera coes usuais sao denidas por
(x
1
, x
2
, . . . , x
n
) + (y
1
, y
2
, . . . , y
n
) = (x
1
+ y
1
, x
2
+ y
2
, . . . , x
n
+ y
n
)
e
(x
1
, x
2
, . . . , x
n
) = (x
1
, x
2
. . . , x
n
).
2. Seja n N. Mostra-se que (R
n
[x], +, ) e um espa co vectorial sobre
K, onde R
n
[x] representa o conjunto dos polinomios, na vari avel x, com
coecientes em K e que tem grau menor ou igual a n, i.e.,
R
n
[x] = a
n
x
n
+ . . . + a
1
x + a
0
: a
0
, a
1
, . . . , a
n
K.
Neste caso, as operac oes usuais s ao denidas por:
(a
n
x
n
+. . .+a
1
x+a
0
)+(b
n
x
n
+. . .+b
1
x+b
0
) = (a
n
+b
n
)x
n
+. . .+(a
1
+b
1
)x+(a
0
+b
0
)
e
(a
n
x
n
+ . . . + a
1
x + a
0
) = (a
n
)x
n
+ . . . + (a
1
)x + (a
0
).
3. Mostra-se que (R[x], +, ) e um espaco vectorial sobre K, onde R[x]
representa o conjunto dos polinomios de qualquer grau, na vari avel x, com co-
ecientes em K. As operac oes usuais neste conjunto sao identicas `as denidas
no conjunto R
n
[x].
4. Sejam m, n N. Prova-se que (M
mn
(K), +, ) e um espaco vectorial
sobre K, onde M
mn
(K) representa o conjunto constitudo pelas matrizes
com m linhas e n colunas e coecientes denidos em K.
3.1. DEFINIC

AO E PROPRIEDADES 47
Dadas A = [a
ij
], B = [b
ij
] M
mn
e K, a adic ao e a multiplica cao
escalar sao denidas por
A + B = [a
ij
] + [b
ij
] = [a
ij
+ b
ij
]
e
A = [a
ij
] = [a
ij
],
respectivamente.
4.1 Se m = 2 e n = 1, o conjunto M
21
(K) e denido do seguinte
modo:
M
21
(K) =
__
a
b
_
: a, b K
_
.
Neste caso, a adic ao e a multiplicac ao escalar s ao denidas por:
A + B =
_
a
b
_
+
_
c
d
_
=
_
a + c
b + d
_
e
A =
_
a
b
_
=
_
a
b
_
,
respectivamente.
4.2 Se m = 1 e n = 2, o conjunto M
12
(K) e denido do seguinte
modo:
M
12
(K) =
__
a b

: a, b K
_
,
sendo a adi cao e a multiplicacao escalar denidas da seguinte forma:
A + B =
_
a b

+
_
c d

=
_
a + c b + d

e
A =
_
a b

=
_
a b

,
respectivamente.
Teorema 17 Seja V um espaco vectorial sobre um corpo K. Entao,
(a) 0 u = 0
V
, u V ;
(b) 0
V
= 0
V
, K;
(c) Se u = 0
V
, entao = 0 ou u = 0
V
;
48 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


(d) ( ) u = u u, , K e u V ;
Demonstracao. A ttulo exemplicativo, prova-se a alnea (a). Note-se que
0 u + 0 u + ((0 u)) = 0 u + ((0 u)),
onde (0 u) e o oposto de 0 u relativamente ` a operac ao adic ao de vectores.
Visto que 0 u + ((0 u)) = 0
V
, obtem-se 0 u + 0
V
= 0
V
, donde resulta o
pretendido.
Seja V um espaco vectorial sobre um corpo K. Doravante, para simplicar
a notac ao, escrever-se-a u, em vez de u, para K e u V .
Denicao 3.1.3 Seja V um espaco vectorial sobre um corpo K. Diz-se que
V

V e um subespaco vectorial de V se e so se verica as seguintes


condicoes:
S
1
. V

,= ;
S
2
. u + v V

, u, v V

;
S
3
. u V

, K e u V

.
Da denic ao anterior, conclui-se facilmente que V

V e um subespaco
vectorial de V se e s o se verica as seguintes condicoes:
S
4
. V

,= ;
S
5
. u + v V

, , K e u, v V

.
De facto, se V

satisfaz S
2
e S
3
, ent ao tambem satisfaz S
5
. Considere-se,
ent ao, u, v V

. Sabendo que V

e fechado para o produto escalar (S


2
), vem
que u, v V

, para , K. Por outro lado, uma vez que V

e fechado
para a adi cao (S
1
), tem-se que u + v V

, como se queria demonstrar.

E curioso referir que se V e um espaco vectorial sobre um corpo K e V

um
subconjunto de V que e ainda espa co vectorial, considerando as operac oes de
adic ao e multiplicac ao escalar que denem V como espaco vectorial, entao V

e um subespaco vectorial de V . (Demonstrac ao deixada a cargo do leitor). Os


3.1. DEFINIC

AO E PROPRIEDADES 49
subconjuntos de V , 0
V
e V designam-se subespacos triviais de V , enquanto
que todos os outros subespa cos designam-se subespacos proprios.
Exemplo. 1. Mostra-se que A = (x, y, z) R
3
: x + y + z = 0 e um
subespaco vectorial real de R
3
. De facto:
1. A ,= , uma vez que (0, 0, 0) A, (0 + 0 + 0 = 0).
2. sejam u = (x, y, z) e v = (x

, y

, z

) elementos arbitr arios de A e


, R. Ent ao, u + v A, visto que
u + v = (x, y, z) + (x

, y

, z

)
= (x + x

, y + y

, z + z

) A.
Como u, v A, vem que
x + y + z = 0 e x

+ y

+ z

= 0.
Logo,
(x + y + z) = 0 e (x

+ y

+ z

) = 0,
para quaisquer , K. Assim,
(x + x

) + (y + y

) + (z + z

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

+y

+z

) = 0.
2. Prova-se, agora, que
o =
__
a b
c d
_
: a + d = 0, a, b, c, d R
_
e um subespaco vectorial real de M
3
. De facto:
1. o , = , uma vez que
_
0 0
0 0
_
o, (a + d = 0 + 0 = 0).
2. sejam
A =
_
a b
c d
_
e B =
_
a

_
elementos arbitr arios de o e , R. Ent ao, A + B o, visto que
A + B =
_
a b
c d
_
+
_
a

_
=
_
a + a

b + b

c + c

d + d

_
.
50 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Como A, B o, vem que
a + d = 0 e a

+ d

= 0.
Logo,
(a + d) = 0 e (a

+ b

) = 0,
para quaisquer , K. Assim,
(a + a

) + (d + d

) = (a + d) + (a

+ d

) = 0.
Por vezes torna-se f acil vericar que um dado conjunto, nao vazio, n ao e
um subespaco vectorial. Na verdade, se V

e um subespaco vectorial de um
espaco vectorial V sobre um corpo K, ent ao 0
V
V

. Efectivamente, seja
u V

. Pela denic ao de subespaco vectorial (S


2
e S
3
), tem-se
0
V
= u u V

, u V

.
Deste modo, se 0
V
/ V

, entao V

n ao e um subespaco vectorial de V . Note-


se, no entanto, que o recproco n ao e verdadeiro, isto e, 0
V
V

n ao e
garantia de que V

seja um subespaco vectorial de V .


Exemplo. 1. Seja A = (x, y, z) R
3
: x + y + z = 1. Note-se que
(0, 0, 0) / A. Deste modo, pode-se concluir que A n ao e um subespaco
vectorial de R
3
. De facto, (1, 0, 0) e (0, 1, 0) s ao dois elementos de A, mas
(1, 0, 0) + (0, 1, 0) = (1, 1, 0) / A,
uma vez que 1 + 1 + 0 = 2 ,= 1.
2. Seja B = (x, y) R
2
: x 0 y 0. Note-se que, apesar
de (0, 0) B, B n ao e um subespaco vectorial real de R
2
. Por exemplo,
considere-se u = (1, 2) B e = 2 R. Ent ao u / B, dado que
u = 2(1, 2) = (2, 4) e 2 0 e 4 0.
Relembram-se, agora, os conceitos de intersec cao e reuniao de conjuntos e
introduz-se o conceito de soma de conjuntos, visto que ser ao usados ao longo
deste captulo.
3.2. DEPEND

ENCIA/ INDEPEND

ENCIA LINEAR 51
Denicao 3.1.4 Seja V um espaco vectorial sobre um corpo K e sejam F e
G dois subespacos vectoriais de V , entao
F G = u V : u F u G
F G = u V : u F u G
F + G = u V : a F, b G : u = a + b.
Alem disso, deixa-se a cargo do leitor a demonstrac ao do resultado seguinte:
Teorema 18 Seja V um espaco vectorial sobre um corpo K e sejam F e G
dois subespacos vectoriais de V , entao
1. F G e um subespaco vectorial de V , designado subespaco interseccao.
2. F + G e um subespaco vectorial de V , designado subespaco soma.
3. F G e um subespaco vectorial se e so se F G ou G F.
Exemplo.Considere-se
F = (x, y, z) R
3
: x = 0 e G = (x, y, z) R
3
: z = 0.
Prova-se que F e G s ao subespa cos vectoriais de R
3
. No entanto, F G n ao
e um subespa co vectorial de R
3
. Efectivamente, F G e G F, porque,
por exemplo, (0, 1, 2) F, mas (0, 1, 2) / G e (1, 2, 0) G, no entanto
(1, 2, 0) / F.
O conjunto
F G = (x, y, z) R
3
: x = 0 z = 0,
n ao e subespa co vectorial de R
3
, porque, por exemplo (0, 1, 2), (1, 2, 0)
F G, contudo, (0, 1, 2) + (1, 2, 0) = (1, 3, 2) / F G.
3.2 Dependencia/ independencia linear
Denicao 3.2.1 Seja V um espaco vectorial sobre um corpo K e considere-
se os elementos u
1
, u
2
, . . . , u
n
V . Um elemento v V diz-se uma com-
binacao linear de u
1
, u
2
. . . , u
n
se existirem escalares
1
,
2
, . . . ,
n
K, tal
que
v =
1
u
1
+
2
u
2
+ . . . +
n
u
n
.
52 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Exemplo.O vector (1, 2) de R
2
e combinacao linear dos vectores (1, 1) e
(0, 1), dado que
(1, 2) = 1(1, 1) + 3(0, 1).
Denicao 3.2.2 Os elementos u
1
, u
2
, . . . , u
n
V dizem-se linearmente in-
dependentes se a unica combinacao linear nula de u
1
, u
2
. . . , u
n
e a trivial-
mente nula, ou seja,

1
u
1
+
2
u
2
+ . . . +
n
u
n
= 0
V

1
=
2
= =
n
= 0.
Caso contrario, u
1
, u
2
. . . , u
n
dizem-se linearmente dependentes, isto e, se
existem escalares
i
, i = 1, 2, . . . , n, nao todos nulos, tais que

1
u
1
+
2
u
2
+ . . . +
n
u
n
= 0
V
.
Exemplo. 1. Os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0) de R
3
s ao linearmente
independentes. Note-se que

1
(1, 1, 1) +
2
(1, 1, 0) +
3
(1, 0, 0) = (0, 0, 0)
se e s o se
(
1
+
2
+
3
,
1
+
2
,
1
) = (0, 0, 0).
Obtem-se, assim, o seguinte sistema
_
_
_

1
+
2
+
3
= 0

1
+
2
= 0

1
= 0
cuja solucao e
1
=
2
=
3
= 0. Deste modo, conclui-se que os vectores s ao
linearmente independentes.
2. Os vectores (1, 1, 1), (1, 0, 2), (0, 1, 1) de R
3
s ao linearmente depen-
dentes, uma vez que

1
(1, 1, 1) +
2
(1, 0, 2) +
3
(0, 1, 1) = (0, 0, 0)
se e s o se
(
1
+
2
,
1

3
,
1
+ 2
2
+
3
) = (0, 0, 0),
3.2. DEPEND

ENCIA/ INDEPEND

ENCIA LINEAR 53
de onde se obtem o seguinte sistema
_
_
_

1
+
2
= 0

1

3
= 0

1
+ 2
2
+
3
= 0
.
A matriz ampliada deste sistema e
[A[B] =
_
_
1 1 0 [ 0
1 0 1 [ 0
1 2 1 [ 0
_
_
L
2
L
2
L
1
L
3
L
3
L
1
_
_
1 1 0 [ 0
0 1 1 [ 0
0 1 1 [ 0
_
_

L
3
L
3
+ L
2
_
_
1 1 0 [ 0
0 1 1 [ 0
0 0 0 [ 0
_
_
.
Como car(A) = car(A[B) = 2 < 3 = n umero de inc ognitas, o sistema e
possvel e indeterminado. Deste modo, conclui-se que os vectores sao linear-
mente dependentes, dado que o vector nulo nao e o unico vector que se pode
escrever como uma combinac ao linear de (1, 1, 1), (1, 0, 2), (0, 1, 1).
Teorema 19 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K. Entao os n elementos sao linearmente dependentes se
e so se for possvel escrever um dos elementos como combinacao linear dos
restantes.
Demonstracao. () Se u
1
, . . . , u
n
s ao linearmente dependentes, existem
escalares
i
, i = 1, . . . , n, nao todos nulos, tais que

1
u
1
+ . . . +
i
u
i
+ . . . +
n
u
n
= 0
V
.
Sem perda de generalidade, suponha-se que
i
,= 0. Assim,

i
u
i
=
1
u
1
. . .
i1
u
i1

i+1
u
i+1
. . .
n
u
n

u
i
=

i
u
1
. . .

i1

i
u
i1


i+1

i
u
i+1
. . .

n

i
u
n
e, como tal, u
i
escreve-se como combinac ao linear dos restantes elementos.
() Suponha-se, sem perda de generalidade, que o elemento u
i
se escreve
como combinac ao linear dos restantes, ent ao, existem escalares, n ao todos
nulos
1
, . . . ,
i1
,
i+1
, . . . ,
n
, tais que
u
i
=
1
u
1
. . .
i1
u
i1

i+1
u
i+1
. . .
n
u
n
,
54 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


isto e,

1
u
1
+ . . . +
i1
u
i1
+ u
i
+
i+1
u
i+1
. . . +
n
u
n
= 0
V
,
e, por conseguinte, os elementos u
1
, . . . , u
n
s ao linearmente dependentes.
Exemplo. () Considerem-se os vectores (1, 1, 1), (1, 0, 2), (0, 1, 1) de R
3
.
Como (0, 1, 1) se escreve como combina cao linear de (1, 1, 1) e (1, 0, 2), dado
que
(0, 1, 1) = (1, 0, 2) (1, 1, 1),
conclui-se, pelo Teorema 19, que os tres vectores s ao linearmente dependentes
(como tambem se pode comprovar pelo exemplo anterior).
() Considerem-se, agora, os vectores (1, 1, 1), (1, 1, 1) e (0, 0, 1).
Apesar dos vectores serem linearmente dependentes (demonstra cao a cargo
do leitor), o vector (0, 0, 1) n ao se pode escrever como combinac ao linear de
(1, 1, 1) e de (1, 1, 1). Na verdade, se
(0, 0, 1) =
1
(1, 1, 1) +
2
(1, 1, 1),
1
,
2
R,
ent ao o sistema
_
_
_

1

2
= 0

1

2
= 0

1

2
= 1
seria impossvel, dado que a primeira e a terceira condic ao n ao se podem
vericar simultaneamente. Note-se, no entanto, que os vectores (1, 1, 1) e
(1, 1, 1) podem-se escrever como combinacao linear dos restantes, dado
que
(1, 1, 1) = 1(1, 1, 1) + 0(0, 0, 1)
e
(1, 1, 1) = 1(1, 1, 1) + 0(0, 0, 1).
Teorema 20 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K. Entao se u
j
= k u
i
, i ,= j, i, j 1, . . . , n e k K, entao
os elementos u
1
, . . . , u
n
sao linearmente dependentes.
Demonstracao. Considere-se, em primeiro lugar, k = 0. Neste caso, u
j
=
0
V
, e, portanto, existe
j
,= 0, tal que
0 u
1
+ . . . +
j
0
V
+ . . . + 0 u
n
= 0
V
,
3.2. DEPEND

ENCIA/ INDEPEND

ENCIA LINEAR 55
concluindo-se, assim, que os elementos u
1
, . . . , u
n
s ao linearmente dependen-
tes.
Suponha-se, agora, que k ,= 0. Ent ao existe um escalar
j
K, n ao nulo,
tal que
0u
1
+ . . . k
j
u
i
+ k
j
u
i
+ . . . + 0u
n
= 0
V
,
e, por conseguinte, os elementos s ao u
1
, . . . , u
n
s ao linearmente dependentes.
Exemplo. 1. Os vectores (1, 1, 1), (1, 0, 2), (0, 0, 0) de R
3
s ao linearmente
dependentes, uma vez que
0(1, 1, 1) + 0(1, 0, 2) + 5(0, 0, 0) = (0, 0, 0),
e, por isso, existe uma combinac ao linear nula de (1, 1, 1), (1, 0, 2), (0, 0, 0)
que nao e a trivialmente nula.
2. Os vectores (1, 1, 1), (2, 2, 2), (0, 2, 1) de R
3
s ao linearmente dependen-
tes, uma vez que
2(1, 1, 1) + (2, 2, 2) + 0(0, 2, 1) = (0, 0, 0).
Teorema 21 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial
V sobre um corpo K. Se u
1
, . . . , u
n
sao linearmente independentes e se
u
1
, . . . , u
n
, v sao linearmente dependentes, para um dado v V , entao v
escreve-se como combinacao linear de u
1
, . . . , u
n
.
Demonstracao. Considere-se, ent ao, que u
1
, . . . , u
n
s ao linearmente in-
dependentes e que u
1
, . . . , u
n
, v s ao linearmente dependentes. Suponha-se,
agora, por reduc ao ao absurdo, que v n ao se escreve como combinac ao linear
de u
1
, . . . , u
n
. Deste modo, pelo Teorema 19, existe i = 1, . . . , n tal que
u
i
=
1
u
1
+ . . . +
i1
u
i1
+
i+1
u
i+1
+ . . . +
n
u
n
+
n+1
v,
isto e,

1
u
1
+ . . . +
i1
u
i1
u
i
+
i+1
u
i+1
+ . . . +
n
u
n
+
n+1
v = 0
V
.
Se
n+1
= 0, ent ao

1
u
1
+ . . . +
i1
u
i1
u
i
+
i+1
u
i+1
+ . . . +
n
u
n
= 0
V
56 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


e o i-esimo escalar e
i
= 1. Como tal, e possvel escrever 0
V
como uma
combina cao linear n ao trivialmente nula de u
1
, . . . , u
n
, o que contraria a
hip otese destes elementos serem linearmente independentes.
No caso de
n+1
,= 0, vem
v =

1

n+1
u
1
. . .

i1

n+1
u
i1
+
1

n+1
u
i


i+1

n+1
u
i+1
. . .

n

n+1
u
n
o que e um absurdo, pois esta-se a supor que v n ao se escreve como com-
binac ao linear de u
1
, . . . , u
n
. Por conseguinte, v ter a de ser combinac ao linear
de u
1
, . . . , u
n
.
Exemplo.Considerem-se os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0) de R
3
, que se
sabe serem linearmente independentes e o vector (1, 3, 4) de R
3
. Verica-
se, facilmente, que o vector (1, 3, 4) e combinac ao linear dos tres vectores
restantes. De facto, existem escalares
1
,
2
,
3
R, n ao todos nulos, tais
que
(1, 3, 4) =
1
(1, 1, 1) +
2
(1, 1, 0) +
3
(1, 0, 0).
Da igualdade anterior, obtem-se o seguinte sistema
_
_
_

1
+
2
+
3
= 1

1
+
2
= 3

1
= 4
.
A solucao deste sistema e
1
= 4,
2
= 1 e
3
= 2. Deste modo,
(1, 3, 4) = 4(1, 1, 1) 1(1, 1, 0) 2(1, 0, 0),
isto e, (1, 3, 4) e combina cao linear de (1, 1, 1), (1, 1, 0) e (1, 0, 0).
Teorema 22 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K. Sejam u
1
, . . . , u
p
elementos linearmente dependentes de
V . Entao, os elementos que pertencam a qualquer subconjunto nito de V
que contenha u
1
, . . . , u
p
tambem sao linearmente dependentes.
Demonstracao. Sem perda de generalidade, considere-se o conjunto cons-
titudo por u
1
, . . . , u
p
, u
p+1
, . . . , u
n
. Como por hip otese u
1
, . . . , u
p
s ao linear-
mente dependentes, existem escalares n ao todos nulos
i
, i = 1, . . . , p, tais
que

1
u
1
+ . . . +
p
u
p
= 0
V
.
3.2. DEPEND

ENCIA/ INDEPEND

ENCIA LINEAR 57
A igualdade anterior pode escrever-se de forma equivalente do seguinte modo

1
u
1
+ . . . +
p
u
p
+ 0u
p+1
+ . . . + 0u
n
= 0
V
.
Assim, existe uma combinac ao linear nula de u
1
, . . . , u
n
que n ao e a trivial-
mente nula e, portanto, os elementos u
1
, . . . , u
p
s ao linearmente dependentes.
Exemplo. Considere-se os vectores (1, 1, 1), (1, 0, 2), (0, 1, 1) de R
3
, que se
sabe serem linearmente dependentes. Mostra-se que os vectores
(1, 1, 1), (1, 0, 2), (0, 1, 1), (1, 2, 3)
ainda sao linearmente dependentes. De facto,
(0, 1, 1) = (1, 0, 2) (1, 1, 1) + 0(1, 2, 3),
e, por isso, o vector (0, 1, 1) e combinac ao linear dos restantes vectores.
Ent ao, pelo Teorema 19, conclui-se que os vectores (1, 1, 1), (1, 0, 2), (0, 1, 1),
(1, 2, 3) s ao linearmente dependentes.
Teorema 23 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K linearmente independentes. Entao quaisquer 1 < p < n ele-
mentos distintos escolhidos arbitrariamente entre eles ainda sao linearmente
independentes.
Demonstracao. Considere-se, sem perda de generalidade, que u
1
, u
2
, . . . , u
p
s ao elementos distintos escolhidos aleatoriamente de u
1
, u
2
, . . . , u
n
e suponha-
se que s ao linearmente dependentes. Ent ao, pelo Teorema 19, existe um
elemento que se escreve como combinac ao linear dos restantes. Pode supor-se,
sem perda de generalidade, que esse elemento e u
1
. Ent ao, existem escalares

2
, . . . ,
p
K, nao todos nulos, tais que
u
1
=
2
u
2
+ . . . +
p
u
p
.
Deste modo, tem-se que
u
1

2
u
2
. . .
p
u
p
+ 0u
p+1
+ . . . + 0u
n
= 0
V
.
O que e um absurdo pois, por hip otese, u
1
, u
2
, . . . , u
n
s ao linearmente inde-
pendentes. Assim, conclui-se que os elementos u
1
, u
2
, . . . , u
p
s ao linearmente
independentes.
58 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Exemplo. Considere-se os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0) de R
3
, que se
sabe serem linearmente independentes. Os vectores (1, 1, 1), (1, 1, 0) ainda
s ao linearmente independentes. De facto, da igualdade

1
(1, 1, 1) +
2
(1, 1, 0) = (0, 0, 0),
obtem-se o sistema
_
_
_

1
+
2
= 0

1
+
2
= 0

1
= 0
,
cuja soluc ao e
1
=
2
= 0.
Teorema 24 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K. Os elementos u
1
, . . . , u
n
sao linearmente independentes
se e so se qualquer combinacao linear de u
1
, . . . , u
n
tem coecientes unicos,
isto e,

1
u
1
+ . . . +
n
u
n
=
1
u
1
+ . . . +
n
u
n

i
=
i
, i = 1, . . . , n
Demonstracao. () Suponha-se que u
1
, . . . , u
n
s ao linearmente indepen-
dentes e que existe uma combinac ao linear de u
1
, . . . , u
n
que n ao tem coe-
cientes unicos. Seja u V , tal que existem escalares
i
,=
i
, i = 1, . . . , n,
tais que

1
u
1
+ . . . +
n
u
n
= u
e

1
u
1
. . . +
n
u
n
= u.
Das igualdades anteriores, vem

1
u
1
+ . . . +
n
u
n
=
1
u
1
+ . . . +
n
u
n
,
o que e equivalente,
(
1

1
)u
1
+ . . . + (
n

n
)u
n
= 0
V
.
Uma vez que u
1
, . . . , u
n
s ao linearmente independentes, conclui-se que
i
=

i
, i = 1, . . . , n, o que e um absurdo, pois partiu-se do pressuposto que estes
coecientes nao eram unicos.
3.2. DEPEND

ENCIA/ INDEPEND

ENCIA LINEAR 59
() Demonstra-se, agora, o contra-recproco. Suponha-se que u
1
, . . . , u
n
s ao linearmente dependentes. Entao existem escalares
i
, i = 1, . . . , n, n ao
todos nulos, tais que

1
u
1
+ . . . +
n
u
n
= 0
V
.
No entanto, e imediato que
0u
1
+ . . . + 0u
n
= 0
V
,
logo existem duas formas distintas de escrever 0
V
como combinac ao linear
de u
1
, . . . , u
n
.
De seguida, mostra-se que o estudo da independencia/dependencia de vec-
tores em R
n
se pode efectuar com base na resoluc ao de sistemas de equacoes
lineares. Na verdade,
Teorema 25 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K. Os vectores u
1
, . . . , u
p
R
n
sao linearmente independen-
tes se e so se o sistema de equacoes lineares Au = 0, onde A M
np
e a
matriz cujas colunas sao os vectores u
1
, . . . , u
p
, e possvel e determinado.
Note-se que Au = 0 e equivalente a
1
u
1
+ . . . +
p
u
p
= 0, com u =
(
1
, . . . ,
p
),
i
R, i = 1, . . . , p. Logo, os vectores u
1
, . . . , u
p
R
n
s ao
linearmente independentes se e s o se a unica solucao de Au = 0 e a solucao
nula. Assim, o sistema e possvel e determinado.
Teorema 26 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K. Entao qualquer conjunto de p vectores em R
n
, com p > n,
e linearmente dependente.
Considere-se a matriz A M
np
cujas colunas s ao os p vectores referidos
no Teorema 25. Esta propriedade garante que estes vectores sao linearmente
independentes se e s o se o sistema de equac oes lineares Au = 0 e possvel e
determinado. Assim, ter-se-ia car(A) = car(A[B) = n umero de incognitas.
Por outro lado, como o n umero de incognitas e p, car(A) tambem teria de
ser p, o que signica que a matriz em escada de linhas teria p pivots, o que
e um absurdo uma vez que o n umero de linhas e n < p.
60 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Exemplo. 1. Considere-se os vectores de R
3
(1, 1, 1), (1, 1, 0). Ent ao, a
matriz A M
32
denida no Teorema 25 e dada por
A =
_
_
1 1
1 1
1 0
_
_
.
Do sistema Au = 0, obtem-se
[A[B] =
_
_
1 1 [ 0
1 1 [ 0
1 0 [ 0
_
_
L
2
L
2
L
1
L
3
L
3
L
1
_
_
1 1 [ 0
0 0 [ 0
0 1 [ 0
_
_
.
Como car(A) = car(A[B) = 2 = n umero de inc ognitas, o sistema e possvel
e determinado. Logo, os vectores s ao linearmente independentes.
2. Considere-se, agora, os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 3, 4) de
R
3
. Entao, como o n umero de vectores e 4,o Teorema 26 permite concluir
que os vectores anteriores s ao linearmente dependentes.
Com base nos Teoremas 25 e 26, prova-se que (ver [4]) para matrizes
mn em escada de linhas se tem:
Teorema 27 Sejam u
1
, . . . , u
n
, n 2, elementos de um espaco vectorial V
sobre um corpo K. Entao
(a) As colunas que contem pivots sao linearmente independentes em R
n
.
(b) As linhas nao nulas sao linearmente independentes em R
n
.
(c) O n umero de linhas independentes e o n umero de colunas independentes
sao ambos iguais `a caracterstica da matriz.
Exemplo. Considere-se os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 3, 4) de R
3
.
Colocando os vectores anteriores por coluna numa matriz A e efectuando
a eliminac ao de Gauss, verica-se que (1, 1, 1), (1, 1, 0), (1, 0, 0) s ao vectores
linearmente independentes. Na verdade,
A =
_
_
1 1 1 1
1 1 0 3
1 0 0 4
_
_
.
3.3. SISTEMAS DE GERADORES E BASES 61
Ent ao,
A =
_
_
1 1 1 1
1 1 0 3
1 0 0 4
_
_
L
2
L
2
L
1
L
3
L
3
L
1
_
_
1 1 1 1
0 0 1 2
0 1 1 3
_
_

L
2
L
3
_
_
1 1 1 1
0 1 1 3
0 0 1 2
_
_
.
Deste modo, car(A) = 3. Logo, existem 3 linhas/colunas independentes
(Teorema 27 (c)). Assim, existem 3 vectores linearmente independentes que
correspondem `as colunas que contem pivots (Teorema 27 (a)).
3.3 Sistemas de Geradores e Bases
Teorema 28 Seja G um subconjunto, nao vazio, de um espaco vectorial V
sobre um corpo K. Diz-se que G e um conjunto constitudo por geradores de
V ou que G gera V , e denota-se por V = G, se qualquer elemento de V se
escreve como combinacao linear dos elementos de G.
No caso de G ser um conjunto nito, G = u
1
, . . . , u
k
, ent ao escreve-se
V = G = u
1
, . . . , u
k

e diz-se que V e um espaco vectorial nitamente gerado.


Exemplo. Mostra-se, de seguida, que
(1, 0, 2), (1, 0, 0) = (x, y, z) R
3
: y = 0.
Efectivamente, seja (x, y, z) um elemento generico de R
3
. Ent ao, existem
escalares
1
,
2
R, tais que
(x, y, z) =
1
(1, 0, 2) +
2
(1, 0, 0),
o que e equivalente a
_
_
_

1
+
2
= x
0 = y
2
1
= z
,
cuja soluc ao e
1
= z/2,
2
= x z/2, quando y = 0. Provou-se, assim, que
s o existem escalares
1
,
2
R, tais que (x, y, z) =
1
(1, 0, 2) +
2
(1, 0, 0),
se y = 0.
62 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Teorema 29 Seja V um espaco vectorial sobre um corpo K, tal que V =
u
1
, . . . , u
n
. Se u
i
e linearmente dependente dos restantes, entao
u
1
, . . . , u
i1
, u
i+1
, . . . , u
n
e ainda um sistema de geradores de V .
Demonstracao. Seja v V . Como u
1
, . . . , u
n
geram V , existem escalares

1
, . . . ,
n
K, tais que
v =
1
u
1
+ . . . +
i
u
i
+ . . . +
n
u
n
. (3.3)
Por outro lado, por hip otese, u
i
escreve-se como combina cao linear dos res-
tantes elementos. Logo, existem escalares
1
, . . . ,
i1
,
i+1
, . . . ,
n
, tais que
u
i
=
1
u
1
+ . . . +
i1
u
i1
+
i+1
u
i+1
+ . . . +
n
u
n
. (3.4)
Substituindo (3.4) em (3.3), tem-se
v =
1
u
1
+ . . . +
i
(
1
u
1
+ . . . +
i1
u
i1
+
i+1
u
i+1
+ . . . +
n
u
n
) + . . . +
n
u
n
= (
1
+
i

1
)u
1
+ . . . + (
i1
+
i

i1
)u
i1
+ (
i+1
+
i

i+1
)u
i+1
+ . . .
+ (
n
+
i

n
)u
n
.
Deste modo, v V e combinac ao linear de u
1
, . . . , u
i1
, u
i+1
, . . . , u
n
, e, por
conseguinte, u
1
, . . . , u
i1
, u
i+1
, . . . , u
n
e ainda um sistema de geradores de
V .
Exemplo. Os vectores (1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 3, 4) de R
3
constituem
um conjunto de geradores de R
3
, uma vez que qualquer elemento de R
3
se
escreve como combina cao linear deste vectores. Seja (x, y, z) R
3
, mostra-se
que existem escalares
1
,
2
,
3
,
4
R, tais que
(x, y, z) =
1
(1, 1, 1) +
2
(1, 1, 0) +
3
(1, 0, 0) +
4
(1, 3, 4).
Obtem-se, assim, o seguinte sistema
_
_
_

1
+
2
+
3
+
4
= x

1
+
2
+ 3
4
= y

1
+ 4
4
= z
.
3.3. SISTEMAS DE GERADORES E BASES 63
A matriz ampliada deste sistema e
[A[B] =
_
_
1 1 1 1 [ x
1 1 0 3 [ y
1 0 0 4 [ z
_
_
L
2
L
2
L
1
L
3
L
3
L
1
_
_
1 1 1 1 [ x
0 0 1 2 [ y x
0 1 1 3 [ z x
_
_

L
3
L
2
_
_
1 1 1 1 [ x
0 1 1 3 [ z x
0 0 1 2 [ y x
_
_
.
Ent ao, car(A) = car(A[B) = 3 < 4 = n umero de inc ognitas, logo o sistema e
possvel e indeterminado. Por isso, existem escalares
1
,
2
,
3
,
4
R que
satisfazem
(x, y, z) =
1
(1, 1, 1) +
2
(1, 1, 0) +
3
(1, 0, 0) +
4
(1, 3, 4).
Logo, R
3
= (1, 1, 1), (1, 1, 0), (1, 0, 0), (1, 3, 4).
Sabe-se que o vector (1, 3, 4) e combinac ao linear de (1, 1, 1), (1, 1, 0), (1, 0, 0).
Ent ao, prova-se de seguida que estes vectores ainda formam um conjunto
de geradores de R
3
. Seja (x, y, z) R
3
, mostra-se que existem escalares

1
,
2
,
3
R, tais que
(x, y, z) =
1
(1, 1, 1) +
2
(1, 1, 0) +
3
(1, 0, 0).
De modo an alogo ao anterior, obtem-se o seguinte sistema
_
_
_

1
+
2
+
3
= x

1
+
2
= y

1
= z
,
cuja soluc ao e (z, y z, x y). Logo, existem escalares
1
= z,
2
= y z e

3
= x y que satisfazem
(x, y, z) = z(1, 1, 1) + (y z)(1, 1, 0) + (x y)(1, 0, 0)
e, por isso, R
3
= (1, 1, 1), (1, 1, 0), (1, 0, 0).
Denicao 3.3.1 Considere-se V um espaco vectorial nitamente gerado so-
bre um corpo K. Chama-se base de V a qualquer sequencia de elementos
de V linearmente independentes e que geram V . O n umero de elementos de
uma base de V designa-se dimensao de V e denota-se por dimV .
64 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Note-se que qualquer espaco vectorial V sobre um corpo K pode ter um
n umero innito de bases, no entanto todas as bases tem o mesmo n umero
de elementos. Alem disso, como na denicao de base e referida a no cao de
sequencia de elementos de V , a ordem pela qual os elementos aparecem na
base e importante.
As sequencias ((1, 0), (0, 1)) e ((1, 0, 0), (0, 1, 0), (0, 0, 1)) designam-se base
canonica de R
2
e R
3
, respectivamente. Mais geralmente, no caso de R
n
a base
can onica e ((1, 0, . . . , 0), (0, 1, . . . , 0), . . . , (0, 0, . . . , 1)). Assim, as dimensoes
de R
2
, R
3
e R
n
s ao 2, 3 e n, respectivamente. A dimensao do espaco vectorial
dos polinomios de grau menor ou igual a n, R
n
[x], e n + 1, uma vez que
(1, x, x
2
, . . . , x
n1
, x
n
) e a sua base canonica.
Exemplo. A sequencia de vectores ((1, 1, 1), (1, 1, 0), (1, 0, 0)) constitui uma
base de R
3
, visto que ja se mostrou anteriormente que os vectores s ao linear-
mente independentes e constituem um sistema de geradores de R
3
. Alterando
a ordem dos vectores anteriores obtem-se, por exemplo, ((1, 0, 0), (1, 1, 0), (1, 1, 1))
que constitui uma nova base de R
3
.
Denicao 3.3.2 Seja V um espaco vectorial de dimensao nita, n, sobre
um corpo K. Entao a sequencia (u
1
, . . . , u
n
) e uma base de V se e so se
qualquer elemento de V se escreve de forma unica como combinacao linear
de u
1
, . . . , u
n
. Assim sendo, existem escalares unicos
1
, . . . ,
n
K, tais
que
v =
1
u
1
+ . . . +
n
u
n
, v V.
Os escalares
1
, . . . ,
n
designam-se coordenadas do vector v relativamente `a
base (u
1
, . . . , u
n
).
Exemplo.Considere-se a sequencia ((1, 1, 1), (1, 1, 0), (1, 0, 0)) que se sabe ser
uma base de R
3
. Seja (1, 2, 3) R
3
. Ent ao, as coordenadas de (1, 3, 4), re-
lativamente `a base ((1, 1, 1), (1, 1, 0), (1, 0, 0)) s ao 4,1 e 2. Efectivamente,
provou-se anteriormente que
(1, 3, 4) = 4(1, 1, 1) 1(1, 1, 0) 2(1, 0, 0).
3.3. SISTEMAS DE GERADORES E BASES 65
No caso particular de V n ao ser um espaco vectorial nitamente gerado,
diz-se que a dimensao de V e innita. Se V coincide com o seu elemento
neutro (V = 0
V
), diz-se que V tem dimensao nula e, neste caso, V n ao
tem base.
Introduz-se, de seguida, o conceito de subespaco pr oprio associado a um
valor pr oprio. Comece-se por recordar que no Captulo 2 se introduziu o
conceito de valor proprio de uma matriz A M
n
e foi referido que para
um dado valor proprio de A, , os vectores pr oprios de A associados a
constituem o conjunto
V
A
() = X R
n
0 : (A I)X = 0 .
A cada valor pr oprio de A, , est a ainda associado um subespaco vectorial,
designado subespaco proprio de A associado a e denido por
S
A
() = X R
n
: (A I)X = 0 .
A dimens ao deste subespaco e designada multiplicidade geometrica do valor
pr oprio e esta multiplicidade e menor ou igual do que a multiplicidade
algebrica do valor pr oprio .
Exemplo. Considere-se a matriz
A =
_
1 2
0 1
_
M
2
.
Mostrou-se no Captulo 2 que 1 e valor pr oprio de A com multiplicidade
algebrica 2 e que o conjunto dos vectores pr oprios de A associados ao valor
pr oprio 1 e
V
A
(1) =
_
(x, y) R
2
(0, 0) : y = 0
_
= (x, 0) : x R0 .
Deste modo, o subespaco proprio de A associado a 1 e
S
A
(1) =
_
(x, y) R
2
: y = 0
_
= x(1, 0) : x R = (1, 0).
e a multiplicidade geometrica do valor proprio 1 e 1 (menor que a multipli-
cidade algebrica que e 2).
66 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Apresentam-se, de seguida, duas propriedades associadas aos subespacos
soma e intersec cao que permitem determinar, de forma simples, a dimensao
destes subespacos. Com efeito, sejam F e G dois subespacos vectoriais de V
(espaco vectorial sobre um corpo K). Mostra-se que
Teorema 30 (a) F +G = F G.
(b) dim(F + G) = dimF + dimGdim(F G).
Para nalizar, apresentam-se alguns resultados sobre sistemas de gerado-
res de um espaco vectorial. Considere-se V um espa co vectorial de dimens ao
nita, n, sobre um corpo K e (u
1
, . . . , u
n
) uma base de V . Ent ao, sao validas
os teoremas seguintes:
Teorema 31 Quaisquer m elementos de V com m > n sao linearmente
dependentes.
Exemplo.1. Sejam (2, 1), (1, 0) e (0, 1) vectores de R
2
. Pelo Teorema 31,
conclui-se que os vectores s ao linearmente dependentes, dado que a dimens ao
de R
2
e 2 < 3 =n umero de vectores.
2. Os polin omios 2 + 3x + 3x
2
4x
3
, 2x
3
, 2, 3x
2
+ 3x e 2x + 1 de
R
3
[x] s ao linearmente dependentes. De facto, a dimensao de R
3
[x] = 4 < 5 =
n umero de polin omios.
Teorema 32 Qualquer subconjunto de V constitudo por n elementos line-
armente independentes gera V .
Exemplo.1. Aplicando o teorema anterior, conclui-se facilmente que R
3
,=
(1, 1, 0), (0, 1, 1), porque apesar dos vectores (1, 1, 0) e (0, 1, 1) serem line-
armente independentes, o n umero de vectores e 2 < 3 = dim(R
3
). Ana-
logamente, apesar dos polinomios 1 + x, x
2
, x
3
de R
3
[x] serem linearmente
independentes, R
3
[x] ,= 1 + x, x
2
, x
3
, porque 3 < 4 = dim(R
3
[x]).
2. Dado que os vectores u
1
= (1, 1, 0), u
2
= (0, 1, 1), u
3
= (1, 1, 1) s ao
linearmente independentes e s ao 3 = dim(R
3
), conclui-se pelo Teorema 326
que R
3
= (1, 1, 0), (0, 1, 1), (1, 1, 1).
Teorema 33 Qualquer conjunto de geradores de V e linearmente indepen-
dente se e so se tem n elementos;
3.3. SISTEMAS DE GERADORES E BASES 67
Exemplo. 1. Os vectores (0, 1, 2), (1, 0, 2), (1, 1, 4), (1, 0, 0) de R
3
constituem um sistema de geradores de R
3
, no entanto como s ao 4 vectores,
pelo Teorema 33 conclui-se que os vectores s ao linearmente dependentes.
2. Sabe-se pelo exemplo anterior que R
3
= (1, 1, 0), (0, 1, 1), (1, 1, 1).
Deste modo, pode-se concluir que os vectores s ao linearmente independentes.
Teorema 34 Um sistema de geradores de V tem no mnimo n elementos.
Exemplo.Considere-se o espa co vectorial R
3
. Dado um elemento arbitrario
de R
3
, (x, y, z), verica-se que
(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1).
Assim, para gerar R
3
s ao necess arios no mnimo tres vectores, (1, 0, 0), (0, 1, 0)
e (0, 0, 1).
Teorema 35 Qualquer conjunto nito de geradores de V , contem uma base
de V .
Exemplo.Recorrendo ao exemplo respeitante ao Teorema 32, pode-se inferir
que (u
1
, u
2
, u
3
) e (u
1
, u
2
, u
3
, u
4
), onde u
4
e um vector arbitrario de R
3
, s ao
sistemas de geradores de R
3
. No entanto, aplicando o Teorema 33, conclui-se
que no segundo caso os vectores s ao linearmente dependentes, uma vez que
4 > 3 = dimR
3
. Deste modo, u
1
, u
2
, u
3
, u
4
, contem uma base de R
3
que e,
por exemplo, (u
1
, u
2
, u
3
).
Teorema 36 Qualquer subconjunto de V , que contenha um conjunto de ge-
radores de V e ainda um conjunto de geradores de V .
Exemplo.1. Os vectores u
1
= (1, 1, 1), u
2
= (1, 1, 0), e u
3
= (1, 0, 0) de R
3
s ao linearmente independentes, e portanto pelo Teorema 32, constituem um
sistema de geradores de R
3
. Assim sendo, qualquer elemento w de R
3
pode-se
escrever como combinac ao linear de u
1
, u
2
, u
3
, isto e, existem
1
,
2
,
3
R,
tais que,
w =
1
u
1
+
2
u
2
+
3
u
3
.
Se considerar o sistema (u
1
, u
2
, u
3
, u
4
), onde u
4
e um vector arbitr ario de R
3
,
obviamente que este novo sistema tambem gera R
3
. De facto, dado w R
3
,
tem-se
w =
1
u
1
+
2
u
2
+
3
u
3
+ 0u
4
.
68 CAP

ITULO 3. ESPAC OS E SUBESPAC OS VECTORIAIS


Teorema 37 Qualquer conjunto com m < n elementos linearmente inde-
pendentes de V pode ser ampliado de modo a formar uma base de V .
Exemplo. Mostra-se facilmente que os polin omios 1 + x, x
2
de R
2
[x] s ao
linearmente independentes. Por outro lado, a sequencia de polin omios (1 +
x, x
2
, 2) de R
2
[x], e ainda linearmente independente e, por isso, aplicando
o Teorema 32, constitui um sistema de geradores linearmente independente.
Deste modo, ampliou-se o sistema independente (1+x, x
2
) de modo a formar
uma base de R
2
[x].
Captulo 4
Aplicacoes Lineares
No Captulo 3, apresentaram-se alguns exemplos que deram a ideia de que
existem espacos vectoriais que s ao iguais, na medida em que possuem as
mesmas propriedades, embora os seus elementos apresentem formas distintas.

E o caso dos espacos vectoriais M


21
e M
12
, constitudos pelos vectores
coluna e pelos vectores linha com 2 componentes, respectivamente. Neste
captulo tornar-se- a esta ideia mais precisa, introduzindo, para isso, algumas
noc oes.
4.1 Denicao e propriedades
Sejam U e V espacos vectoriais sobre um corpo K. Uma aplicacao (trans-
formacao) linear de U em V e uma aplicac ao f : U V que satisfaz as
seguintes propriedades:
f(u + v) = f(u) + f(v) e f(u) = f(u),
ou, de forma equivalente,
f(u + v) = f(u) + f(v),
para quaisquer u, v U e , K.
Os espacos vectoriais U e V designam-se espaco de partida e espaco de
chegada, respectivamente.
Exemplo. A aplicac ao f : R
3
R
2
, denida por f(x, y, z) = (y + z, x) e
linear. De facto, sejam u = (x, y, z) e v = (x

, y

, z

) elementos arbitrarios de
69
70 CAP

ITULO 4. APLICAC

OES LINEARES
R
3
e , R. Ent ao,
f (u + v) = f ((x, y, z) + (x

, y

, z

))
= f (x + x

, y + y

, z + z

)
= (y + y

+ z + z

, x + x

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

+ z

, x

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

, y

, z

)
= f(u) + f(v).
Verica-se facilmente que a aplica cao f : U V que associa a cada
elemento do espa co vectorial U o elemento neutro do espaco vectorial V , e
uma aplica cao linear, mais propriamente a aplicacao nula doravante denotada
por 0
f
. De forma analoga, a aplicacao f : U U que associa cada elemento
de um espaco vectorial U em si proprio tambem e uma aplicacao linear,
habitualmente designada aplicacao identidade e denotada por 1
f
.
Como consequencia da denic ao de aplicac ao linear obtem-se os resulta-
dos seguintes:
Teorema 38 Sejam U e V espacos vectoriais sobre um corpo K. Uma
aplicacao f : U V e linear se e so se
f
_
n

i=1

i
x
i
_
=
n

i=1

i
f (x
i
) , (4.1)
para quaisquer x
i
U,
i
K, i = 1, . . . , n, n > 1.
Demonstracao. () Considere-se x
i
U,
i
K, i = 1, . . . , n. Aplicando
a denic ao de aplicac ao linear, obtem-se
f
_
n

i=1

i
x
i
_
= f
_

1
x
1
+
n

i=2

i
x
i
_
=
1
f (x
1
) + f
_
n

i=2

i
x
i
_
=
1
f (x
1
) + f
_

2
x
2
+
n

i=3

i
x
i
_
4.1. DEFINIC

AO E PROPRIEDADES 71
=
1
f (x
1
) +
2
f (x
2
) + f
_
n

i=3

i
x
i
_
=
=
1
f (x
1
) +
2
f (x
2
) + . . . +
n
f (x
n
)
=
n

i=1

i
f (x
i
) .
() Se f satisfaz (4.1) para n > 1 entao, no caso particular de n = 2,
obtem-se
f(
1
x
1
+
2
x
2
) =
1
f(x
1
) +
2
f(x
2
),
para quaisquer x
1
, x
2
U e
1
,
2
R. Deste modo, conclui-se que f e
linear.
Teorema 39 Sejam U e V espacos vectoriais sobre um corpo K. Se a
aplicacao f : U V e linear, entao f(0
U
) = 0
V
.
Demonstracao. Seja x um elemento arbitr ario de U e x o seu simetrico.
Ent ao, x + (x) = 0
U
. Assim, dado que f e linear,
f (0
U
) = f (x + (x)) = f (x) f (x) = 0
V
.

Note-se que a partir do Teorema 39 obtem-se uma condic ao necessaria


para que uma dada aplicac ao seja linear.
Exemplo. A aplicac ao f : R R
2
tal que f(x) = (1, x) n ao e linear. De
facto, como f(0
R
) = f(0) = (1, 0) ,= (0, 0) = 0
R
2, pela Propriedade 2, f n ao
e linear.
Relembre-se, agora, a denic ao de soma, multiplicacao escalar e composta
de aplicacoes. Dados os conjuntos U, V e W e as aplicac oes f, g : U V e
h : V W dene-se
1. f + g : U V , por (f + g)(u) = f(u) + g(u), u U.
2. f : U V por (f)(u) = (f(u)), u U, escalar.
72 CAP

ITULO 4. APLICAC

OES LINEARES
3. h g : U W por (h g)(u) = (h(g(u)), u U.
No caso particular de U, V e W serem espa cos vectoriais sobre um corpo
K e de f, g e h serem aplicac oes lineares, as aplicac oes 1, 2 e 3 tambem
s ao lineares. Na verdade, considerando u, v U e , K arbitr arios e
utilizando a denicao de soma de aplicac oes, obtem-se
(f + g)(u + v) = f(u + v) + g(u + v).
Como f e g s ao lineares pode escrever-se
(f + g)(u + v) = f(u) + f(v) + g(u) + g(v)
= (f(u) + g(u)) + (f(v) + g(v)).
Utilizando novamente a deni cao de soma de aplicacoes, obtem-se que f +g
e linear, dado que
(f + g)(u + v) = (f + g)(u) + (f + g)(v).
A linearidade das aplicac oes f e de h g mostra-se de forma an aloga.
Sejam U e V dois espacos vectoriais sobre um corpo K.

E simples mos-
trar que o conjunto de todas as aplica coes lineares de U em V , munido das
operac oes adi cao e multiplicacao escalar denidas em 1 e 2 ainda e um espaco
vectorial sobre K (ver [3]).
Para caracterizar uma aplica cao de forma unica, em geral, e necess ario
uma grande quantidade de informac ao. O caso das aplicac oes lineares e
especial, visto que quando o espaco de partida tem dimens ao nita, qualquer
aplicac ao linear ca determinada desde que sejam conhecidas as imagens de
uma base desse espaco.
Assim, sejam U e V espacos vectoriais sobre um corpo K, f : U V
uma aplicac ao linear e B
1
= (u
1
, u
2
, . . . , u
n
) uma base de U. Considere-
se, ainda, um vector arbitrario u U. Ent ao, existem escalares unicos

1
,
2
, . . . ,
n
K, tais que
u =
1
u
1
+
2
u
2
+ . . . +
n
u
n
.
A linearidade de f permite escrever
f (u) = f (
1
u
1
+
2
u
2
+ . . . +
n
u
n
)
=
1
f (u
1
) +
2
f (u
2
) + . . . +
n
f (u
n
) . (4.2)
4.1. DEFINIC

AO E PROPRIEDADES 73
Assim, a imagem de cada vector u U ca determinada desde que se co-
nhecam as imagens dos vectores da base B, isto e, f(u
1
), f(u
2
), . . . , f(u
n
).
Exemplo.Pretende-se caracterizar a aplica cao f : R
2
R
3
, tal que f(1, 2) =
(3, 1, 5) e f(0, 1) = (2, 1, 1).
Dado que dim R
2
= 2, quaisquer dois elementos de R
2
linearmente inde-
pendentes constituem uma sua base. Como
car
__
1 2
0 1
__
= 2,
os vectores (1, 2) e (0, 1) s ao linearmente independentes e, assim sendo, B
1
=
((1, 2), (0, 1)) e base de R
2
. Deste modo, para todo o (x, y) R
2
, existem
escalares unicos
1
,
2
R, tais que
(x, y) =
1
(1, 2) +
2
(0, 1).
Da igualdade anterior obtem-se
_

1
= x
2
1
+
2
= y,
cuja soluc ao e (x, y 2x). Logo,
(x, y) = x(1, 2) + (y 2x)(0, 1). (4.3)
Como f e linear, f(1, 2) = (3, 1, 5) e f(0, 1) = (2, 1, 1), de (4.3) vem
f (x, y) = f (x(1, 2) + (y 2x)(0, 1)) = xf (1, 2) + (y 2x)f (0, 1)
= x(3, 1, 5) + (y 2x)(2, 1, 1)
= (x + 2y, 3x + y, 7x y).
Sejam U e V dois espacos vectoriais sobre um corpo K e sejam B
1
=
(u
1
, u
2
, . . . , u
n
) e B
2
= (v
1
, v
2
, . . . , v
m
) bases de U e V , respectivamente.
Note-se que dada uma matriz A = [a
ij
] M
mn
arbitr aria, esta dene uma
unica aplica cao linear f : U V relativamente ao par de bases B
1
e B
2
. Para
tal, basta considerar que a j-esima coluna de A, [a
1j
a
2j
. . . a
mj
]
T
, representa
74 CAP

ITULO 4. APLICAC

OES LINEARES
o vector das coordenadas de f(u
j
) na base B
2
, j = 1, . . . , n. Como cada um
dos n vectores de coordenadas e unico, cada f(u
j
) pode ser escrito de forma
unica como combinacao linear dos elementos da base B
2
do seguinte modo:
f (u
j
) = a
1j
v
1
+ a
2j
v
2
+ . . . + a
mj
v
m
, j = 1, . . . , n. (4.4)
Assim, conhecidas as imagens de uma base do espaco de partida, qualquer
aplicac ao linear f ca denida, basta para tal utilizar (4.2) juntamente com
(4.4). A matriz A designa-se matriz da aplicacao linear f relativamente ` as
bases B
1
e B
2
e denota-se por A = /(f; B
1
, B
2
).
Exemplo. Seja f : R
3
R
2
uma aplicac ao linear cuja matriz que re-
presenta f relativamente ` as bases B
1
= ((1, 0, 0), (0, 0, 1), (0, 1, 0)) e B
2
=
((0, 1), (1, 0)) e
/(f; B
1
, B
2
) =
_
1 2 3
5 0 1
_
.
Note-se que as colunas de /(f; B
1
, B
2
) s ao os vectores das coordenadas
das imagens dos vectores de B
1
na base B
2
. Deste modo,
f(1, 0, 0) = 1 (0, 1) + 5 (1, 0) = (5, 1)
f(0, 0, 1) = 2 (0, 1) + 0 (1, 0) = (0, 2)
f(0, 1, 0) = 3 (0, 1) + 1 (1, 0) = (1, 3).

E facil vericar que


(x, y, z) = x(1, 0, 0) + z(0, 0, 1) + y(0, 1, 0). (4.5)
Utilizando (4.5) e a linearidade de f, vem
f (x, y, z) = f (x(1, 0, 0) + z(0, 0, 1) + y(0, 1, 0))
= xf(1, 0, 0) + zf(0, 0, 1) + yf(0, 1, 0)
= x(5, 1) + z(0, 2) + y(1, 3)
= (5x + y, x + 2z + 3y).
Note-se ainda que, dada uma aplicac ao linear f : U V e dadas B
1
=
(u
1
, u
2
, . . . , u
n
) e B
2
= (v
1
, v
2
, . . . , v
m
) bases de U e V , respectivamente, e
sempre possvel construir uma unica matriz A que dene f em rela cao a B
1
e B
2
. Para obter A basta, para cada j = 1, . . . , n,
4.1. DEFINIC

AO E PROPRIEDADES 75
1. Calcular f(u
j
);
2. Determinar o vector das coordenadas de f(u
j
) na base B
2
,
(a
1j
, a
2j
, . . . , a
mj
) ; (4.6)
3. Introduzir o vector (4.6) na j-esima coluna de A.
Exemplo.Considere-se a aplicac ao linear f : R
3
R
2
, denida por f(x, y, z) =
(5x + y, x + 3y + 2z) e as bases B
1
= ((1, 0, 0), (0, 0, 1), (0, 1, 0)) e
B
2
= ((0, 1), (1, 0)).
Para obter a matriz de f relativamente `as bases B
1
e B
2
comeca-se por
calcular as imagens dos elementos de B
1
. Assim,
f(1, 0, 0) = (5, 1), f(0, 0, 1) = (0, 2) e f(0, 1, 0) = (1, 3).
De seguida, determinam-se os vectores das coordenadas de cada uma das
imagens na base B
2
, (a
1j
, a
2j
), j = 1, 2, 3. Para tal, resolvem-se as equacoes
seguintes
(5, 1) = a
11
(0, 1) + a
21
(1, 0)
(0, 2) = a
12
(0, 1) + a
22
(1, 0)
(1, 3) = a
13
(0, 1) + a
23
(1, 0),
cujas soluc oes s ao (a
11
, a
21
) = (1, 5), (a
12
, a
22
) = (2, 0) e (a
13
, a
23
) = (3, 1),
respectivamente. A matriz /(f; B
1
, B
2
) obtem-se introduzindo, ordenada-
mente por coluna, os vectores das coordenadas. Assim,
/(f; B
1
, B
2
) =
_
1 2 3
5 0 1
_
.
Considere-se, novamente, a combina cao linear (4.2). A igualdade (4.4)
permite escrever (4.2) da seguinte forma:
f (u) =
1
(a
11
v
1
+ . . . + a
m1
v
m
) +
2
(a
12
v
1
+ . . . + a
m2
v
m
)
+. . . +
n
(a
1n
v
1
+ . . . + a
mn
v
m
)
= (
1
a
11
+ . . . +
n
a
1n
) v
1
+ (
1
a
21
+ . . . +
n
a
2n
) v
2
+. . . + (
1
a
m1
+ . . . +
n
a
mn
) v
m
. (4.7)
76 CAP

ITULO 4. APLICAC

OES LINEARES
Note-se que os coecientes dos vectores v
i
, i = 1, . . . , m, sao as co-
ordenadas de uma matriz produto, nomeadamente o produto da matriz
/(f; B
1
, B
2
) pelo vector coluna constitudo pelas coordenadas de u na base
B
1
. Este produto matricial origina um vector coluna cujas componentes sao
as coordenadas de f(u) na base B
2
. Assim, o c alculo da imagem de um vec-
tor por uma aplicac ao linear corresponde a multiplicar a matriz da aplica cao
linear por um vector de coordenadas. Entao, f(u), em (4.7), pode escrever-se
sucintamente em termos matriciais como
(f(u))
B
2
= /(f; B
1
, B
2
)u
B
1
, (4.8)
onde u
B
denota o vector das coordenadas de um vector u numa base B.
Exemplo. Considere-se a aplica cao linear do exemplo anterior.

E sim-
ples vericar que o vector das coordenadas do vector (1, 2, 3) na base B
1
e
_
1 3 2

T
. Assim, utilizando (4.8), obtem-se
(f(1, 2, 3))
B
2
= /(f; B
1
, B
2
)(1, 2, 3)
B
1
=
_
1 2 3
5 0 1
_
_
_
1
3
2
_
_
=
_
11
3
_
.
Sejam U e V espacos vectoriais sobre um corpo K e f : U V uma
aplicac ao linear. A Propriedade 2 garante a existencia de, pelo menos, um
elemento em U, 0
U
, cuja imagem e o elemento neutro de V , 0
V
. O conjunto
formado por todos os elementos de U cuja imagem por f e o elemento neutro
de V , isto e,
Nucf = u U : f(u) = 0
V
,
designa-se n ucleo de f e e um subespaco vectorial de U. Em contrapartida,
o conjunto
Imf = v : v = f(u), para algum u U
designa-se conjunto imagem de f ou contradomnio de f e e um subespaco
vectorial de V .
Comece-se por mostrar que Nucf e subespaco vectorial de U. Pela
Propriedade 2, f(0
U
) = 0
V
, logo 0
U
Nucf ,= . Considere-se, agora,
u, v Nucf e , R arbitr arios. Entao, dado f ser linear, vem
f (u + v) = f (u) + f (v) .
4.1. DEFINIC

AO E PROPRIEDADES 77
Como u, v Nucf, obtem-se
f (u + v) = 0
V
+ 0
V
= 0
V
e, por conseguinte, u + v Nucf. Logo, Nucf e um subespaco vectorial
de U.
De seguida mostra-se que Imf e um subespaco vectorial de V . Pela
Propriedade 2, f(0
U
) = 0
V
, logo 0
V
Imf ,= . Considere-se, agora,
v
1
, v
2
Imf e , R arbitr arios. Por denic ao de Imf, existem u
1
, u
2

U, tais que f(u
1
) = v
1
e f(u
2
) = v
2
. Assim, dado que f e linear, vem
v
1
+ v
2
= f (u
1
) + f (u
2
) = f (u
1
+ u
2
) .
Como U e espaco vectorial, u
1
+ u
2
U e, deste modo,
v
1
+ v
2
= f (u
1
+ u
2
) Imf,
sendo, por isso, Imf um subespaco vectorial de V .
`
As dimens oes de Imf e Nucf chamam-se caracterstica de f e nulidade
de f, respectivamente. Pode ainda mostrar-se (ver [2]) que e v alida a seguinte
igualdade
dim Nucf + dim Imf = dim U.
Note-se, ainda, que (4.2) permite concluir que
Imf = f(u
1
), f(u
2
), . . . , f(u
n
) .
Exemplo. Considere-se a aplicac ao linear f : R
3
R
2
, tal que f(x, y, z) =
(5x + y, x + 3y + 2z).
O n ucleo de f e o subespaco vectorial de R
3
Nucf =
_
(x, y, z) R
3
: f(x, y, z) = (0, 0)
_
=
_
(x, y, z) R
3
: (5x + y, x + 3y + 2z) = (0, 0)
_
.
Da igualdade anterior obtem-se
_
5x + y = 0
x + 3y + 2z = 0,
cuja soluc ao e (x, 5x, 7x). Assim,
Nucf = (x, 5x, 7x) : x R = (1, 5, 7).
78 CAP

ITULO 4. APLICAC

OES LINEARES
A nulidade de f e 1, visto que um elemento n ao nulo e linearmente indepen-
dente.
A imagem de f e o subespaco vectorial de R
2
Imf = (5x + y, x + 3y + 2z) : x, y, z R .
Dado que
(5x + y, x + 3y + 2z) = x(5, 1) + y(1, 3) + z(0, 2),
vem
Imf = (5, 1), (1, 3), (0, 2) = (1, 3), (0, 2).
Note-se que
car
__
1 3
0 1
__
= 2,
por isso, estes dois vectores sao linearmente independentes e, assim sendo, a
caracterstica de f e igual a 2.
Observe-se que, efectivamente, dim Nucf + dim Imf = dim R
3
, visto
que 1 + 2 = 3.
Tal como se referiu, no incio deste captulo, alguns espacos vectoriais apa-
rentam ser iguais. Neste momento e possvel claricar esta ideia, comeca-
se, por isso, por recordar algumas noc oes.
Dados dois conjuntos A e B e uma aplica cao f : A B, diz-se que
- a aplicac ao f e injectiva se e so se quaisquer dois elementos distintos
de A n ao tem a mesma imagem, isto e,
u
1
,= u
2
= f(u
1
) ,= f(u
2
), u
1
, u
2
A.
- a aplicac ao f e sobrejectiva se e so se todo o elemento de B e imagem,
por f, de algum elemento de A, isto e,
u A, tal que v = f(u), v B.
- a aplica cao f e bijectiva se for simultaneamente injectiva e sobrejectiva.
No caso particular de f : U V ser uma aplica cao linear,
4.1. DEFINIC

AO E PROPRIEDADES 79
- f e injectiva se e s o se Nucf = 0
U
.
- f e sobrejectiva se e so se dim V = dim Imf.
Comece-se por mostrar que f e injectiva se e s o se Nucf = 0
U
.
() Do Teorema 39, obtem-se f(0
U
) = 0
V
, o que, conjuntamente com o
facto de f ser injectiva, permite concluir que Nucf = 0
U
.
() Utilizando a lei da convers ao, pretende mostrar-se que se Nucf ,=
0
U
ent ao f n ao e injectiva. Efectivamente, pela Propriedade 2, vem que
f(0
U
) = 0
V
. Mas, como, por hipotese, Nucf ,= 0
U
ent ao existe x U,
x ,= 0
U
, tal que f(x) = 0
V
. Logo, f n ao e injectiva.
De seguida mostra-se que f e sobrejectiva se e s o se dim V = dim Imf.
Efectivamente, f e sobrejectiva se e so se
u U, tal que v = f(u), v V
ou, de modo equivalente, se e so se V Imf. Como Imf V , obtem-se
V Imf se e s o se dim V = dim Imf.
Exemplo. A aplicacao linear f : R
3
R
2
, tal que f(x, y, z) = (5x +
y, x + 3y + 2z) n ao e bijectiva. De facto, f e bijectiva se e so se f e
sobrejectiva e injectiva. A aplicac ao f e sobrejectiva, dado que dim R
2
=
2 = dim Imf. No entanto, como Nucf ,= (0, 0, 0), f n ao e injectiva e,
como tal, tambem n ao e bijectiva.
Existem aplicac oes que transformam um espa co vectorial noutro preser-
vando a sua estrutura. Estas aplicacoes designam-se isomorsmos. Assim,
dada uma aplica cao linear f : U V , se
- f e bijectiva, f diz-se um isomorsmo;
- f e injectiva, f diz-se um monomorsmo;
- f e sobrejectiva, f diz-se um epimorsmo.
No caso particular de U = V , a aplicac ao linear f designa-se endomor-
smo. A um isomorsmo em que U = V d a-se o nome de automorsmo.
O exemplo seguinte mostra que, de facto, existem aplicac oes que trans-
formam um espa co vectorial noutro preservando a sua estrutura.
80 CAP

ITULO 4. APLICAC

OES LINEARES
Exemplo. Considerem-se os espacos vectoriais M
12
e M
21
. A adic ao em
M
12
_
1 2

+
_
3 4

=
_
2 2

corresponde em M
21
a
_
1
2
_
+
_
3
4
_
=
_
2
2
_
.
Em contrapartida, a multiplicac ao escalar em M
12
9
_
3 4

=
_
27 36

corresponde em M
21
a
9
_
3
4
_
=
_
27
36
_
.
Mais geralmente, sob a correspondencia
_
u
1
u
2


_
u
1
u
2
_
ambas as opera coes que se seguem preservam a estrutura dos elementos, isto
e, elementos correspondentes adicionam-se ou multiplicam-se por um escalar
de forma correspondente,
_
u
1
u
2

+
_
v
1
v
2

=
_
u
1
+ v
1
u
2
+ v
2


_
u
1
u
2
_
+
_
v
1
v
2
_
=
_
u
1
+ v
1
u
2
+ v
2
_

_
u
1
u
2

=
_
u
1
u
2


_
u
1
u
2
_
=
_
u
1
u
2
_
.
Assim, estes espa cos podem considerar-se iguais neste sentido.
Bibliograa
[1] Isabel Cabral, Ceclia Perdig ao e Carlos Saiago,

Algebra Linear, Te-
oria, Exerccios Resolvidos e Exerccios propostos com solu coes, Es-
colar Editora, 2008
[2] Emlia Giraldes, Victor H. Fernandes e Maria Paula M. Smith,

Algebra
Linear e Geometria Analtica, McGraw-Hill de Portugal, 1995.
[3] Jim Heeron, Linear Algebra, ftp://joshua.smcvt.edu/pub/heeron/book/book.pdf.
[4] Luis T. Magalh aes,

Algebra Linear como introducao a matematica
aplicada, Texto Editora, Lisboa, 1993.
[5] Jo ao F. Queir o e Ana Paula Santana, Introducao ` a

Algebra Linear,
Trajectos da Ciencia, Gradiva, 2010
[6] Gareth Williams, Linear Algebra with applications, Jones and Bar-
tlett publishers, 2011
81