Breve Revisao de

Algebra Linear
Manoel Campelo
Marco, 2006
1
Sumario
1 Espacos Vetoriais e Transformacoes Lineares 1
1.1 Espacos vetoriais reais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Transformacoes lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Matrizes 4
2.1 Denicoes e operacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Matrizes particionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Operacoes elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Formas escalonadas e posto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6 Matrizes invertveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7 Matrizes quadradas especiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Transformacoes Lineares Matrizes 17
3.1 Relacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Transformacoes de equivalencia e similaridade . . . . . . . . . . . . . . . . . . . . 19
4 Sistemas Lineares 20
5 Espacos normados 23
5.1 Produtos escalares e ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6 Autovalores e Autovetores 25
Referencias Bibliogracas 25
i
1 Espacos Vetoriais e Transformac oes Lineares
1.1 Espacos vetoriais reais
Denicao 1 Um espaco vetorial real V e um conjunto de objetos (chamados vetores) tais
que as seguintes propriedades valem para todos x, y, z V e , R:
1. x +y V ,
2. x +y = y +x, (x +y) +z = x + (y +z),
3. existe 0 V tal que 0 +x = x, para todo x V ,
4. x V ,
5. (x +y) = x +y, ( +)x = x +x, (x) = ()x,
6. 1x = x, 1 R, para todo x V .
Em relacao `a denicao acima vale observar que:
estao sendo consideradas operacoes de soma e multiplica cao por escalar;
o espaco vetorial seria dito complexo se os escalares considerados pertecessem a C.
Ao longo de todo o texto vamos lidar apenas com espacos vetoriais reais, que, por simplici-
dade, serao refrenciados apenas como espacos vetoriais. Adicionalmente, a letra V sera reservada
para denotar um espaco vetorial, a menos que especicado o contrario.
Ex. 1 Sao exemplos de espacoes vetoriais reais:
i. R
n
e C
n
, com as operacoes usuais de soma e multiplicacao por escalares;
ii. o conjunto de todos os polinomios de grau n com coecientes reais, com operacoes
usuais;
iii. o conjunto de todas as funcoes f : R
n
R, contnuas em um intervalo [a, b] com:
f +g : R
n
R tal que (f +g)(x) = f(x) +g(x);
f : R
n
R tal que (f)(x) = (f(x)).
Exerccio 1 Mostre que os conjuntos acima sao realmente espacos vetoriais.
Denicao 2 Um conjunto U V e um subespaco vetorial de V se U e, ele proprio, um
espaco vetorial, ou seja, se dados x, y U e R, entao:
1. x +y U,
2. x U,
3. 0 U.
Ex. 2 Sao exemplos de subespacos vetoriais dos espacos enumerados no Ex. 1:
i. (x, y, z) R
3
: z = 0, a projecao de R
3
sobre o plano xy;
ii. a
n
t
n
+a
n1
t
n1
+ +a
1
t +a
0
: a
n
+a
0
= 0;
iii. f : R
n
R, contnuas e diferenciaveis em um intervalo [a, b]
1
Exerccio 2 Mostre que os subconjuntos acima sao realmente subespacos vetoriais.
Denicao 3 Dados S = v
1
, v
2
, . . . , v
p
V e
1
,
2
, . . . ,
p
R, dizemos que o vetor v =

p
i=1

i
v
i
e uma combinacao linear de S.
Denicao 4 O espaco gerado por um subconjunto S V , denotado por span(S), e o conjunto
de todas as combinacoes lineares de seus subconjuntos nitos, ou seja,
span(S) =

vS

v
v : R
|S

|
.
Exerccio 3 Para S V , mostre que span(S) e subespaco vetorial de V .
Denicao 5 Um conjunto de vetores S V e dito linearmente dependente (LD) se o vetor
nulo e uma combinacao linear nao-nula de um subconjunto nito seu. Do contrario, o conjunto
e dito linearmente independente (LI), isto e,
S e LI S

S, nito:

vS

v
v = 0 = 0.
Observacao 1 A propriedade de independencia linear se refere ao conjunto como um todo. Por
exemplo, o conjunto (1, 0), (0, 1), (1, 1) e LD, embora dois-a-dois os vetores sejam LI.
Proposicao 1 Seja S V . Temos que:
1. se S

S e LD entao S e LD;
2. se S e LI entao S

e LI, para todo S

S;
3. se v span(S) entao S v e LD;
4. S e LD se, e somente se, existe v S tal que v span(S v);
5. se u span(S u) entao span(S) = span(S u);
6. se v span(S) e u span(S u) entao v span(S u);
7. se u span(S), u ,= 0, entao existe v S tal que span(S) = span(S v u).
Exerccio 4 Mostre as propridades enunciadas acima.
Denicao 6 Um subconjunto S V e dito uma base de V se:
1. S e LI, e
2. span(S) = V (S gera V ).
Observacao 2 Para um mesmo espaco vetorial, pode existir mais de uma base.
Teorema 2 Se S
p
= v
1
, v
2
, . . . , v
p
e S
n
= u
1
, u
2
, . . . , u
n
sao bases de V , entao p = n.
Prova: Sejam S
p
e S
n
bases para V . Suponha que n ,= p e, s.p.g., n > p. Como u
1
V =
span(S
p
), existe v
i
S
p
, digamos i = 1, tal que span(S
p
) = span(u
1
, v
2
, . . . , v
p
). Similarmente,
posto que u
2
V = span(u
1
, v
2
, . . . , v
p
) e u
1
, u
2
e LI, podemos escolher outro vetor em S
p
,
digamos v
2
, tal que span(S
p
) = span(u
1
, u
2
, v
3
. . . , v
p
). Continuando dessa forma por p < n
vezes, chegamos a conclusao que V = span(S
p
) = span(u
1
, u
2
, . . . , u
p
). Logo, u
p+1
, . . . , u
n

span(u
1
, u
2
, . . . , u
p
), o que e um absurdo, pois S
n
e LI.
2
Denicao 7 O n umero de vetores que denem uma base de V e dito a dimensao de V , deno-
tada por dim(V ). Denimos ainda dim(0) = 0.
Lema 3 Seja S
p
= v
1
, v
2
, . . . , v
p
um subconjunto LI de V , com p < n = dim(V ). Entao
existem vetores v
p+1
, . . . , v
n
tais que S v
p+1
, . . . , v
n
e uma base para V .
Prova: Pela hipotese, temos que V ,= span(S
p
). Entao existe v
p+1
V span(S
p
) tal que
S
p+1
= S
p
v
p+1
e LI. Se p + 1 ,= n, o mesmo raciocnio se aplica. Do contrario, temos que S
n
e uma base para V .
Denicao 8 Sejam B = v
1
, v
2
, . . . , v
n
uma base para V e v V . Os escalares x
1
, x
2
, . . . , x
n

R tais que v =

n
i=1
x
i
v
i
sao ditos as coordenadas de v na base B.
Proposicao 4 Dada uma base B = v
1
, v
2
, . . . , v
n
de V , as coordenadas de cada vetor v sao
unicas.
Prova: Sejam (x
1
, x
2
, . . . , x
n
) e (y
1
, y
2
, . . . , y
n
) tais que v =

n
i=1
x
i
v
i
=

n
i=1
y
i
v
i
. Entao,

n
i=1
(x
i
y
i
)v
i
= 0. Como os v
i
s sao LI, conclui-se que x
i
= y
i
, para todo i = 1, 2, . . . , n.
Observacao 3 Pela propriedade acima, todo espaco vetorial n-dimensional pode ser relacionado
a R
n
. Precisamente, xada uma base, cada vetor de V esta relacionado a um unico vetor de
R
n
.
1.2 Transformacoes lineares
Denicao 9 Sejam U e V dois espacos vetoriais. Um operador (aplicacao, transformacao)
T de U em V (que denotamos T : U V ) e um mapeamento que associa a cada vetor de U um
vetor de V . Dizemos que T e um operador linear se, dados x, y U e , R, temos que
T(x +y) = T(x) +T(y).
Ex. 3 Sao exemplos de transformacoes lineares:
i. U = R
n
, V = R, T(x) =

n
i=1
x
i
.
ii. U = V =polinomios de grau n, T(p) = p

.
iii. U = V = R
2
, T(x, y) = 1/2(x +y, x +y) (projecao sobre a reta x = y).
Denicao 10 Dada uma transformacao linear T : U V , denimos:
1. domnio de T: dom(T) = U
2. (espaco) imagem de T: 1(T) = T(U) = y V : T(x) = y, para algum x U
3. n ucleo (ou espaco nulo) de T: ^(T) = x U : T(x) = 0
4. posto de T: posto(T) = dim(1(T))
Exerccio 5 Para uma transformac ao linear T, mostre que 1(T) e ^(T) sao subespacos veto-
riais de V e U, respectivamente.
Proposicao 5 Se T : U V e uma transformacao linear e u
1
, u
2
, . . . , u
p
e uma base de U
entao T(U) = span(Tu
1
, Tu
2
, . . . , Tu
p
).
Exerccio 6 Mostre a propriedade acima.
3
Exerccio 7 Seja T : R
3
R
2
, onde T(x
1
, x
2
, x
3
) = (x
1
+ x
3
, x
2
+ x
3
). Mostre que T e uma
transfromacao linear e que T(R
3
) = R
2
.
Teorema 6 Se T : U V e uma transformacao linear entao dim(1(T)) + dim(^(T)) =
dim(U).
Prova: Seja B = u
1
, u
2
, . . . , u
q
uma base de ^(T). Consideremos dois casos:
1. q = dim(U): Entao B e base para U e 1(T) = span(Tu
1
, Tu
2
, . . . , Tu
p
) = 0. Trivial-
mente, a equacao desejada e obtida.
2. q < dim(U) = n: Sejam u
q+1
, . . . , u
n
tais que, juntamente com B, formam uma base para
U. Para mostrarmos a equacao desejada e suciente provarmos que D = Tu
q+1
, . . . , Tu
n

e uma base para 1(T).

D e LI: Suponha que D e LD. Entao, existem
i
, i = q + 1, . . . , n, nao todos nulos
tais que:
0 =
n

i=q+1

i
T(u
i
) = T
_
_
n

i=q+1

i
u
i
_
_
.
Isto signicaria dizer que v =

n
i=q+1

i
u
i
^(T), ou ainda v span(B): o que e
um absurdo, pois B u
q+1
, . . . , u
n
e LI. Logo, D e LD.
1(T) = span(D): Seja y 1(T). Entao y = T(x), para algum x U, ou seja, com
x =

n
i=1

i
u
i
para
i
R, i = 1, 2, . . . , n. Assim,
y = T
_
n

i=1

i
u
i
_
=
n

i=1

i
T(u
i
) =
n

i=q+1

i
T(u
i
),
implicando que y span(D). Logo, 1(T) span(D). E a igualdade segue, dado que
inclusao reversa e trivial.
2 Matrizes
2.1 Denicoes e operac oes
Denicao 11 Uma matriz real e um arranjo de escalares reais dispostos em linhas e colunas.
Se o n umero de linhas e igual ao de colunas, temos uma matriz quadrada; caso contrario,
uma matriz retangular.
Ex. 4 Exemplo de uma matriz com 2 linhas e 3 colunas.
A =
_
1 0

3
4.75 1/3 7
_
Uma matriz A ira ser reprentada alternativamente por A = [a
ij
], quando se desejar dar
enfase aos seus elementos. Alem disso, para explicitarmos o n umero m de linhas e o n umero n
de colunas, usaremos a notacao
mn
subescrita `a identicacao da matriz. Vamos denotar por
R
mn
o conjunto de todas as matrizes reais com m linhas e n colunas.
Denicao 12 Um vetor real e uma tupla de escalares reais.
4
Conforme sua representacao, vamos diferenciar um vetor em vetor-coluna
x =
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
ou vetor-linha
x = (x
1
, x
2
, . . . , x
n
) .
Por conveniencia, vamos identicar o espaco dos vetores-coluna R
n
com R
n1
, o espaco dos
vetores-linha com R
1n
, e o espaco dos escalares R com R
11
. Para i = 1, 2, . . . , n, o i-esimo
vetor canonico de R
n
sera denotado por
e
i
=
_
_
_
_
_
_
_
_
_
_
_
_
0
.
.
.
0
1
0
.
.
.
0
_
_
_
_
_
_
_
_
_
_
_
_
onde o unico elemento nao nulo aparece na i-esima posicao. A matriz identidade em R
nn
e a
matriz
I
n
= [e
1
e
2
e
n
].
Denicao 13 Duas matrizes A R
mn
e B R
pq
sao ditas iguais se m = p, n = q e
a
ij
= b
ij
, para todo i = 1, 2, . . . , m e j = 1, 2, . . . , q.
As operacoes abaixo podem ser denidas com matrizes. Algumas de suas propriedades sao
enumeradas em seguida.
1. Soma: C
mn
= A
mn
+B
mn
c
ij
= a
ij
+b
ij
, i, j
(A+B) +C = A+ (B +C)
A+B = B +A
0 +A = A, onde 0 e matriz com todas as entradas nulas.
2. inverso aditivo: C
mn
= A
mn
c
ij
= a
ij
, i, j
3. multiplicacao por escalar: C
mn
= A
mn
c
ij
= a
ij
, i, j
( +)A = A+A
(A+B) = A+B
(A) = ()A
(1)A = A
4. multiplicacao entre matrizes: C
mn
= A
mp
B
pn
c
ij
=

p
k=1
a
ik
b
kj
, i, j. Em
particular, para vetores temos:
(a) produto interno: a
t
b =

i
a
i
b
i
(b) produto externo: ab
t
= [c
ij
], onde c
ij
= a
i
b
j
, i, j
5
A(B +C) = AB +AC e (A+B)C = AC +BC
(AB)C = A(BC)
C = AB, D = BA , C = D
AB = 0 , A = 0 ou B = 0
PA = PB , A = B
5. transposicao: C
nm
= A
t
mn
c
ij
= a
ji
, i, j (C e dita a transposta de A)
(A+B)
t
= A
t
+B
t
(A)
t
= (A
t
)
(AB)
t
= B
t
A
t
Exerccio 8 Mostre que (AB)
t
= B
t
A
t
.
Exerccio 9 Mostre que se A = B entao PA = PB para qualquer matriz P de dimensao
adequada. De um contra-exemplo nao trivial (P ,= 0) mostrando que a implicacao inversa nao
e correta.
Exerccio 10 Mostrar que R
mn
e um espaco vetorial com as operacoes de soma e multiplicacao
por escalar denidas acima. Exibir uma base para R
mn
e determinar a dimensao desse espaco.
2.2 Matrizes particionadas
Denicao 14 Seja A R
mn
. Uma submatriz de A e uma matriz obtida de A, excluindo-
se algumas linhas ou colunas. Uma particao de A e uma divisao de A em submatrizes A
ij

R
m
i
n
j
, para i = 1, 2, . . . , p e j = 1, 2, . . . , q, organizadas em linhas e colunas, com

p
i=1
m
i
= m
e

q
j=1
n
j
= n
Ex. 5 Exemplo de uma matriz particionada.
A
56
=
_

_
1 2 3 4 5 6
7 8 9 10 11 12
13 14 15 16 17 18
19 20 21 22 23 24
25 26 27 28 29 30
_

A =
_
A
11
A
12
A
13
A
21
A
22
A
23
_
m
1
= 2, m
2
= 3,
n
1
= 2, n
2
= 1, n
3
= 3
Na denicao das operacoes apresentadas na secao 2.1, descrevemos como cada elemento da
matriz resultante e obtido a partir dos elementos das matrizes que devem ser operadas. Uma
observa cao importante e que, se os operandos sao matrizes particionadas, as operacoes podem
ser denidas a partir das submatrizes que compoem as particoes, como se estas fossem escalares,
desde que as dimensoes apropriadas para realizacao das operacoes sejam obedecidas. Assim, por
exemplo, se A = [A
ij
], B = [B
ij
] e C = [C
ij
] sao tres matrizes na forma particionada, onde as
particoes correspondentes tem a mesma dimensao, entao
C = A+B C
ij
= A
ij
+B
ij
, i, j.
Particularmente, vale a pena destacar a multiplica cao de matrizes em algumas formas par-
ticionadas:
6
1. escalar vetor:
a =
_
_
_
_
_
a
1
a
2
.
.
.
a
k
_
_
_
_
_
=
_
_
_
_
_
a
1
a
2
.
.
.
a
k
_
_
_
_
_
,
a
t
=
_
(a
1
)
t
(a
2
)
t
. . . (a
k
)
t
_
=
_
(a
1
)
t
(a
2
)
t
. . . (a
k
)
t
_
,
onde a
i
R
n
i
.
2. vetor-linha vetor-coluna (produto interno):
a
t
b =
_
(a
1
)
t
(a
2
)
t
. . . (a
k
)
t
_
_
_
_
_
_
b
1
b
2
.
.
.
b
k
_
_
_
_
_
=
k

i=1
(a
i
)
t
b
i
,
onde a
i
, b
i
R
n
i
.
3. vetor-coluna vetor-linha (produto externo):
(a) particionando o vetor-coluna por linhas
ab
t
=
_
_
_
_
_
a
1
a
2
.
.
.
a
p
_
_
_
_
_
b =
_

_
a
1
b
t
a
2
b
t
.
.
.
a
p
b
t
_

_
,
onde a
i
R
n
i
. Tomando n
i
= 1, i, vemos que cada linha da matriz ab
t
e dada pelo
elemento correspondente em a multiplicado pelo vetor b
t
(item 1).
(b) particionando o vetor-linha por colunas
ab
t
= a
_
(b
1
)
t
(b
2
)
t
. . . (b
q
)
t
_
=
_
a(b
1
)
t
a(b
2
)
t
. . . a(b
q
)
t

,
onde b
i
R
n

i
. Similarmente, fazendo n

i
= 1, i, conclumos que cada coluna da
matriz ab
t
e o produto do elemento correspondente em b
t
pelo vetor a (item 1).
(c) particionando ambos os vetores
ab
t
=
_
_
_
_
_
a
1
a
2
.
.
.
a
p
_
_
_
_
_
_
(b
1
)
t
(b
2
)
t
. . . (b
q
)
t
_
=
_

_
a
1
(b
1
)
t
a
1
(b
2
)
t
a
1
(b
q
)
t
a
2
(b
1
)
t
a
2
(b
2
)
t
a
2
(b
q
)
t
.
.
.
a
p
(b
1
)
t
a
p
(b
2
)
t
a
p
(b
q
)
t
_

_
onde a
i
R
n
i
e b
i
R
n

i
.
4. matriz vetor-coluna:
(a) particionando a matriz por colunas
Ab = [A
1
A
2
. . . A
k
]
_
_
_
_
_
b
1
b
2
.
.
.
b
k
_
_
_
_
_
=
k

i=1
A
i
b
i
,
onde A
i
R
mn
i
e b
i
R
n
i
. Particularmente, escolhendo n
i
= 1, i, notamos que
Ab e uma combina cao linear das colunas de A ponderadas pelas componentes de b
(repeticoes do item 1).
7
(b) particionando a matriz por linhas
Ab =
_

_
A
1
A
2
.
.
.
A
p
_

_
b =
_

_
A
1
b
A
2
b
.
.
.
A
p
b
_

_
,
onde A
i
R
m
i
n
. Analogamente, escolhendo m
i
= 1, i, observamos que cada
elemento de Ab e o produto interno da linha correspondente em A por b (item 2).
5. vetor-linha matriz:
(a) particionando a matriz por colunas
b
t
A = b
t
[A
1
A
2
. . . A
k
] =
_
b
t
A
1
b
t
A
2
. . . b
t
A
k

,
onde A
i
R
mn
i
. Tomando n
i
= 1, i, vemos que cada elemento de b
t
A e o produto
interno de b pela coluna correspondente em A (item 2).
(b) particionando a matriz por linhas
b
t
A =
_
(b
1
)
t
, (b
2
)
t
, . . . , (b
k
)
t
_
_

_
A
1
A
2
.
.
.
A
p
_

_
=
k

i=1
(b
i
)
t
A
i
,
onde A
i
R
m
i
n
e b
i
R
m
i
. Com m
i
= 1, i, chegamos a conclusao que b
t
A e uma
combinacao linear das linhas de A ponderadas pelas componentes de b (item 1).
6. matrix matriz:
(a) particionando a matriz `a esquerda por colunas (e `a direita por linhas)
AB = [A
1
A
2
. . . A
k
]
_

_
B
1
B
2
.
.
.
B
k
_

_
=
k

i=1
A
i
B
i
,
onde A
i
R
mp
i
e B
i
R
p
i
n
. Tomando p
i
= 1, i, cada termo do somatorio acima
e um produto externo, que, por exemplo, pode ser decomposto por uma das duas
formas basicas descritas nos itens 3a e 3b.
(b) particionando a matriz `a direita por colunas
AB = A[B
1
B
2
. . . B
k
] = [AB
1
AB
2
. . . AB
k
]
Observe que, se B
i
e uma coluna de B, AB
i
e uma multiplica cao do tipo matriz
vetor, que poderia ser vista como qualquer uma das duas formas descritas nos itens
4a e 4b. Assim, a i-esima coluna de AB e a combinacao linear das colunas de A dada
pelas componentes da i-esima coluna de B.
(c) particionando a matriz `a esquerda por linhas
AB =
_

_
A
1
A
2
.
.
.
A
p
_

_
B =
_

_
A
1
B
A
2
B
.
.
.
A
p
B
_

_
8
Similarmente, se A
i
e uma linha de A, entao A
i
B e uma multiplica cao do tipo vetor
matriz, que pode ser decomposta segundo as duas maneiras apresentadas nos itens
5a e 5b. Note, em particular, que a i-esima linha de AB e a combinacao linear das
linhas de B pondedaras pelas componentes da i-esima linha de A.
(d) particionando a matriz `a esquerda por linhas e `a direita por colunas
AB =
_

_
A
1
A
2
.
.
.
A
p
_

_
[B
1
B
2
. . . B
q
] =
_

_
A
1
B
1
A
1
B
2
A
1
B
q
A
2
B
1
A
2
B
2
A
2
B
q
.
.
.
A
p
B
1
A
p
B
2
A
p
B
q
_

_
Exerccio 11 Considerando o particionamento descrito no item 6a e as duas formas de de-
composicao sugeridas, elabore dois algoritmos para calcular o produto de duas matrizes. Faca o
mesmo com relac ao aos itens 6b e 6c.
Exerccio 12 Sejam A = [A
ij
] e B = [B
ij
] matrizes na forma particionada tais que A
ij
, B
t
ij

R
m
i
n
i
. Mostrar que B = A
t
se, e somente se, B
ij
= A
t
ji
, i, j.
2.3 Operacoes elementares
As operacoes elementares sobre linhas de uma matrizes sao de tres tipos:
L
i
L
j
: troca de duas linhas L
i
e L
j
;
L
i
kL
i
: multiplicacao de uma linha L
i
por uma constante nao-nula k;
L
i
L
i
+kL
j
: substituicao de uma linha L
i
por ela mesma somada a um m ultiplo nao-
nulo k de uma outra linha L
j
(j ,= i).
Observacao 4 Podemos denir similarmente operacoes elementares sobre colunas de uma ma-
triz C
i
C
j
, C
i
kC
i
e C
i
C
i
+ C
j
, onde C
i
e C
j
representam colunas distintas e k, um
escalar nao-nulo.
Vamos denotar por E
ij
, E
i
(k) e E
ij
(k) as matrizes obtidas, a partir de uma identidade,
quando aplicamos as operacoes L
i
L
j
, L
i
kL
i
e L
i
L
i
+ kL
j
, respectivamente. Tais
matrizes sao chamadas elementares.
Exerccio 13 Mostre que as matrizes E
ij
, E
i
(k) e E
ij
(k) sao da forma I +uv
T
, onde e um
escalar e u e v sao vetores apropriados.
Exerccio 14 Mostre que E
t
ij
= E
ij
e E
t
i
(k) = E
i
(k).
Exerccio 15 Mostre que E
ij
, E
i
(k) e E
t
ij
(k) sao as matrizes obtidas, a partir de uma iden-
tidade, quando aplicamos as operacoes sobre colunas C
i
C
j
, C
i
kC
i
e C
i
C
i
+ CL
j
,
respectivamente. (sug.: considere a particao das matrizes originais por linhas)
Proposicao 7 A matriz obtida de uma matriz A R
mn
atraves de uma operacao elementar
sobre linhas (resp. sobre colunas) e a matriz EA (resp. AE), onde E R
mm
e a matriz
elementar representativa dessa operacao.
Exerccio 16 Demonstre a Proposicao 7.
Corolario 8 Se uma matriz B R
mn
e obtida a partir de uma matriz A R
mn
por uma
sequencia de operacoes elementares sobre linhas entao existe uma matriz F R
mm
tal que
B = FA.
Na pratica pode-se obter F, considerando o seguinte esquema:
[A
.
.
. I]
operacoes
[B
.
.
. F]
9
2.4 Formas escalonadas e posto
Denicao 15 Uma matriz esta na forma escalonada por linhas se:
i. certas colunas, numeradas por c
1
< c
2
< < c
k
, sao os vetores unitarios e
1
, e
2
, . . . , e
k
;
ii. toda outra coluna numerada por c e tal que:
se c < c
1
entao c e uma coluna nula;
se c
i
< c < c
i+1
entao os mi ultimos elementos de c sao nulos;
se c > c
k
entao os mk ultimos elementos de c sao nulos.
_

_
c
1
c
2
c
3
0 0 1 X X 0 X X 0 X X
0 0 0 0 0 1 X X 0 X X
0 0 0 0 0 0 0 0 1 X X
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
_

_
Observacao 5 A forma denida acima e algumas vezes chamada de escalonada reduzida, quando
se deseja diferenciar de uma outra forma tambem dita escalonada. Nesta outra forma, em vez
de se exigir que cada coluna c
i
, i = 1, 2, . . . , k, seja o vetor canonico e
i
, pede-se que seja um
m ultiplo nao-nulo deste somado a uma combinacao linear qualquer de e
1
, e
2
, . . . , e
i1
. Esque-
maticamente, os (i 1) primeiros elementos sao quaisquer, o i-esimo e nao-nulo e os m i
ultimos sao nulos.
De forma similar, pode-se denir a forma escalonada por colunas.
Denicao 16 Uma matriz esta na forma escalonada por colunas se sua transposta esta na
forma escalonada por linhas.
Proposicao 9 Toda matriz pode ser reduzida `a forma escalonada por linhas (resp. por colunas)
atraves de operacoes elementares por linhas (resp. por colunas).
Exerccio 17 Apresente um algoritmo para encontrar a forma escalonada por linhas de uma
matriz A R
mn
.
Corolario 10 A forma escalonada por linhas (resp. por colunas) de uma matriz e A e FA (resp.
AF), onde F e uma matriz produto de matrizes elementares por linhas (resp. por colunas).
Proposicao 11 A forma escalonada por linhas (resp. por colunas) de uma matriz e unica, nao
importanto a sequencia de operacoes elementares por linhas (resp. por colunas) realizada.
Prova: ver subsecao 2.6
Teorema 12 Em qualquer matriz, o maior n umero de linhas LI e igual ao maior n umero de
colunas LI.
Prova: Seja A R
mn
, onde o maior n umero de linhas LI e p e de colunas LI e q. Considere
uma reordenacao das linhas e colunas de A, de modo que as p primeiras linhas e as q primeiras
colunas sejam LI. Assim, podemos particionar A como
A =
_
X
pq
Y
p(nq)
Z
(mp)q
W
(mp)((nq)
_
10
Como as linhas de Z sao combinacoes lineares das linhas de X, temos que Z = RX, para
alguma matriz R. Suponha, agora, que as colunas de X sao LD. Entao existe vetor a ,= 0 tal
que Xa = 0, implicando que
_
X
Z
_
a =
_
Xa
RXa
_
= 0.
Mas isto e um absurdo, pois as colunas de
_
X
Z
_
sao LI. Logo, as q colunas de X, que sao
vetores de R
p
, sao LI, garantindo que q p.
Similarmente, sendo as colunas de Y combina coes lineares das colunas de X, segue-se que
Y = XS, para alguma matriz S. Suponha que as linhas de X sao LD, ou seja, que existe vetor
b ,= 0 tal que b
t
X = 0. Com isso, chegaramos a conclusao de que b
t
[X Y ] = [b
t
X b
t
XS] = 0: um
absurdo, pois as linhas de [X Y ] sao LI. Consequentemente, as linhas de X sao LI, mostrando
que p q.
Denicao 17 O posto de uma matriz e igual ao maior n umero de linhas (ou colunas) LI.
Observacao 6 O posto de uma matriz e a dimensao do subespaco gerado por suas colunas ou,
equivalentemente, a dimensao do subespaco gerado por suas linhas.
Exerccio 18 Mostre que posto(AB) minposto(A), posto(B).
Proposicao 13 Se E R
mm
e uma matriz elementar e A R
mn
, entao posto(A) =
posto(EA).
Exerccio 19 Demonstre a Proprosicao 13.
Corolario 14 O posto de uma matriz A e o n umero de linhas nao-nulas na forma escalonada
por linhas de A, ou ainda, o n umero de vetores canonicos distintos na forma escalonada por
linhas de A.
Exerccio 20 Mostre a propriedade acima.
Exerccio 21 Seja A R
mn
uma matriz com posto(A) = k e PA sua forma escalonada por
linhas. Mostre que a forma escalonada por colunas de PA e
PAQ =
_
I
k
0
0 0
_
.
2.5 Inversas
Considere que se deseja resolver a equacao
x = ,
onde e sao escalares. Se ,= 0, a solucao e
x =
1
,
onde
1
denota o inverso multiplicativo de , ou seja, um escalar tal que
1
=
1
= 1.
De forma analoga, caso se queira resolver a equacao matricial
AX = B,
onde A R
mn
e B R
mp
, poder-se-ia procupar uma matriz L
nm
tal que LA = I ou uma
matriz R
nm
tal que AR = I. Com isso, tem-se que
11
i. AX = B LAX = LB IX = LB X = LB
ii. X = RB AX = ARB AX = IB AX = B
No primeiro caso, conclumos que, se a equacao matricial tem solucao, ela e dada por LB. No
segundo, deduzimos que RB e solucao da equacao. Nesse contexto surge o conceito de inversas
de uma matriz.
Denicao 18 Seja A R
mn
. Uma matriz L R
nm
e dita inversa `a esquerda de A se
LA = I
nn
. Uma matriz R R
nm
e chamada inversa `a direita de A se AR = I
mm
.
Proposicao 15 Se A R
mn
tem inversas `a esquerda L e `a direita R, entao L e R sao iguais
e unicas.
Prova: Sejam L e R inversas `a esquerda e `a direita de A. Entao:
LA = I (LA)R = R L(AR) = R L = R.
Agora, assuma que L

seja outra inversa `a esquerda de A. Pela primeira parte, temos que L = R

e L

= R. Logo, L = L

, mostrando que a inversa `a esquerda e unica. Consequentemente, a

inversa `a direita tambem e unica.
Observacao 7

E possvel que, para uma certa matriz, nao exista um dos tipos de inversa ou
mesmo ambos. No primeiro caso, nao se garante tambem a unicidade.
A seguir apresentamos condicoes necessarias e sucientes para a existencia de inversas `a
esquerda e `a direita.
Proposicao 16 As seguintes caracterizacoes sao verdadeiras sobre uma matriz A R
mn
:
i. A tem inversa `a esquerda se, e somente, se posto(A) = n
ii. A tem inversa `a direita se, e somente se, posto(A) = m
iii. A tem inversa `a esquerda e `a direita se, e somente, se posto(A) = m = n
Prova: Mostraremos apenas a primeira equivalencia. A prova da segunda e similar. E a terceira
e decorrencia das duas anteriores.
Seja L uma inversa `a esquerda de A. Entao:
Ax = 0 LAx = 0 x = 0.
Logo, posto(A) = n.
Se posto(A) = n entao a forma escalonada de A e
FA =
_
I
nn
0
(mn)n
_
.
Segue-se que:
(A
t
F
t
F)A = (A
t
F
t
)(FA) = (FA)
t
(FA) = [I
nn
0
n(mn)
]
_
I
nn
0
(mn)n
_
= I.
Logo, L = A
t
F
t
F e uma inversa `a esquerda de A.
12
Exerccio 22 Demonstre a Proposicao 16(ii).
Corolario 17 Uma matriz A R
mn
nao tem inversa `a esquerda nem `a direita se, e somente
se, posto(A) < minm, n.
Ainda no sentido de resolver a equacao matricial mencionada no incio da secao, pode-se
denir um tipo de inversa que generaliza os anteriores e existe para qualquer matriz.
Denicao 19 Uma inversa generalizada de uma matriz A R
mn
e uma matriz G R
nm
tal que AGA = A.
Proposicao 18 Se a equacao matricial AX = B tem solucao e G e uma inversa generalizada
de A, entao GB e uma solucao.
Prova: Seja X uma solucao e G uma inversa generalizada. Entao:
AX = B (AG)AX = (AG)B (AGA)X = A(GB) AX = A(GB) B = A

X,

X = GB.
Exerccio 23 Seja A R
mn
tal que posto(A) = minm, n. Mostre que G e uma inversa
generalizada se, e somente se, G e uma inversa `a direita ou `a esquerda.
Uma forma para se obter inversas generalizadas de uma matriz A R
mn
e a seguinte.
Sejam P a matriz tal que PA e a forma escalonada por linhas de A e Q a matriz que fornece a
forma escalonada por colunas (PA)Q de PA. Assim, sendo k = posto(A), tem-se que
PAQ =
_
I
k
0
0 0
_
. (1)
Tais matrizes P e Q podem ser usadas como base para encontrar inversas generalizas de A.
Proposicao 19 Sejam A R
mn
, com posto(A) = k, e P R
mm
e Q R
nn
satisfazendo
(1). Entao
G =
_
I
k
Y
k(nk)
X
(mk)k
Z
(mk)(nk)
_
e uma inversa generalizada de A para quaisquer matrizes X, Y e Z com as dimensoes apropri-
adas.
Uma demonstracao simples para esta proposicao pode ser obtida a partir dos resultados
descritos na proxima subsecao.
2.6 Matrizes invertveis
Como decorrencia direta da Proposicao 16, temos que:
Corolario 20 Uma matriz que tem inversa `a direita e `a esquerda e quadrada.
Corolario 21 Uma matriz quadrada tem inversa `a esquerda se, e somente, se tem inversa `a
direita.
Tais resultados juntamente com a Proposicao 15 ensejam a seguinte denicao.
Denicao 20 Se uma matriz quadrada A tem inversa (`a esquerda ou `a direita), ela e dita
invertvel. Nesse caso, tal inversa, que e unica, e denotada por A
1
.
13
Exerccio 24 Mostre que E
1
ij
= E
ij
, (E
i
(k))
1
= E
i
(k
1
) e (E
ij
(k))
1
= E
ij
(k).
Observe que uma matriz quadrada e invertvel se, e somente se, a equacao matricial AX = B
tem solucao unica X = A
1
B, para qualquer matriz B. Outras caracterizacoes sao apresentadas
a seguir.
Teorema 22 As seguintes armacoes sao equivalentes para uma matriz A R
nn
:
1. A e invertvel
2. existe unica matriz A
1
tal que A
1
A = AA
1
= I
n
3. posto(A) = n
4. as linhas(ou colunas) de A sao LI
5. Ax = 0 x = 0
6. x
t
A = 0 x = 0
7. A forma escalonada de A por linhas (ou por colunas) e I
n
8. A e o produto de matrizes elementares
Exerccio 25 Demonstre o teorema acima.
Exerccio 26 Mostre que:
1. se A e B sao invertveis entao (AB)
1
= B
1
A
1
2. (A
1
)
1
= A
3. (A
1
)
t
= (A
t
)
1
Exerccio 27 Mostre que, se P e Q sao invertveis, entao posto(A) = posto(PA) = posto(AQ) =
posto(PAQ).
Exerccio 28 Demonstre a Proposicao 19. (sug. expresse A em funcao das matrizes quadradas
P e Q)
Exerccio 29 Seja A R
mn
com posto(A) = k. Mostre que existem B R
mk
e C R
kn
com posto(B) = posto(C) = k tais que A = BC. (sug.: use a expressao (1).)
Exerccio 30 Seja A R
mn
. Mostre que posto(A) = 1 se, e somente se, existem b R
m
e
c R
n
tais que A = bc
t
.
2.7 Matrizes quadradas especiais
Nesta secao destacamos algumas matrizes quadradas especiais que serao uteis para desenvolvi-
mentos futuros. As particularidades dizem respeito `a organizacao dos elementos ou `a existencia
de propriedades especcas.
14
Matriz-banda
Uma matriz A = [a
ij
] R
nn
e dita matriz-banda, com largura de banda inferior p 0 e
largura de banda superior q 0 se a
ij
= 0 para todos i > j +p e j > i +q. Neste caso, vamos
dizer que A e banda p q.
Abaixo temos o exemplo de uma matriz 6 6 com largura de banda inferior p = 1 e largura
de banda superior q = 2. A marca representa um valor arbitrario. Observe que p e q sao
respetivamente o n umero de diagonais secundarias abaixo e acima da diagonal principal onde
possivelmente aparecem elementos nao nulos.
_

_
0 0 0
0 0
0 0
0 0
0 0 0
0 0 0 0
_

_
Exsitem denominacoes proprias para casos especcos de matrizes banda, conforme o quadro
a seguir.
Denominacao Banda inferior (p) Banda superior (q)
diagonal 0 0
triangular superior 0 n-1
triangular inferior n-1 0
tridiagonal 1 1
bidiagonal superior 0 1
bidiagonal inferior 1 0
Hessenberg superior 1 n-1
Hessemberg inferior n-1 1
Exerccio 31 Mostre que, se A R
nn
e B R
nn
sao banda p q, entao AB e banda p

com p

2p e q

2q.
Exerccio 32 Sejam D R
nn
uma matriz diagonal e A R
mn
, B R
nm
matrizes quais-
quer. Entao, a i-esima linha de DB (resp. coluna de AD) e a i-esima linha de B (resp. coluna
de A) multiplicada por d
ii
, para i = 1, 2, . . . , n.
Observacao 8 O conceito de matriz-banda pode ser estendido diretamente para uma matriz
retangular A R
mn
. Da mesma forma, podem ser usadas as denominacoes apresentadas na
tabela acima, com o cuidado de considerar p como funcao de m em vez de n (por exemplo,
p = m1 na matriz retangular triangular inferior).
Exemplos de matrizes retangulares com largura de banda inferior p = 1 e largura de banda
superior q = 2 sao apresentados a seguir para m < n e m > n.
_

_
0 0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
_

_
_

_
0 0 0
0 0
0 0
0 0
0 0 0
0 0 0 0
0 0 0 0 0
0 0 0 0 0 0
_

_
15
Matriz bloco-banda
Uma matriz particionada A = [A
ij
] R
nn
e dita bloco-banda, com largura de banda
inferior p 0 e largura de banda superior q 0 se A
ij
= 0 para todos i > j +p e j > i +q.
Observacao 9 Na denicao acima e usual se pedir que: (i) a forma partionada seja quadrada,
ou seja, o n umero de blocos-linha seja igual ao de blocos-coluna e (ii) os blocos A
ii
da diagonal
sejam quadrados. Ao longo desse texto, a menos que seja dito o contrario, vamos assumir
tais condicoes. Observamos, entretanto, que elas podem ser relaxadas, especialmente quando
estendemos o conceito para matrizes retangulares.
Como anteriormente, podemos denir as matrizes bloco-banda especiais. Assim, temos a
matriz bloco-diagonal, bloco-tridiagonal, bloco triangular (inferior ou superior), etc. Observe,
porem, que uma matriz bloco-diagonal nao e necessariamente diagonal. O mesmo acontece com
os demais tipos.
Exerccio 33 Para uma matriz bloco-diagonal A R
nn
, mostre que:
i. A e invertvel se, e somente, todo bloco A
ii
da diagonal e invertvel
ii. posto(A) =

i
posto(A
ii
)
Matrizes simetrica e anti-simetrica Uma matriz A R
nn
e simetrica se e igual a sua
transposta (A = A
t
), e anti-simetrica se e o inverso aditivo de sua transposta (A = A
t
).
Exerccio 34 Mostre que toda matriz quadrada e a soma de uma matriz simetrica e outra
anti-simetrica.
Matriz de permutacao
Uma matriz P R
nn
e uma matriz de permutacao se e obtida a partir da identidade por
permutacoes de linhas (ou colunas).
Observe que uma matriz de permutacao e caracterizada pela existencia de um unico elemento
nao-nulo (e igual a 1) em cada linha e em cada coluna.
Exerccio 35 Para uma matriz de permutacao P R
nn
e uma matriz qualquer A R
nn
,
mostre que:
i. P
t
= P
1
ii. Se A e uma matriz de permutacao, tambem o sao PA e AP.
iii. PA e uma matriz obtida de A realizando as mesmas permutacoes de linhas ocorridas em
P com relacao a I.
iv. AP e uma matriz obtida de A realizando as mesmas permutacoes de colunas ocorridas em
P com relacao a I.
v. Se A e simetrica, tambem o e PAP
t
.
Matriz (semi)denida
Uma matriz A R
nn
e denida positiva se x
t
Ax > 0 para todo x R
n
, x ,= 0, e semi-
denida positiva se x
t
Ax 0 para todo x R
n
. Por outro lado, a matriz A sera denida
negativa (resp. semi-denida negativa) se A for denida positiva (resp. semi-denida
positiva). Se nenhuma dessas propriedades ocorre, a matriz e dita indenida.
16
Observacao 10 O conceito de denicao positiva ou negativa de uma matriz vem comumente
ligado ao de simetria. Isto porque x
t
Ax =
1
2
x
t
Bx, onde B e a matriz simetrica A+A
t
. Por isso,
em geral, quando se toma um matriz (semi-)denida positiva ou negativa costuma-se assumir
que ela seja tambem simetrica.
Proposicao 23 Sejam A R
nn
e B R
nm
. Mostre que:
i. Se A e (simetrica) semi-denida positiva, B
t
AB e (simetrica) semi-denida positiva;
ii. Se A e (simetrica) denida positiva, B
t
AB e (simetrica) denida positiva quando B tem
inversa `a esquerda;
Exerccio 36 Demonstre a propriedade acima.
Denicao 21 Seja A uma matriz quadrada com linhas e colunas indexadas por I = 1, 2, . . . , n.
Uma submatriz principal de A e uma submatriz obtida excluindo as linhas e colunas inde-
xadas pelo mesmo conjunto I

I. Adicionalmente, uma submatriz principal e dita submatriz

lder se I

= p, p + 1, . . . , n, para algum p > 1.

Exerccio 37 Mostre que, se B e uma submatriz principal de A, entao B = X
t
AX, para alguma
matriz X. (sug.: obtenha X como submatriz principal da identidade)
Teorema 24 Se A e (simetrica) denida positiva entao toda submatriz principal de A e (simetrica)
denida positiva. Em particular, todos os elementos da diagonal sao positivos.
Exerccio 38 Mostre o resultado acima. O que pode ser dito com respeito a uma matriz
(simetrica) semi-denida positiva?
3 Transformac oes Lineares Matrizes
3.1 Relacoes
Nesta subsecao, apresentamos estreitas relacoes entre matrizes e transformacoes lineares. Comecamos
por mostrar que cada matriz A R
mn
corresponde a uma transformacao linear A : U V tal
que dim(U) = n e dim(V ) = m, e vice-versa.
Teorema 25 Toda matriz A R
mn
dene uma transformacao linear A : R
n
R
m
tal que
A(x) = Ax.
Teorema 26 Seja A : U V uma transformacao linear, onde dim(U) = n e dim(V ) = m.
Entao, A pode ser representada por uma matriz A R
mn
, que depende das bases consideradas
para U e V , de modo que se v = A(u) entao y = Ax, sendo y e x as coordenadas de v e u
respectivamente.
Prova: SejamB
U
= u
1
, u
2
, . . . , u
n
e B
V
= v
1
, v
2
, . . . , v
m
bases para U e V , respectivamente.
Tome u U e seja x suas coordenadas em B
U
, isto e, u =

n
j=1
x
j
u
j
. Entao
A(u) =
n

j=1
x
j
A(u
j
).
Para cada j = 1, 2, . . . , n, seja a
1j
, . . . , a
mj
as coordenadas de A(u
j
) V em B
V
. Segue-se que
A(u) =
n

j=1
x
j
m

i=1
a
ij
v
i
=
m

i=1
_
_
n

j=1
a
ij
x
j
_
_
v
i
.
Portanto, se v = A(u) e y e seu vetor de suas coordenadas emB
V
, conclui-se que y
i
=

n
j=1
a
ij
x
j
,
para todo i = 1, 2, . . . , m. Consequentemente, fazendo A = [a
ij
], chega-se a y = Ax.
17
Ex. 6 Seja A : R
3
R
2
tal que
A
_
_
x
1
x
2
x
3
_
_
=
_
x
1
x
2
2x
1
+x
3
_
.
Considere as bases canonicas para R
3
e R
2
. Para determinar a matriz corresponde a A, calcu-
lamos
A
_
_
1
0
0
_
_
=
_
1
2
_
, A
_
_
0
1
0
_
_
=
_
1
0
_
, A
_
_
0
0
1
_
_
=
_
0
1
_
.
Entao, a matriz desejada e
A =
_
1 1 0
2 0 2
_
Exerccio 39 Considere a mesma transformacao dada no exemplo 6. Encontre a matriz corres-
pondente, considerando a base
_
_
_
_
_
1
0
0
_
_
,
_
_
1
1
0
_
_
,
_
_
0
0
1
_
_
_
_
_
para R
3
e a base canonica para R
2
.
Exerccio 40 Seja A : R
2
R
2
a transformacao identidade, ou seja, quando A(x) = x.
Encontre a matriz correspondente, considerando e
1
, e
2
como base do domnio e e
1
, e
1
+e
2

como base da imagem.

Exerccio 41 Sejam A : V V uma transformacao identidade e B e B

duas bases para V .

Sejam ainda A e A

, respectivamente, as matrizes que denem A quando B e tomado como base

do domnio e B

da imagem e vice-versa. Mostre que B

= B
1
.
Outra relacao que vale a pena destacar e aquela entre a composicao de transformacoes lineares
e o produto de matrizes.
Proposicao 27 Se A : U V e B : V W sao duas trasnformacoes lineares e A e B, as
matrizes associadas, entao a tranformacao composta BA : U W, onde (BA)(u) = B((A(u))
e denida por BA.
Prova: Sejam u U, v = A(u) e w = (B A)(u) = B(v). Se x, y e z sao as coordenadas
respectivamente de u, v e w, tem-se que y = Ax e z = By. Logo, z = B(Ax) = (BA)x.
As relacoes estabelecidas acima levam a outras propriedades importantes. Como denido
para transformacoes lineares, podemos introduzir os seguintes conceitos relacionados a matrizes:
Denicao 22 Dada uma matriz A R
mn
, denimos:
1. (espaco) imagem de A: 1(A) = y R
m
: Ax = y, para algum x R
n

2. n ucleo (ou espaco nulo) de A: ^(A) = x R

n
: Ax = 0
Exerccio 42 Para A R
mn
, mostre que:
1. 1(A) e ^(A) sao subespacos de R
n
.
2. 1(A) = span(A
1
, A
2
, . . . , A
n
), onde A
j
e a j-esima coluna de A
18
3. posto(A) = dim(1(A))
4. se P e Q sao invertveis entao dim(^(A)) = dim(^(PA)) = dim(^(AQ)) = dim(^(PAQ)).
(sug.: para a 2a. igualdade, construa uma base de ^(AQ) a partir de uma base de ^(A).)
Proposicao 28 Se A : U V e uma transformacao linear e A R
mn
a matriz associada
entao:
i. dim(1(A)) = posto(A).
ii. dim(^(A)) = dim(^(A)).
Prova: (i) Sejam u
1
, u
2
, . . . , u
n
e v
1
, v
2
, . . . , v
m
bases de U e V , respectivamente, usadas
na denicao de A. Sejam ainda Q = [v
1
v
2
. . . v
m
] e A
j
a j-esima coluna de A.
dim(1(A)) = dim
_
span
_
Au
1
, Au
2
, . . . , Au
n
__
= dim
_
span
_
m

i=1
a
i1
v
i
,
m

i=1
a
i2
v
i
, . . . ,
m

i=1
a
in
v
i
__
= dim(span(QA
1
, QA
2
, . . . , QA
n
)) = dim(1(QA)) = posto(QA) = posto(A)
(ii) Sejam P e Q tais que PAQ =
_
I
k
0
0 0
_
, onde k = posto(A). Temos que
^(PAQ) = x R
n
: PAQx = 0 =
_
x =
_
x
1
x
2
_
:
_
I
k
0
0 0
_ _
x
1
x
2
_
= 0
_
=
__
0
x
2
_
: x
2
R
nk
_
= 1
__
0
k(nk)
I
nk
__
.
Logo,
dim(^(A)) = dim(^(PAQ)) = n k = n posto(A) = n dim(1(A)) = dim(^(A)).
O resultado acima leva a seguinte versao do Teorema 6.
Teorema 29 Para uma matriz A R
mn
, dim(1(A
t
)) + dim(^(A)) = n.
Mais ainda podemos mostrar que R
n
pode ser decomposto em funcao de uma matriz com n
colunas.
Exerccio 43 Mostre que z R
n
se, e somente se, z = x+y para x 1(A
t
) e y ^(A), onde
A R
mn
.
3.2 Transformacoes de equivalencia e similaridade
A relacao entre diferentes matrizes A e

A que representam uma mesma transformacao linear
A : U V , mas foram obtidas a partir de diferentes bases de U e V e vista a seguir. Conforme
ilustra a gura 1, sejam:
1. n = dim(U) e m = dim(V );
2. B
U
e

B
U
bases para U, B
V
e

B
V
bases para V ;
3. x e x as coordenadas de u U em B
U
e

B
U
, respectivamente;
4. y e y as coordenadas de v = Au V em B
V
e

B
V
, respectivamente;
19
x = (x
1
, x
2
, . . . , x
n
)
A
Ax = y = (y
1
, y
2
, . . . , y
m
)

B
U

B
V
U u Q P v = Au V

B
U

B
V

x = ( x
1
, x
2
, . . . , x
n
)

A

A x = y = ( y
1
, y
2
, . . . , y
m
)
Figura 1: Uma mesma transformacao linear A descrita por matrizes diferentes A e

A.
5. Q R
nn
a matriz que representa a transformacao indentidade em R
n
, considerando

B
U
como base do domnio e B
U
como base da imagem;
6. P R
mm
a matriz que representa a transformacao indentidade em R
m
, considerando B
V
como base do domnio e

B
V
como base da imagem.
Entao
y = Ax, x = Q x e y = Py.
Consequentemente
AQ x = y = PAQ x = Py = PAQ x = y,
levando a

A = PAQ. (2)
Um caso especial no desenvolvimento acima ocorre quando U = V , B
U
= B
V
e

B
U
=

B
V
.
Neste caso e facil ver que P = Q
1
, de modo que

A = Q
1
AQ. (3)
As relacoes (2) e (3) sao bastante importantes e conduzem `as seguintes denicoes:
Denicao 23 Duas matrizes A e

A sao ditas equivalentes se existem matrizes invertveis P
e Q tais que

A = PAQ. Adicionalmente, se P = Q
1
, entao A e

A sao ditas similares.
Matrizes equivalentes representam uma mesma transformacao linear. Uma questao que se
apresenta e entao qual a matriz mais simples que representa uma transformacao linear, levando
ao estudo de formas canonicas. Adicionalmente, matrizes similares tem papel fundamental no
estudo de autovalores e autovetores.
4 Sistemas Lineares
Um sistema linear (de equacoes lineares) e uma equacao matricial da forma
Ax = b,
onde A R
mn
e b R
m
sao dados e x R
n
e a icognita que se deseja determinar. Observe
que um sistema linear e um conjunto de equacoes lineares
A
t
i
x = b
i
, i = 1, 2, . . . , m,
onde A
t
i
e b
i
sao a i-esima linha de A e b, respectivamente.
Alguns resultados basicos sobre a existencia ou unicidade de solucao para um sistema linear
sao apresentados abaixo.
20
Teorema 30 Sejam A R
mn
e b R
m
. Sobre o sistema Ax = b e equivalente armar que:
i. tem solucao (e consistente);
ii. b 1(A);
iii. posto(A) = posto([A b]).
Teorema 31 Sejam A R
mn
e b R
m
. Se o sistema Ax = b tem soluc ao, e equivalente
armar que:
i. a solucao unica;
ii. ^(A) = 0;
iii. posto(A) = posto([A b]) = n.
Exerccio 44 Demonstre os Teoremas 30 e 31.
Lema 32 Dados A R
mn
e b R
m
, assuma que o sistema Ax = b tenha solucao x. Entao
seu conjunto de solucoes e x +y : y ^(A).
Prova: Sejam S o conjunto de solucoes de Ax = b e S

= x + y : y ^(A). Primeiro, tome

x S e y = x x. Claramente, d ^(A) e x = x+y. Logo, x S

, implicando S S

. Agora,
seja x = x + y com y ^(A). Entao Ax = A x = b, ou seja, x S. Portanto, S

S. Assim,
obtemos a igualdade entre os conjuntos.
Corolario 33 Sejam A R
mn
e b R
m
com posto(A) = posto([A b]) < n. Entao o sistema
Ax = b tem innitas solucoes.
Pelo exposto acima, as possibilidades para um sistema Ax = b podem ser denidas a partir
das relacoes entre posto(A) e posto([A b]), enquadrando-se em um, e somente um, dos seguintes
casos:
posto(A) < posto([A b]) = incosintente
posto(A) = posto([A b]) = n = solucao unica
posto(A) = posto([A b]) < n = innitas solucoes
Por outro lado, podemos tambem relacionar os possveis casos para o sistema Ax = b com a
existencia de inversas para A, como a seguir:
posto(A) = m n = existe inversa `a direita R
m = n: solucao unica Rb
m < n: innitas solucoes, um delas sendo Rb
posto(A) = n m = existe inversa `a esquerda L
posto([A b]) = n: solucao unica Lb
posto([A b]) = n + 1: inconsistente
posto(A) = r < minm, n =nao existem inversa `a esquerda ou inversa `a direira, apenas
inversa generalizada G
posto([A b]) = r: innitas solucoes, uma delas sendo Gb
21
posto([A b]) = r + 1: inconsistente
O resultado abaixo estabelece uma maneira de determinar o conjunto de solucoes de um
sistema linear a partir do conhecimento de alguma inversa.
Teorema 34 Sejam A R
mn
, b R
m
e G uma inversa generalizada de A. O conjunto de
solucoes do sistema Ax = b e vazio ou e igual a Gb + (GAI)z : z R
n
.
Prova: Sejam S o conjunto de solucoes de Ax = b e S

= Gb + (GA I)z : z R
n
. Para
x S, tome z = x. Entao,
Gb + (GAI)z = GAx + (GAI)(x) = x,
mostrando que x S

. Por outro lado, se x S

, ou seja, x = Gb + (GA I)z para z R

n
,
entao
Ax = AGb +AGAz Az = AGb.
Assumindo que S ,= e tomando x S, segue-se que
Ax = AGb = AGA x = A x = b,
levando a x S. Consequentemente, conclumos que S = S

.
Particularmente, quando a matriz do sistema linear e quadrada temos as seguintes possibil-
idades:
Teorema 35 (Alternativas de Fredholm) Para A R
nn
, ocorre uma, e somente uma, das
seguintes alternativas:
i. Ax = 0 tem solucao nao-nula; ou
ii. Ax = b tem solucao unica para qualquer b R
m
, que e igual a A
1
b.
Uma ideia simples mas fundamental para a determinacao de solucoes de um sistema linear
se refere a transformacao desse sistema em outro de mais facil analise.
Teorema 36 Sejam A R
mn
e b R
m
. Se [A

] e a matriz obtida a partir de [A b] atraves

de uma sequencia de operacoes elementares sobre linhas, entao os sistemas Ax = b e A

x = b

possuem o mesmo conjunto de solucoes.

Prova: Temos que [A

] = F[A b] = [FA Fb] para alguma matriz invertvel F. E como Ax = b

se, e somente se, FAx = Fb, o resultado segue.
O teorema acima fundamenta boa parte dos algoritmos que procuram resolver um sistema de
equacoes lineares. A estrategia e converter o sistema original em outro que possua uma estrutura
que seja facil de lidar. Por exemplo, suponha que a matriz original A seja convertida em uma
matriz triangular T = FA com as operacoes elementares. O sistema equivalente Tx = Fb pode
ser facilmente resolvido.
Outra estrategia comum para se resolver um sistema linear consiste na decomposicao da ma-
triz A em um produto de matrizes com propriedades particulares. Por exemplo, se encontramos
duas matrizes B e C tais que A = BC, entao o sistema Ax = b pode ser resolvido com a solucao
dos sistemas
By = b e Cx = y,
onde as matrizes associadas sao agora B e C. Essa estrategia de decomposicao pode ser inter-
essante se os sistemas resultantes sao de facil solucao.
22
5 Espacos normados
Nesta secao vamos denotar por V um espaco vetorial real.
5.1 Produtos escalares e ortogonalidade
Denicao 24 Um produto escalar em V e uma funcao < , >: V V R que, dados
x, y, z V e R, satisfaz:
i. <x, x> 0 e <x, x>= 0 x = 0;
ii. <x, y >=<y, x>;
iii. <x, y >= <x, y >;
iv. <x +y, z >=<x, z > + <y, z >.
Exerccio 45 Seja Q uma matriz denida positiva. Mostre que < , >
Q
: R
n
R
n
R tal que
<x, y >
Q
= x
t
Qy e um produto escalar.
Observacao 11 Em R
n
o produto escalar usual e denido por < x, y >= x
t
y. A menos que
especicado o contrario, usaremos sempre esse produto escalar.
Dado um conjunto de vetores S = v
1
, v
2
, . . . , v
p
de um espaco vetorial V , sobre o qual
esta denido um produto escalar < , >, a matriz Grammiana relativa a S e G
S
= [g
ij
]
pp
, onde
g
ij
=<v
i
, v
j
> para todos i, j = 1, 2, . . . , p.
Exerccio 46 Mostre que A
t
A e uma matriz Grammiana.
Exerccio 47 Mostre que a matriz Grammiana e sempre semi-denida positiva. Mostre ainda
que ela e denida positiva se, e somente se, o conjunto de vetores e LI.
Exerccio 48 Mostre que <x, y > <x, x>
1/2
<y, y >
1/2
.
Denicao 25 Os vetores nao-nulos v
1
, v
2
, . . . , v
p
sao ortogonais, com respeito a um produto
escalar < , >, se
<v
i
, v
j
>= 0, i, j = 1, 2, . . . , p, i ,= j.
E sao ditos ortonormais se, adicionalemente, <v
i
, v
i
>= 1, para i = 1, 2, . . . , n.
Exerccio 49 Mostre que vetores ortogonais sao LI.
Denicao 26 Uma matriz A R
nn
e dita uma matriz ortogonal se suas linhas (e colunas)
sao ortonormais, ou seja, se A
t
A = AA
t
= I.
Exerccio 50 Mostre que sao ortogonais as seguintes matrizes:
i. matrizes elementares;
ii. matrizes de permutac ao;
iii. o produto de matrizes ortogonais;
iv. H
v
= I
n

2
v
t
v
vv
t
, para todo v R
n
.
v. G

ij
= I
n
+ (cos 1)(e
i
e
t
i
+e
j
e
t
j
) + sin(e
i
e
t
j
e
j
e
t
i
), para 1 i < j n e [0, 2].
23
5.2 Normas
Denicao 27 Uma norma em V e uma funcao | |: V R que, dados x, y V e R,
satisfaz:
i. |x| 0 e |x|= 0 x = 0;
ii. |x|= |x|;
iii. |x +y||x| + |y|.
Proposicao 37 Se < , > e um produto escalar, entao | | tal que |x|=< x, x >
1/2
e uma
norma.
Exerccio 51 Prove a validade do resultado acima.
Pela Proposicao 37, temos que uma norma em R
n
e dada por |x|=

x
t
x. Essa norma,
chamada Euclideana, e um caso especial da seguinte famlia de normas em R
n
, denidas para
qualquer p 1:
norma l
p
: |x|
p
=
_
n

i=1
[x
i
[
p
_
1/p
.
Dessa famlia, as normas mais usadas sao:
norma l
1
: |x|
1
=

n
i=1
[x
i
[
norma l
2
(Euclideana): |x|
2
=
_

n
i=1
x
2
i
norma l

: |x|

= max[x
i
[ : i = 1, 2, . . . , n
Na verdade todas as normas em R
n
sao equivalentes no sentido do seguinte teorema.
Teorema 38 Dadas duas normas || e ||

em R
n
, existem constante k
1
e k
2
tais que:
k
1
|x||x|

k
2
|x|, para todo x R
n
.
Exerccio 52 Dado x R
n
, mostre que:
i. |x|
2
|x|
1

n |x|
2
ii. |x|

|x|
1
n |x|

iii. |x|

|x|
2

n |x|

Tambem em R
mn
podemos denir varias normas. Novamente, as mais usadas encontram-se
entre aquelas derivadas das normas vetoriais l
p
(p 1) da seguinte forma:
norma l
p
: |A|
p
= max
x=0
|Ax|
p
|x|
p
= max
x=0
_
_
_
_
A
x
|x|
p
_
_
_
_
p
= max
y
p
=1
|Ay|
p
.
Adicionalmente, sao denidas as normas matriciais l
p,q
(p, q 1) tais que:
norma l
p,q
: |A|
p,q
= max
x=0
|Ax|
q
|x|
p
= max
y
p
=1
|Ay|
q
.
Outras duas normas matriciais sao bastante empregadas:
norma de Frobenius : |A|
F
=
_
_
m

i=1
n

j=1
a
2
ij
_
_
1/2
=
_
tr(A
t
A).
norma : |A|

= max[a
ij
[ : i = 1, 2, . . . , m, j = 1, 2, . . . , n
24
Denicao 28 Uma norma matricial e dita consistente se |AB||A||B|, para quaisquer
A R
mn
e B R
np
. Adicionalmente, dizemos que as normas matriciais ou vetoriais | |,
| |

e | |

sao mutuamente consistentes se |AB||A|

|B|

, para quaisquer A R
mn
e
B R
np
.
Exerccio 53 Mostre que:
i. |AB|
p
|A|
p
|B|
p
ii. |AB|

,|A|

|B|

iii. |Ax|
p
|A|
p
|x|
p
iv. |Ax|
2
|A|
F
|B|
2
Exerccio 54 Mostre que:
i. |A|
1
= max

m
i=1
[a
ij
[ : j = 1, 2, . . . , n (sug.: mostre que o segundo termo e um limitante
superior para |Ay|
1
, se |y|
1
= 1, e depois um vetor unitario e tal que |Ae|
1
=|A|
1
.)
ii. |A|

= max

n
j=1
[a
ij
[ : i = 1, 2, . . . , m
6 Autovalores e Autovetores
Referencias
[1] R. Horn e C. Johnson. Matrix Analysis. Cambridge University Press, 1999.
[2] B. Noble e J.W. Daniel.

Algebra Linear Aplicada. Prentice Hall do Brasil, 1986.
[3] J.M. Ortega. Matrix Theory - a second course. Plenum Press, 1987.
[4] S.R. Searle. Matrix Algebra Useful for Statistics. John Wiley & Sons, New York, 1982.
25