Você está na página 1de 159

Álgebra Linear B

Sebenta da Unidade Curricular

Engenharia de Comunicações (1o ano/1o semestre)


Engenharia Mecânica (1o ano/1o semestre)

Gaspar José Brandão Queiroz Azevedo Machado


Departamento de Matemática para a Ciência e Tecnologia
Universidade do Minho
2006/2007
ii
Índice

1 Matrizes 1

1.1 Apontamentos sobre Matrizes . . . . . . . . . . . . . . . . . . 1

1.2 Exercícios sobre Matrizes . . . . . . . . . . . . . . . . . . . . 31

1.3 Soluções dos Exercícios sobre Matrizes . . . . . . . . . . . . . 35

2 Determinantes 37

2.1 Apontamentos sobre Determinantes . . . . . . . . . . . . . . . 37

2.2 Exercícios sobre Determinantes . . . . . . . . . . . . . . . . . 51

2.3 Soluções dos Exercícios sobre Determinantes . . . . . . . . . . 53

3 Sistemas de Equações Lineares 55

3.1 Apontamentos sobre Sistemas de Equações Lineares . . . . . 55

3.2 Exercícios sobre Sistemas de Equações Lineares . . . . . . . . 71

3.3 Soluções dos Exercícios sobre Sistemas de Equações Lineares . 74

4 Espaços Vectoriais 77

4.1 Apontamentos sobre Espaços Vectoriais . . . . . . . . . . . . 77

iii
4.2 Exercícios sobre Espaços Vectoriais . . . . . . . . . . . . . . . 119

4.3 Soluções dos Exercícios sobre Espaços Vectoriais . . . . . . . 125

5 Transformações Lineares 127

5.1 Apontamentos sobre Transformações Lineares . . . . . . . . . 127

5.2 Exercícios sobre Transformações Lineares . . . . . . . . . . . 138

5.3 Soluções dos Exercícios sobre Transformações Lineares . . . . 141

6 Valores e Vectores Próprios 143

6.1 Apontamentos sobre Valores e Vectores Próprios . . . . . . . 143

6.2 Exercícios sobre Valores e Vectores Próprios . . . . . . . . . . 148

6.3 Soluções dos Exercícios sobre Valores e Vectores Próprios . . 150

Apêndice A 151

Índice Remissivo 152

iv
Capı́tulo 1
Matrizes

1.1 Apontamentos sobre Matrizes

1.1def (a) Jproduto cartesiano de dois conjuntosK Sejam A e B conjuntos.


Chama-se produto cartesiano de A e B, que se representa por
A × B, ao conjunto

{(a, b)|a ∈ A, b ∈ B}.

(b) Jproduto cartesiano de um número finito de conjuntosK Sejam n ∈


N e os conjuntos A1 , A2 , . . . , An . Chama-se produto cartesiano de
A e B, que se representa por A1 × A2 × · · · × An , ao conjunto

{(a1 , a2 , . . . , an )|a1 ∈ A1 , a2 ∈ A2 , . . . , an ∈ An , }.

(c) Jpotência cartesiana de um conjuntoK Sejam n ∈ N e X um con-


junto. Chama-se potência cartesiana de ordem n do conjunto X,
que se representa por X n , ao conjunto

{(x1 , x2 , . . . , xn )|x1 , x2 , . . . , xn ∈ X},

1
2 1 Matrizes

identificando-se X 1 com X.

1.2exe Explicite R2 e C3 .

res R2 = {(x, y)|x, y ∈ R}.

C3 = {(z1 , z2 , z3 )|z1 , z2 , z3 ∈ C}.

1.3def (a) Jmatriz, tipo de uma matriz, matriz real, matriz complexaK
Sejam m, n ∈ N. Chama-se matriz do tipo m × n (lê-se “m por
n”) a uma função com domínio {(i, j) ∈ N2 |i = 1, . . . , m, j =
1, . . . , n} e com conjunto de chegada R ou C, dizendo-se que é
uma matriz real ou complexa, respectivamente.

(b) JMm×n (R)K Representa-se por Mm×n (R) o conjunto das ma-
trizes reais do tipo m × n.

(c) JMm×n (C)K Representa-se por Mm×n (C) o conjunto das matrizes
complexas do tipo m × n.

1.4obs (a) É possível considerar matrizes cujos elementos não são nem núme-
ros reais, nem números complexos (e.g., polinómios), mas neste
curso apenas aqueles casos são os com interesse.

(b) Quando não é relevante destinguir o conjunto dos números reais


(R) do conjunto dos números complexos (C), usa-se o símbolo K,
tendo-se a seguinte definição:

1.5def JMm×n (K)K Representa-se por Mm×n (K) o conjunto das matrizes do
tipo m × n, independentemente de serem reais ou complexas.

1.6def JescalarK Chama-se escalar a um elemento de K.


1.1 Apontamentos sobre Matrizes 3

1.7def Sejam A ∈ Mm×n (K), i ∈ {1, . . . , m} e j ∈ {1, . . . , n}.

(a) Jelemento de uma matrizK Chama-se elemento da linha i e da


coluna j da matriz A, que se representa por ai,j ou (A)i,j , a A(i, j).
(Se não houver ambiguidade relativamente ao índice da linha e ao
índice da coluna representa-se por aij ou (A)ij .)

(b) Jlinha de uma matrizK Chama-se linha i da matriz A, que se rep-


resenta por ℓi,A , a (ai1 , ai2 , . . . , ain ). (Se não houver ambiguidade
relativamente à matriz representa-se por ℓi .)

(c) Jcoluna de uma matrizK Chama-se coluna j da matriz A, que se


representa por cj,A , a (a1j , a2j , . . . , amj ). (Se não houver ambigu-
idade relativamente à matriz representa-se por cj .)

1.8obs (a) Regra geral usam-se letras maiúsculas para representar matrizes.

(b) Representa-se por A = [aij ] ∈ Mm×n (K) a matriz


 
a11 a12 · · · a1n
 
 
 a21 a22 · · · a2n 
A= . 
.. .. ..  ,
 .. . . . 
 
am1 am2 · · · amn

em que a11 , a12 , . . . , a1n , a21 , a22 , . . . , a2n , am1 , am2 , . . . , amn ∈ K.

(c) A letra “i” aparece neste curso quer como a unidade imaginária
dos números complexos, quer como a letra usual para represen-
tar a linha de uma matriz. No entanto, o contexto será sempre
suficiente para identificar o significado correcto.

(d) Quando se está perante matrizes do conjunto M1×1 (K), o con-


texto será suficiente para distinguir se se está a fazer referência à
matriz ou ao único elemento que a constitui.
4 1 Matrizes

1.9exe Dê um exemplo de uma matriz pertencente a M2×3 (R).


h i
1 1/2 −4
res A = √2 0 π .

1.10exe Explicite a matriz A = [aij ] ∈ M2×3 (R), aij = j − i.


 0 12

res A = −1 0 1 .

1.11exe Considere a matriz A = [ 15 26 37 48 ].

(a) Indique o elemento que está na segunda linha e na terceira coluna


da matriz A.

(b) Indique a segunda linha da matriz A.

(c) Indique a terceira coluna da matriz A.

res (a) a23 = 7.

(b) ℓ2 = (5, 6, 7, 8).

(c) c3 = (3, 7).

1.12def Seja A ∈ Mm×n (K).

(a) Jmatriz colunaK Diz-se que A é uma matriz coluna se n = 1.

(b) Jmatriz linhaK Diz-se que A é uma matriz linha se m = 1.

1.13obs É habitual representar matrizes linha e matrizes coluna por letras mi-
núsculas e os seus elementos apenas com um índice. Assim, e usando
esta notação, as formas da matriz coluna x com m linhas e da matriz
linha y com n colunas são:
 
x1
 
  h i
 x2 
x= , y = y y ···
 ..  1 2 yn .
 . 
 
xm
1.1 Apontamentos sobre Matrizes 5

1.14exe (a) Dê um exemplo de uma matriz coluna complexa com 2 elementos.

(b) Dê um exemplo de uma matriz linha real com 3 elementos.

(c) Indique se a seguinte proposição é verdadeira ou falsa: “Há ma-


trizes que são simultaneamente matrizes linha e matrizes coluna”.
 1+2i 
res (a) p = 1 .

(b) q = [ 0 4 −1 ].

(c) Proposição verdadeira pois as matrizes que pertencem ao con-


junto M1×1 (K) são matrizes linha pois só têm uma coluna e são
matrizes coluna pois só têm uma linha.

1.15def Seja A ∈ Mm×n (K).

(a) Jmatriz rectangularK Diz-se que A é uma matriz rectangular se


m 6= n.

(b) Jmatriz quadrada, ordem de uma matrizK Diz-se que A é uma


matriz quadrada se m = n, dizendo-se neste caso que A é uma
matriz de ordem n.

1.16exe (a) Indique se a seguinte proposição é verdadeira ou falsa: “A =


[ 10 20 30 ] é uma matriz rectangular.”

(b) Dê um exemplo de uma matriz real de ordem 2.

res (a) A proposição é verdadeira pois o número de linhas da matriz, que


é 2, é diferente do número de colunas da matriz, que é 3.
 2 
(b) X = 10 −1 .
6 1 Matrizes

1.17def Seja A = [aij ] ∈ Mn×n (K).

(a) Jdiagonal principal ou diagonal de uma matrizK Chama-se diag-


onal principal da matriz A ou diagonal da matriz A ao elemento
(a11 , a22 , . . . , ann ) de Kn .

(b) Jdiagonal secundária de uma matrizK Chama-se diagonal secundária


da matriz A ao elemento (a1n , a2,n−1 , . . . , an1 ) de Kn .

(c) Jmatriz diagonalK A diz-se uma matriz diagonal se i 6= j ⇒ aij =


0.

(d) Jmatriz escalarK A diz-se uma matriz escalar se é uma matriz


diagonal com a11 = a22 = . . . = ann .

(e) Jmatriz triangular superiorK A diz-se uma matriz triangular supe-


rior se i > j ⇒ aij = 0.

(f) Jmatriz triangular inferiorK A diz-se uma matriz triangular inferior


se i < j ⇒ aij = 0.

1.18obs (a) As definições anteriores só se aplicam a matrizes quadradas.

(b) A é uma matriz diagonal se todos os elementos fora da diagonal


são zeros.

(c) A é uma matriz triangular superior se todos os elementos “abaixo”


da diagonal são zeros.

(d) A é uma matriz triangular inferior se todos os elementos “acima”


da diagonal são zeros.

1.19exe (a) Dê um exemplo de uma matriz diagonal de ordem 4.

(b) Dê um exemplo de uma matriz escalar de ordem 3.

(c) Dê um exemplo de uma matriz triangular superior de ordem 2.


1.1 Apontamentos sobre Matrizes 7

(d) Dê um exemplo de uma matriz triangular inferior de ordem 3 e


indique a sua diagonal principal e diagonal secundária.

(e) Dê um exemplo de uma matriz simultaneamente triangular supe-


rior e triangular inferior de ordem 2.
1 0 0 0
res (a) A = 00 20 00 00 .
h 0−10 000 0 i
(b) B = 0 −1 0 .
0 0 −1
(c) C = [ 10 21 ].
h1 0 0
i
(d) D = 1 0 0 .
2 −1 2

(e) E = [ 10 02 ].

1.20def (a) Jmatriz nula, 0m×n , 0K Chama-se matriz nula a uma matriz cu-
jos elementos são todos iguais a 0. Representa-se a matriz nula
do tipo m × n por 0m×n ou por 0 se não houver ambuiguidade
relativamente ao tipo.

(b) Jmatriz identidade, In , IK Chama-se matriz identidade à ma-


triz escalar cujos elementos da diagonal são todos iguais a 1.
Representa-se a matriz identidade de ordem n por In ou por I
se não houver ambuiguidade relativamente à ordem.

1.21exe (a) Indique a matriz nula do tipo 2 × 4.

(b) Indique a matriz identidade de ordem 3.

res (a) 02×4 = [ 00 00 00 00 ].


h1 0 0i
(b) I3 = 0 1 0 .
001

1.22def Jmatrizes iguaisK Sejam as matrizes A = [aij ] ∈ Mm×n (K) e B =


[bij ] ∈ Mp×q (K). Diz-se que A e B são matrizes iguais se m = p,
n = q e aij = bij , ∀i ∈ {1, . . . , m}, ∀j ∈ {1, . . . , n}.
8 1 Matrizes

1.23obs Usa-se esta definição em algumas demonstrações relativas a matrizes.

1.24def Jsoma de matrizesK Sejam as matrizes A = [aij ], B = [bij ] ∈ Mm×n (K).


Chama-se soma das matrizes A e B à matriz Z = [zij ] ∈ Mm×n (K),
zij = aij + bij , escrevendo-se Z = A + B.

1.25def Jproduto de uma matriz por um escalarK Sejam a matriz A = [aij ] ∈


Mm×n (K) e o escalar α ∈ K. Chama-se produto da matriz A pelo
escalar α à matriz Z = [zij ] ∈ Mm×n (K), zij = αaij , escrevendo-se
Z = αA.

1.26obs (a) Só se pode somar matrizes do mesmos tipo.

(b) É sempre possível multiplicar uma matriz por um escalar.

(c) Seja a matriz A. Então, em vez de (−1)A escreve-se −A.

(d) Sejam as matrizes A e B do mesmo tipo. Então, tendo em con-


sideração a alínea anterior, em vez de A + (−B) escreve-se A − B.

(e) A matriz nula é o elemento neutro da soma de matrizes.


 −1 2 1
 3 0 2

1.27exe Sejam as matrizes A = 0 1 −4 eB= 1 −1 2 .

(a) Calcule A + B.

(b) Calcule 2A.

(c) Calcule 12 A − 3B.


 2 1  3 0 2 2 2 3 
res (a) A + B = −1 0 1 −4 + 1 −1 2 = 1 0 −2 .
 2 1   −2 4 2 
(b) 2A = 2 −1 0 1 −4 = 0 2 −8 .
   3 0 2  h −19/2 1 −11/2 i
(c) 12 A − 3B = 12 −1 2 1
0 1 −4 − 3 1 −1 2 = −3 7/2 −8
.
1.1 Apontamentos sobre Matrizes 9

1.28teo (a) ∀A, B ∈ Mm×n (K) : A + B = B + A.

(b) ∀A, B, C ∈ Mm×n (K) : (A + B) + C = A + (B + C).

(c) ∀A ∈ Mm×n (K) : A + 0m×n = A.

(d) ∀A ∈ Mm×n (K) : A + (−A) = 0m×n .

(e) ∀α, β ∈ K, ∀A ∈ Mm×n (K) : (αβ)A = α(βA).

(f) ∀α, β ∈ K, ∀A ∈ Mm×n (K) : (α + β)A = αA + βA.

(g) ∀α ∈ K, ∀A, B ∈ Mm×n (K) : α(A + B) = αA + αB.

(h) ∀A ∈ Mm×n (K) : 1A = A.

dem (a) Como, por definição de soma de matrizes, as matrizes A + B e


B + A são do tipo m × n e como, para i = 1, . . . , m e j = 1, . . . , n,

(A + B)ij = (A)ij + (B)ij por definição de soma de matrizes

= (B)ij + (A)ij pela propriedade comutativa dos escalares

= (B + A)ij por definição de soma de matrizes,

tem-se que as matrizes A + B e B + A são iguais.

(b) Como, por definição de soma de matrizes, as matrizes (A+B)+C


e A + (B + C) são do tipo m × n e como, para i = 1, . . . , m e
j = 1, . . . , n,

((A + B) + C)ij = (A + B)ij + (C)ij por definição de soma de matrizes

= ((A)ij + (B)ij ) + (C)ij por definição de soma de matrizes

= (A)ij + ((B)ij + (C)ij ) pela propriedade associativa dos escalares

= (A)ij + (B + C)ij por definição de soma de matrizes ,

tem-se que as matrizes (A + B) + C e A + (B + C) são iguais.


10 1 Matrizes

(c) Como, por definição de soma de matrizes, as matrizes A + 0m×n


e A são do tipo m × n e como, para i = 1, . . . , m e j = 1, . . . , n,

(A + 0)ij = (A)ij + (0m×n )ij por definição de soma de matrizes

= (A)ij + 0 por definição de matriz nula

= (A)ij 0 é o elemento neutro da soma de escalares ,

tem-se que as matrizes A + B e B + A são iguais.

(d) Como, por definição de soma de matrizes, as matrizes A + B e


B + A são do tipo m × n e como, para i = 1, . . . , m e j = 1, . . . , n,

(A + (−A))ij = (A)ij + (−A)ij por definição de soma de matrizes

= (A)ij − (A)ij por 1.26obs (c)

=0 ,
pois são escalares simétricos

tem-se que as matrizes A + (−A) e 0m×n são iguais.

(e) Exercício.

(f) Exercício.

(g) Exercício.

(h) Exercício.

1.29def Jproduto ou multiplicação de matrizesK Sejam as matrizes A = [aij ] ∈


Mm×n (K) e B = [bij ] ∈ Mn×p (K). Chama-se produto ou multipli-
cação da matriz A pela matriz B à matriz Z = [zij ] ∈ Mm×p (K),
P
zij = nk=1 aik bkj , escrevendo-se Z = AB.

1.30obs (a) Só se pode efectuar a multiplicação da matriz A pela matriz B se


o número de colunas da matriz A for igual ao número de linhas
1.1 Apontamentos sobre Matrizes 11

da matriz B. Neste caso, o número de linhas da matriz resultante


é igual ao número de linhas da matriz A e o número de colunas
da matriz resultante é igual ao número de colunas da matriz B.
Em notação simplificada, tem-se: Am×n Bn×p = Zm×p .

(b) Sejam as matrizes A = [aij ] ∈ M3×2 (R) e B = [bij ] ∈ M2×4 (R).


Então, como o número de colunas da matriz A é igual ao número
de linhas da matriz B, é possível efectuar a operação AB. Por
exemplo o elemento (AB)23 obtém-se considerando ℓ2,A e c2,B :
   
∗ ∗  
  ∗ ∗ ∗ ∗
  ∗ ∗ 4 ∗  
2 1  =

 ∗ ∗

∗
   
13

  ∗ ∗ 5 ∗
∗ ∗ ∗ ∗ ∗ ∗

| {z } | {z } | {z }
A=[aij ]∈M3×2 (R) B=[bij ]∈M2×4 (R) AB∈M3×4 (R)

2
X
(AB)23 = a2k bk3 = a21 b13 + a22 b23 = 2 × 4 + 1 × 5 = 13.
k=1
 −1 0   1 −1 2 
1.31exe Considere as matrizes A = 1 1 eB= 0 −2 1 . Efectue, se possível,
as seguintes operações:

(a) AB.

(b) BA.

(c) BI3 .

(d) I2 B.

res (a) Como o número de colunas da matriz A é igual ao número de


linhas da matriz B, é possível efectuar a operação AB, tendo-se
    
−1 0 1 −1 2 −1 1 −2
AB =   = .
1 1 0 −2 1 1 −3 3
12 1 Matrizes

(b) Como o número de colunas da matriz B, que é 3, é diferente do


número de linhas da matriz A, que é 2, não é possível efectuar a
operação BA.

(c) Como o número de colunas da matriz B é igual ao número de


linhas da matriz I3 , é possível efectuar a operação BI3 , tendo-se
 
  1 0 0  
1 −1 2    1 −1 2
BI3 =   0 1 0= .
0 −2 1   0 −2 1
0 0 1

(d) Como o número de colunas da matriz I2 é igual ao número de


linhas da matriz B, é possível efectuar a operação I2 B, tendo-se
    
1 0 1 −1 2 1 −1 2
I2 B =   = .
0 1 0 −2 1 0 −2 1

1.32teo (a) ∀A ∈ Mm×n (K), ∀B ∈ Mn×p (K), ∀C ∈ Mp×q (K) : (AB)C =


A(BC).

(b) ∀A, B ∈ Mm×n (K), ∀C ∈ Mn×p (K) : (A + B)C = AC + BC.

(c) ∀A ∈ Mm×n (K), ∀B, C ∈ Mn×p (K) : A(B + C) = AB + AC.

(d) ∀A ∈ Mm×n (K) : Im A = AIn = A.

(e) ∀α ∈ K, ∀A ∈ Mm×n (K), ∀B ∈ Mn×p (K) : α(AB) = (αA)B =


A(αB).

dem Exercício.

1.33obs (a) A matriz identidade é o elemento neutro da multiplicação de ma-


trizes.
1.1 Apontamentos sobre Matrizes 13

(b) Sejam A, B e C matrizes do mesmo tipo. Então, tem-se que a


expressão A + B + C não resulta ambígua devido à propriedade
associativa da soma de matrizes.

(c) Sejam A ∈ Mm×n (K), B ∈ Mn×p (K) e C ∈ Mp×q (K). Então,


tem-se que a expressão ABC não resulta ambígua devido à pro-
priedade associativa da multiplicação de matrizes, fazendo sentido
a seguinte definição:

1.34def Jpotência de uma matrizK Sejam p ∈ N e A uma matriz quadrada.


Chama-se p-ésima potência da matriz A, que se representa por Ap , a
Qp
k=1 A.

1.35obs A multiplicação de matrizes não goza da propriedade comutativa. Faz,


pois, sentido a seguinte definição:

1.36def Jmatrizes comutáveisK Sejam A e B matrizes da mesma ordem. Diz-se


que as matrizes A e B são comutáveis se AB = BA.

1.37exe Sejam A e B matrizes quadradas da mesma ordem. Então, simplifique


a expressão (A + B)2 − (A − B)(A + B) − 2B 2 .

res (A + B)2 − (A − B)(A + B) − 2B 2 = (A + B)(A + B) − (A − B)(A +


B) − 2B 2 = A2 + AB + BA + B 2 − A2 − AB + BA + B 2 − 2B 2 = 2BA.

1.38exe Considere a matriz A = [ 21 01 ]. Calcule A3 .

res Como A é uma matriz quadrada, é possível determinar A3 , tendo-se


         
2 0 2 0 2 0 4 0 2 0 8 0
A3 =     =  = .
1 1 1 1 1 1 3 1 1 1 7 1
Nota: como a multiplicação de matrizes é associativa, também se tem
A3 = A(AA).
14 1 Matrizes

1.39obs Não se define a operação “divisão de matrizes”.

1.40def Jmatriz invertível ou não-singular, matriz não-invertível ou singularK


Seja A ∈ Mn×n (K). Diz-se que A é uma matriz invertível ou não-
singular se existir uma matriz Z ∈ Mn×n (K) tal que AZ = ZA = In .
Caso contrário, diz-se que A é uma matriz não-invertível ou singular.

1.41teo Seja A ∈ Mn×n (K) tal que é uma matriz invertível. Então, existe uma
e uma só matriz Z ∈ Mn×n (K) tal que ZA = AZ = In .

dem Sejam X, Y ∈ Mn×n (K) tais que

(1)
AX = In = XA,
(2)
AY = In = Y A.

Então,

X = XIn I é o elemento neutro da multiplicação de matrizes

= X(AY ) por (2)

= (XA)Y a multiplicação de matrizes é associativa

= In Y por (1)

= Y, ,
I é o elemento neutro da multiplicação de matrizes

i.e., existe uma única matriz que satisfaz a condição de invertibilidade.

1.42def Jmatriz inversaK Seja A uma matriz de ordem n invertível. Chama-se


matriz inversa da matriz A, que se representa por A−1 , à única matriz
Z tal que AZ = ZA = In .

1.43teo Sejam A e B duas matrizes quadrada da mesma ordem. Então, AB =


I ⇒ A−1 = B.
1.1 Apontamentos sobre Matrizes 15

1.44obs (a) Se A é a matriz inversa da matriz B, então B é a matriz inversa


da matriz A.

(b) Sejam A e B duas matrizes quadrada da mesma ordem. Então,


AB = I ⇔ BA = I. Assim, basta verificar AB = I ou BA = I
para se concluir que as matrizes A e B são invertíveis com A−1 =
B e B −1 = A.

1.45teo (a) Seja A uma matriz invertível. Então, A−1 também é uma matriz
invertível e (A−1 )−1 = A.

(b) Sejam A, BMn×n (K) matrizes invertíveis. Então, AB também é


uma matriz invertível e (AB)−1 = B −1 A−1 .

dem (a) Como A é uma matriz invertível, tem-se que AA−1 = A−1 A = I.
−1
Logo, A−1 é invertível e A−1 = A.

(b) Sejam A, B ∈ Mn×n (K) matrizes invertíveis. Então, existem


A−1 , B −1 ∈ Mn×n (K) tais que
(1)
AA−1 = In = AA−1 ,
(2)
BB −1 = In = BB −1 ,

pelo que

(AB)(B −1 A−1 ) = A(BB −1 )A−1 a multiplicação de matrizes é associativa

= AIn A−1 por (2)

= AA−1 I é o elemento neutro da multiplicação de matrizes

= In , por (1)

pelo que AB é invertível com (AB)−1 = B −1 A−1 uma vez que a


inversa de uma matriz é única.
16 1 Matrizes

1.46obs (a) Há matrizes quadradas que não admitem inversa.

(b) Apresenta-se no final deste capítulo uma condição para caracteri-


zar matrizes invertíveis e um método geral para cálcular inversas.

1
 1 −1   2 1

1.47exe Sejam as matrizes A = 3 1 2 eB= −1 1 .

(a) Determine AB.

(b) O que pode concluir da alínea anterior?

(c) As matrizes A e B são comutáveis?

1
 1 −1   2 1
 1 30
res (a) AB = 3 1 2 −1 1 = 3 [0 3] = [ 10 01 ].

(b) As matrizes são invertíveis com A−1 = B e B −1 = A.

(c) Sim, pois AB = BA = I2 .

1.48def Jmatriz transpostaK Seja a matriz A = [aij ] ∈ Mm×n (K). Chama-se


transposta da matriz A à matriz Z = [zij ] ∈ Mn×m (K), zij = aji ,
escrevendo-se Z = AT .

1.49obs (a) É sempre possível calcular a matriz transposta de uma matriz.

(b) Calcular a transposta de uma matriz corresponde a trocar linhas


com colunas.
 1 −2 0   1

1.50exe Sejam as matrizes A = 0 2 1 eu= −1 .

(a) Calcule AT .
T
(b) Calcule AA
uT u
.
h 1 0i
res (a) AT = −2 2 .
0 1
h i 1 0 
1 −2 0 −2 2 h i
AAT 0 2 1 1
 5 −4
 5/2 −2
(b) uT u
= h 0 i1
1 = 2 −4 5 = −2 5/2
.
[ 1 −1 ] −1

Nota: relembrar 1.8obs (d).


1.1 Apontamentos sobre Matrizes 17

T
1.51teo (a) ∀A ∈ Mm×n (K) : AT = A.

(b) ∀A, B ∈ Mm×n (K) : (A + B)T = AT + B T .

(c) ∀α ∈ K, ∀A ∈ Mm×n (K) : (αA)T = αAT .

(d) ∀A ∈ Mm×n (K), B ∈ Mn×p (K) : (AB)T = B T AT .


−1 T
(e) ∀A ∈ Mn×n (K) : AT = A−1 .

dem (a) Exercício.

(b) Exercício.

(c) Exercício.

(d) Como, por definição da transposta de uma matriz e da multipli-


cação de matrizes, as matrizes (AB)T e B T AT são do tipo p × m
e como, para i = 1, . . . , m e j = 1, . . . , n,


(AB)T ij
= (AB)ji pela definição de matriz transposta

n
X
= (A)jk (B)ki pela definição de produto de matrizes

k=1
Xn
= (B)ki (A)jk pela propriedade comutativa dos escalares

k=1
Xn
= (B T )ik (AT )kj pela definição de matriz transposta

k=1

= (B T AT )ij , pela definição de produto de matrizes ,

tem-se que as matrizes (AB)T e B T AT são iguais.

(e) Exercício.

1.52def Jmatriz simétricaK Seja A uma matriz quadrada. Diz-se que A é uma
matriz simétrica se A = AT .
18 1 Matrizes

1.53exe Dê um exemplo de uma matriz simétrica de ordem 3.


h0 1 2 i
res A = 1 10 −3 .
2 −3 1

1.54def Jmatriz ortogonalK Seja A ∈ Mn×n (K). Diz-se que A é uma matriz
ortogonal se AAT = AT A = In .

1.55obs Se A é uma matriz ortogonal, então A é uma matriz invertível e


A−1 = AT .

cos α − sen α ], α ∈ R, é ortogonal.


1.56exe Verifique que a matriz A = [ sen α cos α

res Como
  
cos α − sen α cos α sen α
AAT =   
sen α cos α − sen α cos α
 
cos2 α + sen2 α cos α sen α − sen α cos α
= 
sen α cos α − cos α sen α sen2 α + cos2 α
 
1 0
= ,
0 1

i.e., AAT = I2 , tem-se que A é uma matriz ortogonal.

1.57obs Recorde: seja z = a + bi ∈ C. Chama-se conjugado de z, que se


representa por z, a a − bi ∈ C.

1.58def Seja A = [aij ] ∈ Mm×n (C).

(a) Jmatriz conjugadaK Chama-se matriz conjugada de A à matriz


Z = [zij ] ∈ Mm×n (C), zij = aij , escrevendo-se Z = A.

(b) Jmatriz transconjugadaK Chama-se matriz transconjugada de A à


matriz Z = [zij ] ∈ Mm×n (C), zij = aji (onde aji representa o
conjugado de aji ), escrevendo-se Z = AH .
1.1 Apontamentos sobre Matrizes 19

1.59obs (a) É sempre possível calcular a matriz conjugada e a matriz transcon-


jugada de uma matriz.

(b) Calcular a matriz conjugada de uma matriz corresponde a conju-


gar os seus elementos.

(c) Calcular a matriz transconjugada de uma matriz corresponde a


conjugar os seus elementos e a trocar depois linhas com colunas.

 0 2−i i  T H
1.60exe Seja a matriz A = 1 0 1 . Então, determine A , A e A .
h 0 1
i  0 2+i −i  h 0 1
i
res AT = 2−i 0 ,A= 1 0 1 , AH = 2+i 0 .
i 1 −i 1
H
1.61teo (a) ∀A ∈ Mm×n (C) : AH = A.

(b) ∀A, B ∈ Mm×n (C) : (A + B)H = AH + B H .

(c) ∀α ∈ C, ∀A ∈ Mm×n (C) : (αA)H = αAH .

(d) ∀A ∈ Mm×n (C), ∀B ∈ Mn×p (C) : (AB)H = B H AH .


−1 H
(e) ∀A ∈ Mn×n (C) : AH = A−1 .

dem Exercício.

1.62def Jmatriz hermíticaK Seja A ∈ Mn×n (C). Diz-se que A é uma matriz
hermítica se A = AH .

1.63exe Dê um exemplo de uma matriz hermítica de ordem 3.


h 0 1−i 2 i
res A = 1+i 2 3+2i .
2 3−2i 1

1.64def Jmatriz unitáriaK Seja A ∈ Mn×n (C). Diz-se que A é uma matriz
unitária se AAH = AH A = In .

1.65obs Se A é uma matriz unitária, então A é uma matriz invertível e A−1 = AH .


20 1 Matrizes

h √ i
1 −i 3
1.66exe Verifique que a matriz A = 2

3 −i
é unitária.

res Como
 √  √ 
1 −i 3 i 3
AAH = √  √ 
4 3 −i 3 i
 
1 4 0
= 
4 0 4
 
1 0
= ,
0 1

i.e., AAH = I2 , tem-se que A é uma matriz unitária.

1.67def Seja A = [aij ] ∈ Mm×n (K).

(a) Jlinha nulaK Diz-se que ℓi é uma linha nula da matriz A se ai1 =
ai2 = · · · = ain = 0.

(b) Jcoluna nulaK Diz-se que cj é uma coluna nula da matriz A se


a1j = a2j = · · · = amj = 0.

(c) JpivôK Chama-se pivô ao elemento diferente de zero mais à es-


querda de uma linha não-nula.

(d) Jcoluna pivôK Chama-se coluna pivô a uma coluna da matriz se


existe um elemento pivô nessa coluna.
h0 0 0 0 1i
1.68exe Seja a matriz A = 02000 . Identifique os pivôs e as colunas pivô da
03040
matriz A.

res Pivôs: a15 , a22 e a32 .

Colunas pivô: c2 e c5 .
1.1 Apontamentos sobre Matrizes 21

1.69def Seja A ∈ Mm×n (K).

(a) Jmatriz em escadaK Diz-se que A é uma matriz em escada se o


número de elementos nulos que precedem o pivô aumenta de linha
para linha até que, possivelmente, sobrem apenas linhas nulas.

(b) Jmatriz em escada reduzidaK Diz-se que A é uma matriz em escada


reduzida se é uma matriz em escada, se todos os pivôs são iguais a
um e se estes são os únicos elementos não-nulos nas colunas pivô.

1.70exe Indique quais das seguintes matrizes são matrizes em escada e em es-
cada reduzida:
 
    0 1 2 0 3
1 0 1 1 0 2 0  
A= ,B =  ,C =  
0 0 0 1 0  ,
0 1 1 0 2 0 0  
0 0 0 0 0
   
0 0 1 0 2 0 0 1 0 1 0 0 0 0
   
   
0 0 0 0 0 0 0 0 1 1 0 0 0 0

D=  , E =  ,
  
0 0 0 2 0 4 0 0 0 0 0 1 0 0
   
0 0 0 0 0 5 0 0 0 0 0 1 0 0
   
      1 1
1 0 1 1 0 0    
F = ,G =  ,H =   , u = 0 , v = 1
  
.
0 1 0 1 0 0    
0 0

res Matrizes em escada: A, B, C, F , G, H, u.

Matrizes em escada reduzida: A, C, F , H, u.


22 1 Matrizes

1.71def Sejam A ∈ Mm×n (K), i ∈ {1, . . . , m}, j ∈ {1, . . . , n}, α ∈ K \ {0} e


β ∈ K.

(a) Joperação elementar do tipo I nas linhas de uma matrizK Dá-se


o nome de operação elementar do tipo I nas linhas da matriz A,
que se representa por ℓi ↔ ℓj , à troca de duas linhas.

(b) Joperação elementar do tipo II nas linhas de uma matrizK Dá-se


o nome de operação elementar do tipo II nas linhas da matriz A,
que se representa por ℓi ← αℓi , à substituição de uma linha por
um seu múltiplo não-nulo.

(c) Joperação elementar do tipo III nas linhas de uma matrizK Dá-se
o nome de operação elementar do tipo III nas linhas da matriz A,
que se representa por ℓi ← ℓi + βℓj , à substituição de uma linha
pela sua soma com um múltiplo de outra linha.

1.72obs Na definição anterior apenas se consideram operações sobre linhas,


apesar de também ser possível definir operações sobre colunas. Fazendo
este curso apenas faz referência a operações elementares sobre linhas,
estas passarão a ser referenciadas apenas por “operações elementares”.

1.73def Jmatrizes equivalentes, A ←→ BK Sejam A, B ∈ Mm×n (K). Diz-se


que A e B são matrizes equivalentes, escrevendo-se A ←→ B, se se
pode obter uma a partir da outra através duma sequência (finita) de
operações elementares com linhas.
1.1 Apontamentos sobre Matrizes 23

h0 2 4 0i
1.74exe Seja a matriz A = 1102 . Efectue a seguinte sequência de operações
2205
1
na matriz A: ℓ1 ↔ ℓ2 , ℓ3 ← ℓ3 − 2ℓ1 , ℓ1 ← ℓ1 − 2ℓ3 , ℓ2 ← 2 ℓ2 e
ℓ1 ← ℓ1 − ℓ2 .

res

   
0 2 4 0 ←−−−−−−−−−→ 1 1 0 2
   
   
1 1 0 2  ℓ1 ↔ ℓ2 0 2 4 0
   
2 2 0 5 2 2 0 5

 
←−−−−−−−−−→ 1 1 0 2
 
 
0 2 4 0
 
ℓ3 ← ℓ3 − 2ℓ1 0 0 0 1

 
ℓ1 ← ℓ1 − 2ℓ3
1 1 0 0
 
 
0 2 4 0
 
←−−−−−−−−−→ 0 0 0 1

 
1 1 0 0
 
1  
ℓ2 ← 2 ℓ2 0 1 2 0
 
←−−−−−−−−−→ 0 0 0 1

 
1 0 −2 0
ℓ1 ← ℓ1 − ℓ2
 
 
0 1 2 0 .
 
←−−−−−−−−−→ 0 0 0 1
24 1 Matrizes

1.75teo Seja A ∈ Mm×n (K). Então, existe uma única matriz em escada re-
duzida que é equivalente à matriz A.

1.76obs Seja A uma matriz não-nula. Então, existe uma infinidade de matrizes
em escada que são equivalentes à matriz A.

1.77def Seja A uma matriz.

(a) Jfe(A)K Representa-se por fe(A) o conjunto das matrizes em es-


cada que são equivalentes à matriz A.

(b) Jfer(A)K Representa-se por fer(A) a única matriz em escada re-


duzida que é equivalente à matriz A.

1.78obs Seja A uma matriz.

(a) Note-se que fe(A) é um conjunto de matrizes e que fer(A) é uma


matriz.

(b) Em 1.79obs apresenta-se um algoritmo para determinar um el-


emento de fe(A) e em 1.80obs apresenta-se um algoritmo para
determinar fer(A).
1.1 Apontamentos sobre Matrizes 25

1.79obs Seja A = [aij ] ∈ Mm×n (R). Então, o seguinte algoritmo determina


um elemento de fe(A):

Passo 1 [inicializar o algoritmo]

i←1

j ← índice da coluna não-nula mais à esquerda da matriz A

Passo 2 [seleccionar elemento pivô]

se aij = 0 então

k ← min{q ∈ {i + 1, . . . , m}|aqj 6= 0}

ℓi ↔ ℓk

fimse

Passo 3 [anular os elementos abaixo do pivô]

para p ← i + 1 até m fazer


apj
ℓp ← ℓp − ℓi
aij
fimpara

Passo 4 [terminar?]

se já se obteve uma matriz em escada então

terminar

senão

i←i+1

j ← índice da coluna não-nula mais à esquerda da matriz que

se obtém eliminando na matriz A as linhas ℓ1 , . . . , ℓi−1

ir para o Passo 2

fimse
26 1 Matrizes

1.80obs Seja A = [aij ] ∈ Mm×n (R). Então, o seguinte algoritmo determina


fer(A):

Passo 1 [inicializar o algoritmo]

determinar A′ = [a′ij ] ∈ fe(A)

i ← índice da última linha não-nula da matriz A′

j ← índice da coluna pivô da linha i

Passo 2 [colocar elemento pivô a um]

se a′ij 6= 1 então
1
ℓ′i ← ′ ℓ′i
aij
fimse

Passo 3 [anular os elementos acima do pivô]

para p ← 1 até i − 1 fazer

ℓ′p ← ℓ′p − a′pj ℓ′i

fimpara

Passo 4 [terminar?]

se já se obteve uma matriz em escada reduzida então

terminar

senão

i← i−1

j ← índice da coluna pivô da linha i

ir para o Passo 2

fimse
1.1 Apontamentos sobre Matrizes 27

h0 0 0 3i
1.81exe Seja a matriz A = 0112 . Determine um elemento de fe(A) e fer(A).
0221

res
   
0 0 0 3 ←−−−−−−−−−→ 0 1 1 2
   
   
0 1 1 2  ℓ1 ↔ ℓ2 0 0 0 3
   
0 2 2 1 0 2 2 1
| {z }
A

 
←−−−−−−−−−→ 0 1 1 2
 
 
0 0 0 3 
 
ℓ3 ← ℓ3 − 2ℓ1 0 0 0 −3
| {z }
A′ ∈fe(A)

 
←−−−−−−−−−→ 0 1 1 2
 
 
0 0 0 3
 
ℓ3 ← ℓ3 + ℓ2 0 0 0 0

 
0 1 1 2
←−−−−−−−−−→ 


0 0 0 1
ℓ2 ← 13 ℓ2  
0 0 0 0

 
ℓ1 ← ℓ1 − 2ℓ2
0 1 1 0
 
 
0 0 0 1 .
 
←−−−−−−−−−→ 0 0 0 0
| {z }
fer(A)
28 1 Matrizes

1.82def Jmatriz elementarK Seja E ∈ Mn×n (K). Diz-se que E é uma matriz
elementar se se pode obter através de uma operação elementar sobre a
matriz In .

1.83exe A partir de I4 , determine as matrizes elementares obtidas através das


seguintes operações elementares:

(a) ℓ2 ↔ ℓ4 .

(b) ℓ3 ← 2ℓ3 .

(c) ℓ3 ← ℓ3 − 2ℓ1 .

res (a)
   
1 0 0 0 ←−−→ 1 0 0 0
   
   
0 1 0 0 ℓ2 ↔ ℓ4 0 0 0 1
   .
   
0 0 1 0 0 0 1 0
   
0 0 0 1 0 1 0 0

(b)
   
1 0 0 0 ←−−−→ 1 0 0 0
   
   
0 1 0 0 0 1 0 0
   .
   
0 0 1 0 ℓ3 ← 2ℓ3 0
 0 2 0
   
0 0 0 1 0 0 0 1

(c)
   
1 0 0 0 ←−−−−−→ 1 0 0 0
   
   
0 1 0 0 0 1 0 0
   .
   
0 0 1 0 ℓ3 ← ℓ3 − 2ℓ1 −2 0 1 0
   
0 0 0 1 0 0 0 1
1.1 Apontamentos sobre Matrizes 29

1.84teo As matrizes elementares são invertíveis e as suas inversas são matrizes


elementares.

1.85teo Sejam A, B ∈ Mm×n (K) tais que A ←→ B. Então, existe um número


finito de matrizes elementares E1 , E2 , . . . , Ek , tais que B = E1 E2 · · · Ek A.

1.86teo Seja A ∈ Mm×n (K). Então, existe um número finito de matrizes


elementares E1 , E2 , . . . , Ek , tais que fer(A) = E1 E2 · · · Ek A.

1.87teo Seja A ∈ Mn×n (K). Então, A é invertível se e só se A é o produto de


matrizes elementares.

1.88obs (a) Seja A ∈ Mn×n (K). Então, A é invertível se e só se fer(A) = In .

(b) Sejam k ∈ N e A ∈ Mn×n (K) uma matriz invertível. Então,


existem matrizes elementares E1 , E2 , . . . , Ek tais que

In = Ek · · · E2 E1 A,

pelo que

A = E1−1 E2−1 · · · Ek−1 In ,

ou ainda

−1 −1 −1


A−1 = In Ek−1 · · · E2−1 E1−1

= Ek · · · E2 E1 In ,

i.e., A−1 obtém-se a partir de In através das mesmas operações


elementares que transformam A em In .
30 1 Matrizes

h1 1 2i
1.89exe Verifique que a matriz A = 010 é invertível e determine a sua
225
inversa.

res
   
1 1 2 1 0 0 ←−−−−−−−−−→ 1 1 2 1 0 0
   
   
 0 1 0 0 1 0   0 1 0 0 1 0 
   
2 2 5 0 0 1 ℓ3 ← ℓ3 − 2ℓ1 0 0 1 −2 0 1
| {z }
A|I3

 
1 1 0 5 0 −2
ℓ1 ← ℓ1 − 2ℓ3 



 0 1 0 0 1 0 
←−−−−−−−−−→  
0 0 1 −2 0 1

 
1 0 0 5 −1 −2
ℓ1 ← ℓ1 − ℓ2 



 0 1 0 0 1 0 .
←−−−−−−−−−→  
0 0 1 −2 0 1
| {z }
I3 |A−1
h 5 −1 −2
i
Assim, A é uma matriz invertível pois fer(A) = I3 com A−1 = 0 1 0 .
−2 0 1

Calcule-se, apenas para efeito de verificação, que AA−1 = I3 :


    
1 1 2 5 −1 −2 1 0 0
    
−1     
AA = 0 1 0  0 1 0  = 0 1 0 .
    
2 2 5 −2 0 1 0 0 1
1.2 Exercı́cios sobre Matrizes 31

1.2 Exercı́cios sobre Matrizes

1.1exe Considere as matrizes


     
  1 0 0 1 1 1
1 1 0 0      
A= ,B =      
0 2 0 , c = 1 , D = 2 2 ,
2 −1 1 2      
0 0 3 1 0 0
   
h i 2+i 1 h i 1 0
e = i 1 0 i ,F =  ,g = 1 ,H =  .
0 1 − 2i 0 1

(a) Indique as matrizes rectangulares e o seu tipo.

(b) Indique as matrizes quadradas e a sua ordem.

(c) Indique as matrizes linha.

(d) Indique as matrizes coluna.

(e) Indique as matrizes diagonais.

(f) Indique as matrizes escalares.

(g) Indique as matrizes triangulares superiores.

(h) Indique as matrizes triangulares inferiores.

1.2exe Considere as matrizes


 
−1 1 0
A=  , B = [bij ] ∈ M2×3 (R), bij = i − j,
2 −1 1
  

 0 se i < j, 1

  
 
C = [cij ] ∈ M2×2 (R), cij = (−1)i+1 se i = j, u = 2 .

  

 1 se i > j, 0

Indique se estão bem definidas as seguintes expressões, efectuando as


operações nesses casos:
32 1 Matrizes

(a) A + 2B. AB T + BAT


(f) .
2
(b) A − C. (g) (CBAT C)2 .
(c) AC. (h) uuT .

(d) CA. (i) uT u.

(e) C 3 . (j) uT AT Bu.

h1 a bi
1.3exe Determine os valores a, b, c ∈ C, para que a matriz S = 12 3 seja
2 c 3
simétrica.

1.4exe Indique quais das seguintes matrizes são ortogonais:


 
1 2
− 2    
 3 3 3
√1 √1 4 3
 2 
A= 3 1
3
2
3 
,B =  2 2  ,C = 5
 5 .
 1
− √2 √2 1 3
− 45
2 2 1 5
−3 3 3
h 0 a b
i
1.5exe Determine os valores a, b, c ∈ C, para que a matriz T = 1 c i seja
2i −i 3
hermítica.

1
 3 4i

1.6exe Mostre que B = 5 −4 3i é uma matriz unitária.
i 0 2i

1.7exe Considere a matriz D = 2 −1 0 . Mostre que está bem definida a
expressão DDH DDT e determine o seu valor.

1.8exe Mostre que o produto de uma matriz pela sua transposta é uma matriz
simétrica.

1.9exe Mostre que se A e B são matrizes comutáveis e B é uma matriz in-


vertível, então AB −1 = B −1 A.

1.10exe Sejam A e B matrizes comutáveis e invertíveis. Então, mostre que


(AB)−1 = A−1 B −1 .
1.2 Exercı́cios sobre Matrizes 33

1.11exe Uma matriz real e quadrada A diz-se anti-simétrica se AT = −A.


Mostre que, dada qualquer matriz real e quadrada B, a matriz B − B T
é anti-simétrica.

1.12exe Mostre que o produto de duas matrizes ortogonais ainda é uma matriz
ortogonal.

1.13exe Seja A uma matriz quadrada tal que Ap = 0 para algum p ∈ N. Então,
P
mostre que (I − A)−1 = I + p−1 k
k=1 A .

1.14exe Determine, para cada uma das seguintes matrizes, uma matriz equiv-
alente que seja uma matriz em escada e a matriz equivalente que seja
uma matriz em escada reduzida.
1 1 0 2 0
(a) A = 00 00 02 00 04 .
00015
h
6 3 −4 i
(b) B = −4 1 −6 .
1 2 −5
1 0 0 2 0
(c) C = 01 00 10 00 01 .
00202
h 1 −2 3 −1 i
(d) D = 2 −1 2 2 .
3 1 2 3
 1 3 −1 2 
(e) E = 02 −5
11 −5 3 .
3 1
4 1 1 5
h 1 2 −1 2 1 i
(f) F = 2 4 1 −2 3 .
3 6 2 −6 5
1 0 0 2
(g) G = 00 00 00 30 .
0000
h 1 i
(h) x = −1 .
3

1.15exe Calcule, se possível, as matrizes inversas das seguintes matrizes:


h 1 0 −1
i
(a) A = 2 0 0 .
−1 1 0

(b) B = [ 12 24 ].
34 1 Matrizes

h −1 2 −3
i
(c) C = 2 1 0 .
4 −2 5

(d) D = [ 11 10 ].

1.16exe Sabendo que as matrizes A, B, C ∈ Mn×n (K) são invertíveis, resolva


em ordem a X a equação matricial C −1 (A + X)B −1 = In .
1.3 Soluções dos Exercı́cios sobre Matrizes 35

1.3 Soluções dos Exercı́cios sobre Matrizes

1.1sol (a) A2×3 , c3×1 , D3×2 , E1×4 .

(b) B — ordem 2, F — ordem 2, g — ordem 1, H — ordem 2.

(c) e, g.

(d) c, g.

(e) B, g, H.

(f) g, H.

(g) B, F , g, H.

(h) B, g, H.
 −1 −1 −4 
1.2sol (a) A + 2B = 4 −1 −1 .

(b) a expressão A − C não está bem definida.

(c) a expressão AC não está bem definida.


 1 0 
(d) CA = −1 −3 2 −1 .
 0 
(e) C 3 = 11 −1 .
T
AB + BA T  −1 
(f) = −1
−1 1 .
2
(g) (CBAT C)2 = [ 20 02 ].
h1 2 0i
(h) uuT = 2 4 0 .
000

(i) uT u = [ 5 ].

(j) uT AT Bu = [ −2 ].

1.3sol a = 1, b = 2, c = 3.

1.4sol A e C.

1.5sol a = 1, b = −2i, c ∈ R.
36 1 Matrizes

 29 
1.7sol DDH DDT = −20i
20i 29 .

1.14sol Nota: associada a cada matriz não-nula, existe uma infinidade de ma-
trizes que lhe são equivalentes e que estão na forma em escada. As
soluções que a seguir se apresentam, resultam da aplicação do algo-
ritmo apresentado em 1.79obs .
1 1 0 2 0  1 1 0 0 −10 
(a) 00 00 20 01 45 ∈ fe(A), fer(A) = 00 00 10 01 25 .
00000 0000 0
  1 0 7 
6 3 −4 9
(b) 0 3 − 26
3 ∈ fe(B), fer(B) = 01 − 26
9
.
00 0 00 0
1 0 0 2 0
 1 0 0 0 0

(c) 001 0 0 ∈ fe(C), fer(C) = 00 0 1 0 0 .
0 0 0 −2 1 0 0 1 0
000 0 2 0 0 0 0 1
 1 −2  " #
3 −1 1 0 0 15
7
(d) 0 3 −4 4 ∈ fe(D), fer(D) = 0 1 0 − 74 .
0 0 73 − 10
3 0 0 1 − 10
7
1  "1 0 4 13 #
3 −1 2 11 11
(e) 0 11 −5 3 ∈ fe(E), fer(E) = 01 5 3
− 11 11 .
0 0 0 0
0 0 0 0 00 0 0
00 0 0
 1 2 −1  " #
2 1 1 2 0 0 43
0 0 3 −6 1
(f) 1 ∈ fe(F ), fer(F ) = 0010 0
1
.
0 0 0 −2 3 0 0 0 1 −6
1 0 0 0
(g) G ∈ fe(G), fer(G) = 00 00 00 10 .
0000
h1i h1i
(h) 0 ∈ fe(x), fer(x) = 0 .
0 0
" 1 #
0 2
0
1.15sol (a) A−1 = 0 1
2
1 .
1
−1 2
0

(b) A matriz B é singular.


h −5 4 −3 i
(c) C −1 = 10 −7 6 .
8 −6 5
−1
0 1 
(d) D = 1 −1 .

1.16sol X = CB − A.
Capı́tulo 2
Determinantes

2.1 Apontamentos sobre Determinantes

2.1def Jmatriz complementar de um elemento de uma matrizK Sejam A =


[aij ] ∈ Mn×n (R) e ξ, η ∈ {1, . . . , n}. Chama-se matriz complementar
eξη , a
do elemento aξη , que se representa por A


 [1] se n = 1,




eξη =
A

 matriz que se obtém a partir



 se n > 1.
da matriz A eliminando ℓξ e cη
h1 2 3i
2.2exe Seja a matriz A = 456 .
789

(a) Determine a matriz complementar do elemento (A)12 .


e33 .
(b) Determine A

res e12 = [ 4 6 ].
(a) A 79

e33 = [ 1 2 ].
(b) A 45

37
38 2 Determinantes

2.3def Jdeterminante de uma matrizK Seja A = [aij ] ∈ Mn×n (K). Chama-se


determinante da matriz A, que se representa por det(A), |A| ou



a11 a12 · · · a1n


a21 a22 · · · a2n

.. .. .. .. ,
. . . .


an1 an2 · · · ann

ao escalar definido recursivamente por



 a11 se n = 1,

n
X
det(A) =

 e1j ) se n > 1.
a1j (−1)1+j det(A

j=1

2.4obs Seja A = [aij ] ∈ M1×1 (K). Note-se que quando se escreve det(A) =
|a11 | = a11 , |·| não representa o valor absoluto mas sim o determinante.
O contexto será sempre suficiente para interpretar o significado correcto
de | · |.

2.5exe Seja X = [ xx11


21
x12
x22 ] ∈ M2×2 (K).

e11 e X
(a) Determine X e12 .

(b) Calcule |X|.

res e11 = [ x22 ] e X


(a) X e12 = [ x21 ].
2.1 Apontamentos sobre Determinantes 39

(b)


x11 x12

det(X) =

x21 x22
2
X
= e1j )
x1j (−1)1+j det(X
j=1

e11 ) + x12 (−1)1+2 det(X


= x11 (−1)1+1 det(X e12 )

= x11 × 1 × x22 + x12 × (−1) × x21

= x11 x22 − x12 x21 .

2.6obs Seja A = [aij ] ∈ M2×2 (K). Então, det(A) pode-se calcular atendendo
a

+ +

a11 E a12
EE yy
EEyy
yy EEE
|yy "
a21 a22

tendo-se

det(A) = a11 a22 − a12 a21 .

2.7exe Determine | 13 24 |.

res | 13 24 | = 1 × 4 − 2 × 3 = −2.
40 2 Determinantes

2.8exe Seja Y = [yij ] ∈ M3×3 (K). Calcule |Y |.

h y11y12 y13 i
res Seja Y = y21 y22 y23 .
y31 y32 y33
Então,



y11 y12 y13


det(Y ) = y21 y22 y23


y31 y32 y33
3
X
= y1j (−1)1+j det(Ye1j )
j=1

= y11 (−1)1+1 det(Ye11 )

+ y12 (−1)1+2 det(Ye12 )

+ y13 (−1)1+3 det(Ye13 )




y22 y23

= y11 × 1 ×

y32 y33


y21 y23
+ y12 × (−1) ×

y31 y33


y21 y22

+ y13 × 1 ×

y31 y32

= y11 (y22 y33 − y23 y32 )

− y12 (y21 y33 − y23 y31 )

+ y13 (y21 y32 − y22 y31 )

= y11 y22 y33 + y12 y23 y31 + y13 y21 y32

− y11 y23 y32 − y12 y21 y33 − y13 y22 y31 .


2.1 Apontamentos sobre Determinantes 41

2.9obs “Regra de Sarrus” (apenas se aplica a matrizes de ordem 3): seja A =


[aij ] ∈ M3×3 (K). Então, det(A) pode-se calcular atendendo a

+ a11 D a12 a13 −


DD zz
DD zz
DD z
D" |zzz
+ a21 D a22 a23 −
DD zz DDD zz
DzDz DDzz
zz DDD zz DDD
|zz " |zz "
+ a31 E a32 E a33 −
EE yy EE yy
EyEy EEyy
yyy EEE yyy EEE
|y " |y "
a11 a12 E a13
yy EEE
yy EE
yy EE
|yy "
a21 a22 a23
tem-se que

det(A) = a11 a22 a33 + a21 a32 a13 + a31 a12 a23

− a13 a22 a31 − a23 a32 a11 − a33 a12 a21 ,

ou, atendendo a

+ + +

a11 E a12 E a13 a11 a12


EE EE yy EEE yy yy
EE EyEy EyEy yy
EE yy EEE yy EEE yy
E" |yy " |yy " |yy
a21 a22 a23 a21 a22
yy EEE yy EEE yy EEE
yy E yEy E yEy EEE
yy yy EEE yy EEE EE
|yy |yy " |yy " "
a31 a32 a33 a31 a32

− − −
tem-se que

det(A) = a11 a22 a33 + a12 a23 a31 + a13 a21 a32

− a13 a22 a31 − a11 a23 a32 − a12 a21 a33 .


42 2 Determinantes

h9 1 2i
2.10exe Seja A = 345 . Calcule det(A).
678

res Atendendo a

9> 1 2
>>
>>
>>

3> 4> 5
>> >>
>> >>
>> >>
 
6> 7> 8
>> >>
>> >>
>> >>
 
9 1> 2
>>
>>
>>

3 4 5
tem-se que

det(A) = 9 × 4 × 8 + 3 × 7 × 2 + 6 × 1 × 5

− 2 × 4 × 6 − 5 × 7 × 9 − 8 × 1 × 3 = −27,

ou atendendo a

9> 1> 2> 9 1


>> >> >>
>> >> >>
>> >> >>
  
3 4> 5> 3> 4
>> >> >>
>> >> >>
>> >> >>
  
6 7 8 6 7
tem-se que

det(A) = 9 × 4 × 8 + 1 × 5 × 6 + 2 × 3 × 4

− 2 × 4 × 6 − 9 × 5 × 7 − 1 × 3 × 8 = −27.
2.1 Apontamentos sobre Determinantes 43

2.11def Jco-factor de um elemento de uma matriz ou complemento algébrico de


um elemento de uma matrizK Seja A = [aij ] ∈ Mn×n (K). Chama-se
co-factor ou complemento algébrico do elemento aij , que se representa
eij ).
por Aij , a (−1)i+j det(A
 −5 −2 
2.12exe Seja a matriz A = 3 −4 .

(a) Determine o co-factor do elemento a11 .

(b) Determine o complemento algébrico do elemento a12 .

(c) Determine A21 .

(d) Determine A22 .

res e11 ) = 1 × | − 4| = −4.


(a) A11 = (−1)1+1 det(A

e12 ) = −1 × |3| = −3.


(b) A12 = (−1)1+2 det(A

e21 ) = −1 × | − 2| = 2.
(c) A21 = (−1)2+1 det(A

e22 ) = 1 × | − 5| = −5.
(d) A22 = (−1)2+2 det(A

2.13teo (Teorema de Laplace) Seja A ∈ Mn×n (K). Então,


n
X n
X
det(A) = (A)ξj Aξj = (A)iη Aiη .
j=1
| {z } |i=1 {z }
desenvolvimento desenvolvimento
através da linha ξ, através da coluna η,
∀ξ ∈ {1, 2, . . . , n} ∀η ∈ {1, 2, . . . , n}

2.14obs (a) Notar que a definição 2.3def consiste no cálculo do determi-


nante através do desenvolvimento segundo a primeira linha.

(b) Como regra prática para calcular determinantes através do teo-


rema de Laplace, deve-se fazer o desenvolvimento a partir da linha
ou coluna que tiver mais zeros.
44 2 Determinantes

2.15teo Sejam A = [aij ], B = [bij ] ∈ Mn×n (K) e α ∈ K. Então,

(a) se A for uma matriz diagonal ou triangular (inferior ou superior):


Q
det(A) = ni=1 aii .

(b) Se todos os elementos de uma linha A são nulos: det(A) = 0.

(c) Se A tem duas linhas iguais: det(A) = 0.

(d) Se B resulta de A por troca de duas linhas (operação elementar


do tipo I): det(B) = − det(A).

(e) Se B resulta de A por multiplicação dos elementos de uma linha


de A por α (operação elementar do tipo II): det(B) = α det(A).

(f) Se B resulta de A adicionando a uma linha um múltiplo de outra


linha (operação elementar do tipo III): det(B) = det(A).

(g) det(αA) = αn det(A).

(h) det(AT ) = det(A).

(i) det(AB) = det(A) det(B).

(j) A é invertível se e só se det(A) 6= 0.


1
(k) Se A é uma matriz invertível, então, det(A−1 ) = det(A) .

2.16obs (a) det(I) = 1.

(b) Todas as propriedades do teorema anterior que se referem a linhas


também são aplicáveis a colunas.

(c) Sejam A = [aij ], B = [bij ] ∈ Mn×n (K) tais que B ∈ fe(A) e que se
obteve a partir da matriz A através das operações elementares do
tipo I e II (por exemplo, por aplicação do algoritmo apresentado
Q
em 1.79obs ). Então, det(A) = (−1)s ni=1 bii , em que s é o
número de trocas de linhas realizadas.
2.1 Apontamentos sobre Determinantes 45

2.17exe Considere as matrizes


     
1 2 3 1 1 1 1 2 1
     
     
A = 0 2 3 , B = 2 2 2 , C = 0 0 0 ,
     
0 0 3 3 3 3 2 1 2
 
−1 0
D=  , P ∈ M3×3 (K) tal que P é uma matriz invertível.
0 1

Usando as propriedades dos determinantes, calcule:

(a) det(A). (g) det(A3 ).

(b) det(B). (h) det(2AT AAT ).

(c) det(C). (i) det(AT A−1 B T ).

(d) det(D). (j) det(A−1 DA).

(e) det(−2A). (k) det(ABCD).

(f) −2 det(A). (l) det(P −1 AP ).

res (a) Sendo A uma matriz triangular (superior), tem-se que det(A) =
1 × 2 × 3 = 6.

(b) Sendo ℓ1,B = ℓ2,B , tem-se que det(B) = 0.

(c) Sendo ℓ2,C uma linha nula, tem-se que det(C) = 0.

(d) Sendo D uma matriz diagonal, tem-se que det(D) = (−1) × 1 =


−1.

(e) det(−2A) = (−2)3 det(A) = −8 × 6 = −48.

(f) −2 det(A) = −2 × 6 = −12.

(g) det(A3 ) = (det(A))3 = 63 = 216.


46 2 Determinantes

(h) det(2AT AAT ) = det(2AT ) det(A) det(AT ) = det(2A) det(A) det(A) =


23 × 6 × 6 × 6 = 1728.

1
(i) det(AT A−1 B T ) = det(AT ) det(A−1 ) det(B T ) = det(A) det(A) det(B) =
det(B) = 0.

1
(j) det(A−1 DA) = det(A−1 ) det(D) det(A) = det(A) det(D) det(A) =
det(D) = −1.

(k) det(ABCD) = det(A) det(B) det(C) det(D) = 6 × 0 × 0 × (−1) =


0.

1
(l) det(P −1 AP ) = det(P −1 ) det(A) det(P ) = det(P ) det(A) det(P ) =
det(A) = 6.

2.18exe Considere as matrizes A, B, C e D do exercíco anterior. Indique as


que são invertíveis.

res As matrizes A e D são invertíveis pois os seus determinantes são dife-


rentes de zero.
0 1 0 2
2.19exe Seja a matriz A = 11 10 20 03 .
2101

(a) Calcule det(A) através da definição (podendo usar qualquer pro-


cesso para calcular determinantes de matrizes de ordem 3).

(b) Calcule det(A) por aplicação do teorema de Laplace através do


desenvolvimento a partir da terceira coluna (podendo usar qual-
quer processo para calcular determinantes de matrizes de ordem
3).

(c) Calcule det(A) através de 2.16obs (c).


2.1 Apontamentos sobre Determinantes 47

res (a)
4
X
det(A) = e1j )
(A)1j (−1)1+j det(A
j=1

e11 ) + (A)12 (−1)1+2 det(A


= (A)11 (−1)1+1 det(A e12 )

e13 ) + (A)14 (−1)1+4 det(A


+ (A)13 (−1)1+3 det(A e14 )


1 2 0 1 1 2


= 0 + 1 × (−1) × 1 0 3 + 0 + 2 × (−1) × 1 0 0


2 0 1 2 1 0

= 0 + 1 × (−1) × 10 + 0 + 2 × (−1) × 2

= −14.

Cálculos auxiliares:

1 2 0
1 0 3 = 1×(0×1−3×0)−2×(1×1−3×2)+0×(1×0−0×2) = 10.
2 0 1
1 1 2
1 0 0 = 1×(0×0−0×1)−1×(1×0−0×2)+2×(1×1−0×2) = 2.
210

(b)
4
X
det(A) = ei3 )
(A)i3 (−1)i+3 det(A
i=1

e13 ) + (A)23 (−1)2+3 det(A


= (A)13 (−1)1+3 det(A e23 )

e33 ) + (A)43 (−1)4+3 det(A


+ (A)33 (−1)3+3 det(A e43 )


0 1 2


= 0 + 2 × (−1) × 1 0 3 + 0 + 0


2 1 1

= 2 × (−1) × 7

= −14.
48 2 Determinantes

Cálculos auxiliares:

0 1 2
1 0 3 = 0×(0×1−3×1)−1×(1×1−3×2)+2×(1×1−0×2) = 7.
211

(c)


0 1 0 2


1 1 2 0
det(A) =

1 0 0 3


2 1 0 1


1 1 2 0


0 1 0 2
= −
ℓ1 ↔ ℓ2
1 0 0 3


2 1 0 1


1 1 2 0


0 1 0 2
= −

0 −1 −2 3 ℓ3 ← ℓ3 − ℓ1


0 −1 −4 1 ℓ4 ← ℓ4 − 2ℓ1


1 1 2 0


0 1 0 2
= −

0 0 −2 5 ℓ3 ← ℓ3 + ℓ2


0 0 −4 3 ℓ4 ← ℓ4 + ℓ2


1 1 2 0


0 1 0 2
= −

0 0 −2 5


0 0 0 −7 ℓ4 ← ℓ4 − 2ℓ3

= −(1 × 1 × (−2) × (−7))

= −14.
2.1 Apontamentos sobre Determinantes 49

2.20obs Pedindo-se o determinante de uma matriz, se não for explicitado no


enunciado o processo de cálculo, este pode ser feito por um método
qualquer, nomeadamente aquele que se achar mais simples.

2.21def Jmatriz adjuntaK Seja A = [aij ] ∈ Mn×n (K). Chama-se matriz adjunta
de A à matriz Z = [zij ] ∈ Mn×n (K), zij = Aji , escrevendo-se Z =
adj(A).

2.22obs A matriz adjunta é a transposta da matriz dos co-factores.


 −5 −2 
2.23exe (a) Determine a matriz adjunta da matriz A = 3 −4 .
 
(b) Determine a matriz adjunta da matriz X = ac db .
 −4 −3 T  −4 2

res (a) Atendendo a 2.12exe , tem-se que adj(A) = 2 −5 = −3 −5 .

(b) Atendendo a
e11 ) = 1 × |d| = d,
X11 = (−1)1+1 det(X
e12 ) = −1 × |c| = −c,
X12 = (−1)1+2 det(X
e21 ) = −1 × |b| = −b,
X21 = (−1)2+1 det(X
e22 ) = 1 × |a| = a,
X22 = (−1)2+2 det(X
 d −c T  d −b 
tem-se que adj(X) = −b a = −c a .

1
2.24teo Seja A ∈ Mn×n (K) uma matriz invertível. Então, A−1 = det(A) adj(A).
 3 −2 
2.25exe Considere a matriz A = 1 0 .

(a) Verifique que a matriz A é invertível.

(b) Determine a inversa da matriz A pelo método da adjunta.

res (a) Como det(A) = 3 × 0 − (−2) × 1 = 2 6= 0, A é uma matriz


invertível.
50 2 Determinantes

  h i
1 1 0 1
(b) A−1 = det(A) adj(A) = 2
0 2
−1 3 = −1/2 3/2 .

Calcule-se, apenas para efeito de verificação, que AA−1 = I2 :


    
3 −2 0 1 1 0
AA−1 =   = .
1 0 −1/2 3/2 0 1
2.2 Exercı́cios sobre Determinantes 51

2.2 Exercı́cios sobre Determinantes


 1 2 −1 1 
−1 −1 2 −1
2.1exe Calcule o determinante da matriz A = 0 −1 0 1 por dois proces-
−1 −2 2 −1
sos distintos.

2.2exe Calcule o determinante das seguintes matrizes:


 
   
2 1 1
4 −1 cos α − sen α  
A= ,B =   , α ∈ R, C =  
1 1 1 ,
−1 4 sen α cos α  
0 2 2
   
  0 1 0 0 2 3 3 2
0 −1 2    
     
   1 0 1 0   1 1 1 1 
D = −1 2 
0 ,E =   , F =  .
    
0 1 0 1  1 2 2 3 
2 −3 −2    
0 0 1 1 2 1 2 1

2.3exe Sejam A uma matriz quadrada tal que |A| = 2 e B = 2AT . Mostre
que a proposição “A matriz B é invertível.” é verdadeira.

2.4exe Considere a matriz A = [ 31 21 ].

(a) Calcule det(A).

(b) Determine adj(A).

(c) Determine A−1 pelo método da adjunta.

2.5exe Sejam p ∈ N e A uma matriz quadrada tal que Ap = 0. Mostre que A


é uma matriz singular.

2.6exe Seja A uma matriz ortogonal. Mostre que det(A) = ±1.

2.7exe Seja A = [aij ] ∈ Mn×n (K), aij = 1. Mostre que det(A − nIn ) = 0.
52 2 Determinantes

2.8exe Seja A ∈ Mn×n (K).

(a) Mostre que | adj(A)| = |A|n−1 .

(b) Mostre que se A é uma matriz invertível e n > 2, então adj(adj(A)) =


|A|n−2 A.
2.3 Soluções dos Exercı́cios sobre Determinantes 53

2.3 Soluções dos Exercı́cios sobre Determinantes

2.1sol det(A) = −1.

2.2sol det(A) = 15, det(B) = 1, det(C) = 0, det(D) = 0, det(E) = 1,


det(F ) = 2.

2.4sol (a) det(A) = 1.


 1 −2 
(b) adj(A) = −1 3 .
 1 −2 
(c) A−1 = −1 3 .
54 2 Determinantes
Capı́tulo 3
Sistemas de Equações Lineares

3.1 Apontamentos sobre Sistemas de Equações Lineares

3.1def Jsistema de equações lineares, matriz dos coeficientes, vector dos ter-
mos independentes, vector das incógnitas, matriz aumentada ou ma-
triz ampliada, conjunto soluçãoK Sejam A = [aij ] ∈ Mm×n (K) e
b = [bi ] ∈ Mm×1 (K). Diz-se que (S) é um sistema de m equações li-
neares nas n incógnitas x1 , x2 , . . . , xn ∈ K com matriz dos coeficientes
A e vector dos termos independentes b se (S) é o sistema



 a11 x1 + a12 x2 + a13 x3 + · · · + a1n xn = b1




 a21 x1 + a22 x2 + a23 x3 + · · · + a2n xn = b2
 .. .. .. .. .. ..

 . . . . . .




am1 x1 + am2 x2 + am3 x3 + · · · + amn xn = bm .

Chama-se vector das incógnitas do sistema (S) à matriz coluna x =


[xi ] ∈ Mn×1 (K). Chama-se matriz aumentada ou matriz ampliada do

55
56 3 Sistemas de Equações Lineares

sistema (S), que se representa por A|b, à matriz


 
a11 a12 a13 ··· a1n b1
 
 
 a21 a22 a23 · · · a2n b2 
 .
 .. .. .. .. .. .. 
 . . . . . . 
 
am1 am2 am3 · · · amn bm

Chama-se conjunto solução do sistema (S), que se representa por CS(S) ,


ao conjunto
 x1 
{(x1 , . . . , xn ) ∈ K |A ... = b}.
n
xn

3.2obs Note-se que o sistema (S) da definição anterior pode ser escrito na
forma matricial
 
  x1  
a11 a12 a13 · · · a1n   b1
  
x2   
  
  b2 
 a21 a22 a23 · · · a2n   
   x3 
= ,
 .. .. .. .. ..    .
  .. 
 . . . . .  .  
  ..   
am1 am2 am3 · · · amn   bm
xn

ou, em notação matricial, como Ax = b.

3.3def Jsistema de equações não linearesK Chama-se sistema de equações não


lineares a um sistema de equações que não é um sistema de equações
lineares.

3.4exe (a) Dê um exemplo de um sistema de duas equações lineares a três


incógnitas.

(b) Dê um exemplo de um sistema de duas equações não lineares a


duas incógnitas.
3.1 Apontamentos sobre Sistemas de Equações Lineares 57


 x + 2y = 1
res (a)
 3x − y = 0.

 x + x sen(y) = 1
(b)
 x − ey = 0.

3.5def Seja (S) o sistema de equações lineares Ax = b.

(a) Jsistema homogéneoK Diz-se que (S) é um sistema homogéneo se


b = 0.

(b) Jsistema homogéneo associadoK Se b 6= 0, chama-se sistema ho-


mogéneo associado ao sistema (S) ao sistema Ax = 0.

3.6exe (a) Dê um exemplo de um sistema homogéneo de duas equações a


três incógnitas.

(b) Identifique o sistema homogéneo associado ao sistema de equações


lineares

 x + 2y = 1
 3x − y = 0.


 x + 2y + 2z = 0
res (a)
 3x − y + z = 0.

 x + 2y = 0
(b)
 3x − y = 0.

3.7def Seja (S) um sistema de equações lineares.

(a) Jsistema possívelK Diz-se que (S) é um sistema possível se CS(S) 6=


∅.
58 3 Sistemas de Equações Lineares

(b) Jsistema possível e determinadoK Diz-se que (S) é um sistema


possível e determinado se #CS(S) = 1.

(c) Jsistema possível e indeterminadoK Diz-se que (S) é um sistema


possível e indeterminado se #CS(S) > 1.

(d) Jsistema impossívelK Diz-se que (S) é um sistema impossível se


CS(S) = ∅.

3.8def Jcaracterística de uma matrizK Seja A ∈ Mm×n (K). Chama-se carac-


terística da matriz A, que se representa por c(A), ao número de linhas
não nulas de uma matriz em escada que seja equivalente à matriz A.

3.9teo Seja A ∈ Mn×n (K). Então, A é uma matriz invertível se e só se


c(A) = n.

3.10teo Seja (S) o sistema de equações lineares de m equações nas n incógnitas


Ax = b. Então,


 c(A) = c(A|b) : sistema possível




 c(A) = c(A|b) = n : sistema possível e determinado

 c(A) = c(A|b) < n : sistema possível e indeterminado




 c(A) < c(A|b) : sistema impossível.

3.11obs Seja (S) o sistema de equações lineares de m equações nas n incóg-


nitas Ax = b. Então, se n > m o sistema não pode ser possível e
determinado.

3.12def Jvariável pivô, variável livreK Sejam Ax = b um sistema de equações


lineares e A′ ∈ fe(A). Se cj,A′ é uma coluna pivô, diz-se que xj é uma
variável pivô. Caso contrário, diz-se que é uma variável livre.
3.1 Apontamentos sobre Sistemas de Equações Lineares 59

3.13exe Seja (S) o sistema de equações lineares cuja matriz dos coeficientes é
 
A = 11 22 −2 1 e cujo vector dos termos independentes é b = [ 3 ].
0 1 1

(a) Determine um elemento de fe(A|b).

(b) Identifique as colunas pivô do sistema (S).

(c) Identifique as variáveis pivô do sistema (S).

(d) Identifique as variáveis livres do sistema (S).

res (a)
   
1 2 −2 1 3 ←−−−−−−−−−→ 1 2 −2 1 3
   .
1 2 0 1 1 ℓ2 ← ℓ2 − ℓ1 0 0 2 0 −2
| {z }
∈fe(A|b)

(b) Colunas pivô de (S): c1 e c3 .

(c) Variáveis pivô de (S): x1 e x3 .

(d) Variáveis livres de (S) x2 e x4 .

3.14teo Método de Gauss para a resolução de sistemas de equações lineares:


seja (S) o sistema de equações lineares Ax = b. Então, o seguinte
algoritmo determina CS(S) :

Passo 1 determinar um elemento de fe(A|b).

Passo 2 identificar as variáveis livres.

Passo 3 aplicar método de substituição de trás para a frente.

3.15teo Método de Gauss-Jordan para a resolução de sistemas de equações


lineares: seja (S) o sistema de equações lineares Ax = b. Então, o
seguinte algoritmo determina CS(S) :
60 3 Sistemas de Equações Lineares

Passo 1 determinar fer(A|b).

Passo 2 identificar as variáveis livres.

Passo 3 aplicar método de substituição de trás para a frente.

3.16exe (a) Dê um exemplo de um sistema de duas equações lineares a duas


incógnitas possível e determinado, resolva-o através do Método de
Gauss e faça a sua interpretação geométrica.

(b) Dê um exemplo de um sistema de duas equações lineares a duas


incógnitas possível e indeterminado, resolva-o através do Método
de Gauss e faça a sua interpretação geométrica.

(c) Dê um exemplo de um sistema de duas equações lineares a duas


incógnitas impossível, resolva-o através do Método de Gauss e
faça a sua interpretação geométrica.

res (a) Seja (S1 ) o sistema de equações lineares cuja matriz dos coefi-
 1 
cientes é A = 11 −1 e cujo vector dos termos independentes é
b = [ 10 ], i.e.,

 x + y = 1
(S1 )
 x − y = 0.

Resolução de (S1 ) através do método de Gauss:

   
1 1 1 ←−−−−−−−−−→ 1 1 1
   .
1 −1 0 ℓ2 ← ℓ2 − ℓ1 0 −2 −1

Como c(A) = 2, c(A|b) = 2 e n = 2 (número de incógnitas) —


c(A) = c(A|b) = n —, (S1 ) é um sistema possível e determinado
3.1 Apontamentos sobre Sistemas de Equações Lineares 61

equivalente ao sistema de equações lineares


 
 x + y = 1  x=1− 1 = 1
2 2

 − 2y = −1  y = −2 = 12
−1

ou seja,

CS(S1 ) = {( 12 , 12 )}.

CS(S1 ) pode ser geometricamente interpretado como sendo os


pontos de intersecção das rectas x + y = 1 e x − y = 0 (que
neste caso é um só):

y
x−y =0

1
1
2

1 x
2 1
x+y =1

(b) Seja (S2 ) o sistema de equações lineares cuja matriz dos coefi-
 1 1 
cientes é A = −2 −1 e cujo vector dos termos independentes é
 1 
b = −2 , i.e.,

 x + y = 1
(S2 )
 −2x − 2y = −2.

Resolução de (S2 ) através do método de Gauss:


62 3 Sistemas de Equações Lineares

   
1 1 1 ←−−−−−−−−−→ 1 1 1
   .
−2 −2 −2 ℓ2 ← ℓ2 + 2ℓ1 0 0 0

Como c(A) = 1, c(A|b) = 1 e n = 2 (número de incógnitas) —


c(A) = c(A|b) < n —, (S2 ) é um sistema possível e indeterminado
equivalente ao sistema de equações lineares


 x + y = 1
 0 = 0.

Sendo y uma variável livre, tem-se


 x=1−α
 y=α∈K

ou seja,

CS(S2 ) = {(1 − α, α)|α ∈ K}.

CS(S2 ) pode ser geometricamente interpretado como sendo os


pontos de intersecção das rectas x + y = 1 e −2x − 2y = −2
(que neste caso são uma infinidade):
3.1 Apontamentos sobre Sistemas de Equações Lineares 63

x
1
x + y = 1 ≡ −2x − 2y = −2

(c) Seja (S3 ) o sistema de equações lineares cuja matriz dos coefi-
cientes é A = [ 11 11 ] e cujo vector dos termos independentes é
b = [ 12 ], i.e.,

 x + y = 1
(S3 )
 x + y = 2.

Resolução de (S3 ) através do método de Gauss:

   
1 1 1 ←−−−−−−−−−→ 1 1 1
   .
1 1 2 ℓ2 ← ℓ2 − ℓ1 0 0 1

Como c(A) = 1 e c(A|b) = 2 — c(A) < c(A|b) —, (S3 ) é um


sistema impossível equivalente ao sistema de equações lineares

 x + y = 1
 0 = 1
tendo-se

CS(S3 ) = ∅.
64 3 Sistemas de Equações Lineares

CS(S3 ) pode ser geometricamente interpretado como sendo os


pontos de intersecção das rectas x + y = 1 e x + y = 2 (que
neste caso não existem):

x
1 2
x + y = 1x + y = 2

3.17exe Considere os sistemas de equações lineares




 x + x2 − x3 = 1

 1
(S1 ) −x1 + x2 − x3 = −1



 x2 + 2x3 = 3,

 x + y + z = 1
(S2 )
 x + z = 2.

(a) Resolva (S1 ) através do métodos de Gauss.

(b) Resolva (S1 ) através do métodos de Gauss-Jordon.

(c) Resolva (S2 ) através do métodos de Gauss.


3.1 Apontamentos sobre Sistemas de Equações Lineares 65

(d) Resolva (S2 ) através do métodos de Gauss-Jordon.

res (a)

   
1 1 −1 1 1 1 −1 1
 ←−−−−−−−−−→  
   
 −1 1 −1 −1   0 2 −2 0 
  ℓ ←ℓ +ℓ  
2 2 1
0 1 2 3 0 1 2 3
 
←−−−−−−−−−→ 1 1 −1 1
 
 
 0 2 −2 0 
 
1
ℓ3 ← ℓ3 − 2 ℓ2 0 0 3 3

Assim, (S1 ) é um sistema equivalente ao sistema

 

 x + y − z = 1 
 x= 1−1+1
=1

 
 1
0+2×1
2y − 2z = 0 ⇔ y= 2 =1

 


 
 z= 3
3z = 3 3 =1

ou seja,

CS(S1 ) = {(1, 1, 1)}.


66 3 Sistemas de Equações Lineares

(b)
   
1 1 −1 1 1 1 −1 1
 ←−−−−−−−−−→  
   
 −1 1 −1 −1   0 2 −2 0 
  ℓ ←ℓ +ℓ  
2 2 1
0 1 2 3 0 1 2 3
 
←−−−−−−−−−→ 1 1 −1 1
 
 
 0 2 −2 0 
 
ℓ3 ← ℓ3 − 12 ℓ2 0 0 3 3
 
1 1 −1 1
←−−−−−−−−−→  


 0 2 −2 0 
ℓ3 ← 13 ℓ3  
0 0 1 1
 
ℓ1 ← ℓ1 + ℓ3 1 1 0 2
 
 
ℓ2 ← ℓ2 + 2ℓ3  0 2 0 2 
 
←−−−−−−−−−→ 0 0 1 1
 
1 1 0 2
 
 
ℓ2 ← 12 ℓ2  0 1 0 1 
 
←−−−−−−−−−→ 0 0 1 1
 
ℓ1 ← ℓ1 − ℓ2 1 0 0 1
 
 
 0 1 0 1 
 
←−−−−−−−−−→ 0 0 1 1
Assim, (S1 ) é um sistema equivalente ao sistema


 x = 1


y = 1



 z = 1
ou seja,

CS(S1 ) = {(1, 1, 1)}.


3.1 Apontamentos sobre Sistemas de Equações Lineares 67

(c)
   
1 1 1 1←−−−−−−−−−→ 1 1 1 1
   .
1 0 1 2 ℓ2 ← ℓ2 − ℓ1 0 −1 0 1

Assim, (S2 ) é um sistema equivalente ao sistema



 x + y + z = 1
 − y = 1.

Sendo z uma variável livre, tem-se




 x = 1 − (−1) − α = 2 − α


y = −1



 z=α∈K

ou seja,

CS(S2 ) = {(2 − α, −1, α)}.

(d)
   
1 1 1 1←−−−−−−−−−→ 1 1 1 1
   .
1 0 1 2 ℓ2 ← ℓ2 − ℓ1 0 −1 0 1
 
←−−−−−−−−−→ 1 1 1 1
 .
ℓ2 ← −ℓ2 0 1 0 −1

Assim, (S2 ) é um sistema equivalente ao sistema



 x + y + z = 1
 y = −1.

Sendo z uma variável livre, tem-se




 x = 1 − (−1) − α = 2 − α


y = −1



 z=α∈K
68 3 Sistemas de Equações Lineares

ou seja,

CS(S2 ) = {(2 − α, −1, α)}.

3.18exe Discuta o seguinte sistema de equações lineares em função dos parâ-


metros reais α e β:


 x1 + x2 + x3 − x4 = 0




 2x1 + 2x3 = β

 2x1 + (α + 2)x2 + 2x3 − x4 = 0




 (α + 1)x1 + 2x2 − x4 = 0.

res
 
1 1 1 −1 0 ←−−−−−−−−−−−−−→
 
 
 2 0 2 0 β  ℓ2 ← ℓ2 − 2ℓ1
 
 
 2 α + 2 2 −1 0  ℓ3 ← ℓ3 − 2ℓ1
 
α+1 2 0 −1 0 ℓ4 ← ℓ4 − (α + 1)ℓ1
 
1 1 1 −1 0 ←−−−−−−−−−−−−−→
 
 
 0 −2 0 2 β 
 
 
 0 α 0 1 0  ℓ3 ← ℓ3 + α2 ℓ2
 
0 1 − α −1 − α α 0 ℓ4 ← ℓ4 + 1−α
2 ℓ2
 
1 1 1 −1 0 ←−−−−−−−−−−−−−→
 
 
 0 −2 0 2 β 
 
 αβ 
 0 0 0 α+1 2

 
(1−α)β
0 0 −1 − α 1 2 ℓ3 ↔ ℓ4
 
1 1 1 −1 0
 
 
 0 −2 0 2 β 
 
 (1−α)β 
 0 0 −1 − α 1 2

 
αβ
0 0 0 α+1 2
3.1 Apontamentos sobre Sistemas de Equações Lineares 69

α = 1:

 
1 1 1 −1 0
 
 
 0 −2 0 2 β 
 
 
 0 0 0 1 β 
 
0 0 0 0 − β2

• α 6= −1: c(A) = 4, c(A|b) = 4 e n = 4 (número de incógnitas) —


c(A) = c(A|b) = n —, pelo que o sistema é possível e determinado.

• α = −1 e β = 0: c(A) = 3, c(A|b) = 3 e n = 4 (número de


incógnitas) — c(A) = c(A|b) < n —, pelo que o sistema é possível
e indeterminado.

• α = −1 e β 6= 0: c(A) = 3 e c(A|b) = 4 — c(A) < c(A|b) —, pelo


que o sistema é impossível.

3.19teo (Regra de Cramer) Seja Ax = b um sistema de n equações lineares


1
a n incógnitas possível e determinado. Então, x = |A| adj(A) b, i.e.,
∆i
xi = |A| , i = 1, . . . , n, em que ∆i é o determinante da matriz que se
obtém a partir da matriz A, na qual se substitui a i-ésima coluna pelo
vector dos termos independentes, b.

 1 2

3.20exe Seja (S) o sistema de equações lineares Ax = b, com A = −3 6 e
b = [ 12 ].

(a) Mostre que (S) é um sistema possível e determinado.

(b) Determine o conjunto solução de (S) através da Regra de Cramer.


70 3 Sistemas de Equações Lineares

res (a) Como det(A) = 1 × 6 − 2 × (−3) = 12 6= 0, c(A) = 2, c(A|b) = 2 e


n = 2 (número de incógnitas) — c(A) = c(A|b) = n —, pelo que
(S) é um sistema possível e determinado.

(b)


1 2 1 1


2 6 2 1 −3 2 5
x1 = = = , x2 = = .
12 6 12
1 2 1 2


−3 6 −3 6

Assim, CS(S) = {( 16 , 12
5
)}.
3.2 Exercı́cios sobre Sistemas de Equações Lineares 71

3.2 Exercı́cios sobre Sistemas de Equações Lineares

3.1exe Classifique quanto ao número de soluções e determine o conjunto solução


dos seguintes sistemas de equações lineares:

 x1 + 2x2 = 5
(a) (Sa )
 3x2 = 6.

 x1 + 2x2 = 1
(b) (Sb )
 0x2 = 2.

 x1 + 2x2 + 3x3 = 14
(c) (Sc )
 4x2 + 5x3 = 23.

 x1 + x2 + x3 + x4 = 1
(d) (Sd )
 x2 + x4 = 1.

3.2exe Resolva pelo método de Gauss, pelo método de Gauss-Jordan e pela


regra de Cramer os seguintes sistemas de equações lineares:


 x + y + z + w = 0




 2x − y + z − w = 5
(Sa )

 y − w = 0




 x − w = 2.


 x + y + z + 2w = 1




 2x − y + z − w = −1
(Sb )

 y + 3w = 1




 2x − 2y + 2z − w = −2.
72 3 Sistemas de Equações Lineares

3.3exe Considere os seguintes sistemas de equações lineares:




 x + x2 + x3 = 3

 1
(Sa ) x1 − x2 = 0



 −x + x = 0.
1 3


 x + x2 = 2

 1
(Sb ) x1 + x3 = 2



 2x + x + x = 4.
1 2 3


 x + x2 + x3 = 3

 1
(Sc ) x1 + x2 = 2



 2x + 2x + x = 1.
1 2 3


 x1 − x2 + x3 = 1


(Sd ) −2x1 + 2x2 − 2x3 = −2



 −x + x − x = −1.
1 2 3

Responda às seguintes questões para cada um destes sistemas de equações


lineares:

(a) identifique a matriz dos coeficientes A, o vector dos termos inde-


pendentes b, o vector das incógnitas x e a matriz ampliada A|b.

(b) Classifique o sistema quanto ao número de soluções e determine


o seu conjunto solução.

(c) Classifique o sistema homogéneo associado quanto ao número de


soluções e determine o seu conjunto solução.

3.4exe Dê exemplos de sistemas de m equações lineares a n incógnitas possíveis


e determinados, possíveis e indeterminados e impossíveis para m > n,
m = n e m < n, sempre que tal seja possível.
3.2 Exercı́cios sobre Sistemas de Equações Lineares 73

3.5exe Discuta os seguintes sistemas de equações lineares Ax = b em função


dos respectivos parâmetros reais:
h1 1 α
i h i
2
(a) A = 3 4 2 , b= α .
2 3 −1 1
h1 0 −3 i h −3 i
(b) A = 2 k −1 , b = −2 .
1
h 11 2
2
k
1 0
i h2i
(c) A = 3 3 5 c , b= 3 .
0 3 −2 −3 t
h1 2 2 0
i h1i
(d) A = 0 2 1 1 , b= 2 .
1 0 1a t

3.6exe Determine, por dois processos distintos, para que valores de α a matriz
hα 1 1i
A = 1 α 1 é invertível.
1 1 α
h1 1 0i
3.7exe Considere a matriz A = 101 .
011

(a) Calcule A−1 .

(b) Mostre que o sistema Ax = b é possível e determinado, qualquer


que seja o vector dos termos independentes b ∈ M3×1 (K).

(c) Usando a alínea (a), resolva o sistema Ax = b, em que b = [bi ] ∈


M3×1 (K), bi = i.

3.8exe Considere o seguinte sistema não linear nas incógnitas α, β e γ.




 2 sen α − cos β + 3 tan γ = 3


4 sen α + 2 cos β − 2 tan γ = 10



 6 sen α − 3 cos β + tan γ = 9.

Mostre que, neste caso, é possível concluir que o sistema é impossível


recorrendo ao método de Gauss.

3.9exe Determine a equação da parábola que passa nos pontos (1, 2), (−1, 6)
e (2, 3).
74 3 Sistemas de Equações Lineares

3.3 Soluções dos Exercı́cios sobre Sistemas de Equações Li-


neares

3.1sol (a) PD. CS(Sa ) = {(1, 2)}.

(b) Imp. CS(Sb ) = ∅.

(c) PI. CS(Sc ) = {( 5−α


2 ,
23−5α
4 , α)|α ∈ K}.

(d) PI. CS(Sd ) = {(−s, 1 − t, s, t)|t, s ∈ K}.

3.2sol (a) CS(Sa ) = {(1, −1, 1, −1)}.

(b) CS(Sb ) = {(0, 1, 0, 0)}.


h 1 1 1
i h3i h x1 i h 1 1 13
i
3.3sol (S1 ) (a) A = 1 −1 0 ,b = 0 ,x = x2
x3
, A|b = 1 −1 0 0 .
−1 0 1 0 −1 0 1 0

(b) PD. CSAx=b = {(1, 1, 1)}.

(c) PD. CSAx=0 = {(0, 0, 0)}.


h1 1 0i h2i h x1 i h1 1 0 2i
(S2 ) (a) A = 1 0 1 , b = 2 , x = xx2 , A|b = 1 0 1 2 .
211 4 3 2114

(b) PI. CSAx=b = {(2 − t, t, t)|t ∈ K}.

(c) PI. CSAx=0 = {(−t, t, t)|t ∈ K}.


h1 1 1i h3i h x1 i h1 1 1 3i
(S3 ) (a) A = 1 1 0 , b = 2 , x = xx2 , A|b = 1 1 0 2 .
221 1 3 2211

(b) Imp. CSAx=b = ∅.

(c) PI. CSAx=0 = {(−s, s, 0)|s ∈ K}.


h 1 −1 1 i h 1 i h x1 i h 1 −1 1 1 i
(S4 ) (a) A = −2 2 −2 , b = −2 , x = xx2 , A|b = −2 2 −2 −2 .
−1 1 −1 −1 3 −1 1 −1 −1
(b) PI. CSAx=b = {(1 + s − t, s, t)|s, t ∈ K}.

(c) PI. CSAx=0 = {(s − t, s, t)|s, t ∈ K}.

3.5sol (a) PD: α 6= 3. PI: α = 3. Imp: nunca.

(b) PD: k 6= 2 ∧ k 6= −5 . PI: k = 2. Imp: k = −5.


3.3 Soluções dos Exercı́cios sobre Sistemas de Equações Lineares 75

(c) PD: nunca. PI: c 6= 3 ∨ t = 3. Imp: c = 3 ∧ t 6= 3.

(d) PD: nunca. PI: a 6= −1 ∨ t = −1. Imp: a = −1 ∧ t 6= −1.

3.6sol α ∈ K \ {−2, 1}.


h 1 1 −1 i
1
3.7sol (a) A−1 = 2
1 −1 1 .
−1 1 1

(c) CSAx=b = {(0, 1, 2)}.

3.9sol x2 − 2x + 3.
76 3 Sistemas de Equações Lineares
Capı́tulo 4
Espaços Vectoriais

4.1 Apontamentos sobre Espaços Vectoriais

4.1obs Apresenta-se na definição que se segue a generalização da noção de


“vector” entendido como uma entidade com um tamanho e uma di-
recção. O estudo genérico de um espaço vectorial permite-nos esta-
belecer propriedades válidas para um conjunto alargado de entidades
matemáticas.

77
78 4 Espaços Vectoriais

4.2def Jespaço vectorialK Sejam V um conjunto não vazio e as operações

⊕: V ×V −→ V
(x, y) 7−→ x ⊕ y,

⊙: K×V −→ V
(α, x) 7−→ α ⊙ x.

Diz-se que o sêxtuplo (V, ⊕, ⊙, K, +, ·) é um espaço vectorial se:

(a) ∀x, y ∈ V : x ⊕ y = y ⊕ x.

(b) ∀x, y, z ∈ V : (x ⊕ y) ⊕ z = x ⊕ (y ⊕ z).

(c) ∃1 elemento de V (representado por 0V ), ∀x ∈ V : x ⊕ 0V = x.

(d) ∀x ∈ V, ∃1 elemento de V (representado por −x) : x ⊕ (−x) =


0V .

(e) ∀α ∈ K, ∀x, y ∈ V : α ⊙ (x ⊕ y) = α ⊙ x ⊕ α ⊙ y.

(f) ∀α, β ∈ K, ∀x ∈ V : (α + β) ⊙ x = α ⊙ x ⊕ β ⊙ x.

(g) ∀α, β ∈ K, ∀x ∈ V : (α · β) ⊙ x = α ⊙ (β ⊙ x).

(h) ∀x ∈ V : 1 ⊙ x = x.

4.3def Seja o espaço vectorial definido por (V, ⊕, ⊙, K, +, ·).

(a) JescalarK Chama-se escalares aos elementos de K.

(b) JvectorK Chama-se vectores aos elementos de V .

(c) Jsoma de vectoresK Chama-se soma de vectores à operação ⊕.


Jmultiplicação de um escalar por um vectorK Chama-se multipli-
cação de um escalar por um vector à operação ⊙.

(d) Jespaço vectorial realK Diz-se que V é um espaço vectorial real se


K = R.
4.1 Apontamentos sobre Espaços Vectoriais 79

(e) Jespaço vectorial complexoK Diz-se que V é um espaço vectorial


complexo se K = C.

4.4obs (a) Para simplificar a linguagem, em vez de “seja o espaço vectorial


definido por (V, ⊕, ⊙, K, +, ·)” diz-se “seja V um espaço vectorial
sobre K” quando as operações de soma de vectores e de multipli-
cação de um escalar por um vector estiverem subentendidas.

(b) Se não causar confusão, em vez de x ⊕ y escreve-se x + y, em vez


de x ⊕ (−y) escreve-se x − y e em vez de α ⊙ x escreve-se αx.

4.5obs Na definição que se segue, relembram-se ou introduzem-se conjuntos e


as respectivas operações usuais, que serão usados na apresentação de
exemplos de espaços vectoriais.

4.6def (a) JKn K Seja n ∈ N. Representa-se por Kn o conjunto dos n-tuplos


com elementos em K, i.e.,

Kn = {(x1 , x2 , . . . , xn )|x1 , x2 , . . . , xn ∈ K}.

As operações usuais neste conjunto são:

(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) =

(x1 + y1 , x2 + y2 , . . . , xn + yn ),

α(x1 , x2 , . . . , xn ) = (αx1 , . . . , αxn ).

(b) JMm×n (K)K Sejam m, n ∈ N. Representa-se por Mm×n (K) o


conjunto das matrizes com m linhas e n colunas com elementos
em K, i.e.,

Mm×n (K) = {A : {1, . . . , m} × {1, . . . , n} → K}.


80 4 Espaços Vectoriais

As operações usuais neste conjunto são:

[(A + B)ij ] = [(A)ij + (B)ij ],

[(αA)ij ] = [α(A)ij ].

(c) JKn [x]K Seja n ∈ N. Representa-se por Kn [x] o conjunto dos


polinómios na variável x com coeficientes em K e que têm grau
menor ou igual a n, i.e.,

Kn [x] = {a0 xn + · · · + an−1 x + an |a0 , . . . , an−1 , an ∈ K}.

As operações usuais neste conjunto são:

(a0 xn + · · · + an−1 x + an ) + (b0 xn + · · · + bn−1 x + bn ) =

(a0 + b0 )xn + · · · + (an−1 + bn−1 )x + (an + bn ),

α(a0 xn + · · · + an−1 x + an ) =

(αa0 )xn + · · · + (αan−1 )x + (αan ).

(d) JK[x]K Representa-se por K[x] o conjunto dos polinómios na var-


iável x de qualquer grau com coeficientes em K. As operações
usuais neste conjunto são idênticas às definidas no conjunto Kn [x].

(e) JC(a, b), C k (a, b), C ∞ (a, b)K Sejam a, b ∈ R tais que a < b e
k ∈ N. Representa-se por C(a, b) o conjunto das funções reais
de variável real contínuas em (a, b), por C k (a, b) o conjunto das
funções reais de variável real tais que existem todas as derivadas
de f até à ordem k (inclusivé) e f e todas as derivadas de f até
à ordem k (inclusivé) são contínuas em (a, b), e por C ∞ (a, b) o
conjunto das funções reais de variável real tais que existem todas
4.1 Apontamentos sobre Espaços Vectoriais 81

as derivadas de f e f e todas as derivadas de f são contínuas em


(a, b), i.e.,

C(a, b) = {f : (a, b) → K|f é contínua em (a, b)},


dp f
C k (a, b) = {f : (a, b) → K|f ∈ C(a, b) e dxp ∈ C(a, b), p = 1, . . . , k},
dp f
C ∞ (a, b) = {f : (a, b) → K|f ∈ C(a, b) e dxp ∈ C(a, b), ∀p ∈ N}.

As operações usuais nestes conjuntos são:

(f + g)(x) = f (x) + g(x),

(αf )(x) = αf (x).

4.7exe Mostre que R2 com as operações usuais é um espaço vectorial real.

res As operações usuais em R2 são

x + y = (x1 , x2 ) + (y1 , y2 ) = (x1 + y1 , x2 + y2 ),

αx = α(x1 , x2 ) = (αx1 , αx2 ).

com x1 , x2 , y1 , y2 , α ∈ R (como já se disse, quando estão em causa as


operações usuais, em vez de x ⊕ y escreve-se x + y e em vez de α ⊙ x
escreve-se αx).

No que se segue, verificam-se as oito propriedades de 4.2def .

Propriedade (a)

Definição geral:

∀x, y ∈ V : x ⊕ y = y ⊕ x.

Exemplo presente:

∀x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 : x + y = y + x.
82 4 Espaços Vectoriais

x + y = (x1 , x2 ) + (y1 , y2 )
(1)
= (x1 + y1 , x2 + y2 ). (a.1)

y + x = (y1 , y2 ) + (x1 , x2 )
(1)
= (y1 + x1 , y2 + x2 )
(2)
= (x1 + y1 , x2 + y2 ). (a.2)

(1) por definição da operação soma de vectores.

(2) pela propriedade comutativa da soma de números reais.

Como as expressões (a.1) e (a.2) são iguais, conclui-se que a proprie-


dade (a) é válida.

Propriedade (b)

Definição geral:

∀x, y, z ∈ V : (x ⊕ y) ⊕ z = x ⊕ (y ⊕ z).

Exemplo presente:

∀x = (x1 , x2 ), y = (y1 , y2 ), z = (z1 , z2 ) ∈ R2 : (x + y) + z = x + (y + x).


4.1 Apontamentos sobre Espaços Vectoriais 83

(x + y) + z = ((x1 , x2 ) + (y1 , y2 )) + (z1 , z2 )


(1)
= (x1 + y1 , x2 + y2 ) + (z1 , z2 )
(1)
= ((x1 + y1 ) + z1 , (x2 + y2 ) + z2 )
(2)
= (x1 + y1 + z1 , x2 + y2 + z2 ). (b.1)

x + (y + z) = (x1 , x2 ) + ((y1 , y2 ) + (z1 , z2 ))


(1)
= (x1 , x2 ) + (y1 + z1 , y2 + z2 )
(1)
= (x1 + (y1 + z1 ), x2 + (y2 + z2 ))
(2)
= (x1 + y1 + z1 , x2 + y2 + z2 ). (b.2)

(1) por definição da operação soma de vectores.

(2) pela propriedade associativa da soma de números reais.

Como as expressões (b.1) e (b.2) são iguais, conclui-se que a proprie-


dade (b) é válida.

Propriedade (c)

Definição geral:

∃1 elemento de V (representado por 0V ), ∀x ∈ V : x ⊕ 0V = x.

Exemplo presente:

∃1 0R2 = (a, b) ∈ R2 , ∀x = (x1 , x2 ) ∈ R2 : x + 0R2 = x.


84 4 Espaços Vectoriais

x + 0R2 = x ⇔ (x1 , x2 ) + (a, b) = (x1 , x2 )


(1)
⇔ (x1 + a, x2 + b) = (x1 , x2 )
(2)
⇔ x1 + a = x1 ∧ x2 + b = x2
(3)
⇔ a = 0 ∧ b = 0.

(1) por definição da operação soma de vectores.

(2) pela definição da igualdade de dois elementos de R2 .

(3) pelas propriedades dos números reais.

Assim, conclui-se que 0R2 = (0, 0) é o elemento neutro da soma de


vectores, sendo a propriedade (c) válida.

Propriedade (d)

Definição geral:

∀x ∈ V, ∃1 elemento de V (representado por −x) : x ⊕ (−x) = 0V .

Exemplo presente:

∀x = (x1 , x2 ) ∈ R2 , ∃1 − x = (a, b) ∈ R2 : x + (−x) = 0R2 .

x + (−x) = 0R2 ⇔ (x1 , x2 ) + (a, b) = (0, 0)


(1)
⇔ (x1 + a, x2 + b) = (0, 0)
(2)
⇔ x1 + a = 0 ∧ x2 + b = 0
(3)
⇔ a = −x1 ∧ b = −x2 .

(1) por definição da operação soma de vectores.


4.1 Apontamentos sobre Espaços Vectoriais 85

(2) igualdade de dois elementos de R2 .

(3) pelas propriedades dos números reais.

Assim, conclui-se que −x = (−x1 , −x2 ) é o elemento simétrico do


elemento x = (x1 , x2 ) ∈ R2 , sendo a propriedade (d) válida.

Propriedade (e)

Definição geral:

∀α ∈ R, ∀x, y ∈ V : α ⊙ (x ⊕ y) = α ⊙ x ⊕ α ⊙ y.

Exemplo presente:

∀α ∈ R, ∀x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 : α(x + y) = αx + αy.

α(x + y) = α((x1 , x2 ) + (y1 , y2 ))


(1)
= α(x1 + y1 , x2 + y2 )
(2)
= (α(x1 + y1 ), α(x2 + y2 ))
(3)
= (αx1 + αy1 , αx2 + αy2 ). (e.1)

αx + αy = α(x1 , x2 ) + α(y1 , y2 )
(2)
= (αx1 , αx2 ) + (αy1 , αy2 )
(1)
= (αx1 + αy1 , αx2 + αy2 ). (e.2)

(1) por definição da operação soma de vectores.

(2) por definição da operação multiplicação de um vector por um es-


calar.

(3) pela propriedade distributiva da multiplicação relativamente à soma


em R.
86 4 Espaços Vectoriais

Como as expressões (e.1) e (e.2) são iguais, conclui-se que a propriedade


(e) é válida.

Propriedade (f )

Definição geral:

∀α, β ∈ R, ∀x ∈ V : (α + β) ⊙ x = α ⊙ x ⊕ β ⊙ x.

Exemplo presente:

∀α, β ∈ R, ∀x = (x1 , x2 ) ∈ R2 : (α + β)x = αx + βx.

(α + β)x = (α + β)(x1 , x2 )
(1)
= ((α + β)x1 , (α + β)x2 )
(2)
= (αx1 βx1 , αx2 + βx2 ). (f.1)

αx + βx = α(x1 , x2 ) + β(x1 , x2 )
(1)
= (αx1 , αx2 ) + (βx1 , βx2 )
(3)
= (αx1 + βx, αx2 + βx2 ). (f.2)

(1) por definição da operação multiplicação de um vector por um es-


calar.

(2) pela propriedade distributiva da multiplicação relativamente à soma


em R.

(3) por definição da operação soma de vectores.

Como as expressões (f.1) e (f.2) são iguais, conclui-se que a propriedade


(f) válida.

Propriedade (g)

Definição geral:
4.1 Apontamentos sobre Espaços Vectoriais 87

∀α, β ∈ R, ∀x ∈ V : (α · β) ⊙ x = α ⊙ (β ⊙ x).

Exemplo presente:

∀α, β ∈ R, ∀x = (x1 , x2 ) ∈ R2 : (αβ)x = α(βx).

(αβ)x = (αβ)(x1 , x2 )
(1)
= ((αβ)x1 , (αβ)x2 )
(2)
= (αβx1 , αβx2 ). (g.1)

α(βx) = α(β(x1 , x2 ))
(1)
= α(βx1 , βx2 )
(1)
= (α(βx1 ), α(βx2 ))
(2)
= (αβx1 , αβx2 ). (g.2)

(1) por definição da operação multiplicação de um vector por um es-


calar.

(2) pela propriedade associativa da multiplicação de números reais.

Como as expressões (g.1) e (g.2) são iguais, conclui-se que a proprie-


dade (g) válida.

Propriedade (h)

Definição geral:

∀x ∈ V : 1 ⊙ x = x.

Exemplo presente:

∀x = (x1 , x2 ) ∈ R2 : 1x = x.
88 4 Espaços Vectoriais

1x = 1(x1 , x2 )
(1)
= (1x1 , 1x2 )
(2)
= (x1 , x2 )

= x.

(1) por definição da operação multiplicação de um vector por um es-


calar.

(2) 1 é o elemento neutro da multiplicação de reais.

Assim, conclui-se que a propriedade (h) é válida.

Assim, uma vez que as oito propriedades da definição 4.2def de


espaço vectorial são verificadas, conclui-se que o conjunto R2 com as
operações usuais é um espaço vectorial real.

4.8exe Mostre que os seguintes conjuntos com as operações usuais são espaços
vectoriais reais:

(a) Kn .

(b) Mm×n (K).

(c) K[x].

(d) C(a, b).

res (a) Exercício.

(b) Exercício.

(c) Exercício.

(d) Exercício.
4.1 Apontamentos sobre Espaços Vectoriais 89

4.9exe Mostre que o conjunto Mn×n (R) com as operações

⊕ : Mn×n (R) × Mn×n (R) −→ Mn×n (R)


(A, B) 7−→ A ⊕ B = AT + B T

⊙: R × Mn×n (R) −→ Mn×n (R)


(α, A) 7−→ α ⊙ A = αA,
não define um espaço vectorial real.

res Para resolver este exercício é necessário identificar (pelo menos) uma
propriedade da definição 4.2def que não é satisfeita. No entanto,
e por questões didácticas, vai-se verificar todas as propriedades (ape-
sar de não se explicitar na resolução deste exercício, esta faz uso das
propriedades das operações com matrizes).

Note-se que neste exercício, uma vez que a definição de uma das ope-
rações não é a usual — soma de elementos de Mn×n (R) —, usa-se a
notação x ⊕ y e α ⊙ x.

Propriedade (a)

Definição geral:

∀x, y ∈ V : x ⊕ y = y ⊕ x.

Exemplo presente:

∀A, B ∈ Mn×n (R) : A ⊕ B = B ⊕ A.

A ⊕ B = AT + B T . (a.1)

B ⊕ A = B T + AT

= AT + B T . (a.2)
90 4 Espaços Vectoriais

Como as expressões (a.1) e (a.2) são iguais, conclui-se que a proprie-


dade (a) é válida.

Propriedade (b)

Definição geral:

∀x, y, z ∈ V : (x ⊕ y) ⊕ z = x ⊕ (y ⊕ z).

Exemplo presente:

∀A, B, C ∈ Mn×n (R) : (A ⊕ B) ⊕ C = A ⊕ (B ⊕ C).

(A ⊕ B) ⊕ C = (AT + B T ) ⊕ C

= (AT + B T )T + C T

= ((AT )T + (B T )T ) + C T

= A + B + CT . (b.1)

A ⊕ (B ⊕ C) = A ⊕ (B T + C T )

= AT + (B T + C T )T

= AT + ((B T )T + (C T )T )

= AT + B + C. (b.2)

Como existem elementos de Mn×n (R) tais que produzem expressões


diferentes para (b.1) e (b.2), conclui-se que a propriedade (b) não é
válida.

Propriedade (c)

Definição geral:

∃1 elemento de V (representado por 0V ), ∀x ∈ V : x ⊕ 0V = x.

Exemplo presente:
4.1 Apontamentos sobre Espaços Vectoriais 91

∃1 elemento de Mn×n (R) (representado por 0), ∀A ∈ Mn×n (R) : A ⊕


0 = A.

T
A ⊕ 0 = A ⇔ AT + 0 = A
T
⇔ 0 = A − AT

⇔ 0 = (A − AT )T

⇔ 0 = AT − A.

Assim, uma vez que 0 não é independente de A, conclui-se que a pro-


priedade (c) não é válida.

Propriedade (d)

Definição geral:

∀x ∈ V, ∃1 elemento de V (representado por −x) : x ⊕ (−x) = 0V .

Exemplo presente:

Esta propriedade não faz sentido verificar, uma vez que não existe
elemento neutro da soma (ver propriedade anterior).

Propriedade (e)

Definição geral:

∀α ∈ K, ∀x, y ∈ V : α ⊙ (x ⊕ y) = α ⊙ x ⊕ α ⊙ y.

Exemplo presente:

∀α ∈ R, ∀A, B ∈ Mn×n (R) : α ⊙ (A ⊕ B) = α ⊙ A ⊕ α ⊙ B.


92 4 Espaços Vectoriais

α ⊙ (A ⊕ B) = α ⊙ (AT + B T )

= α(AT + B T )

= αAT + αB T . (e.1)

α ⊙ A ⊕ α ⊙ B = αA ⊕ αB

= (αA)T + (αB)T

= αAT + αB T . (e.2)

Como as expressões (e.1) e (e.2) são iguais, conclui-se que a propriedade


(e) é válida.

Propriedade (f )

Definição geral:

∀α, β ∈ K, ∀x ∈ V : (α + β) ⊙ x = α ⊙ x ⊕ β ⊙ x.

Exemplo presente:

∀α, β ∈ R, ∀A ∈ Mn×n (R) : (α + β) ⊙ A = α ⊙ A ⊕ β ⊙ A.

(α + β) ⊙ A = (α + β)A

= αA + βA. (f.1)

α ⊙ A ⊕ β ⊙ A = αA ⊕ βA

= (αA)T + (βA)T

= αAT + βAT . (f.2)


4.1 Apontamentos sobre Espaços Vectoriais 93

Como existem elementos de Mn×n (R) tais que produzem expressões


diferentes para (f.1) e (f.2), conclui-se que a propriedade (f) não é
válida.

Propriedade (g)

Definição geral:

∀α, β ∈ K, ∀x ∈ V : (α · β) ⊙ x = α ⊙ (β ⊙ x).

Exemplo presente:

∀α, β ∈ R, ∀A ∈ Mn×n (R) : (α · β) ⊙ A = α ⊙ (β ⊙ A).

(α · β) ⊙ A = (αβ) ⊙ A

= αβA. (g.1)

α ⊙ (β ⊙ A) = α ⊙ (βA)

= αβA. (g.2)

Como as expressões (g.1) e (g.2) são iguais, conclui-se que a proprie-


dade (g) é válida.

Propriedade (h)

Definição geral:

∀x ∈ V : 1 ⊙ x = x.

Exemplo presente:

∀A ∈ Mn×n (R) : 1A = A.

1A = A.
94 4 Espaços Vectoriais

Assim, conclui-se que a propriedade (h) é válida.

Como as propriedades (b), (c), (d) e (f) da definição 4.2def não são
válidas, conclui-se que o conjunto Mn×n (R) com as operações dadas
não é um espaço vectorial real (volta-se a frisar que bastava uma pro-
priedade falhar para se concluir que não se estava perante um espaço
vectorial).

4.10exe Mostre que o conjunto R2 com as operações

⊕: R2 × R2 −→ R2
((a, b), (c, d)) 7−→ (a, b) ⊕ (c, d) = (0, b + d),

⊙: R × R2 −→ R2
(α, (a, b)) 7−→ α ⊙ (a, b) = (2αa, 2αb),

não define um espaço vectorial real.

res Para resolver este exercício é necessário identificar (pelo menos) uma
propriedade da definição 4.2def que não é satisfeita. No entanto, e
por questões didácticas, vai-se verificar todas as propriedades.

Note-se que neste exercício, uma vez que a definição das duas operações
não é a usual, usa-se a notação x ⊕ y e α ⊙ x.

Apesar de não se explicitar na resolução deste exercício, esta faz uso


das propriedades dos números reais.

Propriedade (a)

Definição geral:

∀x, y ∈ V : x ⊕ y = y ⊕ x.

Exemplo presente:
4.1 Apontamentos sobre Espaços Vectoriais 95

∀x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 : x ⊕ y = y ⊕ x.

x ⊕ y = (x1 , x2 ) ⊕ (y1 , y2 )

= (0, x2 + y2 ). (a.1)

y ⊕ x = (y1 , y2 ) ⊕ (x1 , x2 )

= (0, y2 + x2 )

= (0, x2 + y2 ). (a.2)

Como as expressões (a.1) e (a.2) são iguais, conclui-se que a proprie-


dade (a) é válida.

Propriedade (b)

Definição geral:

∀x, y, z ∈ V : (x ⊕ y) ⊕ z = x ⊕ (y ⊕ z).

Exemplo presente:

∀x = (x1 , x2 ), y = (y1 , y2 ), z = (z1 , z2 ) ∈ R2 : (x ⊕ y) ⊕ z = x ⊕ (y ⊕ z).


96 4 Espaços Vectoriais

(x ⊕ y) ⊕ z = ((x1 , x2 ) ⊕ (y1 , y2 )) ⊕ (z1 , z2 )

= (0, x2 + y2 ) + (z1 , z2 )

= (0, (x2 + y2 ) + z2 )

= (0, x2 + y2 + z2 ). (b.1)

x ⊕ (y ⊕ z) = (x1 , x2 ) ⊕ ((y1 , y2 ) ⊕ (z1 , z2 ))

= (x1 , x2 ) + (0, y2 + z2 )

= (0, x2 + (y2 + z2 ))

= (0, x2 + y2 + z2 ). (b.2)

Como as expressões (b.1) e (b.2) são iguais, conclui-se que a proprie-


dade (b) é válida.

Propriedade (c)

Definição geral:

∃1 elemento de V (representado por 0V ), ∀x ∈ V : x ⊕ 0V = x.

Exemplo presente:

∃1 elemento de R2 (representado por 0 = (a, b)), ∀x ∈ R2 : x ⊕ 0 = x.

x ⊕ 0 = x ⇔ (x1 , x2 ) ⊕ (a, b) = (x1 , x2 )

⇔ (0, x2 + b) = (x1 , x2 )

⇔ 0 = x1 ∧ x2 + b = x2

⇔ x1 = 0 ∧ b = 0.
4.1 Apontamentos sobre Espaços Vectoriais 97

Assim, conclui-se que a propriedade (c) não é satisfeita, pois não só o


vector 0 não é único, como não é possível que a relação fosse satisfeita
para qualquer elemento de x ∈ R2 .

Propriedade (d)

Definição geral:

∀x ∈ V, ∃1 elemento de V (representado por −x) : x ⊕ (−x) = 0V .

Exemplo presente:

Esta propriedade não faz sentido verificar, uma vez que não existe
elemento neutro da soma (ver propriedade anterior).

Propriedade (e)

Definição geral:

∀α ∈ K, ∀x, y ∈ V : α ⊙ (x ⊕ y) = α ⊙ x ⊕ α ⊙ y.

Exemplo presente:

∀α ∈ R, ∀x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 : α ⊙ (x ⊕ y) = α ⊙ x ⊕ α ⊙ y

α ⊙ (x ⊕ y) = α ⊙ ((x1 , x2 ) ⊕ (y1 , y2 ))

= α ⊙ (0, x2 + y2 )

= (0, 2α(x2 + y2 ))

= (0, 2αx2 + 2αy2 ). (e.1)

α ⊙ x ⊕ α ⊙ y = α ⊙ (x1 , x2 ) ⊕ α ⊙ (y1 , y2 )

= (2αx1 , 2αx2 ) ⊕ (2αy1 , 2αy2 )

= (0, 2αx2 + 2αy2 ). (e.2)


98 4 Espaços Vectoriais

Como as expressões (e.1) e (e.2) são iguais, conclui-se que a propriedade


(e) é válida.

Propriedade (f )

Definição geral:

∀α, β ∈ K, ∀x ∈ V : (α + β) ⊙ x = α ⊙ x ⊕ β ⊙ x.

Exemplo presente:

∀α, β ∈ R, ∀x = (x1 , x2 ) ∈ R2 : (α + β) ⊙ x = α ⊙ x ⊕ β ⊙ x.

(α + β) ⊙ x = (α + β) ⊙ (x1 , x2 )

= (2(α + β)x1 , 2(α + β)x2 )

= (2αx1 + 2βx1 , 2αx2 + 2βx2 ). (f.1)

α ⊙ ⊕xβ ⊙ x = α ⊙ (x1 , x2 ) ⊕ β ⊙ (x1 , x2 )

= (2αx1 , 2αx2 ) ⊕ (2βx1 , 2βx2 )

= (0, 2αx2 + 2βx2 ). (f.2)

Como existem elementos de R2 tais que produzem expressões diferentes


para (f.1) e (f.2), conclui-se que a propriedade (f) não é válida.

Propriedade (g)

Definição geral:

∀α, β ∈ K, ∀x ∈ V : (α · β) ⊙ x = α ⊙ (β ⊙ x).

Exemplo presente:

∀α, β ∈ KR, ∀x = (x1 , x2 ) ∈ R2 : (α · β) ⊙ x = α ⊙ (β ⊙ x).


4.1 Apontamentos sobre Espaços Vectoriais 99

(α · β) ⊙ x = (α · β) ⊙ (x1 , x2 )

= (2(αβ)x1 , 2(αβ)x2 )

= (2αβx1 , 2αβx2 ). (g.1)

α ⊙ (β ⊙ x) = α ⊙ (β ⊙ (x1 , x2 ))

= α ⊙ (2βx1 , 2βx2 )

= (2α(2βx1 ), 2α(2βx2 ))

= (4αβx1 , 4αβx2 ). (g.2)

Como existem elementos de R2 tais que produzem expressões diferentes


para (g.1) e (g.2), conclui-se que a propriedade (g) não é válida.

Propriedade (h)

Definição geral:

∀x ∈ V : 1 ⊙ x = x.

Exemplo presente:

∀x = (x1 , x2 ) ∈ R2 : 1 ⊙ x = x.

1x = 1(x1 , x2 )

= (2x1 , 2x2 )

6= (x1 , x2 )

= x.

Assim, conclui-se que a propriedade (h) não é válida.


100 4 Espaços Vectoriais

Como as propriedades (c), (d), (f), (g) e (h) da definição 4.2def


não são satisfeitas, conclui-se que o conjunto R2 com as operações
dadas não é um espaço vectorial real (volta-se a frisar que bastava
uma propriedade não se verificar para se concluir que não se estava
perante um espaço vectorial).

4.11teo Seja V um espaço vectorial. Então,

(a) ∀α ∈ K : α0V = 0V .

(b) ∀x ∈ V : 0x = 0V .

(c) ∀α ∈ K, ∀x ∈ V : −(αx) = (−α)x e (−α)(−x) = αx.

(d) ∀α ∈ K, ∀x ∈ V : αx = 0V ⇒ (α = 0 ∨ x = 0V ).

(e) ∀α, β ∈ K, ∀x ∈ V \ {0V } : αx = βx ⇒ α = β.

(f) ∀x1 , x2 ∈ V : x1 + x = x2 ⇒ x = x2 − x1 .

(g) ∀x, x1 , x2 ∈ V : x + x1 = x + x2 ⇒ x1 = x2 .

4.12def JsubespaçoK Sejam o espaço vectorial (V, ⊕, ⊙, K, +, ·) e F um subcon-


junto não-vazio de V . Diz-se que F é um subespaço V se (F, ⊕, ⊙, K, +, ·)
ainda for espaço vectorial.

4.13teo Sejam V um espaço vectorial sobre K e F ⊂ V . Então, F é um


subespaço de V se e só se:

(a) 0V ∈ F .

(b) ∀x, y ∈ F : x + y ∈ F .

(c) ∀α ∈ K, ∀x ∈ F : αx ∈ F .

4.14obs Note-se que o teorema 4.13teo é um processo mais prático de verificar


se um subconjunto de um espaço vectorial é um subespaço do que a
definição 4.12def .
4.1 Apontamentos sobre Espaços Vectoriais 101

4.15exe Mostre que F = {(x1 , x2 ) ∈ R2 |x2 = 0} é um subespaço de R2 .

res Sendo F ⊂ R2 , verifiquem-se as três propriedades do teorema 4.13teo :

Propriedade (a)

0R2 = (0, 0) ∈ F , pelo que a propriedade (a) é válida.

Propriedade (b)

Sejam x = (x1 , 0), y = (y1 , 0) ∈ F . Então, x + y = (x1 , 0) + (y1 , 0) =


(x1 + y1 , 0) ∈ F , pelo que a propriedade (b) é válida.

Propriedade (c)

Sejam α ∈ K e x = (x1 , 0) ∈ F . Então, αx = α(x1 , 0) = (αx1 , 0) ∈ F ,


pelo que a propriedade (c) é válida.

Conclui-se, assim, que F é um subespaço de R2 .

4.16exe Mostre que o conjunto das matrizes simétricas de ordem n é um sub-


espaço de Mn×n (K).

res Seja F o conjunto das matrizes simétricas de ordem n, i.e., F = {A ∈


Mn×n (K)|A = AT }, que é um subconjunto de Mn×n (K). Verifiquem-
se, agora, as três propriedades do teorema 4.13teo :

Propriedade (a)

0Mn×n (K) = 0n×n ∈ F , pelo que a propriedade (a) é válida.

Propriedade (b)

Sejam A, B ∈ F . Então, (A + B)T = AT + B T = A + B, A + B ∈ F ,


pelo que a propriedade (b) é válida.

Propriedade (c)
102 4 Espaços Vectoriais

Sejam α ∈ K e A ∈ F . Então, como (αA)T = αAT = αA, αA ∈ F ,


pelo que a propriedade (c) é válida.

Conclui-se, assim, que F é um subespaço de Mn×n (K).

4.17exe Mostre que:

(a) O conjunto das matrizes reais e diagonais de ordem n é um sub-


espaço de Mn×n (R).

(b) Kn [x] é um subespaço de K[x].

(c) C k (a, b) é um subespaço de C(a, b)

(d) C ∞ (a, b) é um subespaço de C k (a, b).

(e) {0V } é um subespaço de V .

(f) V é um subespaço de V .

res (a) Exercício.

(b) Exercício.

(c) Exercício.

(d) Exercício.

(e) Exercício.

(f) Exercício.

4.18exe Mostre que o conjunto G = {(x1 , x2 ) ∈ R2 |x2 = 1} não é um subespaço


de R2 .

res Para resolver este exercício é necessário identificar (pelo menos) uma
propriedade do teorema 4.13teo que não é satisfeita. No entanto, e
por questões didácticas, vai-se verificar todas as propriedades.
4.1 Apontamentos sobre Espaços Vectoriais 103

Sendo G ⊂ R2 , verifiquem-se as três propriedades do teorema 4.13teo :

Propriedade (a)

/ G, pelo que a propriedade (a) não é válida.


0R2 = (0, 0) ∈

Propriedade (b)

Sejam x = (x1 , 1), y = (y1 , 1) ∈ G. Então, x + y = (x1 , 1) + (y1 , 1) =


/ G, pelo que a propriedade (b) não é válida.
(x1 + y1 , 2) ∈

Propriedade (c)

Sejam α ∈ K e x = (x1 , 1) ∈ G. Então, αx = α(x1 , 1) = (αx1 , α) ∈


/ G,
pelo que a propriedade (c) não é válida.

Como as propriedades (a), (b) e (c) do teorema 4.13teo não são satis-
feitas, conclui-se que o conjunto G não é um subespaço de R2 (volta-se
a frisar que bastava uma propriedade não se verificar para se concluir
que não se estava perante um subespaço).

4.19exe Mostre que o conjunto das matrizes hermíticas de ordem n não é um


subespaço de Mn×n (C).

res Seja F o conjunto das matrizes hermíticas de ordem n, i.e., F = {A ∈


Mn×n (C)|A = AH }, que é um subconjunto de Mn×n (C). Verifiquem-
se, agora, as três propriedades do teorema 4.13teo :

Propriedade (a)

0Mn×n (C) = 0n×n ∈ F , pelo que a propriedade (a) é válida.

Propriedade (b)

Sejam A, B ∈ F . Então, como (A + B)H = AH + B H = A + B,


A + B ∈ F , pelo que a propriedade (b) é válida.
104 4 Espaços Vectoriais

Propriedade (c)

Sejam α ∈ K e A ∈ F . Então, como (αA)H = αAH = αA, αA ∈


/ F.

Assim, conclui-se que a propriedade (c) não é válida.

Como a propriedade (c) do teorema 4.13teo não é satisfeita, conclui-


se que o conjunto G não é um subespaço de Mn×n (C).

4.20teo Seja A ∈ Mm×n (K). Então, CSAx=0 é um subespaço de Kn .

dem Para mostrar que CSAx=0 ⊂ Kn é um subespaço de Kn , aplique-se o


teorema 4.13teo (no que se segue identifia-se Kn com Mn×1 (K)):

Propriedade (a)

Seja Como A0n×1 = 0, tem-se que 0Kn = 0n×1 ∈ CSAx=0 , pelo que a
propriedade (a) é válida.

Propriedade (b)

Sejam x1 , x2 ∈ CSAx=0 . Então, como A(x1 + x2 ) = Ax1 + Ax2 =


0 + 0 = 0, tem-se que x1 + x2 ∈ CSAx=0 , pelo que a propriedade (b) é
válida.

Propriedade (c)

Sejam α ∈ K e x ∈ CSAx=0 . Então, como A(αx) = α(Ax) = α0 = 0,


tem-se que αx ∈ CSAx=0 , pelo que a propriedade (c) é válida.

Assim, conclui-se que CSAx=0 é um subespaço de Kn .

4.21def Jcombinação linearK Sejam V um espaço vectorial sobre K, x ∈ V e


S = {x1 , . . . , xk } ⊂ V . Diz-se que x é uma combinação linear dos
elementos de S se

∃α1 , . . . , αk ∈ K : x = α1 x1 + · · · + αk xk .
4.1 Apontamentos sobre Espaços Vectoriais 105

4.22exe Sejam x = (1, 4), x1 = (1, 2), x2 = (1, 1) e x3 = (2, 2).

(a) Mostre que x = (1, 4) é uma combinação linear de x1 = (1, 2) e


x2 = (1, 1) e escreva x como combinação linear de x1 e de x2 .

(b) Mostre que x = (1, 4) é uma combinação linear de x1 = (1, 2),


x2 = (1, 1) e x3 = (2, 2).

(c) Mostre que x = (1, 4) não é uma combinação linear de x2 = (1, 1)


e x3 = (2, 2).

res (a) Mostrar que x = (1, 4) é uma combinação linear de x1 = (1, 2) e


x2 = (1, 1) é, por definição, mostrar que

∃α, β ∈ R : x = αx1 + βx2 ,

i.e., que é possível o sistema de equações lineares (Sa ) dado por



 α + β = 1
(1, 4) = α(1, 2) + β(1, 1) ⇔
 2α + β = 4.

Então, como
   
1 1 1 ←−−−−−−−−−→ 1 1 1
   ,
2 1 4 ℓ2 ← ℓ2 − 2ℓ1 0 −1 2
a característica da matriz dos coeficientes é igual à característica
da matriz ampliada, pelo que o sistema (Sa ) é possível, concluindo-
se que x é uma combinação linear de x1 e x2 . Para escrever x como
combinação linear de x1 e x2 , resolve-se o sistema (Sa ), tendo-se

 α = 3
 β = −2,

vindo

x = 3x1 − 2x2 .
106 4 Espaços Vectoriais

(b) Mostrar que x = (1, 4) é uma combinação linear de x1 = (1, 2),


x2 = (1, 1) e x3 = (2, 2) é, por definição, mostrar que

∃α, β, γ ∈ R : x = αx1 + βx2 + γx3 ,

i.e., que é possível o sistema de equações lineares (Sb ) dado por

(1, 4) = α(1, 2) + β(1, 1) + γ(2, 2) ⇔



 α + β + 2γ = 1
 2α + β + 2γ = 4.

Então, como
   
1 1 2 1 ←−−−−−−−−−→ 1 1 2 1
   ,
2 1 2 4 ℓ2 ← ℓ2 − 2ℓ1 0 −1 −2 2

a característica da matriz dos coeficientes é igual à característica


da matriz ampliada, pelo que o sistema (Sb ) é possível, concluindo-
se que x é uma combinação linear de x1 , x2 e x3 . Para escrever x
como combinação linear de x1 , x2 e x3 , resolve-se o sistema (Sb ),
tendo-se


 α = 3


β = −2 − 2a



 γ = a ∈ R,

vindo

x = 3x1 + (−2 − 2a)x2 + ax3 , a ∈ R.

(c) Mostrar que x = (1, 4) não é uma combinação linear de x2 = (1, 1)


e x3 = (2, 2) é equivalente a mostrar que é impossível o sistema
4.1 Apontamentos sobre Espaços Vectoriais 107

de equações lineares (Sc ) dado por



 α + β = 1
(1, 4) = α(1, 1) + β(2, 2) ⇔
 α + β = 4.

Então, como
   
1 1 1 ←−−−−−−−−−→ 1 1 1
   ,
1 1 4 ℓ2 ← ℓ2 − ℓ1 0 0 3

a característica da matriz dos coeficientes é menor do que a carac-


terística da matriz ampliada, o sistema (Sc ) é impossível, concluindo-
se que x não é uma combinação linear de x2 e x3 .

4.23def Jespaço gerado, L(S), hx1 , . . . , xn iK Sejam V um espaço vectorial sobre


K e S = {x1 , . . . , xn } ⊂ V . Chama-se espaço gerado pelo conjunto S,
que se representa por L(S) ou por hx1 , . . . , xn i, ao conjunto de todas
as combinações lineares dos elementos de S.

4.24teo Sejam V um espaço vectorial sobre K e S = {x1 , . . . , xn } ⊂ U ⊂.


Então,

(a) L(S) é um subespaço de V .

(b) U subespaço de V ⇒ L(S) ⊂ U .

4.25obs Sejam V um espaço vectorial K e S = {x1 , . . . , xn } ⊂ V . Então,

(a) L(S) = {α1 x1 + · · · + αn xn |α1 , . . . , αn ∈ K}.

(b) Chama-se “espaço gerado” ao conjunto L(S) devido à alínea (a)


do teorema anterior.

(c) L(S) é o “menor” subespaço de V que contém S no sentido da


alínea (b) do teorema anterior..
108 4 Espaços Vectoriais

4.26def Jconjunto geradorK Sejam V um espaço vectorial sobre K e S = {x1 , . . . , xn } ⊂


V . Diz-se que S é um conjunto gerador de V se V = L(S).

4.27obs Sejam V um espaço vectorial sobre K e S = {x1 , . . . , xn } ⊂ V . Então,


S é um conjunto gerador de V se

∀x ∈ V, ∃α1 , . . . , αn ∈ K : x = α1 x1 + · · · + αn xn ,

i.e., que é possível o sistema de equações lineares x = α1 x1 +· · ·+αn xn ,


qualquer que seja x ∈ V .

4.28exe (a) Verifique se R2 = h(2, 0)i.

(b) Verifique se R2 = h(2, 0), (3, 4)i.

(c) Verifique se R2 = h(2, 0), (3, 4), (0, 1)i.

res (a) Verificar se R2 = h(2, 0)i é equivalente a verificar se, qualquer que
seja x = (x1 , x2 ) ∈ R2 , é possível o sistema de equações lineares
(S1 ) dado por

 2α = x1
(x1 , x2 ) = α(2, 0) ⇔
 0α = x .
2

Então, como a representação matricial do sistema (S1 ) é


 
1 x1
 ,
0 x2

que já está em escada, a característica da matriz dos coeficientes


é menor do que a característica da matriz ampliada se x2 6= 0,
pelo que o sistema (S1 ) nem sempre é possível, concluindo-se que
R2 6= h(1, 0)i, i.e., {(2,0)} não é um conjunto gerador de R2 .
4.1 Apontamentos sobre Espaços Vectoriais 109

(b) Verificar se R2 = h(2, 0), (3, 4)i é equivalente a verificar se, qual-
quer que seja x = (x1 , x2 ) ∈ R2 , é possível o sistema de equações
lineares (S2 ) dado por

 2α + 3β = x1
(x1 , x2 ) = α(2, 0) + β(3, 4) ⇔
 0α + 4β = x .
2

Então, como a representação matricial do sistema (S2 ) é


 
2 3 x1
 ,
0 4 x2

que já está em escada, a característica da matriz dos coeficientes


é igual à característica da matriz ampliada qualquer que seja
x = (x1 , x2 ) ∈ R2 , pelo que o sistema (S2 ) é sempre possível,
concluindo-se que R2 = h(2, 0), (3, 4)i, i.e., {(2,0),(3,4)} é um
conjunto gerador de R2 .

(c) Verificar se R2 = h(2, 0), (3, 4), (0, 1)i é equivalente a verificar se,
qualquer que seja x = (x1 , x2 ) ∈ R2 , é possível o sistema de
equações lineares (S3 ) dado por

(x1 , x2 ) = α(2, 0) + β(3, 4) + γ(0, 1) ⇔



 2α + 3β + 0γ = x1
 0α + 4β + γ = x2 .
Então, como a representação matricial do sistema (S3 ) é
 
2 3 0 x1
 
0 4 1 x2

que já está em escada, a característica da matriz dos coeficientes


é igual à característica da matriz ampliada qualquer que seja
110 4 Espaços Vectoriais

x = (x1 , x2 ) ∈ R2 , pelo que o sistema (S3 ) é sempre possível,


concluindo-se que R2 = h(2, 0), (3, 4), (0, 1)i, i.e., {(2,0),(3,4),(0,1)}
é um conjunto gerador de R2 .

4.29obs (a) Um espaço vectorial pode admitir diversos conjuntos geradores.

(b) Cojuntos geradores distintos podem gerar o mesmo espaço vecto-


rial.

4.30def Sejam V um espaço vectorial sobre K e S = {x1 , . . . , xn } ⊂ V .

(a) Jconjunto linearmente independenteK Diz-se que S é um conjunto


linearmente independente se

∀α1 , . . . , αn ∈ K : α1 x1 +· · ·+αn xn = 0V ⇒ α1 = · · · = αn = 0.

(b) Jvectores linearmente independentesK Se S é um conjunto linear-


mente independente, os elementos de S dizem-se vectores linear-
mente independentes.

(c) Jconjunto linearmente dependenteK Se S não é um conjunto line-


armente independente, diz-se que S é um conjunto linearmente
dependente.

(d) Jvectores linearmente dependentesK Se S é um conjunto linear-


mente dependente, os elementos de S dizem-se vectores linear-
mente dependentes.

4.31exe (a) Indique, justificando, se {(2, 0)} é um conjunto linearmente inde-


pendente ou linearmente dependente.

(b) Indique, justificando, se {(2, 0), (3, 4)} é um conjunto linearmente


independente ou linearmente.
4.1 Apontamentos sobre Espaços Vectoriais 111

(c) Indique, justificando, se {(2, 0), (3, 4), (0, 1)} é um conjunto line-
armente independente ou linearmente dependente.

res (a) Como



 2α = 0
α(2, 0) = (0, 0) ⇔ ⇔ α = 0,
 0α = 0

conclui-se que {(2, 0)} é um conjunto linearmente independente.

(b) Como

α(2, 0) + β(3, 4) = (0, 0) ⇔


 
 2α + 3β = 0  α = 0,

 0α + 4β = 0  β = 0,

conclui-se que {(2, 0), (3, 4)} é um conjunto linearmente indepen-


dente.

(c) Como

(x1 , x2 )α(2, 0) + β(3, 4) + γ(0, 1) = (0, 0) ⇔



  α = 3a
 2α + 3β + 0γ = 0


 8 ,
⇔ β = − a4 ,
 0α + 4β + γ = 0 


 γ = a ∈ R,

conclui-se que {(2, 0), (3, 4), (0, 1)} é um conjunto linearmente de-
pendente.

4.32teo Sejam V um espaço vectorial e S1 ⊂ S = {x1 , . . . , xn } ⊂ S2 ⊂ V .

(a) Se S é um conjunto linearmente dependente, então, S2 é um con-


junto linearmente dependente.
112 4 Espaços Vectoriais

(b) se S é um conjunto linearmente independente, então, S1 é um


conjunto linearmente independente.

4.33def JbaseK Sejam V um espaço vectorial e S = {x1 , . . . , xn } ⊂ V . Diz-se


que S é uma base de V se S é um conjunto gerador de V linearmente
independente.

4.34exe (a) Indique, justificando, se {(2, 0)} é uma base de R2 .

(b) Indique, justificando, se {(2, 0), (3, 3)} é uma base de R2 .

(c) Indique, justificando, se {(2, 0), (3, 3), (0, 1))} é uma base de R2 .

res (a) Atendendo ao exercício 4.30exe (a), {(2, 0)} não é um conjunto
gerador de R2 , pelo que também não é uma sua base.

(b) Atendendo aos exercícios 4.30exe (b) e 4.35exe (b), {(2, 0), (3, 3)}
é um conjunto gerador de R2 linearmente independente, pelo que
é uma base de R2 .

(c) Atendendo ao exercício 4.30exe (c), {(2, 0), (3, 3), (0, 1)} não é
um conjunto linearmente independente, pelo que também não é
uma base de R2 .

4.35def Jbase ordenadaK Sejam V um espaço vectorial e S = (x1 , . . . , xn ) ∈ V n .


Diz-se que S é uma base ordenada de V se S = {x1 , . . . , xn } é uma
base de V .

4.36obs O objectivo da definição anterior é permitir distinguir entre ordenações


diferentes dos seus elementos, situação que não acontece em conjuntos.
Faz sentido, agora, a seguinte definição:

4.37def Jcoordenadas de um vector numa base ordenadaK Sejam V um espaço


vectorial, S = (x1 , . . . , xn ) uma base ordenada de V e x ∈ V . Chama-
4.1 Apontamentos sobre Espaços Vectoriais 113

se coordenadas do vector x relativamente à base ordenada S, que se


representa por [x]S , a (α1 , . . . , αn ) ∈ Kn se

x = α1 x1 + · · · + αn xn .

4.38obs Como uma base é um conjunto linearmente independente, o sistema


linear que é necessário resolver para determinar as coordenadas de um
vector numa base ordenada é sempre possível e determinado, pelo que
as coordenadas de um vector numa base ordenada são únicas.

4.39exe (a) Seja S1 = ((1, 0, 0), (0, 1, 0), (0, 0, 1)) uma base ordenada de R3 .
Determine as coordenadas de x = (0, 2, 3) na base ordenada S1 .

(b) Seja S2 = ((0, 1, 0), (1, 0, 0), (0, 0, 1)) uma base ordenada de R3 .
Determine as coordenadas de x = (0, 2, 3) na base ordenada S2 .

(c) Seja S3 = ((1, 1, 1), (0, 1, 1), (1, 0, 1)) uma base ordenada de R3 .
Determine as coordenadas de x = (0, 2, 3) na base ordenada S3 .

res (a) Como (0, 2, 3) = 0(1, 0, 0)+2(0, 1, 0)+3(0, 0, 1), tem-se que [x]S1 =
(0, 2, 3).

(b) Como (0, 2, 3) = 2(0, 1, 0)+0(1, 0, 0)+3(0, 0, 1), tem-se que [x]S2 =
(2, 0, 3).

(c) Para responder à questão, tem que se resolver o sistema

α(1, 1, 1) + β(0, 1, 1) + γ(1, 0, 1) = (0, 2, 3) ⇔




 α + γ = 0


α + β = 2



 α + β + γ = 3.
114 4 Espaços Vectoriais

Recorra-se, agora, ao método de Gauss:


   
1 0 1 0 ←−−−−−−−−−→ 1 0 1 0
   
   
 1 1 0 2  ℓ2 ← ℓ2 − ℓ1  0 1 −1 2 
   
1 1 1 3 ℓ3 ← ℓ3 − ℓ1 0 1 0 3
 
←−−−−−−−−−→ 1 0 1 0
 
 
 0 1 −1 2  ,
 
ℓ3 ← ℓ3 − ℓ1 0 0 1 1

tendo-se


 α = −1,


β = 3,



 γ = 1,

pelo que (0, 2, 3) = −(1, 1, 1)+3(0, 1, 1)+(1, 0, 1), ou seja, [x]S3 =


(−1, 3, 1).

4.40exe Seja S = ([ 10 00 ] , [ 00 10 ] , [ 01 00 ] , [ 00 01 ]) uma base ordenada de M2×2 (R).


 3
Determine as coordenadas de A = −2 5 4 na base ordenada S2 .

 −2 3 
res Como 5 4 = −2 [ 10 00 ] + 3 [ 00 10 ] + 5 [ 01 00 ] + 4 [ 00 01 ], tem-se que [A]S =
(−2, 3, 5, 4).

4.41teo Sejam V um espaço vectorial e o conjunto {x1 , . . . , xn } uma base de


V . Então, todas as bases de V têm n vectores.

4.42def Jdimensão de um espaço vectorial, dim(V ), espaço vectorial de dimen-


são finitaK Sejam V um espaço vectorial e {x1 , . . . , xn } uma base de
V . Chama-se dimensão do espaço vectorial V ao número de elementos
que constituem a base, escrevendo-se dim(V ) = n. Diz-se, ainda, que
V é um espaço vectorial de dimensão finita.
4.1 Apontamentos sobre Espaços Vectoriais 115

4.43obs (a) Note-se que a definição anterior faz sentido pois o teorema que a
precede garante que todas as bases de um espaço vectorial têm o
mesmo número de elementos.

(b) Seja V um espaço vectorial. Então, dim({0V }) = 0.

4.44teo (a) dim(R3 ) = 3 e


{e1 , e2 , e3 }, e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1), e
{f1 , f2 , f3 }, f1 = (−1, 0, 0), f2 = (0, 1, 1), f3 = (1, 1, 1), são dois
exemplos de bases de R3 (à primeira chama-se base canónica de
R3 ).

(b) dim(Rn ) = n.

(c) dim(M2×3 (R)) = 6 e {E11 , E12 , E13 , E21 , E22 , E23 }, em que

E11 = [ 10 00 00 ] , E12 = [ 00 10 00 ] , E13 = [ 00 00 10 ] ,

E21 = [ 01 00 00 ] , E22 = [ 00 01 00 ] , E23 = [ 00 00 01 ] ,

é uma base de M2×3 (R) (base canónica de M2×3 (R)).

(d) dim(Mm×n (R)) = mn.

(e) dim(R2 [x]) = 3 e {1, x, x2 } é uma base de R2 [x] (base canónica


de R2 [x]).

(f) dim(Rn [x]) = n + 1.

(g) C(a, b) não é um espaço vectorial de dimensão finita.

4.45teo Seja V um espaço vectorial tal que dim(V ) = n e S um subconjunto


de V com n elementos.

(a) Se S é um conjunto linearmente independente, então S é uma


base de V .
116 4 Espaços Vectoriais

(b) Se S é um conjunto gerador de V , então S é uma base de V .

4.46teo Sejam V um espaço vectorial com dimensão finita e X e Y subespaços


de V . Então,

(a) dim(X) 6 dim(V ).

(b) dim(X) = dim(V ) se e só se X = V .

4.47def Jespaço nulo de uma matrizK Seja A ∈ Mm×n (K). Chama-se espaço
nulo da matriz A, que se representa por N (A), a CSAx=0 .

4.48teo Seja A ∈ Mm×n (K).

(a) dim(hℓ1,A ; . . . ; ℓm,A i = c(A).

(b) dim(hc1,A ; . . . ; cn,A i = c(A).

(c) dim(N (A)) é igual ao número de variáveis livres do sistema Ax =


0.

4.49obs Seja A ∈ Mn×n (K). Então,

(a) {c1,A , . . . , cn,A } é um conjunto linearmente dependente se é só se


det(A) = 0.

(b) {c1,A , . . . , cn,A } é um conjunto linearmente independente se é só


se det(A) 6= 0.

(c) {ℓ1,A , . . . , ℓn,A } é um conjunto linearmente dependente se é só se


det(A) = 0.

(d) {ℓ1,A , . . . , ℓn,A } é um conjunto linearmente independente se é só


se det(A) 6= 0.

4.50exe Determine o espaço nulo e a sua dimensão das seguintes matrizes:


4.1 Apontamentos sobre Espaços Vectoriais 117

(a) A = [ 12 02 ].

(b) B = [ 12 12 10 12 ].

res (a)
   
1 0 0 ←−−−−−−−−−→ 1 0 0
   ⇒
2 2 0 ℓ2 ← ℓ2 − 2ℓ1 0 2 0

 x1 = 0

 x = 0,
2

ou seja,

N (A) = {(0, 0)}.

Como o sistema não tem variáveis livres, tem-se que dim(N (A)) =
0.

(b) Comece-se por determinar N (B):


   
1 1 1 1 0 ←−−−−−−−−−→ 1 1 1 1 0
   ⇒
2 2 0 2 0 ℓ2 ← ℓ2 − 2ℓ1 0 0 −2 0 0


 x1 = −α − β,




 x2 = α ∈ R,

 x3 = 0




 x = β ∈ R,
4

ou seja,

N (B) = {(−α − β, α, 0, β)|α, β ∈ R}

= {α(−1, 1, 0, 0) + β(−1, 0, 0, 1)|α, β ∈ R}

= h(−1, 1, 0, 0), (−1, 0, 0, 1)i.


118 4 Espaços Vectoriais

Assim, {(−1, 1, 0, 0), (−1, 0, 0, 1)} é uma base de N (B) pois é um


conjunto linearmente independente (verificar).

4.51obs Seja V um espaço vectorial tal que dim(V ) = n. Então,

(a) quaisquer m vectores de V com m > n são linearmente depen-


dentes.

(b) C conjunto de geradores de V ⇒ #C > n.

(c) C conjunto de n vectores linearmente independentes de V ⇒ C


conjunto gerador.

(d) C conjunto de n vectores geradores de V ⇒ os vectores são line-


armente independentes.

(e) C conjunto de geradores de V constituído por vectores linear-


mente independentes ⇒ #C = n.
4.2 Exercı́cios sobre Espaços Vectoriais 119

4.2 Exercı́cios sobre Espaços Vectoriais

4.1exe Mostre que o conjunto R+ com as operações

⊕ : R+ × R+ −→ R+
(x, y) 7−→ x ⊕ y = xy,

⊙: R × R+ −→ R+
(α, x) 7−→ α ⊙ x = xα

é um espaço vectorial real.

4.2exe Mostre que o conjunto R com as operações

⊕ : R × R −→ R
(x, y) 7−→ x ⊕ y = x + y + 1,

⊙ : R × R −→ R
αx + α + x − 1
(α, x) 7 → α⊙x=

2
é um espaço vectorial real.

4.3exe Mostre que os seguintes conjuntos com as operações indicadas não são
espaços vectoriais reais, identificando as propriedades da definição de
espaço vectorial que não são verificadas:

(a) R2 , (a, b) ⊕ (c, d) = (a, b) e α ⊙ (a, b) = (αa, αb).

(b) R2 , (x1 , x2 ) ⊕ (y1 , y2 ) = (x1 + y1 , x2 + y2 ) e α ⊙ (x1 , x2 ) =


(α2 x1 , α2 x2 ).

(c) R3 , (x1 , x2 , x3 )⊕(y1 , y2 , y3 ) = (x1 +y1 , 0, x2 +y2 ) e α⊙(x1 , x2 , x3 ) =


(αx1 , αx2 , αx3 ).
120 4 Espaços Vectoriais

4.4exe Mostre que o conjunto R+ com as operações

⊕ : R+ × R+ −→ R+
(x, y) 7−→ x ⊕ y = xy ,

⊙: R × R+ −→ R+
(α, x) 7−→ α ⊙ x = xα

não é um espaço vectorial real, identificando as propriedades da definição


de espaço vectorial que não são verificadas.

4.5exe Averigue se os seguintes conjuntos são subespaços de R3 :

(a) S1 = {(x, y, z) ∈ R3 : x = y}.

(b) S2 = {(x, y, z) ∈ R3 : x = y + 2}.

4.6exe Escreva, se possível, o vector v = (3, 3) ∈ R2 como combinação linear


dos seguintes vectores de R2 , e interprete geometricamente os resulta-
dos obtidos:

(a) v1 = (1, 1).

(b) v1 = (1, 2).

(c) v1 = (1, 2), v2 = (4, 2).

(d) v1 = (1, 1), v2 = (2, 2).

(e) v1 = (1, −1), v2 = (−1, 1).

(f) v1 = (1, −1), v2 = (0, 1), v3 = (2, 0).

4.7exe Sejam u = (1, 2, −4), v = (2, 5, −6), w = (1, −1, −10), r = (1, 0, α) ∈
R3 .

(a) Escreva o vector w como combinação linear de u e v.


4.2 Exercı́cios sobre Espaços Vectoriais 121

(b) Indique para que valores de α ∈ R o vector r é uma combinação


linear de u e v.

4.8exe Escreva u = 5t2 − 8t + 6 como combinação linear de v = t2 − t e


w = 2t2 − 4.

4.9exe Indique quais dos seguintes conjuntos de vectores são conjuntos ger-
adores do espaço vectorial R2 .

(a) A = {(1, 0), (0, 1)}.

(b) B = {(1, 2), (−1, 0)}.

(c) C = {(1, 0), (0, 1), (1, 3)}.

(d) D = {(1, 2)}.

(e) E = {(1, 2), (2, 4), (−1, −2)}.

(f) F = {(1, −1), (−2, 2)}.

4.10exe Seja X = {(1, 0, α), (α, β, β), (1, 0, 0), (0, 0, 1)} ⊂ R3 . Indique para que
valores de α e β o conjunto X é um conjunto gerador de R3 .

4.11exe Verifique se os seguintes conjuntos são linearmente independentes:

(a) {(3, 1), (4, 2)} em R2 .

(b) {(3, 1), (4, −2), (7, 2)} em R2 .

(c) {(0, −3, 1), (2, 4, 1), (−2, 8, 5)} em R3 .

(d) {(−1, 2, 0, 2), (5, 0, 1, 1), (8, −6, 1, −5)} em R4 .

4.12exe Indique para que valores do parâmetro real α, os vectores a = (1, −2)
e b = (α, −1) de R2 são linearmente independentes.
122 4 Espaços Vectoriais

4.13exe Considere no espaço vectorial real R3 os vectores v1 = (α1 , β1 , 1) e


v2 = (α2 , β2 , 0) em que α1 , α2 , β1 , β2 ∈ R são constantes reais. Indique,
em função de α1 , α2 , β1 e β2 uma condição necessária e suficiente para
os vectores v1 e v2 serem linearmente independentes.

4.14exe Considere o espaço vectorial real R3 e um seu subespaço S = {(x, y, z) ∈


R3 |x = y}. Determine dois vectores linearmente independentes u e v
de S e mostre que qualquer vector w ∈ S é uma combinação linear de
u e v.

4.15exe Mostre que o conjunto


         

 1 1 0 0 0 0 1 0 0 1 


         

         
0 0 , 1 1 , 0 0 , 1 0 , 0 1

          


 0 0 
0 0 1 1 1 0 0 1 

é linearmente independente.

4.16exe Sejam V um espaço vectorial e {v1 , v2 , v3 } um conjunto de vectores de


V linearmente independente. Então, mostre que os seguintes conjuntos
também são linearmente independentes:

(a) {v1 , v1 + v2 }.

(b) {2v1 , v1 + v2 , −v1 + v3 }.

(c) {v1 + v2 , v1 + v3 , v2 + v3 }.

4.17exe Considere no espaço vectorial real R2 [x] os vectores u = 1, v = 1 − x


e w = (1 − x)2 . Verifique que os vectores u, v e w são linearmente
independentes.

4.18exe Averigue quais dos seguintes conjuntos de vectores são bases de R2 :


4.2 Exercı́cios sobre Espaços Vectoriais 123

(a) A = {(1, 1), (3, 0)}.

(b) B = {(1, 1), (0, 2), (2, 3)}.

(c) C = {(1, 1), (0, 8)}.

(d) D = {(1, −2), (−2, 4)}.

4.19exe Averigue quais dos seguintes conjuntos de vectores são bases de R3 [x]:

(a) A = {1, x, x2 , x3 }.

(b) B = {1, 1 + x, 1 + x + x2 , 1 + x + x2 + x3 , x3 }.

(c) C = {2, x, x2 + x3 , x + x2 + x3 }.

(d) D = {1, 1 + x, x2 + x3 }.

4.20exe Determine os valores do parâmetro α para os quais o conjunto {(α, 6), (1, α)}
é uma base de R2 .

4.21exe Considere o seguinte subconjunto do espaço vectorial real R4 :

V = {(x, y, z, w) ∈ R4 |x = y − 3z ∧ z = 2w}.

(a) Mostre que V é um subespaço vectorial de R4 .

(b) Determine uma base e a dimensão de V .

4.22exe Sejam F = {(x, y, z) ∈ R3 |z = 0} um subconjunto de R3 e u1 =


(0, 2, 0), u2 = (1, 0, 0) e u3 = (−1, 6, 0) três vectores de R3 .

(a) Mostre que F é subespaço vectorial de R3 .

(b) Verifique que F = hu1 , u2 , u3 i.

(c) O conjunto {u1 , u2 , u3 } é uma base de F ?

(d) Indique a dimensão de F .


124 4 Espaços Vectoriais

4.23exe Sejam V um espaço vectorial, v1 , v2 , v3 e v4 vectores de V e {v1 , v2 }


uma base de V .

(a) A = {v1 , v2 , v3 , v4 } é um conjunto gerador de V ?

(b) A é constituído por vectores linearmente independentes?

(c) B = {v1 } é um conjunto gerador de V ?

(d) B é constituído por vectores linearmente independentes?

(e) Seja C um subconjunto de V que gera V . Que pode dizer sobre


o número de vectores de C?

(f) Seja D um subconjunto de V constituído por vectores linearmente


independentes. Que pode dizer sobre o número de vectores de D?

(g) Em que condições é que E = {v1 , v4 } é um conjunto gerador de


V?
4.3 Soluções dos Exercı́cios sobre Espaços Vectoriais 125

4.3 Soluções dos Exercı́cios sobre Espaços Vectoriais

4.3sol (a) Propriedades (a), (c), (d) e (f).

(b) Propriedades (f).

(c) Propriedades (c), (d) e (f).

4.4sol (a), (b), (f)

4.5sol (a) Sim.

(b) Não.

4.6sol (a) v = 3v1 .

(b) v não é uma combinação linear de v1 .

(c) v = v1 + 12 v2 .
3−α
(d) v = αv1 + 2 v2 , α ∈ R.

(e) v não é uma combinação linear de v1 e v2 .


6−β
(f) v = (β − 3)v1 + βv2 + 2 v3 , β ∈ R.

4.7sol (a) w = 7u − 3v.

(b) α = −8.

4.8sol u = 8v − 32 w.

4.9sol A, B e C.

4.10sol α ∈ R, β ∈ R \ {0}.

4.11sol (a) Sim.

(b) Não.

(c) Sim.
126 4 Espaços Vectoriais

(d) Não.

4.12sol α ∈ R \ { 12 }.

4.13sol α1 ∈ R, α2 ∈ R \ {0}, β1 ∈ R, β2 ∈ R \ {0}.

4.18sol A e C.

4.19sol A.
√ √
4.20sol α ∈ R \ {− 6, 6}.

4.21sol (b) Por exemplo, o conjunto {(1, 1, 0, 0), (−6, 0, 2, 1)} é uma base de
V e dim(V ) = 2.

4.22sol (c) Não.

(d) dim(F ) = 2.

4.23sol (a) Sim.

(b) Não.

(c) Não.

(d) Sim.

(e) #C > 2.

(f) #D 6 2.

(g) E é um conjunto gerador de V sse v1 e v4 forem vectores linear-


mente independentes.
Capı́tulo 5
Transformações Lineares

5.1 Apontamentos sobre Transformações Lineares

5.1obs Na definição que se segue revê-se o conceito de função, estudando-se


neste capítulo um seu caso particular — as transformações lineares.

5.2def Jfunção, imagem de um elemento por meio de uma funçãoK Sejam A e


B conjuntos e x ∈ A. Diz-se que f é uma função de A em B se associa
a cada elemento de A um e só um elemento de B, representando-se por
f (x) a imagem de x por f .

5.3def Sejam V e V ′ espaços vectoriais reais e T uma função de V em V ′ .

(a) Jtransformação linear ou homomorfismoK Diz-se que T é uma


transformação linear ou um homomorfismo se se verificar as seguintes
propriedades:

i. ∀x, y ∈ V : T (x + y) = T (x) + T (y).

ii. ∀x ∈ V, ∀α ∈ R : T (αx) = αT (x).

127
128 5 Transformaç ões Lineares

(b) JL(V, V ′ )K Representa-se por L(V, V ′ ) o conjunto de todas as


transformações lineares de V em V ′ .

5.4exe Seja T : R −→ R3 , T (x1 , x2 ) = (x2 , 0, x1 + x2 ). Mostre que T é uma


transformação linear.

res Propriedade (i)

Definição geral:

∀x, y ∈ V : T (x + y) = T (x) + T (y).

Exemplo presente:

∀x = (x1 , x2 ), y = (y1 , y2 ) ∈ R2 : T (x + y) = T (x) + T (y).

T (x + y) = T ((x1 , x2 ) + (y1 , y2 ))

= T (x1 + y1 , x2 + y2 )

= (x2 + y2 , 0, x1 + y1 + x2 + y2 ). (i.1)

T (x) + T (y) = T (x1 , x2 ) + T (y1 , y2 )

= (x2 , 0, x1 + x2 ) + (y2 , 0, y1 + y2 )

= (x2 + y2 , 0, x1 + y1 + x2 + y2 ). (i.2)

Como as expressões (i.1) e (i.2) são iguais, conclui-se que a propriedade


(i) é válida.
5.1 Apontamentos sobre Transformaç ões Lineares 129

Propriedade (ii)

Definição geral:

∀x ∈ V, ∀α ∈ R : T (αx) = αT (x).

Exemplo presente:

∀x = (x1 , x2 ) ∈ R2 , ∀α ∈ R : T (αx) = αT (x).

T (αx) = T (α(x1 , x2 ))

= T (αx1 , αx2 )

= (αx2 , 0, αx1 + αx2 ). (ii.1)

αT (x) = αT (x1 , x2 )

= α(x2 , 0, x1 + x2 )

= (αx2 , 0, αx1 + αx2 ). (ii.2)

Como as expressões (ii.1) e (ii.2) são iguais, conclui-se que a proprie-


dade (ii) é válida.

Como as expressões (i) e (ii) são válidas, conclui-se que T é uma trans-
formação linear.
R1
5.5exe Seja T : R1 [x] −→ R, T (ax + b) = 0 (ax + b)dx. Mostre que T é uma
transformação linear.

res Exercício.
130 5 Transformaç ões Lineares

5.6exe Seja g : R2 −→ R2 , g(a, b) = (a2 , 0). Mostre que g não é uma trans-
formação linear.

res Exercício.

5.7def JendomorfismoK Seja V um espaço vectorial. Chama-se endomorfimo


de V a uma transformação linear de V em V .

5.8exe Indique quais das seguintes aplicações lineares são endomorfismos:

(a) T1 : R2 −→ R3 , T1 (x1 , x2 ) = (x2 , 0, x1 + x2 ).

(b) T2 : R2 −→ R2 , T2 (x1 , x2 ) = (0, 0).


R1
(c) T3 : R1 [x] −→ R, T3 (ax + b) = 0 (ax + b)dx.

res (a) Não.

(b) Sim.

(c) Não.

5.9teo Sejam V e V ′ espaços vectoriais e T uma função de V em V ′ . Então,


T é uma transformação linear se e só se

∀x, y ∈ V, ∀α, β ∈ R : T (αx + βy) = αT (x) + βT (y).

5.10obs O teorema anterior indica um processo alternativo à definição 5.3def


de verificar se uma função é uma transformação linear.

5.11teo Seja T ∈ L(V, V ′ ). Então, tem-se:

(a) T (0V ) = 0V ′ .

(b) ∀x ∈ V : T (−x) = −T (x).

(c) ∀x, y ∈ V : T (x − y) = T (x) − T (y).


5.1 Apontamentos sobre Transformaç ões Lineares 131

5.12obs O teorema anterior permite concluir que se T (0V ) 6= 0V ′ ou ∃x ∈ V :


T (−x) 6= −T (x) ou ∃x, y ∈ V : T (x − y) 6= T (x) − T (y), então T não
é uma transformação linear. Note-se, ainda, que há funções em que
T (0V ) = 0V ′ , ∀x ∈ V : T (−x) = −T (x) e ∀x, y ∈ V : T (x − y) =
T (x) − T (y) e que não são transformações lineares.

5.13exe Seja g : R2 −→ R3 , g(a, b) = (a, 1, a + 2b). Mostre que g não é uma


transformação linear.

res Como g(0R2 ) = g(0, 0) = (0, 1, 0) 6= (0, 0, 0) = 0R3 , conclui-se que g


não é uma transformação linear.

5.14obs Sejam T ∈ L(V, V ′ ), C = (v1 , . . . , vn ) uma base ordenada de V , C ′ =


(v1′ , . . . , vm
′ ) uma base ordenada de V ′ e v ∈ V . Então,

∃1 α1 , . . . , αn ∈ K : v = α1 v1 + · · · + αn vn ,

∃1 a11 , . . . , am1 ∈ K : T (v1 ) = a11 v1′ + · · · + am1 vm



,
..
.

∃1 a1n , . . . , amn ∈ K : T (vn ) = a1n v1′ + · · · + amn vm



.

Tem-se, então, que:

T (v) = T (α1 v1 + · · · + αn vn )

= α1 T (v1 ) + · · · + αn T (vn )

= α1 (a11 v1′ + · · · + am1 vm



) + · · · + αn (a1n v1′ + · · · + amn vm

)

= (α1 a11 + · · · + αn a1n )v1′ + · · · + (α1 am1 + · · · + αn amn )vm


= β1 v1′ + · · · + βm vm

,
132 5 Transformaç ões Lineares

em que
    
β1 a ··· a1n α
   11   1
 ..   .. .. ..   .. 
 . = . . .  . .
    
βm am1 · · · amn αn

5.15def Jmatriz de uma transformação linear entre espaços de dimensão finita,


AT,C,C ′ , AT K Sejam T ∈ L(V, V ′ ), C = (v1 , . . . , vn ) uma base orde-
nada de V e C ′ = (v1′ , . . . , vm
′ ) uma base ordenada de V ′ . Chama-se

matriz da transformação linear T relativamente às bases C e C ′ , que


se representa por AT,C,C ′ , à matriz [aij ] ∈ Mm×n (K) introduzida na
observação anterior.

Se V = Rn , V ′ = Rm e C e C ′ são as respectivas bases canónicas, então


representa-se por AT a matriz da transformação linear T relativamente
às bases C e C ′ .

5.16exe Determine a matriz da transformação linear T ∈ L(R3 , R2 ), T (x, y, z) =


(x + 2z, 3x − y), relativamente às bases canónicas de R3 e R2 .

res Como

T (1, 0, 0) = (1, 3)

T (0, 1, 0) = (0, −1)

T (0, 0, 1) = (2, 0),

tem-se que
 
1 0 2
AT =  .
3 −1 0
5.1 Apontamentos sobre Transformaç ões Lineares 133

5.17def Seja T ∈ L(V, V ′ ).

(a) Jimagem de uma transformação linear, IT K Chama-se imagem de


T , que se representa por IT , a

IT := {T (x) ∈ V ′ |x ∈ V }.

(b) Jnúcleo de uma transformação linear, NT K Chama-se núcleo de


T , que se representa por NT , a

NT := {x ∈ V |T (x) = 0V ′ }.

5.18exe Seja T ∈ L(R3 , R2 ), T (x1 , x2 , x3 ) = (x1 +x3 , x1 +2x2 −x3 ). Determine:

(a) IT .

(b) NT .

res (a)

IT = {T (x1 , x2 , x3 )|x1 , x2 , x3 ∈ R}

= {(x1 + x3 , x1 + 2x2 − x3 )|x1 , x2 , x3 ∈ R}

= h(1, 1), (0, 2), (1, −1)i.

(b)

NT = {(x1 , x2 , x3 ) ∈ R3 |T (x1 , x2 , x3 ) = 0R2 }

= {(x1 , x2 , x3 ) ∈ R3 |(x1 + x3 , x1 + 2x2 − x3 ) = (0, 0)}.

Tem-se, então, que resolver o seguinte sistema:



 x1 + x3 = 0
 x + 2x − x = 0.
1 2 3
134 5 Transformaç ões Lineares

Então, como
   
1 0 1 0 ←−−−−−−−−−→ 1 0 1 0
   ,
1 2 −1 0 ℓ2 ↔ ℓ2 − ℓ1 0 2 −2 0

obtendo-se

 
 x = −a
 x1 
 1
+ x3 = 0
⇔ x2 = a
 2x2 − 2x3 = 0 


 x = a ∈ R.
3

Assim,

NT = {(−a, a, a)|a ∈ R}

= h(−1, 1, 1)i.

5.19teo Seja T ∈ L(V, V ′ ). Então,

(a) IT é um subespaço de V ′ .

(b) NT é um subespaço de V .

5.20teo Sejam T ∈ L(V, V ′ ) e {u1 , . . . , un } um conjunto gerador de V (em


particular, uma base). Então,

(a) T fica definida desde que se conheçam os vectores T (u1 ), . . . , T (un ).

(b) IT = hT (u1 ), . . . , T (un )i.

5.21exe Resolva de novo 5.18exe (a), atendendo ao teorema anterior.

res Seja {e1 , e2 , e3 } a base canónica de R3 , i.e., e1 = (1, 0, 0), e2 = (0, 1, 0)


e e3 = (0, 0, 1). Então,

IT = hT (1, 0, 0), T (0, 1, 0), T (0, 0, 1)i

= h(1, 1), (0, 2), (1, −1)i.


5.1 Apontamentos sobre Transformaç ões Lineares 135

5.22exe Seja T ∈ L(R2 , R3 ), tal que T (2, 2) = (0, 1, 1) e NT = h(1, 3)i. Deter-
mine a imagem por T de um elemento genérico do seu domínio.

res Como S = {(2, 2), (1, 3)} é um conjunto linearmente independente


(verifique!), S é uma base de R2 (pois #S = dim(R2 )), pelo que qual-
quer elemento de R2 é uma combinação linear única dos elementos de
S, vindo

(x, y) = α(2, 2) + β(1, 3).

Tem-se, então, que resolver o seguinte sistema:



 2α + β = x
 2α + 3β = y.

Então, como
   
2 1 x ←−−−−−−−−−→ 2 1 x
   ,
2 3 y ℓ2 ← ℓ2 − ℓ1 0 2 y−x
obtendo-se
 
 2α + β = x  α= 3x−y
4

 2β = y − x  β= y−x
2 .

Assim,
3x − y y−x
(x, y) = (2, 2) + (1, 3)
4 2
pelo que
 
3x − y y−x
T (x, y) = T (2, 2) + (1, 3)
4 2
3x − y y−x
= T (2, 2) + T (1, 3) por T ser uma transformação linear
4 2
3x − y y−x
= (0, 1, 1) + (0, 0, 0) por NT = h(1, 3)i
4 2
3x − y 3x − y
= (0, , ).
4 4
136 5 Transformaç ões Lineares

5.23def Seja T ∈ L(V, V ′ ).

(a) Jcaracterística de uma transformação linear, cT K Chama-se ca-


racterística de T , que se denota por cT , à dimensão do subespaço
IT .

(b) Jnulidade de uma transformação linear, nT K Chama-se nulidade


de T , que se denota por nT , à dimensão do subespaço NT .

5.24teo Seja T ∈ L(V, V ′ ). Então,

(a) c(AT ) = cT .

(b) Se dim(V ) = n, tem-se que n = cT + nT .

5.25exe Seja T ∈ L(R3 , R2 ), T (x1 , x2 , x3 ) = (x1 +x3 , x1 +2x2 −x3 ). Determine:

(a) cT .

(b) uma base de IT .

(c) nT .

(d) uma base de NT .

res (a) Como

T (1, 0, 0) = (1, 1)

T (0, 1, 0) = (0, 2)

T (0, 0, 1) = (1, −1),

tem-se que
 
1 0 1
AT =  .
1 2 −1
5.1 Apontamentos sobre Transformaç ões Lineares 137

Então, como
   
1 0 1 ←−−−−−−−−−→ 1 0 1
AT =    ,
1 2 −1 ℓ2 ← ℓ2 − ℓ1 0 2 −2

tem-se que c(AT ) = 2, pelo que, aplicando 5.24teo (a), vem cT ≡


dim(IT ) = 2.

(b) Como cT = dim(IT ) = 2, conclui-se que IT = R2 , pelo que, por


exemplo, {(1, 0), (0, 1)} é uma base de IT .

(c) Aplicando 5.24teo (b), tem-se que dim(R3 ) = cT + nT , i.e., 3 =


2 + nT , pelo que nT = 1 (este valor é confirmado pelo número de
variáveis livres em NT ).

(d) Como NT = h(−1, 1, 1)i e nT = 1, tem-se que, por exemplo,


{(−1, 1, 1)} é uma base de NT .
138 5 Transformaç ões Lineares

5.2 Exercı́cios sobre Transformações Lineares

5.1exe Considere a função T : R2 −→ R3 , T (x, y) = (x − y, 0, x). Calcule:

(a) T (2, 1).

(b) T (y, 1).

(c) T (y, x).

(d) T (x + 2y, 2y − x).

5.2exe Indique se as seguintes funções são transformações lineares:

(a) T1 : R2 −→ R2 , T1 (x, y) = (0, −x).

(b) T2 : R3 −→ R2 , T2 (x, y, z) = (x + y + 2, z − 3).

(c) T3 : R2 −→ R, T3 (x, y) = |x − y|.

(d) T4 : R2 −→ R3 , T4 (x1 , x2 ) = (x2 , 0, x1 ).

(e) T5 : R2 −→ R2 , T5 (x1 , x2 ) = (x1 + 1, x2 ).

(f) T6 : M2×2 (R) −→ R, T6 (A) = a11 .

(g) T7 : M2×2 (R) −→ R, T7 (A) = (a11 )2 .

(h) T8 : Mn×n (R) −→ R, T8 (A) = det(A).

(i) T9 : R2 x −→ R, T9 (ax2 + bx + c) = a.

(j) T10 : C 1 (a, b) −→ C(a, b), T10 (f ) = f ′ .

5.3exe Sejam α, β ∈ R. Determine a relação entre α e β de modo que a


transformação T : R −→ R2 , T (x) = (x + α − 2β, −x), seja linear.

5.4exe Determine a imagem, a característica, o núcleo, a nulidade e a matriz


relativamente às bases canónicas das seguintes transformações lineares:
5.2 Exercı́cios sobre Transformaç ões Lineares 139

(a)

T1 : R2 −→ R
(x, y) 7−→ x + y.

(b)

T2 : R3 −→ R2
(x, y, z) 7−→ (x + y + z, 2x + 2y + 2z).

(c)

T3 : R3 −→ R3
(x, y, z) 7−→ (x − z, 0, y − 2z).

(d)

T4 : R4 −→ R3
(x, y, z, w) 7−→ (x − y, z − w, x − 3w).

5.5exe Para cada uma das alíneas seguintes, determine a função T sabendo
que é uma transformação linear definida por:

(a) T (1, 0) = (−1, 1, 2) e T (0, 1) = (3, 0, 1).

(b) T (1, 2) = (3, −1, 5) e T (0, 1) = (2, 1, −1).

(c) T (1, 1, 1) = 3, T (0, 1, −2) = 1 e T (0, 0, 1) = −2.

5.6exe Seja T ∈ L(R3 , R3 ), tal que T (0, 0, 1) = (0, 0, 1) e NT = h(1, 1, 1), (0, 1, 1)i.
Determine T (x, y, z) para qualquer (x, y, z) ∈ R3 .
h i
(A)11 +(A)12 (A)22
5.7exe Seja T : M2×2 (R) −→ M2×2 (R), T (A) = −(A)22 2(A)11
.

(a) Mostre que T é uma transformação linear.

(b) Determine as dimensões de NT e de IT .


140 5 Transformaç ões Lineares

5.8exe Sejam M ∈ Mn×n (R) e T : Mn×n (R) −→ Mn×n (R), T (A) = AM −


M A.

(a) Mostre que T é uma transformação linear.

(b) Considere M = [ 10 23 ]. Determine uma base e a dimensão para o


núcleo de T .
5.3 Soluções dos Exercı́cios sobre Transformações Lineares 141

5.3 Soluções dos Exercı́cios sobre Transformações Lineares

5.1sol (a) T (2, 1) = (1, 0, 2).

(b) T (y, 1) = (y − 1, 0, y).

(c) T (y, x) = (y − x, 0, y).

(d) T (x + 2y, 2y − x) = (2x, 0, x + 2y).

5.2sol (a) Sim.

(b) Não.

(c) Não.

(d) Sim.

(e) Não.

(f) Sim.

(g) Não.

(h) Não.

(i) Sim.

(j) Sim.

5.3sol α = 2β.

5.4sol (a) IT1 = R, cT1 = 1,


NT1 = {(x, −x)|x ∈ R} = h(1, −1)i, nT1 = 1,
AT1 = [ 1 1 ].

(b) IT2 = {(x, 2x)|x ∈ R} = h(1, 2)i, cT2 = 1,


NT2 = {(−y − z, y, z)|y, z ∈ R} = h(−1, 1, 0), (−1, 0, 1)i, nT2 = 2,
AT2 = [ 12 12 12 ].
142 5 Transformaç ões Lineares

(c) IT3 = {(x, 0, z)|x, z ∈ R} = h(1, 0, 0), (0, 0, 1)i, cT3 = 2,


NT3 = {(z, 2z, z)|z ∈ R} = h(1, 2, 1)i, nT3 = 1,
h 1 0 −1 i
AT3 = 0 0 0 .
0 1 −2

(d) IT4 = R3 , cT4 = 3,


NT4 = {(3w, 3w, w, w)|w ∈ R} = h(3, 3, 1, 1)i, nT4 = 1,
h 1 −1 0 0 i
AT4 = 0 0 1 −1 .
1 0 0 −3

5.5sol (a) T (x, y) = (−x + 3y, x, 2x + y).

(b) T (x, y) = (−x + 2y, −3x + y, 7x − y).

(c) T (x, y, z) = 8x − 3y − 2z.

5.6sol T (x, y, z) = (0, 0, z − y).

5.7sol (b) nT = 1, cT = 3.
 1 −1 
5.8sol (b) Por exemplo: 0 0 , [ 10 01 ] , nT = 2.
Capı́tulo 6
Valores e Vectores Próprios

6.1 Apontamentos sobre Valores e Vectores Próprios

6.1def Jvector próprio de uma matriz associado a um valor próprioK Seja A ∈


Mn×n (R). Diz-se que x ∈ Cn \ {0Cn } é um vector próprio da matriz
A associado ao valor próprio λ ∈ C se Ax = λx.

6.2def Jespectro de uma matrizK Seja A ∈ Mn×n (R). Chama-se espectro de


A, que se representa por λ(A), ao conjunto de todos os valores próprios
de A.

6.3def Jsubespaço próprio de um valor próprioK Sejam A ∈ Mn×n (R) e


λ ∈ λ(A). Chama-se subespaço próprio do valor próprio λ, que se
representa por Eλ , ao conjunto

Eλ := {x ∈ Cn |Ax = λx}.

6.4teo Sejam A ∈ Mn×n (R) e λ ∈ λ(A). Então, Eλ é um subespaço de Cn .

143
144 6 Valores e Vectores Próprios

6.5obs (a) Note-se que existem matrizes reais cujos valores próprios são nú-
meros complexos.

(b) Cada vector próprio está associado apenas a um valor próprio.

(c) Se x é um vector próprio associado ao valor próprio λ, então, αx,


α 6= 0, também é um vector próprio associado ao valor próprio λ.

(d) Sejam A ∈ Mn×n (R) e λ ∈ λ(A). Então,

Eλ = {x ∈ Cn |x é um vector próprio associado

ao valor próprio λ} ∪ {0Cn }.

(e) Chama-se “subespaço próprio” ao conjunto Eλ devido ao teorema


anterior.

(f) O seguinte teorema indica-nos um processo de calcular λ(A).

6.6teo Seja A ∈ Mn×n (R). Então, λ ∈ λ(A) se e só se det(A − λIn ) = 0.

6.7def Seja A ∈ Mn×n (R).

(a) Jpolinómio característico de uma matrizK Chama-se polinómio


característico da matriz A, que se representa por ΠA (λ), ao polinómio

ΠA (λ) := det(A − λIn ).

(b) Jequação característica de uma matrizK Chama-se equação carac-


terística da matriz A à equação ΠA (λ) = 0 .

(c) Jmultiplicidade algébrica de um valor próprioK Seja λ um valor


próprio de A. Chama-se multiplicidade algébrica de λ à multipli-
cidade do escalar λ enquanto raíz da equação característica.

(d) Jvalor próprio simplesK Seja λ um valor próprio de A. Diz-se que


λ é um valor próprio simples se tem multiplicidade algébrica um.
6.1 Apontamentos sobre Valores e Vectores Próprios 145

6.8teo Seja A ∈ Mn×n (R). Então, o coeficiente do termo de grau n do


polinómio característico da matriz A é (−1)n e o seu termo indepen-
dente de λ é det(A).

6.9obs Seja A ∈ Mn×n (R). Então, ΠA (λ) = (−1)n λn + · · · + det(A).

6.10obs Seja A ∈ Mn×n (R). Então,

(a) os valores próprios da matriz A são os zeros do seu polinómio


característico.

(b) Se λ é um valor próprio da matriz A, então os vectores próprios


associados a λ são as soluções não-nulas do sistema homogéneo
(A − λIn )x = 0.

(c) Do Teorema Fundamental da Álgebra resulta que ΠA (λ) tem


exactamente n zeros, podendo alguns deles ser iguais. Assim, se-
jam n1 , n2 , . . . , nm as multiplicidades dos m(6 n) zeros distintos
λ1 , λ2 , . . . , λm de ΠA (λ). Então,

ΠA (λ) = (−1)n (λ − λ1 )n1 (λ − λ2 )n2 · · · (λ − λm )nm ,

em que n1 +n2 +· · ·+nm = n. Aos números n1 , n2 , . . . , nm chama-


se multiplicidade algébrica dos valores próprios λ1 , λ2 , . . . , λm ,
respectivamente.

6.11teo Seja A uma matriz quadrada. Então, A é invertível se e só se 0 ∈


/ λ(A).
h2 1 0
i
6.12exe Considere a matriz A = 0 1 −1 .
02 4

(a) Determine o espectro da matriz A.

(b) Determine o espaço próprio associado ao valor próprio de menor


módulo da matriz A.
146 6 Valores e Vectores Próprios

res (a) Seja

 
2−λ 1 0
 
 
A − λI3 =  0 1 − λ −1  .
 
0 2 4−λ

Então, aplicando o Teorema de Laplace e fazendo o desenvolvi-


mento a partir da primeira coluna, obtém-se

det(A − λI3 ) = (2 − λ)((1 − λ)(4 − λ) + 2)

= (2 − λ)(λ2 − 5λ + 6)

= (2 − λ)2 (λ − 3),

pelo que

λ(A) = {2, 3},

sendo que λ1 = 2 é um valor próprio de multiplicidade algébrica


dois e λ2 = 3 é um valor próprio simples.

2 5 ± 25 − 24
C.A.: λ − 5λ + 6 = 0 ⇔ λ = ⇔ λ = 2 ∨ λ = 3.
2

(b) Para determinar o espaço próprio associado ao valor próprio λ1 =


2, tem que se resolver o sistema

(A − 2I3 )x1 = 0.
6.1 Apontamentos sobre Valores e Vectores Próprios 147

Aplicando o Método de Gauss, vem:


   
0 1 0 0 ←−−−−−−−−−→ 0 1 0 0
   
   
 0 −1 −1 0  ℓ2 ← ℓ2 + ℓ1  0 0 −1 0 
   
0 2 2 0 ℓ3 ← ℓ3 − 2ℓ1 0 0 2 0
 
←−−−−−−−−−→ 0 1 0 0
 
 
 0 0 −1 0 
 
ℓ3 ← ℓ3 − 2ℓ2 0 0 0 0

pelo que


 x =a∈C

 11
x12 = 0



 x = 0.
13

Assim, tem-se:

E2 = {(a, 0, 0)|a ∈ C}.


148 6 Valores e Vectores Próprios

6.2 Exercı́cios sobre Valores e Vectores Próprios

6.1exe Determine o espectro das seguintes matrizes, bem como os espaços


próprios associados aos seus valores próprios:
 
    1 −3 3
1 4 1 −1  
A= ,B =  ,C =  
3 −5 3 ,
2 3 2 −1  
6 −6 4
     
0 −1
3 1 2 1 4 0 1
     
     
D =  0 2 0  , E =  2 0 −2 , F = −2 1 0 .
     
−1 0 3 −1 2 3 −2 0 1

6.2exe Seja A = [aij ] ∈ Mn×n (K). Então, define-se o traço da matriz A, que
P
se representa por tr(A), como sendo tr(A) = ni=1 aii . Considerando,
agora, a matriz B = [bij ] ∈ M2×2 (K), mostre que

ΠB (λ) = λ2 − tr(B)λ + det(B).

6.3exe Seja T ∈ L(Rn , Rn ). Diga se são verdadeiras ou falsas as seguintes


afirmações:

(a) a matriz AT é invertível se e só se CSAT x=0 = {0}.

(b) A matriz AT é invertível se e só se #CSAT x=b = 1, ∀b ∈ Rn .

(c) A matriz AT é invertível se e só se det(AT ) 6= 0.

(d) A matriz AT é invertível se e só se IT = Rn .

(e) A matriz AT é invertível se e só se as colunas da matriz AT são


linearmente independentes.

(f) A matriz AT é invertível se e só se as linhas da matriz AT são


linearmente independentes.
6.2 Exercı́cios sobre Valores e Vectores Próprios 149

(g) A matriz AT é invertível se e só se as colunas da matriz AT geram


Rn .

(h) A matriz AT é invertível se e só se as linhas da matriz AT geram


Rn .

(i) A matriz AT é invertível se e só se as colunas da matriz AT formam


uma base de Rn .

(j) A matriz AT é invertível se e só se as linhas da matriz AT formam


uma base de Rn .

(k) A matriz AT é invertível se e só se nT = 0.

(l) A matriz AT é invertível se e só se cT = n.

(m) A matriz AT é invertível se e só se 0 ∈


/ λ(AT ).
150 6 Valores e Vectores Próprios

6.3 Soluções dos Exercı́cios sobre Valores e Vectores Próprios

6.1sol (a) λ(A) = {−1, 5}.


E1 = {(−2α, α)|α ∈ C}.
E5 = {(α, α)|α ∈ C}.

(b) λ(B) = {−i, i}.


α
E−i = {( 1+i , α)|α ∈ C}.
α
Ei = {( 1−i , α)|α ∈ C}.

(c) λ(C) = {−2, 4}, em que o valor próprio λ1 = −2 tem multiplici-


dade algébrica dois.
E−2 = {(β − α, β, α)|α, β ∈ C}.
E4 = {( α2 , α2 , α)|α ∈ C}.

(d) λ(D) = {2, 4}, em que o valor próprio λ1 = 2 tem multiplicidade


algébrica dois.
E2 = {(α, β, α)|α, β ∈ C}.
E4 = {(−α, 0, α)|α ∈ C}.

(e) λ(E) = {0, 2}, em que o valor próprio λ2 = 2 tem multiplicidade


algébrica dois.
E0 = {(α, −α, α)|α ∈ C}.
E2 = {(α, 0, α)|α ∈ C}.

(f) λ(F ) = {1, 2, 3}.


E1 = {(− α3 , β, α)|α, β ∈ C}.
E2 = {(− α2 , α, α)|α ∈ C}.
E3 = {(−α, α, α)|α ∈ C}.

6.3sol Todas as afirmações são verdadeiras.


Apêndice A

Alfabeto Grego
Minúscula Maiúscula Nome Equivalente Latino
α A alfa a
β B beta b
γ Γ gama g
δ ∆ delta d
ε E épsilon e
ζ Z zeta z
η H eta e,h
θ Θ teta t
ι I iota i
κ K capa k
λ Λ lambda l
µ M miu m
ν N niu n
ξ Ξ csi cs
o O ómicron o
π Π pi p
ρ P ró r
σ Σ sigma s
τ T tau t
υ Υ ípsilon u,y
ϕ, φ Φ fi f
χ X qui c,x
ψ Ψ psi ps
ω Ω ómega w

151
Índice Remissivo
A ←→ B, 22 complemento algébrico de um elemento
de uma matriz, 43
base, 112
conjunto gerador, 108
base ordenada, 112
conjunto linearmente independente, 110
C(a, b), 80 conjunto solução, 55
C ∞ (a, b), 80 coordenadas de um vector numa base
C k (a, b), 80 ordenada, 112
cT , 136
dim(V ), 114
característica de uma matriz, 58
determinante de uma matriz, 38
característica de uma transformação
diagonal de uma matriz, 6
linear, 136
diagonal principal, 6
co-factor de um elemento de uma ma-
diagonal secundária de uma matriz,
triz, 43
6
coluna de uma matriz, 3
dimensão de um espaço vectorial, 114
coluna nula, 20
coluna pivô, 20 elemento de uma matriz, 3
combinação linear, 104, 116 endomorfismo, 130

152
ÍNDICE REMISSIVO 153

equação característica de uma matriz, linha nula, 20


144
Mm×n (C), 2
escalar, 2, 78
Mm×n (K), 2
espaço gerado, 107
espaço vectorial, 78 Mm×n (R), 2

espaço vectorial complexo, 79 matriz, 2

espaço vectorial de dimensão finita, matriz adjunta, 49


114 matriz ampliada, 55

espaço vectorial real, 78 matriz aumentada, 55

espectro de uma matriz, 143 matriz coluna, 4


matriz complementar de um elemento
fe(A), 24 de uma matriz, 37
fer(A), 24 matriz complexa, 2
função, 127 matriz conjugada, 18
matriz de uma transformação linear
homomorfismo, 127
entre espaços de dimensão finita,
imagem de um elemento por meio de 132
uma função, 127 matriz diagonal, 6
imagem de uma transformação lin- matriz dos coeficientes, 55
ear, 133 matriz elementar, 28
matriz em escada, 21
Mm×n (K), 79
matriz em escada reduzida, 21
Kn , 79
matriz escalar, 6
Kn [x], 80
matriz hermítica, 19
L(S), 107 matriz identidade, 7
L(V, V ′ ), 127, 128 matriz inversa, 14
linha de uma matriz, 3 matriz invertível, 14
154 ÍNDICE REMISSIVO

matriz linha, 4 núcleo de uma transformação linear,


matriz não-invertível, 14 133
matriz não-singular, 14 nulidade de uma transformação lin-
matriz nula, 7 ear, 136
matriz ortogonal, 18
operação elementar do tipo I nas lin-
matriz quadrada, 5
has de uma matriz, 22
matriz real, 2
operação elementar do tipo II nas lin-
matriz rectangular, 5
has de uma matriz, 22
matriz simétrica, 17
operação elementar do tipo III nas
matriz singular, 14
linhas de uma matriz, 22
matriz transconjugada, 18
ordem de uma matriz, 5
matriz transposta, 16
matriz triangular inferior, 6 pivô, 20
matriz triangular superior, 6 polinómio característico de uma ma-
matriz unitária, 19 triz, 144
matrizes comutáveis, 13 potência cartesiana de um conjunto,
matrizes equivalentes, 22 1
matrizes iguais, 7 potência de uma matriz, 13
multiplicação de matrizes, 10 produto cartesiano de dois conjuntos,
multiplicação de um escalar por um 1
vector, 78 produto cartesiano de um número finito
multiplicidade algébrica de um valor de conjuntos, 1
próprio, 144 produto de matrizes, 10
produto de uma matriz por um es-
IT , 133
calar, 8
NT , 133
nT , 136 sistema de equações lineares, 55
ÍNDICE REMISSIVO 155

sistema de equações não lineares, 56


sistema homogéneo, 57
sistema homogéneo associado, 57
sistema impossível, 58
sistema possível, 57
soma de matrizes, 8
soma de vectores, 78
subespaço, 100
subespaço próprio de um valor próprio,
143

tipo de uma matriz, 2


transformação linear, 127

valor próprio simples, 144


variável livre, 58
variável pivô, 58
vector, 78
vector das incógnitas, 55
vector dos termos independentes, 55
vector próprio de uma matriz associ-
ado a um valor próprio, 143
vectores linearmente dependentes, 110
vectores linearmente independentes,
110

hx1 , . . . , xn i, 107