Algebra Linea

Instituto Superior Tecnico
Departamento de Matematica
Seccao de Algebra e Analise
Resumo das Aulas Teoricas de Algebra Linear

2o Semestre 2004/2005
(Todos os cursos da Alameda)
Paulo Pinto
Conteudo
Sistemas de Equacoes Lineares e Calculo Matricial 2
Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Sistemas de Equacoes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Matrizes Elementares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
A matriz inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Espacos Lineares (Vectoriais) 19

Subespacos lineares exemplos: nucleo, espaco colunas e linhas de uma matriz . . 21
Independencia linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Bases e dimensao de Espacos Lineares . . . . . . . . . . . . . . . . . . . . . . . . 28
Matriz mudanca de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Transformacoes Lineares 35
Representacao matricial de uma transformacao linear . . . . . . . . . . . . . . . . 37
Transformacoes injectivas, sobrejectiva e bijectivas equacoes lineares . . . . . . . 41
Determinante 45
Valores Proprios e Vectores Proprios 49

Sistemas de equacoes diferenciais . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
Produtos Internos 58
Formas Quadraticas 68
Agradecimento 70
1
Sistemas de Equacoes Lineares e Calculo Matricial
Matrizes
Definicao 1. Uma matriz A, do tipo m n (m por n), e uma tabela de mn numeros
dispostos em m linhas e n colunas:

a11 a12 a1n
a21 a22 a2n

A = .. .. .. .
. . .
am1 am2 amn
A linha i de A e:
ai1 ai2 ain ,
para cada i = 1, ..., m. A coluna j de A e:

a1j

a2j

..
.
amj
para cada j = 1, ..., n. Usa-se tambem a notacao A = (aij )mn na qual aij e a entrada (i, j)
da matriz A.
Se m = n, diz-se que A e uma matriz quadrada do tipo n n e as entradas a11 , a22 , ...,
ann formam a chamada diagonal principal de A.
Exemplo 1. As matrizes

4
1 1 1 2 3 4 3
A= , B= , C= 0 0 7 eD=
2 2 2 0 2 0 2
1
sao dos seguintes tipos: A e 2 2, B e 2 4, C e 1 3, A e 4 1. Tem-se, por exemplo,

a21 = 2, b13 = 3, c12 = 0 e d41 = 1.
Observacao 1. Uma matriz (real) A do tipo m n e uma aplicacao:
A : {1, ..., m} {1, ..., n} R

(i, j) aij
Notacao 1. O conjunto de todas as matrizes reais do tipo m n e denotado por

Matmn (R).
Definicao 2. Duas matrizes sao iguais se forem do mesmo tipo e se as entradas corres-
pondentes forem iguais, isto e, A = (aij )mn e B = (bij )pq sao iguais se m = p, n = q e
aij = bij , para i = 1, ..., m e j = 1, ..., n.
2
Definicao 3. A soma de duas matrizes do mesmo tipo A = (aij )mn e B = (bij )mn e
a matriz
A + B = (aij + bij )mn .
Exemplo 2. Sejam

1
1 4 1 0 3 2
A= ,B= , C = 1/2 e D = 2 3 .
3 2 6 4 1 5
2

1 1 1
Tem-se A + B = e nao e possvel somar C com D.
1 1 1
Definicao 4. O produto de um escalar (numero) por uma matriz A = (aij )mn

e a matriz:
A = (aij )mn .
Notacao 2. A matriz (1)A sera denotada por A.

1 4 1
Exemplo 3. Seja A = . Tem-se, por exemplo,
3 2 6

2 8 2
2A = .
6 4 12
Definicao 5. O produto AB de duas matrizes A e B so pode ser efectuado se o numero

de colunas da 1a matriz, A, for igual ao numero de linhas da 2a matriz, B. Nesse caso, o
produto AB de A = (aij )mp por B = (bij )pn e definido por:
p
!
X
AB = aik bkj ,
k=1 mn
isto e,
p p

a11 a12 a1p P
a1k bk1
P
a1k bkn
.. .. b11 b1j b1n
k=1 k=1
. . b b2j b2n
p

21
P
aik bkj
ai1 ai2 aip .. .. .. =
.
.. .. . . . p k=1

. b P p
P
p1 bpj bpn amk bk1 amk bkn
am1 am2 amp k=1 k=1
Exemplo 4. Sejam A, B, C e D as matrizes do exemplo 2. Nao e possvel efectuar, por

exemplo, AB. No entanto, tem-se:

2 3
5
AC = e CD = 1 3/2 .
14
4 2 3
3
Observacao 2. O produto de matrizes nao e comutativo. Por exemplo, para

0 1 0 1 1 0 1 0
A= eB= tem-se AB = e BA = .
1 0 1 0 0 1 0 1
Logo AB 6= BA.
Definicao 6. A transposta de uma matriz A = (aij )mn e a matriz
AT = (aji )nm
que se obtem trocando as linhas com as colunas de A.
Exemplo 5. Sejam A e C as matrizes do exemplo 2. Tem-se

1 3
T T 1
A = 4 2 e C = 1 2 .
1 6 2
Teorema 1. Sejam A, B, C e D matrizes de tipos apropriados, e escalares. Sao

validas as seguintes propriedades para as operacoes matriciais.
(a) (Comutatividade da soma) A + B = B + A.
(b) (Associatividade da soma) A + (B + C) = (A + B) + C.
(c) (Elemento neutro da soma) Existe uma unica matriz 0 do tipo mn tal que A+0 = A,
para toda a matriz A do tipo m n. A matriz 0, cujas entradas sao todas iguais a zero,
chama-se matriz nula.
(d) (Simetrico) Para cada matriz A existe uma unica matriz B tal que A + B = 0. Esta
matriz B denota-se por A.
(e) (Associatividade do produto por escalares) (A) = () A.
(f ) (Distributividade) ( + ) A = A + A.
(g) (Distributividade) (A + B) = A + B.
(h) (Associatividade do produto de matrizes) A (BC) = (AB) C.
(i) (Distributividade) A (B + C) = AB + AC e (B + C) D = BD + CD.
(j) (AB) = (A) B = A (B).

T
(k) AT = A.
(l) (A + B)T = AT + B T .
(m) (A)T = AT .
4
(n) (AB)T = B T AT .
(o) (A1 A2 ...An )T = ATn ...AT2 AT1 , com A1 , A2 , ..., An matrizes de tipos apropriados.
(p) A matriz, do tipo n n,

1 0 0

0 1 0
I= .. . . ..
. . .
0 0 1
chama-se matriz identidade (de ordem n) e e tal que
AI = A e IB = B,
para todas as matrizes A = (aij )mn e B = (bij )nm .
Definicao 7. (i) A diferenca entre duas matrizes A e B do mesmo tipo e definida por
A B = A + (B),
ou seja, e a soma de A com o simetrico de B.
(ii) Sejam A uma matriz do tipo n n e p N. A potencia p de A e definida por

0
Ap = A...A
| {z } e para p = 0 define-se A = I.
p vezes
(iii) A matriz do tipo n n

a11 0 0

0 a22 0

.. .. .. ,
. . .
0 0 ann
cujas entradas fora da diagonal principal sao nulas, chama-se matriz diagonal.
Observacao 3. Tem-se: 1A = A, 0A = 0, A + A = 2A, A

| + .{z
. . + A} = nA.
n vezes
Definicao 8. (i) Seja A = (aij )nn uma matriz do tipo n n. Diz-se que A e simetrica
se A = AT , isto e, se aij = aji , para i, j = 1, ..., n. Diz-se que A e anti-simetrica se
A = AT , isto e, se aij = aji , para i, j = 1, ..., n.
(ii) Para matrizes quadradas A = (aij )nn define-se o traco de A, tr(A), como sendo a
soma de todas as entradas da diagonal principal de A, isto e,
n
X
tr(A) = aii .
i=1
5
Observacao 4. Sejam A = (aij )nn e B = (bij )nn duas matrizes do tipo n n e um
escalar. Tem-se:
(i) tr(A + B) = tr(A) + tr(B),
(ii) tr(A) = tr(A),
(iii) tr(AT ) = tr(A)
(iv) tr(AB) = tr(BA).
Sistemas de Equacoes Lineares

Definicao 9. Uma equacao linear com n incognitas x1 , x2 , ..., xn e uma equacao da forma
a1 x1 + a2 x2 + ... + an xn = b,
em que a1 , a2 , ..., an e b sao constantes (reais).
Definicao 10. Um sistema de m equacoes lineares com n incognitas e um conjunto

de equacoes da forma

a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
()

...

am1 x1 + am2 x2 + ... + amn xn = bm
em que aij e bk sao constantes (reais), para i, k = 1, ..., m e j = 1, ..., n.
Observacao 5. Usando o produto de matrizes definido na seccao anterior, o sistema

linear acima pode ser escrito como uma equacao matricial
AX = B,
em que

a11 a12 a1n x1 b1

a21 a22 a2n

x2

b2

A= .. .. .. , X= .. e B= .. .
. .
. . .
am1 am2 amn xn bm
A matriz A e a matriz dos coeficientes do sistema, X e a matriz coluna das incognitas

e B e a matriz coluna dos termos independentes. Uma solucao do sistema linear () e uma
matriz
s1
s2

S = ..
.
sn
tal que as equacoes do sistema sao satisfeitas quando substitumos
x1 = s1 , x2 = s2 , ..., xn = sn .
6
Ao conjunto de todas as solucoes do sistema chama-se conjunto solucao ou solucao geral do
sistema.
Exemplo 6. O sistema linear de duas equacoes e duas incognitas

x + 2y = 1
2x + y = 0
pode ser escrito do seguinte modo:

1 2 x 1
= .
2 1 y 0

1/3
A solucao (geral) do sistema acima e x = 1/3 e y = 2/3 (verifique!), isto e, X = .
2/3
Observacao 6. De modo a facilitar a resolucao de um sistema linear, este pode ser

sempre substitudo por outro que tenha o mesmo conjunto solucao. Esse outro e obtido
depois de aplicar sucessivamente operacoes sobre as equacoes do sistema inicial que nao
alterem a solucao do mesmo. As operacoes sao:
- Trocar a posicao de duas equacoes do sistema;

- Multiplicar uma equacao por um escalar diferente de zero;
- Somar a uma equacao um multiplo escalar de outra equacao.
Estas sao as chamadas operacoes elementares. Quando aplicamos operacoes elementares

as equacoes de um sistema linear, so os coeficientes e os termos independentes do sistema
sao alterados. Assim, podemos aplicar as operacoes a matriz

a11 a12 a1n | b1
a21 a22 a2n | b2

[A | B] = .. .. .. .. .. ,
. . . . .
am1 am2 amn | bm
a qual se da o nome de matriz aumentada do sistema.
Definicao 11. As operacoes elementares que podem ser aplicadas as linhas de uma
matriz sao as seguintes:
(i) Trocar a posicao de duas linhas da matriz;
(ii) Multiplicar uma linha da matriz por um escalar diferente de zero;
(iii) Somar a uma linha da matriz um multiplo escalar de outra linha.
Teorema 2. Se dois sistemas lineares AX = B e CX = D sao tais que a matriz

aumentada [C | D] e obtida de [A | B] atraves de uma operacao elementar, entao os dois
sistemas tem o mesmo conjunto solucao, isto e, sao equivalentes.
7
Observacao 7. O metodo que iremos usar para resolver sistemas lineares consiste na
aplicacao de operacoes elementares as linhas da matriz aumentada do sistema de modo a
obter uma matriz em escada de linhas em relacao a qual o sistema associado seja de facil
resolucao.
Definicao 12. Uma matriz A = (aij )mn diz-se em escada de linhas se:
(i) Todas as linhas nulas (formadas inteiramente por zeros) estao por baixo das linhas
nao nulas;
(ii) Por baixo (e na mesma coluna) do primeiro elemento nao nulo de cada linha e por
baixo dos elementos nulos anteriores da mesma linha, todas as entradas sao nulas. Esse
primeiro elemento nao nulo de cada linha tem o nome de pivot.
Definicao 13. Seja A uma matriz em escada de linhas. Ao no de pivots de A matriz,

isto e, ao no de linhas nao nulas de A, da-se o nome de caracterstica de A, car A. Se A
for a matriz em escada de linhas obtida de C atraves de operacoes elementares entao diz-se
que a caracterstica de C e car A, tendo-se car C = car A. Temos que carA =carA T .
Exemplo 7. As seguintes matrizes estao em escada de linhas:

2 1 2 1/2 0 0
0 0 3 1 0 2
4 1 0 1 3 0
A= , B= , C= 0 0 0 .
0 0 5
0 0 0 0 5 1
0 0 0 0 0 0
0 0 0 0 0 0
Pivot de A: 4. Pivots de B: 1, 5. Pivots de C: 2, 3, 5.

car A = 1, car B = 2 e car C = 3,
Definicao 14. O metodo de resolver sistemas lineares que consiste em aplicar operacoes
elementares as linhas da matriz aumentada do respectivo sistema de modo a que essa matriz
fique em escada de linhas, chama-se metodo de eliminacao de Gauss1 .
Exemplo 8. O sistema linear

x+z =3

x + 2y + 2z = 6

3y + 3z = 6
na forma matricial e
1 0 1 x 3
1 2 2 y = 6 .
0 3 3 z 6
1
Johann Carl Friedrich Gauss 1777-1855
8
Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss:

1 0 1 | 3 1 0 1 | 3 1 0 1 | 3
1 2 2 | 6 0 2 1 | 3 3 0 2 1 | 3 .
L1 +L2 L2 2 L2 +L3 L3
0 3 3 | 6 0 3 3 | 6 0 0 23 | 23
Logo,

x+z =3
x=2

2y + z = 3 y=1

3 3
2
z = 2
z = 1.
Neste exemplo o sistema tem solucao unica e diz-se possvel e determinado.
Exemplo 9. O sistema linear

3z 9w = 6

5x + 15y 10z + 40w = 45

x + 3y z + 5w = 7
e equivalente a
x
0 0 3 9 6
5 15 10 40 y = 45 .

z
1 3 1 5 7
w

0 0 3 9 | 6 1 3 1 5 | 7
5 15 10 40 | 45 1 3 2 8 | 9
L1 L3 L1 +L2 L2
1 3 1 5 | 7 1
L L2
0 0 3 9 | 6
5 2

1 3 1 5 | 7 1 3 1 5 | 7
0 0 1 3 | 2 0 0 1 3 | 2 .
3L2 +L3 L3
0 0 3 9 | 6 0 0 0 0 | 0
Logo,
x + 3y z + 5w = 7 x = 3y 2w 5

z + 3w = 2 z = 3w + 2.
As incognitas y e w sao livres e as incognitas x e z sao nao livres. A solucao geral do sistema
e:
x 3y 2w 5
y y
X= =
z
,
3w + 2
w w
9
para quaisquer y, w R, isto e, o conjunto solucao e dado por:
S = {(3y 2w 5, y, 3w + 2, w) : y, w R} .
Neste exemplo o sistema tem infinitas solucoes e diz-se possvel e indeterminado.
Exemplo 10. Seja a R. O sistema linear

x + 2y + z = 3

x+yz =2

x + y + (a2 5) z = a
e equivalente a
1 2 1 x 3
1 1 1 y = 2 .

1 1 a2 5 z a

1 2 1 3 1 2 1 3 1 2 1 3
1 1 1 2 0 1 2 1 0 1 2 1 .
2 L1 +L2 L2 2 L2 +L3 L3 2
1 1 a 5 a L1 +L3 L3 0 1 a 6 a 3 0 0 a 4 a2
Se a = 2, entao o sistema e possvel e indeterminado:

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

y 2z = 1 y = 2z + 1,
a incognita z e livre, as incognitas x e y sao nao livres e a solucao geral do sistema e

x 3z + 1
X = y = 2z + 1 ,
z z
para qualquer z R, isto e, o conjunto solucao e dado por:
S = {(3z + 1, 2z + 1, z) : z R} .
Assim, se a = 2, o sistema tem infinitas solucoes e diz-se possvel e indeterminado.

Se a = 2, o sistema nao tem solucao e diz-se impossvel.
Se a 6= 2 e a 6= 2, o sistema tem a solucao unica:

x (a + 5)/(a + 2)
X = y = a/(a + 2)
z 1/(a + 2)
e diz-se possvel e determinado.
10
Observacao 8. Seja [A | B] a matriz aumentada associada a um sistema linear com n
incognitas.
(i) Se car A = car [A | B] = n entao o sistema e possvel e determinado (tem uma

unica solucao).
(ii) Se car A = car [A | B] < n entao o sistema e possvel e indeterminado (tem um

o
n infinito de solucoes).
(iii) Se car A < car [A | B] entao o sistema e impossvel (nao tem solucao).
(iv) Podemos escolher como incognitas livres (podem tomar valores arbitrarios) do
sistema aquelas que correspondem as colunas, que nao contenham pivots, da matriz em
escada de linhas obtida de A atraves de operacoes elementares.
(v) As incognitas nao livres do sistema sao aquelas que correspondem as colunas,
que contenham pivots, da matriz em escada de linhas obtida de A atraves de operacoes
elementares.
(vi) car A = no de linhas nao nulas da matriz em escada de linhas obtida de A = no de

pivots = no de incognitas nao livres.
Teorema 3. Sejam A uma matriz do tipo m n e B uma matriz do tipo m 1. Se o

sistema linear AX = B tem duas solucoes distintas X0 e X1 (X0 6= X1 ), entao tera infinitas
solucoes.
Dem. Basta verificar que X = (1 ) X0 + X1 e solucao do sistema AX = B, para

qualquer R.
Definicao 15. Um sistema linear da forma

a11 x1 + a12 x2 + ... + a1n xn = 0

a21 x1 + a22 x2 + ... + a2n xn = 0

...

am1 x1 + am2 x2 + ... + amn xn = 0
tem o nome de sistema linear homogeneo. Este sistema poder ser escrito na forma
AX = 0. Todo o sistema linear homogeneo admite pelo menos a solucao trivial:

x1 0
x2 0

X = .. = .. .
. .
xn 0
Assim, todo o sistema linear homogeneo tem solucao. Alem disso, ou tem apenas a solucao
trivial ou tem infinitas solucoes.
Teorema 4. Se A = (aij )mn e tal que m < n, entao o sistema linear homogeneo
AX = 0 tem infinitas solucoes.
11
Dem. Como o sistema tem menos equacoes do que incognitas (m < n), o no de linhas
nao nulas r da matriz em escada de linhas obtida da matriz aumentada do sistema tambem
e tal que r < n. Assim, r pivots e n r incognitas livres as quais podem assumir qualquer
valor real. Logo, o sistema linear homogeneo AX = 0 tem infinitas solucoes.
Teorema 5. Sejam A = (aij )mn e , R.
(i) Se X e Y sao solucoes do sistema AX = 0, entao X + Y tambem o e.
(ii) Se X e solucao do sistema AX = 0, entao X tambem o e.
(iii) Se X e Y sao solucoes do sistema AX = 0, entao X + Y tambem o e.
Teorema 6. Seja A uma matriz do tipo m n e B 6= 0 uma matriz do tipo m 1.

Qualquer solucao X do sistema AX = B escreve-se na forma X = X0 + Y onde X0 e uma
solucao particular do sistema AX = B e Y e uma solucao do sistema homogeneo AX = 0.
Assim:

solucao geral de solucao particular de solucao geral de
= + .
AX = B AX = B AX = 0
Dem. Sendo X0 uma solucao particular do sistema AX = B, basta escrever
X = X0 + (X X0 )
e mostrar que X X0 e solucao do sistema homogeneo AX = 0.
Matrizes Elementares
Definicao 16. Uma matriz elementar do tipo n n e uma matriz obtida da matriz
identidade I atraves de uma unica operacao elementar.
(i) A matriz Pij , chamada matriz de permutacao, e a matriz elementar obtida por
troca da linha i com a linha j da matriz I. Tem-se:

1 0 0
0 ... ... ..
.
. .
.. . . 1

0 1
i

1

Pij = . .
.
.

1

1 0 j

. . ..
1 . .
. .. ..
.. . . 0
0 0 1
12
(ii) A matriz Ei () e a matriz elementar obtida da matriz I atraves do produto do escalar
6= 0 pela linha i da matriz I. Tem-se:

1 0 0
..
0 ... ...

. .

. .. .
. 1

Ei () = i .
. . ..

1 . .
.. . . . .
. . . 0
0 0 1
(iii) A matriz Eij () e a matriz elementar obtida da matriz I por soma da linha j com
um multiplo da linha i. Tem-se:

1 0 0
0 ... ... ..
.
. .
.. . . 1 i

Eij () = . .
.
.

. . ..
1 . . j
. . .
.. .. .. 0
0 0 1
Observacao 9. As matrizes elementares Eij () sao sempre matrizes triangulares

inferiores, pois todas as entradas por cima das respectivas diagonais principais sao nulas.
Exemplo 11. As matrizes elementares do tipo 2 2 sao:

0 1 0 1 0
P12 = P21 = , E1 () = , E2 () = ,
1 0 0 1 0
com 6= 0,

1 0 1
E12 () = e E21 () = .
1 0 1
Teorema 7. Sejam E uma matriz elementar do tipo m m e A uma matriz qualquer

do tipo m n. Entao, EA e a matriz obtida de A atraves da mesma operacao elementar que
originou E. Isto e, aplicar uma operacao elementar a uma matriz corresponde a multiplicar
essa matriz a esquerda por uma matriz elementar.
Exemplo 12. Consideremos a matriz aumentada do exemplo 9:

0 0 3 9 | 6
5 15 10 40 | 45 .
1 3 1 5 | 7
13
A operacao elementar:

0 0 3 9 | 6 1 3 1 5 | 7
5 15 10 40 | 45 5 15 10 40 | 45 ,
L1 L3
1 3 1 5 | 7 0 0 3 9 | 6
corresponde a seguinte multiplicacao (a esquerda):

0 0 1 0 0 3 9 | 6 1 3 1 5 | 7
0 1 0 5 15 10 40 | 45 = 5 15 10 40 | 45 .
1 0 0 1 3 1 5 | 7 0 0 3 9 | 6

1 3 1 5 | 7 1 3 1 5 | 7
5 15 10 40 | 45 1 3 2 8 | 9 ,
1
L L2
0 0 3 9 | 6 5 2 0 0 3 9 | 6

1 0 0 1 3 1 5 | 7 1 3 1 5 | 7
0 1/5 0 5 15 10 40 | 45 = 1 3 2 8 | 9 .
0 0 1 0 0 3 9 | 6 0 0 3 9 | 6

1 3 1 5 | 7 1 3 1 5 | 7
1 3 2 8 | 9 0 0 1 3 | 2 ,
L1 +L2 L2
0 0 3 9 | 6 0 0 3 9 | 6

1 0 0 1 3 1 5 | 7 1 3 1 5 | 7
1 1 0 1 3 2 8 | 9 = 0 0 1 3 | 2 .
0 0 1 0 0 3 9 | 6 0 0 3 9 | 6
Finalmente, a operacao elementar:

1 3 1 5 | 7 1 3 1 5 | 7
0 0 1 3 | 2 0 0 1 3 | 2 ,
3L2 +L3 L3
0 0 3 9 | 6 0 0 0 0 | 0

1 0 0 1 3 1 5 | 7 1 3 1 5 | 7
0 1 0 0 0 1 3 | 2 = 0 0 1 3 | 2 .
0 3 1 0 0 3 9 | 6 0 0 0 0 | 0
Tem-se entao:

0 0 3 9 | 6 1 3 1 5 | 7
1
E23 (3) E12 (1) E2 P13 5 15 10 40 | 45 = 0 0 1 3 | 2 .
5
1 3 1 5 | 7 0 0 0 0 | 0
14
A matriz inversa
Definicao 17. Uma matriz A (do tipo n n) diz-se invertvel se existir uma matriz B (do
tipo n n) tal que
AB = BA = I.
A matriz B chama-se matriz inversa de A e denota-se por A1 .
Observacao 10. Obviamente que resulta da definicao de matriz inversa o seguinte facto:
sendo A1 a matriz inversa de A, entao A1 e invertvel e a sua inversa e a propria matriz
1
A, isto e, (A1 ) = A.
Exemplo 13. As seguintes matrizes sao a inversa uma da outra:

2 1 1/2 1/6
A= e B= .
0 3 0 1/3
Teorema 8. A inversa de uma matriz e unica.
Dem. Sejam B e C as inversas de A. Entao,
B = BI = B (AC) = (BA) C = IC = C.
Teorema 9. (i) Se A = (aij )nn e B = (bij )nn sao duas matrizes invertveis, entao AB
e invertvel e
(AB)1 = B 1 A1 .
(ii) Se A = (aij )nn e invertvel, entao AT e invertvel e

1 T
AT = A1 .
Definicao 18. Uma matriz A = (aij )nn diz-se nao singular se apos o metodo de
eliminacao de Gauss esta for transformada numa matriz triangular superior (matriz
cujas entradas por baixo da diagonal principal sao todas nulas) cujas entradas da diagonal
principal sejam todas nao nulas. Uma matriz A = (aij )nn diz-se singular se apos o metodo
de eliminacao de Gauss existir (pelo menos) uma linha nula na matriz obtida de A.
Teorema 10. Uma matriz A = (aij )nn e invertvel se e so se e nao singular.
Teorema 11. Toda a matriz elementar e invertvel e a respectiva inversa e tambem uma
matriz elementar. Tem-se:
(i) (Pij )1 = Pij .
(ii) (Ei ())1 = Ei (1/), para 6= 0.
(iii) (Eij ())1 = Eij ().
15
Teorema 12. (Factorizacao triangular). Seja A uma matriz nao singular do tipo
nn. Entao ou A admite a factorizacao unica A = LDU ou existe uma matriz de permutacao
P tal que P A admite a factorizacao unica P A = LDU , onde L e U sao respectivamente uma
matriz triangular inferior e uma matriz triangular superior com as entradas das diagonais
principais todas iguais a 1, e D e uma matriz diagonal com as entradas da diagonal principal
todas nao nulas.
Observacao 11. As entradas da diagonal principal da matriz D do teorema 12 sao os

pivots que resultam da aplicacao do metodo de eliminacao de Gauss a matriz A.

1 1 1
Exemplo 14. Seja A = 2 1 4 . Tem-se:
2 3 5

1 1 1 1 0 0 1 1 1
E23 (1)E13 (2)E12 (2)A = 0 1 2 = 0 1 0 0 1 2 .
0 0 5 0 0 5 0 0 1
Logo,
1 0 0 1 1 1
A = (E12 (2))1 (E13 (2))1 (E23 (1))1 0 1 0 0 1 2 .
0 0 5 0 0 1
Isto e,
1 0 0 1 1 1
A = E12 (2)E13 (2)E23 (1) 0 1 0 0 1 2 ,
0 0 5 0 0 1
ou ainda,
A = LDU ,
com

1 0 0
L = E12 (2)E13 (2)E23 (1) = 2
1 0 ,
2 1 1

1 0 0 1 1 1
D = 0 1 0 e U= 0 1 2 .
0 0 5 0 0 1

1 2 3 4
0 0 5 6
Exemplo 15. Seja A =
0
. Tem-se:
0 10 6
0 1 7 8

1 2 3 4 1 2 3 4
0 1 7 8 0 1 7 8
P24 A =
0 0 10
e E34 (1/2) P24 A = .
6 0 0 10 6
0 0 5 6 0 0 0 3
16
Logo,
1 2 3 4
0 1 7 8
P24 A = (E34 (1/2))1
0
.
0 10 6
0 0 0 3
Isto e,
1 0 0 0 1 2 3 4
0 1 0 0 0 1 7 8
P24 A = E34 (1/2)
0
,
0 10 0 0 0 1 3/5
0 0 0 3 0 0 0 1
ou ainda,
P A = LDU ,
com
1 0 0 0
0 1 0 0
P = P24 , L = E34 (1/2) =
0
,
0 1 0
0 0 1/2 1

1 0 0 0 1 2 3 4
0 1 0 0 0 1 7 8
D=
0 0
e U = .
10 0 0 0 1 3/5
0 0 0 3 0 0 0 1
Observacao 12. Uma matriz A e invertvel se e so se for igual ao produto de matrizes

elementares.
Teorema 13. Seja A uma matriz do tipo n n.
(i) O sistema associado a AX = B tem solucao unica se e so se A for invertvel. Neste

caso a solucao e X = A1 B.
(ii) O sistema homogeneo AX = 0 tem solucao nao trivial se e so se A for singular (nao
invertvel).
Teorema 14. Sejam A e B duas matrizes do tipo n n. Se AB e invertvel, entao A e

B sao invertveis.
Dem. Considere o sistema (AB) X = 0. Se B nao fosse invertvel, entao pelo teorema
13 existiria X 6= 0 tal que BX = 0. Logo, X 6= 0 seria solucao nao trivial de ABX = 0, o
que contraria o teorema 13 uma vez que por hipotese AB e invertvel. Assim, B e invertvel.
Finalmente, A e invertvel por ser o produto de duas matrizes invertveis: A = (AB) B 1 .
Observacao 13. (Como inverter matrizes do tipo n n). Seja A uma matriz do
tipo n n e consideremos a equacao AX = B. Se A for invertvel temos
AX = B X = A1 B,
17
isto e,
AX = IB IX = A1 B.
Assim, para determinar a inversa de A, iremos transformar a matriz aumentada [A | I] na
matriz [I | A1 ], por meio de operacoes elementares aplicadas as linhas de [A | I]. Este
metodo tem o nome de metodo de eliminacao de Gauss-Jordan2 e consistira na conti-
nuacao do metodo de eliminacao de Gauss agora aplicado a [matriz triangular superior | ],
efectuando-se as eliminacoes de baixo para cima de modo a obter-se [I | A1 ].

1 1 1
Exemplo 16. (i) Seja A = 2 1 4 . Tem-se
2 3 5

1 1 1 | 1 0 0 1 1 1 | 1 0 0
[A | I] = 2 1 4 | 0 1 0 0 1 2 | 2 1 0
2L1 +L2 L2 L2 +L3 L3
2 3 5 | 0 0 1 2L1 +L3 L3 0 1 3 | 2 0 1

1 1 1 | 1 0 0 1 1 1 | 1 0 0
0 1 2 | 2 1 0 1 0 1 2 | 2 1 0
L L 2L3 +L2 L2
0 0 5 | 4 1 1 5 3 3
0 0 1 | 4/5 1/5 1/5 L3 +L1 L1

1 1 0 | 9/5 1/5 1/5
0 1 0 | 2/5 3/5 2/5

L2 +L1 L1
0 0 1 | 4/5 1/5 1/5

1 0 0 | 7/5 2/5 3/5
0 1 0 | 2/5 3/5 2/5
L2 L2
0 0 1 | 4/5 1/5 1/5

1 0 0 | 7/5 2/5 3/5
0 1 0 | 2/5 3/5 2/5 .
0 0 1 | 4/5 1/5 1/5

1 2 3
(ii) Seja A = 1 1 2
. Tem-se
0 1 1

1 2 3 | 1 0 0 1 2 3 | 1 0 0
[A | I] = 1 1 2 | 0
1 0 0 1 1 | 1 1 0
L1 +L2 L2 L2 +L3 L3
0 1 1 | 0 0 1 0 1 1 | 0 0 1

1 2 3 | 1 0 0
0 1 1 | 1 1
0 .
0 0 0 | 1 1 1
Logo, A e singular e como tal nao e invertvel.
2
Wilhelm Jordan 1842 1899
18
Espacos Lineares (Vectoriais)
No final do seculo XIX e no comeco do seculo XX tornou-se claro gracas a Grassmann 3 ,

Peano4 e a Weyl5 que desenvolvimento axiomatico da geometria Euclideana podia ser feita
apelando a estruturas matematicas Espacos Vectoriais e Euclideanos que desempanham
um papel determinante noutras areas da matematica e de outras ciencias. O estudo das
estruturas matematicas independente quer dos contextos que lhes deram origem quer dos
contextos em que aplicam constitui uma das ideias mais ricas da matematica do seculo XX
e e indissociavel da matematica Emmy Noether6 . A Algebra linear e basicamente o estuda
dessas estruturas.
Definicao 19. Um conjunto nao vazio V e um espaco linear (real) se existirem duas
operacoes associadas a V , uma soma de elementos de V e um produto de escalares (numeros
reais) por elementos de V , com as seguintes propriedades:
(a) (Fecho da soma). Para quaisquer u, v V tem-se u + v V .
(b) (Fecho do produto por escalares). Para quaisquer R e u V tem-se u V .
(c) (Comutatividade da soma). Para quaisquer u, v V , u + v = v + u.
(d) (Associatividade da soma). Para quaisquer u, v, w V , u + (v + w) = (u + v) + w.
(e) (Elemento neutro da soma). Existe um elemento de V designado por 0 tal que, para
qualquer u V , u + 0 = u.
(f ) (Simetrico). Para cada (qualquer) u V existe v V tal que u + v = 0. A v

chama-se o simetrico de u e denota-se por u.
(g) (Associatividade do produto por escalares). Para quaisquer , R e u V ,

(u) = () u.
(h) (Distributividade em relacao a soma de vectores). Para quaisquer R e u, v V ,

(u + v) = u + v.
(i) (Distributividade em relacao a soma de escalares). Para quaisquer , R e u V ,

( + ) u = u + u.
(j) Para qualquer u V , 1u = u.
Observacao 14. Aos elementos de V chamaremos vectores.
Exemplo 17. Exemplos de espacos lineares:

3
Hermann Grassmann 18091877
4
Giuseppe Peano 18581932
5
Hermanm Weyl 18851955
6
Emmy Noether 18821935
19
(i) Rn , com as operacoes usuais:
(u1 , u2 , ..., un ) + (v1 , v2 , ..., vn ) = (u1 + v1 , u2 + v2 , ..., un + vn ),
(u1 , u2 , ..., un ) = (u1 , u2 , ..., un ).
(ii) Matmn (R) (conjunto de todas as matrizes reais do tipo m n), com as operacoes
(usuais): A + B e A.
(iii) O conjunto de todas as funcoes reais de variavel real definidas num conjunto nao
vazio S R, com as operacoes usuais:
(f + g)(x) = f (x) + g(x),
(f )(x) = f (x).
(iv) O conjunto P de todos os polinomios reais, com as operacoes usuais.
(v) O conjunto Pn de todos os polinomios reais de grau menor ou igual a n, com as

operacoes usuais.
Observacao 15. Um mesmo conjunto pode servir para formar espacos lineares dife-
rentes:
(i) O conjunto dos numeros reais R, com a soma definida por
u v = u + v + 1,
e o produto por escalares definido por
u = u + 1,
e um espaco linear. (Neste caso o elemento neutro e 1.)
(ii) O conjunto dos numeros reais maiores do que zero, com a soma definida por
u v = uv,
e o produto por escalares definido por
u = u ,
e um espaco linear. (Neste caso o elemento neutro e 1.)
Observacao 16. Alteracoes nos conjuntos considerados anteriormente podem resultar

em conjuntos que nao sao espacos lineares.
(i) O conjunto {(x, y) R2 : x 0 e y 0}, com as operacoes usuais, nao e um espaco

linear. Por exemplo, os simetricos nao estao no conjunto.
20
(ii) O conjunto V = {a0 + a1 t + ... + an tn : a0 , a1 , ..., an R e an 6= 0}, com as operacoes
usuais, nao e um espaco linear. Por exemplo:
tn , tn + t V , mas tn + (tn + t) = t
/ V.
(iii) O conjunto U = {f : R R tais que f (1) = 2}, com as operacoes usuais, nao e
um espaco linear. Por exemplo, se f1 , f2 U ,
(f1 + f2 ) (1) = f1 (1) + f2 (1) = 2 + 2 = 4 6= 2.
Logo, f1 + f2
/ U.
Subespacos lineares exemplos: nucleo, espaco colunas e linhas de

uma matriz
Definicao 20. Seja V um espaco linear. Diz-se que S e um subespaco de V se S e um

subconjunto de V e se S, com as operacoes de V , for um espaco linear.
Observacao 17. No entanto, para mostrar que um certo conjunto S V e um subespaco

do espaco linear V , nao sera necessario verificar as 10 propriedades da definicao 19, como se
pode ver no seguinte teorema.
Teorema 15. Um subconjunto nao vazio S de um espaco linear V e um subespaco de

V se e so se:
(i) Para quaisquer u, v S tem-se u + v S.
(ii) Para quaisquer R e u S tem-se u S.
Exemplo 18. Exemplos de subespacos:
(i) Os unicos subespacos do espaco linear R, com as operacoes usuais, sao {0} e R.
(ii) Os subespacos do espaco linear R3 , com as operacoes usuais, sao: {(0, 0, 0)}, R3 ,
todas as rectas que passam pela origem e todos os planos que passam pela origem.
(iii) O conjunto de todas as matrizes (reais) triangulares superiores (do tipo n n) e um

subespaco do espaco linear Matnn (R), com as operacoes usuais.
(iv) O conjunto de todas as funcoes reais definidas e contnuas em I R (I e um

intervalo) e um subespaco do espaco linear de todas as funcoes f : I R, com as operacoes
usuais.
(v) Seja A uma matriz (real) do tipo m n. O conjunto
C(A) = {b Rm : Au = b tem pelo menos uma solucao u}
21
e um subespaco do espaco linear Rm , com as operacoes usuais, ao qual se da o nome de
espaco das colunas de A.
(vi) Seja A uma matriz (real) do tipo m n. O conjunto
Nuc(A) = {u Rn : Au = 0}
e um subespaco do espaco linear Rn , com as operacoes usuais, ao qual se da o nome de

espaco nulo ou nucleo de A.
Observacao 18. (i) Se A e invertvel entao Nuc(A) = {0}.
(ii) Se Nuc(A) = {0} entao A e invertvel.
(iii) Poderemos obter subespacos de um espaco linear atraves de combinacoes lineares

de vectores desse espaco.
Definicao 21. Seja S um subconjunto nao vazio de um espaco linear V . Diz-se que um
vector u e combinacao linear finita dos elementos de S, se existir um no finito de elementos
de S, u1 , ..., uk , e de escalares 1 , ..., k tais que
k
X
u = 1 u1 + ... + k uk = i ui .
i=1
Ao cojunto de todas as combinacoes lineares finitas de elementos de S chama-se expansao

linear de S e designa-se por L(S). Se S e o conjunto vazio , escreve-se L() = {0}.
Teorema 16. Seja S um subconjunto nao vazio de um espaco linear V . A expansao

linear L(S) de S e o menor subespaco de V que contem S. Deste modo, a L(S) tambem se
chama o subespaco gerado por S, e diz-se que S gera L(S).
Observacao 19. Seja S e T dois subconjuntos nao vazios de um espaco linear V , com
S T . Se L(S) = V entao L(T ) = V .
Exemplo 19. (i) O espaco linear R2 e gerado por qualquer dos seguintes conjuntos de
vectores:
{(1, 0), (0, 1)}, {(1, 2), (1, 11)} e {(23, 8), (6, 14)}.
(ii) O subespaco {(x, y) R2 : y = 2x} do espaco linear R2 e gerado por qualquer dos
seguintes conjuntos de vectores:
{(1, 2)}, {(2, 4)} e {(77, 154)}.
(iii) O espaco linear Pn de todos os polinomios de grau menor ou igual a n, e gerado

por qualquer dos seguintes conjuntos de vectores:
t t2 tn
{1, t, t2 , ..., tn }, {1, 1 + t, (1 + t)2 , ..., (1 + t)n } e {1, , , ..., }.
1! 2! n!
22
(iv) O espaco linear P de todos os polinomios, e gerado pelo conjunto infinito de vectores:
{1, t, t2 , ...}.
(v) O espaco linear V de todas as funcoes f : R R diferenciaveis tais que f 0 (x) = af (x)
e gerado pela funcao f1 (x) = eax , i.e. V = L({f1 }).
(vi) Seja A uma matriz (real) do tipo m n. O espaco das colunas de A,
C(A) = {b Rm : Au = b tem pelo menos uma solucao u} ,
e o subespaco (do espaco linear Rm ) gerado pelas colunas de A, uma vez que:

b1 a11 a12 a1n u1 a11 a12 a1n
b2 a21 a22 a2n u2 a21 a22 a2n

.. = .. .. .. .. = u1 .. + u2 .. + ... + un .. .
. . . . . . . .
bm am1 am2 amn un am1 am2 amn
(vii) Seja A uma matriz (real) do tipo m n. Ao subespaco linear de Rn gerado pelas
linhas de A da-se o nome de espaco das linhas de A e designa-se por L(A).
(viii) Sejam

1 3 1 1 2
0 0 0 2 0
A= , B = 0 0 7 , C = 2 4 e D= .
0 0 0 0 1
0 0 0 2 4
Tem-se
C(A) = {(0, 0)}, Nuc(A) = R3 e L(A) = {(0, 0, 0)}.
C(B) = L ({(1, 0, 0) , (1, 7, 0)}) , Nuc(B) = L ({(3, 1, 0)}) e L(B) = L ({(1, 3, 1) , (0, 0, 7)}) .
C(C) = L ({(1, 2, 2)}) , Nuc(C) = L ({(2, 1)}) e L(C) = L ({(1, 2)}) .
C(D) = L ({(2, 0) , (0, 1)}) , Nuc(D) = {(0, 0)} e L(D) = L ({(2, 0) , (0, 1)}) .
(ix) Seja U = {A Mat32 (R) : a12 = a21 = a32 = 0 e a11 + 2a31 = 0}. Tem-se, para
A U,

a11 a12 2a31 0 2 0 0 0
A = a21 a22 =
0 a22 = a31 0 0 + a22 0 1 ,
a31 a32 a31 0 1 0 0 0
com a31 , a22 R. Logo,

2 0 0 0
U = L 0 0 , 0 1 .

1 0 0 0
(x) Seja U = {p(t) = a0 + a1 t + a2 t2 P2 : p(1) = p(0)}. Tem-se, para p(t) U ,
p(1) = p(0) a0 + a1 + a2 = a0 a1 + a2 = 0 a1 = a2 .
23
Logo,

p(t) = a0 a2 t + a2 t2 = a0 1 + a2 t + t2 ,
com a0 , a2 R. Assim,
U =L 1, t + t2 .
Teorema 17. Se U e V sao subespacos do espaco linear W , entao:
(i) O conjunto U V e um subespaco linear de W .
(ii) O conjunto U + V = {u + v : u U e v V } e um subespaco de W . E o menor

subespaco de W que contem U V . O conjunto U V em geral nao e um subespaco. Tem-se
U + V = L(U V ).
Exemplo 20. (i) Em R3 , considere os subespacos:
U = {(x, y, z) R3 : x + y 2z = 0} e V = L ({(1, 1, 1), (1, 2, 1)}) .
Seja v V , entao
v = (1, 1, 1) + (1, 2, 1) = ( + , + 2, + ),
com , R. Para que v esteja tambem em U e preciso que:
( + ) + ( + 2) 2 ( + ) = 0.
A ultima equacao e equivalente a 4 + = 0 = 4. Logo,
U V = {(3, 7, 5) : R} = {(3, 7, 5) : R} = L ({(3, 7, 5)}) .
(ii) Em R3 , considere os subespacos:
U = L ({(1, 1, 1), (1, 2, 2)}) e V = L ({(2, 1, 1), (1, 1, 3)}) .
Seja v U , entao
v = (1, 1, 1) + (1, 2, 2) = ( + , + 2, + 2),
com , R. Para que v esteja tambem em V e preciso que:
( + , + 2, + 2) = (2, 1, 1) + (1, 1, 3) =
= (2 , + , + 3) ,
com , R. Deste modo,

+ = 2

+ 2 = +

+ 2 = + 3.
24
Considerando a matriz aumentada tem-se

1 1 | 2 1 1 | 2 1 1 | 2
1 2 | + 0 3 | 3 0 3 | 3
L1 +L2 L2 31 L2 +L3 L3
1 2 | + 3 L1 +L3 L3 0 1 | + 4 0 0 | 2 + 4
Logo,

+ = 2
=

= = 2

0 = 2 + 4. = 2.
Assim,
(1, 1, 1) + (1, 2, 2) = (1, 1, 1) + 2(1, 2, 2) = (3, 3, 5) = (3, 3, 5).
Logo,
U V = {(3, 3, 5) : R} ={(3, 3, 5) : R} = L ({(3, 3, 5)}) .
Observacao 20. Neste exemplo (ii), os subespacos U e V poderiam ter sido apresentados
inicialmente na forma:
U = {(x, y, z) R3 : 4x + y 3z = 0} e V = {(x, y, z) R3 : 2x 7y + 3z = 0},
uma vez que
U = {(x, y, z) R3 : 4x + y 3z = 0} = L ({(1, 4, 0), (0, 3, 1)}) = L ({(1, 1, 1), (1, 2, 2)})
V = {(x, y, z) R3 : 2x7y+3z = 0} = L ({(7, 2, 0), (3, 0, 2)}) = L ({(2, 1, 1), (1, 1, 3)}) .
(iii) Sejam W = Matnn (R), U o subespaco (de W ) das matrizes triangulares superiores,
V o subespaco (de W ) das matrizes triangulares inferiores. Entao
U +V =W e U V = subespaco das matrizes diagonais.
(iv) Sejam W = R2 , U = L({(1, 0)}) e V = L({(0, 1)}). O conjunto
U V = {(x, y) R2 : x = 0 y = 0}
nao e um espaco linear:

(1, 0) + (0, 1) = (1, 1)
/ U V
| {z } | {z }
U V
Teorema 18. Se U e V subespacos do espaco linear W , entao U V e subespaco de W

se e so se U V ou V U .
Teorema 19. Sejam W1 e W2 subespacos de um espaco linear V tais que
W1 W2 = {0}.
25
Se V = W1 + W2 entao todo o vector v V pode ser escrito de modo unico na forma
v = w 1 + w2
com w1 W1 e w2 W2 . Neste caso escreve-se V = W1 W2 e diz-se que V e a soma

directa dos espacos W1 e W2 .
Teorema 20. O espaco das linhas L(A) e o nucleo Nuc(A) de uma matriz A
Matmn (R) mantem-se invariantes por aplicacao do metodo de eliminacao de Gauss. Isto e,
sendo A0 a matriz em escada que se obtem de A por aplicacao desse metodo, tem-se
L(A) = L(A0 ) e Nuc(A) = Nuc(A0 ).
Observacao 21. Seja A Matmn (R). Se A0 for a matriz em escada que se obtem de A
por aplicacao do metodo de eliminacao de Gauss, tem-se
C(A) 6= C(A0 ).
Teorema 21. Seja A Matmn (R). Tem-se
C(A) = L(AT ) e L(A) Nuc(A) = {0}.
Independencia linear
Definicao 22. Seja V um espaco linear. Seja S = {v1 , v2 , ..., vk } V . Diz-se que o
conjunto S e linearmente dependente se e so se algum dos vectores de S se escrever como
combinacao linear dos restantes, isto e, se e so se existir algum i {1, 2, ..., k} e escalares
1 , 2 , ..., i1 , i+1 , ..., k R tais que
vi = 1 v1 + 2 v2 + ... + i1 vi1 + i+1 vi+1 + ... + k vk .
Definicao 23. Seja V um espaco linear. Seja S = {v1 , v2 , ..., vk } V . Diz-se que o
conjunto S e linearmente independente se e so se nenhum dos vectores de S se puder
escrever como combinacao linear dos restantes, isto e, se e so a unica solucao do sistema
homogeneo
1 v1 + 2 v2 + ... + k vk = 0
for a solucao trivial, ou seja, 1 = 2 = ... = k = 0. Isto e, sendo A a matriz cujas colunas
sao os vectores de S, diz-se que S e linearmente independente se e so se Nuc(A) = {0}.
Teorema 22. Seja A0 uma matriz em escada de linhas.
(i) As colunas de A0 que contem pivots sao linearmente independentes.
(ii) As linhas nao nulas de A0 sao linearmente independentes.
(iii) O no de linhas independentes e o no de colunas independentes (de A0 ) sao ambos

iguais a caracterstica de A0 .
Observacao 22. (i) Assim, atendendo ao teorema anterior, a independencia linear de

S = {v1 , v2 , ..., vk } V (espaco linear) pode ser decidida aplicando o metodo de eliminacao
26
a matriz A cujas colunas sao os vectores de S, de modo a coloca-la em escada de linhas.
Sendo A0 essa matriz em escada, tem-se pelo teorema 20
Nuc(A) = Nuc(A0 ) (*).
Uma vez que as colunas de A0 que contem pivots sao linearmente independentes entao, devido
a (*), as colunas de A nas posicoes correspondentes tambem serao linearmente independentes.
(ii) Em R, quaisquer dois vectores sao linearmente dependentes.
(iii) Em R2 , dois vectores sao linearmente independentes se nao forem colineares.
(iv) Em R3 , tres vectores sao linearmente independentes se nao forem coplanares.
(v) Qualquer conjunto que contenha o vector nulo (elemento neutro) e linearmente de-
pendente. Em particular, o conjunto {0}, formado apenas pelo vector nulo, e linearmente
dependente.
(vi) O conjunto vazio e linearmente independente.
Teorema 23. Sejam S1 e S2 dois subconjuntos finitos de um espaco linear, tais que
S1 S 2 .
(i) Se S1 e linearmente dependente entao S2 tambem e linearmente dependente.
(ii) Se S2 e linearmente independente entao S1 tambem e linearmente independente.
Observacao 23. Sejam S1 e S2 dois subconjuntos finitos de um espaco linear, tais que
S1 S 2 .
(i) Se S2 for linearmente dependente entao S1 tanto pode ser linearmente dependente
como linearmente independente.
(ii) Se S1 for linearmente independente entao S2 tanto pode ser linearmente dependente
como linearmente independente.
Exemplo 21. Seja S = {(1, 0, 2), (2, 0, 4), (0, 1, 2)}. Tem-se

1 2 0 1 2 0 1 2 0
A= 0 0 1 0 0 1 0 0 1 = A0 .
2L1 +L3 L3 2L2 +L3 L3
2 4 2 0 0 2 0 0 0
Logo, como apenas existem dois pivots e portanto uma variavel livre, as tres colunas de A
sao linearmente dependentes, isto e, o conjunto S e linearmente dependente. O subconjunto
de S:
{(1, 0, 2), (2, 0, 4)}
tambem e linearmente dependente. No entanto, uma vez que a 1a e 3a colunas de A sao
independentes pois correspondem as colunas da matriz em escada A0 que contem os pivots,
o subconjunto de S:
{(1, 0, 2), (0, 1, 2)}
e linearmente independente.
27
Bases e dimensao de Espacos Lineares
Definicao 24. Chama-se base de um espaco linear V a qualquer subconjunto S de V que
verifique as duas condicoes:
(i) S gera V , isto e, L(S) = V .
(ii) S e linearmente independente.
Teorema 24. Qualquer espaco linear V 6= {0} tem pelo menos uma base.
Dem.: Demonstracao nao trivial!!
Observacao 24. Qualquer espaco linear V 6= {0} tem um no infinito de bases. Por exem-
plo, se S = {u1 , ..., uk } for uma base de V entao para cada 6= 0 o conjunto {u1 , ..., uk }
e tambem uma base de V .
Teorema 25. Todas as bases de um espaco linear V 6= {0} tem o mesmo no de vectores.
Definicao 25. Chama-se dimensao de um espaco linear V 6= {0} ao no de vectores de

uma base qualquer de V , e escreve-se dim V . Se V = {0} entao dim V = 0 uma vez que
o conjunto vazio e base de {0}. Um espaco linear tera dimensao finita se uma sua base
tiver um no finito de vectores.
Exemplo 22. (i) O conjunto {1} e uma base de R, chamada base canonica ou natural
de R. Logo,
dim R = 1.
(ii) O conjunto {(1, 0), (0, 1)} e uma base de R2 , chamada base canonica ou natural de
R2 . Logo,
dim R2 = 2.
(iii) O conjunto {(1, 0, 0), (0, 1, 0), (0, 0, 1)} e uma base de R3 , chamada base canonica
ou natural de R3 . Logo,
dim R3 = 3.
(iv) O conjunto

1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
, , , , ,
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
e uma base de Mat23 (R), chamada base canonica ou natural de Mat23 (R). Logo,
dim Mat23 (R) = 6.
(v) Tem-se
dim Rn = n e dim Matmn (R) = mn.
(vi) O conjunto {1, t, t2 , ..., tn } e uma base de Pn (espaco linear de todos os polinomios
reais de grau menor ou igual a n), chamada base canonica ou natural de Pn . Logo,
dim Pn = n + 1.
28
(vii) O conjunto {1, t, t2 , ...} e uma base de P (espaco linear de todos os polinomios
reais), chamada base canonica ou natural de P . Logo,
dim P = .
Definicao 26. Chama-se nulidade a dimensao do nucleo ou espaco nulo de uma matriz
A e escreve-se nul A.
Teorema 26. Seja A Matmn (R).
(i) Tem-se
dim C(A) = dim L(A) = car A.
(ii) Tem-se
car A + nul A = n.
Teorema 27. Sejam W1 e W2 dois subespacos de dimensao finita de um espaco linear

V . Entao,
dim (W1 + W2 ) = dim W1 + dim W2 dim (W1 W2 ) .
Teorema 28. Sejam V um espaco linear de dimensao finita e W um subespaco de V .
(i) Seja S = {u1 , ..., uk } V . Se S e linearmente independente entao S sera um subcon-

junto de uma base de V e ter-se-a dim V k.
(ii) Se dim V = n, entao quaisquer m vectores de V , com m > n, sao linearmente

dependentes.
(iii) Se dim V = n, entao nenhum conjunto com m vectores de V , em que m < n, pode
gerar V .
(iv) O subespaco W tem dimensao finita e dim W dim V .
(v) Se dim W = dim V , entao W = V .
(vi) Se dim V = n, entao quaisquer n vectores de V linearmente independentes cons-

tituem uma base de V .
(vii) Se dim V = n, entao quaisquer n vectores geradores de V constituem uma base de

V.
Observacao 25. O no de elementos de uma base de um espaco linear e igual ao no

mnimo de vectores possam constituir um conjunto gerador desse espaco e e tambem igual
ao no maximo de vectores que possam constituir um conjunto linearmente independente
nesse espaco.
Exemplo 23. Seja A Matmn (R). Como L(A) e Nuc(A) sao subespacos de Rn entao
L(A) + Nuc(A) = L (L(A) Nuc(A))
29
e tambem um subepaco de Rn . Por outro lado, atendendo a que
L(A) Nuc(A) = {0}
(teorema 21), tem-se

dim (L(A) Nuc(A)) = 0.
Assim,
dim (L(A) + Nuc(A)) = dim L(A) + dim Nuc(A) dim (L(A) Nuc(A)) =
= car A + nul A 0 =
= n.
Logo, pelo teorema 28 (v), tem-se
Rn = L(A) Nuc(A).
Exemplo 24. (i) Os seguintes conjuntos sao todos os subespacos de R:
{0} e R.
(ii) Os seguintes conjuntos sao todos os subespacos de R2 :
{(0, 0)} , todas as rectas que contem a origem e R2 .
(iii) Os seguintes conjuntos sao todos os subespacos de R3 :
{(0, 0, 0)} , todas as rectas que contem a origem, todos os planos que contem a origem e R 3 .
Observacao 26. O metodo de eliminacao de Gauss permite determinar a dimensao

e uma base quer para o espaco das linhas L(A) quer para o espaco das colunas C(A) de
uma matriz A. Seja A0 a matriz em escada que se obtem de A por aplicacao do metodo de
eliminacao de Gauss. Entao,
(i) Uma base para L(A) sera formada pelas linhas nao nulas de A0 .
(ii) Uma base para C(A) sera formada pelas colunas de A que correspondem as posicoes
das colunas de A0 que contem os pivots.
Exemplo 25. Seja

2 1 1 1
A= 4 2 3 3 .
6 3 1 1
Tem-se

2 1 1 1 2 1 1 1 2 1 1 1
A= 4 2 3 3 0 0 1 1 0 0 1 1 = A0 .
2L1 +L2 L2 4L2 +L3 L3
6 3 1 1 3L1 +L3 L3 0 0 4 4 0 0 0 0
30
Logo, {(2, 1, 1, 1), (0, 0, 1, 1)} e uma base de L(A) e {(2, 4, 6), (1, 3, 1)} e uma base de C(A).
Assim,
dim L(A) = 2 = dim C(A)
e
L(A) = L ({(2, 1, 1, 1), (0, 0, 1, 1)}) , C(A) = L ({(2, 4, 6), (1, 3, 1)}) .
Por outro lado,

x 0
y
0
Nuc(A0 ) = (x, y, z, w) R4 : A0
z =
=

0

w 0
= {(x, 2x, w, w) : x, w R} =
= L{(1, 2, 0, 0), (0, 0, 1, 1)}.
Como o conjunto {(1, 2, 0, 0), (0, 0, 1, 1)} e linearmente independente e gera Nuc(A 0 ) entao
e uma base de Nuc(A0 ). Finalmente, uma vez que Nuc(A) = Nuc(A0 ), o conjunto
{(1, 2, 0, 0), (0, 0, 1, 1)}
e uma base de Nuc(A) e portanto dim Nuc(A) = 2, com
Nuc(A) = L{(1, 2, 0, 0), (0, 0, 1, 1)}.
Exemplo 26. Seja S = {1, 2, 1), (2, 1, 1), (1, 2, 1), (0, 1, 0)} R3 . Determinemos
uma base para L(S).
Considere a seguinte matriz cujas colunas sao os vectores de S:

1 2 1 0
2 1 2 1 .
1 1 1 0
Tem-se

1 2 1 0 1 2 1 0 1 2 1 0
2 1 2 1 0 3 0 1 0 3 0 1 .
2L1 +L2 L2 L2 +L3 L3
1 1 1 0 L1 +L3 L3 0 3 0 0 0 0 0 1
Logo, S 0 = {1, 2, 1), (2, 1, 1), (0, 1, 0)} e uma base de L(S). Como dim R3 = 3, entao tem-se
mesmo: L(S) = R3 e S 0 e uma base de R3 .
Resolucao alternativa: Considere a seguinte matriz cujas linhas sao os vectores de S:

1 2 1
2 1 1
1 2 1 .

0 1 0
31
Tem-se

1 2 1 1 2 1 1 2 1 1 2 1
2 1 1 0 3 3
0 3 3
0 3 3
1 2 1 2L1
.
+L2 L2 0 0 0 L3 L4 0 1 0 1
L +L3 L3
0 0 1
3 2
L1 +L3 L3
0 1 0 0 1 0 0 0 0 0 0 0
Logo, S 0 = {1, 2, 1), (0, 3, 3), (0, 0, 1)} e uma base de L(S). Como dim R3 = 3, entao
tem-se mesmo: L(S) = R3 e S 0 e uma base de R3 .
Exemplo 27. Seja Sa,b = {1, 0, 1), (0, 1, a), (1, 1, b), (1, 1, 1)} R3 . Determinemos os
valores dos parametros a e b para os quais Sa,b nao gere R3 .
Considere a seguinte matriz cujas colunas sao os vectores de S:

1 0 1 1
0 1 1 1 .
1 a b 1
Tem-se

1 0 1 1 1 0 1 1 1 0 1 1
0 1 1 1 0 1 1 1 0 1 1 1 .
L1 +L3 L3 aL2 +L3 L3
1 a b 1 0 a b1 0 0 0 b a 1 a
Logo, Sa,b nao gera R3 se e so se b a 1 = 0 e a = 0, isto e, se e so se a = 0 e b = 1.
Teorema 29. (i) Seja A Matmn (R). As colunas de A geram Rm se e so se car A = m.
(ii) Seja A Matmn (R). As colunas de A sao linearmente independentes se e so se

car A = n.
(iii) Seja A Matnn (R). A matriz A e invertvel se e so se as colunas de A (ou as

linhas de A) formarem uma base de Rn . No caso de A ser invertvel tem-se
C(A) = L(A) = Rn .
Observacao 27. Seja A Matmn (R) e considere o sistema de equacoes lineares Au = b.
(i) O sistema Au = b e impossvel (nao tem solucao) se e so se b

/ C(A), isto e, se e so
se car A < car [A | b].
(ii) O sistema Au = b e possvel e indeterminado (tem um no infinito de solucoes) se

e so se b C(A) e as colunas de A forem linearmente dependentes, isto e, se e so se car A =
car [A | b] < n, isto e, se e so se car A = car [A | b] e nul A 6= 0.
(iii) O sistema Au = b e possvel e determinado (tem uma unica solucao) se e so

se b C(A) e as colunas de A forem linearmente independentes, isto e, se e so se car A =
car [A | b] = n, isto e, se e so se car A = car [A | b] e nul A = 0.
Observacao 28. Seja A Matmn (R) e considere o sistema de equacoes lineares Au = b.
32
(i) Existencia de solucao: Se m n entao o sistema Au = b tem pelo menos uma
solucao u para cada b Rm se e so se car A = m.
(ii) Unicidade de solucao: Se m n entao o sistema Au = b tem no maximo uma

solucao u para cada b Rm se e so se car A = n, isto e, se e so se nul A = 0.
(iii) Existencia e unicidade de solucao: Se m = n entao o sistema Au = b tem

solucao unica u para cada b Rm se e so se A for invertvel.
Teorema 30. Seja A Matnn (R). As seguintes afirmacoes sao equivalentes.
(i) A e nao singular.
(ii) A e invertvel.
(iii) Nuc(A) = {0}.
(iv) nul A = 0.
(v) Au = 0 tem apenas a solucao trivial u = 0.
(vi) Au = b tem solucao unica u para cada b Rn .
(vii) A caracterstica de A e maxima, isto e, car A = n.
(viii) As colunas de A geram Rn .
(ix) As colunas de A sao independentes.
(x) As linhas de A geram Rn .
(xi) As linhas de A sao independentes.
(xii) A menos de permutacoes de linhas, a matriz A admite uma unica factorizacao

triangular LDU .
Matriz mudanca de base
Definicao 27. Seja S = {v1 , v2 , ..., vk } uma base ordenada de um espaco linear V e seja u
um vector de V . Chamam-se coordenadas do vector u na base ordenada S aos escalares
1 , 2 , ..., k da combinacao linear:
u = 1 v1 + 2 v2 + ... + k vk .
Teorema 31. Seja V um espaco linear.
(i) Um conjunto S de vectores nao nulos de V e uma base de V se e so se todo o vector

de V puder ser escrito de modo unico como combinacao linear dos vectores de S.
33
(ii) Se dim V = n, entao dados u, w V e S = {v1 , v2 , . . . , vn } uma base ordenada de
V , tem-se u = w se e so se as coordenadas de u e de w na base S forem iguais.
Teorema 32. Seja V um espaco linear de dimensao n. Sejam S1 = {v1 , v2 , . . . , vn } e

S2 = {w1 , w2 , . . . , wn } duas bases ordenadas de V . Seja SS1 S2 a matriz cujas colunas sao
as coordenadas dos vectores de S1 em relacao a base S2 . Isto e,
n
X
SS1 S2 = (sij )nn com vj = sij wi para todo o j = 1, ..., n.
i=1
A matriz SS1 S2 e nao singular e chama-se matriz de mudanca de base (da base S1 para
S2 ). Assim, se tivermos
Xn
u= i v i ,
i=1
isto e, se (1 , ..., n ) forem as coordenadas do vector u na base S1 entao as coordenadas

(1 , ..., n ) de u na base S2 sao dadas por

1 1
.. .
. = SS1 S2 .. .
n n
Dem. Tem-se
n n n n n n
!
X X X X X X
u= i wi = j v j = j sij wi = sij j wi .
i=1 j=1 j=1 i=1 i=1 j=1
Atendendo ao teorema 31 (i), as coordenadas de um vector u numa base sao unicas. Logo,
n
!
X
i = sij j ,
j=1
para todo o i = 1, ..., n. Isto e,

1 1
.. .. .
. = SS1 S2 .
n n
Observacao 29. Tem-se

SS2 S1 = (SS1 S2 )1 .
Exemplo 28. Seja Bc = {(1, 0), (0, 1)} a base canonica de R2 . Seja B = {(1, 2), (2, 1)}
uma outra base ordenada de R2 . Sejam (2, 3) as coordenadas de um vector u na base
canonica Bc e determinemos as coordenadas de u na base B usando a matriz de mudanca de
base SBc B . Tem-se
1/3 2/3
SBc B = ,
2/3 1/3
34
uma vez que
1 2 2 1
(1, 0) = (1, 2) + (2, 1) e (0, 1) = (1, 2) (2, 1).
3 3 3 3
Logo, as coordenadas de u na base B sao dadas por

2 1/3 2/3 2 4/3
SBc B = = .
3 2/3 1/3 3 1/3
Logo, 4/3 e 1/3 sao as coordenadas de (2, 3) na base ordenada B, isto e

4 1
(2, 3) = (1, 2) + (2, 1).
3 3
Transformacoes Lineares
Definicao 28. Sejam U e V espacos lineares. Diz-se que
T :U V
e uma transformacao linear se e so se verificar as duas condicoes:
(i) T (u + v) = T (u) + T (v), para todos os u, v U .

(ii) T (u) = T (u), para todos os u U e R.
Observacao 30. Sejam U e V espacos lineares. Sejam 0 o vector nulo de U e 00 o vector

nulo de V .
(i) Se T : U V for uma transformacao linear entao T (U ) e um subespaco de V e

alem disso tem-se T (0) = 00 . Logo, se T nao verificar T (0) = 00 entao T nao sera uma
transformacao linear.
(ii) T : U V e uma transformacao linear se e so se
T (u + v) = T (u) + T (v),
para todos os , R e u, v U .
(iii) Seja T : U V uma transformacao linear e seja {v1 , v2 , . . . , vn } uma base de U .

Seja u U . Logo, existem 1 , 2 , ..., n R tais que
u = 1 v1 + 2 v2 + ... + n vn .
Tem-se entao
T (u) = 1 T (v1 ) + 2 T (v2 ) + ... + n T (vn ).
Exemplo 29. Consideremos a base canonica {(1, 0) , (0, 1)} de R2 . Seja T : R2 R
uma transformacao linear tal que T (1, 0) = 1 e T (0, 1) = 1.
35
Para qualquer (x, y) R2 tem-se
(x, y) = x(1, 0) + y(0, 1).
Entao,
T (x, y) = T (x(1, 0) + y(0, 1)) = xT (1, 0) + yT (0, 1) = x + y.
Logo, T : R2 R e a transformacao linear definida explicitamente por
T (x, y) = x + y.
Teorema 33. Sejam U e V espacos lineares e seja {v1 , v2 , . . . , vn } uma base de U . Sejam
T1 , T2 : U V duas transformacoes lineares.
Se T1 (vi ) = T2 (vi ) para todo o i = 1, . . . , n, entao T1 (u) = T2 (u),
para todo o u U , isto e, T1 = T2 .
Exemplo 30. Sejam U e V espacos lineares e seja 0 o vector nulo de V .
(i) Seja O : U V definida por

O(u) = 0,
para todo o u U . O e uma transformacao linear e chama-se transformacao nula.
(ii) Seja R. Seja T : U U definida por

T (u) = u,
para todo o u U . T e uma transformacao linear. Se = 1 entao chama-se a T1 a
transformacao identidade e denota-se por I. Tem-se I(u) = u, para todo o u U .
(iii) Seja
tr : Matnn (R) R
definida por
n
X
tr(A) = a11 + a22 + ... + ann = aii ,
i=1
para todo o A = (aij )nn Matnn (R). tr (traco) e uma transformacao linear.
(iv) Seja A Matmn (R). Seja

T : Rn R m
definida por
T (u) = Au,
para todo o u Rn . T e uma transformacao linear.
(v) Seja E o espaco das funcoes diferenciaveis. Entao T : E E definida por

T (f ) = f 0
e uma transformacao linear.
36
Representacao matricial de uma transformacao linear
Teorema 34. Sejam U e V espacos lineares de dimensoes finitas tais que dim U = n e
dim V = m. Sejam S1 = {u1 , u2 , . . . , un } e S2 = {v1 , v2 , . . . , vm } duas bases ordenadas
de U e V respectivamente. Seja T : U V uma transformacao linear. Considere-se a
matriz A = (aij )mn Matmn (R) cuja coluna j, para cada j = 1, ..., n, e formada pelas
coordenadas de T (uj ) na base S2 . Isto e,
m
X
T (uj ) = aij vi .
i=1
Chama-se a esta matriz A a representacao matricial de T em relacao as bases S 1 e S2 e

escreve-se
A = M (T ; S1 ; S2 ).
Alem disso, sendo 1 , 2 , ..., n as coordenadas de um vector v U na base ordenada S1
entao as coordenadas 1 , 2 , ..., m de T (v) V na base ordenada S2 sao dadas por

1 1
2
2
.. = M (T ; S1 ; S2 ) .. .
. .
m n
Observacao 31. (a) Seja V um espaco linear de dimensao finita, com dim V = n. Sejam
S1 = {u1 , u2 , . . . , un } e S2 = {v1 , v2 , . . . , vn } duas bases ordenadas de V . A representacao
matricial da transformacao identidade I : V V em relacao as bases S1 e S2 e igual a
matriz de mudanca da base S1 para S2 . Isto e,
M (I; S1 ; S2 ) = SS1 S2 .
(b) Quando a base de partida e chegada coincidem S2 = S1 , denota-se M (T ; S1 ; S2 ) som-

plesmente por M (T ; S1 ).
Teorema 35. Sejam Bcn = {e1 , e2 , . . . , en } e Bcm = {e01 , e02 , . . . , e0m } as bases canonicas
(ordenadas) de Rn e Rm respectivamente. Seja T : Rn Rm uma transformacao linear.
Considere-se a matriz A = (aij )mn = M (T ; Bcn ; Bcm ) Matmn (R) cuja coluna j, para cada
j = 1, ..., n, e formada pelas coordenadas de T (ej ) na base Bcm . Isto e,

1 0
m . a 1j
0 .
X
aij e0i = a1j .. + ... + amj . = ... .

T (ej ) =
. 0
i=1 amj
0 1
Entao, tem-se, para todo o u Rn ,

T (u) = Au.
Dem. Seja u Rn . Entao, existem 1 , 2 , ..., n R tais que
n
X
u = 1 e1 + 2 e2 + ... + n en = j e j .
j=1
37
Uma vez que, para todo o j = 1, ..., n,
m
X
T (ej ) = aij e0i ,
i=1
tem-se
n
! n n m m n
!
X X X X X X
T (u) = T j e j = j T (ej ) = j aij e0i = aij j e0i =
T e linear
j=1 j=1 j=1 i=1 i=1 j=1

n
X n
X
! a11 a1n 1
= a1j j , ..., amj j = .. = Au.
.
j=1 j=1 am1 amn n
Exemplo 31. (i) Seja T : R4 R3 definida por T (x, y, z, w) = (3x + y 2z, 0, x + 4z).
T e uma transformacao linear e a matriz M (T ; Bc4 ; Bc3 ) que representa T em relacao as bases
canonicas (ordenadas) Bc4 e Bc3 de R4 e R3 respectivamente, e dada por

3 1 2 0
M (T ; Bc4 ; Bc3 ) = 0 0 0 0 ,
1 0 4 0
uma vez que T (1, 0, 0, 0) = (3, 0, 1), T (0, 1, 0, 0) = (1, 0, 0), T (0, 0, 1, 0) = (2, 0, 4) e
T (0, 0, 0, 1) = (0, 0, 0). Tem-se entao:

x
y
T (x, y, z, w) = M (T ; Bc4 ; Bc3 )
z .

(ii) Sejam S1 = {1, t, t2 } e S2 = {1, t, t2 , t3 } as bases canonicas (ordenadas) de P2 e P3

respectivamente. Seja D : P2 P3 tal que D(1) = 0, D(t) = 1 e D(t2 ) = 2t. D e uma
transformacao linear e a matriz M (D; S1 ; S2 ) que representa D em relacao as bases canonicas
S1 e S2 , e dada por
0 1 0
0 0 2
M (D; S1 ; S2 ) = 0 0 0 .

0 0 0
(iii) T : R2 R2 definida por T (x, y) = (1 y, 2x) nao e uma transformacao linear.
(iv) T : R2 R definida por T (x, y) = xy nao e uma transformacao linear.
Teorema 36. Seja V um espaco linear de dimensao finita. Seja T : V V uma

transformacao linear. Sejam S1 e S2 duas bases ordenadas de V . Seja M (T ; S1 ; S1 ) a matriz
que representa T em relacao a base S1 .
Entao, a matriz M (T ; S2 ; S2 ) que representa T em relacao a base S2 , e dada por
M (T ; S2 ; S2 ) = SS1 S2 M (T ; S1 ; S1 ) (SS1 S2 )1 ,
38
onde SS1 S2 e a matriz de mudanca da base S1 para S2 .
Alem disso,
SS1 S2 M (T ; S1 ; S1 ) = M (T ; S1 ; S2 )
e
M (T ; S2 ; S2 )SS1 S2 = M (T ; S1 ; S2 ).
Isto e, o diagrama seguinte e comutativo.
M (T ;S1 ;S1 )
(V, S1 ) (V, S1 )
T
SS1 S2 I I SS1 S2
T
(V, S2 ) (V, S2 )
M (T ;S2 ;S2 )
Teorema 37. Caso geral. Sejam U e V dois espacos lineares de dimensoes finitas. Seja
T : U V uma transformacao linear. Sejam S1 e S10 duas bases ordenadas de U . Sejam S2
e S20 duas bases ordenadas de V . Seja M (T ; S1 ; S2 ) a matriz que representa T em relacao as
bases S1 e S2 .
Entao, a matriz M (T ; S10 ; S20 ) que representa T em relacao as bases S10 e S20 , e dada por
1
M (T ; S10 ; S20 ) = SS2 S20 M (T ; S1 ; S2 ) SS1 S10 ,
onde SS2 S20 e SS1 S10 sao as matrizes de mudanca das bases S2 para S20 e de S1 para S10
respectivamente.
Alem disso,
SS2 S20 M (T ; S1 ; S2 ) = M (T ; S1 ; S20 )
e
M (T ; S10 ; S20 )SS1 S10 = M (T ; S1 ; S20 ).
Isto e, o diagrama seguinte e comutativo.
M (T ;S1 ;S2 )
(U, S1 ) (V, S2 )
T
SS1 S10 I I SS2 S20
T
(U, S10 ) (V, S20 )
M (T ;S10 ;S20 )
Exemplo 32. Seja T : R2 R2 definida por T (x, y) = (y, x). T e uma transformacao
linear. A matriz M (T ; Bc2 ; Bc2 ) que representa T em relacao a base canonica (ordenada) Bc2
de R2 , e dada por
2 2 0 1
M (T ; Bc ; Bc ) = .
1 0
Seja S = {(1, 1), (1, 1)} uma base ordenada de R2 .
A matriz M (T ; S; S) que representa T em relacao a base ordenada S de R2 , e dada por

1 0
M (T ; S; S) = ,
0 1
uma vez que T (1, 1) = (1, 1) = 1(1, 1)+0(1, 1) e T (1, 1) = (1, 1) = 0(1, 1)+(1)(1, 1).
39
Vamos agora verificar que se tem
1
M (T ; S; S) = SBc2 S M (T ; Bc2 ; Bc2 ) SBc2 S .
Uma vez que (0, 1) = 21 (1, 1) + 21 (1, 1) e (1, 0) = 21 (1, 1) 21 (1, 1), tem-se entao

1/2 1/2
SBc2 S = .
1/2 1/2
Logo,
1
1 1/2 1/2 0 1 1/2 1/2
SBc2 S M (T ; Bc2 ; Bc2 ) SBc2 S = =
1/2 1/2 1 0 1/2 1/2

1/2 1/2 1 1
= =
1/2 1/2 1 1

1 0
= =
0 1
= M (T ; S; S).
Isto e, 1
M (T ; S; S) = SBc2 S M (T ; Bc2 ; Bc2 ) SBc2 S .
Alem disso,
SBc2 S M (T ; Bc2 ; Bc2 ) = M (T ; Bc2 ; S)
e
M (T ; S; S)SBc2 S = M (T ; Bc2 ; S).
Definicao 29. Sejam U e V espacos lineares e S, T : U V transformacoes lineares.
Seja R. Sejam S + T, T : U V definidas por
(S + T ) (u) = S(u) + T (u) e (T )(u) = T (u),
para todo o u U . S + T e T sao transformacoes lineares.
Definicao 30. Sejam U e V espacos lineares. Chama-se a L(U, V ) o conjunto de todas

as transforma coes lineares de U em V .
Teorema 38. Sejam U e V espacos lineares. O conjunto L(U, V ), com as operacoes da

definicao 29, e um espaco linear.
Exemplo 33. Seja S = {T1 , T2 , T3 , T4 } com T1 , T2 , T3 , T4 L(R2 , R2 ) definidas por
T1 (x, y) = (x, 0), T2 (x, y) = (y, 0), T3 (x, y) = (0, x) e T4 (x, y) = (0, y),
para todo o (x, y) R2 . O conjunto S e uma base de L(R2 , R2 ). Logo, dim L(R2 , R2 ) = 4.
40
Transformacoes injectivas, sobrejectiva e bijectivas equacoes line-
ares
Definicao 31. Sejam U, V e W espacos lineares e, T : U V e S : V W transformacoes
lineares. Seja S T (ou ST ): U W definida por
(S T ) (u) = S (T (u)) ,
para todo o u U . S T e uma transformacao linear. Chama-se a S T (ou ST ) a

composicao de S com T .
Observacao 32. Em geral, tem-se S T 6= T S.
Teorema 39. Sejam U, V e W espacos lineares de dimensoes finitas. Sejam S1 , S2 e S3

bases de U, V e W respectivamente. Sejam T L(U, V ) e S L(V, W ). Entao, tem-se
M (S T ; S1 ; S3 ) = M (S; S2 ; S3 )M (T ; S1 ; S2 ).
Teorema 40. (i) Sejam T : U V, S : V W e R : W X. Entao, tem-se
R (S T ) = (R S) T .
(ii) Sejam R, S : U V e T : V W . Seja R. Entao, tem-se
T (R + S) = T R + T S e T (R) = (T R) .
Se o contradomnio de Q estiver contido em U entao
(R + S) Q = R Q + S Q e (R) Q = (R Q) .
Definicao 32. Define-se
T 0 = I e T k = T T k1 , para todo o k = 1, 2, ....
Observacao 33. Tem-se T m+n = T m T n para todos os m, n N.
Definicao 33. (i) T : U V diz-se injectiva se e so se
T (u) = T (w) u = w,
para todos os u, w U , isto e, se e so se
u 6= w T (u) 6= T (w),
para todos os u, w U .
(ii) T : U V diz-se sobrejectiva se e so se
T (U ) = V .
(iii) T : U V diz-se bijectiva se e so se for injectiva e sobrejectiva.
41
Definicao 34. Sejam U e V espacos lineares. Diz-se que U e V sao isomorfos se e so
se existir um isomorfismo entre U e V , isto e, se e so se existir uma transformacao linear
bijectiva T : U V .
Teorema 41. Sejam U e V espacos lineares de dimensoes finitas tais que dim U = n e
dim V = m. Entao, os espacos lineares L(U, V ) e Matmn (R) sao isomorfos e escreve-se
L(U, V )
= Matmn (R).
Dem. Fixando bases S1 e S2 para U e V respectivamente,
L(U, V ) Matmn (R)

T M (T ; S1 ; S2 )
e uma transformacao linear bijectiva.
Teorema 42. Sejam U e V dois espacos lineares de dimensoes finitas. U e V sao

isomorfos se e so se dim U = dim V .
Observacao 34. No teorema 41 tem-se dim L(U, V ) = mn.
Teorema 43. Sejam U e V espacos lineares de dimensoes finitas tais que dim U = dim V .
Seja T : U V uma transformacao linear. Entao, T e injectiva se e so se T e sobrejectiva.
Definicao 35. Sejam U e V espacos lineares e T : U V uma transformacao linear.

Seja 0 o vector nulo de V .
(i) Chama-se contradomnio ou imagem de T ao conjunto
T (U ) = {T (u) : u U } ,
que tambem se denota por I(T ).
(ii) Chama-se nucleo ou espaco nulo de T ao conjunto
Nuc(T ) = {u U : T (u) = 0} .
Teorema 44. Sejam U e V espacos lineares e T : U V uma transformacao linear.

Entao, os conjuntos Nuc(T ) e I(T ) sao subespacos de U e V respectivamente.
Exemplo 34. Sejam U e V espacos lineares. Sejam 0 e 00 os vectores nulos de U e V

respectivamente.
(i) Considere a transformacao nula O : U V definida por
O(u) = 00 ,
para todo o u U . Tem-se
Nuc(O) = U e I(O) = {00 } .
42
(ii) Considere a transformacao identidade I : U U definida por
I(u) = u,
para todo o u U . Tem-se

Nuc(I) = {0} e I(I) = U .
Exemplo 35. Seja A Matmn (R). Seja
T : Rn R m
definida por
T (u) = Au,
para todo o u Rn . Tem-se
Nuc(T ) = Nuc(A) e I(T ) = C(A).
Definicao 36. Sejam U e V espacos lineares e T : U V uma transformacao linear.
(i) Chama-se caracterstica de T a dimensao de I(T ), isto e,
car T = dim I(T ).
(ii) Chama-se nulidade de T a dimensao de Nuc(T ), isto e,
nul T = dim Nuc(T ).
Teorema 45. Sejam U um espaco linear de dimensao finita e T uma transformacao

linear definida em U . Entao, o subespaco I(T ) tem dimensao finita e
dim Nuc(T ) + dim I(T ) = dim U .
Teorema 46. Sejam T : Rn Rm uma transformacao linear. Sejam Bcn e Bcm as bases
canonicas (ordenadas) de Rn e Rm respectivamente. Seja A = M (T ; Bcn ; Bcm ) Matmn (R)
a matriz que representa T em relacao as bases Bcn e Bcm . Tem-se entao:
(i) dim Nuc(T ) = nul A;
(ii) dim I(T ) = car A;
(iii) T e injectiva se e so se nul A = 0, isto e, se e so se car A = n;
(iv) T e sobrejectiva se e so se car A = m.
Definicao 37. Diz-se que T : U V e invertvel se existir S : T (U ) U tal que
S T = IU e T S = IT (U ) ,
onde IU e IT (U ) sao as funcoes identidade em U e T (U ) respectivamente. Chama-se a S a

inversa de T e escreve-se
S = T 1 .
43
Teorema 47. Sejam U e V espacos lineares de dimensoes finitas. Seja T : U V uma
transformacao linear. Seja 0 o vector nulo de U . As seguintes afirmacoes sao equivalentes.
(i) T e injectiva.
(ii) T e invertvel e a inversa T 1 : T (U ) U e linear.
(iii) Nuc(T ) = {0}.
(iv) dim U = dim T (U ).
(v) T transforma vectores linearmente independentes de U em vectores linearmente in-

dependentes de V .
(vi) T transforma bases de U em bases de T (U ).
Teorema 48. Sejam U e V dois espacos lineares de dimensoes finitas. Seja T : U V

uma transformacao linear. Sejam S1 e S2 duas bases ordenadas de U e V respectivamente.
Seja A = M (T ; S1 ; S2 ) a matriz que representa T em relacao as bases S1 e S2 .
Se V = T (U ) entao T e invertvel se e so se A for uma matriz quadrada nao singular.
Tem-se entao
A1 = M (T 1 ; S2 ; S1 ),
isto e, A1 sera a matriz que representa T 1 em relacao as bases S2 e S1 .
Teorema 49. Sejam U e V espacos lineares. Seja T : U V uma transformacao linear.

Seja b V . Entao:
(i) Existencia de solucao: o sistema T (u) = b tem pelo menos uma solucao u se e so
se b T (U );
(ii) Unicidade de solucao: o sistema T (u) = b tem no maximo uma solucao u se e so

se T for injectiva;
(iii) Existencia e unicidade de solucao: o sistema T (u) = b tem solucao unica u se

e so se b T (U ) e T for injectiva.
Teorema 50. Sejam U e V espacos lineares. Seja T : U V uma transformacao

linear. Seja b V . A solucao geral do sistema de equacoes lineares T (u) = b obtem-se
somando a uma solucao particular desse sistema a solucao geral do sistema de equacoes
lineares homogeneo T (u) = 0.
44
Determinante
Definicao 38. Dados os numeros naturais 1, 2, ..., n chama-se permutacao desses n

numeros a qualquer lista em em que os mesmos sejam apresentados por ordem arbitraria.
Definicao 39. Seja (i1 i2 ...in ) uma permutacao dos numeros naturais 1, 2, ..., n. Diz-
-se que um par (ij ik ) e uma inversao quando (j k) (ij ik ) < 0 (isto e, quando ij e ik
aparecerem na permutacao por ordem decrescente).
Definicao 40. Uma permutacao (i1 i2 ...in ) diz-se par (mpar) quando o no maximo de
inversoes includas for par (mpar).
Exemplo 36. A permutacao (21453) e mpar pois contem as inversoes (21), (43) e (53).
Definicao 41. Seja A Matnn (R). Chama-se determinante7 de A, e escreve-se |A|

ou det A, o numero que se obtem do seguinte modo:
(i) Formam-se todos os produtos possveis de n factores em que intervenha um elemento

de cada linha e, simultaneamente, um elemento de cada coluna de A.
(ii) Afecta-se cada produto do sinal + ou do sinal conforme as permutacoes (dos

numeros naturais 1, 2, ..., n) que figuram nos ndices de linha e de coluna tenham a mesma
paridade ou nao.
(iii) Somam-se as parcelas obtidas.
Em resumo:
1 X
|A| = (1) ai1 j1 ai2 j2 ...ain jn ,
n!
(i1 i2 ...in ) e (j1 j2 ...jn )
permutacoes de 1,2,...,n
em que

0 se (i1 i2 ...in ) e (j1 j2 ...jn ) tem a mesma paridade
=

1 se (i1 i2 ...in ) e (j1 j2 ...jn ) tem paridade diferente.
Observacao 35. Podemos ainda escrever de modo equivalente:
(i) X
|A| = (1) a1j1 a2j2 ...anjn ,
(j1 j2 ...jn )
permutacao de 1,2,...,n
em que
0 se (j1 j2 ...jn ) e par
=

1 se (j1 j2 ...jn ) e mpar.
7
O Determinante de uma matriz foi pela primeira vez considerado por Talakazu Seki 16421708
45
(ii) X
|A| = (1) ai1 1 ai2 2 ...ain n ,
(i1 i2 ...in )
permutacao de 1,2,...,n
em que

0 se (i1 i2 ...in ) e par
=

1 se (i1 i2 ...in ) e mpar.
Teorema 51. (i) Seja A Mat22 (R). Entao

a a
|A| = 11 12 = a11 a22 a12 a21 .
a21 a22
(ii) Seja A Mat33 (R). Entao

a11 a12 a13

|A| = a21 a22 a23 = a11 a22 a33 + a12 a23 a31 + a21 a32 a13 a13 a22 a31 a12 a21 a33 a11 a23 a32 .

a31 a32 a33
Observacao 36. Se A Matnn (R) entao |A| tem n! parcelas.
Exemplo 37. (i)

1 1
= 1(2) (1)2 = 0.
2 2
(ii)
1 2 1

3 1 2 = 1(1)(3) + 3 + 8 1(1)2 6(3) 2 = 32.

2 1 3
Teorema 52. Sejam A, B Matnn (R). Seja R.
(i) det (AB) = det A det B.
(ii) Se A for uma matriz triangular superior ou triangular inferior entao det A = produto
dos elementos da diagonal principal de A.
(iii) Se A tiver uma linha nula entao det A = 0.
(iv) Se B for obtida de A multiplicando uma linha de A por um numero real entao
det B = det A.
(v) Se B for obtida de A somando a uma linha de A um multiplo real de uma outra
linha de A entao det B = det A.
46
(vi) Se duas linhas de A forem iguais entao det A = 0.
(vii) Se B for obtida de A trocando duas linhas de A entao det B = det A.

(viii) det AT = det A.
1
(ix) Se A for invertvel det (A1 ) = .
det A
(x) det (A) = n det A.
(xi) det (AB) = 0 det A = 0 ou det B = 0.
(xii) det (AB) = det (BA).
Definicao 42. Seja A = (aij ) Matnn (R), com n > 1. Seja Aij a matriz do tipo
(n 1) (n 1) que se obtem de A suprimindo a linha i e a coluna j de A. Chama-se a Aij
o menor-ij da matriz A.
Teorema 53. (Formula de Laplace8 .) Seja A Matnn (R), com n > 1. Tem-se
n
X
det A = aij (1)i+j det Aij .
j=1
Observacao 37. Seja A Matnn (R), com n > 1. Tem-se

n
X
det A = aij (1)i+j det Aij .
i=1
Exemplo 38.

1 0 2 3
1 2 3 1 0 2
2 1 1 4
3+2
3+4

0 1 = (1)(1) 2 1 4 + (2)(1) 2 1 1 =
0 2

1 2 3

1 0 2

1 0 2 3
= (1)(3) + (2)4 + 2(2)3 (1)3 (2)2(3) 4(2) + 2 [(2) (2)] = 18
Definicao 43. Seja A = (aij ) Matnn (R), com n > 1. Seja a0ij = (1)i+j det Aij
onde Aij e o menor-ij da matriz A. Chama-se a a0ij o cofactor-ij da matriz A e a matriz
cof A = (a0ij ) Matnn (R), com n > 1, a matriz dos cofactores de A.
Teorema 54. Para qualquer matriz A Matnn (R), com n > 1, tem-se
A (cof A)T = (det A) I.
Se det A 6= 0 entao A e invertvel e

1
A1 = (cof A)T .
det A
8
Pierre-Simon Laplace 17491827
47

a b
Exemplo 39. (i) Seja A = Mat22 (R) tal que det A 6= 0. Entao A e
c d
invertvel e
1 1 d b
A = .
ad bc c a
(Veja por exemplo o exo 10 da ficha 2.) Note que ad bc = det A.
(ii) Podemos usar o teorema 54 para calcular nao so a inversa de uma matriz (nao
singular) mas tambem entradas concretas dessa inversa. Seja

1 0 0
A = 4 5 6 .
7 8 9
A entrada (2, 3) da matriz A1 e dada por

1 1 T
1 3+2
1 1 0
(A )23 = (cof A) = (1) det A32 = det = 2.
det A 23 det A 3 4 6
Teorema 55. (Regra de Cramer9 .) Seja A Matnn (R) tal que A e nao singular.
Entao a unica solucao do sistema de equacoes lineares AX = B e dada por
1
X = A1 B = (cof A)T B.
det A
T T
Isto e, sendo X = x1 . . . xn e B = b1 . . . bn tem-se
n
1 X 0 det Bj
xj = akj bk = ,
det A k=1 det A
onde Bj e a matriz obtida de A substituindo a coluna j de A pela matriz coluna B dos
termos independentes.
Exemplo 40. O sistema de equacoes lineares

2x + y = 8

x + 2y + 4z = 7

x + z = 1
pode ser resolvido usando a regra de Cramer:

8 1 0 2 8 0 2 1 8

7 2 4 1 7 4 1 2 7

1 0 1 1 1 1 1 0 1
x= = 13, y= = 18 e z= = 14.
2 1 0 2 1 0 2 1 0

1 2 4 1 2 4 1 2 4

1 0 1 1 0 1 1 0 1
Observacao 38. Seja A Matnn (R). A matriz A e invertvel se e so se det A 6= 0.
9
Gabriel Cramer 17041752
48
Valores Proprios e Vectores Proprios
Definicao 44. Seja U espaco lineare e T : U V uma transformacao linear. Diz-se que
um escalar e um valor proprio de T se existir um vector nao nulo u U tal que
T (u) = u.
Aos vectores nao nulos u que satisfazem a equacao anterior chamam-se vectores proprios
associados ao valor proprio . Dado um valor proprio de T , o conjunto
E = {u U : T (u) = u}
e um subespaco linear de U . Chama-se a E o subespaco proprio de T associado ao valor

proprio .
Teorema 56. Sejam V um espaco linear e 0 o vector nulo de V . Seja T : V V uma

transformacao linear.
(i) Um escalar e um valor proprio de T se e so se Nuc(T I) 6= {0}. Sendo um
valor proprio de T , o subespaco proprio de T , associado ao valor proprio , e dado por
E = Nuc(T I).
(ii) Se o espaco linear V tiver dimensao finita e se A for a matriz que representa T em
relacao a uma base de V , entao um escalar e um valor proprio de T se e so se esse escalar
for solucao da equacao
det(A I) = 0.
Definicao 45. Seja A Matnn (R). Chama-se a
det(A I),
o polinomio caracterstico da matriz A. O polinomio p() = det(A I) tem grau n, o

coeficiente do termo de grau n e (1)n e o termo constante e p(0) = det A.
Definicao 46. Seja A Matnn (R). Chama-se valor proprio de A a qualquer escalar
tal que A I seja singular, isto e, tal que det(A I) = 0. Chama-se vector proprio
de A, associado ao valor proprio de A, a qualquer vector nao nulo v que verifique
(A I)v = 0.
Observacao 39. Seja A Matnn (R). O escalar 0 e valor proprio de A se e so se A for

singular. Isto e, a matriz A e invertvel se e so se 0 nao for valor proprio de A.
Definicao 47. Sejam A, B Matnn (R). As matrizes A e B dizem-se semelhantes se

existir uma matriz S invertvel tal que
B = SAS 1
49
Teorema 57. Sejam A, B Matnn (R). Se A e B forem semelhantes entao A e B tem
o mesmo polinomio caracterstico. Em particular, se A e B forem semelhantes entao A e B
tem os mesmos valores proprios.
Dem. Tem-se
det(B I) = det(SAS 1 I) =
= det(SAS 1 SS 1 ) =
= det(S(A I)S 1 ) =

= det S det(A I) det S 1 =
1
= det S det(A I) =
det S
= det(A I).
Teorema 58. Seja V um espaco linear. Seja T : V V uma transformacao linear. Se T

tiver valores proprios distintos 1 , ..., k e se u1 , ..., uk forem os vectores proprios associados a
cada um destes valores proprios, entao os vectores u1 , ..., uk sao linearmente independentes.
Definicao 48. Seja A Matnn (R). Se existir uma matriz S invertvel tal que
D = SAS 1 ,
com D matriz diagonal, entao diz-se que A e uma matriz diagonalizavel e que S (matriz
de mudanca de base) e a matriz diagonalizante.
Teorema 59. Seja V um espaco linear de dimensao finita. Uma transformacao linear
T : V V sera representada em relacao a uma base de V por uma matriz diagonal se e so
se essa base de V for apenas constituda por vectores proprios de T . Neste caso, as entradas
da diagonal principal dessa matriz diagonal serao os valores proprios associados aos vectores
proprios da base de V pela ordem da mesma.
Em particular, se dim V = n e se T tiver n valores proprios distintos 1 , ..., n entao a
matriz que representa em relacao a qualquer base {u1 , ..., un } onde u1 , ..., un sao os vectores
proprios associados aos valores proprios 1 , ..., n , e a matriz diagonal

1 0 ... 0
.. .. .

0 . . ..
. . .
.. .. 0
0 ... 0 n
Dem. Uma transformacao linear T : V V sera representada em relacao a uma base
S = {u1 , ..., un } de V por uma matriz diagonal se e so se
T (uk ) = k uk , k = 1, ..., n,
tendo-se
1 0 ... 0
.. .. .

0 . . ..

M (T ; S; S) = .. .. .
. . 0
0 ... 0 n
50
Mas isso e equivalente a dizer que k e um valor proprio de T e que uk e o respectivo vector
proprio.
Observacao 40. Seja V um espaco linear tal que dim V = n e T : V V uma
transformacao linear. Seja A a matriz que representa T numa base.
(1) Seja p() o polinomio caracterstico de A. Para cada raiz 1 de p(), a sua multipli-
cidade enquanto raiz do polinomio chama-se mutliplicidade algebrica de 1 e denota-se por
ma (1 ). Mais precisamente, 0 tem tem multiplicidade algebrica m quando
p() = ( 1 )m q()
e q(1 ) 6= 0.
(2) A dimensao de Nuc(A 1 I) chama-se multiplicidade geometrica e designa-se por
mg (1 ).
(3) A matriz A Matnn e diagonalizavel se e so se
X
dimNuc(A I) = dim(V ).
valores proprios
Ou seja, existe uma base de V na qual a representacao matricial de T e uma matriz diagonal
sse
dim E1 + + dim Ek = n,
onde 1 , , k (k n) sao os valores proprios de T .
Teorema 60. Seja A Matnn (R) tal que A e simetrica, isto e, tal que A = AT . Entao
A e diagonalizavel.
Exemplo 41. Nos exemplos que se seguem as matrizes A consideradas poderao ser vistas
como matrizes que representam transformacoes lineares T relativamente a base canonica (ou
outras) de R3 , tendo-se nesse casos, para todo o u R3 ,
T (u) = Au.
Deste modo, os valores proprios e vectores proprios de T serao respectivamente os valores
proprios e vectores proprios de A.
(i) Uma matriz com valores proprios distintos.

1 5 1
A = 0 2 1
4 0 3
O polinomio caracterstico e dado por

1 5 1

det(A I) = 0 2 1 =
4 0 3
= (1 ) (2 ) (3 ) 20 + 4 (2 + ) =
= (1 ) (2 ) (3 ) + 4 12 =
= (3 ) [( 1) ( + 2) 4] =

= (3 ) 2 + 6 =
= (3 ) ( 2) ( + 3) .
51
Os valores proprios de A sao os valores de para os quais det(A I) = 0. Logo, os valores
proprios de A sao
1 = 3, 2 = 2 e 3 = 3.
Os vectores proprios de A associados ao valor proprio sao os vectores nao nulos u R 3
para os quais
(A I) u = 0,
isto e, sao os vectores nao nulos de Nuc (A I).
Determinemos os vectores proprios de A associados ao valor proprio 1 = 3. Tem-se

2 5 1
Nuc (A 1 I) = Nuc 0 5 1 = L ({(0, 1, 5)}) .
4 0 0
Logo, o subespaco proprio E1 e dado por
E1 = Nuc (A 1 I) = L ({(0, 1, 5)}) .
Os vectores proprios de A associados ao valor proprio 1 = 3 sao
u = (0, s, 5s) , com s R\ {0} .

1 5 1
Nuc (A 2 I) = Nuc 0 4 1 = L ({(1, 1, 4)}) .
4 0 1
E2 = Nuc (A 2 I) = L ({(1, 1, 4)}) .
u = (s, s, 4s) , com s R\ {0} .

4 5 1
Nuc (A 3 I) = Nuc 0 1 1 = L ({(3, 2, 2)}) .
4 0 6
E3 = Nuc (A 3 I) = L ({(3, 2, 2)}) .
u = (3s, 2s, 2s) , com s R\ {0} .
52
Atendendo a que os valores proprios de A sao distintos, pelo teorema 58, os vectores
proprios de A associados a esses valores proprios sao linearmente independentes. Como
dim R3 = 3, entao 3 vectores em R3 linearmente independentes formarao desde logo uma
base de R3 . Logo, o conjunto
S = {(0, 1, 5) , (1, 1, 4) , (3, 2, 2)}
e uma base de R3 . Deste modo, temos uma base de R3 formada so por vectores proprios de
A. Logo, a matriz A e diagonalizavel, isto e, existe uma matriz invertvel S diagonalizante
tal que a matriz SAS 1 e diagonal, tendo-se

1 0 0 3 0 0
D = SAS 1 = 0 2 0 = 0 2 0 ,
0 0 3 0 0 3
com
0 1 3
S 1 = 1 1 2 .
5 4 2
Note que cada coluna de S 1 e formada pelo vector proprio associado ao valor proprio
respectivo e na posicao respectiva. Alem disso, tem-se
M (T ;Bc3 ;Bc3 )
(R3 , Bc3 ) (R3 , Bc3 )
T
SBc3 S I I SBc3 S
T
(R3 , S) (R3 , S)
M (T ;S;S)
com
SBc3 S = S, M (T ; S; S) = D e M (T ; Bc3 ; Bc3 ) = A.
(ii) Uma matriz com valores proprios repetidos mas diagonalizavel.

2 1 1
A= 2 3 2
3 3 4

2 1 1

det(A I) = 2 3 2 =
3 3 4
= (2 ) (3 ) (4 ) + 6 + 6 3 (3 ) 6 (2 ) 2 (4 ) =
= 3 + 92 15 + 7 =
= ( 1) ( 1) ( 7) .

proprios de A sao
1 = 1 e 2 = 7.
53
para os quais
(A I) u = 0,

1 1 1
Nuc (A 1 I) = Nuc 2 2 2 = L ({(1, 1, 0) , (1, 0, 1)}) .
3 3 3
E1 = Nuc (A 1 I) = L ({(1, 1, 0) , (1, 0, 1)}) .
u = (s t, s, t) , com s, t R\ {0} .

5 1 1
Nuc (A 2 I) = Nuc 2 4 2 = L ({(1, 2, 3)}) .
3 3 3
E2 = Nuc (A 2 I) = L ({(1, 2, 3)}) .
u = (s, 2s, 3s) , com s R\ {0} .
Atendendo a que
dim E1 + dim E2 = 3,
podemos ter a seguinte base de R3 formada so por vectores proprios de A
S = {(1, 1, 0) , (1, 0, 1) , (1, 2, 3)} .
Logo, a matriz A e diagonalizavel, isto e, existe uma matriz invertvel S diagonalizante tal
que a matriz SAS 1 e diagonal, tendo-se

1 0 0 1 0 0
1
D = SAS = 0 1 0 = 0
1 0 ,
0 0 2 0 0 7
com
1 1 1
S 1 = 1 0 2 .
0 1 3
54
Note que cada coluna de S 1 e formada pelo vector proprio associado ao valor proprio
respectivo e na posicao respectiva. Alem disso, tem-se
M (T ;Bc3 ;Bc3 )
(R3 , Bc3 ) (R3 , Bc3 )
T
SBc3 S I I SBc3 S
T
(R3 , S) (R3 , S)
M (T ;S;S)
com
SBc3 S = S, M (T ; S; S) = D e M (T ; Bc3 ; Bc3 ) = A.
(iii) Uma matriz com valores proprios repetidos e nao diagonalizavel.

7 5 1
A = 0 2 1
20 0 3

7 5 1

det(A I) = 0 2 1 =
20 0 3
= (7 ) (2 ) (3 ) + 100 20 (2 + ) =
= (3 ) [(7 ) (2 ) + 20] =

= (3 ) 2 5 + 6 =
= (3 ) ( 3) ( 2) .

proprios de A sao
1 = 3 e 2 = 2.
para os quais
(A I) u = 0,

4 5 1
Nuc (A 1 I) = Nuc 0 5 1 = L ({(0, 1, 5)}) .
20 0 0
E1 = Nuc (A 1 I) = L ({(0, 1, 5)}) .
u = (0, s, 5s) , com s R\ {0} .
55

5 5 1
Nuc (A 2 I) = Nuc 0 4 1 = L ({(1, 5, 20)}) .
20 0 1
E2 = Nuc (A 2 I) = L ({(1, 5, 20)}) .
u = (s, 5s, 20s) , com s R\ {0} .
Atendendo a que
dim E1 + dim E2 = 2 < 3,
nao e possvel ter uma base de R3 formada so por vectores proprios de A. Logo, a matriz
A nao e diagonalizavel, isto e, nao existe uma matriz invertvel S diagonalizante tal que a
matriz SAS 1 seja diagonal.
(iv) Uma matriz com apenas um valor proprio real.

1 0 0
A = 0 0 1
0 1 0

1 0 0

det(A I) = 0 1 =

0 1
= 2 (1 ) + (1 ) =

= (1 ) 2 + 1 .

proprios de A sao
1 = 1, 2 = i e 3 = i.
Logo, a matriz A nao e diagonalizavel numa matriz de entradas reais, isto e, nao existe
uma matriz invertvel S diagonalizante tal que a matriz SAS 1 seja diagonal com entradas
reais. No entanto e atendendo a que os tres valores proprios sao distintos, a matriz A e
diagonalizavel numa matriz de entradas complexas:

1 0 0
0 i 0
0 0 i
56
Sistemas de equacoes diferenciais
Como aplicacao imediata dos resultados obtidos acima, vamos resolver uma certa classe de
sistemas de equacoes diferencias. Considere funcoes x1 (t), x( t), , xn (t) diferenciaveis na
variavel real t. O sistema da forma

a11 x1 (t) + a12 x2 (t) + ... + a1n xn (t) = x01 (t)

a21 x1 (t) + a22 x2 (t) + ... + a2n xn (t) = x02 (t)
()

...

am1 x1 (t) + am2 x2 (t) + ... + amn xn (t) = x0m (t)
chama-se sistema linear de equacoes diferenciais de primeira ordem, em que aij e bk sao
constantes, para i, k = 1, ..., m e j = 1, ..., n e x0i (t) denota a derivada de xi (t) (para cada
i = 1, , n).
O sistema de equacoes diferenciais (*) pode escrever-se na forma matricial:
x0 (t) = Ax(t)

x1 (t) x01 (t)
x2 (t) x0 (t)
0 2
onde A = [aij ] Matnn , x(t) = .. e x (t) = .. .
. .
0
xn (t) xn (t)
Se n = 1, entao temos que, para cada constante c, a funcao x1 (t) = cet e solucao da equacao
diferencial x01 (t) = x1 (t).
Se a matriz A = [a ij ] Matnn e diagonalizavel, para resolver o sistema de equacoes

diferenciais
x0 = Ax
em primeiro lugar encontra-se uma martiz mudanca de base
S = M (I; Bvp , Bc)
onde Bvp e uma base de Rn formada por vectores proprios de A, Bc e a base canonica de Rn
e matriz diagonal
D = diag(1 , 2 , , n )
(formada pelos valores proprios de A) tais que D = S 1 AS. De uma forma equivalente,
encontra-se a matriz mudanca de base P = M (I, Bc, Bvp ) tal que D = P AP 1 , uma vez
que P = S 1 . Depois, usa-se a mudanca de variavel y = S 1 x e resolve-se a o sistema de
0
equacoes
diferenciais y (t) = Dy(t), cuja solucao geral e (usando o caso n = 1 sucessivamente)
c 1 e 1 t
c 2 e 2 t

y(t) = .. onde 1 , , n sao os valores proprios de A e c1 , , cn sao constantes.
.
n t
cn e
Finalmente, a solucao geral do sistema inicial
x0 (t) = Ax(t) e x(t) = Sy(t)
Ver exerccios resolvidos na lista das aulas praticas!
57
Produtos Internos
Definicao 49. Sejam V um espaco linear real e 0 o vector nulo de V . Chama-se produto
interno em V a aplicacao
h, i : V V R
(u, v) hu, vi
que verifique as tres condicoes seguintes.
(i) Simetria: para todos os u, v V
hu, vi = hv, ui .
(ii) Linearidade: para todo o v V (fixo) a aplicacao
V R
u hu, vi
e linear.
(iii) Positividade: para todo o u V tal que u 6= 0,
hu, ui > 0.
Observacao 41. Um produto interno e uma aplicacao bilinear, simetrica e definida

positiva.
Definicao 50. Chama-se espaco euclidiano a um espaco linear com um produto

interno.
Observacao 42. Seja V um espaco euclidiano real. Seja S = {w1 , w2 , ..., wn } uma base
de V . Sejam u, v V . Sejam
1 , 2 , ..., n e 1 , 2 , ..., n
as coordenadas de u e de v na base S respectivamente, isto e,

n
X n
X
u = 1 w1 + 2 w2 + ... + n wn = i wi e v = 1 w1 + 2 w2 + ... + n wn = i wi .
i=1 i=1
Logo,
* n n
+ n X
n
X X X
hu, vi = i wi , i wi = i j hwi , wj i =
i=1 i=1 i=1 j=1

hw1 , w1 i hw1 , w2 i . . . hw1 , wn i 1

hw2 , w1 i hw2 , w2 i . . . hw2 , wn i
2

= 1 2 . . . n .. .. .. .. .
. . . .
hwn , w1 i hwn , w2 i . . . hwn , wn i n
58
Isto e, existe uma matriz simetrica e definida positiva (todos os seus valores proprios sao
positivos):

hw1 , w1 i hw1 , w2 i . . . hw1 , wn i 1
hw2 , w1 i hw2 , w2 i . . . hw2 , wn i 2

A= .. .. .. tal que hu, vi = 1 2 . . . n A .. .
. . . .
hwn , w1 i hwn , w2 i . . . hwn , wn i n
Teorema 61. Seja V um espaco linear real com dim V = n. Seja {w1 , w2 , ..., wn } uma
base de V . Entao, uma aplicacao
h, i : V V R
e um produto interno (em V ) se e so se

1

2

hu, vi = 1 2 . . . n A .. ,
.
n
com
u = 1 w1 + 2 w2 + ... + n wn , v = 1 w1 + 2 w2 + ... + n wn
e A e uma matriz simetrica cujos valores proprios sao todos positivos. Se a aplicacao h, i for
um produto interno tem-se

hw1 , w1 i hw1 , w2 i . . . hw1 , wn i
hw2 , w1 i hw2 , w2 i . . . hw2 , wn i

A= .. .. .. .
. . .
hwn , w1 i hwn , w2 i . . . hwn , wn i
Exemplo 42. (i) Seja h, i : R2 R2 R a aplicacao definida por:
h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 ,
com (1 , 2 ) , ( 1 , 2 ) R2 . Esta aplicacao e um produto interno em R2 a que se da o nome

de produto interno usual em R2 , uma vez que

1
h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 = 1 2 A
2
com
1 0
A= .
0 1
A matriz A e simetrica e o unico valor proprio de A e 1 > 0.
(ii) Seja h, i : R2 R2 R a aplicacao definida por:
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 32 2 ,
59
com (1 , 2 ) , ( 1 , 2 ) R2 . Esta aplicacao nao e um produto interno em R2 , uma vez que

1
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 32 2 = 1 2 A
2
com
2 0
A= .
0 3
A matriz A e simetrica, no entanto, os valores proprios de A: 2 e 3 nao sao ambos positivos.
Exemplo 43. R2 com um produto interno nao usual. Seja h, i : R2 R2 R a

aplicacao definida por:
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 1 2 + 2 1 + 2 2 ,
com (1 , 2 ) , ( 1 , 2 ) R2 .
E facil ver que esta aplicacao e simetrica e linear em relacao a ( 1 , 2 ) (fixando ( 1 , 2 )).
Vejamos por exemplo que a condicao
h(1 , 2 ) , (1 , 2 )i > 0, para todo o (1 , 2 ) 6= (0, 0),
e satisfeita.
Atendendo a que
h(1 , 2 ) , (1 , 2 )i = 221 + 21 2 + 22 = 21 + (1 + 2 )2 ,
tem-se
h(1 , 2 ) , (1 , 2 )i = 0 (1 = 0 e 1 + 2 = 0) (1 = 0 e 2 = 0) (1 , 2 ) = (0, 0).
Em alternativa, podemos escrever

1
h(1 , 2 ) , ( 1 , 2 )i = 21 1 + 1 2 + 2 1 + 2 2 = 1 2 A
2
com
2 1
A= .
1 1

3+ 5 3 5
A matriz A e simetrica e os valores proprios de A: 2
e 2
sao ambos positivos.
Definicao 51. Sejam V um espaco euclidiano e 0 o vector nulo de V . Sejam u, v V .
(i) Chama-se norma de u a: p

kuk = hu, ui.
(ii) Chama-se projeccao ortogonal de v sobre u 6= 0 a:
hv, ui
proju v = u.
kuk2
60
(iii) Diz-se que u e v sao ortogonais se hu, vi = 0.
(iv) Chama-se angulo entre dois vectores nao nulos u e v a:
hu, vi
= arccos .
kuk kvk

Observacao 43. O angulo entre dois vectores nao nulos u e v e 2
se e so se u e v sao
ortogonais.
Teorema 62. Desigualdade de Cauchy-Schwarz. Seja V um espaco euclidiano.

Entao, para todos os u, v V ,
|hu, vi| kuk kvk
Observacao 44. (i) Teorema de Pitagoras. Sejam u, v R2 . Tem-se u e v ortogonais

se e so se
ku vk2 = kuk2 + kvk2 .
Dem.
ku vk2 = hu v, u vi = hu, ui hv, ui hu, vi + hv, vi =

= kuk2 2 hu, vi + kvk2 = kuk2 + kvk2
se e so se
hu, vi = 0,
isto e, se e so se u e v forem ortogonais.
(ii) Em R2 com o produto interno usual, a desigualdade de Cauchy-Schwarz e dada por

q q
|1 1 + 2 2 | 1 + 2 21 + 22 ,
2 2
uma vez que

h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 ,
com (1 , 2 ) , ( 1 , 2 ) R2 .
(iii) Em Rn com o produto interno usual, a desigualdade de Cauchy-Schwarz e dada por

v v
Xn u u n
X
u n
uX 2
t 2t
i i i i ,

i=1 i=1 i=1
uma vez que

h(1 , ..., n ) , ( 1 , ..., n )i = 1 1 + ... + n n ,
com (1 , ..., n ) , ( 1 , ..., n ) Rn .
Teorema 63. Sejam V um espaco euclidiano e 0 o vector nulo de V . Sejam u.v V e

R. A norma satisfaz as seguintes propriedades.
61
(i) Positividade: kuk > 0 se u 6= 0.
(ii) Homogeneidade: kuk = || kuk
(iii) Desigualdade triangular: ku + vk kuk + kvk
Observacao 45. Pode definir-se norma num espaco linear V , sem estar associada a
qualquer produto interno, como sendo uma aplicacao de V em R que satisfaz as propriedades
do teorema anterior. A um espaco linear com uma norma chama-se espaco normado.
Observacao 46. Seja V um espaco euclidiano. Sejam u, v V . Tem-se

1
hu, vi = ku + vk2 kuk2 kvk2 .
2
Observacao 47. Seja V um espaco linear real normado. Sejam u, v V . Entao, a

norma pode ser obtida de um produto interno na forma
p
kuk = hu, ui
se e so se
ku vk2 + ku + vk2 = 2 kuk2 + 2 kvk2 .
Esta ultima equacao e conhecida por lei do paralelogramo.
Exemplo 44. Uma norma que nao e obtida a partir de um produto interno.
Seja kk : R2 R a aplicacao definida por
k(1 , 2 )k = |1 | + |2 | ,
com (1 , 2 ) R2 . E facil verificar que esta aplicacao satisfaz as tres condicoes do teorema
63. Logo, e uma norma. No entanto, e tambem facil verificar que esta norma nao satisfaz
a lei do paralelogramo. Logo, esta norma nao podera ser obtida a partir de um produto
interno.
Definicao 52. Sejam V um espaco euclidiano e S V . Diz-se que S e ortogonal se

para todos os u, v S com u 6= v,
hu, vi = 0.
Diz-se que S e ortonormado se for ortogonal e para todo o u S,
kuk = 1.
Teorema 64. Sejam V um espaco euclidiano e S V . Seja 0 o vector nulo de V . Se S

e ortogonal e 0
/ S entao S e linearmente independente. Em particular, se n = dim V entao
qualquer conjunto S ortogonal de n vectores nao nulos e uma base de V .
Teorema 65. Seja V um espaco euclidiano com dim V = n. Seja S = {u1 , ..., un } uma
base ortogonal de V . Entao, as coordenadas de um vector v V em relacao a base S sao
dadas por:
62
hv, uj i
j = ,
huj , uj i
com j = 1, ..., n. Se S for ortonormada entao as coordenadas de um vector v V em relacao
a base S sao dadas por:
j = hv, uj i ,
com j = 1, ..., n.
Teorema 66. Seja V um espaco euclidiano real com dim V = n. Seja S = {w1 , ..., wn }
uma base ortonormada de V . Entao, para todos os u, v V ,
v
n u n
X uX
hu, vi = hu, wi i hv, wi i (formula de Parseval) e tem-se kuk = t hu, wi i2 .
i=1 i=1
Observacao 48. Seja V um espaco euclidiano real com dim V = n. Seja S = {w1 , ..., wn }
uma base ortonormada de V . Sejam u, v V , com
u = 1 w1 + 2 w2 + ... + n wn , v = 1 w1 + 2 w2 + ... + n wn .
Entao, atendendo ao teorema 65, a formula de Parseval e dada por:
v
n u n
X uX
hu, vi = i i = 1 1 + 2 2 + ... + n n e tem-se kuk = t 2 .i
i=1 i=1
Notacao 3. Sejam V um espaco euclidiano e 0 o vector nulo de V . Para qualquer v V ,

1 v
com v 6= 0, o vector kvk v sera denotado por kvk .
Teorema 67. Metodo de ortogonalizacao de Gram-Schmidt10 . Seja V um espaco

euclidiano. Considere o conjunto linearmente independente:
{v1 , v2 , ..., vk } V .
Sejam
u1 = v 1 ,
u2 = v2 proju1 v2 ,
...
uk = vk proju1 vk ... projuk1 vk .
Entao:
(i) L({u1 , u2 , ..., uk }) = L({v1 , v2 , ..., vk })

10
Jorgen Pedersen Gram 18501916. Erhard Schmidt 18761959
63
(ii) O conjunto {u1 , u2 , ..., uk } e uma base ortogonal de L({v1 , v2 , ..., vk }).

u1 u2 uk
(iii) O conjunto , , ..., e uma base ortonormada de L({v1 , v2 , ..., vk }).
ku1 k ku2 k kuk k
Exemplo 45. Considere-se R4 com o produto interno usual. Seja
U = L({(1, 1, 1, 1), (1, 2, 3, 4), (2, 1, 6, 7), (1, 3, 7, 9)}).
Determinemos a dimensao de U e uma base ortonormada para U . Tem-se

1 1 2 1 1 1 2 1 1 1 2 1
1 2 1 3 0 1 1 2 0 1 1 2
.
1 3 6 7 0 4 4 8 0 0 0 0
1 4 7 9 0 5 5 10 0 0 0 0
Logo, o conjunto {v1 , v2 }, com v1 = (1, 1, 1, 1) e v2 = (1, 2, 3, 4), e uma base de U e como
tal dim U = 2.
Sejam
u1 = v1 e u2 = v2 proju1 v2 .
Logo, o conjunto {u1 , u2 }, com u1 = (1, 1, 1, 1) e
1+234
u2 = (1, 2, 3, 4) (1, 1, 1, 1) = (2, 3, 2, 3),
4
e uma base ortogonal de U . Uma base ortonormada para U :
( !)
u1 u2 1 1 1 1 26 3 26 26 3 26
, = , , , , , , ,
ku1 k ku2 k 2 2 2 2 13 26 13 26
Teorema 68. Qualquer espaco euclidiano de dimensao finita tem uma base ortonormada.
Teorema 69. Seja {v1 , v2 , ..., vn } uma base de Rn . Entao, existe um unico produto
interno em Rn para o qual esta base e ortonormada.
Exemplo 46. Considere em R2 a base S = {v1 , v2 }, com v1 = (1, 0) e v2 = (1, 1).

Vejamos que existe um e um so produto interno para o qual a base S e ortonormada.
Seja Bc2 = {(1, 0), (0, 1)} a base canonica de R2 . Tem-se
1
1 1 1 1 1
SBc2 S = SSBc2 = = .
0 1 0 1
Sejam u, v R2 . Tem-se
u = (1 , 2 ) e v = ( 1 , 2 ) ,
onde 1 , 2 e 1 , 2 sao as coordenadas na base Bc2 de u e v respectivamente. Seja S = SBc2 S .
Logo, a aplicacao h, i : R2 R2 definida por

T hv1 , v1 i hv1 , v2 i 1 0
hu, vi = (Su) A (Sv) , com A = = ,
hv2 , v1 i hv2 , v2 i 0 1
64
e um produto interno e e o unico para o qual a base S e ortonormada. Tem-se entao
h(1 , 2 ) , ( 1 , 2 )i = 1 1 1 2 2 1 + 22 2 .
E facil verificar que para este produto interno a base S e ortonormada:
h(1, 0) , (1, 1)i = 0 e h(1, 0) , (1, 0)i = h(1, 1) , (1, 1)i = 1.
Teorema 70. Seja A Matnn (R) tal que A e simetrica, isto e, tal que A = AT .
Entao A e diagonalizavel relativamente a uma base ortonormada vp formada so por vectores
proprios de A. Seja S a matriz cujas colunas sao os vectores da base vp e D a matriz diagonal
onde se coloca na entrada i da diagonal o valor proprio i que corresponde a coluna i de S.
Entao temos
D = S T AS,
e portanto S e ortogonal S 1 = S T
Definicao 53. Sejam V um espaco euclidiano e S um subespaco de V . Diz-se que um

elemento de V e ortogonal a S se for ortogonal a todos os elementos de S. Ao conjunto
de todos os elementos ortogonais a S chama-se complemento ortogonal de S e designa-se
por S .
Teorema 71. Qualquer que seja o subespaco S de um espaco euclidiano V , tambem S

e um subespaco de V .
Exemplo 47. (i) Se S R3 e um plano que passa pela origem, entao S e uma recta
que passa pela origem e e perpendicular ao plano.
(ii) Se S R3 e uma recta que passa pela origem, entao S e um plano que passa pela
origem e e perpendicular a recta.
(iii) Seja A Matmn (R). Entao,
Nuc(A) = (L(A)) .
Teorema 72. Se S e um subespaco de dimensao finita de um espaco euclidiano V , entao

V e a soma directa de S e S , isto e, V = S S . Logo, cada elemento v V pode ser
escrito de modo unico como soma de um elemento de S com um elemento de S :
v = vS + vS , com vS S e vS S .
A aplicacao PS : V S definida por PS (v) = vS chama-se projeccao ortogonal de V

sobre S e a aplicacao PS : V S definida por PS (v) = vS chama-se projeccao
ortogonal de V sobre S . Tem-se
I = P S + PS .
65
Se {v1 , v2 , ..., vn } e uma base ortonormada de S, entao
n
X
PS (v) = hv, vi i vi ,
i=1
para todo o v V .
Se {u1 , u2 , ..., uk } e uma base ortonormada de S , entao
k
X
PS (v) = hv, uj i uj ,
j=1
para todo o v V .
As aplicacoes PS e PS sao transformacoes lineares de V em V que satisfazem as propri-
edades:
(i) PS (V ) = S, PS (V ) = S ;
(ii) (PS )2 = PS , (PS )2 = PS ;
(iii) hPS (u) , vi = hu, PS (v)i, hPS (u) , vi = hu, PS (v)i, para todos os u, v V ;
(iv) kuk2 = kPS (u)k2 + kPS (u)k2 , para todo o u V (Teorema de Pitagoras);
Observacao 49. Seja S e um subespaco de dimensao finita de um espaco euclidiano V .

Seja v V .
(i) dim S + dim S = dim V

(ii) S =S
(iii) Se {v1 , v2 , ..., vn } e uma base de S entao v S se e so se
hv, v1 i = hv, v2 i = ... = hv, vn i = 0.
Teorema 73. Seja S e um subespaco de dimensao finita de um espaco euclidiano V .

Seja v V . Entao, existe um elemento de S mais proximo de v do que qualquer dos
outros pontos de S. Este elemento e a projeccao ortogonal PS (v) de v sobre S e
tem-se
kv PS (v)k kv uk ,
para todo o u S, e a igualdade verifica-se se e so se u = PS (v).
Definicao 54. Seja V um espaco euclidiano. Seja S e um subespaco de V com dim S = k.

Seja q V . Chama-se ao conjunto
{q} + S
um k-plano. A distancia d de um ponto p V a um k-plano P = {q} + S e dada por:
d (p, P) = kPS (p q)k .
66
Observacao 50. A distancia entre dois k-planos paralelos P1 = {a} + S e P2 = {b} + S
e dada por:
d (P1 , P2 ) = kPS (a b)k .
Exemplo 48. Considere-se R3 com o produto interno usual.
(i) Seja P o plano (em R3 ) que passa pelos pontos: (1, 2, 1), (1, 0, 1) e (1, 1, 1). Tem-se
P = {(1, 2, 1)} + L ({(1, 0, 1), (1, 1, 1)})
Equacao vectorial de P:
(x, y, z) = (1, 2, 1) + (1, 0, 1) + (1, 1, 1),
com , R.
Equacoes parametricas de P:

x=1++

y =2+

z =1+
com , R.
Equacao cartesiana de P:
x 2y + z = 2.
Em alternativa, podemos determinar uma equacao cartesiana de P do seguinte modo.

Atendendo a que
P = {(1, 2, 1)} + L ({(1, 0, 1), (1, 1, 1)}) ,
seja
S = L ({(1, 0, 1), (1, 1, 1)}) .
Logo,

S = (x, y, z) R3 : h(x, y, z), (1, 0, 1)i = 0 e h(x, y, z), (1, 1, 1)i = 0 =

1 0 1
= Nuc = L ({(1, 2, 1)})
1 1 1
e assim, a equacao cartesiana do plano P que passa pelo ponto (1, 2, 1) e dada por:
(h(x 1, y 2, z 1), (1, 2, 1)i = 0)
(1 (x 1) 2 (y 2) + 1 (z 1) = 0) ,
ou seja por
x 2y + z = 2.
67
(ii) Determinemos a equacao cartesiana da recta que passa pelos pontos (1, 1, 0) e
(1, 2, 1). Tem-se
r = {(1, 1, 0)} + L ({(0, 1, 1)}) ,
uma vez que (0, 1, 1) = (1, 2, 1) (1, 1, 0). Seja
S = L ({(0, 1, 1)}) .
Logo,

S = (x, y, z) R3 : h(x, y, z), (0, 1, 1)i = 0 = Nuc 0 1 1 = L ({(1, 0, 0), (0, 1, 1)})
e assim, a equacao cartesiana da recta r e dada por:
(h(x 1, y 1, z), (1, 0, 0)i = 0 e h(x 1, y 1, z), (0, 1, 1)i = 0)
(1 (x 1) = 0 e 1 (y 1) 1z = 0) ,
ou seja por
x=1

y z = 1.
Formas Quadraticas
Definicao 55. Sejam V um espaco euclidiano real e S = {u1 , ..., un } uma base ortonormada
de V . Seja A Matnn (R). Chama-se forma quadratica associada a A a aplicacao
Q : V R definida por
Xn X n
Q(v) = aij i j ,
i=1 j=1
isto e,
1
... n A ...

Q(v) = 1
n
onde 1 , ..., n sao as coordenadas de v na base S. Se A for uma matriz diagonal entao
tem-se n
X
Q(v) = aii 2i
i=1
e diz-se que Q e uma forma quadratica diagonal.
Observacao 51. No exemplo que se segue pode ver-se que duas matrizes diferentes
podem estar associadas a mesma forma quadratica.
68

1 1 1 3
Exemplo 49. Sejam A = eA= . As formas quadraticas associadas
1 2 1 2
a A e a B sao dadas por

x x
QA (x, y) = x y A = x + y x + 2y = x2 + 2xy + 2y 2
y y
e
x x
QB (x, y) = x y B = x y 3x + 2y = x2 + 2xy + 2y 2 .
y y
Logo, tem-se QA = QB .
Teorema 74. Seja A Matnn (R). Seja QA a forma quadratica associada a matriz A.
Entao, existe uma matriz simetrica B = 21 A + AT Matnn (R) tal que QA = QB .
Teorema 75. Toda a forma quadratica e diagonalizavel.
Exemplo 50. Considere-se a forma quadratica Q : R2 R definida por
Q(x, y) = 3x2 + 4xy + 3y 2 .
Tem-se
x
Q(x, y) = x y A ,
y

3 2
com A = . Os valores proprios de A sao 1 = 1 e 2 = 5. A forma quadratica
2 3
diagonal correspondente e
0 0
0 0 x 0 0 1 0 x
x y D 0 = x y
y 0 5 y0
com
T x0 x
D = SAS e =S
y0 y
em que S T e a matriz diagonalizante obtida colocando na 1a coluna um vector proprio de
norma 1 associado ao valor proprio 1 e na 2a coluna um vector proprio de norma 1 associado
ao valor proprio 2 . Observe-se que a matriz S e ortogonal, isto e, tem-se S T = S 1 .
Tem-se entao
T
x T x x x
Q(x, y) = x y A = x y S DS = S DS =
y y y y
0
0 0 x
= x y D .
y0
Definicao 56. Diz-se que uma forma quadratica Q ou uma matriz simetrica que lhe
esteja associada, e:
69
(i) definida positiva se Q(v) > 0, para todo o v 6= 0;
(ii) definida negativa se Q(v) < 0, para todo o v 6= 0;
(iii) semidefinida positiva se Q(v) 0, para todo o v;
(iv) semidefinida negativa se Q(v) 0, para todo o v;
(v) indefinida se existirem pontos onde Q seja positiva e pontos onde Q seja negativa.
Teorema 76. Seja A Matnn (R) tal que A e simetrica. Entao,
(i) A e definida positiva se e so se todos os valores proprios de A forem positivos;
(ii) A e definida negativa se e so se todos os valores proprios de A forem negativos;
(iii) A e semidefinida positiva se e so se todos os valores proprios de A forem nao

negativos;
(iv) A e semidefinida negativa se e so se todos os valores proprios de A forem nao

positivos;
(v) A e indefinida se e so se A tiver pelo menos um valor proprio positivo e outro

negativo.
Agradecimento.
Agradecimentos ao Prof. Nuno Martins por ter cedido os seus apontamentos teoricos em tex
70

Algebra Linea

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Algebra Linea

Enviado por

Direitos autorais:

Formatos disponíveis

Instituto Superior Tecnico

Resumo das Aulas Teoricas de Algebra Linear

(Todos os cursos da Alameda)

Espacos Lineares (Vectoriais) 19

Valores Proprios e Vectores Proprios 49

sao dos seguintes tipos: A e 2 2, B e 2 4, C e 1 3, A e 4 1. Tem-se, por exemplo,

Observacao 1. Uma matriz (real) A do tipo m n e uma aplicacao:

A : {1, ..., m} {1, ..., n} R

Notacao 1. O conjunto de todas as matrizes reais do tipo m n e denotado por

Definicao 4. O produto de um escalar (numero) por uma matriz A = (aij )mn

Notacao 2. A matriz (1)A sera denotada por A.

Definicao 5. O produto AB de duas matrizes A e B so pode ser efectuado se o numero

Exemplo 4. Sejam A, B, C e D as matrizes do exemplo 2. Nao e possvel efectuar, por

Definicao 6. A transposta de uma matriz A = (aij )mn e a matriz

que se obtem trocando as linhas com as colunas de A.

Exemplo 5. Sejam A e C as matrizes do exemplo 2. Tem-se

Teorema 1. Sejam A, B, C e D matrizes de tipos apropriados, e escalares. Sao

(a) (Comutatividade da soma) A + B = B + A.

(b) (Associatividade da soma) A + (B + C) = (A + B) + C.

(e) (Associatividade do produto por escalares) (A) = () A.

(h) (Associatividade do produto de matrizes) A (BC) = (AB) C.

(i) (Distributividade) A (B + C) = AB + AC e (B + C) D = BD + CD.

(j) (AB) = (A) B = A (B).

(p) A matriz, do tipo n n,

chama-se matriz identidade (de ordem n) e e tal que

para todas as matrizes A = (aij )mn e B = (bij )nm .

ou seja, e a soma de A com o simetrico de B.

(ii) Sejam A uma matriz do tipo n n e p N. A potencia p de A e definida por

(iii) A matriz do tipo n n

Observacao 3. Tem-se: 1A = A, 0A = 0, A + A = 2A, A

Sistemas de Equacoes Lineares

em que a1 , a2 , ..., an e b sao constantes (reais).

Definicao 10. Um sistema de m equacoes lineares com n incognitas e um conjunto

em que aij e bk sao constantes (reais), para i, k = 1, ..., m e j = 1, ..., n.

Observacao 5. Usando o produto de matrizes definido na seccao anterior, o sistema

A matriz A e a matriz dos coeficientes do sistema, X e a matriz coluna das incognitas

Exemplo 6. O sistema linear de duas equacoes e duas incognitas

pode ser escrito do seguinte modo:

Observacao 6. De modo a facilitar a resolucao de um sistema linear, este pode ser

- Trocar a posicao de duas equacoes do sistema;

Estas sao as chamadas operacoes elementares. Quando aplicamos operacoes elementares

a qual se da o nome de matriz aumentada do sistema.

(i) Trocar a posicao de duas linhas da matriz;

(ii) Multiplicar uma linha da matriz por um escalar diferente de zero;

(iii) Somar a uma linha da matriz um multiplo escalar de outra linha.

Teorema 2. Se dois sistemas lineares AX = B e CX = D sao tais que a matriz

Definicao 13. Seja A uma matriz em escada de linhas. Ao no de pivots de A matriz,

Exemplo 7. As seguintes matrizes estao em escada de linhas:

Pivot de A: 4. Pivots de B: 1, 5. Pivots de C: 2, 3, 5.

Exemplo 8. O sistema linear

Neste exemplo o sistema tem solucao unica e diz-se possvel e determinado.

Exemplo 9. O sistema linear

Neste exemplo o sistema tem infinitas solucoes e diz-se possvel e indeterminado.

Exemplo 10. Seja a R. O sistema linear

Se a = 2, entao o sistema e possvel e indeterminado:

a incognita z e livre, as incognitas x e y sao nao livres e a solucao geral do sistema e

para qualquer z R, isto e, o conjunto solucao e dado por:

Assim, se a = 2, o sistema tem infinitas solucoes e diz-se possvel e indeterminado.

e diz-se possvel e determinado.

(i) Se car A = car [A | B] = n entao o sistema e possvel e determinado (tem uma

(ii) Se car A = car [A | B] < n entao o sistema e possvel e indeterminado (tem um

(vi) car A = no de linhas nao nulas da matriz em escada de linhas obtida de A = no de

Teorema 3. Sejam A uma matriz do tipo m n e B uma matriz do tipo m 1. Se o

Dem. Basta verificar que X = (1 ) X0 + X1 e solucao do sistema AX = B, para