Escolar Documentos
Profissional Documentos
Cultura Documentos
Algebra Linea
Algebra Linea
Departamento de Matematica
Seccao de Algebra e Analise
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
Transformacoes Lineares 35
Representacao matricial de uma transformacao linear . . . . . . . . . . . . . . . . 37
Transformacoes injectivas, sobrejectiva e bijectivas equacoes lineares . . . . . . . 41
Determinante 45
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
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
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
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.
AT = (aji )nm
(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.
(f ) (Distributividade) ( + ) A = A + A.
(g) (Distributividade) (A + B) = A + B.
(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.
AI = A e IB = B,
Definicao 7. (i) A diferenca entre duas matrizes A e B do mesmo tipo e definida por
A B = A + (B),
cujas entradas fora da diagonal principal sao nulas, chama-se matriz diagonal.
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).
a1 x1 + a2 x2 + ... + an xn = b,
AX = B,
em que
a11 a12 a1n x1 b1
a21 a22 a2n
x2
b2
A= .. .. .. , X= .. e B= .. .
. .
. . .
am1 am2 amn xn bm
x1 = s1 , x2 = s2 , ..., xn = sn .
6
Ao conjunto de todas as solucoes do sistema chama-se conjunto solucao ou solucao geral do
sistema.
Definicao 11. As operacoes elementares que podem ser aplicadas as linhas de uma
matriz sao as seguintes:
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 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 .
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.
e equivalente a
x
0 0 3 9 6
5 15 10 40 y = 45 .
z
1 3 1 5 7
w
Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss:
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} .
e equivalente a
1 2 1 x 3
1 1 1 y = 2 .
1 1 a2 5 z a
Consideremos entao a matriz aumentada e o consequente metodo de eliminacao de Gauss:
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
S = {(3z + 1, 2z + 1, z) : z R} .
10
Observacao 8. Seja [A | B] a matriz aumentada associada a um sistema linear com n
incognitas.
(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.
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.
X = X0 + (X X0 )
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
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
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
A operacao elementar:
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
corresponde a seguinte multiplicacao (a esquerda):
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
A operacao elementar:
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
corresponde a seguinte multiplicacao (a esquerda):
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
corresponde a seguinte multiplicacao (a esquerda):
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.
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 .
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 11. Toda a matriz elementar e invertvel e a respectiva inversa e tambem uma
matriz elementar. Tem-se:
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.
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
(ii) O sistema homogeneo AX = 0 tem solucao nao trivial se e so se A for singular (nao
invertvel).
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)
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:
(e) (Elemento neutro da soma). Existe um elemento de V designado por 0 tal que, para
qualquer u V , u + 0 = u.
19
(i) Rn , com as operacoes usuais:
(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 )(x) = f (x).
Observacao 15. Um mesmo conjunto pode servir para formar espacos lineares dife-
rentes:
u v = u + v + 1,
u = u + 1,
(ii) O conjunto dos numeros reais maiores do que zero, com a soma definida por
u v = uv,
u = u ,
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 ,
Logo, f1 + f2
/ U.
(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.
21
e um subespaco do espaco linear Rm , com as operacoes usuais, ao qual se da o nome de
espaco das colunas de A.
Nuc(A) = {u Rn : Au = 0}
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
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:
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,
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
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:
Seja v V , entao
v = (1, 1, 1) + (1, 2, 1) = ( + , + 2, + ),
( + ) + ( + 2) 2 ( + ) = 0.
Seja v U , entao
( + , + 2, + 2) = (2, 1, 1) + (1, 1, 3) =
= (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,
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:
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 = {(x, y) R2 : x = 0 y = 0}
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
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
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 ).
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
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}.
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:
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.
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,
(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.
(i) Tem-se
dim C(A) = dim L(A) = car A.
(ii) Tem-se
car A + nul A = n.
(iii) Se dim V = n, entao nenhum conjunto com m vectores de V , em que m < n, pode
gerar V .
Exemplo 23. Seja A Matmn (R). Como L(A) e Nuc(A) sao subespacos de Rn entao
29
e tambem um subepaco de Rn . Por outro lado, atendendo a que
dim (L(A) + Nuc(A)) = dim L(A) + dim Nuc(A) dim (L(A) Nuc(A)) =
= car A + nul A 0 =
= n.
Rn = L(A) Nuc(A).
{0} e R.
{(0, 0, 0)} , todas as rectas que contem a origem, todos os planos que contem a origem e R 3 .
(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.
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
Exemplo 26. Seja S = {1, 2, 1), (2, 1, 1), (1, 2, 1), (0, 1, 0)} R3 . Determinemos
uma base para L(S).
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 .
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
C(A) = L(A) = Rn .
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) A e invertvel.
(iv) nul A = 0.
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 .
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.
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
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
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
Transformacoes Lineares
T :U V
T (u + v) = T (u) + T (v),
para todos os , R e u, v U .
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 .
(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.
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
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 .
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 .
0 0 0
(iii) T : R2 R2 definida por T (x, y) = (1 y, 2x) nao e uma transformacao linear.
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
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)) ,
M (S T ; S1 ; S3 ) = M (S; S2 ; S3 )M (T ; S1 ; S2 ).
R (S T ) = (R S) T .
T (R + S) = T R + T S e T (R) = (T R) .
(R + S) Q = R Q + S Q e (R) Q = (R Q) .
T (u) = T (w) u = w,
u 6= w T (u) 6= T (w),
para todos os u, w U .
T (U ) = V .
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).
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.
T (U ) = {T (u) : u U } ,
Nuc(T ) = {u U : T (u) = 0} .
O(u) = 00 ,
42
(ii) Considere a transformacao identidade I : U U definida por
I(u) = u,
T : Rn R m
definida por
T (u) = Au,
para todo o u Rn . Tem-se
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:
S T = IU e T S = IT (U ) ,
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.
(i) Existencia de solucao: o sistema T (u) = b tem pelo menos uma solucao u se e so
se b T (U );
44
Determinante
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).
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.
(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.
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
(ii) Se A for uma matriz triangular superior ou triangular inferior entao det A = produto
dos elementos da diagonal principal de A.
(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.
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
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
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
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 = 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.
det(A I),
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.
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).
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
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
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
53
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 = 1. Tem-se
1 1 1
Nuc (A 1 I) = Nuc 2 2 2 = L ({(1, 1, 0) , (1, 0, 1)}) .
3 3 3
u = (s t, s, t) , com s, t R\ {0} .
Atendendo a que
dim E1 + dim E2 = 3,
podemos ter a seguinte 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 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
55
Determinemos os vectores proprios de A associados ao valor proprio 2 = 2. Tem-se
5 5 1
Nuc (A 2 I) = Nuc 0 4 1 = L ({(1, 5, 20)}) .
20 0 1
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
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).
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.
hu, vi = hv, ui .
V R
u hu, vi
e linear.
(iii) Positividade: para todo o u V tal que u 6= 0,
hu, ui > 0.
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
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
h(1 , 2 ) , ( 1 , 2 )i = 1 1 + 2 2 ,
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.
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
e satisfeita.
Atendendo a que
h(1 , 2 ) , (1 , 2 )i = 221 + 21 2 + 22 = 21 + (1 + 2 )2 ,
tem-se
hv, ui
proju v = u.
kuk2
60
(iii) Diz-se que u e v sao ortogonais se hu, vi = 0.
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.
Dem.
se e so se
hu, vi = 0,
isto e, se e so se u e v forem ortogonais.
61
(i) Positividade: kuk > 0 se u 6= 0.
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.
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.
kuk = 1.
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
{v1 , v2 , ..., vk } V .
Sejam
u1 = v 1 ,
u2 = v2 proju1 v2 ,
...
uk = vk proju1 vk ... projuk1 vk .
Entao:
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
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.
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 .
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
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.
Nuc(A) = (L(A)) .
v = vS + vS , com vS S e vS S .
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 ;
(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);
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 .
(i) Seja P o plano (em R3 ) que passa pelos pontos: (1, 2, 1), (1, 0, 1) e (1, 1, 1). Tem-se
Equacao vectorial de P:
com , R.
Equacoes parametricas de P:
x=1++
y =2+
z =1+
com , R.
Equacao cartesiana de P:
x 2y + z = 2.
e assim, a equacao cartesiana do plano P que passa pelo ponto (1, 2, 1) e dada por:
(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)})
(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
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 .
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;
(v) indefinida se existirem pontos onde Q seja positiva e pontos onde Q seja negativa.
Agradecimento.
Agradecimentos ao Prof. Nuno Martins por ter cedido os seus apontamentos teoricos em tex
70