Escolar Documentos
Profissional Documentos
Cultura Documentos
Álgebra Linear I PDF
Álgebra Linear I PDF
2ª Edição
Florianópolis, 2011
Governo Federal
Presidente da República: Dilma Vana Rousseff
Ministro de Educação: Fernando Haddad
Coordenador Nacional da Universidade Aberta do Brasil: Celso Costa
Comissão Editorial
Antônio Carlos Gardel Leitão
Albertina Zatelli
Elisa Zunko Toma
Igor Mozolevski
Luiz Augusto Saeger
Roberto Corrêa da Silva
Ruy Coimbra Charão
Laboratório de Novas Tecnologias - LANTEC/CED
Coordenação Pedagógica
Coordenação Geral: Andrea Lapa, Roseli Zen Cerny
Núcleo de Formação: Nilza Godoy Gomes
Núcleo de Pesquisa e Avaliação: Claudia Regina Flores
Ficha Catalográfica
K88a Kozakevich, Daniel
Álgebra Linear I / Daniel Norberto Kozakevich, Sonia Elena
Palomino Castro Bean. – 2. ed. – Florianópolis : UFSC/EAD/CED/
CFM, 2011.
250 p. : il. ; grafs. , tabs.
Inclui bibliografia
UFSC. Licenciatura em Matemática na Modalidade a Distância
ISBN 978-85-8030-023-9
2. Sistemas Lineares................................................................ 73
2.1 Preliminares................................................................................. 75
2.2 Sistemas Lineares........................................................................ 80
2.3 Decomposição LU..................................................................... 108
Resumo . ...........................................................................................114
Bibliografia Comentada...................................................................115
1.1 Matriz
As matrizes são estruturas matemáticas que podem ser encontra-
das em muitos problemas do nosso dia-a-dia. Por isso, neste capí-
tulo, iniciaremos o estudo das matrizes com um problema vindo
do nosso cotidiano.
Temperatura
Cidade Cidade Hora
(°C)
1 -3 1 3
2 14 2 5
3 5 3 7
4 16 4 9
5 20 5 11
Temperatura
Hora Hora Cidade
(°C)
3 -3 3 1
5 14 5 2
7 5 7 3
9 16 9 4
11 20 11 5
H 3 5 7 9 11
T (°C) -3 14 5 16 20
H T (°C)
3 -3
5 14
7 5
9 16
11 20
H 3 5 7 9 11
T (°C) -3 14 5 16 20
3 −3
5 14
3 5 7 9 11
A= 7 5 e B= .
−3 14 5 16 20
9 16
11 20
14
a22 = 14.
b14 = 9.
• Não, não gosto de tanto frio, por isso no inverno ficarei no Rio
de Janeiro.
A = aij
m×n
A = (aij ) m×n .
1 + 1 1 + 2 1 + 3 2 3 4
A= = .
2 + 1 2 + 2 2 + 3 3 4 5
16
i j , i = 1, 2
bij = .
0, i = 3
Solução. Observe que não há nenhuma condição para os índices j,
isto é, j está variando conforme o número de colunas que a matriz
tem. Já na 3ª linha (i = 3) todos os elementos serão nulos. Assim
sendo, a matriz B é dada por:
11 12 13 14 1 1 1 1
B = 21 22 23 24 = 2 4 8 16 .
0 0 0 0 0 0 0 0
0 1 2 3 4
1 −1 7 −2
3 8 0 0 0 1
A = 0 9 B = e C= ,
−1 3 3 2 6 −1 3 9
5 −2
3 5 0 0 9
L = [1 2 3 4] M = (0 0 1 8).
1 1 1
Exemplo 3: Considere a matriz B = −1 −1 2 .
3 7 0
1 0 0
0 0
D = 0 3 0 E= .
0 0 6 0 −1
Também:
s31 = z = 0 = s13,
e de forma similar:
s41 = 1 = −t = s14 .
Assim,
t = −1.
Também,
s32 = − z = w = s23 ,
w = 0.
Por último,
s11 = a e s22 = b,
0 2 6
0 −1
A= B = −2 0 −4
1 0 −6 4 0
21
0 2 0 −1
−2 0 0 0
S= .
0 0 0 0
1 0 0 0
1) A troca de uma linha (ou coluna) por outra linha (ou coluna);
Exemplos:
0 1
E1 = .
1 0
1 0 0 0
1 0 0 1 0 0
A= B=
0 −2 1 0 1 0
0 0 0 1
O símbolo matemático ∀ é .
lido “para todo”. Na relação
dada, ∀ i, j é lido “para todo A expressão
i e para todo j”.
aij = bij , ∀i, j
a11 = 0 = s11
a22 = 0 = s22 = y ,
daí resulta:
y = 0.
Também,
a24 = −t = s24 = −t ,
com isso:
t ∈ .
Mais,
a42 = t = s42 = −t
2t = 0,
24
que implica:
t = 0.
1 1 1 1 1
Observação. As matrizes A = e B= possuem os mes-
1 1 1 1 1
mos elementos, mas não são iguais, você pode justificar o porquê?
1 1 1 1
b 1 b 1
A= ser simétrica?
1 b 1 1
1 1 b b
Notação. C = A + B.
A + B = aij + bij
m×n
Escalar
Dado o escalar , o produto da matriz A pelo escalar é uma matriz
Na maioria dos casos, é um da mesma ordem cujos elementos foram multiplicados pelo valor .
número real ∈ . É pos- Em outras palavras, se A = aij e ∈ , o produto de A pelo es-
sível, também, tomarmos m×n
os escalares como números calar é uma matriz C de elementos cij com cij = aij para todos os
complexos, ∈ . Os es- valores i, j definidos na matriz A. Isto é:
calares podem ser tomados
de qualquer sistema numéri- C = cij , tal que cij = aij , ∀i, j.
m×n
co no qual podemos somar,
subtrair, multiplicar e dividir
de acordo com as leis habi- Notação. C = A = aij .
m×n
tuais da aritmética.
Exemplo 9. Multiplique a matriz I 4 pelo escalar = −2.
Solução.
1 0 0 0 −2 0 0 0
0 1 0 0 0 −2 0 0
C = I 4 = −2 =
0 0 1 0 0 0 −2 0
0 0 0 1 0 0 0 −2
t
cij = ∑ aik bkj .
k =1
26
t
Notação: C = AB = ∑ aik bkj .
k =1 3×4
2 3 4
Exemplo 10. Seja a matriz A = 3 4 5 e a matriz B, de ordem
4 5 6
3 × 4 com elementos bij = i j. Obter a matriz produto C = AB.
2 3 4 1 1 1 1
A = 3 4 5 e B = 2 4 8 16 .
4 5 6 3 9 27 81
3
cij = ∑ aik bkj , i = 1, ,3, j = 1, , 4.
k =1
• Primeira linha:
• Segunda linha:
guintes propriedades:
1) Propriedades da Adição
A1) Comutatividade: A + B = B + A;
A2) Associatividade: ( A + B) + C = A + ( B + C );
A1) Comutatividade: A + B = B + A
A + B = aij + bij
m×n m×n
= aij + bij
m×n
= (aij + bij ) .
m×n
( x + y ) = ( y + x) , com x, y ∈
temos:
= (bij + aij )
m×n
= bij + aij
m×n
= B + A.
Logo,
A + B = B + A.
A2) Associatividade: ( A + B ) + C = A + ( B + C ).
A + B = aij + bij
m×n
( x + y ) + z = x + ( y + z ) com x, y, z ∈ .
Temos, então:
= aij + (bij + cij ) .
m×n
= A + ( B + C ).
Logo,
( A + B ) + C = A + ( B + C ).
A + O = aij + 0 = (aij + 0) .
m×n m×n
x + 0 = x com x ∈ .
Então,
aij + 0 = aij , ∀i, j.
Com isso,
aij + 0 = aij = A.
m×n m×n
Logo,
A + O = A.
A + (− A) = aij + (−aij ) .
m×n
x + (− x) = 0 com x ∈ .
Então,
aij + (−aij ) = 0, ∀i, j.
Assim,
aij + (−aij ) = [0] m×n = O.
m×n
Logo,
A + (− A) = O.
M2) ( A + B) = A + B;
30
M3) ( + ) A = A + A;
M4) 1 ⋅ A = A.
Observação. Quando trabalhamos com matrizes, pode acontecer a Você observou as diferenças
necessidade de multiplicá-las pelo escalar zero, dando como resulta- entre o zero escalar e a
matriz zero, denotada pela
do a matriz nula. Isto é, . letra O ?
O ⋅ A = 0 aij
m×n
= 0 ⋅ aij
m×n
= [0] m×n
= O.
M3) ( + ) A = A + A.
( + ) ⋅ A = ( + ) aij
m×n
= ( + ) aij .
m×n
( x + y ) ⋅ z = xz + yz
= aij + aij .
m×n m×n
= aij + aij
m×n m×n
= A + A.
Logo,
( + ) ⋅ A = A + A.
M4) 1 ⋅ A = A.
31
1 ⋅ A = 1 ⋅ aij
m×n
= 1 ⋅ aij
m×n
= (1 ⋅ aij ) .
m×n
P3) ( A + B) C = AC + BC ;
= AC + BC .
Logo,
( A + B) C = AC + BC .
t
( AB) = [aik ]m×t ⋅ [bkj ]t×n = ∑ (aik ⋅ bkj ) .
k =1 m×n
Usando a propriedade do somatório:
n n
c ∑ xi = ∑ cxi , c: constante,
i =1 i =1
temos:
t
= ∑ (aik ⋅ bkj ) .
k =1 m×n
Da propriedade associativa dos números reais:
( xy ) ⋅ z = x ⋅ ( yz ) com x, y, z ∈ .
Temos:
t
∑ ( aik ) ⋅ bkj .
k =1 m×n
E, pela definição de produto de matrizes e produto de uma matriz
por um escalar,
= ( A) B.
Logo,
( AB) = ( A) B.
33
1 0 1 1
Exemplo 11. Dadas as matrizes A = e B = 1 0 , a matriz
0 −1
1 1 1 −1
produto AB = , entretanto BA = , verificando que
−1 0 1 0
AB ≠ BA.
Na literatura é também Seja A = aij , a matriz transposta de A, denotada por A', é aquela
m×n
usual encontrarmos a
transposta de uma matriz matriz obtida trocando-se as linhas pelas colunas de A. Isto é:
T
denotada como A ou
t
A , mas usaremos tal A′ = a ji .
n× m
notação pelo fato de ser a
forma como trabalharemos
computacionalmente com 1 2 3
Por exemplo, se A = , a matriz transposta é uma matriz
alguns softwares como 4 5 6 2×3
MATLAB® ou SCILAB®,
durante as nossas aulas ou de ordem 3 × 2 dada por:
no ambiente virtual.
1 4
A ' = 2 5 .
3 6 3×2
1 −1 1 x
x 0 = −1 0 .
Isso será válido apenas se x = −1.
1) ( A ') ' = A;
• Prova da Propriedade 3
p
AB = ∑ aik bkj
k =1 m×n
= [cij ] m×n .
35
Assim:
p
cij = ∑ aik bkj .
k =1
p
= ∑ a jk bki (1)
k =1 n× m
Pode-se verificar que:
p p
∑b
k =1
jk aki = ∑ a jk bki .
k =1
(2)
p
B ' A ' = ∑ b jk aki
k =1 n× m
(deixamos a você a tarefa de pesquisar a propriedade do somatório
usado), substituindo (2) e (1):
p
( AB) ' = ∑ b jk aki .
k =1 n×m
Logo,
( AB) ' = B ' A '.
Exemplo 13. Prove que toda matriz quadrada pode ser colocada
como a soma de uma matriz simétrica com outra anti-simétrica.
Então,
A + A'
B= .
2
Então:
A − A'
C= .
2
Assim,
A + A' A − A'
A= + .
2 2
Ap =
A
⋅
A
⋅
p vezes
37
Exemplo 14. Seja A = [aij ]n, com aij = i − j, calcule A3, para p = 2,3, 4.
Se n = 2,
0 −1
A= .
1 0
Assim,
0 −1 0 −1 −1 0
A2 = AA = = .
1 0 1 0 0 −1
Se p = 3 ,
−1 0 0 −1 0 1
A3 = AAA = A2 A = = .
0 −1 1 0 −1 0
Deixamos como exercício calcular A4.
Observações:
Por exemplo, se
1 1 −1 0
0 0 2 5
A= ⇒ Tr ( A) = 1 + 0 + 7 + 5 = 13.
3 4 7 1
0 0 0 5
38
1) Tr ( A + B) = Tr ( A) + Tr ( B);
3) Tr ( A ') = Tr ( A);
4) Tr ( AB) = Tr ( BA).
• Prova da Propriedade 1
Tr ( A + B) = Tr ( A) + Tr ( B)
= Tr ( A) + Tr ( B ).
Exercícios Resolvidos
1 −1 7
1) Dada a matriz A = , encontre a sua transposta.
0 5 −2 2×3
Solução.
1 0
A ' = −1 5 .
7 −2 3×2
39
n n n
b) ∑ (ai + bi ) = ∑ ai + ∑ bi ;
i =1 i =1 i =1
n n
c) ∑ bi ak = ak ∑ bi ;
i =1 i =1
n m m n
d) ∑∑ bij =∑∑ bij .
i =1 j =1 j =1 i =1
1 2 −1 1 0 3
A = −2 −3 2 , B = 2 −1 4 ,
1 4 5 −3 −1 −17
encontre:
a) C = A + 2 B;
b) C = B 2;
c) tr ( A), tr ( B) e tr ( AB);
a) C = 2 A − 3B.
• da soma de matrizes;
41
• da subtração de matrizes;
• do produto de matrizes.
1.4 Determinantes
1.4.1 Menor de uma Matriz: Mij
Dada uma matriz quadrada, A = [aij ] n , o menor da matriz A, deno-
tado por M ij, é uma submatriz de ordem (n − 1) obtida ao cancelar-
mos a linha i e a coluna j.
Assim, se:
Com:
Exemplo:
2 3 4 5 6
0 0 1 3 4
Se A = 2 −1 3 2 0 ,
0 0 0 −1 0
1 1 1 1 1
42
0 1
A= , então det ( A) = (0)(0) − (−1)(1) = 1.
−1 0
Similarmente, se:
1 2 3
B = 4 5 6 , então:
7 8 9
Ou:
Aij = (−1) i + j M ij .
2 3 4 6
0 0 1 4
Exemplo 15. Se A = , calcule A44, A11, A31, A33, A14, A23 e A32.
0 0 0 0
1 1 1 1
Solução.
2 3 4
4+ 4
A44 = (−1) M 44 = (+1) 0 0 1 = 0
0 0 0
0 1 4
1+1
A11 = (−1) M 11 = (+1) 0 0 0 = 0
1 1 1
3 4 6
3+1
A31 = (−1) M 31 = (+1) 0 1 4 = 19 − 18 = 1
1 1 1
2 3 6
3+ 3
A33 = (−1) M 33 = (+1) 0 0 4 = 12 − 8 = 4
1 1 1
0 0 1
A14 = (−1)1+ 4 M 14 = (−1) 0 0 0 = 0
1 1 1
2 3 6
2+3
A23 = (−1) M 23 = (−1) 0 0 0 = 0
1 1 1
44
2 4 6
3+ 2
A32 = (−1)
M 32 = (−1) 0 1 4 = −(18 − 14) = −4
1 1 1
+ − +
− + −
+ − +
a11 a12
det ( A) = = a11 a22 − a21 a12
a21 a22
= a11 | M 11| + a12 (− | M 12 |)
= a11 (a22 a33 − a32 a23 ) + a12 (a23 a31 − a33 a21 ) + a13 (a21 a32 − a31 a22 )
1 2 3
Por exemplo, se A = 4 5 6 o determinante usando a segunda
7 8 9
linha é dado por:
= 24 − 60 + 36 = 0.
• Permutação
Dados os n números (ou n objetos distintos) uma permutação des-
ses números (ou objetos) consiste em dispô-los em uma determina-
da ordem.
• Número de Permutações
Dados os números 1 e 2 há duas permutações, (1 2) e (2 1), ou seja, 2!
permutações.
• Inversão
É o número de mudanças necessárias em uma permutação para vol-
tá-la à sua posição ordenada inicial.
J = J ( j1 j2 jn ).
J (1 2 3) = 0, J (1 2 3 4) = 0 e J (3 2 1) = 3.
Permutação N° de inversões
12 J (1 2) = 0
21 J (2 1) = 1
48
Se n = 3, considere os números 1, 2 e 3.
Permutação N° de inversões
123 J (1 2 3) = 0
132 J (1 3 2) = 1
213 J (2 1 3) = 1
231 J (2 3 1) = 2
312 J (3 1 2) = 2
321 J (3 2 1) = 3
Permutação N° de inversões
1234 0
1243 1
1324 1
1342 2
1432 3
1423 2
2134 1
2143 :
2314 :
2341 :
2431 :
: :
• Determinante
Definição. Dada a matriz de ordem n, A = aij , o determinante de
n
A é definido por:
Se n = 2, então = 2, assim:
det ( A) = ∑ (−1) J ( j1 j2 )
a1 j1 a2 j2 = (−1)0 a11 a22 + (−1)1 a12 a21 = a11 a22 − a12 a21.
Se n = 3 , = 6 e, assim:
det ( A) = ∑ (−1) J ( j1 j2 j3 ) a1 j1 a2 j2 a3 j3
= (−1)0 a11a22 a32 + (−1)1 a11a23 a32 + (−1)1 a12 a22 a33 + (−1) 2 a12 a23a31 + (−1) 2 a13a21a32 + (−1)3 a13a22 a31
= a11a22 a33 + a12 a23 a31 + a13 a21a32 − a13 a22 a31 − a11a23 a33 − a12 a21a33
Exercício 18.
• Propriedades do Determinante
det ( A) = 0;
Observações. Não é objetivo do presente material didático fazer as Mais detalhes a respeito
demonstrações das propriedades anteriores, porém as mesmas po- dessas demonstrações
podem ser encontrados no
dem ser provadas a partir da definição do determinante. livro de Álgebra Linear, de
Callioli (1993), citado no
Na Seção 1.4.3, ao calcularmos o determinante usando cofatores, final deste Capítulo.
Se k = 1 , l = 2 e n = 2:
2
∑a
i =1
1i A2i = a11 A21 + a12 A22 .
51
Assim, se
1 2
A= ,
3 4
então:
A21 = −2 e A22 = 1,
dessa forma:
2
∑a
i =1
1i A2i = 1(−2) + 2 (1) = 0.
2 1 3 4 1 1 2 −1
3 2 1 0 3
2 4 5 3 0 −2
A= , B= , C = 2 −1 4 .
2 2 1 0 −1 1 2 2
−6 −1 −17
−2 1 3 1 1 2 1 1
a c + 2a a c
A= , B= .
b d + 2b b d
1 −2
Se B = , então, os cofatores são:
2 −4
Assim,
−4 −2 −4 2
Adj ( B ) = = .
2 1 −2 1
2 1 0
A = −3 1 4 .
1 6 5
pois:
1 4
A11 = (−1)1+1 det = 5 − 24 = −19
6 5
−3 4
A12 = (−1)1+ 2 det = −(−15 − 4) = 19
1 5
−3 1
A13 = (−1)1+3 det = −18 − 1 = −19
1 6
1 0
A21 = (−1) 2+1 det = −(5 + 0) = −5
6 5
2 0
A22 = (−1) 2+ 2 det = 10 − 0 = 10
1 5
2 1
A23 = (−1) 2+3 det = −(12 − 1) = −11
1 6
53
1 0
A31 = (−1)3+1 det = 4−0 = 4
1 4
2 0
A32 = (−1)3+ 2 det = −(8 − 0) = −8
−3 4
2 1
A33 = (−1)3+3 det = 2+3= 5
−3 1
Assim,
Adj ( A) = Cof ( A) '
−19 19 −19
= −5 10 −11
4 −8 5
−19 −5 4
= 19 10 −8 .
−19 −11 5
−19 −5 4 2 1 0
Adj ( A) A = 19 10 −8 ⋅ −3 1 4
−19 −11 5 1 6 5
−19 0 0
= 0 −19 0
0 0 −19
1 0 0
= −19 0 1 0
0 0 1
= det( A) I 3
54
Demonstração.
n n n n n
∑ a1 j A1 j ∑a 1j A2 j ∑a 1j A3 j ∑a 1j A(n −1) j ∑a 1j Anj
j =1 j =1 j =1 j =1 j =1
n n n n n
∑ a2 j A1 j ∑a 2 j A2 j ∑a 2 j A3 j ∑a 2j A(n −1) j ∑ a2 j Anj
j =1 j =1 j =1 j =1 j =1
n n n n n
∑ a3 j A1 j ∑ a3 j A2 j ∑ a3 j A3 j ∑a 3j A(n −1) j ∑ a A
3 j nj
= j =1 j =1 j =1 j =1 j =1
n n n n n
∑ a(n −1) j A1 j ∑ a( n −1) j
A2 j ∑ a( n −1) j
A3 j ∑ a( n −1) j
A(n −1) j ∑ a(n −1) j Anj
j =1 j =1 j =1 j =1 j =1
n n n n n
∑ anj A1 j ∑ anj A2 j ∑ anj A3 j ∑a nj A(n −1) j ∑ anj Anj
j =1 j =1 j =1 j =1 j =1
Usando a Propriedade 8 dos determinantes nos elementos fora da
diagonal principal, temos:
n
∑ a1 j A1 j 0 0 0
j =1
n
0 ∑a 2j A2 j 0 0
j =1
A ⋅ Adj ( A) = n
0 0 ∑a 3j A3 j 0
j =1
n
0 0 0 ∑ anj Anj
j =1
n
det ( A) = ∑ akj Akj , para cada k = 1, 2, , n,
j =1
isto é:
det ( A) 0 0 0
0 det ( A) 0 0
A ⋅ Adj ( A) = 0 0 det ( A) 0 ,
0 0 0 det ( A)
= det ( A) I n .
Adj ( A) ⋅ A = det ( A) ⋅ I n .
AB = BA = I n .
Notação. B = A−1.
−1 1
−2 1 2 6
Por exemplo, se A = , a matriz B = é a respectiva
0 3 0 1
3
matriz inversa, pois:
1 0
AB = BA = .
0 1
Por outro lado, temos por hipótese que A é inversível, então existe
B tal que AB = I, assim:
−2 1 1 −2
matrizes A = e B= , podemos afirmar que apenas
0 3 2 −4
A possui inversa.
AA−1 = A−1 A = I .
Adj ( A) Adj ( A)
A⋅ = ⋅ A = I n.
det ( A) det ( A)
Adj ( A)
A−1 = .
det ( A)
−2 1 −1
Exemplo 21. Se A = , encontre A .
0 3
1 5 −4
19 19
A = −1 −10
−1 8 .
19 19
1 11 −5
19 19
1) ( AB ) −1 = B −1 A−1;
2) ( A−1 ) −1 = A;
3) ( At ) −1 = ( A−1 )t ;
1
4) det ( A−1 ) = .
det ( A)
• Prova da Propriedade 1
( AB) −1 = B −1 A−1
Como:
A ⋅ A−1 = I e B ⋅ B −1 = I .
( B ⋅ B −1 ) ⋅ A−1 = I ⋅ A−1.
B ⋅ ( B −1 ⋅ A−1 ) = A−1,
e multiplicando à esquerda por A:
A ⋅ ( B ⋅ ( B −1 ⋅ A−1 )) = A ⋅ A−1.
59
( AB) −1 = ( B −1 A−1 ).
AA−1 = A−1 A = I .
• Operações Elementares
1) A troca de uma linha (ou coluna) por outra linha (ou coluna);
a) li ↔ l j ;
b) li ;
c) l j ← li + l j .
Seja A uma matriz, se uma (ou várias) operação elementar for efetu-
ada nessa matriz, obteremos uma matriz diferente, a qual denotare-
mos por Ã. Assim, o processo efetuado será denotado por:
operação ( ções )
A
elementar ( es )
→Ã
Exemplos:
0 1
à = .
1 0
l1 ↔ l2
I 2 → Ã.
1 0 6 1
0 1 0 0
à = .
−6 0 4 0
0 −1 0 1
1 0 6 1
0 1 0 0
(−2 )I3
A → .
−6 0 4 0
0 −1 0 1
1 8 2
B = 0 1 0 ,
5 1 −3
3 24 6
→ −15 −2 9 = B
l2 ←(−3)l3 + l2
B 3l1
5 1 −3
1 3 3
C = 0 1 1 .
1 2 0
a) O primeiro elemento não nulo de uma linha não nula deve ser
igual a 1;
c) Toda linha nula ocorre abaixo de todas as linhas não nulas (isto
é, daquelas que possuem pelo menos um elemento não nulo);
Exemplos:
0 1 5 0 3
0 1 0
A1 = , A2 = 0 0 0 1 −2 .
0 0 0 0 0 0 0 0
1 1 0 0 1 1 0 0
1 −1 0 0 0 1 0 0
1 −1 0 1 1 0
B = 0 1 0 , C = , D = 1 0 0 , E = .
0 0 1 3 0 1 −1 1
0 0 1
0 0 1
0 0 0 1 0 0 0 0
Exercício 25.
Observações:
1 2 3 4
0 0 1 −1
A=
1 2 0 0
−1 1 9 3
Solução.
1 2 3 4 1 2 3 4 1 2 34
0 0 7
0 1 −1 l3 ←− l1 + l3 0 1 −1 l2 ↔ l4 0 1 4
→ l2 → 3
1 2 0 0 l4 ←l1 + l4
0 0 −3 −4
3 0 0 −3 −4
−1 1 9 3 0 3 12 7
0 0 1 −1
1 2 3
4 1 2 3 4
7 7
l4 ↔ l3
0 1 4 l4 ←3l3 + l4
0 1 4
→ 3 − l4 → 3 = Ã.
0 0 1 −1 7 0 0 1 −1
0 0 −3 −4 0 0 0 1
1 0 0 0
0 1 0 0
E2 = .
0 0 1 0
1 0 0 1
65
l
Similarmente, as operações elementares l2 ↔ l4 e 2 originam as ma-
3
trizes elementares:
1 0 0 0
1 0 0 0 1
0 0 0
1 0 0 0
E3 = , E4 = 3 .
0 0 1 0 0 0
1 0
0 1 0 0
0 0 0 1
1 2 3 4 1 2 3 4
0 0 1 −1 0 0 1 −1
E1 A = e E2 ( E1 A) = E2 ,
0 0 −3 −4 0 0 −3 −4
−1 1 9 3 −1 1 9 3
isto é,
1 2 3 4
0 0 1 −1
E2 E1 A = .
0 0 −3 −4
0 3 12 7
Similarmente,
1 2 3 4 1 2 3 4
0 0 1 −1 0 3 12 7
E3 ( E2 E1 A) = E3 =
0 0 −3 −4 0 0 −3 −4
0 3 12 7 0 0 1 −1
1 2 3
4
7
0 1 4
e E4 E3 E2 E1 A = 3 .
0 0 −3 −4
0 0 1 −1
66
1 2 3 4
7
0 1 4
E7 E6 E5 E4 E3 E2 E1 A = 3 ,
0 0 1 −1
0 0 0 1
Ek E3 E2 E1 A = I.
A−1 = Ek E3 E2 E1.
1 2 3 4
1 2 3 4
0 7
0 1 −1 0 1 4
A= operações
→ 3 .
1 2 0 0 elementares
0
0 1 −1
−1 1 9 3
0 0 0 1
Como E7 E6 E5 E4 E3 E2 E1 A = Ã , então
1 2 3 4
1 2 3 4
7 0
0 1 4 l3 ←l4 + l3 1 4 0 l1 ←−4l4 +l1
3 → −7 l →
0 l2 ← 4 + l2 0 0 1 0 l2 ←−4l3 +l2
0 1 −1 3
0 0 0 1
0 0 0 1
1 2 3 0 1 0 0 0
0
0 l1 ←−3l3 +l1 0
1 0 1 0 0
→ = I.
0 0 1 0 l1 ←−2l2 +l1 0 0 1 0
0 0 0 1 0 0 0 1
Temos, então:
E13 E12 E8 E7 E1 A = I,
e, assim,
Isto é,
BA = I ⇒ A−1 = B.
68
8 18 −17 −2
7 7 21 3
−4 −9 19 1
7 7 21 3 .
A−1 = E13 ...E8 ...E1 =
1 4 −1
0
7 7 7
1 −3 −1
0
7 7 7
Observações:
• Um Método Prático
Solução.
8 18 −17 −2
7 7 21 3
−4 −9 19 1
7 7 21 3
assim: A−1 = .
1 4 −1
0
7 7 7
1 −3 −1
0
7 7 7
70
−2 1
a) da matriz A = .
0 3
1 0 0 0
0 0
1 0 1 0
b) das matrizes A = e B = .
0 −2 1 0 1 0
0 0 0 1
1 1 2 −1
2 3 0 −2
B= .
−1 1 2 2
1 2 1 1
1 0 3
C = 2 −1 4 .
−6 −1 −17
71
Resumo
Neste Capítulo inserimos os conceitos básicos que servirão de base
para o estudo dos próximos Capítulos deste Livro. Em particular,
quando falamos de matrizes você, além de lembrar alguns conceitos
já aprendidos no ensino médio, foi levado à reflexão e observação de
propriedades antes desconhecidas, com a intenção de despertar a
sua capacidade lógica e, por que não dizer, a sua capacidade de abs-
tração, uma preparação aos conceitos que serão vistos no capítulo
dos espaços vetoriais.
<http://pt.wikibooks.org/wiki/Matem%C3%A1tica_Elementar:_Matrizes>.
Esse material de apoio,
bem como algumas Ainda, julgamos importante fornecer à você um resumo simplificado
atividades, pode ser
encontrado no ambiente das propriedades estudadas até o momento. Ele poderá servir como
virtual de aprendizagem. material de apoio para o desenvolvimento dos exercícios de prova.
• Comutatividade: A + B = B + A;
• Associatividade: A + ( B + C ) = ( A + B ) + C ;
• Elemento neutro: A + O = A ;
• Elemento oposto: A + (− A) = O.
• Distributividade: ( A + B) = A + B;
• Distributividade: ( + ) A = A + A;
• Associatividade: ( A) = ( ) A;
• 0 ⋅ A = O.
Produto de Matrizes
• A ( BC ) = ( AB) C ;
• A ( B + C ) = AB + AC ;
• ( A + B) C = AC + BC ;
• ( A ') ' = A;
• se B = bij ;
n× p
• Tr ( A) = Tr ( A);
• Tr ( A) = Tr ( A ');
• Tr ( AB) = Tr ( BA).
73
• ( A−1 ) −1 = A;
• ( At ) −1 = ( A−1 )t ;
1
• det ( A−1 ) = .
det ( A)
Bibliografia Comentada
BOLDRINI, José et al. Álgebra linear. 3. ed. São Paulo: Harbra, 1980.
Esse livro possui múltiplos exemplos e problemas práticos que você pode
resolver e, assim, acrescentar à sua prática. Também, são apresentados
algumas aplicações e problemas de matrizes e sistemas lineares.
Essa referência é muito útil para aplicar os conceitos usando alguns recursos
computacionais, assim como os detalhes de algumas provas úteis de seu
interesse.
Capítulo 2
Sistemas Lineares
Capítulo 2
Sistemas Lineares
Neste capítulo, você estudará conceitos e métodos de reso-
lução de sistemas lineares que serão usados nos próximos
capítulos. Para tal, como motivação lembraremos de algu-
mas questões da Geometria Analítica que nos ajudarão na
A regra de Cramer é um visualização de certos casos que conduziram à caracteri-
teorema em álgebra linear zação de sistemas lineares no plano e no espaço. Também,
que dá a solução de um
sistema de equações
consideramos que você conheça os métodos convencionais
lineares em termos de de resolução de duas ou três equações com duas ou três
determinantes. Recebe esse incógnitas e a aplicação a regra de Cramer nesses casos.
nome em homenagem a
Gabriel Cramer A partir disso, levamos ao questionamento de o que fazer
(1704-1752). em casos onde esses métodos não são aplicáveis.
2.1 Preliminares
Antes de iniciarmos, lembraremos de alguns conceitos de geometria
analítica que serão importantes para entender melhor o conteúdo
que será dado neste capítulo.
a = (a1 , a2 , a3 ).
z
P(x, y,z)
a=OP(x,y, z)
0 y
x
Figura 2.1. O ponto P e o vetor a.
76
• Eixo x
£ x = {x ∈ 3 / x = (1, 0, 0), ∈ }
x a = (1,0,0)
• Eixo y
£ y = {y ∈ 3 / y = (0,1, 0), ∈ }
x a = (0,1,0)
• Eixo z
£ z = {z ∈ 3 / z = (0, 0,1), ∈ }
a
y
a = (0,0,1)
x
Figura 2.4. O eixo coordenado z.
77
• Plano XY
ou Π xy = {(x, y, z) / z = 0}
y
Πxy
x
Figura 2.5. O plano Π xy .
• Plano YZ
ou Π yz = {(x, y, z) / x = 0}
Πyz
• Plano XZ
ou Π xz = {(x, y, z) / y = 0}
Πxz
No espaço, seja uma reta qualquer que passa pelo ponto O vetor diretor, como o
P0 (x 0 , y 0 , z 0 ) com vetor diretor a = (a1 , a2 , a3 ). Então, se t ∈ é um nome já diz, determina a
direção da reta.
parâmetro, um ponto P(x, y, z) de é dado por:
x = x 0 + ta1;
y = y 0 + ta2 ;
z = z 0 + ta3.
Essa equação é conhecida como a equação paramétrica da reta. São equações equivalentes
à equação geral da reta, da
forma x = f(t), y = g(t) e
Exemplo 1. Seja uma reta que passa pelo ponto (1,1, 2) e vetor z = h(t) , que relacionam as
diretor a = (1, −1, 0). Encontre uma forma de equacionar que não coordenadas x, y e z dos
pontos da reta com um
envolva o parâmetro t. parâmetro t.
Lembre dos conteúdos
Solução. A equação paramétrica de é: da disciplina de
Geometria Analítica.
x = 1 + t ⇒ t = x −1
y = 1− t ⇒ y = 1 − (x − 1) = 2 − x
z = 2 + 0t = 2 ⇒ z = 2
79
z=2
ε
x y
Figura 2.8. Gráfico da reta do Exemplo 1.
Π : ax + by + cz = d
Π : x + y + z =1
(0,0,1)
(0,1,0) y
x (1,0,0)
Π: x+y+z=1
Figura 2.9. Plano definido pela face de tetraedro com vértice na origem.
80
ε
Π1
Π2
x
Figura 2.10. A reta obtida como interseção de dois planos.
ax + by = c (1)
y y y
ε1
P ε1= ε2 ε1
ε2 ε2
x x x
Planos em 3
• Um plano
ax + by + cz = d (2)
x
Figura 2.12. O plano Π no espaço.
82
• Dois planos
z
z z Πyz
Π1//Π2
Π1=Π2 Π2
Π1 y
y y
x x Πxy
x
a) Π1= Π2 b) Π1∩Π2= ∅ c) Πyz∩Πxy= εy
• Três Planos
z z
Πyz
Π1
Π2
0
y y
Πxz Π3
Πxy
x x
Πxy∩Πxz∩Πyz={0} Π1∩Π2∩Π3= ∅
Figura 2.14. Planos concorrentes num ponto. Figura 2.15. Planos não concorrentes.
z Πxz Π εx
3
Π2
Π1
Πxy
Πxy∩Π1∩Π2∩Π3∩Πxz= εx
y
a11x1 + a12 x 2 = b1
a21x1 + a22 x 2 = b2 ,
Assim, se
A m×n = [a ij ]m×n , X n×1 = [x ij ]n×1 e Bn×1 = [bij ]n×1,
ou, simplesmente,
AX = B (SLm),
i) 9 x − y = 2 , ii) 2 x − y + 3 z = 1, iii) x + y + z = 1
x + 4y = 0 x−z =0
y + 7z = 2
85
3x − y + z = 4 (1)
−x + 7 y − 2z = 1 (2)
2x + 6 y − z = 5 (3)
3 −1 1
Também, se A = −1 7 −2 , observamos que det (A) = 0, então o
2 6 −1
método de Cramer não pode ser usado! Você sabe por quê?
86
5x + 5 y = 9 5x + 5 y = 9
ou (5)
z = 2x + 6 y − 5 2x + 6 y − z = 5
Notação: p(A)
1 3 5
A = 0 −1 2 .
0 2 −4
Se n = 1,
[a 21 ] = 0 e há outras não nulas.
Se n = 2,
3 5 0 −1
escolhemos A1 = e A 2 = 0 2 dentre outras possíveis.
−1 2
Calculamos agora os respectivos determinantes:
3 5 0 −1
det = 11, det = 0.
−1 2 0 2
Se n = 3, nesse caso a única submatriz é a matriz dada com
det(A) = 0.
Notação: nul(A)
nul(A) = n − p.
88
Observações:
, B
Por exemplo, sejam A, B e C três matrizes e A suas respec-
eC
tivas formas reduzidas:
1 1 0 0
1 0 0
0 1 0 0 1 −1 0 = 0 1 2 ,
A= , B = 0 e C
0 0 0 0 0 0
0 0 1
0 0 0 0
1 2 −2 0 −1
1 3 5 −1 1 0 −1 0
a) A = 0 −1 2 , b) B = .
0 0 1 1 1
0 2 −4 3×3
1 5 −4 −1 −2 4×5
89
Solução.
1 3 5
a) A = 0 −1 2 ; após escalonamento, obtemos a matriz
0 2 −4
1 3 5
= 0 −1 2 .
A
0 0 0
Assim,
p(B) = 3 e nul(B) = 5 − 3 = 2.
De fato, p(A) = 3.
90
Assim, se A operações
→A são equi-
, dizemos que as matrizes A e A
elementares
valentes. Por exemplo, se
1 2 3 1 2 3
= 0 0 1 e
A = 0 0 1 , A
1 2 0 0 0 0
3 24 6 1 8 2
B= , B= ,
−15 −2 9 0 118 39
e B, B
então, as duplas de matrizes A, A e
são equivalentes, pois A
B foram obtidas após um processo de operações elementares.
Notação: A u = [A B].
x + 3 y + 5z = 1
x + 2 y + 7z = 2
2y + z = 3
é dada por:
1 3 51
A u = 1 2 7 2 .
0 2 1 3
Sistemas Equivalentes
=B
Dois sistemas, AX = B e AX , são ditos equivalentes se as matri-
= [A
zes aumentadas dos mesmos, A u = [A B] e A B]
, são matrizes
u
equivalentes.
92
x + 3 y + 5z = 1 x + 3 y + 5z = 1
x + 2 y + 7 z = 2 (SLg1) e − y + 2 z = 1 (SLg2).
2y + z = 3 z =1
equivalentes.
−7
y = 1, z = 1. Isto é, X = 1 , agora pedimos que você verifique o
1
resultado!
AX = B.
• Determinado, se p = n .
• Indeterminado, se p < n.
a) − x + y = 1 b) − x + y = 1
−x + y = 2 x + y = −1
Solução.
A X = B
−1 1 x 1
−1 1 ⋅ y = 2
−1 1 x 1
1 1 ⋅ y = −1
−1 1 1 op. elem. −1 1 1
A u = [A B] = → 0 2 0 = A u .
1 1 −1
−x + y = 1
.
2y = 0
Assim,
x = −1
.
y=0
Portanto,
x −1
X= =
y 0
é a solução do sistema dado.
Observações:
− x + y = 1,
x
[−1 1] = [1].
y
Nesse caso, m = 1, n = 2 e p(A) = p(A u ) = 1. Você saberia dizer por
quê?
Representando matricialmente:
x −1 + r −1 1
X= = = + r , r ∈ .
y r 0 1
96
x 2 x −1 1
∈ / = + r , r ∈ .
y y 0 1
−1 1
X1 = ou X 2 = .
0 2
Exercício Resolvido
1) Dado o sistema:
x1 + x2 − x4 = 0
x1 − x3 + x4 = 2
x2 + x3 − x4 = −3
x1 + x2 − 2 x4 = 1
2 x1 + x2 − x3 − x4 = 3
Encontre:
d) A caracterização do sistema;
Solução.
b) Escalonando Au = [A B],
1 1 0 −1 0 1 1 0 −1 0
0 −1 −1 2 2
1 0 −1 1 2 l ←− l +l
2 1 2
l4 ←− l1 + l4 l3 ←l2 + l3
0 1 1 −1 −3
l ←−2 l + l
→ 0 1 1 −1 −3
l5 ←− l2 + l5
→
5 1 5
1 1 0 −2 1 0 0 0 −1 1
2 1 −1 −1 3 0 −1 −1 1 3
1 1 0 −1 0 1 1 0 −1 0
0 −1 −1 2 2 0 1 1 −2 −2
0 0 0 1 −1
l4 ←l3 + l4
→ 0 0 0 1 −1 ,
l5 ←−− ll24 +l5
0 0 0 −1 1 0 0 0 0 0
0 0 0 −1 1 0 0 0 0 0
assim:
p = p(A) = 3 e nul(A) = 1;
c) g(A) = n − p = 4 − 3 = 1;
e) O sistema equivalente é
x1 + x2 − x4 = 0
x2 + x3 − 2 x4 = −2
x4 = −1
3+ r
−4 − r
X= , r ∈ ,
r
−1
98
3+ r 3 1
−4 − r
−4 −1
S = X = , r ∈ = + r , r ∈ .
r 0 1
− 1 −1
0
x2 + r − 2(−1) = −2 (5)
x2 + r = −4
x2 = −4 − r
x1 + x2 = −1 (6)
x1 − 4 − r = −1
x1 = 3 + r
99
x1 3 + r
x −4 − r
X = 2 = , r ∈ .
x3 r
x4 −1
em (1)
x1 + x2 − x4 = 0
s + x2 − (−1) = 0
x2 = −1 − s
em (2)
x2 + x3 − 2 x4 = −2
− s − 1 + x3 − 2(−1) = −2
x3 = s + 1 − 4
x3 = −3 − s
X = X p + t1X1 + t2 X 2 + + t g X g ,
101
Exercícios Resolvidos
2) Verifique que o seguinte sistema é indeterminado e que a solu-
ção pode ser colocada como a soma de uma solução particular
e uma combinação linear de soluções básicas:
10 x2 − 4 x3 + x4 = 1
x1 + 4 x2 − x3 + x4 = 2
3 x1 + 2 x2 + x3 + 2 x4 = 5
−2 x1 − 8 x2 + 2 x3 − 2 x4 = −4
x1 − 6 x2 + 3 x3 = 1
1 4 −1 1 2
1 4 −1 1 2
0 10 −4 1 −2 1 1
1 0 1
l3 ←l3 −3l1 l3 ←l2 + l3 5 10 10
→ 0 −10 4 −1 −1 → = Au
l4 ←l4 + 2 l1
l5 ←l2 + l5 0 0 0 0 0
l5 ←l5 −l1 l2
0 0 0 0 0 10
0 0 0 0 0
0 −10 4 −1 −1 0
0 0 0 0
102
x1 + 4 x2 − x3 + x4 = 2 (1) (1)
2 1 1
x2 − x3 + x4 = (2) (2)
5 10 10
2 3 1 1
x2 − x + x4 =
5 10 10
(4)
1 2 1
x2 = + s − r
10 5 10
x1 + 4 x2 − x3 + x4 = 2
(5)
A solução geral é:
8 −3 −3
5 5 5
1 2 −1
X = + s + r , s, r ∈
10 5 10
0 1 0
0 0 1
8 −3 −3
5 5 5
1 , e uma combinação linear dos vetores (matrizes) coluna 2 −1
10 5 e 10 .
0 1 0
0 0 1
1 4 −6 1
−2 −8 12 X = −2
2 −3 1 0
x1 + 2 x2 − x3 = 0
x1 + 3 x2 = 0
x1 − x2 − x3 = 0
x1 + 2 x2 − x3 = 0
x2 + x3 = 0
x3 = 0
0
X = 0 .
0
14
11
X = tX1 = t 13 , t ∈ .
11
1
Propriedades
A(X p + X h ) = AX p + AX h.
106
Sendo que
AX h = O e AX p = B,
então,
A(X p + X h ) = O + B
=B
AX = O , (2) (2)
−1
X p = 1 3 .
−4 3
107
Assim,
−1
X = X p + X1 = 1 3 .
−4 3
0 10 −4 1 1
1 x1
4 −1 1 2
x2
3 2 1 2 = 5 (1)
x3
− 2 −8 2 −2 x −4
1 −6 3 0 4 1
8 −3 −3
5 5 5
1 2 −1
X = + s + t , s, t ∈ .
10 5 10
0 1 0
0 0 1
−3 −3
5 5
2 −1
X h = s + t , s, t ∈ .
(2) (2)
5 10
1 0
0 1
108
a) Obtenha:
i) X n para t = s = 1.
2.3 Decomposição LU
Algumas vezes, é muito útil fatorar um número natural em um pro-
duto de outros números naturais (por exemplo, 6 = 2 ⋅ 3 , 45 = 3 ⋅ 3 ⋅ 5
etc.). Dessa mesma forma, pode ser muito útil fatorar ou decompor
uma matriz como o produto de duas ou mais matrizes. Um exemplo
disso é o seguinte:
3 −1 1 0 3 −1
9 −5 = 3 1 0 −2 . Embora o escopo desse
texto aborde apenas a
decomposição LU, você
O que você observa? Há alguma característica especial em cada uma deve saber que existem
das matrizes da fatoração dada? outros tipos de fatoração de
matrizes, igualmente úteis:
fatoração QR, fatoração de
A decomposição de matrizes é geralmente usada na resolução de sis- Cholesky etc. Esses tópicos
são muito ricos e existem
temas de equações lineares pelo método da eliminação de Gauss, e várias referências que
particularmente adequada para implementação em computadores. apresentam esses assuntos.
109
Vejamos como podemos realizar tal fatoração, seja qual for a ordem
da matriz. Para tal, considere um sistema de equações lineares da
forma AX = B, em que A é uma matriz de ordem n.
2 1 3 2 1 3 2 1 3
A = 4 −1 3 → 0 −3 −3 = U.
→ 0 −3 −3
−2 5 5 0 6 8 0 0 2
E 3 E 2 E1A = U.
Você pode verificar que essas matrizes elementares são dadas por:
1 0 0 1 0 0 1 0 0
E1 = −2 1 0 , E 2 = 0 1 0 , E 3 = 0 1 0 .
0 0 1 1 0 1 0 2 1
E k E 2 E1A = U.
LUX = B.
Y = UX ou UX = Y.
Nas duas situações, você pode reparar que foram resolvidos dois sis-
temas numa forma recursiva. Vejamos isso com o seguinte exemplo.
2 1 3 2
de matrizes. Use a matriz A = 4 −1 3 e B = 0 .
−2 5 5 −5
isto é :
1 0 0 2 1 3
A = 2 1 0 0 −3 −3 ,
−1 −2 1 0 0 2
temos LY = B ou
1 0 0 2 y1
2 1 0 Y = 0 , onde Y = y .
2
−1 −2 1 −5 y3
Assim,
y1 = 2 2
y2 = −4 ⇒ Y = −4
y3 = −5 + y1 + 2 y2 = −11 −11
Agora, resolvendo UX = Y,
112
2 1 3 2
0 −3 −3 X = −4
0 0 2 −11
−11
2 x3 = −11 ⇒ x3 =
2 35
6
41 41
− 3x2 = −4 + 3x3 ⇒ x2 = ⇒ X=
6 6
−11
70 35 2
2 x1 = 2 − x2 − 3 x3 = ⇒ x1 =
6 6 35
6
41
A solução do sistema é dada pelo vetor X = .
6
−11
2
Pratique agora!
Observações:
Exercícios Propostos
1) Para cada sistema dado, encontre:
v) a solução, se existir.
a) 2 x + y + 3 z + 4 w = 1 b) x1 + x2 + 2 x3 − x4 = 0
3 x + 2 y + 4 z + 5w = 1 2 x1 + 3 x2 − 2 x4 = 0
2x + 2 y + z = 0 − x1 + x2 + 2 x3 + 2 x4 = 0
−2 x + y + 3 z + w = −1 x1 + 2 x2 + x3 + x4 = 0
c) x + 3z = 1
2x − y + 4z = 1
−6 x − y − 17 z = −1
a) 2 x + y - 2 z + 3 w = 1 b) x1 -2 x 2 +3 x 3 - 2x 4 = 0
3 x + 2 y- z +2 w = 4 3 x1 - 7 x 2 -2 x 3 + 4x 4 = 0
3x+3y+3z-3w=5 4 x1 +3 x 2 + 5 x 3 +2 x 4 =0
c) x + 2 y - 3 z = -1 d) x+2y-3z=0
3 x -y +2 z = 7 2 x + 5 y +2 z = 0
5 x + 3 y -4 z = 2 3x-y-4z=0
3) Dado o sistema
x+y-z=1
2 x + 3 y +a z = 3
x + a y +3 z = 2
−2 1 5
A= , B = 1 .
2 5
0 0 1 2 1
−1 1 3
2 1
A= , B = .
0 2 1 1 0
1 1 −1 0 −1
Resumo
Neste capítulo, trabalhamos conceitos e métodos fundamentais para
resolver sistemas lineares de tipo retangular, isto é, aqueles em que a
matriz de coeficientes tem um número de linhas não necessariamente
igual ao número de colunas. Fornecemos os conceitos que podem ser
aplicados em sistemas de ordem maior ou igual a quatro, onde os mé-
todos convencionais ficam difíceis de serem aplicados.
Bibliografia Comentada
BOLDRINI, José et. al. Álgebra linear. 3. ed. São Paulo: Harbra, 1980.
Com esse livro, você pode pesquisar e aprofundar alguns dos conteúdos
aqui fornecidos.
Nesse livro, você pode encontrar uma gama de exercícios para acrescentar
à sua prática.
Essa referência é muito útil para aplicar os conceitos usando alguns recursos
computacionais.
Capítulo 3
Espaços Vetoriais
Capítulo 3
Espaços Vetoriais
3.1 Introdução
3.1.1 Definição
Seja V um conjunto não vazio, K um corpo ‘ + ’ e ‘ ∗ ’, duas opera-
Em álgebra abstrata, um
ções que chamaremos soma e produto por escalar, respectivamente.
corpo é uma estrutura
algébrica na qual estão Dizemos que o objeto (V , K, '+ ', '∗ ') é um espaço vetorial (EV) (ou que
definidas as operações de V é um espaço vetorial sobre o corpo K ) se, e somente se, verifi-
adição e multiplicação,
que cumprem com as pro-
cam-se os seguintes axiomas:
priedades associativa, co-
mutativa e distributiva. EV1) A soma é uma composição interna em V , isto é, se u, v ∈ V ,
então u + v ∈ V .
EV3) ...
Isto é o que você pode esperar, em geral, quando se procura por O matemático Hermann
Grassmann (1809-1877) é
uma definição de espaço vetorial nos textos de Álgebra Linear.
geralmente creditado como
o primeiro a introduzir
Para o leitor, que está começando com AL, esta definição pode ser a idéia de EV, em 1844.
Porém, uma pessoa que
formal demais para introduzir a idéia de EV. Em algum momento, realmente o estudou foi
deverá valorizar o rigor matemático da forma como a definição está o matemático italiano
sendo colocada acima, e gradativamente adotá-lo. Giuseppe Peano (1852-
1932), que em seu livro
Cálculo Geométrico, tornou
Agora, tomaremos um caminho alternativo para entender este con- claro o trabalho anterior
ceito com maior facilidade. Valer-nos-emos, para isso, de exemplos de Grassmann e descreveu
as propriedades para um
de conjuntos (que são espaços vetoriais) com os quais você já tem EV da maneira como hoje
alguma familiaridade. o conhecemos. O livro de
Peano é também digno
de nota por introduzir
Consideremos os seguintes conjuntos: o conjunto de vetores operações em conjuntos,
no plano 2 , o conjunto formado pelas funções f : → , cujas anotações são: , e
(que ainda usamos).
denotado por F () , e o conjunto das matrizes quadradas de ordem
m com coeficientes reais, que denotaremos por M m×m .
x
x = 1 ,
x2
que é um outro vetor que possui a mesma direção que x e que pode
ter o sentido e comprimento mudado dependendo do valor de .
121
x y x +y
x+y = 1 + 1 = 1 1 .
x2 y2 x2 + y2
2
Salientamos o fato de que x ∈ 2 e x + y ∈ .
x x+y
(0,0)
( f + g )( x) = f ( x) + g ( x).
( f )( x) = ( f ( x)),
resultando, por sua vez, num elemento de F () . Mais uma vez, a
soma e o produto por escalar originam funções de F () .
122
y y
−3f (x,2f(x)) (x, f(x)+g(x))
(x, f(x)) g
f+g
(x, g(x))
(x,0)
f (x, f(x))
x
(x,0)
2f f
(x,−3f(x))
Figura 3.2 - A soma de funções e o produto por escalar.
3.1.4 Matrizes
Podemos somar duas matrizes quadradas de ordem n ( M n×n )
(as quais denotamos como A = (aij ) n×n e B = (bij ) n×n ), colocando
A + B = (aij + bij ) n×n , que é também uma matriz de M n×n .
Para começar, você pode ter percebido que: em todos os casos, a soma de um
par de elementos do conjunto e/ou a multiplicação de qualquer elemento por
um escalar resulta em outro elemento do mesmo conjunto.
1) x + y = y + x ;
2) x + (y + z ) = (x + y ) + z ;
123
5) ( x) = ( )x ;
6) ( + )x = x + x ;
7) (x + y ) = x + y ;
8) 1⋅ x = x .
1) f + g = g + f ;
2) f + ( g + h) = ( f + g ) + h;
5) ( f ) = ( ) f ;
6) ( + ) f = f + f ;
7) ( f + g ) = f + g ;
8) 1 ⋅ f = f .
1) A + B = B + A ;
2) A + ( B + C ) = ( A + B ) + C ;
5) ( A) = ( ) A ;
6) ( + ) A = A + A ;
7) ( A + B) = A + B ;
8) 1 ⋅ A = A .
Observações:
3.2.2 Propriedades
Dos oito axiomas que definem um espaço vetorial, podemos deduzir
várias outras propriedades. Alguma delas são relacionadas a seguir:
7) Para quaisquer , 1 , 2 , , n ∈ e u1 , u 2 , , u n ∈ V
n n
∑ j u j = ∑ ( j )u j .
j =1 j =1
9) Se u + w = v + w, então u = v.
3.2.3 Exemplos
Talvez o exemplo mais simples de espaço vetorial seja o conjun-
to dos números reais com a adição e multiplicação por escalar em
forma usual.
EV1) x + y = ( x1 + y1 , x2 + y2 , , xn + yn )T
= ( y1 + x1 , y2 + x2 , , yn + xn )T
=y+x
128
EV5) ( x) = ( ( x1 , x2 , , xn )T )
= (( x1 , x2 , , xn )T )
= ( x1 , x2 , , xn )T
= ( x1 , x2 , , xn )T
= ( )x
EV8) 1 ⋅ x = 1 ⋅ ( x1 , x2 , xn )T
= (1 ⋅ x1 ,1 ⋅ x2 ,1 ⋅ xn )T
= ( x1 , x2 , , xn )T
=x
129
• Se p ( x) = a0 + a1 x + a2 x 2 e q ( x) = b0 + b1 x + b2 x 2 estão em P2 , então
p ( x) + q ( x) = (a0 + b0 ) + (a1 + b1 ) x + (a2 + b2 ) x 2 é outro polinômio
que tem grau no máximo 2 e, portanto, está em P2 . Aqui dize-
mos que a soma entre vetores, ou a soma vetorial é uma ope-
ração fechada.
= x y = x ⊕ y = ( x) ⊕ ( y )
para quaisquer x, y ∈ V e ∈ ;
131
Para a Soma
1) v + w ∈ V . A soma vetorial é uma operação fechada em V .
Exercícios Propostos
1) Considere os vetores x1 = (8, 6)T e x 2 = (4, −1)T em 2 .
Esta seção introduz uma das idéias mais importantes desta disci-
plina. Começamos com um exemplo, vendo que há uma interação
entre geometria e álgebra e que freqüentemente pode ser usada a
intuição geométrica e lógica para introduzir propriedades e resolver
problemas. Agora, é necessário tornar-nos mais formais, estenden-
do este conceito para espaços vetoriais gerais. A noção de subespaço
é simplesmente uma generalização algébrica de retas e planos que
passam pela origem.
135
3.3.1 Definição
Seja V um espaço vetorial. Dizemos que W ⊂ V , não vazio, é um
subespaço vetorial de V se forem satisfeitas as seguintes condições:
SE2) Se u, v ∈ W , então u + v ∈ W .
Observações:
ii) Se u, v ∈ W e ∈ então u + v ∈ W .
3.3.2 Exemplos
Vejamos alguns exemplos:
x + y = ( x1 , x2 , x2 + x1 ) + ( y1 , y2 , y2 + y1 )
= ( x1 + y1 , x2 + y2 , x2 + y2 + x1 + y1 )
= ( z1 , z2 , z2 + z1 ) ∈ W.
T T
S
1 v∉S
2
u
v v∈S
u+v
u
u+v∉T T
−u∉T
Figura 3.3 - Não são subespaços.
139
x+v
v
2x
x
x
0
T 0.5x
x+v Não é subespaço
S v É subespaço
K
K
H
H∩K
H+K
H
Teorema
1) Se u, v ∈ H , então u + v ∈ H
Se u, v ∈ K , então u + v ∈ K
Logo:
u+ v∈S = H ∩K
141
2) Para qualquer ∈ :
Se v ∈ H , então v ∈ H ;
Se v ∈ K , então v ∈ K .
Logo:
v ∈ S = H ∩ K.
Então, S = H ∩ K:
a 0
S = ; a ∈ .
0 0
Teorema
1) Se u1 , u 2 ∈ H , então u1 + u 2 ∈ H
Se v1 , v 2 ∈ K , então v1 + v 2 ∈ K
142
Logo:
(u1 + v1 ) + (u 2 + v 2 ) = (u1 + u 2 ) + ( v1 + v 2 ) ∈ H + K = S .
2) Para qualquer ∈ ;
Se u1 ∈ H , então u1 ∈ H
Se v1 ∈ K , então v1 ∈ K .
u1 + v 1 ∈ S .
Logo:
Exemplo:
H = {(a, 0, c, 0);a, c ∈ }
K = {(0, b, 0, d); b, d ∈ }
Então:
H + K = {(a, b, c, d); a, b, c, d ∈ } = 4
H ∩ K = {(0, 0, 0, 0) = 0}
Logo H ⊕ K .
Exercícios Propostos
1) Considere os subconjuntos de 3 :
Exemplo 20. Determine espnul ( A) para cada uma das seguintes ma- Veremos outros exemplos
de espaços nulos na seção
trizes.
de Bases de um espaço
vetorial.
2 0
a) A =
−4 10
1 −7
b) B =
−3 21
Podemos observar que o espaço nulo está descrito por todos os veto-
res associados aos pontos localizados na reta que passa pela origem
com equação x1 − 7 x2 = 0 .
Prova. Sabemos que este subespaço está formado por todas as solu-
ções do sistema homogêneo Ax = 0 . Primeiro, deveríamos conferir
que o vetor zero ( 0 ), que está em n é solução do sistema, e então
deduziremos que o espaço nulo não é vazio, o que, neste caso, é tri-
vial (qual é o produto que deve ser feito para mostrar isto?). Logo, ao
saber que o espaço nulo tem, no mínimo, um vetor, escolheremos dois
vetores x e y do espaço nulo e um escalar , e conferiremos as leis
de composição interna.
A( x) = Ax = 0 = 0
Exercícios Propostos
1) Determine se cada conjunto a seguir é ou não um subespaço
de 2.
a) {( x1 , x2 )T / x1 + x2 = 0}
b) {( x1 , x2 )T / x1 ⋅ x2 = 0}
c) {( x1 , x2 )T / x1 = 3 x2 }
d) {( x1 , x2 )T / x1 = 3 x2 + 1}
146
a) {( x1 , x2 , x3 )T / x1 + x3 = 1}
b) {( x1 , x2 , x3 )T / x1 = x2 = x3 }
c) {( x1 , x2 , x3 )T / x3 = x1 + x2 }
d) {( x1 , x2 , x3 )T / x3 = x12 + x2 2 }
1 1 −1 2
1 2 −3 −1
b) d) 2 2 −3 1
−2 −4 6 3 −1 −1 0 −5
2 4 1 −1
b) , e) ,
3 6 2 1
−2 1 2
c) , ,
1 3 4
b) y ∈ [{x1 , x2 }] ?
148
a) {1, x 2 , x 2 − 2}
b) {2, x 2 , 2 x + 3}
c) {x + 2, x + 1, x 2 − 1}
d) {x + 2 x, x 2 − 1}
Neste ponto, podemos dizer que sabemos como funciona uma com-
binação linear e responder quando um vetor é combinação linear de
outro conjunto de vetores, e dessa forma, estamos em condições de
avançar para o principal conceito desta seção.
a) W é um subespaço de V.
1 0 0 0
c) v1 = , v2 =
0 0 0 1
d) v1 = 1, v 2 = x, v 3 = x3
a) V = n
b) V = M 2×2
c) V = Pn
Pense no que realmente Solução. Necessitamos achar um conjunto de vetores, tal que o es-
precisa ser verificado! paço gerado por este conjunto seja exatamente o espaço dado. Em
outras palavras, devemos mostrar que o espaço gerado do nosso con-
junto seja, de fato, o mesmo que o espaço vetorial dado.
152
O que deve ser feito para mostrar isso? Suponhamos que queremos
mostrar que A e B são dois conjuntos iguais. Para isto, primeiro de-
vemos mostrar que cada a em A também está em B, e então mostra-
remos que B, no mínimo, conterá totalmente o A. Analogamente, se
cada b em B está em A, B está contido em A. Portanto, se temos que
A contém B e B contém A, podemos concluir que A e B são o mesmo
conjunto.
1 0 0 1 0 0 0 0
v1 = , v2 = , v3 = , v4 = .
0 0 0 0 1 0 0 1
Claramente, qualquer combinação linear destas quatro matrizes será
uma matriz 2 × 2 , e então o espaço gerado por estas matrizes deve
estar contido em M 2×2 .
a b
Por outro lado, dada qualquer matriz de M 2×2 , ∈ M 2×2
c d
pode ser escrita como uma combinação linear destes vetores.
a b
A= = av1 + bv 2 + cv 3 + dv 4 , e assim, todo M 2×2 deve estar
c d
contido no espaço gerado por estes vetores, de tal forma que estes
vetores geram M 2×2 .
153
p = a0 + a1 x + a2 x 2 + + an x n
p = a0 v1 + a1 v 2 + a2 v 3 + + an v n+1 .
Em primeiro lugar, nos mostra que nem sempre podemos esperar Esta idéia será explorada na
que quaisquer três vetores de 3 gerem todo 3. próxima seção.
3
Vamos considerar os seguintes vetores em
1 −2 −1
x1 = −1 , x 2 = 3 , x 3 = 3 .
2 1 8
.
A equação x 3 = 3x1 + 2x 2 pode ser reescrita na forma 3x1 + 2x 2 − x 3 = 0 .
Como os três coeficientes são diferentes de zero, podemos resolver
para qualquer um dos vetores em funções dos outros dois:
2 1
x1 = − x 2 + x 3
3 3
3 1
x 2 = − x1 + x 3
2 2
x 3 = 3x1 + 2x 2 .
c2 c
x1 = − x 2 (c1 ≠ 0) ou x 2 = − 2 x1 (c2 ≠ 0) .
c1 c1
No entanto, nenhum dos dois vetores em pauta é múltiplo de outro.
Logo, [{x1 }] e [{x 2 }] são subespaços próprios de S e a equação
c1x1 + c2 x 2 = 0 só será satisfeita se c1 = c2 = 0 .
1 1
Exemplo 25. Os vetores e são linearmente independentes,
1 2
1 1 0 c + c = 0
pois se c1 + c2 = , então 1 2 . E a única solução
1 2 0 c
1 + 2 c2 = 0
desse sistema é c1 = c2 = 0 .
u
u=0
0
independente dependente
O espaço gerado por um único vetor é uma reta passando pela ori-
gem. Span{v} está formado por todos os múltiplos de v , que têm a
mesma direção de v . Os pontos extremos desses vetores estão sobre
uma reta cuja equação vetorial é r = tv + r0 , onde t é um escalar.
159
v
w
v
w
independente dependente
Que não é outra coisa que a equação vetorial (1) anterior. Assim, ve-
mos que dois vetores linearmente independentes geram um plano
contendo esses vetores.
w
v v w
u u
independente dependente
1 3 2 0 1
−1 −1 −1 1 0
AT = [ v1 v2 v3 v4 v5 ] = .
0 4 2 4 3
1 3 2 −2 0
1 0 0 0 0
−1 1 0 0 0
.
0 2 1 0 0
1 0 −1 0 0
n
e v1 , v 2 , , v n ∈ são linearmente independentes, então
• S
k ≤ n.
163
1 3 2 0
.
−1 −1 −1 1
A = [ v1 v2 v3 v4 ] = .
0 4 2 4
1 3 2 −2
E agora a sua respectiva forma escalonada por colunas é:
1 0 0 0
−1 1 0 0
.
0 2 1 0
1 0 −1 0
Essa equação tem uma solução não trivial se, e somente se, a A é
singular. Portanto, x1 , x 2 , , xn são linearmente dependentes se, e
somente se, A é singular.
164
(1 + x) + ( x + x 2 ) + (1 + x 2 ) = 0 .
1 1 −1 0 −1 2 0 0
+ + = .
0 3 2 1 6 9 0 0
Esta equação é equivalente ao sistema:
165
− − = 0
− 2 = 0
2 + 6 = 0
3 + + 9 = 0 ,
1 1 3 −1 0 1 −1 2
=− + ,
0 3 2 2 1 2 6 9
ou também
−1 2 1 1 −1 0
= 2 + 3 ,
6 9 0 3 2 1
ou ainda
−1 0 2 1 1 1 −1 2
=− + .
2 1 3 0 3 3 6 9
Exercícios Propostos
1) Determine se os vetores dados são ou não linearmente inde-
pendentes em 2 .
2 3 −1 1 2
a) , d) , ,
1 2 2 −2 −4
2 4 1 −1
b) , e) ,
3 6 2 1
−2 1 2
c) , ,
1 3 4
2) Determine se os vetores são ou não linearmente independen-
3
tes em .
2 3 4
c) 1 , 2 , 2
−2 −2 −4
1 0 0 1
a) ,
1 1 0 0
1 0 0 1 0 0
b) , ,
0 1 0 0 0 1
1 0 0 1 2 3
c) , ,
0 1 0 0 0 2
a) 1, x 2 , x 2 − 2 c) x + 2, x + 1, x 2 − 1
b) 2, x 2 , x, 2 x + 3 d) x + 2, x 2 − 1
ou, em geral, (2, 4)T = (k + 4)(1,1)T + k (1, −1)T + (−2 − 2k )(1, 0)T .
Exemplo 30. Mostre que o conjunto S = {(1, 2)T , (3, −1)T } é uma base
para 2 .
Estas equações podem ser escritas matricialmente (em sua forma au-
mentada) como:
1 3 a 1 3 0
e .
2 −1 b 2 −1 0
168
gereção
1 3 a 0
.
1 (−b + 2a ) 7 0
0
independência linear
a b 1 0 0 1 0 0 0 0
A= = a + b + c +d = aE11 + bE12 + cE 21 + dE 22
c d 0 0 0 0 1 0 0 1
T T T
Exemplo 36. Mostre que o conjunto S = {(1, 2) , (3, −1) , (1, 0) } não é
uma base para 2 .
Exemplo 37. O espaço vetorial formado apenas pelo vetor zero não
possui uma base porque qualquer subconjunto de vetores, incluin-
do o vetor zero, é linearmente dependente.
Para mostrar que nem todo espaço possui uma base, precisamos de-
cidir sob quais condições um espaço vetorial dado possui uma base
ou não. O conceito de conjuntos de vetores geradores nos ajudará a
responder essa questão.
x = c1 v1 + c2 v 2 + + cn −1 v n-1 + cn v n .
∑a
k =1
c = 0 , ∀j = 1, , n
jk k
É natural associar a base canônica com alguns espaços que nos são
familiares:
• 2 →→
um objeto bidimensional
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0
S = , , , , , .
0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1
Exemplo 42. (Problema 2 do PB). Seja S = {(1, 0,3)T , (2,1, 4)T }. Ache
uma base T para 3 que contenha S .
E agora o que devemos garantir é que o novo vetor não seja da forma
( + 2 , ,3 + 4 )T .
3) O conjunto S gera V.
Já que S = {(2, −1, 0,1)T + (−3,1,1, 0)T } gera o espaço solução e é li-
nearmente independente, S é uma base para o espaço solução.
span( S ) = [(1, −1, 2)T , (0,5, −8)T , (3, 2, −2)T , (8, 2, 0)T ]
a (1, −1, 2)T + b(0,5, −8)T + c(3, 2, −2)T + d (8, 2, 0)T = (0, 0, 0)T (1)(1)
1 0 3 8 0 1 0 3 8 0
−1 5 2 2 0 → 0 1 1 2 0 .
2 −8 −2 0 0 0 0 0 0 0
As soluções são d = d , c = c, b = −c − 2d , a = −3c − 8d . Temos duas
variáveis livres.
sas operações, temos que, se forem obtidas linhas de zeros, essas li-
nhas devem ser combinações lineares das outras linhas do conjunto.
As linhas restantes (não nulas) resultam das combinações lineares dos
vetores linearmente independentes do conjunto original. Então, o es-
paço gerado pelas linhas não nulas é o mesmo que o gerado por S .
Assim, as linhas não nulas, sendo independentes, formam uma base
para span( S ) e dim(span( S )) número de linhas não nulas.
1 −1 2
1 −1 2
8
0 5 −8 → 0 1 − 5
3 2 −2
0 0 0
8 2 0 0 0 0
8
T
T T
Exemplo 46. Sejam u1 = (2,1) e u1 = (1, 4) . Os vetores são line-
amente independentes, e portanto, formam uma base para 2 .
O vetor x = (7, 7)T pode se escrito como uma combinação linear
x = 3u1 + u 2 .
7
3u1
u2
4 x
u2 3u1
u1
2 4 6 7
Uma vez decididos a trabalhar com uma nova base, temos o proble-
ma de encontrar as coordenadas em relação a essa nova base. Por
exemplo, em vez de usarmos a base canônica para o 2 , usarmos
uma base diferente,
3 1
u1 = , u 2 = .
2 1
De fato, podemos mudar nos dois sentidos entre os dois sistemas de
coordenadas. Vamos considerar os dois problemas seguintes:
x =U (1)
3 1 7
Exemplo 47. Sejam u1 = , u 2 e x = . Encontre as coordena-
2 1 4
das de x em relação a [u1 , u 2 ] .
s s12
Se S = 11 é a matriz de mudança de base de uma base or-
s21 s22
denada [ v1 , v 2 ] em 2 para outra base ordenada [u1 , u 2 ] , então
5 3s + s
A primeira equação pode ser escrita como = 11 21 .
2 2 s11 + s21
A solução desse sistema é ( s11 , s21 )T = (3, −4)T . Analogamente, a se-
3 4
Portanto, S = é a matriz de mudança de base de [ v1 , v 2 ]
−4 −5
para [u1 , u 2 ] .
[v1,v2] V [e1,e2]
U−1
U−1V
[u1,u2]
1 1 −3 3 8
[x]E = −1 −1 0 2 = −5 e
0 0 1 −1 3
1 1 −3 1 −8
[y ]F = −1 −1 0 −3 = 2 .
0 0 1 2 3
Você pode verificar que
8u1 − 5u 2 + 3u 3 = 3v1 + 2 v 2 − v 3
−8u1 + 2u 2 + 3u 3 = v1 − 3v 2 + 2 v 2 .
Exemplo 52. Suponha que queremos mudar, em P2 , da base ordena-
da [1, x, x 2 ] para a base ordenada [1, 2 x, 4 x 2 − 2] .
Como
1 = 1 ⋅ (1) + 0 ⋅ ( x) + 0 ⋅ ( x 2 )
2 x = 0 ⋅ (1) + 2 ⋅ ( x) + 0 ⋅ ( x 2 )
4 x 2 − 2 = −2 ⋅ (1) + 0 ⋅ ( x) + 4 ⋅ ( x 2 ) ,
1 0 1 2 a a + c 2
0 1 2 0 b = b 2 .
0 0 1 4 c c 4
Exercícios Propostos
1) Indique se os vetores dados no Exercício 1 da página 165 for-
mam ou não base para 2 .
2 4 7
3) Considere os vetores x1 = , x 2 = , x 3 =
1 3 −3
a) Mostre que x1 e x 2 formam uma base para 2 .
2 3 2
5) Considere x1 = 1 , x 2 = −1 , x 3 = 6
3 4 4
a) Mostre que x1 , x 2 , x 3 são linearmente dependentes.
a) x1 e x 2 geram 3 ? Explique.
a) u1 = (1,1)T , u 2 = (−1,1)T
14) Sejam v1 = (3, 2)T e v 2 = (4,3)T para cada uma das bases orde-
nadas [u1 , u 2 ] no exercício 1, encontre a matriz mudança de
base de [ v1 , v 2 ] para [u1 , u 2 ] .
189
1 2 3 5
18) Considere v1 = , v 2 = , S = . Encontre vetores
2 3 1 −2
w 1 e w 2 tais que S é a matriz mudança de base de [w 1 , w 2 ]
para [ v1 , v 2 ] .
2 1 4 1
19) Considere v1 = , v 2 = , S = . Encontre vetores u1
6 4 2 1
e u 2 , tais que S é a matriz mudança de base de [ v1 , v 2 ] para
[u1 , u 2 ] .
1 1
x1 = − x3 − x5
2 4
1 1
x 2 = − x3 − x5
2 4
x 3 é qualquer um
1
x 4 = − x5
2
x 5 é qualquer um .
1
x3 x5 1 −
− − − 4
x1 2 4 2
1
x2 − x3 − x5 − 1 −
4
x = x3 = 2 4 = x3 2 + x5 = x u + x5 v .
0 3
1
x4 − x5 1
x 2 0 −
5
x5 2
0
1
Já que x 3 e x 5 são arbitrários, temos que espnul ( A) = span{u, v} .
Além disso, os seguintes argumentos mostram que u e v são line-
armente independentes. Para ter x3u + x5 v = 0 , a terceira e a quinta
coordenadas devem ser nulas, isto é, x3 = x5 = 0 . Em conseqüência,
u e v formam uma base de espnul ( A) .
O que temos feito neste exemplo se aplica ao caso mais geral. Pode-
mos esboçar um procedimento para achar a base do espaço nulo.
Teorema. Duas matrizes equivalentes por linhas têm o mesmo espaço linha.
Col[A] = span{[col 1], [col 2], [col 3], [col 4], [col 5]}
= span{[col 1], [col 2], [col 3], [col 4]}
= span{[col 1], [col 2], [col 4]}.
Por outro lado, se mantemos apenas [col 1], [col 2], [col 4], então
1 3 0
−1 −1 1 ,
0 4 4
1 3 −2
cuja forma escalonada é
1 3 0
0 2 −1
,
0 0 2
0 0 0
onde todas as colunas possuem pivô. Então, já que essas três colunas
são linearmente independentes e geram col( A), concluímos que
1 3 0
−1 −1 1
espcol ( A) = span , , .
0 4 4
1 3 −2
[col 2] de B = (0,1, 2, 0)
Exercícios Propostos
1) Para cada uma das matrizes a seguir, encontre uma base para
o espaço linha, uma base para o espaço coluna e uma base
para o núcleo.
1 3 2 1 3 −2 1
a) 2 1 4 c) 2 1 3 2
4 7 8 3 4 5 6
−3 1 3 4
b) 1 2 −1 −2
−3 8 4 2
1 2 2 3 1 4
3) Seja A = 2 4 5 5 4 9 .
3 6 7 8 5 9
a) Calcule a forma escalonada reduzida por linhas U de A .
Quais os vetores colunas de U que correspondem às vari-
áveis livres? Escreva cada um desses vetores colunas como
uma combinação linear dos vetores colunas corresponden-
tes às variáveis líderes.
1 1 2 1
1 2 4
a) A = , b = d) A = 1 ,
1 2 b = 2
2 4 8 1 1 2 3
0 1 2
3 6 1
b) A = , b = e) A = 1 0 , b = 5
1 2 1
0 1 2
1 2 5
2 1 4
c) A = , b = f) A = 2 4 , b = 10
3 4 6 1 2 5
Resumo
O conceito e as principais propriedades dos espaços vetoriais foram
definidos e desenvolvidos ao longo deste capítulo.
em cálculo, equações diferenciais e na matemática aplicada. Não Tópicos que serão estudados
futuramente.
obstante que, nos exemplos, cada um dos conjuntos considerados
tenha diferente natureza, os espaços de dimensão finita têm carac-
terísticas comuns, tais como as propriedades, a estrutura dos subes-
paços, bases, dimensão, etc.
Bibliografia Comentada
LAY, David C. Álgebra linear e suas aplicações. 2. ed. [S.l]: LTC, [200-?].
STEVE, Leon J. Álgebra linear com aplicações. 4. ed. [S.l.]: LTC, [200-?].
Este livro é apropriado para alunos que tenham conceitos básicos de matrizes
e tenham passado por um curso de Geometria Analítica. O estudante deve
estar também familiarizado com as noções básicas de Cálculo Diferencial
e Integral. Esta nova edição, ao mesmo tempo que mantém a essência
das edições anteriores, incorpora uma série de melhorias substanciais: -
Conjunto de Exercícios Computacionais em cada Capítulo; - Mais Motivação
Geométrica; - Nova Aplicação Envolvendo Teoria dos Grafos e Redes; -
Motivação Adicional para a Definição de Determinantes; - A seção sobre
Mudança de Base foi transferida para o Cap. 3; - Revisões Importantes na
seção sobre Espaços Munidos de Produto Interno; - A seção sobre Normas
Matriciais foi transferida para o Cap. 7; - Nova Aplicação: Aproximação de
Funções por Polinômios Trigonométricos; - Revisões no Cap. 6.
Capítulo 4
Transformações Lineares
202
Capítulo 4
Transformações Linares
4.1 Introdução
Uma transformação linear é uma aplicação que leva vetores de um
espaço vetorial em outro espaço vetorial.
(x)
x
Multiplicação por A
x y=Ax
Multiplicação por A
0
0
T (u) W
u
v T (v)
V u+v T (u+v) = T(u)+T(v)
λu T (λu) = λT(u)
T (u + v ) = T ( x + y ) = ( x + y ) = x + y = T ( x) + T ( y ) = T (u) + T (v ) e
Dados u , v ∈ 2 , com u = ( x1 , y1 ) e v = ( x2 , y2 ).
1) T = (u + v ) = T ( x1 , y1 ) + ( x2 , y2 ) =
= T ( x1 , x2 , y1 , y2 ) =
= (2( x1 , x2 ), 0, ( x1 , x2 ) + ( y1 , y2 )) =
= (2 x1 , 0, x1 , x2 ) + 2( x2 , 0, x2 + y2 ) =
T = ( x1 , y1 ) + T ( x2 , y2 ) =
T = (u) + T ( v )
T ( u) =
= T ( ( x, y ) =
206
= T ( x, y ) =
= (2 x, 0, x + y ) =
= T ( x + y ) =
= T (u)
T ( x + y ) ≠ T ( x) + T ( y ).
x2
x1
x 2x
Exemplo 3. Considere a transformação T (x) = 2x = 2 1 = 1 ,
x2 2 x2
para todo x ∈ 2.
( x1, x2 )T → (kx1 , x2 )T
0<k<1 k >1
( x1, x2 )T → ( x1 , kx2 )T
0<k<1 k >1
b) Projeção (sobre o eixo OX )
Exemplo 4. Seja a TL definida por T = (x) = x1e1 .
x 1 x
Se x = 1 , temos T = (x) = x1 = 1 .
x2 0 0
208
x1 x1
c) Reflexões
Em relação ao eixo OX
( x1 , x2 )T → ( x1 , − x2 )T
x2 x2
x1
x1
−1
−1
Em relação à origem
( x1 , x2 )T → (− x1 , − x2 )T
x2
−1
x1
−1
Reflexão em relação
à origem
Em relação à reta y = − x ( x2 = − x1 )
( x1 , x2 )T → ( − x2 , − x1 )T
x2 x2
x2= x1
−1
x1
x2= −x1
x1
−1
d) Rotações
• O operador T (x) = (− x2 , x1 )T roda cada vetor x∈ 2 em 90º em
torno da origem, no sentido anti-horário.
Analogamente,
x x cos − x2 sen
Logo, a aplicação T (x) = 1 = 1 descreve a rotação
x2 x1 sen + x2 cos
de um vetor em um ângulo (nesse caso, no sentido anti-horário).
−senθ
cosθ
cos θ
sen θ
Se considerarmos o caso particular com = , obteremos como re-
2
sultado novamente T (x) = (− x2 , x1 )T .
211
e) Cisalhamento Horizontal
x + ax2
O cisalhamento horizontal é dado pela relação T (x) = 1 .
x2
Ele consiste na modificação da primeira coordenada do vetor
x
x= 1 .
x2
Cisalhamento horizontal
x2 x2
x1 x1
Cisalhamento vertical
x2 x2
x1 x1
f) Translação
a
Considere o vetor a = 1 e a seguinte aplicação:
a2
x +a
T ( x) = x + a = 1 1 .
x2 + a2
Esta não é uma transformação linear a não ser que a seja o vetor
nulo.
212
De fato:
( x + y ) + a1
T (x + y ) = 1 1
( x2 + y2 ) + a2
x +a y
= 1 1 + 1
x2 + a2 y2
= T ( x) + y ≠ T ( x) + T ( y ) .
T (x + y ) = ( x2 + y2 , x1 + y1 , x1 , y1 , x2 , y2 )T
= ( x2 , x1 , x1 + x2 )T + ( y2 , y1 , y1 + y1 )T
= T ( x) + T ( y )
e
T ( x ) = ( x2 , x1 , x1 , + x2 )T
= ( x2 , x1 , x1 , + x2 )T
= T ( x ) .
De fato,
T ( x + y ) = A( x + y )
= Ax + Ay
= T (x) + T (y )
Podemos, então, considerar cada matriz Am×n como um operador
linear de n em m .
• Expansão
2 x1 2 0 x1
T ( x) = 2 x = ou T (x) = Ax =
2 x2 0 2 x2
• Projeção
x 1 0 x1
T (x) = x1e1 = 1 ou T (x) = Ax =
0 0 0 x2
• Reflexões
x 1 0 x1
T (x) = 1 ou T (x) = Ax =
− x2 0 −1 x2
− x1 −1 0 x1
e T ( x) = ou T (x) = Ax =
− x2 0 −1 x2
• Rotações
−x 0 −1 x1
T (x) = 2 ou T (x) = Ax = e
x1 1 0 x2
x1 cos − x2 sen cos −sen x1
T ( x) = ou T (x) = Ax =
x1 sen + x2 cos sen cos x2
214
• Cisalhamento Horizontal
x + ax2 1 a x1
T ( x) = 1 ou T (x) = Ax =
x2 0 1 x2
k 0
Considere a seguinte matriz (sendo k um escalar): A = .
0 k
Se T (x) = Ax , então teremos:
• a identidade se k = 1;
• a transformação nula se k = 0 .
Reconhecer que uma TL pode ser definida por meio de uma matriz
nos permitirá resolver facilmente várias questões práticas e teóricas.
Exercícios Propostos
1) Mostre que cada uma das aplicações seguintes é uma transfor-
mação linear de 2 em 2 . Descreva geometricamente o que
cada uma delas faz.
1
a) T (x) = (− x1 , x2 )T d) T (x) = x
2
b) T (x) = − x1 e) T (x) = x2e 2
c) T (x) = ( x2 , x1 )T
a) T (x) = ( x2 , x3 )T c) T (x) = (1 + x1 , x2 )T
a) T ( A) = 2 A c) T ( A) = A + 1
b) T ( A) = AT d) T ( A) = A − AT
a) T ( p ( x)) = xp ( x)
216
b) T ( p ( x)) = x 2 + px
c) T ( p ( x)) = p ( x) + xp ( x) + x 2 p '( x)
y
S(x)
) (x) x
+S
(T
T(x)
Figura. 4.12 - Soma de transformações
reflexão rotação
1 0 0 −1 x1 1 −1 x1 x1 − x2
+ = =
0 −1 1 0 x2 1 −1 x2 x1 − x2
Para responder à questão “qual é a operação entre as transformações
lineares que corresponde ao produto de matrizes?”, teremos de ser
um pouco mais cuidadosos.
( S T )( v ) = S (T ( v )) = S ( Bv ) = A( Bv ) = ABv = Cv
rotaçaõ reflexão
0 −1 1 0 x1 0 1 x1 x2
( S T )(x) = = =
1 0 0 −1 x2 1 0 x2 x1
Calculemos agora T S
Teorema. Se B é uma transformação inversível, então sua matriz canôni- Lê-se: “a matriz da
transformação inversa
ca também é inversível e .
é a inversa da matriz da
transformação original”
Exemplo 10. Determine se a projeção sobre o eixo das abscissas é
uma TL inversível.
1 0
Solução. A matriz canônica dessa projeção é , a qual não é
0 0
inversível, portanto uma projeção não é inversível. Esse é um fato
curioso. Tentemos entender: uma projeção leva (“esmaga”) todos os
vetores de 2 sobre o eixo x ,
x
T (x) = x1e1 = 1 , ∀x ∈ 2 .
0
Para “desfazer” esse efeito, ou seja, recuperar x = ( x1 , x2 )T precisa-
ríamos de uma transformação que leve ( x1 , 0)T para x = ( x1 , x2 )T .
No entanto, existem infinitos candidatos para serem a imagem de
( x1 , 0)T sob essa hipotética transformação inversa, já que não temos
como determinar x2 no vetor imagem para cada ( x1 , 0)T no domínio
de T −1 .
x 1 0 x1
T (x) = x1e1 = 1 ou T (x) = Ax = .
0 0 0 x2
= T ( f ) + T ( g ).
T é uma TL.
T ( p ( x)) = xp ( x) = a0 x + a1 x 2 + + an x n +1 .
T ( p + q) = x( p + q)( x) = x( p( x) + q ( x)) = xp ( x) + xq ( x) = T ( p ) + T (q )
Agora temos
ii) T ( 1u1 + 2u 2 + ... + nu n ) = 1T (u1 ) + 2T (u 2 ) + ... + nT (u n ) .
Veja que esta igualdade é óbvia para k = 1 , já que T ( 1u1 ) = 1T (u1 )
porque T é uma TL. Suponha agora que é verdadeira para k :
223
x
Seja x = 1 = x1e1 + x2e 2 um vetor arbitrário. Pela aplicação da trans-
x2
formação que estamos procurando sobre este vetor e usando a pro-
priedade anterior temos:
T ( x) = T ( x1e1 + x2e 2 )
= x1T (e1 ) + x2T (e 2 )
= x1 (2, −1, 0)T + x2 (0, 0,1)T
= (2 x1 , − x1 , x2 )T.
1 0 4
T =x +x
0 0
0 1 3 2
T =x +x
0 0
0 0 2 3
T =x +x
1 0
0 0 4
T = x+x
0 1
224
a b
Uma matriz A ∈ M 2×2 é da forma A = e pode ser escrita
c d
como
a b 1 0 0 1 0 0 0 0
c d = a 0 0 + b 0 0 + c 1 0 + d 0 1 ,
portanto:
a b 1 0 0 1 0 0 0 0
T =T a +b +c +d
c d 0 0 0 0 1 0 0 1
1 0 0 1 0 0 0 0
=T a +T b +T c +T d
0 0 0 0 1 0 0 1
1 0 0 1 0 0 0 0
= aT + bT + cT + dT
0 0 0 0 1 0 0 1
= a ( x 4 + x ) + b( x 3 + x 2 ) + c ( x 2 + x 3 ) + d ( x + x 4 )
= (a + d ) x + (b + c) x 2 + (b + c) x3 + (a + d ) x .4
Logo, para todo vetor v ∈ M 2×2 (este vetor representa uma matriz), a
nossa transformação fica definida como
T (v) = (a + d ) x + (b + c) x 2 + (b + c) x3 + (a + d ) x 4 ,
um polinômio de grau 4.
T (kv ) = v 0 , kv = k v 0 , v = kT ( v ) e
T ( v + w ) = v 0 , ( v + w ) = v 0 , v + v 0 , w = T ( v) + T (w )
T : 2 → P1 , T (a) = a1 + (a1 + a2 ) x
S : P1 → P2 , S ( p ( x)) = xp ( x)
Encontre ( S T )(a) .
Solução.
( S T )( v ) = S (T ( v ))
= S ( T ( v ))
= S (T ( v ))
= ( S T )( v )
226
Ker(T ) = {v ∈ V / T ( v) = 0 w } ⊆ V .
Domínio Imagem
Contradomínio
Núcleo
Núcleo é um Imagem é um
subespaço de V subespaço de W
• Ker(T ) é um subespaço de V
T ( v ) = T ( v ) = a0 w = 0 w ⇒ v ∈ Ker(T ).
T ( v1 + v 2 ) = T ( v1 ) + T ( v 2 ) = 0 w + 0 w = 0 w ⇒ v1 + v 2 ∈ Ker(T ).
• Im(T ( S )) é um subespaço de W
x 0
T (x) = 0 ⇔ 1 = ⇔ x1 = 0.
0 0
Logo, os vetores de Ker(T ) têm primeira componente nula,
0
x = = 0e1 + x2e 2 = x2e 2 , então Ker(T ) é o subespaço unidimen-
x2
sional de 2 gerado por e 2 .
228
x
y = T (x) = 1 ⇔ y = x1e1 + 0e2 = x1e1.
0
Logo, Im(T ) = T ( 2 ) = e1 é o subespaço unidimensional de 2 ge-
rado por e1 .
x1 + x2 = 0
( x1 + x2 , x2 + x3 )T = (0, 0)T ⇔ .
x2 + x3 = 0
A solução deste sistema está dada (fazendo a variável livre x3 = a )
por todos os vetores de 3 da forma a (1, −1,1)T .
x1 + x2 1 1 0
de 2 . Se y ∈ Im(T ) , então y = = x1 + x2 + x3 .
x2 + x3 0 1 1
Então os vetores da imagem são gerados pela combinação linear dos
1 1 0
vetores , , , que geram todo 2 , logo Im(T ) = 2 .
0 1 1
Im( S ) = {y ∈ 3 : y = T (x), ∀ x ∈ 3 } ou
( y1 , y2 , y3 )T = (0, x2 + x3 , 2 x2 + x3 )T
a1 = b1 + b2 , a2 = 2b1 + b2
1
(4 x1 − 4 x2 + 2 x3 , −4 x1 + 4 x2 − 2 x3 , 2 x1 − 2 x2 + x3 )T = (0, 0, 0).T
9
231
Portanto,
Exercícios
12) Determine o núcleo e a imagem de cada uma das transforma-
ções lineares de 3 em 3 .
a) T (x) = ( x3 , x2 , x1 )T
b) T (x) = ( x1 , x2 , 0)T
c) T (x) = ( x1 , x1 , x1 )T
a) T ( p ( x)) = xp '( x)
b) T ( p ( x)) = p ( x) − p '( x)
c) T ( p ( x)) = p ( x) + p (1)
Mostre que:
T : �2 → �3 T: �2 → �2
T T
Este teorema afirma que Teorema. Seja T : V → W , uma aplicação linear. Então, Ker(T ) = {0} se e
uma TL injetora só tem o somente se T é injetora.
vetor nulo no seu núcleo.
E, por outro lado, se uma
TL tiver somente 0 no seu Ker(T ) = {0} ⇔ T é injetora .
núcleo, então quaisquer
dois vetores distintos
devem ter imagens Corolário. Seja T : V → W uma aplicação linear injetora. Então, T
distintas também. leva vetores linearmente independentes em vetores linearmente in-
dependentes.
234
T ( p ( x)) = xp ( x)
T (a0 + a1 x + + an x n ) = x(a0 + a1 x + + an x n )
= a0 x + a1 x 2 + + an x n +1 .
T ( p ( x)) = 0 ⇔ a0 x + a1 x 2 + + an x n +1 ⇔ a0 = a1 = = an = 0 ⇔ p ( x) = 0
Quais são os polinômios que estão faltando na imagem de T ? Estes termos são deri-
vados de dois vocábulos
gregos: “iso” que signi-
Quando uma transformação linear T : V → W for injetora e sobreje- fica igual e “morfos” que
significa forma.
tora ao mesmo tempo, dá-se o nome de isomorfismo.
235
Propriedades:
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
a b T
é o isomorfismo ↔ ( a , b, c , d ) .
c d
Para ver isto, proceda em forma análoga ao exemplo anterior.
• T é inversível.
• T é bijetora.
T (x) = ( x1 + 2 x2 + 2 x3 , x1 + x2 + 3 x3 , x1 + 2 x2 + x3 )T
b) explicite T −1 (x)
1 2 2 y1 1 0 0 −5 y1 + 2 y2 + 4 y3
1 1 3 y2 ↔ 0 1 0 2 y1 − y2 − y3 .
1 2 1 y3 0 0 1 y1 − y3
Agora resolveremos praticamente ambos os itens em forma simul-
tânea: para determinar Ker(T ) devemos encontrar a solução de
T (x) = 0 para o qual fazemos y = 0 ; resolvendo o sistema homogê-
neo temos que Ker(T ) = {0} .
T −1 (y ) = (−5 y1 + 2 y2 + 4 y3 , 2 y1 − y2 − y3 , y1 − y2 )T .
238
T (y ) = ( y1 + 2 y2 + 2 y3 , y1 + y2 + 3 y3 , y1 + 2 y2 + y3 )T = ( x1 , x2 , x3 )T .
y1 = x1 − x3
y2 = 2 x1 − x2 − x3 , assim
y = −5 x + 2 x + 4 x
3 1 2 3
T −1 (y ) = (−5 y1 + 2 y2 + 4 y3 , 2 y1 − y2 − y3 , y1 − y3 )T
T −1 (T (x)) = T −1 ( Ax) = T −1 (y )
= A−1y
−5 2 4
= 2 −1 −1 y
1 0 −1
−5 y1 + 2 y2 + 4 y3
= 2 y1 − y2 − y3
y1 − y3
Obtendo mais uma vez a expressão da transformação inversa.
T −1 (x) = (−5 x1 + 2 x2 + 4 x3 , 2 x1 − x2 − x3 , x1 − x3 )T .
Observações:
a j = T (e j ), j = 1, 2, , n
a j = (a1 j , a 2 j ,..., a mj )T = T (e j ) .
x = ( x1e1 + x2 e2 + + xn en ) .
240
Como segue
1
a1 = T (e1 ) = ,
0
1
a 2 = T (e 2 ) = ,
1
0
a3 = T (e3 ) = ,
1
241
1 1 0
A= .
0 1 1
Podemos conferir o resultado calculando Ax
x1
1 1 0 x1 + x2
Ax = x2 = .
0 1 1 x2 + x3
x3
Acabamos de ver como matrizes representam transformações linea-
res de n em m , poderíamos perguntar agora se é possível encon-
trar uma representação análoga para operadores lineares de V em
W , onde V e W são espaços de dimensão n e m , respectivamente.
Veja o seguinte exemplo.
Vamos mostrar que existe uma matriz Am×n que representa o opera-
dor T no seguinte sentido:
Assim,
T ( v) =
= x1 (a11w1 + a21w 2 + ... + am1w m )
+ x2 (a12 w1 + a22 w 2 + ... + am 2 w m )
+
+ xn (a1n w1 + a2 n w 2 + ... + amn w m ) .
Se denotarmos por
Temos que
se e somente se Ax = y.
244
( B | T ( v1 ), T ( v 2 ),..., T ( v n ))
T (x) = ( x2 , x1 + x2 , x1 − x2 )T .
1 1 1 | 2 1 1 0 0 | −1 −3
(b1 , b 2b3 | T ( v1 ), T ( v 2 )) = 0 1 1 | 3 4 → 0 1 0 | 4 2
0 0 1 | −1 2 0 0 1 | −1 2
245
−1 −3
Logo, a matriz procurada é A = 4 2
−1 2
O leitor pode verificar que
T (u1 ) = −b1 + 4b 2 − b3
.
T (u 2 ) = −3b1 + 2b 2 + 2b3
Exercícios
1) Para cada uma das transformações lineares T no Exercício 1
da Seção 1, encontre a matriz A que representa T .
a) T (( x1 , x2 , x3 )T ) = ( x1 + x2 , 0)T
b) T (( x1 , x2 , x3 )T ) = ( x1 , x2 )T
c) T (( x1 , x2 , x3 )T ) = ( x2 − x1 , x3 − x2 )T
a) T (( x1 , x2 , x3 )T ) = ( x3 , x2 , x1 )T
b) T (( x1 , x2 , x3 )T ) = ( x1 , x1 + x2 , x1 + x2 + x3 )T
c) T (( x1 , x2 , x3 )T ) = (2 x3 , x2 + 3 x1 , 2 x1 − x3 )T
b) x = (2,1,1)T
c) x = (−5,3, 2)T
1 1 0
6) Sejam b1 = 1 , b 2 0 , b3 = 1 e seja T a transformação line-
0 1 1
ar de 2 em 3 definida por T (x) = x1b1 + x2b2 + ( x1 + b2 )b3 . En-
contre a matriz A de T em relação às bases [e1 , e2 ] e [b1 , b2 , b3 ] .
1 1 1
7) Sejam y1 = 1 , y2 = 1 , y3 = 0 e seja I o operador identi-
1 0 0
dade em 3 .
a) T (x) = ( x3 , x1 )T
b) T (x) = ( x1 + x2 , x1 − x3 )T
c) T (x) = (2 x2 , − x1 )T
vi) posto( A) = n
vii) nulidade( A) = 0
xii) det( A) ≠ 0
xv) T é um isomorfismo
Bibliografia Comentada
LAY, David C. Álgebra linear e suas aplicações. 2. ed. [S.l]:LTC, [200-?].
STEVE, Leon J. Álgebra linear com aplicações. 4. ed. [S.l.]: LTC, [200-?].
Este livro é apropriado para alunos que tenham conceitos básicos de matrizes
e tenham passado por um curso de Geometria Analítica. O estudante deve
estar também familiarizado com as noções básicas de Cálculo Diferencial
e Integral. Esta nova edição, ao mesmo tempo que mantém a essência
das edições anteriores, incorpora uma série de melhorias substanciais: -
Conjunto de Exercícios Computacionais em cada Capítulo; - Mais Motivação
Geométrica; - Nova Aplicação Envolvendo Teoria dos Grafos e Redes; -
Motivação Adicional para a Definição de Determinantes; - A seção sobre
Mudança de Base foi transferida para o Cap. 3; - Revisões Importantes na
seção sobre Espaços Munidos de Produto Interno; - A seção sobre Normas
Matriciais foi transferida para o Cap. 7; - Nova Aplicação: Aproximação de
Funções por Polinômios Trigonométricos; - Revisões no Cap. 6.