Álgebra Linear

!
!
!
Álgebra!Linear!
Computacional!
!
!
! !
Álgebra!Linear!Computacional!2014.2!
Professor!Nelson!Borges!
nborgesster@gmail.com!
9960759788!
Horário!e!Avaliações!
Terças!8:30h!às!11:30h!–!14!Semanas!(27/05!até!26/08)!
Avaliação:!Listas!de!Exercícios!e!Prova!
Sumário!
Capítulo!1!Espaço!Vetorial!Euclidiano!..........................................................................................1!
Capítulo!2!Matrizes!.....................................................................................................................17!
Capítulo!3!Resolução!de!Sistemas!Lineares!................................................................................36!
Capítulo!4!Espaços!Vetoriais!.......................................................................................................56!
Capítulo!5!Transformações!Lineares!..........................................................................................80!
Capítulo!6!Subespaços!Ortogonais,!Projeções!e!Aplicações!.....................................................106!
Capítulo!7!Determinantes!........................................................................................................127!
Capítulo!8!Autovalores!e!Autovetores!.....................................................................................136!
Capítulo!9!Decomposição!em!Valores!Singulares!(SVD)!...........................................................149!
Bibliografia!
Strang,!G.!5!Álgebra!Linear!e!suas!Aplicações,!Cengage!Learning!Ed.,!456!p.,!2010.!
Anton,!H.!e!Rorres,!C.!5!Álgebra!Linear!com!Aplicações,!Bookman!Ed.,!572!p.,!2008.!
Golub,G.!and!Van!Loan,!C.!5!Matrix!Computations,!Johns!Hopkins!Univ.!Press,!694!p.,!1996!
Leon,!S.J.!5!Álgebra!Linear!com!Aplicações,!LTC!Ed.,!390!p.,!2008.!!
Apostol,!T.!5!Cálculo!com!Funções!de!uma!Variável,!Reverté!Ed.,!771!p.,2006.!
Apostol,!T.!5!Cálculo!com!Funções!de!Várias!Variáveis!e!Álgebra!Linear,!Reverté!Ed.,!752!
p.,2008.!
Cap¶³tulo 1
Espa»co Vetorial Euclidiano
1.1 Vetores - Introdu»c~

ao
Inicialmente, introduzimos o conceito de vetores, as opera»c~oes alg¶ebricas, o
produto interno e a norma vetorial em Rn . Daremos tamb¶em, a de¯ni»c~ao do produto
interno entre vetores em Cn , fazendo a extens~ao do espa»co vetorial Euclidiano Real
para o espa»co vetorial Euclidiano Complexo.
¶
Daremos aqui um enfoque te¶orico da Algebra Linear no espa»co Euclidiano, bem
como aplica»c~oes em algumas ¶areas, exempli¯cadas com c¶alculos computacionais.
Com o surgimento dos computadores, foram criadas diversas bibliotecas em
¶
Algebra Linear. Usando estas bibliotecas, podemos resolver diversos problemas
pr¶aticos em Engenharia.
¶
Entre as aplica»c~oes da Algebra Linear podemos citar:
- Tra»cado de curvas e superf¶³cies;
- Problemas de redes el¶etricas;
- Problemas em criptogra¯a;
- Problemas de ¯ltragem de sinais;
- Processamento digital de imagens;
- entre outros (ver Anton e Rores[4]).
¶
Existem,essencialmente,três diferentes maneiras de introduzir a Algebra Vetori-
al,(ver Apostol[2]):
- geometricamente: onde vetores s~ao representados por segmentos de retas ori-
entadados ou °exas e as opera»c~oes com estes s~ao dadas por m¶etodos geom¶etricos;
- analiticamente: onde vetores e opera»c~oes vetoriais s~ao descritos em termos de
n¶umeros, chamados componentes;
- axiomaticamente: onde vetores e opera»c~oes vetoriais têm conceitos inde¯nidos.
Apenas, os vetores munidos das opera»c~oes de adi»c~ao e multiplica»c~ao de vetor por
1
escalar entre eles , satisfazem um certo conjunto de axiomas. Assim, tratamos os
vetores como elementos de um conjunto abstrato.
1.2 Espa»co Vetorial Euclidiano

De¯ni»c~ao 1
Uma n-upla de n¶ umeros reais (a1 ; a2 ; :::; an ), (n ¸ 1) ¶e chamada de um ponto
n-dimensional ou vetor n-dimensional. Os n¶ umeros a1 ; a2 ; :::; an s~ao as coo-
ordenadas ou componentes do vetor. Denotamos por Rn o conjunto de vetores
n-dimensionais, chamado de espa»co vetorial n-dimensional munido das opera»c~oes de
adi»c~ao de vetores e e produto escalar por vetor dadas a seguir.
Obs.: Podemos extender este espa»co vetorial aos n¶ umeros Complexos, onde
tomamos ai 2 Cn , i = 1; 2; :::; n.
Para transformar Rn num sistema alg¶ebrico, introduzimos a igualdade de vetores
e as duas opera»c~oes: adi»c~ao de vetores e multiplica»c~ao de escalar por vetor.
De¯ni» c~
ao 2
Dois vetores A e B em Rn s~ao iguais quando suas componentes s~ao iguais. Isto
¶e, se A = (a1 ; a2 ; :::; an ) e B = (b1 ; b2 ; :::; bn ), a equa»c~ao vetorial A = B signi¯ca:
a1 = b1 , a2 = b2 ,..., an = bn .
A soma A + B ¶e de¯nida pela soma das componentes dos vetores A e B:
A + B = (a1 + b1 ; a2 + b2 ; :::; an + bn ) (1.1)
Se ® 2 R, de¯nimos o produto escalar por vetor ®A como:
®A = (®a1 ; ®a2 ; :::; ®an ) (1.2)
Da de¯ni»c~ao 2, seguem as deguintes propriedades:

Propriedades
Sejam A, B e C vetores em Rn .
1. A + B = B + A (comutatividade);
2. A + (B + C) = (A + B) + C (associatividade de vetores);
3. ®(¯A) = (®¯)A, ®; ¯ 2 R (associatividade de escalares).
4. Al¶em disso, s~ao satisfeitas as leis distributivas:
®(A + B) = ®A + ®B e
(® + ¯)A = ®A + ¯A, ®, ¯ 2 R.
O vetor 0 ¶e chamado de vetor nulo, cujas componentes s~ao nulas.
5. A + 0 = A (elemento neutro da adi»c~ao).
2
O vetor (¡1)A, tamb¶em denotado por ¡A, chamado negativo de A. Da¶³, es-
crevemos:
A ¡ B = A + (¡B) (diferen»ca entre A e B).
Note que: 0A = 0 e 1A = A.
1.3 Interpreta»c~ etrica de Rn para (n · 3)

ao geom¶
Apesar das de¯ni»c~oes anteriores n~ao estar ligadas µa geometria, vetores e opera»c~oes
vetoriais tem uma interpreta»ca~o geom¶etrica em espa»cos de dimens~ao (n · 3). Por
exemplo, em R2 (plano), um par de pontos A e B ¶e chamado um vetor geom¶etrico
onde ¯xamos A como ponto inicial e B como ponto ¯nal ou extremidade ,e denota-
¡!
mos pelo s¶³mbolo AB e visualizamos atrav¶es da Figura 1.1:
Figura 1.1: Vetor geom¶etrico
Vamos introduzir um sistema de coordenadas com origem O. Identi¯cando o

¡!
vetor AB em termos de suas componentes B ¡ A = (b1 ¡ a1 ; b2 ¡ a2 ), podemos
facilmente interpretar a soma de dois vetores pela regra do paralelogramo. Assim,
dados quatro pontos A, B, C e D, v¶ertices de um paralelogramo,podemos escrever:
¡! ¡! ¡! ¡!
AB ´ CD (AB CD s~ao vetores equivalentes) com B ¡ A = D ¡ C () A + D =
B + C.
Supondo o ponto A na origem O, escrevemos:
¡! ¡! ¡! ¡! ¡! ¡!
D = B + C () OD = OB + OC onde os vetores OD, OB e OC s~ao localizados
na origem, conforme mostra Figura 1.2.
Para representar um ponto em Rn para (n · 3), usaremos a letra mai¶ uscula A,
¡!
que ir¶a representar o vetor geom¶etrico OA.
A Figura 1.3 a seguir, ilustra a interpreta»c~ao geom¶etrica da multiplica»c~ao de um
escalar por vetor.
¡!
Se B = ®A, o vetor geom¶etrico OB tem comprimento j®j vezes o comprimento
¡! ¡!
de OA. Este vetor tem mesma dire»c~ao de OA se ® ¶e positivo e dire»c~ao oposta se ®
3
Figura 1.2: Regra do Paralelogramo
Figura 1.3: Multiplica»c~ao de escalar por vetor
¶e negativo.
De¯ni»
c~
ao 3
¡! ¡! ¡! ¡!
Dois vetores OA e OB em Rn têm a mesma dire»c~ao se OB = ®OA para algum
¡! ¡!
escalar ® positivo, e dire»c~ao oposta se OB = ®OA para algum escalar ® negativo.
^ ¡! ¡!
Eles s~ao chamados paralelos se OB = ®OA para algum escalar ® n~ao nulo.
Exemplo
Sejam os pontos A, B, C e D representado na
Figura 1.4, abaixo:

¡! ¡!
De acordo com a Figura 1.4, temos: jOAj = O ¡ A = (1; 2), jBCj = C ¡ B =
(2 ¡ 1; 2 ¡ 0) = (1; 2)
¡! ¡! ¡! ¡!
Observe que as componentes de OA e BC s~ao iguais e temos OA==BC.
¡!
Por outro lado, jBDj = D ¡ B = (3=2 ¡ 1; 1 ¡ 0) = 1=2(1; 2), ou seja,
¡! ¡!
BD = 1=2OA.
4
Figura 1.4: Vetores Paralelos e Proporcionais
1.4 Produto Interno

Introduzimos, agora, um tipo de multiplica»c~ao de vetores em Rn chamada de
produto interno(produto escalar) em Rn .
De¯ni» c~
ao 4
Sejam A = (a1 ; a2 ; :::; an) e B = (b1 ; b2 ; :::; bn ) dois vetores em Rn , o produto interno
de A e B, denotado por A:B, ¶e de¯nido por:
n
X
A:B = ak bk (1.3)
k=1
Exemplo
Sejam A = (1; 2; 3) e B = (¡1; 2; ¡1) Temos que: A:B = 1 £ (¡1) + 2 £ 2 + 3 £
(¡1) = 0
Propriedades
8A , B , C 2 Rn e 8® 2 R, valem as seguintes propriedades:
a) A:B = B:A (comutatividade)
b) A:(B + C) = (A:B) + (A:C) (distributividade)
c) ®(A:B) = (®A):B (homogeneidade)
d) A:A > 0 se A 6= 0 (positividade)
e) A:A = 0 se A = 0
Daremos agora, um teorema que estabelece a desigualdade no produto interno
de dois vetores:
Teorema 1.1 ( Desigualdade de Cauchy Schwarz)
Se A e B s~ao vetores em Rn , temos:
(A:B)2 · (A:A)(B:B) (1.4)
Al¶em do mais, a igualdade (1.4)¶e v¶alida () um vetor ¶e m¶

ultiplo escalar do
outro.
5
Prova
Daremos aqui uma prova baseada nas propriedades do produto interno. Se A ou
B ¶e um vetor nulo, a prova segue trivialmente. Assumamos que A e B s~ao vetores
n~ao nulos. Seja C o vetor:
C = xA ¡ yB, onde x = B:B e y = A:B
Pelas propriedades d) e e) temos que C:C ¸ 0. Vamos expressar C:C em termos
de x e y.
C:C = (xA ¡ yB):(xA ¡ yB) = xA:(xA ¡ yB) ¡ yB:(xA ¡ yB) = x2 (A:A) ¡
2xy(A:B) + y 2 (B:B),
onde foram usadas as propriedades a), b) e c).
Usando as de¯ni»c~oes de x e y e a desigualdade C:C ¸ 0, obtemos:
(B:B)2 (A:A) ¡ 2(A:B)2 (B:B) + (A:B)2 (B:B) ¸ 0
Por d), temos que B:B > 0, desde que B 6 = 0. Dividindo a equa»c~ao anterior por
(B:B), obtemos:
(B:B)(A:A) ¡ (A:B)2 ¸ 0 () (A:B)2 · (A:A)(B:B)
Al¶em do mais, a igualdade vale quando C = 0, ou seja,xA = yB, isto ¶e, quando
A ¶e m¶ultiplo de B.
1.5 Comprimento ou norma de um vetor

Representamos um vetor geom¶etrico A = (a1 ; a2 ) no plano e localizado na origem
conforme Figura 1.5.
Figura 1.5: Comprimento de A em R2
Do teorema de Pit¶agoras encontramos o comprimento de A pela f¶ormula:

p
comp(A) = a21 + a22
Do mesmo modo, para o vetor geom¶etrico A = (a1 ; a2 ; a3 ) no espa»co e localizado
na origem, conforme Figura 1.6,
onde obtemos:
6
Figura 1.6: Comprimento de A em R3
p
comp(A) = a21 + a22 + a23
Prosseguindo desta forma, introduzimos o conceito de comprimento de um vetor
em Rn .
De¯ni»c~
ao 5
Seja A um vetor em Rn , o seu comprimento ou norma, denotado por jjAjj, ¶e
de¯nido por:
jjAjj = (A:A)1=2 (1.5)
De acordo com as propriedades fundamentais do produto interno, temos as

seguintes propriedades para a norma:
Propriedades
Seja A 2 Rn e seja ® 2 R, valem as seguintes propriedades:
a) jjAjj > 0 se A 6
= 0 (positividade)
b) jjAjj = 0 se A = 0
c) jj®Ajj = j®jjjAjj (homogeneidade)
Obs.: Agora, podemos escrever a desigualdade de Cauchy-Schwarz na forma:
jA:Bj · jjAjjjjBjj (1.6)
Teorema 1.2 (Desigualdade Triangular)

Se A e B s~ao vetores em Rn , temos:
jjA + Bjj · jjAjj + jjBjj (1.7)
Al¶em do mais, a igualdade (1.7) ¶e v¶alida () A = 0 ou B = ®A para algum

® > 0.
Prova
Reescrevemos a desigualdade triangular na forma equivalente:
jjA + Bjj2 · (jjAjj + jjBjj)2
7
Desenvolvendo o lado esquerdo desta desigualdade, obtemos:
(jjA + Bjj)2 = (A + B):(A + B) = A:A + 2A:B + B:B = jjAjj2 + 2A:B + jjBjj2

(1.8)
Por outro lado, obtemos:
(jjAjj + jjBjj)2 = jjAjj2 + 2jjAjj:jjBjj + jjBjj2 (1.9)
Comparando (1.8) e (1.9), vemos que a desigualdade jjA + Bjj2 · (jjAjj + jjBjj)2
vale () A:B · jjAjjjjBjj
Ora, A:B · jA:Bj · jjAjjjjBjj
Reciprocamente, se jjA + Bjj2 · (jjAjj + jjBjj)2 , ent~ao A:B · jjAjjjjBjj vale para
A e ¡A e assim (A:B)2 · jjAjj2 jjBjj2
Quando jjA + Bjj = jjAjj + jjBjj, devemos ter: A:B = jjAjjjjBjj. Isto acontece
quando B = ®A para algum ®.
Portanto, A:B = ®jjAjj2 e jjAjjjjBjj = j®jjjAjj2 .
Se A 6
= 0 =) ® = j®j ¸ 0.
Se B 6
= 0 =) B = ®A com ® > 0.
1.6 Ortogonalidade de Vetores

Elevando ao quadrado ambos os lados da equa»c~ao (1.7), obtemos:
jjA + Bjj2 · (jjAjj + jjBjj)2 (1.10)
que vale para quaisquer vetores A e B em Rn . Vemos que a rela»c~ao de Pit¶agoras vale
somente quando A:B = 0. Assim, vamos de¯nir a ortogonalidade de dois vetores
em Rn . Veja Figura 1.7
Figura 1.7: Desigualdade Triangular
e Figura 1.8
8
Figura 1.8: Rela»c~ao de Pit¶agoras
De¯ni» c~
ao 6
Dois vetores n~ao nulos A e B em Rn s~ao perpendiculares ou ortogonais, quando
A:B = 0
Desta forma, quando a igualdade na equa»c~ao 1.10 ocorre para A:B = 0, temos a
rela»c~ao de Pit¶agoras em Rn .
Exemplo
Sejam A = (a1 ; a2 ; :::; an ) e B = (b1 ; b2 ; :::; bn ) 2 Rn tais que: aj 6
= 0 para
algum j = k e aj = 0 8j 6 = k; (j = 1; 2; :::; n) e bl = 0 para l = k e bj 6 = 0
8j 6
= l; (j = 1; 2; :::; n). Temos que: A:B = 0 £ b1 + 0 £ b2 + ::: + ak £ 0::: + 0 £ bn =
0 + 0 + ::: + 0::: + 0 = 0
1.7 Proje»c~ ^
oes. Angulo entre vetores em Rn
Vamos dar uma interpreta»c~ao geom¶etrica do produto interno de dois vetores n~ao
nulos em R2 . Para isto, consideramos o ângulo µ formado pelos vetores dados na
Figura 1.9
Na Figura 1.9, temos dois vetores geom¶etricos n~ao nulos A e B fazendo um ângulo
µ, 0 < µ · ¼=2. Na Figura1.10, temos o mesmo vetor A, os vetores C e tB (perpen-
diculares) cuja soma ¶e o vetor A. O vetor tB ¶e chamado proje»c~ao de A ao longo de B.
Na Figura 1.10, t ¶e positivo, desde que 0 < µ · ¼=2.
Vamos usar o produto interno para expressar t em termos de A e B. Para isto,
escrevemos tB + C = A e efetuamos o produto interno desta igualdade por B,
obtendo:
tB:B + C:B = A:B Mas, C:B = 0, uma vez que C ? B. Portanto, tB:B = A:B
e assim,
A:B A:B
t= = (1.11)
B:B jjBjj2
, onde B 6
=0
9
^
Figura 1.9: Angulo entre vetores
Figura 1.10: Proje»c~ao de A ao longo de B
Por outro lado, temos que:
jjtBjj tjjBjj
cos(µ) = = ;t > 0 (1.12)
jjAjj jjAjj
Levando (1.11) em (1.12), obtemos:
A:B jjBjj A:B

cos(µ) = =
jjBjj jjAjj
2 jjAjjjjBjj
ou ainda:
A:B = jjAjjjjBjjcos(µ) (1.13)
Esta rela»c~ao nos sugere uma maneira de de¯nir ângulo em Rn .

A desigualdade de Cauchy-Schwarz jA:Bj · jjAjjjjBjj, agora pode ser escrita na
forma de quociente:
jA:Bj jjAjjjBj
· = 1; (1.14)
jjAjjjjBjj jjAjjjjBjj
10
ou seja:
A:B
¡1 · · 1; (1.15)
jjAjjjjBjj
para 0 · µ · ¼
De¯ni» c~
ao 7
Sejam A e B dois vetores em Rn , com B 6
= 0. O vetor tB, onde
A:B
t= (1.16)
jjBjj2
¶e chamdo a proje»c~ao de A ao longo de B. Se A e B s~ao n~ao nulos, o a^ngulo µ

entre A e B ¶e de¯nido por:
A:B
µ = arc cos( ) (1.17)
jjAjjjjBjj
1.8 Vetores de coordenadas unit¶

arias
Qualquer vetor (x1 ; x2 ) em R2 pode ser expresso na forma:
(x1 ; x2 ) = x1 (1; 0) + x2 (0; 1)
Os dois vetores (1; 0) e (0; 1) que multiplicam as componentes x1 e x2 s~ao chama-
dos de vetores coordenados unit¶arios.
Introduzimos o conceito correspondente em Rn .
De¯ni» c~
ao 8
Os n vetores e1 = (1; 0; 0; :::; 0), e2 = (0; 1; 0; :::; 0),...,en = (0; 0; 0; :::; 1) s~ao
chamados vetores coordenados unit¶arios, onde a k-¶esima componente de ek = 1 e
todas as outras s~ao iguais µa zero.
Obs.: Note que ek :ej = 0 se k 6 = j, ou seja, estes vetores s~ao mutuamente
ortogonais.
Ilustramos estes vetores em R2 e R3 , nas Figuras 1.5 e 1.6:
A seguir, damos o seguinte teorema:
Teorema 1.3 (Vetores coordenadas unit¶ arias)
n
Todo vetor X = (x1 ; x2 ; :::; xn ) em R pode ser escrito na forma:
X
n
X = x1 e1 + x2 e2 + ::: + xn en = xk ek (1.18)
k=1
Pn
Al¶em do mais, esta representa»c~ao ¶e u ¶nica. Isto ¶e, se X = k=1 xk ek e Y =
Pn
ao xk = yk 8k (k = 1; 2; :::; n).
k=1 yk ek , ent~
Prova
11
A primeira a¯rma»c~ao segue imediatamente da de¯ni»c~ao de adi»c~ao entre vetores
e multiplica»c~ao de vetor por escalar. A unicidade segue da de¯ni»c~ao de igualdade
de vetores.
P
Um somat¶orio do tipo ci Ai ¶e chamada uma combina»c~ao linear de vetores
A1 ; A2 ; :::; An . Assim, este teorema a¯rma que todo vetor pode ser escrito como
combina»c~ao de vetores coordenados unit¶arios. Descrevemos isto, dizendo que os
vetores e1 ; e2 ; :::; en geram o espa»co Rn . Tamb¶em, dizemos que estes vetores geram
Rn unicamente, porque cada representa»c~ao de um vetor como combina»c~ao linear de
e1 ; e2 ; :::; en ¶e u
¶ nica.
Frequentemente, em R2 os vetores e1 e e2 s~ao representados pelas letras i e j,
respectivamente, e em R3 os vetores e1 , e2 e e3 s~ao representados pelas letras i, j
e k, respectivamente.
1.9 Norma vetorial em Rn

Nesta se»c~ao, vamos generalizar o conceito de norma vetorial em Rn .
De¯ni» c~
ao 9
Uma norma vetorial em Rn ¶e uma fun»c~ao f de Rn em R que satisfaz as seguintes
propriedades:
i) f (x) ¸ 0; 8x 2 Rn e f (x) = 0 () x = 0;
ii) f (x + y) · f(x) + f (y); 8x; y 2 Rn ;
iii) f(®x) =j ® j f (x); 8® 2 R; 8x 2 Rn .
A nota»c~ao de barra dupla agora, indicar¶a qualquer fun»ca~o norma, ou seja:
f(x) =k x k, e quando necess¶ario, usaremos um ¶³ndice para especi¯car a mesma.
Uma classe importante de norma ¶e a p-norma de¯nida por:
k x kp = (j x1 jp + j x2 jp + : : : + j xn jp )1=p ; p ¸ 1 (1.19)
onde p caracteriza a norma para um dado p.

Entre elas, s~ao mais importantes as normas:
k x k1 = (j x1 j + j x2 j + : : : + j xn j) (1.20)
k x k2 = (j x1 j2 + j x2 j2 + : : : + j xn j2 )1=2 (1.21)
k x k1 = max1·i·n j xi j (1.22)
A norma 2, tamb¶em chamada norma Euclidiana, ¶e decorrente do produto interno de

vetores, sendo a mais usada. Quando nos referimos a mesma, usaremos a nota»c~ao
12
k : k para efeito de simpli¯ca»c~ao. Um vetor unit¶ario com respeito µa norma k : kp ¶e
um vetor x que satisfaz k x kp = 1.
Propriedades da Norma Vetorial
1 - Um resultado cl¶assico sôbre p-normas ¶e a desigualdade de Holder:
1 1
j xt y j·k x kp k y kq ; + =1 (1.23)
p q
Um caso mais importante disto ¶e a desigualdade de Cauchy-Schwarz na norma
Euclidiana:
j xt y j·k x k2 k y k2 (1.24)
2 - Todas as normas vetoriais em Rn s~ao equivalentes, isto ¶e, se k : k® e k : k¯ s~ao
normas vetoriais em Rn , ent~ao existem constantes positivas c1 e c2 tais que:
c1 k x k® · k x k¯ · c2 k x k® 8x 2 Rn (1.25)
Por exemplo, se x 2 Rn , ent~ao:
p
k x k2 · k x k1 · n k x k2 (1.26)
p
k x k1 · k x k2 · n k x k1 (1.27)
k x k1 · k x k1 · n k x k1 (1.28)
Exemplo
Seja o vetor
2 3
1
6 ¡2 7
6 7
x=6 7 2 R4
4 4 5
¡5
Temos:
k x k1 = 12
p
k x k2 = 46
k x k1 = 5
Observe que:
p p p
46 · 12 · 4 £ 46
p p
5· 46 · 4 £ 5
5 · 12 · 4 £ 5
13
1.10 Produto Interno Euclidiano em Cn
De¯ni»
c~ao 10
Se x; y 2 Cn , de¯nimos o Produto Interno Euclidiano Complexo por:
n
X
(x; y)C := xi y i (1.29)
i=1
Neste caso, as propriedades para o Produto Interno Euclidiano Complexo ¯cam:

Propriedades
Se x; y e z 2 Cn e ® ¶e um n¶umero complexo qualquer, ent~ao:
a) (x; y)C = (y; x)C ;
b) ((x + y); z)C = (x; z)C + (y; z)C ;
c) ®(x; y)C = (®x; y)C = (x; ®y)C ;
d) (x; x)C ¸ 0 e (x; x)C = 0 () x = 0.
A desigualdade de Cauchy-Schwarz, neste caso, ¯ca:
j (x; y)C j2 · (x; x)C (y; y)C (1.30)
Desde que o produto interno de um vetor por si mesmo ¶e n~ao negativo , podemos
introduzir a norma de um vetor em Cn pela f¶ormula:
1=2
k x k= (x; x)C (1.31)
Todas as outras propriedades relacionadas com norma s~ao tamb¶em v¶alidas em Cn e

a ortogonalide de vetores, no caso, ¶e de¯nida pela rela»c~ao (x; y)C = 0. Os conceitos
de espa»co gerado, dependência e independência linear, base s~ao de¯nidos para Cn
exatamente como no caso real.
14
Exerc¶³cios Cap¶³tulo I
1 - Sejam A = (1; 1; 1), B = (0; 1; 1) e C = (1; 1; 0) três vetores em lR3 e seja
D = xA + yB + zC, onde x, y e z s~ao escalares.
a) Determine as componentes de D;
b) Se D = (0; 0; 0), mostre que x = y = z = 0;
c) Encontre x; y; z tais que D = (1; 2; 3).
2 - Dados os vetores A = (2; ¡1; 1), B = (1; 2; ¡1) e C = (1; 1; ¡2) em lR3 .
Encontre o vetor D = xB + yC que ¶e ortogonal aµ A e tem comprimento 1.
3 - Sejam dados dois vetores A e B em lRn . Encontre dois vetores C e D em
lRn satisfazendo as três condi»co~es seguintes: C ¶e paralelo µa A, D ¶e ortogonal µa A e
B = C + D. Encontre C e D em lR3 , sendo dados A = (1; 2; 3) e B = (1; 1=2; 1=3).
4 - Dados os vetores A = (cosµ; ¡senµ) e B = (senµ; cosµ) em lR2 .
a) Mostre que A e B s~ao vetores ortogonais e de comprimento 1. Fa»ca uma
¯gura ilustrando A e B quando µ = ¼=6 ;
b) Encontre todos os vetores (x; y) em lR2 tal que (x; y) = xA + yB. (Considere
todas as possibilidades para µ).
5 - Três vetores A; B e C em lR3 satisfazem as seguintes propriedades: jjAjj =
jjCjj = 5, jjBjj = 1, jjA ¡ B + Cjj = jjA + B + Cjj.
Se o ângulo entre A e B ¶e ¼=8, encontre o ângulo entre B e C.
6 - Se µ ¶e o ângulo entre dois vetores n~ao nulos A e B em lRn , prove que
jjA ¡ Bjj2 = jjAjj2 + jjBjj2 ¡ 2jjAjj jjBjjcosµ :
Quando interpretado geometricamente em lR2 , esta ¶e a lei dos cossenos em

trigonometria.
7 - Prove que para dois vetores A e B em lRn vale a identidade:
jjA + Bjj2 ¡ jjA ¡ Bjj2 = 4A ¢ B
e portanto, A¢B = 0, se somente se, jjA+Bjj = jjA¡Bjj. A interpreta»c~ao geom¶etrica

deste resultado em lR2 ¶e a seguinte: "as diagonais de um paralelogramo s~ao iguais,
se e somente se, o paralelogramo ¶e um retângulo".
15
8 - Suponha que, ao inv¶es de se de¯nir o produto interno de dois vetores A =
P
(a1 ; a2 ; :::; an ) e B = (b1 ; b2 ; :::; bn ) 2 Rn pela f¶ormula: A ¢ B = nk=1 ak bk , usou-se
a seguinte de¯ni»c~ao:
n
X
A¢B = jak bk j
k=1
a) Quais das propriedades s~ao v¶alidas para esta de¯ni»c~ao, 8A; B; C 2 Rn e c

escalar?
i) A ¢ B = B ¢ A;
ii) A ¢ (B + C) = A ¢ B + A ¢ C;
iii) c(A ¢ B) = (cA) ¢ B = A ¢ (cB);
iv) A ¢ A > 0 se A 6= 0;
v) A ¢ A = 0 se A = 0.
9 - Suponha que, ao inv¶es de se de¯nir a norma de um vetor A = (a1 ; a2 ; :::; an ) 2
R pela f¶ormula: (A ¢ A)1=2 , usou-se a seguinte de¯ni»c~ao:
n
n
X
jjAjj = jak j
k=1
a) Prove que esta de¯ni»c~ao satisfaz as seguintes propriedades:

i) jjAjj > 0 se A 6 = 0;
ii) jjAjj = 0 se A = 0 ;
iii) jjcAjj = jcj jjAjj ;
iv) jjA + Bjj · jjAjj + jjBjj .
b) Use esta de¯ni»c~ao em lR2 e descreva a ¯gura formada pelo conjunto de todos
os pontos (x; y) com norma igual a 1.
c) Veri¯que quais das quatro propriedades listadas no item a) s~ao v¶alidas ao se
utilizar a seguinte de¯ni»c~ao de norma:
¯ n ¯
¯X ¯
¯ ¯
jjAjj = ¯ ak ¯
¯ ¯
k=1
16
Cap¶³tulo 2
Matrizes
2.1 Introdu»c~
ao
No cap¶³tulo 3, iremos de¯nir aplica»c~oes lineares de um espa»co vetorial Rn em out-
ro espa»co vetorial Rm . Estas s~ao chamadas transforma»c~oes lineares. As matrizes
aparecem de forma natural na representa»c~ao destas transforma»c~oes lineares. Pode-
mos usar esta conex~ao com as transforma»c~oes lineares para de¯nir matrizes. Por
enquanto, vamos tratar matrizes como classe de objetos matem¶aticos, onde de¯ni-
mos opera»c~oes alg¶ebricas.
De¯ni» c~ao 1
Sejam m e n dois inteiros positivos, e seja Im;n o conjunto de todos os pares de
inteiros (i; j) tais que 1 · i · m ; 1 · j · n. Qualquer fun»c~ao A cujo dom¶³nio ¶e
Im;n ¶e chamada uma matriz m £ n. A fun»c~ao cujo valor ¶e A(i; j) ¶e chamada o valor
de entrada-ij ou elemento-ij ou coe¯ciente-ij da matriz A ( tamb¶em denotado por
aij ). Usualmente, representamos uma matriz retangular A com m linhas e n colunas
por:
2 3
a11 a12 ::: a1n
6 7
6 a21 a22 ::: a2n 7
A=6
6 .. .. ... .. 7
7
4 . . . 5
am1 am2 : : : amn
Os elementos aij podem pertencer a qualquer conjunto. Aqui, tomamos estes ele-
mentos pertencentes ao conjunto dos n¶umeros reais (R) ou ao conjunto dos n¶
umeros
complexos (C).
Muitas vezes, ser¶a conveniente representar as matrizes na forma compacta:
A = (aij )m;n
i;j=1 ou A = (aij ) (2.1)
17
Se m = n, a matriz A ¶e dita quadrada de ordem n.
Matriz coluna ¶e a matriz:
2 3
a1k
6 7
6 a2k 7
6 . 7
6 . 7
4 . 5
amk
para um dado inteiro positivo k. Tamb¶em chamado de vetor coluna.

Matriz linha ¶e a matriz:
h i
ak1 ak2 : : : akn
para um dado inteiro positivo k. Tamb¶em chamado de vetor linha.

Damos, a seguir, alguns tipos de matrizes encontradas em aplica»c~oes da engen-
haria.
De¯ni» c~
ao 2
A matriz transposta de A, denotada por At , ¶e a matriz cujos coe¯cientes aij s~ao
os coe¯cientes aji de A, ou seja, as colunas da matriz A s~ao as linhas da matriz At
e vic-versa. Notamos por:
At (i; j) = A(j; i) (2.2)
Quanto a forma, classi¯camos as seguintes matrizes quadradas A, n £ n:

-diagonal: se aij = 0 para i 6= j;
-triangular superior: se aij = 0 para i > j;
-triangular inferior: se aij = 0 para i < j;
-tridiagonal: se aij = 0 para j i ¡ j j> 1;
-pentadiagonal: se aij = 0 para j i ¡ j j> 2;
-identidade: ¶e uma matriz diagonal onde aii = 1, denotada por I;
-sim¶etrica: ¶e uma matriz quadrada com aij = aji , para i; j = (1; 2; : : : ; n), ou
seja, A = At .
De¯ni» c~
ao 3
Duas matrizes A e B s~ao iguais quando têm o mesmo n¶ umero de linhas e o
mesmo n¶ umero de colunas e seus coe¯cientes s~ao iguais.
A = B () aij = bij 8i; j (2.3)
onde
A = (ai;j ) e B = (bi;j ) (2.4)
18
2.2 Opera»c~
oes com Matrizes
1 - Adi»
c~
ao e Subtra» c~
ao
Sejam as matrizes A; B e C, m £ n. Diz-se que A = B § C quando
cij = aij § bij 8i; j i = 1; 2; : : : ; m; j = 1; 2; : : : ; n (2.5)
2 - Multiplica»c~ao por escalar

Sejam as matrizes A e D, m £ n, e seja o escalar ®.De¯nimos o produto do
escalar ® pela matriz A como:
D = ®A (2.6)
onde, dij = ®aij ; 8i; j i = 1; 2; : : : ; m; j = 1; 2; : : : ; n

2 - Multiplica»c~ ao de matrizes
Sejam as matrizes A e B, l £ m e m £ n, respectivamente. De¯ne-se a matriz
produto C, l £ n, obtida pela multiplica»c~ao das matrizes A e B e nota-se C = AB,
cujos elementos s~ao dados por:
m
X
cij = aik bkj i = 1; 2; : : : ; l; j = 1; 2; : : : ; n (2.7)
k=1
Observe que cij ¶e o produto interno entre a i-¶esima linha da matriz A e a j-¶esima
coluna da matriz B.
Um caso especial de multiplica»c~ao de matriz ocorre quando a segunda matriz ¶e
um vetor coluna x, isto ¶e, o produto matriz vetor Ax. Este produto ¶e interpretado
como combina»c~ao linear das componentes do vetor x. Assim, suponhamos que:
h i
A = a1 a2 : : : an 2 Rm;n com ai 2 Rn
e
2 3
x1
6 7
6 x2 7
x=6
6 .. 7
7
4 . 5
xn
Ent~ao,
Ax = a1 x1 + a2 x2 + : : : + an xn 2 Rm
19
Exemplo
Sejam:
" #
9 8 7
A=
6 5 4
e
3 2
3
6 7
x=4 2 5
1
Calculando o produto Ax, obtemos:
" #
50
Ax =
32
Este mesmo produto pode ainda ser calculado por xt At , onde xt ¶e o transposto do
vetor coluna x e At ¶e a matriz A transposta. Assim:
2 3
" #
h i 9 6 50
6 7
xt At = 3 2 1 4 8 5 5 =
32
7 4
Para multiplica»c~ao matricial, suponhamos que A 2 Rm;n e
h i
B = b1 b2 : : : bp 2 Rn;p com bi 2 Rn :
Ent~ao, a matriz produto AB pode ser tratada como anteriormente, aplicada p vezes:
h i h i
AB = A b1 b2 : : : bp = Ab1 Ab2 : : : Abp 2 Rm;p
Segundo esta formula»c~ao para produto de matrizes, podemos enunciar o seguinte

teorema:
Teorema 2.1(Produto de matrizes)
Sejam
h i
U = u1 u2 : : : un 2 Rm;n com ui 2 Rm
e
h i
V= v1 v2 : : : vn 2 Rp;n com vi 2 Rp :
Ent~ao,
n
X
t
UV = ui vit 2 Rm;p (2.8)
i=1
20
Este teorema nos permite escrever o produto interno Euclidiano para vetores x; y 2
Rn na forma de produto matricial. Ou seja, considerando x e y como vetores coluna
em Rn , na forma matricial escrevemos:
2 3 2 3
x1 y1
6 7 6 7
6 x2 7 6 y2 7
x=6 . 7 ey=6 . 7
6 7 6
7
4 .. 5 4 .. 5
xn yn
e o produto interno Euclidiano de x e y pode ser escrito na forma:

n
X
t
< x; y >:= x y = xi yi (2.9)
i=1
2.3 Propriedades das Opera»c~

oes com Matrizes
Assumindo que A; B e C s~ao matrizes com dimens~oes compat¶³veis, onde o produto
por escalar pode ser de¯nido e que ¸; ¹ 2 R, ent~ao:
1) (¸¹)A = ¸(¹A);
2) (¸ + ¹)A = ¸A + ¹A;
3) ¸(A + B) = ¸A + ¸B;
4) A(BC) = (AB)C;
5) A(B + C) = AB + AC;
6) (A + B)C = AC + BC;
7) ¸(AB) = (¸A)B = A(¸B);
e, em geral,
8) AB 6= BA.
2.4 Matriz Transposta - Propriedades

No in¶³cio deste cap¶³tulo, de¯nimos a matriz transposta de A e a denotamos por
At . Para matrizes A, n £ n, de¯nimos a matriz sim¶etrica , onde os coe¯cientes
aij = aji 8i; j = (1; 2; : : : ; n). Ou seja, para matrizes sim¶etricas têm-se A = At .
Propriedades
Assumindo que A e B s~ao matrizes com dimens~oes compat¶³veis e ¸ ¶e um escalar
em R, s~ao v¶alidos os seguintes resultados:
1) (At )t = A;
2) (A + B)t = At + B t ;
3) (¸A)t = ¸At ;
21
4) (AB)t = B t At .
Obs.: Para a propriedade 4), basta que a matriz A seja m £ p e que a matriz
B seja p £ n, sendo poss¶³vel de¯nir o produto C = AB, onde C ser¶a uma matriz
m £ n. Note que, o produto B t At dar¶a uma matriz C,m £ n.
2.5 Matriz Inversa

De¯nimos no in¶³cio deste cap¶³tulo a matriz identidade I, onde os coe¯cientes di-
agonais s~ao iguais a 1 e os coe¯cientes extradiagonais s~ao nulos. Geralmente, a
denotamos por I quando n~ao houver necessidade de especi¯car a dimens~ao da mes-
ma, mas caso necess¶ario, a denotamos por In .
De¯ni» c~
ao 4
Dada uma matriz A, n £ n, se pudermos encontrar uma matriz B de mesma
dimens~ao tal que AB = BA = I, ent~ao dizemos que a matriz A ¶e invert¶³vel e que a
matriz B ¶e a inversa da matriz A. Sen~ao puder ser encontrada uma tal matriz B,
ent~ao dizemos que a matriz A ¶e n~ao invert¶³vel ou singular.
Nota»c~ao: Notamos por A¡1 a inversa da matriz A.
Exemplos
1 - A matriz
" #
3 5
B=
1 2
¶e a inversa da matriz
" #
2 ¡5
A=
¡1 3
pois, AB = BA = I.
2 - A matriz
2 3
1 4 0
6 7
A=4 2 5 0 5
3 6 0
¶e singular.
De fato, seja
2 3
b11 b12 b13
6 7
B = 4 b21 b22 b23 5
b31 b32 b33
22
uma matriz qualquer.
3 2
0
6 7
O produto da terceira coluna da matriz B pela matriz A nos d¶a o vetor coluna 4 0 5 ;
0
2 3
0
6 7
que deveria ser igual aµ 4 0 5 caso a matriz A fosse invert¶³vel.
1
Propriedades
1 - Se B e C s~ao matrizes, n £ n, ambas inversas da matriz A, n £ n, ent~ao
B = C.
2 - Se A e B s~ao matrizes, n £ n, invert¶³veis, ent~ao a matriz produto AB ¶e
invert¶³vel e:
(AB)¡1 = B ¡1 A¡1 :
3 - Se A ¶e uma matriz, n £ n,invert¶³vel, ent~ao:

a) A¡1 ¶e invert¶³vel e (A¡1 )¡1 = A;
b) An ¶e invert¶³vel e (An )¡1 = (A¡1 )n , (n = 1; 2; : : : ) , onde de¯nimos a potência
da matriz A por:
A0 = I e An = AA : : : A, (n fatores);
c) Para qualquer escalar k n~ao nulo, a matriz kA ¶e invert¶³vel e:
1 ¡1
(kA)¡1 = A ;
k
d) A matriz At ¶e tamb¶em uma matriz invert¶³vel e (At )¡1 = (A¡1 )t .
De fato:
At (A¡1 )t = (A¡1 A)t = I t = I
(A¡1 )t At = (AA¡1 )t = I t = I
2.6 C¶
alculo da Matriz Inversa por opera»c~
oes Ele-
mentares
De¯ni» c~
ao 5
Uma matriz elementar E ¶e uma matriz n £ n que pode ser obtida da matriz
identidade I, n £ n, executando uma u
¶ nica opera»c~ao elementar sôbre as linhas da
mesma.
23
S~ao opera»c~oes elementares em matrizes:
1 - Multiplicar uma linha da matriz por uma constante;
2 - Trocar duas linhas da matriz entre si;
3 - Somar um m¶ ultiplo de uma linha da matriz a uma outra linha da mesma.
Exemplo
As seguintes matrizes s~ao elementares:
2 3 2 3
" # 1 0 0 5 0 0
0 1 6 7 6 7
E1 = ; E2 = 4 0 1 0 5 ; E3 = 4 0 1 0 5
1 0
0 2 1 0 0 1
Proposi»c~ ao 2.1
Se a matriz elementar E, m £ m, resulta em efetuar uma certa opera»c~ao sobre
as linhas de I, m £ m, e se A ¶e uma matriz, m £ n, ent~ao o produto EA ¶e a matriz
que resulta quando esta mesma opera»ca~o sobre linhas ¶e efetuada na matriz A.
Exemplo
Seja a matriz:
2 3
1 0 2 3
6 7
A = 4 2 ¡1 3 6 5
1 4 4 0
e seja a seguinte matriz elementar:

2 3
1 0 0
6 7
E=4 0 1 0 5
3 0 1
Temos que,
2 3
1 0 2 3
6 7
EA = 4 2 ¡1 3 6 5
4 4 10 9
onde a terceira linha da matriz produto EA ¶e igual a três vezes a primeira linha de
A mais a terceira linha de A.
Proposi»c~ ao 2.2
Qualquer matriz elementar E, n £ n, ¶e invert¶³vel e a sua inversa E ¡1 , ¶e tamb¶em
uma matriz elementar. Da¶³, se a matriz A, n £ n, ¶e invert¶³vel, ent~ao sua inversa
A¡1 , pode ser escrita como um produto de matrizes elementares.
Vamos utilizar este u ¶ ltimo resultado no c¶alculo da inversa de uma matriz A,
n £ n, invert¶³vel.
24
C¶
alculo da inversa de matriz
ao 2.2, caso exista A¡1 , escrevemos:
Assim, de acordo com a proposi»c~
A¡1 = Ek Ek¡1 : : : E2 E1 (2.10)
Escrevendo:
A¡1 A = I
obtemos:
¡1
Ek Ek¡1 : : : E2 E1 A = I =) A = E1¡1 E2¡1 : : : Ek¡1 Ek¡1 I =) A = E1¡1 E2¡1 : : : Ek¡1
¡1
Ek¡1
Desta forma, para se obter a inversa da matriz A, n £ n, basta multiplic¶a-la por

matrizes elementares convenientes reduzindo-a a uma matriz identidade.
Exemplo
Seja calcular a inversa da matriz:
2 3
1 2 3
6 7
A=4 2 5 3 5
1 0 8
Inicialmente, colocamos esta matriz acoplada com a matriz identide I:

2 3
1 2 3 1 0 0
6 7
4 2 5 3 0 1 0 5
1 0 8 0 0 1
Multiplicamos esta matriz aumentada, sucessivamente, pelas matrizes elementares:

2 3 2 3
1 0 0 1 0 0
6 7 6 7
E1 = 4 ¡2 1 0 5 ; E2 = 4 0 1 0 5
0 0 1 ¡1 0 1
obtendo:
2 3
1 2 3 1 0 0
6 7
4 0 1 ¡3 ¡2 1 0 5
0 ¡2 5 ¡1 0 1
Multiplicamos esta matriz aumentada, sucessivamente, pelas matrizes elementares:

2 3 2 3
1 ¡2 0 1 0 0
6 7 6 7
E3 = 4 0 1 0 5 ; E4 = 4 0 1 0 5
0 0 1 0 2 1
25
obtendo:
2 3
1 0 9 5 ¡2 0
6 7
4 0 1 ¡3 ¡2 1 0 5
0 0 ¡1 ¡5 2 1
Finalmente, multiplicamos esta matriz aumentada, sucessivamente, pelas matrizes

elementares:
2 3 2 3 2 3
1 0 0 1 0 ¡9 1 0 0
6 7 6 7 6 7
E5 = 4 0 1 0 5 ; E6 = 4 0 1 0 5 ; E7 = 4 0 1 3 5
0 0 ¡1 0 0 1 0 0 1
obtendo:
2 3
1 0 0 ¡40 16 9
6 7
4 0 1 0 13 ¡5 ¡3 5
0 0 1 5 ¡2 ¡1
Portanto, a matriz inversa ¶e:

2 3
¡40 16 9
6 7
A¡1 = 4 13 ¡5 ¡3 5
5 ¡2 ¡1
2.7 Particionamento de Matriz em blocos

Vamos considerar a seguinte matriz gen¶erica A, 3 £ 4,
2 3
a11 a12 a13 a14
6 7
A = 4 a21 a22 a23 a24 5
a31 a32 a33 a34
com aij 2 R; i = 1; 2; 3 e j = 1; 2; 3; 4.
De¯nindo-se
" # " #
a11 a12 a13 a14 h i h i
A11 = ; A12 = ; A21 = a31 a32 ; A22 = a33 a34
a21 a22 a23 a24
Obtemos a matriz A na forma de matriz bloco:

" #
A11 A12
A=
A21 A22
26
Regras
- O ¶³ndices das matrizes bloco indicam as suas posi»c~oes na matriz original.
- O particionamento pode ser empregado para contemplar matrizes de quaisquer
dimens~oes.
- Para uma mesma matriz existem v¶arias maneiras de particionamento. A re-
gra utilizada para particionamento ¶e fazer com que as submatrizes que possuem o
primeiro sub¶³ndice igual contenham a mesma quantidade de linhas e as que posuem
o segundo sub¶³ndice igual contenham a mesma quantidade de colunas.
2.8 Opera»c~
oes com matrizes particionadas
Assumindo que,
2 3 2 3
A11 : : : A1l B11 : : : B1l
6 .. 7 e B = 6 .. .. 7
A = 4 ... ...
. 5 4 . ...
. 5
Ak1 : : : Akl Bk1 : : : Bkl
sendo as submatrizes Aij de dimens~oes ¹i £¸j e Bij de dimens~oes ºi £¯j . De¯nimos:

Multiplica»c~
ao por Escalar
2 3 2 3
A11 : : : A1l ®A11 : : : ®A1l
6 . ... .. 7 6 . ... .. 7
®A = 4 .. . 5 = 4 .. . 5
Ak1 : : : Akl ®Ak1 : : : ®Akl
onde ® 2 R.
Adi»c~
ao de Matrizes
Assumindo k = m; ; l = n; ; ¹i = ºi , e ¸j = ¯j , temos que:
2 3
C11 : : : C1l
6 . . . .. 7
C = A + B = 4 ... . 5
Ck1 : : : Ckl
onde Cij = Aij + Bij .

Transposi»c~ao de Matriz
A transposta da matriz A ¶e dada por:
2 t 3
A11 : : : At1l
6 .. 7
At = 4 ... ...
. 5
Atk1 : : : Atkl
27
Multiplica»c~ao de Matrizes
Assumindo que as dimens~oes das matrizes A e B s~ao compat¶³veis para realizar o
produto AB, ou seja, A, r £ p, e B, p £ s, e que l = m e ¸i = ºi (ou seja, o produto
das subamtrizes possa ser obtido, temos:
2 3
C11 : : : C1l
6 .. 7
C = AB = 4 ... ...
. 5
Ck1 : : : Ckl
P
onde Cij = ls=1 Ais Bsj .
O particionamento de matrizes em bloco ¶e utilizado em alguns m¶etodos envolven-
do opera»c~oes com matrizes em bloco como Decomposi»c~ao em Valor Singular(SVD),
que veremos no ¯nal deste curso.
2.9 Norma de Matrizes

A an¶alise de algoritmos matriciais, frequentemente, requer o uso de normas matrici-
ais. Por exemplo, a norma ¶e utilizada em: estudo de sistemas lineares com matrizes
"quase singulares", na veri¯ca»c~ao de matrizes "matrizes mal condicionadas", e assim
por diante. Da¶³, a necessidade de se medir distâncias no espa»co das matrizes, sendo
que a norma matricial provê esta medida,ver Albrecht e Golub[1, 6]
De¯ni» c~
ao 6
Uma norma matricial para matrizes A 2 Rm£n ¶e uma fun»c~ao f de Rm£n em R
que satisfaz as seguintes propriedades:
i) f (A) ¸ 0; 8A 2 Rm£n e f (A) = 0 () A = 0;
ii) f (A + B) · f (A) + f (B); 8A; B 2 Rm£n ;
iii) f(®A) =j ® j f(A); 8® 2 R; 8A 2 Rm£n .
A nota»c~ao de barra dupla agora, indicar¶a qualquer fun»ca~o norma matricial, ou
seja: f (A) =k A k, e quando necess¶ario, usaremos um ¶³ndice para especi¯car a
mesma.
Para tratarmos as matrizes A 2 Rm£n como operadores lineares de Rm em
Rn (falaremos em operadores lineares no cap¶³tulo sôbre transforma»co~es lineares), aµ
de¯ni»c~ao de norma matricial acrescentamos as seguintes condi»c~oes relacionadas com
a norma vetorial:
iv) k Ax k·k A k k x k 8A 2 Rm£n ; 8x 2 Rn ;
v) 8A 2 Rm£n ; 9y 2 Rn tal que k Ay k=k A k k y k.
De¯ni» c~
ao 7
Uma norma matricial ¶e dita consistente com uma norma vetorial quando,
28
8A 2 Rm£n ; 8x 2 Rn
k Ax k·k A k k x k (2.11)
De¯ni»c~
ao 8
Uma norma matricial ¶e dita subordinada a uma norma vetorial quando,
8A 2 Rm£n ; 9y 2 Rn ; y 6
=0
k Ay k=k A k k y k (2.12)
¶
As normas mais frequentes em Algebra Linear Num¶erica s~ao:
i) A norma de Frobenius
v
uX
u m X
n
k A kF = t j aij j2 =j tr(AAt )1=2 j (2.13)
i=1 j=1
e ii) as p-normas:
k Ax kp
k A kp = sup (2.14)
x6
=0 k x kp
Obs.: k A kp ¶e a p-norma do maior vetor obtido aplicando A µa um vetor de p-norma

unit¶aria:
x
k A kp = sup k A( ) kp = max k Ax kp (2.15)
x6
=0 k x kp kxkp =1
Propriedades
As normas de Frobenius e p-normas (especialmente p = 1; 2; 1)satisfazem certas
desigualdades que s~ao frequentemente usadas na an¶alise de c¶alculos matriciais. Para
A 2 Rm£n ,temos:
1)
p
k A k2 ·k A kF · n k A k2 (2.16)
onde
p
k A k2 = max j ¹i j; sendo ¹i os autovalores de At A
1·i·n
pPn
Esta norma ¶e subordinada µa norma vetorial Euclidiana k x k2 = i=1 x2i . Ela ¶e
tamb¶em conhecida como norma Espectral.
29
2)
p
max j aij j·k A k2 · mn max j aij j (2.17)
i;j i;j
De¯nimos, a norma do m¶aximo por coluna:

m
X
k A k1 = max j aij j (2.18)
1·j·n
i=1
subordinada aµ norma vetorial:

n
X
k x k1 = j xi j (2.19)
i=1
e, a norma do m¶aximo por linha:

X
n
k A k1 = max j aij j (2.20)
1·i·m
j=1
subordinada aµ norma vetorial:
k x k1= max j xi j (2.21)

1·i·m
3)
1 p
p k A k1 ·k A k2 · m k A k1 (2.22)
n
4)
1 p
p k A k1 ·k A k1· n k A k1 (2.23)
m
Obs.: A norma matricial de Frobenius ¶e consistente, mas n~ao subordinada µa norma
vetorial Euclidiana.
2.10 Erros nas opera»c~

oes com Matrizes
Inicialmente, consideramos a propaga»c~ao do ±x na solu»c~ao x do sistema linear Ax = b
devido ao erro ±b de b para b 6
= 0. Em seguida, vamos analisar como perturba»c~oes
em uma matriz A, n £ n, re°etem no c¶alculo da inversa A¡1 .
Admitindo que as normas usadas sejam consistentes, temos:
A(x + ±x) = b + ±b =) A(±x) = ±b (2.24)
30
Portanto,
k ±x k·k A¡1 k k ±b k; se det (A) 6

=0 (2.25)
De
k b k=k Ax k·k A k k x k; segue-se que k x k¸k b k k A k¡1 (2.26)
Da¶³, de (2:25) e (2:26) tiramos:
k ±x k k A¡1 k k ±b k
· (2.27)
kxk k b kk A k¡1
Acabamos de demonstrar o seguinte teorema:

Teorema 2.2
Seja o sistema linear Ax = b com det (a) 6
= 0; b 6
= 0. Se o vetor b tem o erro ±b,
ent~ao vale para o erro correspondente ±x:
k ±x k k ±b k
· K(A) ; com K(A) =k A k k A¡1 k (2.28)
kxk kbk
De¯ni»
c~
ao 9
O n¶
umero
K(A) =k A k k A¡1 k (2.29)
umero de condi»c~ao da matriz A. Em particular,

¶e chamado de n¶
KS (A) =k A k2 k A¡1 k2 (2.30)
¶e o n¶umero de condi»c~ao espectral.

Se K(A) >> 1, ent~ao o sistema linear Ax = b ¶e dito mal condicionado, isto ¶e,
pequenos erros de arredondamento na matriz A ou no vetor b, causam erros maiores
na solu»c~ao x deste sistema linear.
Exemplo
Vamos dar o seguinte exemplo apresentado em Albrecht [1]:
2 3 2 3 2 3
10 7 8 7 x1 32
6 7 5 6 5 7 6 x2 7 6 23 7
6 7 6 7 6 7
6 7 6 7 = 6 7
4 8 6 10 9 5 4 x3 5 4 33 5
7 5 9 10 x4 31
31
Consideremos as duas aproxima»c~oes abaixo para solu»c~ao deste sistema linear:
1) x1 = 9:2; x2 = ¡12:6; x3 = 4:5; x4 = ¡1:1;
2) x1 = 1:82; x2 = ¡0:36; x3 = 1:35; x4 = 0:79.
Substituindo estas aproxima»c~oes no lado direito do sistema linear, obtemos:
1) b1 = 32:1; b2 = 22:9; b3 = 33:1; b4 = 30:9;
2) b1 = 32:01; b2 = 22:99; b3 = 33:01; b4 = 30:99.
Acreditamos que estas duas aproxima»c~oes s~ao boas para a solu»c~ao deste sistema
linear, contudo est~ao longe da realidade, uma vez que a solu»c~ao correta do problema
¶e:
x1 = x2 = x3 = x4 = 1:0.
Calculando o n¶ umero de condi»c~ao da matriz A, obtemos:
K(A) =k A k2 k A¡1 k2 = 30:29 £ 98:52 = 2984:17
Donde concluimos que o sistema linear ¶e mal condicionado. Assim, pequenas
varia»co~es no termo independente acarreta grandes varia»c~oes na solu»c~ao do sistema
linear.
Seja, agora, E a matriz erro, n £ n, devido µa pequenas perturba»c~oes nos coe¯-
cientes da matriz A, n £ n. Seja calcular a matriz inversa A¡1 a partir da matriz
A + E. Damos o seguinte lema:
Lema 2.1
Se F 2 Rn£n e k F kp · 1, ent~ao I ¡ F ¶e n~ao singular e:
1
X
¡1
(I ¡ F ) = Fk (2.31)
k=0
com
1
k (I ¡ F )¡1 kp · (2.32)
1¡ k F kp
Prova
Suponhamos que (I ¡ F ) seja singular. Segue-se que (I ¡ F )x = 0 para algum
vetor x n~ao nulo. Ent~ao, k x kp = k F x kp =)k F kp ¸ 1, que ¶e uma contradi»c~ao.
Assim, (I ¡ F ) ¶e n~ao singular.
Consideremos, agora, a identidade:
N
X
F k (I ¡ F ) = I ¡ F N+1 (2.33)
k=0
Desde que k F kp · 1 segue-se que, limk!1 = 0, porque k F k kp ·k F kkp .

Assim,
N
X
lim F k (I ¡ F ) = I (2.34)
N!1
k=0
32
e segue-se que:
1
X
(I ¡ F )¡1 = lim Fk (2.35)
N !1
k=0
Portanto, facilmente mostra-se que:
1
X
¡1 1
k (I ¡ F ) kp · k F kkp = (2.36)
k=0
1¡ k F kp
Observe que
k F kp
k (I ¡ F )¡1 ¡ I kp · (2.37)
1¡ k F kp
¶e uma consequência do lema 2.1. Assim, se " << 1; #(") perturba»c~oes em I induz
#(") perturba»c~oes na inversa. Passamos ao caso geral para qualquer matriz A; n£n.
Teorema 2.3
Se A ¶e uma matriz,n £ n, n~ao singualr e r = k A¡1 E kp < 1, ent~ao A + E ¶e n~ao
singular e
k E kp k A¡1 k2p
k (A + E)¡1 ¡ A¡1 kp · (2.38)
1¡r
Prova
Desde que a matriz A ¶e n~ao singular A + E = A(I ¡ F ) onde F = ¡A¡1 E e
sendo k F kp = r < 1,segue-se do lema 2.1 que I ¡ F ¶e n~ao singular e
1
k (I ¡ F )¡1 kp · : (2.39)
1¡r
Agora, (A + E)¡1 = (I ¡ F )¡1 A¡1 e ent~ao:
k A¡1 kp
k (A + E)¡1 kp · : (2.40)
1¡r
Da rela»c~ao:
(A + E)¡1 ¡ A¡1 = ¡A¡1 E(A + E)¡1 (2.41)
e tomando a norma p, obtemos:
¡1 ¡1 ¡1 ¡1
k E kp k A¡1 k2p
k (A + E) ¡A kp · k A kp k E kp k (A + E) kp · : (2.42)
1¡r
33
Exerc¶³cios Cap¶³tulo II
1 - Dada a matriz:
2 3
6 1 4
6 7
A = 4 ¡3 8 ¡5 5
2 ¡6 7
calcular e classi¯car a matriz A ¡ AT = P .

2 - Dada a matriz:
2 3
cosµ ¡senµ 0
6 7
M = 4 senµ cosµ 0 5
0 0 1
calcular MM T e classi¯car a matriz M .

3 - Seja a matriz A, invert¶³vel decomposta em matrizes blocos da forma:
" #
P Q
A=
R S
onde P e S s~ao matrizes invert¶³veis de ordem p e s, respectivamente; Q e R s~ao

matrizes p £ s e s £ p, respectivamente.
Escrevemos:
" #
K L
A¡1 =
M N
onde K e N s~ao matrizes invert¶³veis de ordem p e s, respectivamente; L e M s~ao

matrizes p £ s e s £ p, respectivamente.
Desde que, AA¡1 = I, onde I matriz identidade de ordem n, podemos escrever:
P K + QM = Ipp (1)
P L + QN = 0ps (2)
RK + SM = 0sp (3)
RL + SN = Iss (4)
onde Ipp e 0ps , s~ao as matrizes identidade de ordem p e nula (p £ s), respectiva-
mente. Idem para Iss e 0sp .
Mostre que:
a) K = (P ¡ QS ¡1 R)¡1 e M = ¡S ¡1 RK;
b) N = (S ¡ RP ¡1 Q)¡1 e L = ¡P ¡1 QN.
34
4 - Seja A uma matriz, n £ n.
a) Mostre que (I ¡ A)¡1 = I + A + A2 + A3 , onde I ¶e a matriz identidade, n £ n,
e sendo A4 = 0 (matriz nula);
b) Sejam as matrizes C,D,n £ n, e I ¶e a matriz identidade, n £ n. Supondo que
as matrizes inversas envolvidas existem, mostre que:
(C + DDt )¡1 D = C ¡1 D(I + Dt C ¡1 D)¡1 .
35
Cap¶³tulo 3
Resolu»
c~ao de Sistemas Lineares
3.1 Introdu»c~
ao
Existem diversos problemas de engenharia que envolvem ¶algebra linear. O prob-
lema central da ¶algebra linear consiste na resolu»c~ao de sistemas de equa»c~oes lineares
e m¶etodos de resolu»c~ao dos mesmos, quando estas solu»c~oes existem. Por exemplo,
seja calcular as tens~oes do circuito el¶etrico da ¯gura 3.1:
Figura 3.1: Circuito El¶etrico
Solu»c~
ao
Pela lei de Kircho®, a soma das correntes que chegam a cada n¶o do circuito ¶e
nula. Pela lei de Ohm, a corrente el¶etrica que °ui do n¶o j para o n¶o k de um circuito
¶e:
(Vj ¡ Vk )
Ijk = (3.1)
Rjk
sendo Vj e Vk as tens~oes nos n¶os j e k, respectivamente, e Rkj a resistência na linha

jk. A corrente Ijk ¶e expressa em amp¶eres e a resistência Rjk em ohms. As duas
36
leis combinadas permitem o c¶alculo da tens~ao em cada n¶o do circu¶³to. Por exemplo,
no n¶o 1, pela lei de Kircho®, IA1 + I21 + I31 + I41 = 0. Utilizando a lei de Ohm,
obtemos:
0 ¡ V1 V2 ¡ V1 V3 ¡ V1 V4 ¡ V1
+ + + =0
1 1 2 2
ou seja,
¡6V1 + 2V2 + V3 + V4 = 0
Fazendo o mesmo para os n¶os 2,3 e 4, obtemos um sistema de 4 equa»c~oes lineares,
a saber:
¡6V1 + 2V2 + V3 + V4 = 0
3V1 ¡ 4V2 + V3 = 0
3V1 + 2V2 ¡ 13V3 + 6V4 = ¡254
1V1 + 2V3 ¡ 3V4 = 0
As coordenadas do vetor solu»c~ao V = (25:80; 31:75; 49:61; 41:67) fornece a tens~ao
em cada n¶o do circuito el¶etrico.
Iniciamos o estudo com o problemas b¶asico de encontrar a solu»c~ao de um sistema
linear de n equa»c~oes com n inc¶ognitas. Um sistema linear com n equa»c~oes e n
inc¶ognitas ¶e escrito usualmente na forma:
a11 x1 + a12 x2 + : : : + a1n xn = b1
a21 x1 + a22 x2 + : : : + a2n xn = b2
.... . . ..
.. . .
an1 x1 + an2 x2 + : : : + ann xn = bn
onde
aij : coe¯cientes 1 · i; j · n
xj : inc¶ognitas j = 1; 2; : : : ; n
.
bj : constantes j = 1; 2; . . ; n
A resolu»c~ao de um sistema linear consiste em calcular os valores de xj ; j =
1; 2; :::; n, caso eles existam, que satisfa»cam as n equa»c~oes simultâneas.
Usando nota»c~ao matricial, escrevemos este sistema linear como:
Ax = b; (3.2)
onde:
37
2 3
a11 a12 : : : a1n
6 7
6 a21 a22 : : : a2n 7
A=6
6 .. .. . . .. 7
7
4 . . . . 5
an1 an2 : : : ann
¶e a matriz, n £ n, dos coe¯cientes,
2 3
x1
6 7
6 x2 7
x=6
6 .. 7
7
4 . 5
xn
¶e o vetor das inc¶ognitas e
2 3
b1
6 7
6 b2 7
b=6
6 .. 7
7
4 . 5
bn
¶e o vetor constante.
Chamaremos de x¤ o vetor solu»c~ao do sistema linear Ax = b.
No caso geral em que o sistema linear envolve n equa»c~oes com n inc¶ognitas,
apenas uma entre as situa»c~oes abaixo ir¶a ocorrer:
i) o sistema linear tem u ¶nica solu»c~ao;
ii) o sistema linear admite in¯nitas solu»c~oes(indeterminado);
iii) o sistema linear n~ao admite solu»c~ao( imposs¶³vel ou inconsistente).
Estaremos interessados em sistemas lineares n £ n com uma u ¶nica solu»c~ao. A
solu»ca~o destes sistemas lineares ¶e dada por: x¤ = A¡1 b. No entanto, calcular a
matriz A¡1 e em seguida efetuar o produto A¡1 b ¶e desaconselh¶avel, uma vez que o
n¶
umero de opera»c~oes envolvidas ¶e muito grande. Usaremos aqui o M¶etodo de Elimina»ca~o de Gaus
para encontrar a solu»c~ao destes sistemas lineares.
3.2 M¶
etodo da Elimina»c~
ao de Gauss
O M¶etodo de Elimina»c~ao de Gauss consiste em transformar o sistema linear original
num sistema linear equivalente com matriz dos coe¯cientes triangular superior, pois
38
a resolu»c~ao torna-se imediata. Dizemos que dois sistemas lineares s~ao equivalentes
quando possuem a mesma solu»ca~o. Descreveremos, a seguir, o M¶etodo de Elimi-
na»c~ao de Gauss, aplicando uma sequência de opera»c~oes elementares na matriz A no
processo de triangulariza»c~ao da mesma. Vamos supor que det(A) 6 = 0 (A invert¶³vel).
Triangulariza»c~ ao da matriz A
O processo de triangulariza»c~ao consiste em eliminar a inc¶ognita xk na k-¶esima
(k)
etapa nas equa»c~oes k + 1; k + 2; k + 3; ::::; n. Usaremos a nota»c~ao aij para denotar
(k)
o coe¯ciente da linha i e coluna j no ¯nal da k-¶esima etapa, e bi para denotar a i-
¶esima componente do vetor constante no ¯nal da mesma etapa. Sendo det(A) 6 = 0 ¶e
a
sempre poss¶³vel encontrar um elemento a11 6 = 0 na 1 coluna. Caso a11 = 0 fazemos
a troca de linhas. Escrevemos, inicialmente a matriz aumentada:
2 (0) (0) (0) (0)

3
a11 a12 : : : a1n j b1
6 (0) (0) (0) (0) 7
6 a21 a22 : : : a2n j b2 7
(0)
A jb (0)
=6
6 .. .. ... .. . 7
7
4 . . . j .. 5
(0) (0) (0) (0)
an1 an2 : : : ann j bn
(0) (0)
onde aij = aij , bi = bi .
1a etapa:
Para eliminar a inc¶ognita x1 das equa»c~oes i = 2; 3; :::; n fazemos a seguinte
opera»c~ao: da equa»c~ao i subtra¶³mos a 1a equa»c~ao multiplicada por mi1 , onde
(0)
ai1
mi1 = (0) , i = 2; 3; ::::; n.
a11
(0)
Os elementos mi1 ; i = 2; 3; ::::; n s~ao os multiplicadores e o elemento a11 ¶e chama-
do de piv^
o desta etapa. No ¯nal desta etapa, obtemos a seguinte matriz aumentada:
2 3
a(0)
11 a(0)
12 : : : a(0)
1n j b(0)
1
6 (1) (1) (1) 7
6 0 a22 : : : a2n j b2 7
(1)
A jb (1)
=6
6 .. .. ... .. . 7
7
4 . . . j .. 5
(1) (1) (1)
0 an2 : : : ann j bn
(1) (0) (0)
onde aij = aij ¡ mi1 a1j , i = 2; 3:::::n e j = 1; 2; :::; n
(1) (0) (0)
bi = bi ¡ mi1 b1 , i = 2; 3:::::n
2a etapa:
Como det(A) 6 = 0, devemos encontrar pelo menos um elemento ai2 6 = 0 na 2a
(1)
coluna para i = 2; 3:::::n. Desta forma, tomamos o piv^ o a22 6 = 0 e temos os seguintes
multiplicadores:
(1)
ai2
mi2 = (1) , i = 3; 4; ::::; n.
a22
39
Eliminamos a inc¶ognita x2 nas equa»c~oes i = 3; :::; n fazendo a seguinte opera»c~ao:
da equa»c~ao i subtra¶³mos a 2a equa»c~ao multiplicada por mi2 .
No ¯nal desta etapa obtemos a seguinte matriz aumentada:
2 (0) (0) (0) (0) 3

a11 a12 : : : : : : a1n j b1
6 (1) (1) (1) 7
6 0 a22 : : : : : : a2n j b2 7
6 (2) (2) (2) 7
A(1) jb(1) =6
6 0 0 a33 : : : a2n j b2 7
7
6 .. .. .. ... .. . 7
4 . . . . j .. 5
(2) (2) (2)
0 0 an3 : : : ann j bn
(2) (1) (2)
onde aij = aij ¡ mi2 a2j , i = 3; 4:::::n e j = 2; :::; n
(2) (1) (1)
bi = bi ¡ mi2 b2 , i = 3; 4; ::::n
(n ¡ 1)-¶
esima etapa:
No ¯nal desta u
¶ ltima etapa, obtemos uma matriz triangular superior aumentada:
2 (0) (0) (0) (0) 3

a11 a12 : : : ::: a1n j b1
6 7
6 0 a(1)
22 ::: ::: a(1)
2n j b(1)
2 7
6 (2) (2) (2) 7
A(n¡1) jb(n¡1) =6
6 0 0 a33 ::: a2n j b2 7
7
6 .. .. .. ... .. .. 7
4 . . . . j . 5
(n¡1) (n¡1)
0 0 0 ::: ann j bn
equivalente ao sistema linear inicial, onde A(n¡1) ¶e uma matriz triangular supe-
rior.
Resolu»c~ao do sistema triangular
O sistema triangular ¶e resolvido por resolu»c~ao regressiva como segue:
Da u
¶ltima equa»c~ao, obtemos:
(n¡1)
bn
xn = (n¡1)
ann
e da pen¶
ultima equa»c~ao, obtemos:
(n¡2) (n¡2)
(bn ¡ an¡1;n xn )
xn¡1 = (n¡2)
an¡1;n¡1
e assim sucessivamente obtemos xn¡2 ; :::::; x2 e ¯nalmente da 1a equa»c~ao, obtemos:

(0) (0) (0) (0)
(b1 ¡ a12 x2 ¡ a13 x3 ¡ :::: ¡ a1n xn )
x1 = (0)
a11
40
Exemplo
Seja resolver o sistema linear abaixo pelo m¶etodo de elimina»c~ao de Gauss.
2x1 + x2 + x3 = 7
4x1 + 4x2 + 3x3 = 21
6x1 + 7x2 + 4x3 = 32
Triangulariza»c~ ao da matriz A
a
1 etapa: Elimina»c~ao da inc¶ognita x1 .
Inicialmente, temos a seguinte matriz aumentada:
2 3
2 1 1 j 7
6 7
A(0) jb(0) = 4 4 4 3 j 21 5
6 7 4 j 32
Calculamos m21 = 4=2 e m31 = 6=2 e substitu¶³mos a linha2 pela linha2 menos
m21 vezes linha1 e tamb¶em, a linha3 pela linha3 menos m31 vezes linha1. Obtendo,
assim, a seguinte matriz aumentada:
2 3
2 1 1 j 7
6 7
A(1) jb(1) =4 0 2 1 j 7 5
0 4 1 j 11
2a etapa: Elimina»c~ao da inc¶ognita x2 .

Calculamos m32 = 4=2 e substitu¶³mos a linha3 pela linha3 menos m32 vezes
linha2, obtendo a seguinte matriz aumentada:
2 3
2 1 1 j 7
6 7
A(1) jb(1) =4 0 2 1 j 7 5
0 0 ¡1 j ¡3

Agora, temos de resolver o seguinte sistema linear triangular:
2x1 +x2 +x3 = 7

2x2 +x3 = 7
¡x3 = ¡3
Obtemos, por resolu»c~ao regressiva:
x3 = (¡3)=(¡1) = 3
x2 = 7=2 ¡ 3=2 = 2
x1 = 7=2 ¡ 2=2 ¡ 3=2 = 1
41
3.3 Pivoteamento Parcial
No processo de escalonamento da matriz A pelo m¶etodo de elimina»c~ao de Gauss
devemos calcular os multiplicadores:
(k¡1) (k¡1)
mik = aik =akk ; i = k + 1; 3; ::::; n (3.3)
em cada k-¶esimo passo do processo.

Com o objetivo de eliminar poss¶³veis piv^
os nulos e diminuir os erros de arredonda-
mento durante o processo, utilizamos a estrat¶egia de pivoteamento parcial (ou total),
que consiste no seguinte:
"No in¶³cio do k-¶esimo passo, escolhemos para piv^ o o elemento de maior m¶odulo
(k¡1)
dentre os coe¯cientes aik ; i = k; k + 1; k + 2; :::; n e trocamos as linhas k e i, caso
necess¶ario."
Exemplo
Seja resolver o seguinte sistema linear pelo m¶etodo de elimina»c~ao de Gauss com
pivoteamento parcial:
3x1 ¡ 4x2 + x3 = 9
x1 + 2x2 + 2x3 = 3
4x1 ¡ 3x3 = ¡2
Temos a seguinte matriz aumentada do sistema linear inicial:
2 3
3 ¡4 1 j 9
6 7
A(0) jb(0) =4 1 2 2 j 3 5
4 0 ¡3 j ¡2
Triangulariza»c~ao da matriz A
a
1 etapa: Elimina»c~ao da inc¶ognita x1 .
Antes de eliminar a inc¶ognita x1 , fazemos a troca dos coe¯cientes da coluna1.
Assim, temos a seguinte matriz aumentada:
2 3
4 0 ¡3 j ¡2
6 7
A(0) jb(0) =4 1 2 2 j 3 5
3 ¡4 1 j 9
Calculamos m21 = 1=4 e m31 = 3=4 e substitu¶³mos a linha2 pela linha2 - m21 £
linha1 e tamb¶em, a linha3 pela linha3 - m31 £ linha1. Obtemos a seguinte matriz
aumentada:
42
2 3
4 0 ¡3 j ¡2
6 7
A(1) jb(1) = 4 0 2 2:75 j 3:5 5
0 ¡4 3:25 j 10:5
2a etapa: Elimina»c~ao da inc¶ognita x2 .

Antes de calcularmos m32 , fazemos a troca da linha2 com a linha3, pois j ¡ 4j >
j2j. Em seguida, calculamos m32 = 2=(¡4) e substitu¶³mos a linha3 pela linha3 -
m32 £ linha2, obtendo a seguinte matriz aumentada:
2 3
4 0 ¡3 j ¡2
6 7
A(2) jb(2) = 4 0 ¡4 3:25 j 10:5 5
0 0 4:375 j 8:75

Agora, temos de resolver o seguinte sistema linear triangular:
4x1 +0x2 ¡3x3 = ¡2

¡4x2 +3:25x3 = 10:5
4:375x3 = 8:75
Obtemos, por resolu»c~ao regressiva:

x3 = 8:75=4:375 = 2
x2 = (10:5 ¡ 3:25 £ 2)=(¡4) = ¡1
x1 = (¡2 + 3 £ 2)=4 = 1
3.4 Decomposi»c~
ao LU
A decomposi»c~ao da matriz A, n £ n, no produto de duas matrizes triangulares L e
U ¶e assegurada pelo seguinte teorema:
Teorema 3.1
Dada uma matriz A, n £ n, seja Ak a matriz constitu¶³da das primeiras k linhas
e colunas da matriz A. Suponha que det(Ak ) 6 = 0 para k = 1; 2; :::; (n ¡ 1). Ent~ao,
existe uma u ¶ nica matriz triangular inferior L = (mij ), com mii = 1; i; j = 1; 2; :::; n
e uma u ¶ nica matriz triangular superior U = (uij ) tais que A = LU . Ainda mais,
det(A) = u11 u22 :::unn .
Prova
Seja o sistema linear Ax = b que resolvemos pelo M¶etodo de Elimina»ca~o de
Gauss. Na decomposi»c~ao da matriz A no produto LU , temos:
43
A = LU =) Ax = b =) LU x = b
onde, L ¶e uma matriz triangular inferior,n £ n, com coe¯cientes da diagonal
principal iguais a 1,
U ¶e uma matriz triangular superior,n£n, encontrada pelo M¶etodo de Elimina»c~ao
de Gauss.
C¶alculo de L
Sejam
2 3
1 0 0 0 ::: 0
6 7
6 ¡m21 1 0 0 ::: 0
7
6 7
M1 = 6
6 ¡m31 0 1 0 ::: 7
0
7
6 .. .. .. . . .. 7
4 . . . . . 0 5
¡mn1 0 0 0 ::: 1
2 3
1 0 0 0 ::: 0
6 7
6 0 1 0 0 ::: 0 7
6 7
M2 = 6
6 0 ¡m32 1 0 ::: 0 7
7
6 .. .. .. . . . 7
4 . . . . .. 0 5
0 ¡mn2 0 0 ::: 1
e
2 3
1 0 0 0 ::: 0
6 7
6 0 1 0 ::: 0 0 7
6 7
Mn¡1 =6
6 0 0 1 0 ::: 0 7
7
6 .. .. .. . . .. 7
4 . . . . . 5
0 0 0 ::: ¡mnn¡1 1
C¶ alculo de U
No M¶etodo de Elimina»c~ao de Gauss transformamos o sistema linear Ax = b no
sistema equivalente U x = d, onde U ¶e uma matriz triangular superior.
O sistema linear obtido na 1a etapa do M¶etodo de Elimina»c~ao de Gauss ¶e A(1) x =
b(1) ¶e equivalente a:
M1 Ax = M1 b =) A(1) = M1 A e b(1) = M1 b
O sistema linear obtido na 2a etapa do M¶etodo de Elimina»c~ao de Gauss ¶e A(2) x =
b(2) ¶e equivalente a:
M2 A(1) x = M2 b(1) =) M2 M1 Ax = M2 M1 b =) A(2) = M2 M1 A e b(2) = M2 M1 b
44
=) A = M1¡1 M2¡1 A(2) ; b = M1¡1 M2¡1 b(2)
onde
2 3
1 0 0 0 ::: 0
6 7
6 m21 1 0 0 : : : 0 7
6 7
M¡1
1 =6
6 m31 0 1 0 : : : 0 7
7
6 .. .. .. .. . . .. 7
4 . . . . . . 5
mn1 0 0 : : : 0 1
e
2 3
1 0 0 0::: 0
6 7
6 0 1 0 0::: 0 7
6 7
M¡1
2 =6
6 0 m32 1 0::: 0 7 7
6 .. .. .. . . . .. 7
..
4 . . . . . 5
0 mn2 0 ::: 0 1
O sistema linear obtido na (n ¡ 1)a etapa do M¶etodo de Elimina»c~ao de Gauss ¶e

A(n¡1) x = b(n¡1) ¶e equivalente a:
Mn¡1 :::M2 A(n¡2) x = Mn¡1 :::M2 b(n¡2) =) Mn¡1 :::M2 M1 Ax = Mn¡1 :::M2 M1 b =)
A(n¡1) = Mn¡1 :::M2 M1 A e b(n¡1) = Mn¡1 :::M2 M1 b =) A = M1¡1 M2¡1 :::Mn¡1
¡1
A(n¡1)
, onde
2 3
1 0 0 0 ::: 0
6 7
6 0 1 0 0 ::: 0 7
6 7
M¡1 6
n¡1 = 6 0 0 1 0 ::: 0 77
6 .. .. .. .. ... .. 7
4 . . . . . 5
0 0 0 : : : mnn¡1 1
Colocando M1¡1 M2¡1 :::Mn¡1

¡1
= L; A(n¡1) = U , obtemos A = LU.
Desta forma, ¯ca assegurada a existência das matrizes L e U para a decomposi»c~ao
A = LU.
Para provar a unicidade, procedemos como segue:
Seja a matriz A, n £ n, decomposta nos seguintes produtos matriciais: A =
L1 U1 e A = L2 U2 , onde L1 ,L2 , U1 e U2 s~ao as matrizes triangulares invert¶³veis da
decomposi»c~ao A = LU .
Temos que, L1 U1 = L2 U2 e assim, L¡1 ¡1
2 L1 = U2 U1 .
Ent~ao, L¡1
2 L1 ¶e uma matriz triangular inferior com 1's na diagonal e, conse-
¡1
quentemente, U2 U1 ¶e uma matriz triangular superior com 1's na diagonal. A u ¶ nica
matriz que tem esta propriedade ¶e a matriz identidade. Portanto,
45
L¡1 ¡1
2 L1 = I e U2 U1 = I =) L1 = L2 e U1 = U2 .
Para o c¶alculo de det(A), temos:
det(A) = det(LU) = det(L)det(U ) = 1 £ det(U ) = u11 u22 u33 : : : unn .
Uma vez decomposta a matriz A,n £ n, no produto LU , temos de resolver os
seguintes sistemas lineares:
1) Ly = b;
2) U x = y, pois Ax = b =) LUx = b, onde U x = y
Exemplo
Seja resolver o sistema linear abaixo pela decomposi»c~ao LU .
2x1 +2x2 ¡x3 = 1

x1 +5x2 +3x3 = 4
2x1 +x2 ¡5x3 = ¡3
Obtemos as matrizes L e U , seguindo os c¶alculos propostos anteriormente:

2 3
1 0 0
6 7
L = 4 0:5 1 0 5
1 ¡0:25 1
e
2 3
2 2 ¡1
6 7
U=4 0 4 3:5 5
0 0 ¡3:125
Agora, podemos resolver o sistema linear acima s¶o operando com o vetor b:
1) Ly = b
y1 = 1
0:5y1 +y2 = 4
y1 ¡0:25y2 +y3 = ¡3
Dando y1 = 1; y2 = 3:5; y3 = ¡3:125.

2) U x = y
2x1 +2x2 ¡x3 = 1

4x2 +3:5x3 = 3:5
¡3:125x3 = ¡3:25
Dando x3 = 1; x2 = 0; x1 = 1.
46
3.5 C¶
alculo da Inversa da Matriz A
Da de¯ni»c~ao de inversa de uma matriz A, n £ n, sabe-se que:
AA¡1 = A¡1 A = I
Colocando X = A¡1 , ou AXp = ep , p = 1; 2; :::; n,
onde Xp ¶e a p-¶esima coluna da matriz X e ep ¶e a p-¶esima coluna da matriz I, ou
seja: o vetor da base canônica de Rp .
Ent~ao, as colunas de A¡1 s~ao as solu»co~es dos sistemas de equa»co~es lineares:
AXp = ep , p = 1; 2; :::; n.
O M¶etodo de Elimin»c~ao de Gauss pode ser empregado para a resolu»c~ao destes
sistemas lineares, por¶em os mesmos c¶alculos ser~ao repetidos p vezes.
Uma outra maneira de calcular A¡1 ¶e usar a Decombposi»c~ao LU. Uma vez sendo
conhecida a Decomposi»c~ao LU da matriz A, calcula-se A¡1 como segue:
A¡1 = (LU )¡1 = U ¡1 L¡1 ; (3.4)
onde L¡1 ¶e facilmente calculada.

Colocando Y = L¡1 , as colunas Yj de Y satifazem:
LYj = ej ; j = 1; 2; :::; n (3.5)
assim, os elementos de L¡1 s~ao determinados resolvendo-se os n sistemas triangulares

que têm como solu»ca~o:
P
±ij ¡ i¡1
k=j lij ykj
yij = ; i = j; j + 1; :::; n (3.6)
lii
onde
(
1 se i = j
±ij =
0 se i 6
=j
Analogamente, Z = U ¡1 ¶e uma matriz triangular superior com os elementos calcu-

lados por meio de:
P
±ij ¡ jk=i+1 uik zkj
zij = ; i = j; j ¡ 1; :::; 1 (3.7)
uii
Exemplo
Seja calcular a inversa da matriz
2 3
2 1 2
6 7
A=4 1 2 3 5
4 1 2
47
Usando a decomposi»c~ao LU obtemos:
2 3
1
6 7
L = 4 0:5 1 5
2 ¡0:67 1
e
2 3
2 1 2
6 7
U=4 1:5 2 5
¡0:67
Aplicando as f¶ormulas anteriores para os c¶alculos de L¡1 e U ¡1 , obtemos:

2 3
1
6 7
L¡1 = 4 ¡0:5 1 5
¡2 0:67 1
e
2 3
0:5 ¡0:34 0:5
6 7
U¡1 =4 0:67 2 5
¡1:5
Em seguida, calculamos:
2 3
¡0:5 0 0:5
6 7
A¡1 = L¡1 U¡1 = 4 ¡5:02 2:01 2 5
3:51 ¡1 ¡1:5
Muitos autores utilizam o M¶etodo de Gauss-Jordan para o c¶alculo de A¡1 , mas o

m¶etodo que acabamos de descrever ¶e equivalente a este, onde s~ao gastas n3 opera»c~oes
em ambos os casos. O M¶etodo de Gauss-Jordan consiste em zerar tamb¶em os co-
e¯cientes localizados acima da diagonal principal de U e em seguida, divide-se a
diagonal da matriz resultante por seus coe¯cientes diagonais, obtendo-se assim a
matriz identidade.
3.6 Decomposi»c~
ao para Tipos Especiais de Ma-
trizes
De¯nimos, inicialmente, as matrizes estritamente diagonais dominantes, onde o
M¶etodo de Elimina»c~ao de Gauss funciona e¯cazmente sem intercâmbio de linhas.
De¯ni»c~ao 3.1
48
A matriz A, n £ n, ¶e chamada estritamente diagonal dominante quando
n
X
jaii j > jaij j; i = 1; 2; :::; n (3.8)
j=1
j6
=i
Exemplo
A matriz
2 3
7 2 0
6 7
A = 4 3 5 ¡1 5
0 5 ¡6
¶e estritamente diagoanal dominante, uma vez que:

j7j > j2j + j0j; j5j > j3j + j ¡ 1j e j ¡ 6j > j0j + j5j
Damos, a seguir, o seguinte teorema:
Teorema 3.2
Uma matriz A, n £ n, estritamente diagonal dominante ¶e n~ao singular. Al¶em
do mais, a elimina»c~ao gaussiana pode ser executada em qualquer sistema linear da
forma Ax = b para obter sua u ¶ nica solu»c~ao sem troca de colunas ou linhas, e n~ao
h¶a propaga»c~ao de erros de arredondamento durante o processo de elimina»ca~o.
Prova
Vamos mostrar por contradi»c~ao que a matriz A ¶e n~ao singular.
Consideremos o sitema linear homogêneo Ax = 0, e suponhamos que exista uma
solu»ca~o n~ao trivial x = (xi ) para esse sistema. Seja k um ¶³ndice para o qual
0 < j xk j = max j xj j
1·j·n
Pn
Como j=1 aij xj = 0 para cada i = 1; 2; : : : ; n, temos que para i = k,
X
n
akk xk = ¡ akj xj
j=1
j6
=k
Da¶³ temos,
n
X
j akk jj xk j· j akj jj xj j
j=1
j6
=k
49
ou
n
X n
X
j xj j
j akk j· j akj j · j akj j
j xk j
j=1 j=1
j6
=k j6
=k
Essa desigualdade contradiz a dominância da matriz A. Consequentemente, a u ¶nica

solu»ca~o para o sistema homogêneo Ax = 0 ¶e x = 0. Portanto, a matriz A ¶e n~ao
singular.
Para provar que a elimina»c~ao de Gauss pode ser executada sem mudan»cas de
linhas, basta mostrar que cada uma das matrizes A(2) ; A(3) ; : : : ; A(n) geradas pelo
processo de elimina»c~ao de Gauss ¶e estritamente diagonal dominante. (Veja Burden
e Faires Teorema 6.19 [5])
A ademostra»c~ao de estabilidade do m¶etodo pode ser encontrada em Wendro®
[9].
Uma outra classe de matrizes, onde existe uma decomposi»c~ao apropriada, ¶e a
matriz sim¶etrica de¯nida positiva.
De¯ni» c~
ao 3.2
A matriz A, n £ n, ¶e chamada sim¶etrica de¯nida positiva(sdp) quando
xt Ax > 0 8x 2 Rn ; x 6
=0 (3.9)
Exemplo
A matriz
2 3
2 ¡1 0
6 7
A = 4 ¡1 2 ¡1 5
0 ¡1 2
¶e sim¶etrica positiva de¯nida(sdp), uma vez que:
xt Ax = 2x21 ¡ 2x1 x2 + 2x22 ¡ 2x2 x3 + 2x23 = x21 + (x1 ¡ x2 )2 + (x2 ¡ x3 )2 + x23 > 0
a menos que x1 = x2 = x3 = 0.
Damos o seguinte teorema:
Teorema 3.3
Uma matriz A, n £ n, sim¶etrica positiva de¯nida(sdp) ¶e n~ao singular. Al¶em
do mais, a elimina»c~ao de Gauss pode ser executada em qualquer sistema linear da
forma Ax = b com todos os piv^ os positivos para obter sua u
¶ nica solu»c~ao sem troca
de linhas, e n~ao h¶a propaga»c~ao de erros de arredondamento durante o processo de
elimina»c~ao.
50
Prova
Para a demonstra»c~ao deste teorema veja os resultados encontrados em Burden e
Faires [5] e tamb¶em em Wendro® [9].
Agora, apresentamos dois corol¶arios que fornecem a decomposi»c~ao para as ma-
trizes sim¶etricas de¯nidas positivas(sdp) (Veja Burden e Faires [5]).
Corol¶ ario 3.1
A matriz A, n £ n, ¶e sim¶etrica positiva de¯nida(sdp) () A pode ser fatorada
na forma LDLt , onde L ¶e a matriz triangular inferior, n £ n, com coe¯cientes iguais
a 1 em sua diagonal e D ¶e uma matriz diagonal, n £ n, com coe¯cientes positivos.
Obs.1: Sendo a matriz A, n £ n, que pode ser fatorada de forma u ¶ nica como
A = LU, de acordo com o teorema 3.1. Tamb¶em, esta matriz pode ser fatorada
de forma u ¶nica com A = LDU, ¹ onde:
L, n £ n, matriz triangular inferior com diagonal unit¶aria;
D, n £ n, matriz diagonal;
U¹ , n £ n, matriz triangular superior com diagonal unit¶aria.
No caso, sendo A, n £ n, matriz sim¶etrica, temos que: U¹ = Lt . Portanto, a
matriz A, n £ n, pode ser fatorada na forma A = LDLt .
Temos que a matriz diagonal D ¶e constituida dos coe¯cientes uii da matriz U ,
n £ n, e os coe¯cientes da matriz U ¹ ser~ao u¹ij = uij =uii , i = 1; 2; :::; n; j = i; :::; n,
onde para A, n £ n, matriz sim¶etrica U¹ = Lt .
Corol¶ ario 3.2
A matriz A, n£n, ¶e sim¶etrica positiva de¯nida(sdp) () A pode ser fatorada na
forma LLt , onde L ¶e a matriz triangular inferior, n £ n, com coe¯cientes diagonais
diferentes de zero.
Obs.2: No caso da matriz A, n £ n, sim¶etrica positiva de¯nida, temos que os
coe¯cientes de D s~ao tais que: dii > 0; i = 1; 2; :::; n.
Fazendo D ¹ = D1=2 , obtemos:
¹ DL
A = LDLt = LD ¹ t = (LD)(
¹ DL¹ t) (3.10)
Esta fatora»c~ao ¶e conhecida como fatora»c~ao de Cholesky.

A decomposi»c~ao apresentada no corol¶ ario 3.1 pode ser aplicada µas matrizes
sim¶etricas, mas n~ao necessariamente positivas de¯nidas. O resultado pode ser apli-
cado extensamente µas matrizes sim¶etricas, uma vez que estas s~ao reconhecidas mais
facilmente.
O corol¶ ario 3.3, a seguir, nos permite reconhecer a decomposi»c~ao do corol¶
ario
3.1, relacionado-a com o M¶etodo de Elimina»c~ao de Gauss (Veja Burden e Faires
[5]).
51
Corol¶ario 3.3
Seja a matriz A, n £ n, sim¶etrica para a qual a elimina»c~ao de Gauss poder ser
aplicada sem a troca de linhas. Ent~ao, a matriz A pode ser fatorada na forma
LDLt , onde L ¶e a matriz triangular inferior, n £ n, com coe¯cientes iguais a 1 em
(0) (1) (n¡1)
sua diagonal e D ¶e uma matriz diagonal, n £ n, com coe¯cientes a11 ; a22 ; :::; ann
obtidos na elimina»c~ao de Gauss.
Exemplo
Vimos que a matriz
2 3
2 ¡1 0
6 7
A = 4 ¡1 2 ¡1 5
0 ¡1 2
¶e sim¶etrica positiva de¯nida(sdp). A fatora»c~ao LDLt de A dada pelo corol¶ario 3.1

¶e:
2 32 32 3
1 0 0 2 0 0 1 ¡0:5 0
6 76 76 7
A = LDLt = 4 ¡0:5 1 0 5 4 0 3=2 0 5 4 0 1 ¡0:6667 5
0 ¡0:6667 1 0 0 4=3 0 0 1
e a fatora»c~ao de Cholesky LLt de A dada pelo corol¶ario 3.2 ¶e:

2 32 3
1:4142 0 0 1:4142 ¡0:7071 0
6 76 7
A = LLt = 4 ¡0:7071 1:2247 0 54 0 1:2247 ¡0:8165 5
0 ¡0:8165 1:1547 0 0 1:1547
O resultado do teorema, a seguir, permite identi¯car quando uma matriz A, n £ n,

sim¶etrica com coe¯cientes reais ¶e positiva de¯nida.
Teorema 3.4
Seja a matriz A, n £ n, sim¶etrica com coe¯cientes reais. Ent~ao, a matriz A ¶e
positiva de¯nida () A pode ser fatorada na forma LLt , onde L ¶e a matriz triangular
inferior, n £ n, sendo os coe¯cientes de L n¶umeros reais e com coe¯cientes diagonais
diferentes de zero.
Prova
((=) Se L tem coe¯cientes n¶ umeros reais, ent~ao:
xt Ax = xt Lt Lx = y t :y > 0;
pois y = Lx ¶e real, 8x 2 Rn ; x 6
=0
(=)) Se A ¶e positiva de¯nida, ent~ao 8x 2 Rn ; x 6
=0
xt Ax = xt Lt Lx > 0;
52
donde Lx ¶e real e, consequentemente, L ¶e real.
Exemplo
A matriz
2 3
4 2 2
6 7
A = 4 2 0 ¡1 5
2 ¡1 3
pode ser fatorada pela fatora»c~ao de Cholesky com n¶

umeros complexos, dando o
seguinte resultado:
2 32 3
2 0 0 2 1 1
t 6 76 7
A = LL = 4 1 i 0 54 0 i 2i 5
1 2i 2:4495 0 0 2:4495
Como alguns coe¯cientes de L s~ao n¶

umeros complexos, podemos concluir que a
matriz A n~ao ¶e positiva de¯nida.
53
Exerc¶³cios Cap¶³tulo III
1 - a) Se a matriz A ¶e o produto:
2 32 32 3
¡1 0 0 d1 0 0 1 ¡1 0
6 76 76 7
A = 4 ¡1 1 0 5 4 0 d2 0 5 4 0 1 ¡1 5 ;
0 ¡1 1 0 0 d3 0 0 1
sob que condi»co~es A ¶e n~ao singular?
b) Resolva o sistema linear Ax = b iniciando com Lc = b, onde:
2 3 2 3 2 3
c1 0 1 0 0
6 7 6 7 6 7
c = 4 c2 5 ; b = 4 0 5 e L = 4 ¡1 1 0 5
c3 1 0 ¡1 1
2 - Para quais valores de a; b e c haver¶a mudan»ca de linhas para que a decom-

posi»c~ao de A em LU seja poss¶³vel e para quais valores a matriz A ¶e singular?
2 3
1 2 0 " #
6 7 c 2
A=4 a 8 3 5 eA=
6 4
0 b 5
3 - Considere um sistema linear da forma:

¡m1 x1 + x2 = b1
¡m2 x1 + x2 = b2
onde m1 ; m2 ; b1 e b2 s~ao constantes.
a) Mostre que o sistema linear tem uma solu»c~ao se m1 6= m2 ;
b) Se m1 = m2 , mostre que o sistema linear ¶e compat¶³vel se tamb¶em b1 = b2 ;
c) Interprete geometricamente os itens a) e b).
4 - Obtenha a fatora»c~ao da forma A = P t LU para as seguintes matrizes, onde
P ¶e uma matriz de permuta»c~ao:
2 3
2 3 1 ¡2 3 0
0 2 3 6 7
6 7 6 1 ¡2 3 1 7
a) A = 4 1 1 ¡1 5 b) A = 6 7
4 1 ¡2 2 ¡2 5
0 ¡1 1
2 1 3 ¡1
5 - Encontre o valor de ® de modo que a matriz:
2 3
® 1 ¡1
6 7
A=4 1 2 1 5
¡1 1 4
54
seja positiva de¯nida.
6 - Encontre a fatora»c~ao LDLt para as seguintes matrizes sim¶etricas:
2 3
2 3 2 ¡2 4 ¡4
3 ¡3 6 6 7
6 7 6 ¡2 3 ¡4 5 7
a) A = 4 ¡3 2 ¡7 5 b) A = 6 7
4 4 ¡4 10 ¡10 5
6 ¡7 13
¡4 5 ¡10 14
Quais s~ao sim¶etricas positivas de¯nidas?

7 - Dado o sistema linear Ax = b, onde:
" # " # " #
1=2 1=3 x1 1=63
A= ; x= ; b= :
1=3 1=4 x2 1=168
Considerando x a solu»c~ao exata do mesmo dada por x = (1=7 ; ¡1=6)t e x a solu»c~ao

aproximada do mesmo com 3 casas decimais, calcule:
k x ¡ x k1 e k Ax ¡ b k1 :
8 - Resolva os dois sistemas lineares a seguir e compare suas solu»c~oes. As matrizes

dos coe¯cientes s~ao bem condicionadas? Mal condicionadas? Explique.
" #" # " # " #" # " #

1:0 2:0 x1 1:12 1:0 2:011 x1 1:12
a) = b) =
2:0 3:9 x2 2:16 2:0 3:982 x2 2:16
9 - Seja
" #
1 1
An =
1 1 ¡ 1=n
para cada inteiro positivo n.

Calcule:
a) A¡1
n ; b) K(An ), (norma 1); c) limn¡!1 K(An ), (norma 1).
1
10 - As matrizes de Hilbert, Hn , onde: hij = i+j¡1 ; 1 · i; j; · n s~ao exemplos
de matrizes mal condicionadas.
a) Use pacotes computacionais para calcular K(A) e veri¯car que quanto maior
for n mais mal condicionada ¶e Hn ;
b) Use pacotes computacionais para calcular Hn¡1 e em seguida, o produto Hn¡1 £
Hn para poss¶³veis valores de n.
55
Cap¶³tulo 4
Espa»cos Vetoriais
4.1 Introdu»c~
ao
No Cap¶³tulo 1 introduzimos o espa»co vetorial das n-uplas em Rn , onde ve-
tores e opera»c~oes vetoriais foram introduzidos de forma anal¶³tica com interpreta»c~ao
geom¶etrica para n · 3. Daremos aqui a de¯ni»c~ao de espa»co vetorial de forma
axiom¶atica, onde trabalharemos com elementos de um conjunto que satisfazem de-
terminadas propriedades.
De¯ni» c~
ao 1
O conjunto V ¶e chamado um espa»co vetorial se satisfaz os dez axiomas a seguir,
classi¯cados em três grupos:
Axiomas do fecho
Axioma 1. (Fechamento da adi»c~ao)
Para qualquer par de elementos x; y 2 V , existe um u ¶ nico elementos em V ,
chamado soma de x e y, denotado por x + y;
Axioma 2. (Fechamento da multiplica»c~ao por escalar)
Para qualquer elemento x 2 V e para qualquer escalar ® 2 R, existe um u ¶nico
elemento em V , chamado produto de ® por x, denotado ®x;
Axiomas da Adi»c~ ao
Axioma 3. (Comutatividade)
x + y = y + x, 8x; y 2 V ;
Axioma 4. (Associatividade)
(x + y) + z = x + (y + z), 8x; y; z 2 V ;
Axioma 5. (Existência do zero)
9 0 2 V tal que x + 0 = x; 8x 2 V ;
Axioma 6. (Existência do negativo)
8x 2 V; 9 (¡1)x 2 V tal que x + (¡1)x = 0;
56
Axiomas da Multiplica»c~
ao por Escalar
Axioma 7. (Associatividade)
®¯(x) = ®(¯x) 8®; ¯ 2 R; 8x 2 V ;
Axioma 8. (Distributividade para adi»c~ao em V )
®(x + y) = ®x + ®y 8x; y 2 V; 8® 2 R;
Axioma 9. (Distributividade para adi»c~ao em R)
(® + ¯)x = ®x + ¯x 8x 2 V; 8®; ¯ 2 R;
Axioma 10. (Existência da identidade)
8x 2 V , temos 1x = x.
Obs.: Os escalares podem ser tomados no conjunto do n¶ umeros complexos (C)
e o conjunto V ser¶a constituido de n-uplas tamb¶em em C. Desta forma, podemos
de¯nir o espa»co vetorial complexo V
Exemplo 1 O conjunto V = Rn, munido das opera»c~oes da ¶algebra vetorial visto
no Cap¶³tulo 1 ¶e um espa»co vetorial.
Exemplo 2 O conjunto V = Cn , munido das opera»c~oes da ¶algebra vetorial nos
complexos, conforme a observa»c~ao anterior, ¶e um espa»co vetorial.
Exemplo 3 O conjunto das matrizes retangulares, m £ n, com coe¯cientes com-
plexos, denotado por M (m; n), munido das opera»c~oes de adi»c~ao de matrizes e mul-
tiplica»c~ao por escalar em C ¶e um espa»co vetorial.
Exemplo 4 O conjunto do polinômios com coe¯cientes reais de grau · n, deno-
tado por Pn , munido das opera»c~oes de adi»c~ao de polinômios em Pn e multiplica»c~ao
por escalar em R ¶e um espa»co vetorial.
O teorema a seguir,diz respeito sobre a unicidade dos elementos zero e sim¶etricos,
cuja prova baseia-se nos axiomas anteriores.
Teorema 4.1
a) Em qualquer espa»co vetorial V existe um e s¶o um elemento zero;
b) Em qualquer espa»co vetorial V todo elemento x admite um e s¶o um elemento
y, tal que x + y = 0.
Prova
Prova do item a):
O axioma 5 nos diz que existe pelo menos um elemento zero. Suponhamos
que existam dois, digamos 01 e 02 . Tomando x = 01 e 0 = 01 no axioma 5,
obtemos 01 + 02 = 01 . Do mesmo modo, tomando x = 02 e 0 = 02, encontramos
02 + 01 = 01 . Mas, pelo axioma 3, 01 + 02 = 02 + 01 . Logo, 01 = 02 .
Prova do item b);
O axioma 6 nos diz que existe pelo menos um elemento negativo, a saber (¡1)x.
Suponhamos que x tenham dois negativos, digamos y1 e y2 . Ent~ao x + y1 = 0 e
57
x + y2 = 0. Adicionando y2 a ambos membros da primeira equa»c~ao e usando os
axiomas 5,4,3, obtemos y2 +(x+y1 ) = y2 +0 = y2 e, por outro lado, y2 +(x+y1 ) =
(y2 + x) + y1 = 0 + y1 = y1 + 0 = y1 .Logo, y1 = y2 , de modo que x tem exatamente
um negativo.
As seguintes propriedades regem os c¶alculos alg¶ebricos elementares em um espa»co
vetorial.
Propriedades
Sejam x e y elementos quaisquer em um espa»co vetorial V e ® e ¯ escalares
quaisquer. Ent~ao veri¯cam-se as seguintes propriedades:
a) 0x = 0;
b) ®0 = 0;
c) (¡®)x = ¡(®x) = ®(¡x);
d) Se ®x = 0, ent~ao ou ® = 0 ou x = 0;
e) Se ®x = ®y e ® 6= 0 , ent~ao x = y;
f) Se ®x = ¯x e x 6= 0 , ent~ao ® = ¯;
g) ¡(x + y) = (¡x) + (¡y) = ¡x ¡ y;
P
h) x + x = 2x; x + x + x = 3x, em geral ni=1 x = nx.
Prova: (ver Apostol,Vol. II [3])
4.2 Subespa»co Vetorial

De¯ni» c~
ao 2
Um subespa»co vetorial de um espa»co vetorial V ¶e um subconjunto n~ao vazio
W µ V que satisfaz as seguintes propriedades:
i) A adi»c~ao de dois vetores quaisquer w1 ; w2 2 W tamb¶em est¶a em W , isto ¶e, se
w1 ; w2 2 W , ent~ao w1 + w2 2 W ;
ii) A multiplica»c~ao de qualquer vetor w 2 W por um escalar qualquer ® est¶a em
W , isto ¶e, se w 2 W e ® escalar, ent~ao ®w 2 W .
Em outras palavras, um subespa»co vetorial ¶e um subconjunto W de um espa»co
vetorial V que ¶e fechado em rela»ca~o aµs opera»co~es de adi»ca~o de vetores e multiplica»c~ao
de escalar por vetor. Note que, em particular o vetor nulo pertence a todo subespa»co
vetorial. Isto ¶e decorrente da propriedade ii) tomando ® = 0. O menor subespa»co
vetorial ¶e o subespa»co contendo somente o vetor nulo e o maior subespa»co vetorial ¶e o
espa»co vetorial V , chamados subespa»cos triviais. No caso do Rn , o menor subespa»co
¶e o f0g e o maior subespa»co ¶e o pr¶oprio Rn .
O seguinte teorema nos permite formular uma de¯ni»c~ao equivalente para
subespa»co vetorial.
58
Teorema 4.2
Seja um espa»co vetorial V e um subconjunto n~ao vazio W µ V . Ent~ao, W ¶e um
subespa»co vetorial de V () (®w1 + ¯w2 ) 2 W 8®; ¯ 2 R e 8w1 ; w2 2 W .
Prova
Seja o subconjunto n~ao vazio W µ V . Sejam w1 ; w2 2 W e ®; ¯ 2 R, como por
hip¶otese (®w1 + ¯w2 ) 2 W . Tomando ®; ¯ = 1, temos que w1 + w2 = 1w1 + w2 2 W .
Al¶em do mais, tomando ¯ = 0, temos que ®w1 = ®w1 + 0w1 2 W . Logo, conforme
a de¯ni»c~ao anterior, W ¶e um subespa»co vetorial de V .
Reciprocamente, se W ¶e um subespa»co vetorial de V , ent~ao obviamente
(®w1 + ¯w2 ) 2 W 8®; ¯ 2 R e 8w1 ; w2 2 W .
Exemplo 1 Seja W o conjunto de todos os vetores em R2 tais que a 2a. com-
ponente ¶e nula. W ¶e um subespa»co vetorial, constitu¶³do pelo Eixo ¡ x do plano
cartesiano, pois os axiomas i) e ii) s~ao satisfeitos para W .
Exemplo 2 Seja M (3; 3) o espa»co vetorial das matrizes, 3 £ 3. Tomando neste
espa»co o subconjunto W formado pelas matrizes, 3 £ 3, triangulares superiores.
Temos que s~ao v¶alidos os axiomas i) e ii) para W . Portanto, W ¶e um subespa»co
vetorial de M (3; 3). Note que a matriz nula, 3 £ 3, ¶e o vetor nulo deste subespa»co
vetorial.
4.3 Independ^
encia linear, subespa»co gerado, base
e dimens~
ao
O objetivo desta se»c~ao ¶e introduzir e usar os seguintes conceitos:
1 - Subespa»co vetorial gerado;
2 - Dependência e indepedência linear em um espa»co vetorial V ;
3 - Base para um subespa»co vetorial;
4 - Dimens~ao em um subespa»co vetorial.
De¯ni» c~
ao 3
Seja W um subconjunto n~ao vazio de um espa»co vetorial V . Um elemento x de
V da forma:
k
X
x= ¸i vi
i=1
onde v1 ; v2 ; ¢ ¢ ¢ ; vk 2 W e ¸1 ; ¸2 ; ¢ ¢ ¢ ; ¸k s~ao escalares, diz-se uma combina»ca~o linear ¯nita

de elementos de W . O conjunto de todas as combina»c~oes lineares ¯nitas de elemen-
tos de W veri¯cam os axiomas de fecho e por conseguinte, ¶e um subespa»co vetorial
de V . Chamamos este subespa»co de gerado por W e o representamos por L(W ).
59
Exemplo 1 Tomamos no espa»co vetorial R2 os seguintes conjuntos de vetores
fi; jg, f0; i ¡ j; i + jg. Todos estes conjuntos geram o espa»co vetorial R2 , apesar de
serem distintos.
Exemplo 2 O conjunto fw1 ; w2 ; w3 g onde w1 = (1; 0; 0); w2 = (0; 1; 0) e w3 =
(2; 0; 0) gera o plano xy em R3 .
Vamos tratar agora das combina»c~oes lineares nulas.
De¯ni»
c~
ao 4
Um conjunto W de elementos de um espa»co vetorial V ¶e chamado linearmente dependente
se existe um conjunto ¯nito de elementos distintos em W , digamos v1 ; v2 ; ¢ ¢ ¢ ; vk , e
escalares correspondentes ¸1 ; ¸2 ; ¢ ¢ ¢ ; ¸k , n~ao todos nulos, tais que:
k
X
¸i vi = 0
i=1
O conjunto W ¶e chamado linearmente independente quando para quaisquer elemen-

tos v1 ; v2 ; ¢ ¢ ¢ ; vk em W e escalares correspondentes ¸1 ; ¸2 ; ¢ ¢ ¢ ; ¸k , tais que:
k
X
¸i vi = 0
i=1
implica em ¸1 = ¸2 = ¢ ¢ ¢ = ¸k = 0. Neste caso, tamb¶em podemos dizer que os

vetores v1 ; v2 ; ¢ ¢ ¢ ; vk s~ao linearmente independentes.
Exemplo 1 Se em um conjunto W temos v1 = 0, ent~ao podemos tomar a
combina»c~ao linear ¸1 v1 + ¸2 v2 + ¢ ¢ ¢ + ¸k vk = 0, onde ¸2 = ¸3 = ¢ ¢ ¢ = ¸k = 0 e
temos ¸1 v1 = 0 =) ¸1 6 = 0. Portanto, v1 ; v2 ; ¢ ¢ ¢ ; vk s~ao linearmente dependentes.
Obs.: O vetor nulo em um subespa»co vetorial W ¶e obtido pela combina»c~ao linear
de vetores linearmente independentes em W .
Exemplo 2 Os vetores v1 = (2; 3); v2 = (4; 6) 2 R2 s~ao linearmente dependentes,
pois tomando a combina»c~ao linear ¸1 v1 +¸2 v2 = 0 ou seja ¸1 (2; 3)+¸2 (4; 6) = (0; 0),
obtemos: 2¸1 + 4¸2 = 0 e 3¸1 + 6¸2 = 0, ou seja: ¸1 = ¡2¸2 que podem ser n~ao
nulos.
De¯ni»
c~
ao 5
Uma base de um espa»co vetorial V ¶e um conjunto de vetores em V onde:
i) gera o espa»co vetorial V ;
ii) e ¶e linearmente independente.
Exemplo 1
O espa»co vetorial Rn tem como base o conjunto dos vetores e1 ; e2 ; ¢ ¢ ¢ ; en , chama-
da de base canônica.
60
Exemplo 2 Seja M (2; 2) o espa»co vetorial das matrizes, 2 £ 2. Uma base para
este espa»co vetorial ¶e conjunto formado pelas matrizes:
" #
1 0
M1 =
0 0
" #
0 1
M2 =
0 0
" #
0 0
M3 =
1 0
" #
0 0
M4 =
0 1
uma vez que qualquer matriz M; 2 £ 2,onde
" #
a11 a12
M=
a21 a22
pode ser escrita como: M = a11 M1 + a12 M2 + a21 M3 + a22 M4 e
" #
0 0
M=
0 0
somente quando a11 = a12 = a21 = a22 = 0.
De¯ni» c~
ao 6
De¯nimos dimens~ao de um espa»co vetorial V o n¶ umero de vetores da base de V ,
visto que qualquer base de V contem o mesmo n¶ umero de vetores.
Exemplo 1
O espa»co vetorial Rn tem dimens~ao n.
Exemplo 2 O espa»co vetorial das matrizes M(2; 2) , 2 £ 2 tem dimens~ao 4.
Seja V um espa»co vetorial de dimens~ao n e consideremos uma base cujos elemen-
tos s~ao dados na ordem v1 ; v2 ; ¢ ¢ ¢ ; vn . Representamos esta base por um n sistema
linear em (v1 ; v2 ; ¢ ¢ ¢ ; vn ). Se x 2 V , podemos expressar x como uma combina»c~ao
linear destes elementos da base, de forma similar como ¯zemos no Cap¶³tulo 1 para
vetores em Rn :
Xn
x= ai vi
i=1
umeros (a1 ; a2 ; ¢ ¢ ¢ ; an )
Os coe¯cientes nesta igualdade formam um n sistema linear de n¶
que ¯cam univocamente determinados para x. Estes coe¯cientes s~ao chamados de
componentes ou coordenadas da base ordenada.
61
4.4 Soma e Interse»c~
ao de Subespa»cos
De¯ni» c~ao 7
Sejam W1 e W2 subespa»cos vetoriais de um espa»co veorial V . De¯nimos soma e
interse»c~ao de W1 e W2 , respectivamente, por:
1 - W1 + W2 = fw1 + w2 tal que w1 2 W1 ; w2 2 W2 g
T
2 - W1 W2 = fv tal que v 2 W1 e v 2 W2 g
De¯ni» c~
ao 8
Sejam W1 e W2 subespa»cos vetoriais de um espa»co vetorial V . De¯nimos soma direta
de W1 e W2 , notada por W = W1 © W2 , quando:
1 - W = W1 + W2 ;
T
2 - W1 W2 = 0.
Os subespa»cos W1 e W2 s~ao ditos complementares um do outro em W .
Teorema 4.3
Sejam W1 e W2 subespa»cos vetoriais de um espa»co vetorial V , onde V = W1 ©W2 .
Ent~ao,
a) Todo vetor v 2 V , pode ser escrito unicamente na forma v = r + s, onde
r 2 W1 e s 2 W2 ;
b) dim(V ) = dim(W1 ) + dim(W2 ).
Prova
a) Suponha que um vetor qualquer v 2 V pode ser escrito como:
v = r1 + s1 = r2 + s2 ;
onde r1 ; r2 2 W1 e s1 ; s2 2 W2 . Ent~ao, r1 ¡r2 = s2 ¡s1 . Mas, r1 ¡r2 2 W1 e s1 ¡s2 2

T
W2 . Desde que W1 W2 = 0, devemos ter r1 = r2 e s1 = s2 . O que prova a
unicidade de r e s na forma v = r + s.
b) Para provar a segunda parte, basta usar o seguinte resultado v¶alido para
quaisquer subespa»cos W1 e W2 de V .
\
dim(W1 + W2 ) = dim(W1 ) + dim(W2 ) ¡ dim(W1 W2 )
T
Como dim(W1 W2 ) = 0, segue-se que :
dim(V ) = dim(W1 ) + dim(W2 )
De¯ni» c~
ao 9
Seja fv1 ; v2 ; ¢ ¢ ¢ ; vk g um conjunto ortogonal de vetores em Rn , ou seja:
vit vj = 0 8i; j; i 6
= j:
62
Dizemos que este conjunto ¶e ortonormal quando:
vit vj = ±ij ;
onde
(
1 se i = j
±ij =
0 se i 6
=j
De¯ni»
c~
ao 10
Seja W um subespa»co vetorial de Rn . O complemento ortogonal de W ¶e de¯nido
por:
W ? = fv 2 Rn tal que v t s = 0; 8s 2 W g
Teorema 4.4
Seja W um subespa»co de Rn . Ent~ao,
a) W © W ? = Rn ;
b) (W ? )? = W .
Prova
Vamos provar a).
Seja fv1 ; v2 ; ¢ ¢ ¢ ; vk g uma base ortonormal de W e seja x 2 Rn um vetor qualquer.
Sejam:
k
X
x1 = (xt vi )vi
i=1
x2 = x ¡ x1
Ent~ao, x1 2 W e, desde que
xt2 vj = xt vj ¡ xt1 vj = xt vj ¡ xt vj = 0; j = 1; 2; : : : ; k
vemos que x2 ¶e ortogonal µa v1 ; v2 ; : : : ; vk e portanto µa qualquer combina»c~ao linear

destes vetores. Logo, x2 ¶e ortogonal a qualquer vetor de W . Assim, W + W ? = Rn .
T
Tamb¶em, temos que W W ? = 0, uma vez que o u ¶ nico vetor de s 2 W ortogonal
µa qualquer vetor de W ¶e o 0.
Logo, W © W ? = Rn .
A prova de b)deixamos com exerc¶³cio.
63
4.5 Espa»cos Linha e Coluna de A
Seja A uma matriz, m £ n, onde tomamos cada linha de A como uma n-upla de
n¶umeros reais, constituida de vetores em R1£n . De forma similar, tomamos cada
coluna de A como uma m-upla de n¶ umeros reais, constituida de vetores em Rm£1 .
Estes vetores formam subespa»cos vetoriais que nos d~ao informa»c~oes acerca do sistema
linear Ax = b. Damos a seguinte de¯ni»c~ao:
De¯ni» c~
ao 11
Seja A uma matriz, m £ n, o subespa»co de R1£n gerado pelos vetores linha de A
¶e chamado de espa»co linha de A. Denotaremos este subespa»co por R(A)t . O sube-
spa»co de Rm£1 gerado pelos vetores coluna de A ¶e chamado de espa»co coluna de A.
Denotaremos este subespa»co por R(A).
Exemplo 1 Seja o sistema linear Ax = b:
2 3 2 3
1 0 " # b1
6 7 x1 6 7
4 5 3 5 = 4 b2 5
x2
4 3 b3
O espa»co linha de A, R(A)t , ¶e o conjunto de todas combina»c~oes lineares da forma:
®(1; 0) + ¯(5; 3) + °(4; 3) = (® + 5¯ + 4°; 3¯ + 3°):
O espa»co coluna de A, R(A), ¶e o conjunto de todas combina»c~oes lineares da forma:

2 3 2 3 2 3
1 0 ®
6 7 6 7 6 7
® 4 5 5 + ¯ 4 3 5 = 4 5® + 3¯ 5
4 3 4® + 3¯
Observe que para este exemplo, m > n, temos mais equa»c~oes do que inc¶oginitas.
uvel para somente certos termos independentes b¶s que
Este sistema linear ser¶a sol¶
3
s~ao subconjuntos de R .
Antes de passarmos µa discuss~ao sôbre a solubilidade de um sistema linear, vamos
dar o seguinte teorema:
Teorema 4.5
Duas matrizes A e U , m £ n, equivalentes por linhas têm o mesmo espa»co linha.
Prova
Se U ¶e equivalente por linhas a A, ent~ao U pode ser formada por uma sequência
¯nita de opera»c~oes elementares sobre as linhas de A. Assim, as linhas de U s~ao
combina»c~oes lineares dos vetores linhas de A. Consequêntemente, R(U )t tem que
ser um subespa»co de R(A)t . Como A ¶e equivalente por linhas a U , R(A)t tem que
ser um subespa»co de R(U )t pelo mesmo argumento.
64
De¯ni» c~
ao 12
De¯nimos o posto de uma matriz A, m £ n, a dimens~ao do seu espa»co linha
(R(A)t ).
Exemplo 2
Seja a matriz A, abaixo:
2 3
1 3 3
6 7
A=4 2 6 9 5
¡1 ¡3 3
Reduzindo esta matriz A a sua forma equivalente triangular superior, obtemos:

2 3
1 3 3
6 7
U=4 0 0 3 5
0 0 0
Temos que os vetores
h i h i
1 3 3 ; 0 0 3
formam uma base para R(U )t e para R(A)t , pois estas matrizes s~ao equivalentes por
linhas. Portanto, dim (R(A)t ) = dim (R(U )t ).
Por outro lado, temos que os vetores
2 3 2 3
1 3
6 7 6 7
4 0 5;4 3 5
0 0
formam uma base para R(U ). Contudo, estes vetores n~ao formam uma base para
R(A). Para encontrar os vetores da base de R(A), buscamos os vetores colunas que
correspondem µa posi»c~ao destes em U na matriz A, que s~ao dados por:
2 3 2 3
1 3
6 7 6 7
4 2 5;4 9 5
¡1 3
Seja A uma matriz, m £ n, e x = (x1 ; x2 ; ¢ ¢ ¢ ; xn ) e b = (b1 ; b2 ; ¢ ¢ ¢ ; bm ) vetores

em Rn e Rm , respectivamente. Vamos agora, escrever o sistema linear Ax = b, na
forma:
2 3 2 3 2 3 2 3
a11 a12 a1n b1
6 7 6 7 6 7 6 7
6 a21 7 6 a22 7 6 a2n 7 6 b2 7
x1 6 7 6 7 6
6 .. 7 + x2 6 .. 7 + ¢ ¢ ¢ + xn 6 .. 7 = 6 .. 7
7 6 7
4 . 5 4 . 5 4 . 5 4 . 5
am1 am2 amn bn
65
uvel () o
Segue-se desta representa»c~ao que: "O sistema linear Ax = b ¶e sol¶
vetor b est¶a no espa»co coluna de A (R(A))".
Substituindo o vetor b pelo vetor nulo 0,escrevemos:
x1 a1 + x2 a2 + ¢ ¢ ¢ + xn an = 0;
onde a1 ; a2 ; ¢ ¢ ¢ ; an s~ao os vetores coluna da matriz A.

Desta forma, podemos dizer que o sistema linear homogêneo Ax = 0 tem apenas
solu»ca~o trivial () os vetores coluna de A s~ao linearmente independentes.
Vamos dar, agora, o seguinte teorema:
Teorema 4.6
Seja A uma matriz, m £ n. O sistema linear Ax = b ¶e sol¶ uvel para todo b 2
m m
R () os vetores coluna de A geram R . O sistema Ax = b tem no m¶aximo
uma solu»c~ao para qualquer que seja o vetor b 2 Rm () os vetores coluna de A s~ao
linearmente independentes.
Prova
Vimos que o sistema linear Ax = b ¶e sol¶ uvel () o vetor b 2 R(A). Desta forma,
o sistema linear Ax = b ¶e sol¶ uvel 8b 2 R () os vetores coluna de A geram Rm .
m
Para a segunda a¯rma»c~ao, observamos que se Ax = b tem no m¶aximo uma

solu»ca~o para qualquer vetor b 2 Rm , ent~ao, particularizando temos que Ax = 0 tem
apenas a solu»c~ao trivial e, portanto os vetores coluna de A s~ao linearmente indepen-
dentes. Por outro lado, se os vetores coluna de A s~ao linearmente independentes, o
sistema linear homogêneo Ax = 0 tem apenas a solu»c~ao trivial. Vamos supor que
x1 e x2 sejam duas solu»co~es de Ax = b. Temos que x1 ¡ x2 ¶e tamb¶em uma solu»c~ao
do sistema linear homogêneo Ax = 0, e assim:
A(x1 ¡ x2 ) = Ax1 ¡ Ax2 = b ¡ b = 0
Logo, x1 ¡ x2 = 0 =) x1 = x2 .
Seja A uma matriz, m £ n.Se os vetores coluna de A geram Rm , ent~ao n tem que
ser maior ou igual a m, j¶a que um conjunto com menos que m vetores n~ao pode gerar
Rm . Se as colunas de A s~ao linearmente dependentes, ent~ao n tem que ser menor
ou igual a m, j¶a que qualquer conjunto com mais de m vetores em Rm ¶e linearmente
dependente. Portanto, se os vetores coluna de A formam uma base para Rm , ent~ao
n = m. Isto ocorre quando a matriz A, n £ n, ¶e invert¶³vel.
Teorema 4.7
Seja A uma matriz, m £ n, de posto(A) = r. A dimens~ao do espa»co linha de A
( igual ao posto(A)) ¶e igual a dimens~ao do espa»co coluna.
Prova
66
Seja A uma matriz, m £ n, de posto(A). Reduzindo esta matriz µa sua forma
escada U, temos que as r primeiras linhas destas têm primeiros coe¯cientes 6 = 0,
cujas colunas correspondentes s~ao linearmente independentes. Retiramos da matriz
U as colunas correspondentes µa vari¶aveis livres e fazemos o mesmo com as colunas
correspondentes da matriz A. Chamando estas matrizes de Ul e Al , respectivamente,
temos que estas s~ao equivalentes por linhas. Assim, x ¶e solu»c~ao de Al x = 0 () x
¶e solu»c~ao de Ul x = 0 . Ou seja, as colunas de Al tamb¶em devem ser linearmente
independentes. Assim, a dimens~ao do espa»co coluna de A deve ser pelo menos igual
µa r, ou seja: (¸ r). Aplicando este mesmo racioc¶³nio µa matriz At , concluimos que
dimens~ao do espa»co coluna de At ¸ dimens~ao do espa»co linha de At . Portanto,
dim(R(A)) = dim(R(At )) = r.
4.6 Espa»co Nulo de A e Espa»co nulo µ

a esquerda
de A
Uma segunda vis~ao para interpretar a solu»c~ao do sistema linear Ax = b ¶e a "dual"
da primeira. Ela se concentra n~ao em encontrar o vetor b 2 Rm , mas tamb¶em no
conjunto de solu»c~oes para obtê-lo. O lado direito b = 0 nos leva sempre em uma
solu»ca~o particular trivial x = 0, mas podem existir in¯nitas solu»c~oes diferentes da
trivial (caso em que n > m).
De¯ni» c~
ao 13
Seja A uma matriz, m £ n, o subespa»co de R1£n gerado pelos vetores x tais que
Ax = 0 ¶e chamado de espa»co nulo de A. Denotaremos este subespa»co por N (A), e
chamaremos de nulidade de A a dim(N (A)).
Exemplo 1
Seja o sistema linear Ax = 0:
2 3 2 3
1 0 " # 0
6 7 x1 6 7
4 5 3 5 =4 0 5
x2
4 3 0
cuja solu»c~ao ser¶a somente a trivial x1 = x2 = 0.

Acrescentando uma coluna µa matriz A deste sistema linear, sendo esta combi-
na»c~ao linear das duas primeiras, obtemos, por exemplo, a matriz B, 3 £ 3:
2 3
1 0 1
6 7
B=4 5 3 8 5
4 3 7
67
Temos que, n~ao alteramos o espa»co coluna de A, uma vez que dim (R(A)) =
dim (R(B)) = 2, mas o espa»co nulo de B contem o vetor cujas componentes s~ao
1; ; 1; ¡1 e cont¶em o m¶
ultiplo deste vetor, ou seja:
2 32 3 2 3
1 0 1 c 0
6 76 7 6 7
4 5 3 8 54 c 5 = 4 0 5
4 3 7 ¡c 0
Assim,
N (B) = f(x; y; z) 2 R3 tal que x = c; y = c; z = ¡c onde c 2 Rg
que ser¶a uma reta em R3 .

Tamb¶em, podemos observar que os vetores de cada linha de B, ou seja, tomados
em R(B)t , s~ao ortogonais aos vetores de N(B). Al¶em do mais, dim (R(B)t ) = 2,
dim (N(B)) = 1 e dim (R(B)t ) + dim (N (B)) = 3.
Damos agora, o seguinte teorema:
Teorema 4.7
Seja A uma matriz, m £ n. A soma do posto(A) com nulidade de A ¶e igual a n.
Prova
Seja U a forma escada reduzida por linhas de A. O sistema linear homogêneo
Ax = 0 ¶e equivalente ao sistema linear homogêneo U x = 0. Se A tem posto r,
ent~ao U tem r linhas n~ao nulas e, portanto, o sistema linear homogêneo Ux = 0
os n~ao nulos e n ¡ r vari¶aveis livres.
tem r vari¶aveis l¶³deres correspondentes aos piv^
A dimens~ao de N(A) ¶e igual ao n¶ umero de vari¶aveis livres.
De¯ni» c~
ao 14
Seja A uma matriz, m £ n. O subespa»co de Rm£1 gerado pelos vetores y tais que
At y = 0 ¶e chamado de espa»co nulo µa esquerda de A.Este subespa»co corresponde ao
espa»co nulo de At . Assim, denotaremos este subespa»co por N(At ).
Para uma matriz A, m £ n, podemos ver os quatro subespa»cos, ditos fundamen-
tais, em termos do n¶ umero de componentes de seus vetores.
- O espa»co nulo de A, (N(A)) e o espa»co linha de A, (R(At )) s~ao subespa»cos de
Rn ;
- O espa»co nulo µa esquerda de A, (N(At )) e o espa»co coluna de A, (R(A)) s~ao
subespa»cos de Rm .
Aplicando o resultado do teorema anterior µa matriz At , temos que:
r + dim(N (At )) = m
Logo, o espa»co nulo µa esquerda de A, (N(At )) tem dimens~ao m ¡ r.
68
Para encontrar y 2 N (At ), ou seja y 2 Rm , tal que y t A = 0, basta calcular
o espa»co nulo para a matriz At . Outra forma de calcul¶a-lo,consiste em encontrar
a decomposi»c~ao P A = LU , onde P ¶e uma matriz de permuta»c~ao. Em seguida,
calculamos L¡1 P A. As u¶ ltimas m ¡ r linhas de L¡1 P formar~ao a base do espa»co
nulo µa esquerda de A, porque estas multiplicadas por A d~ao as linhas nulas em U .
Contudo, o c¶alculo de L¡1 n~ao ¶e t~ao imediato como ¯zemos para a decomposi»c~ao
de LU da matriz A, n £ n.
Exemplo 2
Seja a matriz A:
2 3
1 0
6 7
A=4 5 3 5
4 3
temos que a matriz At ¶e dada por:

" #
1 5 4
At =
0 3 3
Como a matriz At j¶a est¶a na forma escalonada, basta resolver o sistema linear
homogêneo At y = 0, ou seja:
2 3 2 3
" # y1 0
t 1 5 4 6 7 6 7
Ay= 4 y2 5 = y3 4 0 5
0 3 3
y3 0
Obtendo como solu»c~ao:

2 3 2 3
y1 1
6 7 6 7
4 y2 5 = y3 4 ¡1 5
y3 1
Temos assim, que o espa»co nulo µa esquerda de A ¶e gerado pelo vetor:

2 3
1
6 7
4 ¡1 5
1
Outra forma de obter este vetor y tal que y t A = 0 consiste em calcular L¡1 P . Ora,
temos que:
2 3
1 0 0
6 7
L¡1 = 4 ¡5 1 0 5
1 ¡1 1
69
Como n~ao houve permuta»c~ao de linhas no processo da decomposi»c~ao da matriz A,
tomamos a u¶ ltima linha de L¡1 na forma transposta.
Observe que este vetor ¶e perpendicular aos vetores do espa»co coluna de A, R(A):
2 3 2 3
1 0
6 7 6 7
4 5 5;4 3 5
4 3
e temos que dim (R(A)) = 2, dim (N(At )) = 1 e dim (R(A)) + dim (N (At )) = 3.
4.7 ao do sistema linear de m equa»c~

Resolu»c~ oes
com n inc¶
ognitas
Vamos retornar ao M¶etodo da Decomposi»c~ao da matriz A, n £ n, na forma produto
de matrizes LU . Durante o processo de escalonamento, consideramos o piv^ o sempre
6
= 0, a menos de uma permuta»c~ao nas linhas. Isto ¶e poss¶³vel, porque consideramos
det(A) 6 = 0. Vamos estender o processo de escalonamento a uma matriz A, m £ n,
usando o seguinte artif¶³cio:
i) Escolhemos as primeiras linhas de modo a ter os primeiros coe¯cientes n~ao
nulos nestas linhas (estes coe¯cientes ser~ao os pivôs) - caso necess¶ario, trocamos as
linhas;
ii) Zeramos os coe¯cientes da coluna abaixo destes piv^ os, por elimin»c~ao;
iii) Cada piv^
o situa-se na coluna aµ direita da coluna piv^ o da linha acima; isto
produz a forma escalonada.
Ilustrando, ap¶os o escalonamento, obtemos a seguinte matriz:
2 3
¤ ¤ ¤ ¤ ¢¢¢ ¤ ¤
6 7
6 0 ¤ ¤ ¤ ¢¢¢ ¤ ¤ 7
6 7
6 0 0 0 ¤ ¢¢¢ ¤ ¤ 7
6 7
U=6 . . . . . . . 7
. .
6 . . . .. . . . .
. . . 7
6 7
6 0 0 0 0 ¢¢¢ 0 ¤ 7
4 5
0 0 0 0 0 0 0
Exemplo 1
Seja a matriz A, 3 £ 4:
2 3
1 3 3 2
6 7
A=4 2 6 9 5 5
¡1 ¡3 3 0
70
Procedendo o escalonamento da matriz A, obtemos a seguinte matriz U , 3 £ 4:
2 3
1 3 3 2
6 7
U=4 0 0 3 1 5
0 0 0 0
e L, ser¶a uma matriz, 3 £ 3, obtida de forma similar µa decomposi»c~ao LU, e tamb¶em

invers¶³vel. Assim, obtemos:
2 3
1 0 0
6 7
L=4 2 1 0 5
¡1 2 1
Observe que nenhuma opera»c~ao de troca de linhas foi necess¶aria neste exemplo.
Mas, caso haja necessidade, usaremos uma matriz de permuta»c~ao P para a troca de
linhas. Damos o seguinte teorema:
Teorema 4.8
Para qualquer matriz A, m £ n, existem uma matriz de permuta»c~ao P , m £ m,
uma matriz triangular inferior L, m £ m, com diagonal unit¶aria e uma matriz na
forma escada U , m £ n, correspondentes, tais que P A = LU .
Prova
Aplicamos sucessivamente matrizes de permuta»c~oes P1 ; P2 ; P3 ; : : : ; Pk , m£m, no
sistema linear Ax = b de tal forma que assegure que nenhum intercâmbio de linhas
seja necess¶ario para resolver o sistema linear por meio da elimina»c~ao de Gauss. Desta
forma, colocando a matriz de permuta»c~ao P , m £ m, como:
P = Pk Pk¡1 Pk¡2 : : : ; P2 P1 ;
o sistema linear
P Ax = P b
pode ser resolvido sem intercâmbio de linhas. Mas, essa matriz P A pode ser fatorada
em
P A = LU;
onde L ¶e a matriz triangular inferior, m £ m, e U ¶e a matriz na forma escada, m £ n.

Como P ¡1 = P t , temos a fatora»c~ao
A = P ¡1 LU = (P t L)U:
Note que a matriz P t L n~ao ¶e triangular inferior, a menos que P = I.
71
Vamos agora analisar os dois casos de sistemas lineares: homogêneo e n~ao ho-
mogêneo.
Caso homog^ eneo
Vamos considerar agora, a solu»c~ao do sistema linear Ux = 0. Temos:
2 3
2 3 x1 2 3
1 3 3 2 6 7 0
6 76 x2 7 6 7
Ux = 4 0 0 3 1 5 6 7=4 0 5
4 x3 5
0 0 0 0 0
x4
Separamos as inc¶ognitas x1 ; x2 ; x3 e x4 em dois grupos:

1o. grupo: Vari¶ aveis b¶ os. No caso, x1
asicas Correspondentes µas colunas piv^
e x3 ;
2o. grupo: Vari¶ aveis livres Correspondentes µas colunas sem pivôs. No caso,
x2 e x4 ;
Em seguida, escrevemos a solu»c~ao geral como uma combina»c~ao das vari¶aveis
livres x2 e x4 ,ou seja:
2 3 2 3 2 3
¡3x2 ¡ x4 ¡3 ¡1
6 x2 7 6 1 7 6 0 7
6 7 6 7 6 7
x=6 7 = x 26 7 + x 46 7
4 ¡1=3x4 5 4 0 5 4 ¡1=3 5
x4 0 1
Observe que o vetor

2 3
¡3
6 1 7
6 7
6 7
4 0 5
0
d¶a a solu»c~ao do sistema linear homgêneo Ax = 0 para as vari¶aveis livres x2 = 1 e

x4 = 0 e o vetor
2 3
¡1
6 0 7
6 7
6 7
4 ¡1=3 5
1
d¶a a solu»c~ao do sistema linear homgêneo Ax = 0 para as vari¶aveis livres x2 = 0 e

x4 = 1. Todas as solu»c~oes do sistema linear homogêneo s~ao combina»c~oes lineares
destas duas. Temos que o espa»co nulo de A (N (A)) ¶e gerado por estes dois vetores.
72
Enunciamos o seguinte teorema:
Teorema 4.9
Seja A uma matriz, m £ n. Se o sistema linear homogêneo Ax = 0 tem mais
inc¶ognitas do que equa»c~oes (n > m), ele tem solu»c~ao diferente da solu»c~ao trivial.
Prova
Desde que a matriz A tem mais colunas do que linhas, n > m, existir¶a no
m¶aximo m piv^ os, da¶³ existir¶a pelo menos n ¡ m vari¶aveis livres. Existir¶a sempre
mais vari¶aveis livres se algumas linhas de U reduzem µa zero, n~ao mais do que isso,
pelo menos uma vari¶avel dever¶a ser livre. Atribuindo um valor a esta vari¶avel,
obtemos uma solu»c~ao n~ao trivial x. Na verdade, m¶ ultiplas solu»c~oes cx satisfazendo
A(cx) = 0.
Observe que o espa»co nulo ¶e um subespa»co de R4 , com a dimens~ao igual ao
n¶
umero de vari¶aveis livres. Trataremos a dimens~ao deste subespa»co posteriormente.
Caso n~
ao homog^
eneo
No caso n~ao homogêneo, o sistema orginal ¯ca Ax = b, onde b 6
= 0. Voltando
ao exemplo anterior, obtemos ap¶os o escalonamento o sistema linear equivalente
U x = c:
2 3
2 3 x1 2 3
1 3 3 2 6 7 b1
6 76 x2 7 6 7
Ux = 4 0 0 3 1 5 6 7=4 b2 ¡ 2 b1 5
4 x3 5
0 0 0 0 b3 ¡ 2 b2 + 5 b1
x4
onde o vetor c do lado direito desta equa»c~ao ¶e obtido atrav¶es da opera»c~ao: L¡1 .
O sistema linear Ux = c ser¶a inconsistente a menos que b3 ¡ 2 b2 + 5 b1 = 0.
Outra forma de interpretar a solu»c~ao do sistema linear n~ao homogêneo consiste
em tomar o espa»co coluna (R(A)). Este espa»co ¶e gerado pelos vetores coluna:
2 3 2 3
1 3
6 7 6 7
4 2 5;4 9 5
¡1 3
sendo que estes vetores coluna em A correspondem aos vetores coluna da matriz
U com piv^ os. Estes vetores geram um plano em R3 , que consite no conjunto dos
pontos (b1 ; b2 ; b3 ) 2 R3 tais que b3 ¡2 b2 +5 b1 = 0, condi»c~ao imposta para o sistema
linear ser sol¶uvel, for»cando o valor do vetor b 2 R3 . Geometricamente, dizemos que
o vetor (5; ¡2; 1) ¶e perpendicular a cada coluna de A.
Assim, tomando como termo independente o vetor (1; 5; 5) que ¶e perpendicular
73
ao vetor (5; ¡2; 1), obtemos o seguinte sistema linear sol¶
uvel:
2 3
2 3 x1 2 3
1 3 3 2 6 7 1
6 7 6 x2 7 6 7
Ax = 4 2 6 9 5 56 7=4 5 5
4 x3 5
¡1 ¡3 3 0 5
x4
Ap¶os o escalonamento, obtemos:

2 3
2 3 x1 2 3
1 3 3 2 6 7 1
6 76 x2 7 6 7
Ux = 4 0 0 3 1 5 6 7=4 3 5
4 x3 5
0 0 0 0 0
x4
Observe que obtemos a u¶ ltima linha nula e as outras duas equa»c~oes nos d~ao a solu»c~ao:
x3 = 1 ¡ 1=3 x4 e x1 = ¡2 ¡ 3 x2 ¡ x4 , onde x2 e x4 s~ao vari¶aveis livres.
Colocando a solu»c~ao geral xgeral na forma:
2 3 2 3 2 3
¡2 ¡3 ¡1
6 0 7 6 1 7 6 0 7
6 7 6 7 6 7
xgeral = 6 7 + x2 6 7 + x4 6 7
4 1 5 4 0 5 4 ¡1=3 5
0 0 1
onde temos: xgeral = xparticular + xhomgeneo , sendo que o primeiro vetor coluna corre-
sponde a solu»ca~o particular para o sistema linear n~ao homogêneo e as duas u ¶ltimas
parcelas fornecem a solu»c~ao para o sistema linear homogêneo Ax = 0, bastando
atribuir valores x2 = 1; x4 = 0 e x2 = 0; x4 = 1, respectivamente.
Geometricamente, a solu»c~ao geral est¶a em uma superf¶³cie bidimensional, mas
que n~ao ¶e um subespa»co vetorial por n~ao conter a origem. Esta superf¶³cie ¶e paralela
ao espa»co nulo anterior, mas deslocado pela solu»c~ao particular.
Assim, os c¶alculos para a solu»c~ao n~ao homogênea incluem um novo passo:
1) Reduz-se Ax = b µa forma escalonada U x = c;
2) Tome todas as vari¶aveis livres iguais µa zero e encontre a solu»ca~o particular;
3) Fa»ca o lado direito da equa»c~ao Ux = c igual a zero e para cada vari¶avel livre
igual µa 1 e com as outras nulas, encontre as solu»c~oes homogêneas.
A elimin»c~ao por escalonamento nos d¶a o n¶ umero de piv^ os e o n¶
umero de vari¶aveis
livres. Se existem r piv^ os, existem r vari¶aveis b¶asicas e n ¡ r vari¶aveis livres.
4.8 Inversa µ
a Direita e µ
a Esquerda de Matriz
De¯ni»
c~ao 15
74
Seja a matriz A, m £ n. Dizemos que a matriz B,n £ m, ¶e a inversa µa esquerda
da matriz A, quando esta existe e BA = In , onde In ¶e a matriz identidade de ordem
n. Dizemos que a matriz C,n £ m, ¶e a inversa µa direita da matriz A, quando esta
existe e AC = Im , onde Im ¶e a matriz identidade de ordem m.
Temos que para matrizes A, n£n, quando estas inversas existem, elas s~ao iguais.
De fato:
B = BIm = B(AC) = (BA)C = In C = C;
sendo que neste caso m = n.

Teorema 4.10(Exist^ encia e Unicidade de Solu»c~ ao para Ax = b)
Existência O sistema linear Ax = b tem pelo menos uma solu»c~ao para qualquer
vetor b 2 Rm () as colunas de A geram Rm , (posto(A) = r = m). Neste caso,
existe uma inversa µa direita C,n£m, tal que AC = Im , onde Im ¶e a matriz identidade
de ordem m. Isto ¶e poss¶³vel somente quando m · n.
Unicidade O sistema linear Ax = b tem no m¶aximo uma solu»c~ao para qualquer
vetor b 2 Rm () as colunas de A s~ao linearmente independentes, (posto(A) =
r = n). Neste caso, existe uma inversa µa esquerda B,n £ m, tal que BA = In , onde
In ¶e a matriz identidade de ordem n. Isto ¶e poss¶³vel somente quando m ¸ n.
Prova
Este teorema ¶e similar ao teorema da se»c~ao 4.5, formulado agora com matrizes
inversa µa direita e µa esquerda.
No primeiro caso, uma solu»c~ao poss¶³vel ser¶a x = Cb, uma vez que:
Ax = ACb = Im b = b:
Mas, existem outras solu»c~oes se existem outras inversas aµ direita.

No segundo caso, se existe uma solu»c~ao para Ax = b, esta tem de ser:
x = In x = BAx = Bb:
Existem f¶ormulas simples para inversas µa esquerda e µa direita, se elas existem:
B = (At A)¡1 At e C = At (AAt )¡1
mas, para a existência das mesmas, as matrizes At A,n £ n, e AAt ,m £ m, dever~ao

ser invert¶³veis e neste caso, BA = In e AC = Im .
Veremos no cap¶³tulo sôbre orogonalidade que:
- At A,n £ n, tem inversa quando (posto(At A) = r = n) , e
-AAt ,m £ m, tem inversa quando (posto(AAt ) = r = m) .
Assim, estas f¶ormulas têm sentido quando o posto ¶e o maior poss¶³vel.
75
Exemplo 1
Vamos considerar a matriz A, 2 £ 3, de posto = 2, abaixo:
" #
4 0 0
A=
0 5 0
Desde que r = m = n, o teorema anterior garante a existência de uma inversa µa

direita C:
2 3
" # 1=4 0 " #
4 0 0 6 7 1 0
AC = 4 0 1=5 5 =
0 5 0 0 1
c31 c32
Como c31 e c32 s~ao arbitr¶arios, existem diversas inversas aµ direita. Quando c31 =
c32 = 0, obtemos a matriz "pseudoinversa".
A matriz A n~ao tem inversa µa esquerda, uma vez que BA tem a terceira coluna
nula.
Neste exemplo, a f¶ormula C = At (AAt )¡1 nos d¶a a escolha espec¶³¯ca para a
inversa µa direita de A, a "pseudoinversa":
2 3 2 3
4 0 " # 1=4 0
6 7 1=16 0 6 7
C=4 0 5 5 = 4 0 1=5 5
0 1=25
0 0 0 0
A matriz At neste exemplo, em contrapartida, pode ter in¯nitas inversas aµ es-

querda:
2 3
" # 4 0 " #
1=4 0 b 13 6 7 1 0
BAt = 4 0 5 5=
0 1=5 b23 0 1
0 0
¶ltima coluna da inversa µa esquerda de At ¶e arbitr¶aria.

Agora, a u
Considerando o sistema linear:
2 3 2 3
4 0 " # b1
6 7 x1 6 7
4 0 5 5 = 4 b2 5
x2
0 0 b3
¶e sol¶uvel somente quando b3 = 0, tendo u¶nica solu»c~ao x1 = 1=4 e x2 = 1=5. Neste

caso, as colunas de A s~ao linearmente independentes (posto(At ) = 2), n~ao existindo
t
vari¶aveis livres.
76
Para uma matriz A, m £ n, n~ao ¶e poss¶³vel haver ambos, existência e unicidade.
Se m 6= n, n~ao podemos ter (posto(A) = n) e (posto(A) = m). Em contrapartida,
uma matriz A, n £ n, tem inversa µa esquerda () ela tem inversa µa direita. Neste
¶nica: B = C = A¡1 .
caso, a inversa da matriz existe e ¶e u
77
Exerc¶³cios Cap¶³tulo IV
1 - Dados os vetores coluna abaixo:
2 3 2 3 2 3 2 3
1 1 1 2
6 7 6 7 6 7 6 7
v1 = 4 0 5 ; v2 = 4 1 5 ; v3 = 4 1 5 e v4 = 4 3 5 :
0 0 1 4
Mostre que:
a) os vetores v1 ; v2 e v3 s~ao linearmente independentes;
b) os vetores v1 ; v2 ; v3 e v4 s~ao linearmente dependentes.
2 - Dada a matriz:
2 3
1 2 2 3 1 4
6 7
A=4 2 4 5 5 4 9 5
3 6 7 8 5 9
a) Encontre uma base para o espa»co linha de A;
b) Encontre uma base para o espa»co coluna de A;
c) Encontre uma base para o espa»co nulo de A;
d) Qual o posto(A)?
3 - Em cada um dos sistemas lineares a seguir, encontre uma condi»c~ao para os

valores de b1 ,b2 e b3 , para que esses sistemas lineares sejam sol¶
uveis:
a)
2 32 3 2 3
1 4 2 x1 b1
6 76 7 6 7
4 2 8 4 5 4 x2 5 = 4 b2 5
¡1 ¡4 ¡2 x3 b3
b)
2 3 2 3
1 4 " # b1
6 7 x1 6 7
4 2 9 5 = 4 b2 5
x2
¡1 ¡4 b3
4 - Encontre, quando existirem, uma inversa µa esquerda e/ou uma inversa µa direita
para as matrizes a seguir:
a)
" #
1 2 0
A=
0 2 1
78
b)
2 3
1 0
6 7
B=4 2 2 5
0 1
5 - Para uma matriz A, m £ n, pode ser provado que existe uma u ¶nica matriz
] ] ] ] ] ] ]
A , m £ n, tal que AA A = A e A AA = A , com ambas AA e A A sim¶etricas. A
matriz A] ¶e chamada inversa de Moore-Penrose de A.
a) Se a matriz A ¶e quadrada e invers¶³vel, mostre que A] = A¡1 ;
b) Se (posto(A) = r = m), mostre que A] = At (AAt )¡1 ;
c) Se (posto(A) = r = n), mostre que A] = (At A)¡1 At .
79
Cap¶³tulo 5
Transforma»c~
oes Lineares
5.1 Introdu»c~
ao
Trataremos aqui das fun»c~oes cujos dom¶³nios e contradom¶³nios s~ao espa»cos vetori-
ais. Chamamos tais fun»c~oes de transforma»c~oes, aplica»c~oes ou operadores. Seguimos
as nota»c~oes de Apostol,Vol. II [3])
Sejam V e W , dois espa»cos arbitr¶arios. Usaremos a nota»c~ao:
T : V ¡! W
para indicar que T ¶e uma fun»c~ao cujo dom¶³nio ¶e V e contradom¶³nio W . Para

qualquer valor x em V , o elemento T (x) 2 W ¶e chamado de imagem de x por T , e
dizemos que T aplica x em T (x).
Vamos assumir que V e W s~ao espa»cos vetoriais no mesmo corpo de escalares e
de¯nimos uma transforma»c~ao linear como segue:
De¯ni» c~
ao 1
Se V e W s~ao espa»cos vetoriais, uma fun»ca~o T : V ¡! W ¶e chamada uma
transforma»c~ao (ou operador) linear de V em W se tem as seguintes propriedades:
a) T (x + y) = T (x) + T (y) 8x; y 2 V ;
b) T (® x) = ® T (x) 8x 2 V e todo escalar ®.
Neste caso, dizemos que uma transforma»c~ao linear T preserva a adi»c~ao e a mul-
tiplica»c~ao por escalar. Estas duas propriedades podem ser combinadas na f¶ormula:
T (® x + ¯ y) = ® T (x) + ¯ T (y) 8x; y 2 V e todo escalar ® e ¯.
De f¶ormula mais geral, escrevemos a rela»c~ao:
Xn X
n
T( ai xi ) = ai T (xi )
i=1 i=1
para quaisquer n elementos x1 ; x2 ; : : : ; xn 2 V e quaisquer n escalares a1 ; a2 ; : : : ; an 2

K.
80
Exemplo 1
A transforma»c~ao identidade T : V ¡! V , onde T (x) = x; 8x 2 V , que ¶e
representada por I.
Exemplo 2
A transforma»c~ao nula T : V ¡! V , onde T (x) = 0x = 0; 8x 2 V , que aplica
cada elemento x 2 V em 0.
Exemplo 3
A transforma»c~ao multiplica»c~ao por escalar ¯xo c tal que T : V ¡! V , onde
T (x) = c x; 8x 2 V .
Exemplo 4
A transforma»c~ao dada por equa»c~oes lineares onde de¯nimos T : Rn ¡! Rm , que
aplica cada vetor x = (x1 ; x2 ; : : : ; xn ) 2 Rn no vetor y = (y1 ; y2 ; : : : ; ym ) 2 Rm
pelas equa»c~oes:
n
X
yi = aik xk ; i = 1; 2; : : : ; m
k=1
Exemplo 5
Seja V um espa»co vetorial Euclidiano e seja z um vetor ¯xo em V . De¯nimos:
T : V ¡! R tal que T (x) =< x; z >; 8x 2 V:
Exemplo 6
Seja p = p(x) = c0 +c1 x+: : :+cn xn um polinômio em Pn , conjunto de polinômios
de grau · n, e de¯nimos a fun»c~ao:
T : Pn ¡! Pn+1 tal que T (p) = T (p(x)) = xp(x)
A fun»c~ao T ¶e uma transforma»c~ao linear, pois temos:

i) T (p1 + p2 ) = T (p1 (x) + p2 (x)) = x(p1 (x) + p2 (x)) = xp1 (x) + xp2 (x) =
T (p1 ) + T (p2 ); 8p1 ; p2 2 Pn ;
ii) T (kp1 ) = T (kp1 (x)) = x(kp1 (x)) = k(xp1 (x)) = kT (p1 ); 8p1 2 Pn ; 8k 2 R.
Exemplo 7
Seja C1 (a; b) o espa»co vetorial de todas as fun»c~oes reais deriv¶aveis em um in-
tervalo aberto (a; b). A transforma»c~ao que aplica cada fun»c~ao f de C1 (a; b) na sua
derivada f 0 chama-se operador de deriva»c~ao e ¶e representado por D. Temos que:
D : C1 (a; b) ¡! C1 (a; b) tal que D(f) = f 0 ; 8f 2 C1 (a; b):
Esta transforma»c~ao ¶e linear e chama-se operador de deriva»c~ao.
81
Exemplo 8
Seja Co [a; b] o espa»co vetorial de todas as fun»c~oes reais cont¶³nuas em um intervalo
fechado [a; b]. Se f 2 Co [a; b], de¯nimos g = T (f ) como sendo a fun»c~ao de f 2 Co
[a; b] de¯nida por:
Z x
g(x) = f (t)d(t); a · x · b:
a
Esta transforma»c~ao ¶e linear e chama-se operador de integra»c~ao.
5.2 Espa»co Nulo e Imagem

De¯ni» c~
ao 2
Seja a transforma»c~ao linear T : V ¡! W . O conjunto dos vetores w 2 W tais
que ¶e imagem de algum vetor v 2 V , chama-se imagem de T . Denotamos por:
Im(T ) µ W (imagem de T contida em W ).
Im(T ) = fw 2 W tal que 9v 2 V; T (v) = wg;
Exemplo 1
Seja T : R3 ¡! R3 dada por: T (x; y; z) = (0; y; z).
Im(T ) = f(x; y; z) 2 R3 tal que x = 0g
Vamos dar o seguinte teorema:

Teorema 5.1
O conjunto T (V ) (Imagem de V por T ) ¶e um subespa»co vetorial de W . Al¶em
do mais, T aplica o elemento zero de V no elemento zero de W .
Prova Para demonstrar que T (V ) ¶e um subespa»co vetorial de W , basta veri¯car
os axiomas do fecho.
i) Sejam T (x) e T (y) elementos de T (V ). Temos que T (x) + T (y) = T (x + y) e
assim, T (x) + T (y) 2 T (V );
ii) Para qualquer escalar ® temos que ®T (x) = T (®x) e assim, ®T (x) 2 T (V ).
Agora, tomando ® = 0 em ii), concluimos que T (0) = 0.
Portanto, T (V ) ¶e um subespa»co vetorial de W .
Teorema 5.2
Seja a transforma»c~ao linear T : V ¡! W . Se fv1 ; v2 ; : : : ; vn g gera V , ent~ao
fT (v1 ); T (v2 ); : : : ; T (vn )g gera Im(T ).
Prova
Seja w 2 Im(T ). Temos que, 9v 2 V tal que T (v) = w.
82
Por outro lado, v pode ser escrito como:
v = a1 v1 + a2 v2 + : : : + an vn ; com escalares ai ; i = 1; 2; : : : ; n:
Assim,
w = T (v) = T (a1 v1 + a2 v2 + : : : + an vn = T (a1 v1 ) + T (a2 v2 ) + : : : + T (an vn ) =
= a1 T (v1 ) + a2 T (v2 ) + : : : + an T (vn ):
Ou seja,
fT (v1 ); T (v2 ); : : : ; T (vn )g gera Im(T ):
De¯ni» c~
ao 3
O conjunto de todos os elementos de V tal que T aplica em 0 2 W chama-se o
espa»co nulo de T e representa-se por N (T ). Assim, escrevemos:
N(T ) = fx 2 V tal que T (x) = 0g;
tamb¶em chamado n¶ ucleo de T .

Teorema 5.3
O espa»co nulo de T ¶e um subespa»co vetorial de V .
Prova
Sejam x; y 2 N (T ) e ® escalar. Temos que x + y e ® x 2 N (T ), pois:
i) T (x + y) = T (x) + T (y) = 0 + 0 = 0;
ii) T (®x) = ®T (x) = ®0 = 0.
Al¶em do mais, T (0) = 0.
Portanto, N (T ) ¶e um subespa»co vetorial de V .
Exemplo 1
Para a transforma»c~ao identidade I em V , o espa»co nulo consiste apenas 0 em V .
Exemplo 2
Para a transforma»c~ao nula 0 de V em W , o espa»co nulo consiste de todos os
elementos de V .
Exemplo 3
Seja a transforma»c~ao linear:T : R3 ¡! R2 dada por:
T (x; y; z) = (x ¡ y + z; 2x + y + z)
Temos que:
N(T ) = f(x; y; z) 2 R3 tal que T (x; y; z) = (0; 0)g;
83
Para isto, basta resolver o sistema linear homogêneo:
( (
x¡y+z = 0 y = ¡x
=)
2x + y + z = 0 z = ¡2x
Assim, temos:
N(T ) = f(x; ¡x; ¡2x) 2 R3 g;
que corresponde ao subespa»co vetorial gerado pelo vetor (1; ¡1; ¡2).
Exemplo 4
Seja a transforma»c~ao linear:T : R3 ¡! R3 dada por:
T (x; y; z) = (x + y + z; x + y ¡ z; x + y ¡ z)
Para encontrar o conjunto N(T ), resolvemos o sistema linear homogêneo:

8
> (
< x+y+z = 0 x = ¡y
x + y ¡ z = 0 =)
>
: z=0
x+y¡z =0
Assim, temos:
N (T ) = f(¡y; y; 0) 2 R3 g;
que corresponde ao subespa»co vetorial gerado pelo vetor (¡1; 1; 0).

Para encontrar o conjunto Im(T ), resolvemos o sistema linear n~ao homogêneo:
8
>
< x+y+z =a
x+y¡z =b
>
:
x+y¡z =c
Este sistema linear ¶e compat¶³vel para b ¡ c = 0 e sendo a qualquer, tomando a; b; c 2

R. Assim, obtemos:
Im(T ) = f(a; b; b) 2 R3 g:
Teorema 5.4
Uma transforma»c~ao linear T : V ¡! W ¶e injetiva () N(T ) = f0g.
Prova
Obs. T ¶e injetiva quando:
T (v1 ) = T (v2 ); v1 ; v2 2 V =) v1 = v2 ;
84
ou ainda: v1 6= v2 ; v1 ; v2 2 V =) T (v1 ) 6
= T (v2 ): (=)) Se v 2 N (T ), ent~ao
T (v) = 0. Como T (0) = 0 =) T (v) = 0. Por hip¶otese, T sendo injetora, v = 0.
Portanto, N(T ) = 0.
((=) Seja, v1 ; v2 2 V , tais que T (v1 ) = T (v2 ). Ou seja, T (v1 ) ¡ T (v2 ) = 0
e como T ¶e linear: T (v1 ¡ v2 ) = 0 =) v1 ¡ v2 2 N (T ). Como, por hip¶otese
N(T ) = f0g =) v1 ¡ v2 = 0 =) v1 = v2 . Portanto, T ¶e injetora.
Teorema 5: (Dimens~ ao: n¶
ucleo e imagem)
Seja V um espa»co vetorial de dimens~ao ¯nita, onde dim(V ) = n. Tem-se que
T (V ) tamb¶em ¶e de dimens~ao ¯nita e al¶em do mais,
dim N(T ) + dim T (V ) = dim(V ) (I)
Prova
Sejam n = dim (V ) e fv1 ; v2 ; : : : ; vk g uma base para N(T ), onde k = dim N (T ) ·
n. Pelo teorema da complementa»c~ao da base, este conjunto de vetores formam parte
de uma certa base de V , por exemplo, a base:
fv1 ; v2 ; : : : ; vk ; vk+1 ; : : : ; vk+r g (II)
com k + r · n. Vamos mostrar que o conjunto de r vetores,
fT (vk+1 ); : : : ; T (vk+r )g (III)
formam uma base para T (V ), o que prova dim T (V ) = r. Uma vez que, k + r = n,
isto tamb¶em prova (I).
Inicialmente, vamos provar que os r vetores em (III) geram T (V ).
Se y 2 T (V ), temos y = T (x) para algum x 2 V , e podemos escrever:
x = c1 v1 + c2 v2 + : : : + ck vk + ck+1 vk+1 + : : : + ck+r vk+r
Da¶³, temos:
k+r
X k
X k+r
X k+r
X
y = T (x) = ci T (vi ) = ci T (vi ) + ci T (vi ) = ci T (vi )
i=1 i=1 k+1 i=k+1
uma vez que T (v1 ) = T (v2 ) = : : : = T (vr ) = 0.

Portanto, fT (vk+1 ); T (vk+2 ); : : : ; T (vr )g gera T (V ).
Al¶em do mais, este conjunto ¶e linearmente independente.
De fato:
Vamos supor que existam escalares ck+1 ; ck+2 ; : : : ; ck+r tais que:
k+r
X
ci T (vi ) = 0
i=k+1
85
Ent~ao,
k+r
X
T( ci (vi )) = 0;
i=k+1
e assim,
k+r
X
ci (vi ) 2 N (T ); ou ainda: x ¡ x = c1 v1 + c2 v2 + : : : + ck vk :
i=k+1
Assim, escrevemos:
k
X k+r
X
x¡x= ci vi ¡ = 0:
i=1 i=k+1
Como os vetores em (II) s~ao linearmente independentes, temos que ci = 0 8i =

1; 2; : : : ; k + r.
Consequentemente, fT (vk+1 ); T (vk+2 ); : : : ; T (vr )g ¶e linearmente independente.
5.3 Opera»c~
oes Alg¶
ebricas em Transforma»c~
oes Lin-
eares
De¯ni» c~
ao 4
Sejam S : V ¡! W e T : V ¡! W duas transforma»c~oes lineares pertencentes
ao L(V; W ) (conjunto das aplica»c~oes lineares de V em W ). Se c ¶e qualquer escalar
em K, de¯nimos a soma S + T e o produto por escalar cT pelas igualdades:
i) (S + T )(x) = S(x) + T (x) e,
ii) (cT )(x) = cT (x); 8x 2 V .
Obs. L(V; W ) ¶e um espa»co vetorial com as opera»c~oes de¯nidas acima.
De¯ni»c~ ao 5:(Composi»c~ ao de aplica»c~
oes)
Sejam T : U ¡! V e S : V ¡! W duas aplica»c~oes, onde U; V e W s~ao conjuntos.
A composi»c~ao ST ¶e a aplica»c~ao ST : U ¡! W de¯nida por:
(ST )(x) = S(T (x)); 8x 2 U:
Exemplo 1
Sejam as aplica»c~oes S; T : R ¡! R de¯nidas por S(x) = x e T (x) = x + 1.
Temos:
(ST )(x) = S(T (x)) = S(x + 1) = x + 1
86
e
(T S)(x) = T (S(x)) = T (x) = x + 1
Exemplo 2
Sejam as aplica»c~oes S; T : R ¡! R de¯nidas por S(x) = 2x e T (x) = x + 1.
Temos:
(ST )(x) = S(T (x)) = S(x + 1) = 2x + 2
(T S)(x) = T (S(x)) = T (2x) = 2x + 1
Note que (ST ) 6 = (T S).

De¯ni» c~ao 6
Sejam T : V ¡! V uma transforma»c~ao linear (operador linear). De¯nimos as
potências inteiras de T , por indu»c~ao, do seguinte modo:
T 0 = I; T n = T T n¡1 (para) ¸ 1
onde, I ¶e o operador identidade.

Teorema 5.6
Se U; V e W s~ao espa»cos vetoriais com os mesmos escalares e se T : U ¡! V
e S : V ¡! W s~ao transforma»co~es lineares, ent~ao a composi»ca~o ST : U ¡! W ¶e
linear.
Prova
De fato, sejam x; y 2 U e a; b escalares quaisquer. Temos:
(ST )(ax + by) = S(T (ax + by)) = S(aT (x) + bT (y)) = a(ST )(x) + b(ST )(x)
A partir deste teorema, enunciamos o seguinte teorema:

Teorema 5.7
Sejam U; V e W espa»cos vetoriais com os mesmos escalares e sejam as transfor-
ma»c~oes lineares S; T 2 L(V; W ) e seja c um escalar qualquer.
a) Para qualquer transforma»c~ao linear R : U ¡! V temos:
(S + T )R = SR + T R
(cS)R = c(SR);
87
b) Para qualquer transforma»c~ao linear R : W ¡! U temos:
R(S + T ) = RS + RT
R(cS) = c(RS):
Prova (ver Apostol,Vol. II [3])
5.4 Transforma»c~
oes Inversa µ
a Direita e Inversa µ
a
Esquerda
Dada uma transforma»c~ao linear T , queremos encontrar uma transforma»c~ao linear
S, cuja composi»c~ao com T seja a transforma»ca~o linear idêntica. Como ST 6= T S,
vamos introduzir dois tipos de transforma»co~es inversas.
De¯ni» c~ao 7
Uma transforma»c~ao linear R : T (V ) ¡! V chama-se uma inversa µa direita da
transforma»c~ao linear T : V ¡! W quando se tem T ± R = IT (V ) , ou seja,quando:
T (R(y)) = y; 8y 2 T (V )
Exemplo 1
Seja a transforma»c~ao linear:
T : R3 ¡! R2 ; tal que (x; y; z) ¡! (x; y)
A transforma»c~ao linear:
R : R2 ¡! R3 ; tal que (x; y) ¡! (x; y; ax + by); a; b 2 R
¶e uma inversa µa direita para T . Variando os valores de a e b 2 R, obtemos diversas

transforma»c~oes inversas µa direita para T .
De¯ni»c~ ao 8
Uma transforma»c~ao linear S : T (V ) ¡! V chama-se uma inversa µa esquerda da
transforma»c~ao linear T : V ¡! W quando se tem S ± T = IV , ou seja,quando:
S(T (x)) = x; 8x 2 V
Exemplo 2
88
Seja a transforma»c~ao linear:
T : R2 ¡! R3 ; tal que (x; y) ¡! (x + 2y; 2x + 3y; 3x + 4y)
A transforma»c~ao linear:
S : R3 ¡! R2 ; tal que (x; y; z) ¡! (¡3x + 2y; 2x ¡ y)
¶e uma inversa µa esquerda para T , uma vez que:
S(T (x; y)) = S(x + 2y; 2x + 3y; 3x + 4y) =
= (¡3(x + 2y) + 2(2x + 3y); 2(2x + 3y) ¡ (2x + 3y)) = (x; y); 8 (x; y) 2 R2
Portanto, S ¶e a inversa µa esquerda de T .

Teorema 5.8
Uma transforma»c~ao T : V ¡! W pode ter, quanto muito uma inversa µa es-
querda. Se a transforma»ca~o T tem uma inversa µa esquerda S, ent~ao S tamb¶em ¶e a
inversa µa direita.
Prova
Seja T : V ¡! W com duas inversas µa esquerda, S : T (V ) ¡! V e S 0 : T (V ) ¡!
V . Seja y 2 T (V ). Como y = T (x) para algum x 2 V , temos:
S(T (x)) = x e S 0 (T (x)) = x =) S(y) = S 0 (y); 8y 2 T (V )
Portanto, S = S 0 , ou seja,a inversa µa esquerda ¶e u

¶ nica.
Vamos mostrar, agora, que S ¶e tamb¶em inversa µa direita, caso ela exista.
Seja y 2 T (V ). Vamos mostrar que T (S(y)) = y.
Como y = T (V ), temos que y = T (x) para algum x 2 V . Como S ¶e a inversa µa
esquerda de T temos:
x = S(T (x)) = S(y)
Aplicando T a ambos os lados desta igualdade, obtemos:
T (x) = T (S(y)) ou ainda y = T (S(y)); pois y = T (x):
Portanto, S tamb¶em ¶e uma inversa µa direita.

Teorema 9:(Caracteriza»c~ ao das transforma»c~ oes inversas)
Uma transforma»c~ao T : V ¡! W tem uma inversa µa esquerda () T aplica
elementos distintos de V em elementos distintos de W , isto ¶e:
8x; y 2 V; x 6
= y =) T (x) 6
= T (y) (T ¶e injetiva)
89
ou, de forma equivalente:
8x; y 2 V; T (x) = T (y) =) x = y
Prova
" =) "Assumindo que T tenha uma inversa µa esquerda S, e assumindo que
T (x) = T (y), queremos provar que x = y.
Aplicando S, a igualdade anterior, obtemos: S(T (x)) = S(T (y)), ou seja, x = y,
uma vez que S(T (x)) = x e S(T (y)) = y.
" (= "Vamos assumir agora, que T ¶e injetiva em V . Temos de encontrar uma
transforma»c~ao S : T (V ) ¡! V , inversa µa esquerda de T .
Se y 2 T (V ), ent~ao y = T (x) para algum x 2 V . Mas, por hip¶otese, existe um
¶ nico x tal que y = T (x). Colocando S(y) = x, podemos de¯nir S em T (V ) como
u
segue:
S(y) = x signi¯ca que T (x) = y:
Portanto, temos S(T (x)) = x para x 2 V , de modo que ST = IV , ou seja, S ¶e a

inversa µa esquerda de T .
De¯ni» c~ao 5.9
Seja T : V ¡! W injetiva e sobrejetiva, ou seja, T ¶e bijetiva. A u ¶ nica inversa µa
esquerda de T (qu¶e tamb¶em inversa µa direita de T ) representa-se por T ¡1 . Neste
caso, diz-se que T ¶e invert¶³vel e chama-se T ¡1 a inversa de T .
Exemplo 1
Seja a transforma»c~ao linear: Seja T : R3 ¡! R2 tal que (x; y; z) ¡! (x; y).
Temos que, T n~ao ¶e injetiva. De fato, tomando, por exemplo, (1; 3; 3) 6
= (1; 3; ¡2),
temos que T (1; 3; 3) = (1; 3) = T (1; 3; ¡2).
Por outro lado, T ¶e sobrejetiva. De fato, tomando o vetor (y1 ; y2 ) 2 R2 , va-
mos procurar o vetor (x1 ; x2 ; x3 ) 2 R3 tal que T (x1 ; x2 ; x3 ) = (y1 ; y2 ). Como
T (x1 ; x2 ; x3 ) = (x1 ; x2 ), basta tomar x1 = y1 e x2 = y2 .
5.5 Transforma»c~
oes Lineares Inversas
Vamos generalisar o estudo de transforma»c~ao linear inversa para o caso T : V ¡! W
injetiva, onde V e W s~ao espa»cos vetoriais quaisquer. A linearidade de T nos permite
espressar a propriedade injetiva de diversas formas equivalentes.
Teorema 5.10
Seja a transforma»c~ao linear T : V ¡! W . Ent~ao, as a¯rma»c~oes seguintes s~ao
equivalentes:
90
a) T ¶e injetiva em V ;
b) T ¶e invert¶³vel e sua inversa T ¡1 : T (V ) ¡! V ¶e linear;
c) 8x 2 V; T (x) = 0 () x = 0. Isto ¶e, o espa»co nulo N(T ) contem somente o
vetor nulo em V .
Prova
Vamos provar que a) implica b), b) implica c) e c) implica a).
a) =) b) Se T ¶e injetiva em V , ent~ao T tem uma inversa, de acordo com o
Teorema 9. Vamos mostrar agora que T ¡1 ¶e linear. Para isto, tomamos dois vetores
u e v 2 T (V ). Ent~ao, u = T (x) e v = T (y) para algum x e algum y em V . Para
quaisquer escalares ® e ¯, temos:
® u + ¯ v = ®T (x) + ¯T (y) = T (® x + ¯ y);
uma vez que T ¶e linear. Portanto, aplicando T ¡1 a ambos os membros desta igual-
dade, obtemos:
T ¡1 (® u + ¯ v) = ® x + ¯ y = ® = ® T ¡1 (u) + ¯ T ¡1 (v);
ou seja, T ¡1 ¶e linear.
b) =) c) Vamos assumir que vale b). Vamos tomar um vetor x qualquer em V
tal que T (x) = 0. Aplicando T ¡1 , obtemos: x = T ¡1 0 = 0, uma vez que T ¡1 ¶e
linear. Logo, b) =) c).
c) =) a) Vamos assumir que vale c).Sejam u e v quaisquer em V tal que T (u) =
T (v). Como T ¶e linear, temos que:T (u ¡ v) = T (u) ¡ T (v) = 0, e usando a hip¶otese
em c) temos que u ¡ v = 0. Logo, T ¶e injetiva, e a prova do teorema ¶e completa.
Exemplo 1
Seja T : R2 ¡! R2 o operador de rota»c~ao do vetor (x1 ; y1 ) 2 R2 de um ângulo
µ.
(Figura)
Temos que o operador T leva o vetor (x1 ; y1 ) = (rcos ®; rsin ®) no vetor (x2 ; y2 ) =
(rcos (® + µ); rsin (® + µ)).Da¶³, obtemos:
x2 = r(cos ®cos µ ¡ sin ®sin µ) = x1 cos µ ¡ y1 sin µ
y2 = r(sin ®cos µ + cos ®sin µ) = y1 cos µ + x1 sin µ
O operador de rota»c~ao inverso, gira o vetor imagem (x2 ; y2 ) de volta de um ângulo

¡µ.
Daremos, na pr¶oxima se»c~ao, a representa»c~ao matricial deste operador.
91
Exemplo 2
Seja T : Pn ¡! Pn+1 a transforma»c~ao linear T (p) = T (p(x)) = xp(x). Temos
que, se
p = p(x) = c0 + c1 x + c2 x2 + : : : + cn xn e q = q(x) = d0 + d1 x + d2 x2 + : : : + dn xn
s~ao polinômios distintos em Pn , ent~ao:
T (p) = T (p(x)) = c0 x + c1 x2 + : : : + cn xn+1 e T (q) = T (q(x)) = d0 x + d1 x2 + : : : + dn xn+1
diferem entre si em pelo menos um coe¯ciente.

Portanto, T (p) 6
= T (q). Logo, T ¶e injetiva e assim, T tem uma inversa.
Obs. Aqui a imagem de T n~ao ¶e todo o espa»co Pn+1 , pois Im(T ) consiste nos
polinômios de grau · (n + 1) com o termo constante nulo.
Como, T (p) = T (p(x)) = c0 x + c1 x2 + : : : + cn xn+1 , segue-se que,
T ¡1 : Pn+1 ¡! Pn
¶e dada por:
T ¡1 (c0 x + c1 x2 + : : : + cn xn+1 ) = c0 + c1 x + c2 x2 + : : : + cn xn
Desta forma, dada uma transforma»c~ao linear T : V ¡! W que seja injetiva, pode-
mos de¯nir uma transforma»c~ao linear inversa T ¡1 , tal que T ¡1 : Im(T ) ¡! V , onde
cada T ¡1 (w) = v; 8w 2 Im(T ), sendo v 2 V .
Temos que:
T ¡1 (T (v)) = T ¡1 (w) = v e T (T ¡1 (w)) = T (v) = w
Obs. No caso em que T : V ¡! V ¶e um operador injetor, sendo V um espa»co

vetorial de dimens~ao ¯nita, temos que Im(T ) = V , ou seja, o dom¶³nio de T ¡1 ¶e todo
o espa»co V .
Quando o espa»co vetorial V tem dimens~ao ¯nita, a propriedade da transfor-
ma»c~ao linear ser injetiva pode ser formulada em termos de independência linear e
dimensionalidade, conforme o teorema a seguir:
Teorema 5.11
Se T : V ¡! W ¶e uma transforma»c~ao linear e V tem dimens~ao ¯nita, dim(V ) =
n, s~ao equivalentes as a¯rma»c~oes:
a) T ¶e injetiva;
b) Se os vetores e1 ; e2 ; : : : ; ep s~ao linearmente independentes em V , ent~ao os
vetores T (e1 ); T (e2 ); : : : ; T (ep ) s~ao linearmente independentes em T (V );
92
c) dim(V ) = n;
d) Se fe1 ; e2 ; : : : ; ep g ¶e uma base em V , ent~ao fT (e1 ); T (e2 ); : : : ; T (ep )g ¶e uma
base em T (V ).
Prova
a) =) b) Asumamos que T ¶e injetiva. Sejam os vetores e1 ; e2 ; : : : ; ep lineramente
independentes em V e consideremos os vetores T (e1 ); T (e2 ); : : : ; T (ep ) em T (V ).
Suponhamos que:
p
X
ci T (ei ) = 0
i=1
para certos escalares c1 ; c2 ; : : : ; cp . Por linearidade, obtemos:

p p
X X
T( ci ei ) = 0; e portanto, ci ei = 0;
i=1 i=1
uma vez que T ¶e injetiva. Como e1 ; e2 ; : : : ; ep s~ao lineramente independentes em

V , ent~ao c1 = c2 = : : : = cp = 0. Logo,os vetores T (e1 ); T (e2 ); : : : ; T (ep ) s~ao
linearmente independentes em T (V ).
b) =) c) Asumamos b) v¶alido. Seja fe1 ; e2 ; : : : ; ep g base de V . Por b), os n
vetores T (e1 ); T (e2 ); : : : ; T (ep ) s~ao linearmente independentes em T (V ). Portan-
to, dimT (V ) ¸ n. Mas, pelo Teorema 3, temos que dimT (V ) · n. Portanto,
dimT (V ) = n.
c) =) d) Assumamos agora que c) vale e seja fe1 ; e2 ; : : : ; en g uma base de V .
Tomando qualquer vetor y em T (V ), temos que y = T (x) para algum x 2 V , e
assim temos:
n
X n
X
x= ci ei ; e portanto; y = T (x) = ci T (ei )
i=1 i=1
Logo, fT (e1 ); T (e2 ); : : : ; T (en )g gera T (V ). Como, por hip¶otese dimT (V ) = n,

ent~ao fT (e1 ); T (e2 ); : : : ; T (en )g ¶e uma base de T (V ).
d) =) a) Finalmente, assumamos que c) vale. Vamos provar que T (x) = 0
implica em x = 0.
Seja fe1 ; e2 ; : : : ; en g ¶e uma base de V . Se x 2 V , ent~ao temos:
n
X n
X
x= ci ei ; e portanto; T (x) = ci T (ei ):
i=1 i=1
Se T (x) = 0, ent~ao c1 = c2 = : : : = cn = 0, uma vez que os vetores T (e1 ); T (e2 ); : : : ; T (en )

s~ao linearmente independentes. Portanto, x = 0. Logo, T ¶e injetiva e desta forma,
a prova ¯ca completa.
93
Podemos sempre sonstruir uma transforma»c~ao linear T : V ¡! W com valores
determinados para vetores de uma base de V , conforme teorema:
Teorema 5.12
Se fe1 ; e2 ; : : : ; en g ¶e uma base em V , sendo dim(V ) = n, e u1 ; u2 ; : : : ; un s~ao
vetores arbitr¶arios de um espa»co vetorial W , ent~ao existe uma u ¶ nica transforma»c~ao
linear T : V ¡! W tal que:
T (ek ) = uk ; k = 1; 2; : : : ; n (¤)
Esta transforma»c~ao T aplica um vetor arbitr¶ario x 2 V do seguinte modo:
X
n X
n
x= xk ek =) T (x) = xk uk
k=1 k=1
Prova
Qualquer vetor x 2 V pode ser expresso unicamente como uma combina»c~ao
linear dos vetores e1 ; e2 ; : : : ; en , sendo x1 ; x2 ; : : : ; xn as componentes do vetor x em
rela»c~ao µa base ordenada fe1 ; e2 ; : : : ; eng. A transforma»c~ao T de¯nida acima ¶e linear.
Se x = ek para algum k, ent~ao todas as componentes de x s~ao nulas exceto a k-¶esima,
que ¶e igual a 1, de modo que T (ek ) = uk , como requerido em (¤).
Para provar que a transforma»c~ao linear ¶e u
¶nica,tomamos outra transforma»c~ao
0 0
linear T e calculamos T (x). Temos que:
Xn n
X n
X
0 0 0
T (x) = T ( xk ek ) = xk T (ek ) = xk uk = T (x)
k=1 k=1 k=1
0 0
Desde que, T (x) = T (x); 8x 2 V , temos que T = T .
Exemplo 1
Seja encontrar a transforma»c~ao linear T : R2 ¡! R2 tal que T (i) = i + j e
T (j) = 2i ¡ j, onde i; j s~ao os vetores da base canônica de R2 .
Seja x = x1 i + x2 j um vetor qualquer de R2 . Temos que:
T (x) = x1 T (i) + x2 T (j) = x1 (i + j) + x2 (2i ¡ j) = (x1 + 2x2 )i + (x1 ¡ x2 )j
Desta forma, podemos escrever:

" # " # " #" #
u1 h i x1 1 2 x1
= T =
u2 x2 1 ¡1 x2
94
5.6 Representa»c~
ao Matricial das Transforma»c~
oes
Lineares
Seja a transforma»c~ao linear T : V ¡! W , onde dim(V ) = n e dim(W ) = m, e sendo
dadas bases de V e W , respectivamente, pretendemos encontrar uma representa»c~ao
matricial para a transforam»c~ao linear T em rela»c~ao a estas bases. Enunciamos o
seguinte teorema:
Teorema 5.13
Seja a transforma»c~ao linear T : V ¡! W , onde dim(V ) = n e dim(W ) = m,
sendo fe1 ; e2 ; : : : ; en g base ordenada de V e fw1 ; w2 ; : : : ; wm g base ordenada de W .
Seja uma matriz [tij ], m £ n, cujos coe¯cientes s~ao representados por:
n
X
T (ek ) = tik wi ; k = 1; 2; : : : ; n
i=1
Ent~ao, um vetor arbitr¶ario x 2 V , onde

n
X
x= xk ek (¤)
k=1
¶e aplicado por T 2 W , onde

X
n
T (x) = xk uk (¤¤)
k=1
As componentes y1 ; y2 ; : : : ; ym est~ao relacionadas µas componentes x1 ; x2 ; : : : ; xn por:

n
X
yi = tik xk ; i = 1; 2; : : : ; m (¤ ¤ ¤)
k=1
Prova
Desde que T tem valores em W , cada elemento T (ek ) pode ser expresso unica-
mente como combina»c~ao dos vetores w1 ; w2 ; : : : ; wm da base de W , a saber:
m
X
T (ek ) = tik wi
i=1
onde t1k ; t2k ; : : : ; tmk s~ao as componentes de T (ek ) em rela»c~ao µa base fw1 ; w2 ; : : : ; wm g.
Podemos colocar a m-upla (t1k ; t2k ; : : : ; tmk ) como o vetor coluna:
2 3
t1k
6 7
6 t2k 7
6 . 7
6 . 7
4 . 5
tmk
95
Em seguida, podemos dispor cada vetor coluna para os n vetores T (e1 ); T (e2 ); : : : ; T (en )
na matriz [T ] como segue:
2 3
t11 t12 : : : t1n
6 7
6 t21 t22 : : : t2n 7
[T] = 6
6 .. .. ... .. 7
7
4 . . . 5
tm1 tm2 : : : tmn
Aplicando a matriz [T ] em cada membro da equa»c~ao (¤¤) e usando a rela»c~ao (¤),
obtemos:
X
n X
n X
m X
m X n X
m
T (x) = xk T (ek ) = xk tik wi = ( tik xk )wi = yi wi ;
k=1 k=1 i=1 i=1 k=1 i=1
onde cada componente yi ¶e dada por (¤ ¤ ¤).

Exemplo 1
Seja a transforma»c~ao linear T : R3 ¡! R2 dada por T (x) = (x1 + x2 ; x2 + x3 )
para cada x = (x1 ; x2 ; x3 ) 2 R3 . Temos que:
" # " # " #
1 1 0
T(e1 ) = ; T(e1 ) = ; T(e3 ) =
0 1 1
Desta forma, obtemos a matriz [T ], 2 £ 3, seguinte:
" #
1 1 0
[T] =
0 1 1
Exemplo 2
Seja T : R2 ¡! R2 o operador de rota»c~ao do vetor (x1 ; y1 ) 2 R2 de um ângulo
µ. Temos que a matriz [T ] deste operador ¶e dada por:
" #
cos µ ¡ sin µ
[T] =
sin µ cos µ
que ¶e invert¶³vel, pois det[T ] = cos2 µ + sin2 µ = 1 6

= 0.
Temos que:
" # " #
cos(¡µ) ¡ sin(¡µ) cos µ sin µ
[T¡1 ] = [T]¡1 = =
sin(¡µ) cos(¡µ) ¡ sin µ cos µ
De¯ni»c~ ao 10
Dada a transforma»c~ao linear T : Rn ¡! Rm , onde B = fu1 ; u2 ; : : : ; un g base
0
de Rn e B = fw1 ; w2 ; : : : ; wm g base de Rm . A matriz canônica A = [T ] desta
0
transforma»c~ao ¶e chamada a matriz de T em rela»c~ao µas bases B e B . Notamos por:
A[x]B = [T (x)]B 0 (1)
96
onde [x]B e [T (x)]B0 s~ao os vetores colunas em Rn e Rm , respectivamente.
Temos que, em particular, para os vetores da base B, u1 ; u2 ; : : : ; un :
A[u1 ]B = [T (u1 )]B0 ; A[u2 ]B = [T (u2 )]B0 ; : : : ; A[un ]B = [T (un )]B 0 (2)
Como
2 3 2 3 2 3
1 0 0
6 7 6 7 6 7
6 0 7 6 1 7 6 0 7
[u1 ]B = 6
6 .. 7 ; [u2 ] = 6
7 B 6 .. 7 ; : : : ; [un ] = 6
7 B 6 .. 7
7
4 . 5 4 . 5 4 . 5
0 0 1
obtemos:
2 3 2 3 2 3
t11 t12 t1n
6 7 6 7 6 7
6 t12 7 6 t22 7 6 t2n 7
A[u1]B = 6
6 .. 7 ; A[u2 ] = 6
7 B 6 .. 7 ; : : : ; A[un ] = 6
7 B 6 .. 7
7
4 . 5 4 . 5 4 . 5
tm1 tm2 tmn
Susbtituindo estes resultados em (2), obtemos:

2 3 2 3 2 3
t11 t12 t1n
6 7 6 7 6 7
6 t12 7 6 t22 7 6 t2n 7
[T(u1 )]B0 = 6
6 .. 7
7 ; [T(u 2 )]B0 = 6
6 ..
7 ; : : : ; [T(un )] 0 = 6
7 B 6 .. 7
7
4 . 5 4 . 5 4 . 5
tm1 tm2 tmn
Assim, escrevemos:
A = [[T (u1 )]B 0 [T (u2 )]B 0 : : : [T (un )]B0 ] (3)
Denotamos esta matriz tamb¶em pelo s¶³mbolo:
[T ]B 0 ;B (4)
Voltando em (1), vemos que esta matriz tem a seguinte propriedade:
[T ]B0 ;B [x]B = [T (x)]B 0 (5)
Observe o cancelamento ocorrido na f¶ormula (5), pelo fato do subscrito B ocorrer

duas vezes no lado esquerdo da mesma.
No caso especial de operadores lineares em que V = W , a matriz resultante
0
¶e chamada a matriz de T em rela»c~ao µa base B. Neste caso,uma vez que B = B ,
simplesmente escrevemos:
[T ]B 0 ;B = [T ]B (6)
97
e
[T ]B [x]B = [T (x)]B (7)
ou seja, a matriz de coordenada de T (x) ¶e matriz de T vezes a matriz de coordenadas

de x.
Exemplo 1
Dada a transforma»c~ao linear T : R2 ¡! R2 , dada por
" # " #
x1 x1 + x2
T = :
x2 ¡2x1 + 4x2
Tomando a base B = fu1 ; u2 g de R2 onde,

" # " #
1 1
u1 = ; u2 = ;
1 2
obtemos:
" # " #
1+1 2
[T(u1 )] = = = 2u1
¡2 £ 1 + 4 £ 1 2
e
" # " #
1+2 3
[T(u2 )] = = = 3u2
¡2 £ 1 + 4 £ 2 6
Portanto,
" #
h i 2 0
[T]B = [T (u1 )]B [T (u2 )]B =
0 3
Exemplo 2
Seja o operador linear D : P2 ¡! P1 , onde Pk (k = 1; 2) ¶e o espa»co vetorial dos
0
polinômios de grau · k, dada por D(p) = p para cada p 2 P2 . Tomando as bases
0
ordenadas B = fx2 ; x; 1g e B = fx; 1g em P2 e P1 , respectivamente, obtemos:
D(x2 ) = 2x + 0; D(x) = 0x + 1; D(1) = 0x + 0

0
onde dispomos as componentes de D(x2 ); D(x) e D(1) em rela»c~ao µa base B =
fx2 ; x; 1g na forma do vetores colunas, seguintes:
" # " # " #
2 0 0
[D(x2 )]B0 = ; [D(x)]B0 = ; [D(1)]B0 =
0 1 0
98
Obtendo, assim, a matriz DB0 ;B correspondente a esta transforma»c~ao:
" #
2 0 0
DB0 ;B =
0 1 0
Se p(x) = ax2 + bx + c, o vetor de coordenadas de p em rela»c~ao µa base ordenada de

P2 ¶e:
2 3
a
6 7
[p(x)]B = 4 b 5
c
Para encontrar o vetor de coordenadas de D(p) em rela»c~ao µa base ordenada de p1 ,

basta multiplicar:
2 3
" # a " #
2 0 0 6 7 2a
4 b 5=
0 1 0 b
c
5.7 Mudan»ca de Base em Transforma»c~

oes Linear-
es
At¶e o presente momento, ¯xamos uma base B no espa»co vetorial V , onde de¯nimos
a transforma»c~ao linear. Vamos tratar nesta se»c~ao da muda»ca de base no espa»co
0
vetorial V e como ¯ca de¯nida a transforma»c~ao linear usando esta nova base B .
De¯ni» c~
ao 11
0
Sejam B = fu1 ; u2 ; : : : ; un g uma base do espa»co vetorial V e B = fv1 ; v2 ; : : : ; vn g
uma nova base de V . Suponhamos que:
vi = ai1 + ai2 + : : : + ain ; i = 1; 2; : : : ; n;
onde aik ; k = 1; 2; : : : ; n s~ao os vetores coluna da k-¶esima coluna. Assim, na forma

matricial, escrevemos:
2 3 2 32 3
v1 a11 a12 : : : a1n u1
6 7 6 76 7
6 v2 7 6 a21 a22 : : : a2n 7 6 u2 7
6 . 7=6 . .. . . .. 7 6 7
6 . 7 6 . 76 . 7
4 . 5 4 . . . . 5 4 .. 5
vn an1 an2 : : : ann un
ou seja,
v = Au;
99
onde v = [v1 v2 : : : vn ]t e u = [u1 u2 : : : un ]t , e A, a matriz n £ n acima.
A matriz P = At ¶e chamada matriz de transi»c~ao da base "velha" B para a base
0
"nova" B .
Propriedade
1 - A matriz de transi»c~ao de base P ¶e invert¶³vel, e sua inversa P ¡1 ¶e a matriz
0
de transi»c~ao da base B para a base B;
2 - Seja P , a matriz de transi»c~ao da base canônica E 2 Rn para outra base B.
Ent~ao, P ¶e a matriz cujas colunas s~ao precisamente os vetores colunas u1 ; u2 ; : : : ; un ;
0
2 - Seja P , a matriz de transi»c~ao de uma base B para outra base B em V .
Ent~ao, para qualquer v 2 V , temos:
P [v]B0 = [v]B
e da¶³, temos:
P ¡1 [v]B = [v]B0
Damos, o seguinte teorema:

Teorema 5.14
0
Seja P a matriz de transi»c~ao de uma base B para uma outra base B em um
espa»co vetorial V . Ent~ao, para qualquer transforma»c~ao linear T : V ¡! V ,
[T ]B 0 = P ¡1 [T ]P
Ou seja, se A ¶e matriz que representa a transforma»c~ao linear T na base B de V ,

0
ent~ao C = P ¡1 AP ¶e a matriz que representa T em uma nova base B , onde P ¶e a
0
matriz de transi»c~ao da base B para a base B .
Prova
Seja um vetor v 2 V qualquer. Ent~ao, pela propriedade 2) anterior temos:
P [v]B0 = [v]B
Portanto,
P ¡1 [T ]B P [v]B 0 = P ¡1 [T ]B [v]B = P ¡1 [T (v)]B = [T (v)]B 0 :
Mas, [T ]B0 [v]B0 = [T (v)]B0 .

Como na aplica»c~ao v ¡! [v]B ¶e sobre Rn , temos:
(P ¡1 [T ]B P )[x] = [T ]B0 [x]; 8x 2 Rn :
Assim,
(P ¡1 [T ]B P ) = [T ]B0 :
100
Exemplo 1
Consideremos as seguintes bases em R2 :
E = fe1 = (1; 0); e2 = (0; 1)g e B = fu1 = (1; ¡2); u2 = (2; ¡5)g:
Como os vetores E ¶e formado pela base canônica, escrevemos P como os vetores

coluna de B, ou seja:
" #
1 2
P=
¡2 ¡5
Seja o operador linear T : R2 ¡! R2 , dado por:

" # " #
x1 2x1 ¡ 3x2
T = :
x2 4x1 + x2
Temos que:
" #
2
[T(e1 )] =
4
e
" #
¡3
[T(e2 )] =
1
e assim, a representa»c~ao usual de T na base canônica E ¯ca:
" #
2 ¡3
A=
4 1
Desta forma, a representa»c~ao matricial de T em rela»c~ao µa base B, ¯ca:
" #" #" # " #
5 2 2 ¡3 1 2 44 101
C = P¡1 AP = =
¡2 ¡1 4 1 ¡2 ¡5 ¡18 ¡41
Exemplo 2
Seja o operador linear T : P2 ¡! P1 , onde Pk (k = 1; 2) ¶e o espa»co vetorial dos
polinômios de grau · k, dada por T (p(x)) = x p(x) para cada p 2 P2 . Tomando as
0
bases ordenadas E = f1; xg e E = f1; x; x2 g em P1 e P2 , respectivamente, obtemos:
T (1) = x; T (x) = x2
0
onde dispomos as componentes de T (1) e T (x) em rela»c~ao µa base E = f1; x; x2 g na
forma do vetores colunas, seguintes:
2 3 2 3
0 0
6 7 6 7
[T(1)]E0 = 4 1 5 ; [T(x)]E0 = 4 0 5
0 1
101
Obtendo, assim, a matriz TE0 ;E correspondente a este operador:
2 3
0 0
6 7
TE0 ;E =4 1 0 5
0 1
0
Seja a base B = f1; 1 + x; x + x2 g de P2 . Vamos escrever [T ]B 0 ;E .
Temos que:
2 3
1 1 0
6 7
P=4 0 1 1 5
0 0 1
0 0
¶e a matriz de mudan»ca (transi»c~ao) da base B para a base canônica E (P [v]E 0 =
[v]B 0 ).
Calculando P ¡1 , obtemos:
2 3
1 ¡1 1
¡1 6 7
P =4 0 1 ¡1 5 ;
0 0 1
0 0
que ¶e a matriz de mudan»ca da base E para a base B de P2 .
Da¶³, obtemos:
2 32 3 2 3
1 ¡1 1 0 0 ¡1 1
¡1 6 7 6 7 6 7
[T]B0 ;E = P [T]E0 ;E = 4 0 1 ¡1 5 4 1 0 5 = 4 1 ¡1 5
0 0 1 0 1 0 1
Observe, neste exemplo, que s¶o houve mudan»ca de base na imagem do operador
linear.
5.8 Isomor¯smo entre Transforma»c~

oes Lineares
Vimos na se»c~ao 5.5 para que a transforma»c~ao linear T ser invert¶³vel ¶e necess¶ario e
su¯ciente que ela seja injetiva e sobrejetiva, ou seja, bijetiva.
De¯ni» ao 13 Uma transforma»c~ao T : V ¡! W ¶e um isomor¯smo, ou ainda, os
c~
espa»cos V e W s~ao isomorfos quando a transforma»ca~o T ¶e uma bije»c~ao linear entre
V e W.
Al¶em do mais, se T : V ¡! W e S : W ¡! Z s~ao isomor¯smos, ent~ao T ¡1 :
W ¡! V e ST : V ¡! Z s~ao isomor¯smos. Assim, tem-se (ST )¡1 = T ¡1 S ¡1 e,
para ® 6= 0, (®T )¡1 = ®1 T ¡1 .
102
Um isomor¯smo T : V ¡! W transforma toda base de V numa base de W .
Reciprocamente, se uma transforma»c~ao linear T : V ¡! W leva alguma base de V
numa base de W , ent~ao a transforma»c~ao T ¶e um isomor¯smo.
Teorema 5.15
Sejam V e W dois espa»cos vetoriais de dimens~ao ¯nita. V e W têm a mesma
dimens~ao () existe um isomor¯smo entre eles.
Prova
=) Seja V um espa»co vetorial de dimens~ao ¯nita n. Fixando uma base fv1 ; v2 ; : : : ; vn g ½
V , podemos de¯nir uma transforma»ca~o linear T : Rn ¡! V colocando para v =
(®1 ; ®2 ; : : : ; ®n ) 2 Rn ; T (v) = ®1 v1 + ®2 v2 + : : : + ®n vn . Temos que: T (e1 ) =
®1 v1 ; T (e2 ) = ®2 v2 ; : : : ; T (en ) = ®n vn . Assim, T transforma a base canônica
fe1 ; e2 ; : : : ; en g ½ Rn na base fv1 ; v2 ; : : : ; vn g ½ V . Portanto, T ¶e um isomor-
¯smo entre Rn e V . Ou seja, todo espa»co vetorial de dimens~ao ¯nita n ¶e isomorfo
µa Rn .
(= Sejam os isomor¯smos T : Rn ¡! V e S : Rn ¡! W . Como o inverso
T ¡1 : V ¡! Rn e o produto ST ¡1 : V ¡! W s~ao isomor¯smos, temos que V e W
têm a mesma dimens~ao n.
Exemplo 1
O espa»co Pn , dos polinômios de grau · n tem dimens~ao n + 1. Portanto, Pn ¶e
isomorfo µa Rn+1 .
Exemplo 2
O espa»co M (m £ p), das matrizes retangulares m £ p, ¶e isomorfo µa Rmp . Por
exemplo, o espa»co das matrizes quadradas M (2 £ 2) ¶e isomorfo µa R4 . Mais precisa-
mente, podemos de¯nir uma transforma»c~ao linear bijetiva T : M(2 £ 2) ¡! R4 ,
levando a base ordenada de M (2 £ 2):
" # " # " # " #
1 0 0 1 0 0 0 0
f ; ; ; g
0 0 0 0 1 0 0 1
na base canônica ordenada de R4 : fe1 ; e2 ; e3 ; e4 g.
103
Exerc¶³cios Cap¶³tulo V
1 - Em cada item a seguir, use a matriz canônica da transforma»c~ao T para
encontrar T (x). Em seguida, con¯ra o resultado calculando T (x) diretamente.
a) T (x1 ; x2 ) = (¡x1 + x2 ; x2 ), onde x = (¡1; 4);
b) T (x1 ; x2 ; x3 ) = (2x1 ¡ x2 ; x2 + x3 ; 0), onde x = (2; 1; ¡3).
2 - Use multiplica»c~ao matricial para encontrar a re°ex~ao do vetor (¡1; 2),
a) no eixo ¡ x;
b) no eixo ¡ y;
c) na reta y = x.
3 - Use multiplica»c~ao matricial para encontrar a re°ex~ao do vetor (2; ¡5; 3),
a) no plano ¡ xy;
b) no plano ¡ xz;
c) no plano ¡ yz.
4 - Use multiplica»c~ao matricial para encontrar a proje»c~ao ortogonal do vetor
(2; ¡5),
a) sobre o eixo ¡ x;
b) sobre o eixo ¡ y.
5 - Use multiplica»c~ao matricial para encontrar a proje»c~ao ortogonal do vetor
(¡2; 1; 3),
a) sobre o plano ¡ xy;
b) sobre o plano ¡ xz;
c) sobre o plano ¡ yz.
6 - Use multiplica»c~ao matricial para encontrar a imagem do vetor (3; ¡4) quando
este for rotacionado de um ângulo de:
a) µ = 30± ; b) µ = ¡60± ;
c) µ = 45± ; d) µ = 90± .
7 - Use multiplica»c~ao matricial para encontrar a imagem do vetor (¡2; 1; 2)
quando este for rotacionado de um a^ngulo de:
a) µ = 30± em torno do eixo ¡ x;
b) µ = 45± em torno do eixo ¡ y;
c) µ = 90± em torno do eixo ¡ z.
8 - Encontre a matriz canônica do operador que efetua a rota»c~ao de um vetor
em R3 por um ângulo de µ = ¡60±
a) em torno do eixo ¡ x;
b) em torno do eixo ¡ y;
c) em torno do eixo ¡ z.
104
9 - Use multiplica»c~ao matricial para encontrar a imagem do vetor (¡2; 1; 2)
quando este for rotacionado de um a^ngulo de:
a) µ = ¡30± em torno do eixo ¡ x;
b) µ = ¡45± em torno do eixo ¡ y;
c) µ = ¡90± em torno do eixo ¡ z;
d) sobre o plano ¡ xz;
10 - Sejam B = fu1 ; u2 ; u3 g uma base para o espa»co vetorial R3 e T : R3 ¡! R3
um operador linear tal que:
2 3
¡3 4 7
6 7
[T]B = 4 1 0 ¡2 5
0 1 0
0
Encontre [T ]B 0 , sendo B = fv1 ; v2 ; v3 g a base de R3 de¯nida por v1 = u1 ,v2 = u1 +u2
e v3 = u1 + u2 + u3 .
105
Cap¶³tulo 6
Subespa»cos Ortogonais. Proje»c~

oes
em subespa» cos ortogonais.
Aplica»
c~oes
6.1 Introdu»c~
ao
No Cap¶³tulo 3 de¯nimos ortogonalidade de vetores em Rn . Vamos utilizar este
conceito de ortogonalidade nos quatro subespa»cos fundamentais (R(A),R(At ),N (A)
e N(At ))( ver Strang [8]). Antes por¶em, vamos estabelecer a liga»c~ao da ortogonali-
dade com a independência linear entre vetores ortogonais.
Teorema 6.1
Se os vetores v1 ; v2 ; : : : ; vk 2 Rn s~ao mutuamente ortogonais, ent~ao eles s~ao
linearmente independentes.
Prova
Vamos tomar a combina»c~ao linear nula c1 v1 + c2 v2 + : : : + ck vk = 0. Vamos
mostrar que ci = 0; 8i = 1; 2; : : : ; k, tomando como hip¶otese que v1 ; v2 ; : : : ; vk 2 Rn
s~ao mutuamente ortogonais.
Para mostrar que c1 = 0, fazemos o produto interno:
v1t ¢ (c1 v1 + c2 v2 + : : : ck vk ) = v1t 0 = 0
Desta forma, c1 v1t v1 = 0, pois v1t vi = 0 8i 6

= 1 e como v1t v1 6
= 0 , tem-se: c1 = 0.
Fazemos o mesmo para cada ci , i = 2; 3; : : : ; k, ou seja:
vit ¢ (c1 v1 + c2 v2 + : : : + ck vk ) = vit 0 = 0
Assim, ci vit vi = 0 8i 6
= k e como vit vi 6 = 0 , tem-se: ci = 0 8i = 2; 3; : : : ; k.
n
Logo, os vetores v1 ; v2 ; : : : ; vk 2 R s~ao linearmente independentes.
106
6.2 Subespa»cos Ortogonais
Vamos iniciar esta se»c~ao enunciando o teorema sobre a ortogonalide entre os sube-
spa»cos fundamentais para uma matriz A, m £ n.
Teorema 6.2
O espa»co linha de A; (R(At )) de uma matriz retangular A, m £ n, ¶e ortogonal ao
espa»co nulo de A; (N(A)) (em Rn ). O espa»co coluna de A; (R(A)) de uma matriz
retangular A, m£ n, ¶e ortogonal ao espa»co nulo µa esquerda de A; (N (At )) (em Rm ).
Prova
Suponha que x 2 N (A); x 2 Rn e v 2 R(At ). Ent~ao, Ax = 0 e v = At z
para lagum vetor z 2 Rm , onde v ¶e a combina»c~ao linear das linhas de A. Devemos
mostrar que v t x = 0.
De fato:
v t x = (At z)t x = z t Ax = z t 0 = 0:
De forma similar, suponha que y 2 N (At ); y 2 Rm e v 2 R(A). Ent~ao, At y = 0

ou y t A = 0 e v = Az para lagum vetor z 2 Rn , onde v ¶e a combina»c~ao linear das
colunas de A. Devemos mostrar que v t y = 0.
De fato:
v t y = (Az)t y = z t At y = z t 0 = 0:
Ilustra»c~
ao
2 32 3 2 3
linha 1 x1 0
6 76 7 6 7
6 linha 2 7 6 x2 7 6 0 7
Ax = 6
6 .. 7 6 7 6
7 6 .. 7 = 6 .. 7
7
4 . 54 . 5 4 . 5
linha m xn 0
2 3
0
h ih i 6 7
6 0 7
t
y A= y1 y2 ¢ ¢ ¢ ym coluna 1 coluna 2 ¢ ¢ ¢ coluna n =6
6 .. 7
7
4 . 5
0
Exemplo
Seja a matriz A, 3 x 2, cujo posto(A) = 1, abaixo:
2 3
1 3
6 7
A=4 2 6 5
3 9
107
ultiplas do vetor (1; 3) e s~ao ortogonais ao vetor (¡3; 1) 2
As linhas da matriz A s~ao m¶
N(A).
De fato:
" # " # " #
h i x h i x h i x
1 1 1
1 3 = 0; 2 6 = 0; 3 9 =0
x2 x2 x2
Observe que R(At ) e N(A) s~ao retas em R2 . Em contraste, R(A) ¶e uma reta
com vetor dire»c~ao
2 3
1
6 7
4 2 5
3
e N (At ) ¶e o plano de equa»c~ao 1y1 + 2y2 + 3y3 = 0, uma vez que y t A = 0.
Podemos estabelecer agora, o seguinte corol¶ario:
Corol¶ ario 1
O epa»co nulo de A; (N (A)) ¶e o complemento ortogonal do espa»co linha de
A; (R(At )) em Rn, ou seja, N (A)t = R(At ) . O espa»co nulo µa esquerda de A; (N(At ))
¶e o complemento ortogonal ao espa»co coluna de A; (R(A)) em Rm , ou seja, N (At )t =
R(A).
Prova A prova se baseia nos resultados do teorema anterior e na de¯ni»c~ao de
complemento ortogonal.
Queremos saber quando a equa»c~ao linear Ax = b ¶e sol¶ uvel sob a ¶otica dos
subespa»cos fundamentais. Assim, damos o seguinte teorema:
Teorema 6.3
A equa»c~ao linear Ax = b ¶e sol¶uvel () bt y = 0 sempre que At y = 0.
Prova A prova ¶e decorrente dos resultados anteriores.
Como resultado direto temos que: "o vetor b deve ser combina»c~ao linear das
colunas de A". E como resultado indireto temos que: "o vetor b deve ser ortogonal
a todo vetor que ¶e ortogonal µas colunas de A".
Exemplo
Seja o seguinte sistema linear:
x1 ¡ x2 = b1
x2 ¡ x3 = b2
x3 ¡ x1 = b3
que na forma matricial se escreve:
2 32 3 2 3
1 ¡1 0 x1 b1
6 76 7 6 7
4 0 1 ¡1 5 4 x2 5 = 4 b2 5
¡1 0 1 x3 b3
108
uvel para b1 +b2 +b3 = 0,
Somando todas as equa»c~oes, temos que o sistema linear ¶e sol¶
ou seja, quando o vetor
2 3 2 3
b1 1
6 7 6 7
b = 4 b2 5 ¶e ortogonal ao vetor y = 4 1 5
b3 1
Isto torna mais f¶acil que checar com todas as colunas.
6.3 A matriz A e Subespa»cos Fundamentais

Quando o espa»co vetorial Rn ¶e decomposto em dois subespa»cos ortogonais todo
vetor x 2 Rn se escrve como x = v © w v 2 V; w 2 W , onde V e W s~ao subespa»cos
ortogonais em Rn . O vetor v ¶e a proje»c~ao do vetor x em V e o vetor w ¶e a proje»c~ao
ortogonal do vetor x em W, onde W = V ? . (Figura 6.1 )
Figura 6.1: Proje»c~ao Ortogonal
Vamos de¯nir uma aplica»c~ao do espa»co linha de A, R(At ) no espa»co coluna de A,

R(A). Temos que os subespa»co R(At ) e N(A) s~ao complementos ortogonais em Rn
e os subespa»cos R(A) e N(At ) s~ao complementos ortogonais em Rm . O espa»co nulo
de A, N (A) ¶e levado no vetor nulo em Rm e por outro lado, nada ¶e levado no espa»co
nulo µa esquerda de A, N(At ). Para analisar a a»c~ao do espa»co linha de A,R(AT ) e o
espa»co nulo de A,N (A), tomamos um vetor x 2 Rn escrito nas componentes xlinha
e xnulo destes espa»cos, respectivamente, como x = xlinha + xnulo . Aplicando a matriz
A neste vetor x, obtemos:
Ax = Axlinha + Axnulo = Axlinha + 0 = Axlinha
109
Damos o seguinte teorema:
Teorema 6.4
A aplica»c~ao do espa»co linha no espa»co coluna ¶e invert¶³vel. Todo vetor b 2 Rm
no espa»co coluna ¶e imagem de um u ¶ nico vetor xlinha 2 Rn , no espa»co linha.
Prova Se o vetor b est¶a no espa»co coluna, êle ¶e uma combina»c~ao linear Ax das
colunas de A. Com efeito, êle ¶e Axlinha , com xlinha no espa»co linha, uma vez que as
componentes do espa»co nulo de A d~ao Axnulo = 0. Seja um outro vetor ylinha no
espa»co linha dando Aylinha = b, assim obtemos A(xlinha ¡ ylinha ) = b ¡ b = 0. Da¶³,
temos que xlinha ¡ ylinha pertence ao espa»co nulo de A e espa»co linha de A, e como
estes s~ao complementares temos que xlinha ¡ ylinha = 0, ou seja: xlinha = ylinha .
Logo, um u ¶ nico vetor do espa»co linha de A ¶e levado no vetor b 2 Rm .
Conclus~ ao
"Toda matriz A, m £ n, transforma seu espa»co linha no seu espa»co coluna."
Nestes espa»cos r- dimensionais, a matriz A ¶e invert¶³vel quando o seu espa»co nulo
¶e zero. Quando vamos na dire»c~ao oposta,ou seja, quando aplicamos At de R(A) para
R(At ), ela n~ao de¯ne a aplica»c~ao inversa. At move os espa»cos corretamente, mas
esta aplica»c~ao n~ao ¶e biun¶³voca. Temos que A¡1 existe () posto(A) = r = m = n.
Quando falha a existência de A¡1 , procuramos sua substituta natural. Ela ¶e
chamada pseudoinversa, e a denotamos por A+ . Ela inverte a matriz A quando ¶e
poss¶³vel: A+ Ax = x para x 2 R(At ). No espa»co nulo µa esquerda nada pode ser
feito:A+ y = 0.
6.4 Proje»c~
ao em Subespa»cos
Suponhamos que dado um ponto b 2 Rn queremos encontrar sua distância a uma
reta com vetor dire»c~ao a 2 Rn . Queremos encontrar nesta reta um ponto p, o mais
pr¶oximo de b. Geometricamente, temos em R3 , a reta que liga o ponto b ao ponto
p ¶e perpendicular ao vetor a. (Veja Figura 6.2)
A situa»c~ao ¶e a mesma quando, ao inv¶es de uma reta na dire»c~ao do vetor a, temos
um plano em uma dada dire»c~ao - ou mais geralmente, qualquer subespa»co S de Rn .
Neste caso, o problema consiste em encontrar o ponto p no subespa»co S que ¶e mais
pr¶oximo de b. Este ponto p ¶e a proje»c~ao de b neste subepa»co S. Quando projetamos
b em S, p ¶e um ponto onde a perpendicular encontra o subespa»co S.
Uma das aplica»c~oes desta proje»c~ao consiste exatamente no problema da solu»c~ao
pelo m¶etodo dos m¶³nimos quadrados para um sistema sobredeterminado. Neste
problema, o vetor b representa os dados, por exemplo, coletados de um experimento,
e estes dados contem alguns erros neste subespa»co. Quando queremos escrever o
110
Figura 6.2: Proje»c~ao em Subespa»cos
vetor b como uma combina»c~ao linear dos vetores da base neste subespa»co, isto n~ao
pode ser feito, pois as equa»c~oes s~ao inconsistentes e n~ao têm solu»c~ao."O m¶etodo dos
m¶³nimos quadrados seleciona o ponto p como uma melhor escolha poss¶³vel.
Retornando ao Cap¶³tulo 1, dados dois vetores a e b 2 Rn , com a 6 = 0 podemos
t t
de¯nir o vetor ta, onde t = a b=a a, como a proje»c~ao do vetor b ao longo do vetor
a. Assim, a proje»c~ao p deve ser um m¶ ultiplo do vetor a, que aqui escrevemos como:
p = xa, onde queremos encontrar x. Usando a interpreta»c~ao geom¶etrica em R3 ,
temos que o segmento de reta que vai de b µa p = xa ¶e perpendicular ao vetor a:
(b ¡ a)?a () at (b ¡ xa) = 0 () x = at b=at a
Assim, de¯nimos:
De¯ni»c~
ao 1
De¯nimos a proje»c~ao b na reta que passa pela origem 0 e dire»c~ao a como:
at b
p = xa = a
at a
Em R3 , temos a seguinte interpreta»c~ao correta para p. (Figura abaixo)
Temos que k b ¡ p k2 n~ao pode ser negativa, assim:
at b 2 t (at b)2 at b 2 t (bt b)(at a) ¡ (at b)2

k b¡ a k = b b ¡ 2 + ( ) a a = ¸0
at a at a at a at a
O numerador (bt b)(at a) ¡ (at b)2 nunca ¶e negativo, assim, podemos extrair a raiz
quadrada na espress~ao (bt b)(at a) ¸ (at b)2 , encontrando a desigualdade de Cauchy
111
Schwarz:
j at b j·k a k k b k
Vimos que esta igualdade ¶e v¶alida quando o vetor b ¶e m¶ ultiplo do vetor a. O

ângulo µ entre a e b ¶e +1 e ¡1. Neste caso, b ¶e identi¯cado com sua proje»c~ao p e a
distância entre b e a reta de dire»c~ao a ¶e zero.
Proje»c~oes de posto 1
A proje»c~ao do vetor b na reta que passa pela origem 0 e dire»c~ao do vetor a pode
ser escrita como:
at b
p=a :
at a
Nesta f¶ormula, colocamos propositalmente o n¶
umero
at b
x=
at a
ap¶os o vetor a. Procedendo desta forma, escrevemos:
p = Pb
onde
aat
P =
at a
P ¶e de¯nida como a matriz de proje»c~ao que multiplicada pelo vetor b produz a
proje»c~ao p.
Observe que o produto de um vetor coluna por um vetor linha d¶a uma matriz
quadrada, que em seguida, ¶e dividida pelo n¶umero at a.
Exemplo 1
A matriz P que projeta na reta de dire»ca~o de a = (1; 1; 1) ¶e:
2 3 2 3
1 1=3 1=3 1=3
aat 1 6 7h i
6 7
P = t = 4 1 5 1 1 1 = 4 1=3 1=3 1=3 5
aa 3
1 1=3 1=3 1=3
Esta matriz tem duas propriedades b¶asicas da matriz de proje»c~ao:

i) P ¶e uma matriz quadrada;
ii) e P 2 = P .
Tamb¶em, neste exemplo, conforme quatro subespa»cos fundamentais vemos que:
i)posto(P ) = 1;
ii)O espa»co coluna (R(P )) consiste da reta na dire»c~ao do vetor a = (1; 1; 1);
112
iii) O espa»co nulo N(P ) consiste do plano perpendicutar µa a.
Toda coluna ¶e um m¶ ultiplo do vetor a, de modo que P b est¶a na reta de dire»c~ao a.
Estes vetores que projetam em p = 0 s~ao especialmente importantes. Eles ^ satisfazem
a rela»c~ao at b = 0, isto ¶e, eles s~ao perpendiculares ao vetor a e suas componentes ao
longo da reta s~ao nulas. Eles^ pertencem ao plano perpendicular, que ¶e o espa»co nulo
de P .
Por outro, lado como a matriz P ¶e sim¶etrica, o espa»co linha ¶e igual ao espa»co
coluna.
Exemplo 2
Vamos tomar a proje»c~ao no plano-xy na dire»c~ao do ângulo µ. A reta tem dire»c~ao
a = (cos µ; sen µ) e a matriz de proje»c~ao ¶e:
" #
c h i
c s " #
aat s c2 cs
P= t = " #=
aa h i c cs s2
c s
s
onde c = cos µ; s = sen µ e c2 + s2 = 1.
Vimos esta matriz de proje»c~ao em transforma»c~oes lineares.
6.5 Proje»c~
oes e Aproxima»c~
ao pelos M¶³nimos Quadra-
dos
Vimos que o sistema linear Ax = b tem ou n~ao solu»c~ao. Se o vetor b n~ao est¶a no
espa»co coluna, (R(A)),o sistema linear ¶e inconsistente e n~ao temos como resolver
o sistema linear. Contudo, existem situa»c~oes pr¶aticas em que erros em algumas
das equa»c~oes provocam inconsitência do sistema linear. Um exemplo cl¶assico disso ¶e
quando temos diversas medidas de valores (x; y) no plano e queremos encontrar a reta
que passa por estes pontos. Geralmente, procuramos o valor do vetor x 2 Rn que
minimiza a m¶edia do erro nas m equa»c~oes dadas. Como existem diversas maneiras
de calcular esta m¶edia, ¶e mais conveniente tomar a soma dos quadrados dos erros.
Caso 1: Regress~ ao linear simples
Vamos descrever o M¶etodo da Regress~ao Linear usando o seguinte exemplo:
Exemplo
Seja o sistema linear a uma vari¶avel:
2x = b1
3x = b2
4x = b3
113
A solu»c~ao x deste problema existe somente quando o vetor b = (b1 ; b2 ; b3 ) est¶a
na mesma dire»c~ao da reta de dire»c~ao a = (2; 3; 4). Apesar da insolubilidade do
sistema linear, equa»co~es inconsistentes aparecem na pr¶
atica e o problema deve ser
resolvido. Assim, apelamos pelo M¶etodo de Aproxima»c~ao pelo M¶³nimos Quadrados
que consiste em encontrar um valor de x que minimiza a m¶edia dos erros nas m
equa»c~oes (m = 3, no exemplo dado). Existem diversas maneiras de se de¯nir tal
m¶edia, mas a mais conveniente ¶e a soma dos quadrados.
E 2 = (2x ¡ b1 )2 + (3x ¡ b2 )2 + (4x ¡ b3 )2
Quando a solu»c~ao existe, o erro m¶³nimo ¶e E = 0. Caso n~ao exista, o m¶³nimo ser¶a
dado pelo valor de x quando a derivada primeira da fun»ca~o par¶abola E 2 ¶e igual a
zero, ou seja, quando:
dE 2
= 2((2x ¡ b1 )2 + (3x ¡ b2 )3 + (4x ¡ b3 )4) = 0
dx
Resolvendo esta equa»c~ao em x, obtemos a solu»c~ao pelos m¶³nimos quadrados do
sistema linear ax = b:
2b1 + 3b2 + 4b3
x=
22 + 32 + 42
Identi¯camos, nesta equa»c~ao, o valor at b no numerador e o valor at a no denominador.
No caso geral para m equa»c~oes, pretendemos resolver o sistema linear ax = b
minimizando a fun»c~ao:
E 2 = (a1 x ¡ b1 )2 + (a2 x ¡ b2 )2 + ¢ ¢ ¢ + (am x ¡ bm )2
Igualando a derivada de E 2 µa zero, obtemos:
dE 2
= 2((a1 x ¡ b1 )a1 + (a2 x ¡ b2 )a2 + ¢ ¢ ¢ + (am x ¡ bm )am ) = 0
dx
e assim, escrevemos:
"A solu»c~ao pelos M¶etodo dos M¶³nimos Quadrados ¶e dada por:
at b
x= :"
at a
A interpreta»c~ao geom¶etrica para o M¶etodo dos M¶³nimos Quadrados nos indica que
a reta que liga b ao ponto p na reta de dire»c~ao do vetor a deve ser perpendicular µa
a, ou seja:
at b t
at (b ¡ xa) = at b ¡ a a = 0:
at a
114
Caso 2: M¶ etodo dos M¶³nimos Quadrados Multivari¶ avel
Vamos considerar o problema similar ao anterior, onde agora x 2 Rn ; b 2 Rm .
Neste caso, temos de considerar o sistema linear
Ax = b
onde, A ¶e uma matriz, m £ n, e esperamos que o sistema linear seja inconsistente.

Vamos considerar o erro:
E =k Ax ¡ b k
que ¶e exatamente a distância do vetor b ao ponto Ax no espa»co coluna da matriz A.

Queremos encontrar a solu»c~ao x pelo M¶etodo dos M¶³nimos Quadrados que minimiza
a fun»c~ao E 2 . Esta solu»c~ao localiza-se no ponto p = Ax o mais pr¶oximo de b do que
qualquer ponto do espa»co coluna da matriz A.
Usando o apelo geom¶etrico em R3 para calcular x, temos que: "p deve ser
a proje»c~ao de b no espa»co coluna da matriz A". O vetor erro b ¡ Ax deve ser
perpendicular a este espa»co coluna de A, conforme ilustrado na ¯gura a seguir:
O c¶alculo de x e a proje»c~ao p = Ax ¶e feito em duas etapas:
1 - Os vetores ortogonais ao espa»co coluna est~ao no espa»co nulo µa esquerda de
A. Assim, o vetor erro b ¡ Ax deve estar no espa»co nulo de At :
At (b ¡ Ax) = 0 ou At Ax = At b;
2 - O vetor erro b ¡ Ax deve ser ortogonal a cada vetor coluna de A:

at1 (b ¡ Ax) = 0
at2 (b ¡ Ax) = 0
..
.
atn (b ¡ Ax) = 0
ou na forma matricial:
2 3
at1
6 7h i
6 at2 7
6 .. 7 b ¡ Ax = 0
6 7
4 . 5
atn
Esta ¶e a equa»c~ao At (b ¡ Ax) = 0 ou At Ax = At b, chamada de Equa»c~ao Normal.
Assim, escrevemos o seguinte resultado:
"A solu»c~ao pelo M¶etodo do M¶³nimos Quadrados de um sistema linear inconsis-
tente Ax = b, com m equa»c~oes e n inc¶ognitas satisfaz:
At Ax = At b
115
Se as colunas da matriz A s~ao linearmente independntes, ent~ao At A ¶e invert¶³vel e
x = (At A)¡1 At b:
A proje»c~ao do vetor b no espa»co coluna de A ¶e portanto:
p = Ax = A(At A)¡1 At b":
Exemplo
Seja encontrar a solu»c~ao pelo M¶etodo do M¶³nimos Quadrados do sistema linear:
x1 ¡ x2 = 4
3x1 + 2x2 = 1
¡2x1 + 4x2 = 3
e seja encontrar a proje»c~ao ortogonal do vetor b no espa»co coluna da matriz A.

Solu»c~
ao:
Temos que:
2 3 2 3
1 ¡1 4
6 7 6 7
A=4 3 2 5 eb = 4 1 5
¡2 4 3
Observe que as colunas da matriz A s~ao linearmente independentes, portanto existe

uma u
¶nica solu»c~ao pelo M¶etodo do M¶³nimos Quadrados. Temos que:
2 3
" # 1 ¡1 " #
1 3 ¡2 6 7 14 ¡3
At A = 4 3 2 5 =
¡1 2 4 ¡3 21
¡2 4
e
2 3
" # 4 " #
1 3 ¡2 6 7 1
At b = 4 1 5 =
¡1 2 4 10
3
e portanto, o Sistema Normal At Ax = At b, neste caso, ¯ca:

" #" # " #
14 ¡3 x1 1
=
¡3 21 x2 10
cuja solu»c~ao ¶e:

17 143
x1 = ; x2 = :
95 285
116
A proje»c~ao ortogonal do vetor b no espa»co coluna da matriz A ¶e:
2 3 2 3
1 ¡1 " 17 # ¡92
285
6 7 95 6 7
p = Ax = 4 3 2 5 143 = 4 439
285 5
285 94
¡2 4 57
ou seja:
x1 ¡ x2 = ¡0:3228
3x1 + 2x2 = 1:5404
¡2x1 + 4x2 = 1:6491
Observe que:
3 2
h i 4:3228
6 7
at1 (b ¡ Ax) = 1 3 ¡2 4 ¡0:5404 5 = 0
1:3509
2 3
h i 4:3228
6 7
at2 (b ¡ Ax) = ¡1 2 4 4 ¡0:5404 5 = 0
1:3509
onde o vetor erro E = (4:3228; ¡0:5404; 1:3509).
6.6 Matrizes Ortogonais e ortogonaliza»c~

ao de Gram-
Schmidt
Nesta se»c~ao trataremos dos seguinte t¶opicos:
1 - De¯ni»c~ao e propriedades de matrizes ortogonais (Q);
2 - A solu»c~ao de Qx = b, ordin¶aria e pelo M¶etodo dos M¶³nimos Quadrados;
3 - O processo de ortogonaliza»c~ao de Gram-Schmidt e sua interpreta»c~ao como
uma nova fatoriza»c~ao A = QR.
1 - Matrizes Ortogonais
De¯ni» c~
ao 2
Uma matriz ortogonal Q ¶e simplesmente uma matriz quadrada, n £ n, com
vetores colunas ortonormais, isto ¶e, as colunas da matriz Q ¶e constituida dos vetores
q1 ; q2 ; : : : ; qn tais que:
qit qj = ±ij ;
117
onde
(
1 se i = j
±ij =
0 se i 6
=j
Propriedades
1 - Se as colunas da matriz Q, n £ n, s~ao ortonormais ent~ao:
2 3 2 3
q1t 1 0 ::: 0
6 t 7h i 6 7
6 q2 7 6 0 1 ::: 0 7
Qt Q = 6 7 6
6 .. 7 q1 q2 : : : qn = 6 .. .. . . .
7
7
4 . 5 4 . . 0 5
t
qn 0 0 ::: 1
Portanto, Qt Q = I () Qt = Q¡1 .
Exemplo 1
Seja a matriz de rota»c~ao dada no cap¶³tulo anterior:
" #
cos µ ¡sen µ
Q=
sen µ cos µ
Temos que:
" #
cos µ sen µ
Qt = Q¡1 =
¡sen µ cos µ
Vimos que a transforma»c~ao dada por esta matriz Q gira todo vetor em R2 de um
ângulo µ e Qt gira este vetor de volta de um ângulo ¡ µ.
Exemplo 2
Toda matriz de permuta»c~ao P ¶e uma matriz ortogonal.
De fato, a posi»c~ao do coe¯ciente 1 na k-¶esima coluna de P corresponder¶a µa
posi»c~ao deste mesmo coe¯ciente na k-¶esima linha de P t . Por exemplo, se
2 3
0 1 0
6 7
P = 4 0 0 1 5;
1 0 0
temos que:
2 3
0 0 1
6 7
Pt = P¡1 =4 1 0 0 5
0 1 0
2 - A multiplica»c~ao de uma matriz ortogonal Q, n £ n, por um vetor x 2 Rn
preserva seu comprimento, ou seja:
k Qx k=k x k 8x 2 Rn
118
A matriz ortogonal Q, tamb¶em preserva produtos internos e ângulos, uma vez que:
(Qx)t (Qy) = xt Qt Qy = xt y
A preserva»c~ao do comprimento do vetor x decorre diretamente de Qt Q = I

De fato,
k Qx k2 =k x k2 8x 2 Rn
pois,
(Qx)t (Qx) = xt Qt Qx = xt x:
Assim, quando no espa»co um vetor ¶e rotacionado e re°etido, o produto interno e o

comprimento do vetor ¶e preservado. Isto corresponde uma interpreta»c~ao geom¶etrica
para a matriz ortogonal Q.
2.1 - C¶ alculo de Qx = b; Q matriz quadrada
Iniciamos os c¶alculos usando a propriedade 1 : Qt = Q¡1 .
Dada uma base, qualquer vetor b 2 Rn ¶e uma combina»c~ao linear de vetores nesta
base, e assim, o problema ser¶a encontrar os coe¯cientes nesta combina»c~ao linear:
b = x1 q1 + x2 q2 + : : : + xn qn (¤)
Multiplicando ambos os termos desta equa»c~ao por qit ; i = 1; 2; : : : ; n, obtemos:
qit b = xi qit qi ; i = 1; 2; : : : ; n
e como qit qi = 1, chegamos µa:
xi = qit b; i = 1; 2; : : : ; n
Portanto,
b = (q1t b)q1 + (q2t b)q2 + : : : + (qnt b)qn (¤¤):
Desta forma, podemos reescrever (*) na forma matricial,
Qx = b
cuja solu»c~ao ¶e dada por:
x = Q¡1 b
119
Como Q¡1 = Qt a solu»c~ao se escreve:
2 3 2 3
q1t q1t b
6 7h i 6 7
6 q2t 7 6 q2t b 7
x=Q b=6
6
t
.. 7 b =6
7 6 .. 7
7
4 . 5 4 . 5
qnt qnt b
Obs.1:
A interpreta»c~ao para o vetor b na f¶ormula (**) em termos de proje»c~oes ¶e a
seguinte: "Todo vetor b ¶e a soma de suas proje»c~oes unidimensionais nas retas de
dire»c~oes qi ; i = 1; 2; : : : ; n."
Uma vez que as proje»c~oes s~ao ortogonais, podemos usar a rela»c~ao de Pit¶agoras
em Rn :
k b k2 = (q1t b)2 + (q2t b)2 + : : : + (qnt b)2 :
ou seja:
k b k2 =k Qt b k2
como mostramos na propriedade 2.

Obs.2:
Desde que Qt = Q¡1 , temos que QQt = I (produto interno das linhas de Q).
Onde podemos dizer:"As linhas de uma matriz quadrada s~ao ortonormais sempre
que as colunas o forem".
Exemplo
A matriz Q, 3 £ 3, abaixo, tem esta propriedade.
2 ¡1 1 1
3
p p p
2 6 3
6 ¡2 p1
7
Q=4 0 p
6 3 5
p1 p1 p1
2 6 3
2.2 - C¶alculo de Qx = b; Q matriz retangular

Vamos considerar agora, Qx = b, onde a matriz Q, m£n, tem mais linhas do que
colunas (m > n). Neste caso, esperamos n~ao resolver Qx = b exatamente. Assim,
vamos usar o M¶etodo dos M¶³nimos Quadrados.
Mesmo Q sendo uma matriz retangular ainda temos Qt Q = I, onde I ¶e uma
matriz identidade, n £ n. Na forma matricial, temos:
2 3 2 3
q1t 1 0 ::: 0
6 t 7h i 6 7
6 q2 7 . 6 0 1 ::: 0 7
6 . 7 q q .. q =6 7
6 . 7 1 2 n 6 .. .. . . . 7
4 . 5 4 . . 0 5
t
qn 0 0 ::: 1
120
onde Qt ¶e a inversa µa esquerda de Q.
Se a colunas da matriz Q s~ao ortonormais, ent~ao o problema dos m¶³nimos quadra-
dos torna-se f¶acil. Assim fazemos:
Qx = b (sistema retangular insol¶ uvel);
Q Qx = Q b (equa»c~ao normal para x, na qual Qt Q = I)
t t
x = Qt b (xi = qit b)
p = Qx (proje»c~ao do vetor b nas colunas ¶e:(q1t b)q1 + (q2t b)q2 + : : : + (qnt b)qn )
p = QQt b (de modo que a matriz de proje»c~ao ¶e P = QQt ).
As f¶ormulas s~ao do tipo p = Ax e P = A(At A)¡1 At , para matriz A retangular.
No caso, como Q ¶e uma matriz ortogonal, Qt Q = I, e a parte pesada do M¶etodo
dos M¶³nimos Quadarados desaparece. As proje»c~oes nos eixos s~ao acopladas e p ¶e a
soma das proje»co~es unidimensionais. (Veja ¯gura 3.10)
Vale a pena ressaltar que Qt Q ¶e a matriz identidade I, n £ n, enquanto que QQt
¶e uma matriz de proje»c~ao P , m £ m.
Exemplo
Suponhamos que queremos projetar o ponto b = (x; y; z) do espa»co no plano-xy.
Sua proje»c~ao ¶e p = (x; y; 0) onde pode ser visto como a soma das proje»c~oes nos eixos
x e y, como segue:
2 3 2 3
1 x
6 7 t 6 7
q1 = 4 0 5 e (q1 b)q1 = 4 0 5
0 0
2 3 2 3
0 0
6 7 t 6 7
q2 = 4 1 5 e (q2 b)q2 = 4 1 5
0 0
A matriz de proje»c~ao ser¶a:

2 3
1 0 0
6 7
P = q1 qt1 + q2 qt2 = 4 0 1 0 5
0 0 0
e
2 3 2 3
x x
6 7 6 7
P4 y 5 = 4 y 5
z 0
121
3 - Processo de Ortogonaliza»c~ ao de Gram-Schmidt
O processo de Ortogonaliza»c~ao de Gram-Schmidt consiste em (no caso particular
de R3 ), dados três vetores a; b; c 2 R3 , encontrar os vetores q1 ; q2 e q3 a partir destes
vetores iniciais de tal forma que os vetores q1 ; q2 e q3 sejam ortonormais.
Inicialmente, calculamos:
a
q1 =
kak
e, em seguida, calculamos:
~b = b ¡ (q t b)q1
1
que normalizado ¯ca:

~b
q2 =
k ~b k
Finalmente, calculamos:
c~ = c ¡ (q1t c)q1 ¡ (q2t c)q2
que normalizado ¯ca:

c~
q3 =
k c~ k
Exemplo
Dados os três vetores linearmente independentes:
2 3 2 3 2 3
1 1 2
6 7 6 7 6 7
a = 4 0 5; b = 4 0 5; c = 4 1 5
1 0 0
Na 1a. etapa, obtemos:

2 p 3
2=2
a 6 7
q1 = =4 0 5
kak p
2=2

2 3 2 p 3 2 3
1 p 2=2 1=2
~b = b ¡ (q1t b)q1 = 6 7 26 7 6 7
4 0 5¡ 4 0 5=4 0 5
2 p
0 2=2 ¡1=2
122
2 p 3
~b 2=2
6 7
q2 = =4 0 5
~
kbk p
¡ 2=2

2 3 2 p 3 2 p 3 2 3
2 2=2 2=2 0
t t 6 7 p 6 7 p 6 7 6 7
c~ = c ¡ (q1 c)q1 ¡ (q2 c)q2 = 4 1 5 ¡ 2 4 0 5 ¡ 2 4 0 5=4 1 5
p p
0 2=2 ¡ 2=2 0
2 3
0
c~ 6 7
q3 = =4 1 5
k c~ k
0
Portanto, a matriz ortogonal ¯ca:

2 p p 3
2=2 2=2 0
6 7
Q=4 0 0 1 5
p p
2=2 ¡ 2=2 0
Generalizando, o processo de ortogonaliza»c~ao de Gram-Schmidt inicia com vetores

a1 ; a2 ; : : : ; an linearmente independentes e ¯naliza com vetores q1 ; q2 ; : : : ; qn , ortonor-
mais. No j-¶esimo passo, subtraimos de aj as componentes nas dire»c~oes que j¶a foram
previamentes calculadas pelo processo, a saber:
a~j = aj ¡ (q1t aj )q1 ¡ : : : ¡ (qj¡1 aj )qj¡1
Em seguida, normalizamos a~j , obtendo:

a~j
qj =
k a~j k
6.7 Fatora»c~
ao QR
Vamos considerar a matriz A, m£n, com vetores coluna linearmente independentes.
Pretendemos decompor a matriz A no produto das matrizes Q,m £ n, e R, n £ n,
onde Q ¶e uma matriz ortogonal e R ¶e uma matriz triangular superior. Assim, seja
a matriz A, com os vetores colunas a; b; c 2 Rm :
2 3
.. .. ..
. . .
6 7
A=6 4 a b c 7
5
.. .. ..
. . .
123
para iniciarmos o processo. Vamos ¯nalizar com a matriz Q seguinte:
2 3
.. .. ..
. . .
6 7
Q = 4 q1 q2 q3 7
6
5
.. .. ..
. . .
onde os vetores coluna q1 ; q2 ; q3 2 Rm s~ao vetores ortonormais obtidos pelo processo

de ortogonaliza»c~ao de Gram-Schmidt e com a matriz R, triangular superior, de modo
que A = QR
Usando o processo de ortogonaliza»c~ao de Gram-Schmidt escrevemos os vetores
a; b e c como combina»c~ao linear dos vetores q1 ; q2 e q3 . No caso, teremos:
a = (q1t a)q1
b = (q1t b)q2 + (q2t b)q2
c = (q1t c)q1 + (q2t c)q2 + (q3t c)q3
Expressando a matriz A, nesta forma, obtemos a fatora»c~ao A = QR:
2 3 2 32 3
.. .. .. .. .. ..
. . . . . . q1t a q1t b q1t c
6 7 6 7
6 a b c 7 = 6 q1 q2 q3 7 6 t t 7
4 5 4 5 4 0 q2 b q2 c 5
.. .. .. .. .. .. 0 0 q3t c
. . . . . .
Exemplo
Vamos tomar a matriz A, 3 £ 3, seguinte:
2 3
1 1 2
6 7
A=4 0 0 1 5
1 0 0
Usando o processo de ortogonaliza»c~ao de Gram-Schimidt obtemos a matriz Q seguinte:

2 1 3
p p1 0
2 2
6 7
Q=4 0 0 1 5
p1 ¡ p12 0
2
e de acordo com a f¶ormula para a matriz R, obtemos:

2 p p 3
2 p12 2
6 p 7
R = 4 0 p12 2 5
p
0 0 2
Observe que esta fatora»c~ao ¶e similar a fatora»c~ao A = LU , exceto que agora a

matriz Q tem colunas ortogonais. Os coe¯cientes diagonais na matriz R s~ao os
comprimentos de a~; ~b e c~, respectivamente. Os coe¯cientes extradiagonais superiores
124
na matriz R s~ao q1t b; q1t c e q2t c e os coe¯cientes extradiagonais inferiores s~ao nulos
decorrente da forma construtiva do m¶etodo de ortogonaliza»c~ao de Gram-Schimidt.
"Toda matriz A, n£n, com colunas linearmente independentes pode ser fatorada
em A = QR. As colunas da matriz Q, m £ n, s~ao ortonormais, e a matriz R, n £ n, ¶e
triangular superior e invert¶³vel. Quando m = n, todas as matrizes s~ao quadradas."
A importância principal da ortogonaliza»c~ao reside no fato que ela simpli¯ca o
Problema dos M¶³nimos Quadrados Ax = b. No caso, temos:
At A = Rt Qt QR = Rt R
Portanto, a equa»c~ao fundamental At Ax = At b simpli¯ca em:
Rt Rx = Rt Qt b ou Rx = Qt b
onde a resolu»c~ao desta u ¶ltima equa»c~ao ¶e simples, uma vez que R ¶e uma matriz
triangular superior. O custo real do m¶etodo ¶e de mn2 opera»c~oes, decorrrente das
opera»c~oes na obten»c~ao da matriz Q e da matriz R usando o processo de ortogonal-
iza»c~ao de Gram-Schimidt.
125
Exerc¶³cios Cap¶³tulo VI
1 - Considerando que S ¶e um plano gerado pelos vetores (x1 ; x2 ; x3 ; x4 ) 2 R4
que satisfaz
x1 + x2 + x3 + x4 = 0;
escreva uma base para S ? . Crie uma matriz P que tenha S como seu espa»co
nulo.
2 - Encontre a matriz de proje»c~ao P no espa»co gerado pelos vetores coluna
2 3 2 3
1 1
6 7 6 7
a1 = 4 0 5 ; a2 = 4 1 5 :
1 ¡1
3 - O sistema linear baixo n~ao tem solu»c~ao:

2 3 2 3
1 ¡1 " # 4
6 7 C 6 7
Ax = 4 1 0 5 = 4 5 5 = b:
D
1 1 9
a) Esboce e encontre uma reta que leva µa minimiza»c~ao da soma dos quadrados
(C ¡ D ¡ 4)2 + (C ¡ 5)2 + (C + D ¡ 9)2 ;
b) Qual a proje»c~ao de b no espas»co coluna de A?
4 - Aplique o processo de Gram-Schimidt nos vetores
2 3 2 3 2 3
0 0 1
6 7 6 7 6 7
a = 4 0 5;b = 4 1 5;c = 4 1 5:
1 1 1
Escreva o resultado na forma A = QR.

5 - Suponha que o espa»co vetorial R3 tenha o produto interno < u; v >= u1 v1 +
2u2 v2 + 3u3 v3 , onde u = (u1 ; u2 ; u3 ), v = (v1 ; v2 ; v3 ) 2 R3 . Aplique o processo de
Gram-Schimidt para transformar u1 = (1; 1; 1); u2 = (1; 1; 0); u3 = (1; 0; 0) numa
base ortonormal.
126
Cap¶³tulo 7
Determinantes
7.1 Fun»c~
ao Determinante
Um determinante ¶e um certo tipo de fun»c~ao que associa um n¶
umero real a uma
matriz quadrada.
Antes de di¯nir a func~ao determinate, vamos dar as seguintes de¯ni»co~es:
De¯ni»
c~ao 1
Uma permuta»c~ao do conjunto de inteiros f1; 2; 3; : : : ; ng ¶e um rearranjo destes
inteiros em alguma ordem sem omiss~oes ou repeti»c~oes.
Nota»c~ ao:Permuta»c~ao arbitr¶aria no conjunto Sn = conjunto das permuta»c~oes em
1; 2; 3; : : : ; n ¶e dada por: ¾ = j1 j2 : : : jn ; onde ji = ¾(i).
De¯ni»
c~ao 2
Uma permuta»c~ao ¶e chamada par se o n¶
umero total de invers~
oes ¶e um inteiro par
e ¶e chamda ¶³mpar se o n¶umero total de invers~oes ¶e ¶³mpar.
Obs.: Ocorre uma invers~ao numa permuta»c~ao sempre que um inteiro maior
precede um menor.
Exemplo
S3 = f1; 2; 3g
Permuta»c~ao No. invers~oes Classi¯ca»c~ao

(1; 2; 3) 0 par
(1; 3; 2) 1 ¶³mpar
(2; 1; 3) 1 ¶³mpar
(2; 3; 1) 2 par
(3; 1; 2) 2 par
(3; 2; 1) 3 ¶³mpar
127
De¯ni»
c~
ao 3
De¯nimos o sinal da permuta»c~ao ¾ por:
(
1 se ¾ ¶e par
sn(¾) =
¡1 se ¾ ¶e ¶³mpar
De¯ni»
c~
ao 4
De¯nimos a fun»c~ao det para uma matriz A; n £ n,por:
det(A) = §¾ sn(¾)a1j1 a2j2 : : : anjn
ou ainda, como a soma de todos os produtos elementares de A com sinal, onde um

produto elementar da matriz A ¶e o produto de n entradas de A, tais que n~ao h¶a
duas de mesma linha ou coluna de A.
Exemplo 1
Seja a seguinte matriz A; 3 £ 3:
2 3
a11 a12 a13
6 7
A = 4 a21 a22 a23 5
a31 a32 a33
Temos que:
det(A) = a11 a22 a33 ¡ a11 a23 a32 ¡ a12 a21 a33 + a12 a23 a31 + a13 a21 a32 ¡ a13 a22 a31
7.2 C¶
alculo de Determinantes - Redu»c~
ao por Lin-
has
Propriedades B¶ asicas
Teorema 7.1
Seja A uma matriz quadrada n £ n. Se a matriz A tem uma linha ou uma coluna
de zeros, ent~ao det(A) = 0.
Prova
De fato, cada produto elementar ter¶a um zero como fator. Assim, o somat¶orio
dos produtos elementares ser¶a igual µa zero.
Teorema 7.2
Se a matriz A; n £ n ¶e triangular superior (inferior ou diagonal), ent~ao det(A)
¶e o produto das entradas na diagonal principal da matriz, ou seja, det(A) =
a11 a22 : : : ann .
Prova
128
De fato, cada produto elementar ter¶a um fator n~ao nulo da diagonal, sendo os
outros fatores nulos. Assim, o somat¶orio dos produtos elementares ser¶a igual µa zero.
Exemplo 2
Seja a matriz A; 4 £ 4, triangular inferior:
2 3
a11 0 0 0
6 a 0 7
6 21 a22 0 7
A=6 7
4 a31 a32 a33 0 5
a41 a42 a43 a44
Vamos considerar o produto elementar a1j1 a2j2 a3j3 a4j4 t¶³pico. Como a12 = a13 =
a14 = 0, precisamos de j1 = 1, ent~ao j2 6
= 1. Assim, j2 = 2; 3; 4. Como a23 = a24 = 0,
para ter um produto elementar n~ao nulo devemos ter j2 = 2. Continuando deste
modo, obtemos: det(A) = a11 a22 a33 a44 .
Teorema 7.3
Seja A uma matriz quadrada n £ n:T emosque : det(A) = det(At ).
Prova
Se A = (aij ); n £ n, ent~ao At = (bij ), onde bij = aji ; i = 1; 2; : : : ; n; j =
1; 2; : : : ; n.
Logo,
det(At ) = §¾ sn(¾)b1¾(1) b2¾(2) : : : bn¾(n) = §¾ sn(¾)a¾(1)1 a¾(2)2 : : : a¾(n)n
Seja ¿ = ¾ ¡1 , permuta»c~ao inversa (¾ ¡1 (j) = k , ¾(k) = j).

Temos que sn(¿ ) = sn(¾) e a¾(1)1 a¾(2)2 : : : a¾(n)n = a1¿ (1) a2¿ (2) : : : an¿ (n) .
Portanto,
det(At ) = §¿ sn(¾)a1¿ (1) a2¿ (2) : : : an¿ (n) :
De¯ni» c~ao 5
Uma matriz E; n £ n, que pode ser obtida da matriz identidade In ; n £ n, execu-
tando uma u ¶nica opera»c~ao elementar sobre linhas ¶e chamada uma matriz elementar.
Teorema 7.4
Seja A uma matriz quadrada n £ n.
a) Se B ¶e a matriz, n £ n, que resulta da multiplica»c~ao de uma u ¶ nica linha ou
uma u¶ nica coluna de A por um escalar k, ent~ao: det(B) = k det(A);
b) Se B ¶e a matriz, n £ n, que resulta da permuta»c~ao de duas linhas ou duas
colunas de A, ent~ao:det(B) = ¡ det(A);
c) Se B ¶e a matriz, n £ n, que resulta quando um m¶ ultiplo de uma linha de A ¶e
somado a outra linha de A ou quando um m¶ ultiplo de uma coluna de A ¶e somado
a outra coluna de A, ent~ao: det(B) = det(A).
129
Prova( ver Apostol,Vol II [3])
Corol¶ ario 1
Seja E uma matriz elementar n £ n.
a) Se E resulta da multiplica»c~ao de uma u ¶nica linha ou uma u¶ nica coluna de In
por um escalar k, ent~ao: det(E) = k;
b) Se E resulta da permuta»c~ao de duas linhas ou duas colunas de In , ent~ao:det(E) =
¡1;
c) Se E resulta quando um m¶ ultiplo de uma linha de In ¶e somado a outra linha
de In ou quando um m¶ ultiplo de uma coluna de In ¶e somado a outra coluna de In ,
ent~ao: det(E) = 1.
Prova
Consequência imediata do teorema anterior.
Teorema 7.5
Se A uma matriz n £ n, com duas linhas proporcionais ou duas colunas propor-
cionais, ent~ao:det(A) = 0.
Prova
Basta fazer a redu»c~ao da matriz A introduzindo uma linha de zeros.
Exemplo 3
Seja calcular det(A), onde:
2 3
0 1 5
6 7
A = 4 3 ¡6 9 5
2 6 1
Vamos reduzir esta matriz µa forma escalonada e aplicar o teorema 2.
? ? ? ? ? ?
? 0 1 5 ? ? 3 ¡6 9 ? ? 1 ¡2 3 ?
? ? ? ? ? ?
? ? ? ? ? ?
det(A) = ? 3 ¡6 9 ? = ¡ ? 0 1 5 ? = ¡3 ? 0 1 5 ? =
? ? ? ? ? ?
? 2 6 1 ? ? 2 6 1 ? ? 2 6 1 ?
? ? ? ?
? 1 ¡2 3 ? ? 1 ¡2 3 ?
? ? ? ?
? ? ? ?
= ¡3 ? 0 1 5 ? = ¡3 ? 0 1 5 ? = ¡3 £ 1 £ (¡55) = 165
? ? ? ?
? 0 10 ¡5 ? ? 0 0 ¡55 ?
Teorema 7.6
Sejam A e B matrizes, n £ n, e seja k um escalar qualquer. Temos que:
a) det(k A) = kn det(A);
b) Na maioria dos casos, det(A + B) 6= det(A) + det(B);
130
c) det(AB) = det(A) det(B);
d) Uma matriz quadrada A; n £ n, ¶e invert¶³vel () det(A) 6
= 0;
¡1 1
e) det(A ) = det(A) .
7.3 C¶
alculo de Determinantes - Expans~
ao em Cofa-
tores
De¯ni» c~ao 6
Seja a matriz A; n£n. O determinante menor da entrada aij , ou simplesmente, o
menor de aij ¶e denotado por Mij e ¶e de¯nido como o determinante da submatriz por
umero (¡1)(i+j) Mij
supress~ao da i-¶esima linha e da j-¶esima coluna da matriz A. O n¶
¶e denotado por Cij e ¶e chamado o cofator do coe¯ciente aij .
Exemplo 4
Dada a matriz A; 3 £ 3:
2 3
3 1 ¡4
6 7
A=4 2 5 6 5
1 4 8
O cofator de a11 = 3 ¶e:
? ?
? ?
1+1 ? 5 6 ?
C11 = (¡1) ? ? = 16
? 4 8 ?
O cofator de a12 = 1 ¶e:

? ?
? 2 6 ?
? ?
C12 = (¡1)1+2 ? ? = ¡10
? 1 8 ?
C¶alculo do determinante da matriz A usando Cofatores

Teorema 7.7
O determinante da matriz A = (aij ) ¶e igual a soma dos produtos obtidos pela
multiplica»c~ao dos elementos de qualquer linha( ou coluna) de A por seus respectivos
cofatores, ou seja:
X
n
det(A) = akj Ckj = ak1 Ck1 + ak2 Ck2 + : : : + akn Ckn
j=1
ou,
n
X
det(A) = aik Cik = a1k C1k + a2k C2k + : : : + ank Cnkn
i=1
131
Exemplo 4
Dada a matriz A; 3 £ 3:
2 3
0 2 3
6 7
A=4 4 5 1 5
2 ¡1 3
Temos que:
? ? ? ? ? ?
? 5 1 ? ? ? ? ?
1+1 ? ? 1+2 ? 4 1 ? 1+3 ? 4 5 ?
det(A) = 0 £ (¡1) ? ? + 2 £ (¡1) ? ? + 3 £ (¡1) ? ?=
? ¡1 3 ? ? 2 3 ? ? 2 ¡1 ?
= 0 ¡ 2 £ 10 + 3 £ (¡14) = ¡62:
7.4 C¶
alculo da inversa da matriz A usando Ad-
junta Cl¶
assica
De¯ni»c~ao 7
Seja a matriz A; n £ n. De¯nimos a matriz dos cofatores de A, denotada por C,
a matriz n £ n, cujos coe¯cientes s~ao os cofatores da matriz A, ou seja:
2 3
C11 C12 : : : C1n
6 7
6 C21 C22 : : : C2n 7
C=6 .6 .. .. 7
. ... 7
4 . . . 5
Cn1 Cn2 : : : Cnn
De¯nimos, a adjunta cl¶assica de A, denotada por Adj(A), a transposta da matriz

dos cofatores de A,ou seja:
2 3
C11 C21 : : : Cn1
6 7
6 C12 C22 : : : Cn2 7
6
Adj(A) = 6 . .. .. 7
. ... 7
4 . . . 5
C1n C2n : : : Cnn
Teorema 7.8
Se A ¶e uma matriz, n £ n, invert¶³vel, ent~ao:
1
A¡1 = Adj(A)
det(A)
132
Exemplo
Seja calcular a inversa da matriz A do exemplo anterior, onde det(A) = ¡62
(det(A) 6
= 0,A ¶e invert¶³vel).
2 3
0 2 3
6 7
A=4 4 5 1 5
2 ¡1 3
alculo de Adj(A)
C¶
Temos que:
? ? ? ? ? ?
? 5 1 ? ? 4 1 ? ? 4 5 ?
? ? ? ? ? ?
C11 = ? ? = 16; C12 = ? ? = 10; C13 = ? ? = ¡14;
? ¡1 3 ? ? 2 3 ? ? 2 ¡1 ?
? ? ? ? ? ?
? 2 3 ? ? 0 3 ? ? 0 2 ?
? ? ? ? ? ?
C21 =? ? = 9; C22 = ? ? = ¡6; C23 = ? ? = ¡4;
? ¡1 3 ? ? 2 3 ? ? 2 ¡1 ?
? ? ? ? ? ?
? 2 3 ? ? 0 3 ? ? 0 2 ?
? ? ? ? ? ?
C31 =? ? = ¡13; C32 = ? ? = ¡12; C33 = ? ? = ¡8;
? 5 1 ? ? 4 1 ? ? 4 5 ?
2 3
16 9 ¡13
6 7
Adj(A) = 4 10 ¡6 ¡12 5
¡14 ¡4 ¡8
alculo de A¡1 Usando a f¶ormula do teorema 8, obtemos:
C¶
2 3
16 9 ¡13
1 6 7
A¡1 = 4 10 ¡6 ¡12 5
(¡62)
¡14 ¡4 ¡8
7.5 Produto Vetorial de Vetores

Daremos aqui um m¶etodo para se obter um vetor perpendicular a cada dois vetores
A; B 2 R3 ; A; B linearmente independentes.
De¯ni» c~ao 8
Sejam A = (a1 ; a2 ; a3 ) e B = b1 ; b2 ; b3 ) dois vetores em R3 . O produto vetorial A £ B,
nesta ordem, ¶e de¯nido pelo vetor C, perpendicular aos vetores A e B, cujas com-
ponentes s~ao determinantes de ordem dois, dado por:
Ã? ? ? ? ? ?!
? a a ? ? a a ? ? a a ?
? 2 3 ? ? 3 1 ? ? 1 2 ?
C= A£B = ? ? ;? ? ;? ?
? b2 b3 ? ? b3 b1 ? ? b1 b2 ?
133
que pode tamb¶em ser expresso utilizando os vetores coordenados unit¶arios i; j e k:
? ? ? ? ? ?
? a a ? ? a a ? ? a a ?
? 2 3 ? ? 3 1 ? ? 1 2 ?
C= A£B =? ?i + ? ?j + ? ?k
? b2 b3 ? ? b3 b1 ? ? b1 b2 ?
ou melhor:
? ?
? i j k ?
? ?
? ?
C = A £ B = ? a1 a2 a3 ?
? ?
? b1 b2 b3 ?
Exemplo
Qual o produto vetorial dos vetores A = ¡i + 2k e B = 2i + j ¡ k?
Solu»c~
ao
? ?
? i j k ?
? ?
? ?
C = A £ B = ? ¡1 0 2 ? =
? ?
? 2 1 ¡1 ?
? ? ? ? ? ?
? 0 2 ? ? ¡1 2 ? ? ¡1 0 ?
? ? ? ? ? ?
=? ?i ¡ ? ?j + ? ? k = ¡2i + 3j ¡ k:
? 1 ¡1 ? ? 2 ¡1 ? ? 2 1 ?
Observe que:
C?AeC?B
De fato:
A ¢ C = (¡1; 0; 2) ¢ (¡2; 3; ¡1) = 2 ¡ 2 = 0 e B ¢ C = (2; 1; ¡1) ¢ (¡2; 3; ¡1) =
¡4 + 3 + 1 = 0.
Interpreta»c~ao geom¶ etrica do Produto Vetorial
Sejam A e B dois vetores n~ao nulos em R3 fazendo um ângulo µ entre êles, onde
0 · µ · ¼. Podemos escrever:
A ¢ B =k A k k B k cos µ
Pela identidade de Lagrange, temos:
k A £ B k2 =k A k2 k B k2 ¡(A ¢ B)2 =
=k A k2 k B k2 ¡(k A k2 k B k2 cos2 µ) =
=k A k2 k B k2 (1 ¡ cos2 µ) =
134
=k A k2 k B k2 sin2 µ
Portanto,
k A £ B k=k A k k B k sin µ:
Desta forma, podemos concluir que k A £ B k ¶e igual a ¶area do paralelogramo de

lados k A k e k B k, conforme ¯gura....
135
Cap¶³tulo 8
Autovalores e Autovetores
8.1 Introdu»c~
ao
No Cap¶³tulo 2 vimos o M¶etodo de Elimina»c~ao de Gauss para obten»c~ao da solu»c~ao
do Sistema Linear Ax = b, onde A ¶e uma matriz n £ n e x e b s~ao vetores em Rn .
Agora, estamos interessados em resolver o problema Ax = ¸x, onde A ¶e uma matriz
n£n ,x ¶e um vetor em Rn e ¸ ¶e um n¶ umero em R (podemos extender o estudo ao caso
complexo). A resolu»c~ao de ambos os problemas pode ser obtida via determinante,
sendo que no primeiro problema usamos a regra de Cramer para a obten»c~ao da
solu»ca~o x = A¡1 b, quando esta ¶e u ¶nica e no segundo problema encontramos as
ra¶³zes do polinômio det(A ¡ ¸I), que ser~ao os autovalores da matriz A.
O segundo problema aparece em muitas aplica»c~oes. Podemos introduz¶³-lo via
solu»ca~o de equa»co~es diferenciais.
Exemplo
Seja o par de equa»c~oes:
dv
= 4v ¡ 5w; v = 8 em t = 0
dt
dw
= 2v ¡ 3w; w = 5 em t = 0
dt
Na forma matricial, escrevemos:
du
= Au; u = u0 em t = 0
dt
onde
" # " # " #
v(t) 8 4 ¡5
u(t) = ; u0 = em t = 0 e A =
w(t) 5 2 ¡3
136
Procuramos por solu»c~oes da forma:
v(t) = e¸t y
w(t) = e¸t z
ou na forma vetorial:
u(t) = e¸t x
du
Calculando dt
e substituindo no problema na forma matricial, obtemos:
¸e¸t y = 4e¸t y ¡ 5e¸t z
¸e¸t z = 2e¸t y ¡ 3e¸t z
Cancelando o termo comum e¸t , obtemos:
4y ¡ 5z = ¸y
2y ¡ 3z = ¸z
O vetor x associado µa ¸, solu»c~oes da equa»c~ao Ax = ¸x, nos d¶a a solu»c~ao u(t) = e¸t x,
onde vemos que o n¶ umero e¸t cresce ou decresce vezes um vetor ¯xo x.
8.2 Autovalores e Autovetores

De¯ni» c~
ao 1
Um escalar ¸ ¶e um autovalor (valor pr¶oprio) da matriz A; n £ n, se existir um
= 0; x 2 Rn , tal que:
vetor x 6
Ax = ¸x
Este vetor x, associado ao autovalor ¸, diz-se autovetor (vetor pr¶oprio) de A.

ao de Ax = ¸x
Solu»c~
A solu»c~ao de Ax = ¸x ¶e dada por:
(A ¡ ¸I)x = 0;
ou seja, o vetor x pertence ao espa»co nulo da matriz A ¡ ¸I.Assim, o n¶

umero ¸ ¶e
escolhido de modo que A ¡ ¸I tenha um espa»co nulo. Como x 6 = 0, devemos ter
A ¡ ¸I singular. Da¶³, podemos enunciar o seguinte resultado:
137
Teorema 8.1
O n¶ umero ¸ e autovalor da matriz A; n £ n () det(A ¡ ¸I) = 0.
De¯ni» c~
ao 2
A equa»c~ao det(A ¡ ¸I) = 0 pode ser escrita na forma f (¸) = ¸n + c1 ¸n¡1 + ¢ ¢ ¢ +
cn¡1 ¸ + cn , chamado de polinômio caracter¶³stico.
Para cada raiz ¸ do polinômio caracter¶³stico f(¸) corresponde um autovetor x,
solu»ca~o do sistema linear homogêneo:
(A ¡ ¸I)x = 0:
Exemplo 1
Seja a matriz:
2 3
2 1 1
6 7
A=4 2 3 4 5;
¡1 ¡1 ¡2
cujo polinômio caracter¶³stico ¶e:

2 3
¸ ¡ 2 ¡1 ¡1
6 7
det(A ¡ ¸I) = det 4 ¡2 ¸ ¡ 3 ¡4 5 = ¸3 ¡ 3¸2 ¡ ¸ + 3 = (¸ ¡ 1)(¸ + 1)(¸ ¡ 3)
1 1 ¸+2
Solu»c~ ao
Autovalores: ¸1 = 1; ¸2 = ¡1; ¸3 = 3.
Autovetores Associados: Basta resolver os sistemas lineares Ax = ¸i x; i =
1; 2; 3, obtendo:
Para ¸1 = 1; x = t(1; ¡1; 0); t 2 R; t 6
= 0;
Para ¸2 = ¡1; x = t(0; 1; ¡1); t 2 R; t 6
= 0;
Para ¸3 = 3; x = t(2; 3; ¡1); t 2 R; t 6
= 0.
De¯ni» ao 3 De¯nimos o subespa»co invariante o subespa»co gerado pelos autove-
c~
tores associados ao autovalor ¸ e o notamos por: E(¸).
Para o exemplo anterior temos:
E(1) = f(1; ¡1; 0)g; E(¡1) = f(0; 1; ¡1)g; E(3) = f(2; 3; ¡1)g
Observe que, correspondendo aos autovalores distintos, obtemos os autovetores lin-

earmente independentes.
Para autovalores m¶ ultiplos a dimens~ao do subespa»co invariante ser¶a importante
na veri¯ca»c~ao da diagonaliza»c~ao da matriz A.
138
Exemplo 2
Seja a seguinte matriz de proje»c~ao:
" #
1=2 1=2
P=
1=2 1=2
Esta matriz tem como autovalor ¸1 = 1 com correspondente autovetor:

" #
1
x1 =
1
e autovalor ¸2 = 0 com correspondente autovetor:

" #
1
x2 =
¡1
Os autovalores de uma proje»c~ao s~ao 1 ou 0. Quando ¸1 = 1 o vetor ¶e projetado em

si mesmo e quando ¸2 = 0 o vetor ¶e projetado no vetor nulo. O espa»co coluna de
P ¶e formado pelos autovetores correspondentes µa ¸1 = 1 e o espa»co nulo ¶e formado
pelos autovetores correspondentes µa ¸2 = 0. Nestes espa»cos, temos dim R(P ) = r,
onde ¸1 = 1 ¶e repetido r vezes e dim N (P ) = n ¡ r, onde ¸2 = 0 ¶e repetido n ¡ r
vezes.
8.3 Tra»co de uma matriz

Seja f (¸) o polinômio caracter¶³stico da matriz A; n £ n. Sendo ¸1 ; ¸2 ; : : : ; ¸n dis-
tintos, escrevemos:
f (¸) = (¸ ¡ ¸1 )(¸ ¡ ¸2 ) : : : (¸ ¡ ¸n )
ou ainda:
f(¸) = ¸n + c1 ¸n¡1 + ¢ ¢ ¢ + cn¡1 ¸ + cn
onde o termo constante cn e o coe¯ciente c1 do termo ¸n¡1 s~ao dados pelas f¶ormulas:
cn = (¡1)n ¸1 ¸2 : : : ¸n
c1 = ¡(¸1 + ¸2 + : : : + ¸n )
e ainda:
cn = (¡1)n det(A) =) ¸1 ¸2 : : : ¸n = det(A):
139
De¯ni»c~
ao 4
Chama-se tra»co de A a soma das ra¶³zes do polinômio caracter¶³stico f (¸) e ¶e
denotado por tr(A). Escrevemos:
n
X
tr(A) = ¸i = ¡c1
i=1
Desenvolvendo o determinante de A ¡ ¸I, tamb¶em encontramos:
c1 = ¡(a11 + a22 + : : : + ann )
Desta forma, tamb¶em de¯nimos:

X
n
tr(A) = aii
i=1
Propriedades de tr(A)
Sejam A e B matrizes, n £ n. Temos que:
i) tr(A + B) = tr(A) + tr(B);
ii) tr(cA) = c tr(A); c escalar;
iii) tr(AB) = tr(BA);
iv) tr(At ) = tr(A).
Prova
Basta usar as propriedades da fun»c~ao determinante.
8.4 Diagonaliza»c~
ao de uma Matriz
Vamos desenvolver o estudo de dois problemas diferentes, por¶em equivalentes:
- O problema de autovetores: Dada uma matriz A; n £ n, existe uma base de
n£n
R consistindo de autovetores de A?
- O problema de diagonaliza»c~ao: Dada uma matriz A; n £ n, existe uma matriz
invert¶³vel S; n £ n, tal que S ¡1 AS ¶e uma matriz diagonal?
Damos a seguinte de¯ni»c~ao:
De¯ni» c~
ao 5
Uma matriz A; n £ n, ¶e dita diagonaliz¶avel se existir uma matriz invert¶³vel S tal
que S ¡1 AS ¶e uma matriz diagonal, neste caso, dizemos que S diagonaliza a matriz
A.
Teorema 8.2
Se A ¶e uma matriz, n £ n, ent~ao s~ao equivalentes as seguintes a¯rma»c~oes:
i) A matriz A ¶e diagonaliz¶avel;
140
ii) A matriz A tem autovalores linearmente independentes.
Prova
i) =) ii)
Se a matriz A ¶e diagonaliz¶avel, ent~ao existe uma matriz S invert¶³vel, que nota-
mos:
2 3
s11 s12 : : : s1n
6 7
6 s21 s22 : : : s2n 7
6 .. 7
S=6 .
. .. . .
. 7;
4 . . . 5
sn1 sn2 : : : snn
tal que S ¡1 AS ¶e uma matriz diagonal. Escrevemos: S ¡1 AS = ¤, onde:
2 3
¸1 0 ::: 0
6 7
6 0 ¸2 : : : 0 7
¤=6 6 .. .. . . . 7;
4 . . . .. 7
5
0 0 : : : ¸n
Da¶³, segue-se que AS = S¤, ou seja:
2 32 3 2 3
s11 s12 : : : s1n ¸1 0 : : : 0 ¸1 s11 ¸2 s12 : : : ¸n s1n
6 76 7 6 7
6 s21 s22 : : : s2n 7 6 0 ¸2 : : : 0 7 6 ¸1 s21 ¸2 s22 : : : ¸n s2n 7
AS = 6 6 .. .. . . .. 7
7
6 .
6 .. . . .. 7=6
7 6 .. .. ... .. 7
7
4 . . . . 5 4 .. . . . 5 4 . . . 5
sn1 sn2 : : : snn 0 0 : : : ¸n ¸1 sn1 ¸2 sn2 : : : ¸n snn
Denotando os vetores coluna de S por s1 ; s2 ; : : : ; sn temos que os vetores coluna de
AS s~ao sucessivamente lambda1 s1 ; lambda2 s2 ; : : : ; ¸n sn .Por outro lado, temos que
as sucessivas colunas de AS s~ao:
As1 ; As2 ; : : : ; Asn
Assim, devemos ter:
As1 = ¸1 s1 ; As2 = ¸2 s2 ; : : : ; Asn = ¸n sn
Como S ¶e invert¶³vel, estes vetores coluna s~ao todos n~ao nulos. Desta forma, ¸1 ; ¸2 ; : : : ; ¸n
s~ao autovalores de A com s1 ; s2 ; : : : ; sn autovetores associados. Al¶em do mais, como
S ¶e invert¶³vel, concluimos que s1 ; s2 ; : : : ; sn s~ao linearmente independentes.
ii) =) i)
Vamos supor que a matriz A tem n autovetores s1 ; s2 ; : : : ; sn linearmente inde-
pendentes correspondentes aos autovalores ¸1 ; ¸2 ; : : : ; ¸n e seja:
2 3
s11 s12 : : : s1n
6 7
6 s21 s22 : : : s2n 7
S=6 6 .. .. . . .. 7
7
4 . . . . 5
sn1 sn2 : : : snn
141
onde s1 ; s2 ; : : : ; sn s~ao os vetores coluna de S.
Os vetores coluna de AS s~ao:
As1 ; As2 ; : : : ; Asn
onde
As1 = ¸1 s1 ; As2 = ¸2 s2 ; : : : ; Asn = ¸n sn
Assim,
2 3 2 32 3
¸1 s11 ¸2 s12 : : : ¸n s1n s11 s12 : : : s1n ¸1 0 : : : 0
6 7 6 76 7
6 ¸1 s21 ¸2 s22 : : : ¸n s2n 7 6 s21 s22 : : : s2n 76 0 ¸2 : : : 0 7
AS = 6
6 .. .. ... .. 7=6
7 6 .. .. . . .. 76
76 .. .. . . . 7 = S¤
7
4 . . . 5 4 . . . . 54 . . . .. 5
¸1 sn1 ¸2 sn2 : : : ¸n snn sn1 sn2 : : : snn 0 0 : : : ¸n
onde ¤ ¶e uma matriz diagonal com os autovalores ¸1 ; ¸2 ; : : : ; ¸n de A. Como,
por hip¶otese, os autovetores de A s~ao linearmente independentes, concluimos que
os vetores coluna de S s~ao linearmente independentes e da¶³ a matriz S invert¶³vel.
Desta forma, reescrevemos a igualdade anterior como S ¡1 AS = ¤, ou seja: a matriz
A ¶e diagonaliz¶avel.
Obs.: As matrizes A e ¤ têm o mesmo polinômio caracter¶³stico e portanto os
mesmos autovetores (A e ¤ s~ao semelhantes).
Exemplo 3
Seja a matriz A; n £ n:
2 3
5 ¡6 ¡6
6 7
A = 4 ¡1 4 2 5
3 ¡6 ¡4
Temos que a equa»c~ao caracter¶³stica de A ¶e:
(¸ ¡ 2)2 (¸ ¡ 1) = 0
Os autovalores associados µa ¸1 = 2 s~ao dados pela solu»c~ao de Ax = 2x, dada por:

x = (x1 ; x2 ; x3 ) tal que x1 = 2x2 + 2x3 . Assim, a base para o subespa»co invariante
gerado pelos autovetores associados µa ¸1 = 2 ¶e:
E(2) = f(2; 1; 0); (2; 0; 1)g
Os autovalores associados µa ¸2 = 1 s~ao dados pela solu»c~ao de Ax = x, dada por:

x = (x1 ; x2 ; x3 ) tal que x1 = x3 = ¡3x2 . Assim, a base para o subespa»co invariante
gerado pelos autovetores associados µa ¸2 = 1 ¶e:
E(1) = f(3; ¡1; 3)g
142
Como existem três autovetores linearmente independentes, tomamos como colunas
da matriz S os vetores coluna:
2 3 2 3 2 3
2 2 3
6 7 6 7 6 7
s1 = 4 1 5 ; s2 = 4 0 5 ; s3 = 4 ¡1 5
0 1 3
Desta forma, podemos concluir que a matriz A ¶e diagonalis¶avel, pois ela tem três
autovetores linearmente independentes. Assim, escrevemos:
2 3
2 2 3
6 7
S = 4 1 0 ¡1 5
0 1 3
Vamos dar um teorema importante sobre a diagonaliza»c~ao de uma matriz A; n £ n.

Por¶em, antes vamos dar a seguinte de¯ni»c~ao:
De¯ni» c~
ao 6
Seja ¸k ¶e um autovalor de uma matriz A; n £ n. A dimens~ao do subespa»co
invariante E(¸k ) ¶e chamado de multiplicidade geom¶etrica de ¸k e o n¶ umero de vezes
que ¸ ¡ ¸k aparece como fator do polinômio caracter¶³stico de A ¶e chamado de
multiplicidade alg¶ebrica de ¸k .
Teorema 8.3
Se A ¶e uma matriz quadrada n £ n, ent~ao:
i) Para cada autovalor de A, a multiplicidade geom¶etrica ¶e menor ou igual a
multiplicidade alg¶ebrica;
ii) A ¶e diagonaliz¶avel () para cada autovalor, a multiplicidade geom¶etrica ¶e
igual µa multiplicidade alg¶ebrica.
Obs.:
Quando a diagonaliza»c~ao da matriz A n~ao for poss¶³vel, recorremos µa forma
canônica de Jordan, tornando S ¡1 AS "mais pr¶oximo da matriz diagonal".
Pelo teorema anterior, vemos que dada uma matriz A; n £ n, ¶e sempre poss¶³vel
encontrar uma matriz n~ao singular S, tal que a matriz D = S ¡1 AS ¶e diagonal, e esta
matriz S n~ao ¶e u¶ nica. Contudo, se a matriz S ¶e constituida de vetores ortonormais,
ou seja, quando S ¶e ortogonal,esta ser¶a u
¶nica para seus autovalores ordenados.
Temos que as matrizes D e A s~ao semelhantes e têm o mesmo polinômio carac-
ter¶³stico.
De fato:
det(D ¡ ¸) = det(S ¡1 AS ¡ ¸I) = det(S ¡1 (A ¡ ¸I)S) = det(S ¡1 )det(A ¡ ¸I)det(S) = det(A ¡ ¸I)
143
Teorema 8.4
Seja A ¶e uma matriz quadrada n£n. Sejam ¸1 ; ¸2 ; : : : ; ¸k os autovalores distintos
de A e seja Wi = E(¸i ). S~ao equivalentes as seguintes a¯rma»c~oes:
i) A matriz A ¶e diagonaliz¶avel;
ii) O polinômio caracter¶³stico de A ¶e:
f(¸) = (¸ ¡ ¸1 )d1 (¸ ¡ ¸2 )d2 : : : (¸ ¡ ¸k )dk
dim(Wi ) = di ; i = 1; 2; : : : ; k:
ii)
dim(W1 ) + dim(W2 ) + : : : + dim(Wk ) = n
8.5 Polin^
omios e Matrizes
Vamos considerar um polinômio f (t) com escalares ai ; i = 0; 1; ldots; n em K (R ou
C):
f (t) = an tn + an¡1 tn¡1 + : : : + a1 t + ao
De¯ni»
c~
ao 7
Tomando uma matriz A; n £ ncom coe¯cientes em K, podemos de¯nir:
f (A) = an An + an¡1 An¡1 + : : : + a1 A + ao I;
onde I ¶e a matriz identidade , tamb¶em n £ n.

Dizemos que a matriz A ¶e uma raiz de f (t), quando f(A) = 0.
Exemplo 4
Sejam
" #
1 2
A=
3 4
f (t) = 2t2 ¡ 3t + 7; g(t) = t2 ¡ 5t ¡ 2:
144
Temos:
" #2 " # " # " #
1 2 1 2 1 0 18 14
f(A) = 2 ¡3 +7 =
3 4 3 4 0 1 21 39
e
" #2 " # " # " #
1 2 1 2 1 0 0 0
g(A) = ¡5 ¡2 =
3 4 3 4 0 1 0 0
Logo, a matriz A ¶e uma raiz de g(t).

Propriedades
Sejam f e g polinômios com coe¯cientes em K (R ou C); A uma matriz, n £ n,
com coe¯cientes em K. Ent~ao:
i) (f + g)(A) = f (A) + g(A);
ii) (f g)(A) = f (A)g(A);
iii) (kf )(A) = kf (A); 8k 2 K.
Prova
(Basta usar as opera»c~oes com polinômios)
Teorema 8.5(Cayley Hamilton)
Toda matriz A; n £ n, ¶e um zero de seu polinômio caracter¶³stico.
Prova
Seja A uma matriz n £ n, onde
f (t) = det(A ¡ tI) = tn + an¡1 tn¡1 + : : : + a1 t + a0
Denotamos por B(t) a adjunta cl¶assica de A¡tI. Os elementos de B(t) s~ao cofatores
de matriz A ¡ tI, ou seja, s~ao polinômios em t de grau · n ¡ 1. Assim:
B(t) = Bn¡1 tn¡1 + Bn¡2 tn¡2 + : : : + B1 t + B0
onde Bi s~ao matrizes k £ k, k · n ¡ 1,com coe¯cientes independentes de t.

Pela propriedade da adjunta cl¶assica, temos que:
(A ¡ tI)B(t) = det(A ¡ tI)I;
ou seja,
(A ¡ tI)Bn¡1 tn¡1 + Bn¡2 tn¡2 + : : : + B1 t + B0 = (tn + an¡1 tn¡1 + : : : + a1 t + a0 )I
145
Efetuando as opera»c~oes alg¶ebricas em ambos os lados desta equa»c~ao, obtemos para
k = n; n ¡ 1; : : : ; 0:
Bn¡1 = I
Bn¡2 ¡ ABn¡1 = an¡1 I
Bn¡3 ¡ ABn¡2 = an¡2 I
:::::::::::::::::::::::::
B0 ¡ AB1 = a1 I
¡AB0 = a0 I
Multiplicando estas equa»c~oes por An; An¡1 ; : : : ; A; I, respectivamente, obtemos:
An Bn¡1 = An
An¡1 Bn¡2 ¡ An Bn¡1 = an¡1 An¡1
An¡2 Bn¡3 ¡ An¡1 Bn¡2 = an¡2 An¡2
:::::::::::::::::::::::::
AB0 ¡ A2 B1 = a1 A
¡AB0 = a0 I
Somando membro a membro os lados destas igualdades, obtemos:
0 = An + an¡1 An¡1 + : : : + a1 A + a0
Logo, a matriz A ¶e um zero de seu polinômio caracter¶³stico.
8.6 Pot^
encias de matrizes
De¯ni» c~
ao 8
Seja uma matriz A; n £ n, multiplicada por si mesmo um certo n¶ umero de vezes.
Neste caso, sendo k um n¶ umero inteiro positivo, de¯nimos a potência k-¶esima de A
k
por: A = AA : : : A (k vezes).
Suponhamos que a matriz A; n£n, possa ser diagonalizada na forma S ¡1 AS = D,
onde D ¶e uma matriz diagonal.Ent~ao, a matriz A admite a fatora»c~ao diagonal,
extremamente u ¶ til:
A = SDS ¡1
Utilizando-se esta fatora»c~ao, a potência de A ¶e facilmente calculada,como segue:

" Seja D = diag(k1 ; k2 ; : : : ; kn ). Ent~ao:
Am = (SDS ¡1 )m = SDm S ¡1 = S diag(k1m ; k2m ; : : : ; knm ) S ¡1
146
e, mais geralmente, para qualquer polinômio f(t),
f(A) = f(SDS ¡1 ) = Sf (D)S ¡1 = S diag(f (k1 ); f (k2 ); : : : ; f(kn )) S ¡1 "
Exemplo
Seja a matriz:
" #
4 2
A=
3 ¡1
Temos que o polinômio caracter¶³stico de A ¶e:
f (t) = t2 ¡ 3t ¡ 10
cujas ra¶³zes s~ao os autovalores: ¸1 = 5 e ¸2 = ¡2. Calculando os autovetores

correspondentes, obtemos: s1 = (2; 1) e s2 = (¡1; 3).
Desta forma, obtemos a matriz S cujas colunas s~ao os autovetores acima:
" #
2 ¡1
S=
1 3
e obtemos:
" #
3=7 1=7
S¡1 =
¡1=7 2=7
D = S ¡1 AS ¶e a matriz diagonal cujos coe¯cientes diagonais s~ao os respectivos

autovalores:
" #
5 0
D=
0 ¡2
Consequentemente, a matriz A admite a fatora»c~ao diagonal:

" #" #" #
2 ¡1 5 0 3=7 1=7
A = SDS¡1 =
1 3 0 ¡2 ¡1=7 2=7
Por exemplo, para o polinômio f (t) = t4 ¡ 4t3 ¡ 3t2 + 5 podemos calcular:

" #" #" # " #
2 ¡1 55 0 3=7 1=7 53 4
f (A) = Sf(D)S¡1 = =
1 3 0 41 ¡1=7 2=7 6 43
147
Exerc¶³cios Cap¶³tulo VIII
1 - a) Seja a matriz sim¶etrica, 2 £ 2,
" #
p a
A=
a q
mostre que o polinômio caracter¶³stico de A tem apenas ra¶³zes reais.

b) Sejam ¸1 e ¸2 autovalores distintos de uma matriz sim¶etrica A, n £ n,
correspondendo aos autovetores v1 e v2 , respectivamente. Sabendo-se que vale a
seguinte propriedade:
Av1 ¢ v2 = v1 ¢ Av2 ;
mostre que v1 ¶e ortogonal µa v2 .

2 - Seja a matriz
2 3
a1 b1 d1
6 7
A = 4 b1 a2 b2 5
d1 b2 a3
a) Expresse det(A ¡ ¸I) como um polinômio f (¸) = ¸3 + c1 ¸2 + c2 ¸ + c3 ;

b) Expresse os coe¯cientes c1 e c3 em termos de determinantes e tra»cos.
3 - Dada a matriz
2 3
2 1 0
6 7
A = 4 0 1 ¡1 5
0 2 4
a) Encontre os autovalores de A;
b) Para a cada autovalor ¸k de A, encontre a dimens~ao do subespa»co invariante
E(¸k );
c) A matriz A ¶e diagonaliz¶avel? Justi¯que sua conclus~ao.
4 - Dada a matriz
2 3
¡1 4 ¡2
6 7
A = 4 ¡3 4 0 5
¡3 1 3
a) Encontre os autovalores de A;
b) Para a cada autovalor ¸k de A, encontre os autovetores correspondentes;
c) Caso a matriz A seja diagonaliz¶avel, encontre a matriz invert¶³vel P tal que
¡1
P AP ¶e uma matriz diagonal.
148
Cap¶³tulo 9
Decomposi» c~
ao em Valores
Singulares - SVD
9.1 Introdu»c~
ao
A Decomposi»c~ao em Valores Singulares(SVD) de uma matriz A, m £ n, ¶e uma
decomposi»c~ao que pode ser utilizada em muitas aplica»c~oes, a saber: processamento
digital de imagens, posto "efetivo", decomposi»c~ao polar, ¯ltragem de sinais, etc.
( ver Leon [7])
Vamos supor, em toda se»c~ao, que A ¶e uma matriz m £ n com m ¸ n. Vamos
apresentar um m¶etodo para determinar qu~ao pr¶oxima A est¶a de uma matriz de posto
P
menor. O m¶etodo envolve a fatora»c~ao da matriz A em um produto U V t , onde U
P
¶e uma matriz ortogonal m £ m, V ¶e uma matriz ortogonal n £ n e ¶e uma matriz
extritamente diagonal cujos coe¯cientes diagonais satisfazem ¾1 ¸ ¾2 ¸ : : : ¸ ¾r ¸
0, ou seja:
2 3
¾1 0 0 : : : 0 0
6 7
0 ¾2 0 : : : 0 0 7
X 6 6 . .. . . . .. 7
=6 6 .
. . . .. . 7
7
6 7
4 0 0 0 0 ¾r 0 5
0 0 0 0 0 0
Os ¾i determinados por essa fatora»c~ao s~ao u

¶nicos e s~ao chamados valores singulares
t
da matriz A. A fatora»c~ao U §V ¶e chamada de Decomposi»c~ao em Valores Singulares(SVD).
As colunas da matriz U , m £ m, s~ao os autovetores da matriz AAt e as colunas da
matriz V , n £ n, s~ao os autovetores da matriz At A. Os r valores singualares da
P
diagonal da matriz , m £ n, s~ao ra¶³zes quadradas dos autovalores n~ao nulos de
ambas as matrizes AAt e At A.
149
9.2 Desenvolvimento do c¶
alculo da SVD
Damos o seguinte teorema garantindo a SVD de uma matriz A, m £ n.
Teorema 9.1
Se A ¶e uma matriz m £ n, ent~ao a matriz A tem uma Decomposi»c~ao em Valores
Singulares(SVD).
Prova
Temos que At A ¶e uma matriz sim¶etrica. Da¶³, todos os seu autovalores s~ao reais
e n~ao negativos. Al¶em do mais, ela pode ser diagonalizada ortogonalmente pela
matriz V .
Seja ¸ um autovalor de At A e seja x o autovetor associado. Ent~ao,
k Ax k2
k Ax k2 = xt At Ax = ¸ xt x = ¸ k x k2 =) ¸ = ¸ 0:
k x k2
Vamos supor que as colunas da matriz V s~ao ordenadas de modo que os autovalores
correspondentes a estas colunas satisfazem:
¸1 ¸ ¸2 ¸ : : : ¸ ¸n ¸ 0
Os valores singulares da matriz A s~ao dados por:

p
¾j = ¸j ; j = 1; 2; : : : ; n
Vamos denotar por r o posto da matriz A. A matriz At A tamb¶em tem posto r.

Como At A ¶e sim¶etrica, temos que seu posto ¶e igual ao n¶
umero de autovalores n~ao
nulos. Logo,
¸1 ¸ ¸2 ¸ : : : ¸ ¸r ¸ 0 e ¸r+1 = ¸r+2 = : : : = ¸n = 0
e o mesmo vale para os valores singulares:
¾1 ¸ ¾2 ¸ : : : ¸ ¾r ¸ 0 e ¾r+1 = ¾r+2 = : : : = ¾n = 0
Sejam as matrizes:
2 3
¾1 0 : : : 0
h i h i 6 7
6 0 ¾2 : : : 0 7
V1 = v1 v2 : : : vn ; V2 = vr+1 vr+2 : : : vn e §1 = 6
6 .. .. . . . 7
7
4 . . . .. 5
0 0 0 ¾r
150
Assim, escrevemos:
" #
§1 0
§= (1)
0 0
e
h i
V= V1 V2 (2)
Os vetores coluna de V2 s~ao os autovetores de At A associados µa ¸ = 0. Logo,
At Avj = 0; j = r + 1; r + 2; : : : ; n
e portanto, as colunas de V2 formam uma base ortonormal para N(At A) = N (A).

Da¶³, escrevemos:
AV2 = 0
e como V ¶e uma matriz ortogonal temos:
I = V V t = V1 V1t + V2 V2t
Multiplicando esta igualdade pela matriz A, obtemos:
A = AI = V1 V1t + V2 V2t = AV1 V1t (3)
At¶e aqui, constru¶³mos as matrizes § e V dadas por (1) e (2). Vamos mostrar, agora,
como construir uma matriz ortogonal U; m £ m, tal que:
A = U§V t ; ou AV = U § (4)
Comparando as r primeiras colunas de cada lado de (4), vemos que:
Avj = ¾j uj ; j = 1; 2; : : : ; r
De¯nindo,
1
uj = Avj ; j = 1; 2; : : : ; r (5)
¾j
e
h i
U1 = u1 u2 : : : ur ;
segue-se que:
AV1 = U1 §1 (6)
151
As colunas de U1 formam um conjunto ortonormal, j¶a que:
1 t t 1
uti uj = ( v A )( Avj ); i; j = 1; 2; : : : ; r
¾i i ¾j
1 t t 1 t 2
= vi (A Avj ) = v (¾ vj )
¾i ¾j ¾i ¾j i j
¾j t
= v vj = ±ij :
¾i i
Segue de (5) que cada uj ; 1 · j · r, est¶a no espa»co coluna de A (dimR(A) =
r) =) u1 ; u2 ; : : : ; ur forma uma base ortonormal de R(A). Como m = dim R(A) +
dim N (At ), temos que o espa»co vetorial N(At ) tem dimens~ao m ¡ r.
Seja fur+1 ; ur+2 ; : : : ; um g uma base para N (At ) e de¯nimos:
h i h i
U2 = ur+1 ur+2 : : : um e U = U1 U2
Desta forma, os vetores u1 ; u2 ; : : : ; um formam uma base ortonormal para Rm . Logo,

U ¶e uma matriz ortogonal. Al¶em do mais, A = U §V t .
De fato:
De (6) e (3) temos:
" #" #
h i § 0 V t
1 1
U§Vt = U1 U2 = U1 §1V1t =AV1 V1t = A
0 0 V2t
Observa»c~ oes:
Obs.1: As colunas de U e V fornecem bases ortonormais para os quatro sube-
spa»cos fundamentais, a saber:
- r primeiras colunas de U : R(A);
- m¡r u ¶ltimas colunas de U : N (At );
- r primeiras colunas de V : R(At );
- n¡r u ¶ltimas colunas de V : N (A).
Obs.2: A SVD fornece estas bases de uma forma bem especial. Al¶em de ortonor-
mais, tem-se: " a matriz A multiplicada por uma coluna da matriz V produz um
m¶ultiplo de uma coluna da matriz U". Isto decorre diretamente de AV = U§,
olhando coluna por coluna.
Obs.3: As conex~oes com AAt e At A devem valer se a f¶ormula U §V t est¶a correta.
Isto pode ser visto facilmente de:
AAt = (U §V t )(V §t U t ) = U§§t U t
152
e
At A = (V §t U t )(U§V t ) = V §t §V t
Da primeira igualdade, U deve ser a matriz dos autovalores de AAt . A matriz

dos autovalores no meio do produto matricial ¶e §§t que ¶e uma matriz m £ m
com ¾12 ; ¾22 ; : : : ; ¾r2 na diagonal. Da segunda igualdade, V deve ser a matriz dos
autovalores de At A. A matriz dos autovalores no meio do produto matricial ¶e §t §
tem os mesmos coe¯cientes ¾12 ; ¾22 ; : : : ; ¾r2 na diagonal,mas ¶e uma matriz n £ n.
Exemplo 1
Seja a matriz:
" #
3 1 1
A= (1)
¡1 3 1
Procedemos como segue:

1) - Determina»c~
ao da matriz U
Temos que:
2 3
" # 3 ¡1 " #
3 1 1 6 7 11 1
AAt = 4 1 3 5 =
¡1 3 1 11 1
1 1
cujos autovalores s~ao dados por:
" #" # " #

11 1 x1 x1
= ¸
1 11 x2 x2
Onde obtemos, ¸1 = 10 e ¸2 = 12, cujos autovetores correspondentes s~ao:

" # " #
1 1
e
¡1 1
Segundo a ordena»c~ao dos autovalores, obtemos a matriz:

" #
1 1
1 ¡1
Nomeando por v1 e v2 os vetores coluna desta matriz e aplicando o processo de

ortogonaliza»c~ao de Gram-Schimidt, obtemos:
" p #
v1 1= 2
u1 = = p
k v1 k 1= 2
153
" #
1
w2 = v2 ¡ (u1 :v2 )u1 =
¡1
e normalizando, obtemos:
" p #
w2 1= 2
u2 = = p
k w2 k ¡1= 2
Dando, ¯nalmente, a matriz:

" p p #
1= 2 1= 2
U= p p
1= 2 ¡1= 2
2) - Determina» c~ao da matriz V

¶ feita de forma similar µa obten»c~ao da matriz U.
E
Neste caso, calculamos:
2 3 2 3
3 ¡1 " # 10 0 2
6 7 3 1 1 6 7
At A = 4 1 3 5 = 4 0 10 4 5
¡1 3 1
1 1 2 4 2
cujos autovalores s~ao dados por:
2 32 3 2 3
10 10 2 x1 x1
6 76 7 6 7
4 0 10 4 5 4 x2 5 = ¸ 4 x2 5
2 4 2 x3 x3
Onde obtemos, ¸1 = 0; ¸2 = 10 e ¸3 = 12 cujos autovetores correspondentes s~ao:

2 3 2 3 2 3
1 2 1
6 7 6 7 6 7
4 2 5 ; 4 ¡1 5 e 4 2 5
¡5 0 1
Segundo a ordena»c~ao dos autovalores, obtemos a matriz:

2 3
1 2 1
6 7
4 2 ¡1 2 5
1 0 ¡5
Nomeando por y1 ; y2 e y3 os vetores coluna desta matriz e aplicando o processo de

ortogonaliza»c~ao de Gram-Schimidt, obtemos:
2 p 3
1= 6
y1 6 p 7
v1 = = 4 2= 6 5
k y1 k p
1= 6
154
2 3
2
6 7
w2 = y2 ¡ (v1 :y2)v1 = 4 ¡1 5
0
2 p 3
2= 5
w2 6 p 7
v2 = = 4 ¡1= 5 5
k w2 k
0
2 3
¡2=3
6 7
w3 = y3 ¡ (v1 :y3 )v1 ¡ (v2 :y3 )v2 = 4 ¡4=3 5
10=3
2 p 3
1= 30
w3 6 p 7
v3 = = 4 2= 30 5
k w3 k p
¡5= 30
Dando, ¯nalmente, a matriz:

2 p p p 3
1= 6 2= 5 1= 30
6 p p p 7
V = 4 2= 6 ¡1= 5 2= 30 5
p p
1= 6 0 ¡5= 30
Para a matriz S, tomamos a raiz quadrada dos maiores autovalores ordenados na

diagonal, obtendo:
" p #
12 0 0
S= p
0 10 0
Observe que os maiores autovalores de U e V s~ao os mesmos e o autovetor nulo de

V ¶e descartado.
9.3 Aplica»c~
ao da SVD no M¶
etodo dos M¶³nimos
Quadrados
Vimos, anteriormente, que a solu»c~ao de um sistema linear inconsistente Ax = b com
m equa»c~oes e n inc¶ognitas satisfaz:
At Ax = At b
155
Se as colunas da matriz A s~ao linearmente independentes, ent~ao a matriz At A ¶e
invert¶³vel e
x = (At A)¡1 At b
Vamos analisar as seguintes di¯culdades encontradas no sistema linear Ax = b:

1) As linhas da matriz A podem ser linearmente dependentes;
2) As colunas da matriz A podem ser linearmente dependentes.
No primeiro caso, as equa»c~oes podem n~ao ter solu»c~ao, pois o vetor b n~ao est¶a
no espa»co coluna da matriz A. Para contornar o problema, projetamos o vetor b no
espa»co coluna da matriz A. Ao inv¶es de resolver o sistema linear Ax = b, resolvemos
o sistema linear Ax = p onde p = A(At A)¡1 At b que pertence ao espa»co coluna de b.
Para o segundo caso,escolhemos uma solu»c~ao particular Ax = p, dada pela seguinte
regra:
"A solu»c~ao ¶otima de Ax = p ¶e aquela que apresenta comprimento m¶³nimo."
A solu»c~ao ¶otima em ambos os casos ser¶a chamada de x+ , dada pela pseudoinversa.
156
Bibliogra¯a
[1] Albrecht, P. - An¶alise Num¶erica -um curso moderno, LTC Ed.,240 p.,1973.
[2] Apostol, T. - C¶alculo com Fun»c~oes de uma Vari¶avel, Revert¶e Ed., 771 p.,2006.
¶
[3] Apostol, T. - C¶alculo com Fun»c~oes de V¶arias Vari¶aveis e Algebra Linear, Re-
vert¶e Ed., 752 p.,2008.
¶
[4] Anton, H. e Rorres, C. - Algebra Linear com Aplica»c~oes, Bookman Ed., 572 p.,
2008.
[5] Burden, R. e Faires, D. - An¶alise Num¶erica, Thomson Ed., 740 p., 2003.
[6] Golub,G. and Van Loan, C. - Matrix Computations, Johns Hopkins Univ.
Press, 694 p., 1996.
¶
[7] Leon, S.J. - Algebra Linear com Aplica»c~oes, LTC Ed., 390 p., 2008.
¶
[8] Strang, G. - Algebra Linear e suas Aplica»c~oes, Cengage Learning Ed., 456 p.,
2010.
[9] Wendro®, B. - Theoretical numerical analysis, Academic Press Ed., New York,
1966.
157

Álgebra Linear

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Álgebra Linear

Enviado por

Direitos autorais:

Formatos disponíveis

!

Espa»co Vetorial Euclidiano

1.1 Vetores - Introdu»c~

1.2 Espa»co Vetorial Euclidiano

A + B = (a1 + b1 ; a2 + b2 ; :::; an + bn ) (1.1)

Se ® 2 R, de¯nimos o produto escalar por vetor ®A como:

®A = (®a1 ; ®a2 ; :::; ®an ) (1.2)

Da de¯ni»c~ao 2, seguem as deguintes propriedades:

1.3 Interpreta»c~ etrica de Rn para (n · 3)

Figura 1.1: Vetor geom¶etrico

Vamos introduzir um sistema de coordenadas com origem O. Identi¯cando o

Figura 1.3: Multiplica»c~ao de escalar por vetor

Figura 1.4, abaixo:

1.4 Produto Interno

(A:B)2 · (A:A)(B:B) (1.4)

Al¶em do mais, a igualdade (1.4)¶e v¶alida () um vetor ¶e m¶

1.5 Comprimento ou norma de um vetor

Figura 1.5: Comprimento de A em R2

Do teorema de Pit¶agoras encontramos o comprimento de A pela f¶ormula:

jjAjj = (A:A)1=2 (1.5)

De acordo com as propriedades fundamentais do produto interno, temos as

jA:Bj · jjAjjjjBjj (1.6)

Teorema 1.2 (Desigualdade Triangular)

jjA + Bjj · jjAjj + jjBjj (1.7)

Al¶em do mais, a igualdade (1.7) ¶e v¶alida () A = 0 ou B = ®A para algum

(jjA + Bjj)2 = (A + B):(A + B) = A:A + 2A:B + B:B = jjAjj2 + 2A:B + jjBjj2

Por outro lado, obtemos:

(jjAjj + jjBjj)2 = jjAjj2 + 2jjAjj:jjBjj + jjBjj2 (1.9)

1.6 Ortogonalidade de Vetores

jjA + Bjj2 · (jjAjj + jjBjj)2 (1.10)

Figura 1.7: Desigualdade Triangular

Figura 1.10: Proje»c~ao de A ao longo de B

Por outro lado, temos que:

Levando (1.11) em (1.12), obtemos:

A:B jjBjj A:B

A:B = jjAjjjjBjjcos(µ) (1.13)

Esta rela»c~ao nos sugere uma maneira de de¯nir ^angulo em Rn .

¶e chamdo a proje»c~ao de A ao longo de B. Se A e B s~ao n~ao nulos, o a^ngulo µ

1.8 Vetores de coordenadas unit¶

1.9 Norma vetorial em Rn

onde p caracteriza a norma para um dado p.

A norma 2, tamb¶em chamada norma Euclidiana, ¶e decorrente do produto interno de

Neste caso, as propriedades para o Produto Interno Euclidiano Complexo ¯cam:

j (x; y)C j2 · (x; x)C (y; y)C (1.30)

Todas as outras propriedades relacionadas com norma s~ao tamb¶em v¶alidas em Cn e

jjA ¡ Bjj2 = jjAjj2 + jjBjj2 ¡ 2jjAjj jjBjjcosµ :

Quando interpretado geometricamente em lR2 , esta ¶e a lei dos cossenos em

jjA + Bjj2 ¡ jjA ¡ Bjj2 = 4A ¢ B

e portanto, A¢B = 0, se somente se, jjA+Bjj = jjA¡Bjj. A interpreta»c~ao geom¶etrica

a) Quais das propriedades s~ao v¶alidas para esta de¯ni»c~ao, 8A; B; C 2 Rn e c

a) Prove que esta de¯ni»c~ao satisfaz as seguintes propriedades:

para um dado inteiro positivo k. Tamb¶em chamado de vetor coluna.

para um dado inteiro positivo k. Tamb¶em chamado de vetor linha.

At (i; j) = A(j; i) (2.2)

Quanto a forma, classi¯camos as seguintes matrizes quadradas A, n £ n:

A = B () aij = bij 8i; j (2.3)

A = (ai;j ) e B = (bi;j ) (2.4)

cij = aij § bij 8i; j i = 1; 2; : : : ; m; j = 1; 2; : : : ; n (2.5)

2 - Multiplica»c~ao por escalar

onde, dij = ®aij ; 8i; j i = 1; 2; : : : ; m; j = 1; 2; : : : ; n

Segundo esta formula»c~ao para produto de matrizes, podemos enunciar o seguinte

e o produto interno Euclidiano de x e y pode ser escrito na forma:

2.3 Propriedades das Opera»c~

2.4 Matriz Transposta - Propriedades