Escolar Documentos
Profissional Documentos
Cultura Documentos
30 de março de 2015
2
Sumário
2 Determinantes 71
2.1 De…nição de determinante . . . . . . . . . . . . . . . . . . . . . 76
2.2 Propriedades do determinante . . . . . . . . . . . . . . . . . . . 83
2.3 Determinante da soma . . . . . . . . . . . . . . . . . . . . . . . 90
2.4 Determinante do produto . . . . . . . . . . . . . . . . . . . . . . 90
2.5 Matriz cofatora e a inversa . . . . . . . . . . . . . . . . . . . . . 94
3
4 SUMÁRIO
2x y + 3z = 4
x+y =5
2x y = 1
(a1 ; a2 ; : : : ; an ) e (b1 ; b2 ; : : : ; bn )
a1 = b 1 ; a2 = b2 ; :::; an = bn
e escrevemos
(a1 ; a2 ; : : : ; an ) = (b1 ; b2 ; : : : ; bn ):
Quando dois conjuntos ordenados com o mesmo número de elementos não
forem iguais, diremos que são diferentes e escrevemos
(a1 ; a2 ; : : : ; an ) 6= (b1 ; b2 ; : : : ; bn ):
Dois conjuntos ordenados …nitos são considerados diferentes quando não pos-
suírem o mesmo número de elementos. O conjunto ordenado (1; 2; 2) é difer-
ente do conjunto ordenado (1; 2) e escrevemos (1; 2; 2) 6= (1; 2): Um conjunto
ordenado com n números reais é chamado de n upla (leia-se ênupla). O con-
junto de todas as n uplas ordenadas de números reais é denotado por Rn : Em
particular, chamaremos uma 2-upla de par ordenado, uma 3-upla de terno or-
denado ou trinca ordenada e assim por diante, quadra, quina, sena ordenada,
etc.
Como exemplos apresentamos o par (6; 3); a trinca (1; 2; 3); a quadra (2;
0; 1; 6); a quina (4; 6; 5; 2; 8): Quando os números em uma n upla forem
fracionários, usaremos o ponto para separar a parte inteira da parte fracionária
do número como na quadra (2:1; 3:4; 5; 6:8):
ax + by = c;
ax + by + cz = d;
a1 x 1 + + an x n = b (1.1)
2x 3y = 7
x1 5x2 + x3 = 9:
a1 c 1 + + an cn = b;
(x1 ; : : : ; xn ) = (c1 ; : : : ; cn ):
x 4y + 6z = 1
0x1 + + 0xn = b;
a1 x + b 1 y = c 1
a2 x + b 2 y = c 2
pode ser vazia quando as retas forem paralelas e distintas, ter um único ponto
quando as retas não forem paralelas, ou uma in…nidade de pontos quando
as retas forem paralelas e coincidentes. No primeiro caso, não existe ponto
cujas coordenadas (x; y) satisfaz ao mesmo tempo as duas equações. No se-
gundo caso, haverá um único ponto cujas coordenadas (x; y) satisfazem às
duas equações. No terceiro caso, existe uma in…nidade de pontos do plano cu-
jas coordenadas (x; y) satisfazem às duas equações. No caso de termos três ou
mais retas, o cenário não muda pois a interseção das três pode ser o conjunto
vazio, pode conter um único ponto ou ainda uma in…nidade de pontos.
A interseção de dois planos no espaço cartesiano cujas equações gerais são
a1 x + b 1 y + c 1 z = b 1
a2 x + b2 y + c2 z = b2
pode ser vazio quando os planos forem paralelos e distintos, ser uma reta
quando os planos não forem paralelos ou pode ser o próprio plano quando
os dois forem coincidentes. Quando a interseção for vazia, não existe trinca
ordenada (x; y; z) de números reais que satisfazem às duas equações simultane-
amente. Quando a interseção é uma reta ou um plano, haverá uma in…nidade
de trincas ordenadas (x; y; z) de números reais satisfazendo às duas equações.
A interseção de três planos no espaço cartesiano cujas equações gerais são
a1 x + b 1 y + c 1 z = d 1
a2 x + b 2 y + c 2 z = d 2
a3 x + b 3 y + c 3 z = d 3
poderá ser o conjunto vazio, conter um único ponto, ser uma reta ou ser um
plano. Quando a interseção for vazia, não existirá trincas ordenadas (x; y; z) de
números reais que satisfazem as três equações simultaneamente. Se a interseção
contiver um único ponto, haverá uma única trinca (x; y; z) de números reais
(x1 ; : : : ; xn ) = (c1 ; : : : ; cn )
2x y + 3z + w = 1
x + 2y z + 3w = 2
y + 2z 2w = 4
0x1 + + 0xn = b;
x+y =1
0x + 0y = 2
não tem solução pois a segunda equação é degenerada e seu termo constante
é diferente de zero. O sistema
x+y =1
x+y =2
não possui solução pois a soma x + y não pode ser igual a 1 e a 2 ao mesmo
tempo. Já o sistema
x+y =2
0x + 0y = 0
possui in…nitas soluções. A segunda equação é satisfeita por qualquer par (x;
y) = (c1 ; c2 ) de números reais enquanto a primeira é satisfeita sempre que x
= 2 y: O sistema
x y=2
x+y =4
tem uma única solução (x; y) = (3; 1) que pode ser obtida observando que,
ao adicionar as duas equações obtemos 2x = 6 e, ao subtrair a primeira da
segunda, obtemos 2y = 2:
x 3y + z = 0
y z=1
x = 3y z;
y = 1 + z:
x = 3(1 + z) z = 3 + 2z;
y = 1 + z:
x = 3 + 2z
y =1+z
1.4 Matriz
Para determinar a solução de um sistema de equações algébricas lineares pre-
cisamos apenas dos coe…cientes e das constantes de suas equações. Estes coe-
…cientes e constantes podem ser inseridos em uma matriz, que é uma coleção
de números dispostos em uma tabela retangular delimitada por colchetes, tal
como em 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
6 .. .. . . .. 7
4 . . . . 5
am1 am2 amn
Cada número aij ; inserido na linha i coluna j da tabela, é denominado entrada
ou elemento da matriz. As linhas e as colunas da tabela serão as linhas e
as colunas da matriz. Fila é o termo usado para designar tanto uma linha
quanto uma coluna da matriz. Uma matriz de tamanho m n é aquela
que possui m linhas e n colunas. A matriz cuja entrada da linha i coluna
j é designada por aij ; pode ser representada de forma abreviada por [aij ] :
Quando for desejável indicar explicitamente o seu tamanho pode-se indicá-
la por [aij ]m n onde o m é o número de linhas e n é o número de colunas.
Usaremos letras minúsculas latinas ou gregas para indicar os números reais.
As entradas das matrizes são acompanhadas de subíndices para indicar sua
posição na tabela. O primeiro subíndice indica a linha e o segundo indica
a coluna. As letras maiúsculas serão utilizadas para designar as matrizes.
Quando escrevemos A = [aij ] estamos indicando que A é uma matriz cuja
entrada da linha i coluna j é aij : A entrada da linha i coluna j de A pode ser
indicada também por (A)ij : Sendo conveniente explicitar o tamanho de uma
matriz podemos escrever Am n para indicar que a matriz A possui m linhas e
n colunas. Uma matriz onde todas as entradas são zeros é chamada de matriz
nula. Matrizes nulas são indicadas pelo símbolo 0 (zero).
Exemplo. A matriz
1 2 3
4 7 9
possui duas linhas e três colunas. Seu tamanho é 2 3: A matriz 9 4
possui uma linha e duas colunas. Seu tamanho é 1 2:
A matriz
0 0 0
0=
0 0 0
é a matriz nula 2 3: Observe que o zero à esquerda do sinal de igualdade
indica uma matriz nula e os zeros nas entradas o número real zero. O mesmo
símbolo é usado para indicar objetos diferentes e o texto ou o contexto deve
esclarecer quando o 0 (zero) é usado para indicar uma matriz nula ou o número
real zero.
2. a partir da segunda linha, nas linhas não nulas, o pivô …ca à direita do
pivô da linha de cima.
1. for escalonada;
Exemplo. As matrizes
2 3 2 3
0 1 2 3 4 1 2 3 4 5
4 0 0 0 6 2 5 e 4 0 0 5 6 7 5
0 0 0 0 0 0 0 0 1 9
são escalonadas e 2 3
1 2 0 4 0 6
6 0 0 1 2 0 4 7
6 7
4 0 0 0 0 1 2 5
0 0 0 0 0 0
é escalonada reduzida.
x + 2y + 3z + 4w = 5
y + 2z + 3w = 4
2w = 7
x = 2 8t
y = 3t
z=1 t
w=t
1.6 Exercícios
Exercício 1.1 Obtenha a solução geral do sistema abaixo na forma paramétrica
x + 2y + 3z + w = 5;
y + z 2w = 3;
2z + 4w = 6:
1. Trocar de posição duas linhas, levando cada uma para a posição da outra.
onde o pivô da primeira linha não …ca à direita dos pivôs das linhas de
baixo. Agora, aplicando a esta matriz a operação elementar L3 2L1 !
L3 obtemos 2 3
1 2 1
4 0 2 3 5
0 3 2
matriz na qual as entradas abaixo do pivô da primeira linha são iguais a
zero.
1 7
:
1 3
1 7
R2 = :
0 4
1 0
R= :
0 1
0x1 + + 0xn = 0:
Qualquer solução das outras equações do sistema será uma solução desta
equação degenerada, uma vez que ela é satisfeita por toda n upla or-
denada (x1 ; : : : ; xn ) de números reais. Desta forma, no processo de
busca das soluções podemos simplesmente desconsiderar as equações de-
generadas com termo constante nulo. Pode-se eliminas as linhas nulas
ou levá-las para a parte inferior da matriz, com o intuito de realizar o
escalonamento.
0x1 + + 0xn = b
v = 2 w;
y = 7 z (2 w) + 2w = 5 z + 3w;
x = 6 3(5 z + 3w) 2z 4(2 w)
= 17 + z 5w:
x = 17 + z 5w;
y = 5 z + 3w;
v = 2 w;
x + 2z = a;
2x + y + 5x = b;
x y + z = c:
obtemos 2 3
1 0 2 a
4 0 1 1 b 2a 5
0 0 0 b + c 3a
O sistema será consistente se, e só se, b + c 3a = 0 ou c = 3a b: Esta é a
condição que deve prevalecer entre a; b e c para o sistema ser consistente. Em
particular, quando a = 1; b = 0 e c = 3; o sistema é compatível e sua solução
geral é o conjunto de todos os ternos ordenados (x; y; z) de números reais de
modo que
x=1 2z
y=2 z
x = 3a 2b 3c;
y = a + b + c;
z = 2a + c:
1.9 Exercícios
Exercício 1.2 Utilize o método de Gauss para obter a solução geral do sistema
de equações algébricas lineares cujas matrizes completas são
2 3 2 3 2 3
1 2 0 3 1 2 0 3 1 2 0 3
4 2 5 2 0 5 4 2 5 2 0 5 4 2 5 2 0 5
1 3 1 2 1 3 2 1 1 3 2 3
2 3
1 2 3 7
4 2 1 4 8 5:
1 4 1 9
Para anular a entrada acima do privô da segunda linha basta efetuar a operação
elementar L1 + 2 L2 ! L1 quando se chega na matriz escalonada reduzida
2 3
1 3 0 0 5 7
4 0 0 1 0 3 4 5:
0 0 0 1 1 2
x + 3y + 0z + 0v + 5w = 7
z + 0v + 3w = 4
v+w =2
x=7 3y 5w
z=4 3w
v=2 w
x=7 3r 5s
y=r
z=4 3s
v=2 s
w=s
onde r e s podem assumir qualquer valor real. A cada escolha de valores para
r e s obtemos uma solução do sistema.
cA = [caij ] ;
1 2 2 4 4 8
2 = ; 3 1 2 = 3 6 ; 2 = :
4 3 8 6 3 6
Adição de matrizes
Sejam
A = [aij ] e B = [bij ]
duas matrizes m n: A adição de A com B é a operação que resulta na matriz
A + B = [cij ];
de tamanho m n; onde
cij = aij + bij
para i = 1; : : : ; m e j = 1; : : : ; n: A matriz A + B é denominada de soma de
A com B: Duas matrizes de mesmo tamanho são conformes para a adição,
isto é, podem ser adicionadas uma à outra.
Exemplo. Vamos adicionar duas matrizes para exempli…car a de…nição
1 2 3 10 20 30 11 22 33
+ = :
4 5 6 40 50 60 44 55 66
c11 = a11 b11 + a12 b21 + a13 b31 =1 2+0 1+2 0=2
c12 = a11 b12 + a12 b22 + a13 b32 =1 0+0 2+2 3=6
c21 = a21 b11 + a22 b21 + a23 b31 =3 2+2 1+1 0=8
c22 = a21 b12 + a22 b22 + a23 b32 =3 0+2 2+1 3=7
2 6
AB = :
8 7
Exemplo. Sendo
3 1 1 4 2
A= e B=
0 2 2 0 1
Exemplo. Sendo
1
X= e Y = 3 4
2
então
3 4
XY = e Y X = [11] :
6 8
1 2 1 0
A= e B= :
3 1 3 2
7 4 1 2
AB = e BA =
6 2 9 8
AI=A e I B=B
1 2 7 4
A= e B=
3 1 6 7
comutam pois
19 18
AB = BA = :
27 19
O leitor pode veri…car que B = A2 : Aliás, sendo r e s números inteiros não
negativos,
Ar As = As Ar :
Quando A for inversível, a igualdade também vale quando r e s forem números
inteiros quaisquer, podendo ser positivo, nulo ou negativo. As potências in-
teiras de uma matriz comutam.
Nota 1.5 O produto de matrizes poder ser nulo mesmo quando todos os fa-
tores são diferentes de zero. Em outras palavras, sendo A e B duas matrizes
conformes para o produto, a igualdade AB = 0 não implica em A = 0 ou B =
0:
Exemplo. As matrizes
0 1 3 4
A= e B=
0 2 0 0
são diferentes da matriz nula ao passo que AB = 0:
Usando matrizes, o sistema todo …ca reduzido a uma única equação matricial
linear
AX = B
onde
2 3 2 3 2 3
a11 a12 a1n b1 x1
6 a21 a22 a2n 7 6 b2 7 6 x2 7
6 7 6 7 6 7
A=6 .. .. ... .. 7; B=6 .. 7 e X=6 .. 7
4 . . . 5 4 . 5 4 . 5
am1 am2 amn bm xn
AX = B
quando
AS = B:
Pode-se escrever também que X = S é solução de AX = B:
O conjunto de todas as soluções da equação matricial AX = B é chamado
de solução geral da equação matricial. Uma equação matricial linear é com-
patível ou consistente quando possuir pelo menos uma solução. Como uma
equação matricial linear corresponde a um sistema de equações algébricas lin-
eares, as técnicas utilizadas para resolver um se aplicam para resolver o outro.
x1 = s1 ; x2 = s2 ; : : : ; xn = sn
Exemplo. A matriz
2
1
é solução da equação matricial linear
1 3 x 5
=
2 0 y 4
pois
1 3 2 5
= :
2 0 1 4
Também é lícito escrever que
x 2
=
y 1
1 3 x 4
=
2 6 y 8
1 3 x 4
=
0 0 y 0
x
:y2R e x=4 3y :
y
A equação matricial dada possui in…nitas soluções. Para cada valor atribuído
a y; calculamos um valor de x usando a relação x = 4 3y: Fazendo y = 0 e
depois y = 1; obtemos duas soluções
4 1
; :
0 1
AB = BA = I;
4. Toda matriz quadrada A com uma linha nula é singular. De fato, para
toda matriz B com o mesmo tamanho que A; a mesma linha nula em A
será nula no produto AB: Logo, não existe matriz quadrada B para a
qual AB = I e a matriz A não possui inversa.
3 2 5 2
B= e A=
7 5 7 3
veri…ca-se que
AB = BA = I;
mostrando que B é a inversa de A e A é a inversa de B:
3 5 2 5
A= e B= :
1 2 1 3
Toda matriz diagonal A cujos elementos diagonais aii são todos diferentes
de zero é inversível. Sua inversa é uma matriz diagonal cujo elemento diagonal
da linha i coluna i é igual a aii 1 :
Exemplo. A inversa da matriz diagonal
2 0 1=2 0
é :
0 3 0 1=3
a11 a12
Exemplo. Se a11 a22 a12 a21 6= 0; a matriz A = é inversível
a21 a22
e sua inversa é
1 a22 a12
B= :
a11 a22 a12 a21 a21 a11
De…nição 1.9 Uma matriz quadrada é elementar quando for obtida a partir
da matriz identidade mediante uma única operação elementar.
A = E1 1 E2 1 Ek 1 R:
Teorema 1.12 1. Uma matriz quadrada é inversível se, e só se, sua forma
escalonada reduzida é a matriz identidade.
2. Uma matriz quadrada é singular se, e só se, pelo menos a última linha
de sua forma escalonada reduzida é nula.
Vamos mostrar como estes resultados podem ser usados no cálculo da ma-
triz inversa.
AX = 0
1 1 x 0
=
2 6 y 0
1 1 x 0
=
0 8 y 0
x 0
=
y 0
k1 S1 + + kr Sr
que possui 5 colunas e 3 linhas não nulas. Logo o sistema possui in…nitas
soluções. De fato, qualquer solução (x1 ; x2 ; x3 ; x4 ; x5 ) deste sistema satisfaz
x1 = x2 x5
x3 = x5
x4 = 0
O primeiro item deste teorema nos informa que a soma de uma solução de
AX = 0 com uma solução de AX = B é solução de AX = B: O segundo item
Teorema 1.17 Seja A uma matriz quadrada n n não nula e 0 a matriz nula
n 1: As a…rmações abaixo são equivalentes.
X = IX = A 1 A X = A 1
(AX) = A 1 0 = 0;
Ek E1 A = I
e assim
1
A = (Ek E1 ) I = E1 1 Ek 1 :
Como as inversas de matrizes elementares são elementares, provamos que A é
igual a um produto de matrizes elementares.
Exemplo. A matriz 2 3
1 2 3
A=4 2 5 3 5
1 0 8
possui inversa. Isto garante que o sistema homogêneo
x1 +2x2 +3x3 = 0
2x1 +5x2 +3x3 = 0
x1 +8x3 = 0
Lema 1.22 Sejam m e n números inteiros positivos com m > n: Não existe
matriz A de tamanho m n e matriz B de tamanho n m; tais que AB =
Im ; onde Im é a matriz identidade de ordem m:
Prova. Sendo m > n; a matriz B possui mais colunas do que linhas. Logo,
existe matriz coluna X não nula, de tamanho m 1; para a qual BX = 0: Se
existisse uma matriz A de tamanho m n tal que AB = Im ; teríamos
X = Im X = (AB)X = A(BX) = A0 = 0;
o que é uma contradição, uma vez que X é diferente da matriz nula. Logo,
não existem A e B nas condições do enunciado para as quais AB = Im :
AB = Im e BA = In
então m = n:
O produto
1 0
AB =
0 1
M = x1 M1 + + xn Mn
x1 M1 + + xn Mn = 0
1 2
A= e B=
2 3
x + 2y = 0
2x 3y = 0
AX = B;
onde
2 3 2 3 2 3
a11 a12 a1n b1 x1
6 a21 a22 a2n 7 6 b2 7 6 x2 7
6 7 6 7 6 7
A=6 .. .. .. .. 7; B=6 .. 7 e X=6 .. 7;
4 . . . . 5 4 . 5 4 . 5
am1 am2 amn bm xn
e chamamos A de matriz dos coe…cientes, B de matriz das constantes e X de
matriz das incógnitas do sistema. As matrizes
2 3 2 3 2 3
a11 a12 a1n
6 a21 7 6 a22 7 6 a2n 7
6 7 6 7 6 7
A1 = 6 .. 7 ; A2 = 6 .. 7 ; ::: ; An = 6 .. 7
4 . 5 4 . 5 4 . 5
am1 am2 amn
são as colunas de A: No produto AX; o x1 multiplica as entradas da primeira
coluna de A; o x2 multiplica as entradas da segunda coluna de A e assim por
diante, de modo que AX é igual à combinação linear x1 A1 + x2 A2 + +
xn An ; ou seja,
AX = x1 A1 + x2 A2 + + xn An :
Portanto, o sistema de equações algébricas lineares e a equação matricial AX
= B proveniente desse sistema podem ser escritos na forma
x1 A 1 + x2 A 2 + + xn An = B
e, desta igualdade, tiramos uma lição que vamos enunciar como teorema.
Teorema 1.25 Seja A uma matriz m n e B uma matriz coluna m 1: A
equação matricial AX = B possui solução na incógnita X se, e só se, B for
igual a uma combinação linear das colunas de A:
Sabemos que uma matriz quadrada A é inversível se, e só se, X = 0 é a
única matriz coluna para a qual AX = 0 ou, em outras palavras, se, e só se a
combinação linear
x1 A1 + x2 A2 + + xn A n
resulta na matriz nula apenas quando x1 = 0; x2 = 0; : : : ; xn = 0: Isto sig-
ni…ca que A é inversível se, e só se, o conjunto de matrizes colunas de A for
linearmente independente.
Como consequência, A é singular, se e só se AX = 0 possui solução não
trivial. Quando 2 3
c1
6 7
C = 4 ... 5
cn
c1 A1 + c2 A2 + + cn An = AC = 0;
Teorema 1.26 Uma matriz quadrada A é singular se, e só se, uma de suas
colunas for uma combinação linear das outras colunas de A:
Na seção que trata dos espaços linha e coluna de uma matriz A; veremos
que este teorema continua verdadeiro quando trocamos a palavra coluna por
linha.
1 2 1 3
A= é AT =
3 4 2 4
e a transposta de
2 3
1 4
1 2 3
B= é BT = 4 2 5 5
4 5 6
3 6
(a) (AT )T = A
(b) (A + B)T = AT + B T
(c) (xA)T = xAT
(AB)T = B T AT
(AT ) 1
= (A 1 )T :
A0 = I; Ak = Ak 1 A
(A 1 )k = (Ak ) 1
Propriedades
Sejam A e B matrizes quadradas com o mesmo tamanho, r e s números inteiros
não negativos. Então
1. Ar As = As Ar = Ar+s :
2. (Ar )s = Ars :
(AB)r = Ar B r :
Determinantes
a1 x + b 1 y = c 1 ;
(2.1)
a2 x + b 2 y = c 2 ;
(a1 b2 b1 a2 )x = (c1 b2 c2 b1 ):
x det(A) = det(B1 )
onde
a1 c 1
B2 = :
a2 c 2
Quando det(A) 6= 0; o sistema possuirá uma única solução que é
det(B1 ) det(B2 )
x= e y= :
det(A) det(A)
Observe a formação de B1 e B2 : Estas duas matrizes são obtidas trocando
uma coluna de A pelos termos constantes do sistema. Para obter B1 ; troque
a primeira coluna de A pelos termos constantes da equação. Para obter B2 ;
troque a segunda coluna de A pelos termos constantes da equação. Quando
det(A) = 0 o sistema poderá ter ou não solução. Tudo dependerá de B = [c1
c2 ]T ser ou não uma combinação linear das colunas de A:
Para …xar o conceito, dada a matriz 2 2
a1 b 1
A= ;
a2 b 2
seu determinante é o número real de…nido por
det(A) = a1 b2 b 1 a2 : (2.2)
A regra para calcular o determinante de uma matriz 2 2 é simples: do
produto das entradas da diagonal principal, subtraia o produto das entradas
da diagonal secundária.
Evidenciamos duas propriedades do determinante de uma matriz 2 2:
Primeiro, que o determinante de A é igual ao determinante de sua transposta,
det(A) = det AT :
Segundo, quando trocamos as posições das duas linhas ou das duas colunas, o
determinante muda de sinal
a1 b 1 a2 b 2 b 1 a1
det = det = det
a2 b 2 a1 b 1 b 2 a2
Os matemáticos veri…caram que a resolução de sistemas com mais do que
duas incógnitas pode ser resolvido pelo mesmo processo de eliminar variáveis
usado na resolução de sistemas com duas equações e duas incógnitas. Con-
sidere, por exemplo, o sistema linear abaixo com três equações e três incógnitas
x1 ; x 2 ; x 3
a11 x1 + a12 x2 + a13 x3 = b1 (2.3)
a21 x1 + a22 x2 + a23 x3 = b2 (2.4)
a31 x1 + a32 x2 + a33 x3 = b3 (2.5)
Para resolvê-lo, eliminamos uma variável de cada vez usando as equações (2.4)
e (2.5). Para eliminar x1 ; multiplicamos (2.4) por a31 e (2.5) por a21 e as
adicionamos
(a21 a32 a22 a31 )x2 + (a21 a33 a23 a31 )x3 = (a21 b3 a31 b2 ):
Para eliminar x2 ; multiplicamos (2.4) por a32 e (2.5) por a22 e as adicionamos
(a21 a32 a22 a31 )x1 + (a23 a32 a22 a33 )x3 = (a32 b2 a22 b3 )
eliminando a primeira linha e uma coluna. Vamos designar por Aij a matriz
obtida de A eliminando a linha i e a coluna j de modo que ela é uma matriz de
ordem 2; cujo determinante já foi de…nido. Vamos denotar por cij o número
real
cij = ( 1)i+j det(Aij ):
a21 b2
c13 x2 c12 x3 = (2.9)
a31 b3
b2 a22
c13 x1 c11 x3 = (2.10)
b3 a32
b2 a23
c12 x1 + c11 x2 = (2.11)
b3 a33
Podemos usar (2.9), (2.10) e (2.11) em (2.3) para obter três equações, cada
uma delas com uma das variáveis x1 ; x2 ou x3 : Multiplicando (2.3) por c11
x1 A1 + x2 A2 + x3 A3 = B;
1 0 2 0 2 1
det(A) = 1 2 + ( 3)
2 1 1 1 1 2
=1 ( 1) 2 ( 2) + ( 3) ( 5) = 18
onde cij é o cofator (i; j) da matriz A sendo que i é o índice da linha ao longo
da qual se desenvolve o determinante.
O determinante também pode ser calculado efetuando o seu desenvolvido
por uma coluna qualquer, tal como se enuncia no próximo teorema.
Teorema 2.2 (desenvolvimento do determinante por uma coluna) Se A =
[aij ] for uma matriz quadrada n n; então
X
n
det(A) = a1j c1j + a2j c2j + + anj cnj = aij cij :
i=1
O determinante pode ser desenvolvido por uma linha ou uma coluna qual-
quer. Como as linhas de uma matriz são as colunas de sua transposta, podemos
enunviar.
Este teorema nos diz que, sempre que uma propriedade dos determinates
for enunciada em termos das linhas da matriz, esta propriedade continua ver-
dadeira se a palavra linha for substituída por coluna. Da mesma forma, as
propriedades válidas para as colunas se transferem para as linhas.
O determinante de uma matriz com uma linha nula ou com uma coluna
nula é igual a zero. De fato, desenvolvendo determinante pela …la nula, todos
os cofatores …cam multiplicados por zero.
Exemplo. No caso do determinante de uma matriz 3 3; segue
0 0 0
a2 a3 a1 a3 a1 a2
a1 a2 a3 =0 0 +0 =0
b2 b 3 b1 b3 b1 b2
b1 b2 b3
são iguais a zero pois ambos possuem uma linha nula. Para veri…car esta
a…rmação basta desenvolver o determinante da primeira matriz pela segunda
0 a1 b 1
a2 b2 a1 b 1 a1 b 1
0 a2 b 2 =0 0 +0 =0
a3 b3 a3 b 3 a2 b 2
0 a3 b 3
é conveniente desenvolvê-lo pela segunda linha que possui dois elementos nu-
los. Os cofatores (2; 2) e (2; 3) serão multiplicados por zero, o que reduzirá
o número de contas necessárias para calcular o determinante. Efetuando o
desenvolvimento pela segunda linha,
2 3
det(A) = 2 det = 2(2 12) = 20
4 1
det(A) = (a11 a22 a33 + a12 a23 a31 + a13 a21 a32 )
(a13 a22 a31 + a11 a23 a32 + a12 a21 a33 ):
e as entradas das três diagonais secundárias, aquelas que vão da direita para
a esquerda quando a matriz é percorrida de cima para baixo
2 2 0+1 0 1+0 ( 3) 4 = 0:
det(B) = det(A):
det(B) = det(A):
det(xA) = xn det(A):
det(A) = det(AT ):
P
O segundo somatório, nj=1 asj crj ; é o determinante de uma matriz M obtida
colocar a linha s da matriz A em sua linha r; …cando as linhas r e s de M
ambas iguais
Pnà linha s de A: Possuindo duas linhas iguais, o determinante de
M é zero, j=1 asj crj = 0: Desta forma,
X
n
det(B) = arj crj = det(A):
j=1
0 1 5
1 5
det(A) = 1 2 3 =1 ( 1)2+1 = ( 5 50) = 55:
10 5
0 10 5
Não precisamos dos cofatores (1; 1) e (3; 1) uma vez que as entradas corre-
spondentes são iguais a zero. O único cofator que contribui para o cálculo do
determinante é o (2; 1):
1 0 0 3 1 0 0 0
2 5 0 6 2 5 0 0
det(A) = =
0 6 3 0 0 6 3 0
4 3 1 5 4 3 1 7
det(A) = 1 5 3 7 = 105:
4. Se uma linha de A for igual a uma combinação linear das demais, det(A)
= 0:
L1 = x2 L2 + x3 L3 + + xn Ln :
Podemos obter, a partir de A; uma matriz B com a primeira linha nula real-
izando sobre a primeira linha de A a seguinte operação
L1 (x2 L2 + x3 L3 + + xn Ln ) ! L1 :
L1 xn L n ! L 1
que não alteram o determinante da matriz. Como det(A) = det(B) e a matriz
B possui uma linha igual a zero, det(A) = det(B) = 0:
5. As colunas de A são linhas da sua transposta AT de modo que, valendo
para as linhas de AT ; as propriedades valem para as colunas de A:
para as matrizes
1 2 2 1
A= e B= ;
2 4 1 1
Lema 2.8 Se E for uma matriz elementar e B uma matriz quadrada, ambas
com o mesmo tamanho, então
Prova. Vamos dividir a prova em três etapas, uma para cada tipo de
matriz elementar.
(a) Se E foi obtida permutando duas linhas da matriz identidade, então
det(E) = 1 e a matriz EB é igual à matriz obtida ao permutar duas linhas
de B: Com isto,
e
det(E1 E2 Ek B) = det(E1 E2 Ek ) det(B):
Vamos provar que a propriedade vale quando B for multiplicada por k matrizes
elementares, ou seja, que
Sendo E1 elementar,
cof(A)T = cof AT :
Quando i 6= j; o somatório
X
n
aik cjk = 0
k=1
Pn
pois k=1 aik cjk é o determinante de uma matriz B obtida de A levando a
linha i para o lugar da linha j: As linha i e j desta nova matriz são iguais e
seu determinante é nulo.
Denotando por ij o elemento da linha i coluna j da matriz identidade de
ordem n; podemos escrever I = [ ij ] onde
1 se i = j
ij =
0 se i 6= j
A cof(AT ) = det(A)I:
Quando det(A) for diferente de zero,
cof(AT )
A =I
det(A)
1 1
A = cof(AT ):
det(A)
Esta fórmula raramente é usada na prática para calcular a inversa da matriz
embora seja útil no estudo teórico da inversa.
[C1 j C2 j j Cn ]
X
n
det [xA + yB j C2 j j Cn ] = (xai + ybi )ci1
i=1
X
n X
n
det [xA + yB j C2 j j Cn ] = x ai ci1 + y bi ci1
i=1 i=1
= x det [A j C2 j j Cn ] + y det [B j C2 j j Cn ] :
Para provar esta a…rmação basta transpor a matriz do lado esquerdo, quando
as linhas se transformam em colunas e aplicar a propriedade provada anteri-
ormente.
O resultado pode ser generalizado: Se A1 ; : : : ; Ak ; C2 ; : : : ; Cn forem ma-
trizes coluna n 1 e x1 ; : : : ; xk forem números reais, então
" k #
X Xk
det xs As j C2 j j Cn = xs det [As j C2 j j Cn ] :
s=1 s=1
det(Bj )
xj =
det(A)
onde Bj é a matriz obtida de A substituíndo a sua coluna j por B
Bj = A1 j j Aj 1 j B j Aj+1 j j An :
"
coluna j
det(B1 ) = det([B j A2 j j An ])
" n #
X
= det xj Aj j A2 j j An
j=1
X
n
= xj det [Aj j A2 j j An ] :
j=1
2 1 x 4
=
1 3 y 7
2 1 4 1 2 4
A= ; B1 = ; B2 =
1 3 7 3 1 7
Logo,
det(B1 ) 5 det(B2 ) 10
x= = = 1; y= = = 2:
det(A) 5 det(A) 5
Espaço vetorial
3.1 Corpo
Um corpo é uma estrutura matemática formada por um conjunto K que possui
pelo menos dois elementos e duas operações, denominadas adição e multi-
plicação, descritas a seguir. Os elementos do conjunto K são denominados
escalares. A adição é uma operação que atua sobre dois escalares x e y de K
e os leva no escalar x + y de K denominado soma de x e y: A multiplicação
é uma operação que atua sobre dois escalares x e y de K e os leva no escalar
x y em K; também denotado por xy; denominado produto de x e y: Como
x + y e xy pertencem a K; se diz que as duas operações possuem a propriedade
do fechamento. Ao dizer que K é um corpo, entenda-se que K é um conjunto
munido de duas operações e esta estrutura formada pelo conjunto e as duas
operações é que constitui o corpo.
Para o conjunto K e as operações de adição e multiplicação formarem um
corpo, é preciso que as propriedades abaixo sejam satisfeitas:
x+y =y+x
xy = yx
x + (y + z) = (x + y) + z
x(yz) = (xy)z
x+0=0+x=x
x1 = 1x = x
4. Elemento simétrico.
x(x 1 ) = (x 1 )x = 1:
x(y + z) = xy + xz;
(x + y)z = xa + yz:
Zp = f 0; 1; : : : ; p 1g
Propriedades da adição:
1. Comutatividade. Para todo par v e w de vetores em V;
v + w = w + v:
(u + v) + w = u + (v + w):
v + 0 = 0 + v = v:
v + w = w + v = 0:
x(v + w) = x v + x w;
(x + y)v = x v + y v:
w1 = w1 + 0 = w1 + (v + w2 ) = (w1 + v) + w2 = 0 + w2 = w2 ;
u v = u + ( v):
1. 0v = 0:
2. x 0 = 0:
3. ( 1)v = v:
4. Se x v = 0 então x = 0 ou v = 0:
4. Se x v = 0 e x 6= 0; então v = 1v = (x 1 x)v = x 1 (x v) = x 1 0 = 0:
Isto prova que x ou v devem ser iguais a zero, uma vez que, quando x 6=
0; devemos ter v = 0:
Rn = f (x1 ; : : : ; xn ) : xi 2 R para i = 1; : : : ; n g
(x1 ; : : : ; xn ) = (y1 ; : : : ; yn )
quando
x1 = y1 ; x2 = y2 ; : : : ; xn = yn :
A adição de duas n uplas é a operação que leva x = (x1 ; : : : ; xn ) e y = (y1 ;
: : : ; yn ) em
x + y = (x1 + y1 ; : : : ; xn + yn ):
A multiplicação de um número real por uma ênupla é a operação que
leva um número real s e a n upla x = (x1 ; : : : ; xn ) na n upla
s x = ( s x1 ; : : : ; s xn ):
x = ( x1 ; : : : ; xn ):
a1 + b1 r + c1 s = 0;
a2 + b2 r + c2 s = 0;
a3 + b3 r + c3 s = 0:
f (x; y; z) : x = 1 + r s; y = 2 r; z = 6 2s; r; s 2 R g
é um subespaço vetorial do R3 :
Fazendo a mudança de parâmetros v = r 2 e w = s 3; as equações
paramétricas acima se reduzem a
x=v w; y= v; z= 2w
f (x; y; z) : x = v w; y = v; z = 2w; v; w 2 R g
a b
: a; b; c 2 R :
b c
a 0
: a; b 2 R :
0 b
a b
: a; b; c 2 R :
0 c
a 0
: a; b; c 2 R :
b c
S = f X 2 Mn 1 (R) : AX = 0 g
u= 3v + 2w:
z = xv + yw
x + 6y = 4;
2x + 4y = 1;
x + 2y = 8:
x + 6y = 4;
8y = 9;
0=3
G = fv1 ; : : : ; vk g
S = f c1 v 1 + + ck vk : c1 ; : : : ; ck 2 R g
0 = 0v1 + + 0vk
S = ger(G) ou S = ger(v1 ; : : : ; vk ):
Exemplo. O subconjunto
S = f (a; 2a + b; b) : a; b 2 R g
0; 0): Um ponto y qualquer desta reta satisfaz à equação vetorial y = tx; com
t percorrendo os reais.
gera todo o R3 :
x + y + 2z = 1;
x + z = 0;
2x + y + 3z = 0:
O leitor pode veri…car que este sistema é inconsistente e isto prova que o
conjunto dado não gera todo o R3 pois (1; 0; 0) não está no espaço gerado por
este conjunto.
x + 5y + 3z = 0
2y + z = 0:
v 1 + v2 2v3 = 0:
3p q + 2r = 0:
Observe que esta é uma igualdade entre polinômios. O zero do lado direito é
o polinômio nulo. A igualdade 3p q+ 2r = 0 signi…ca que
c1 x + c2 sen x = 0
c1 + c2 cos x = 0
que, para x = =2; possui apenas a solução trivial, uma vez que
=2 sen =2 =2 1
det = det = 1 6= 0:
1 cos =2 1 0
c1 x + c2 sen x = 0
c1 + c2 cos x = 0
c1 v 1 + + cn v n = 0
1:v1 a2 v 2 an v n = 0
c1 f 1 + + cn fn = 0:
Observe que esta é uma igualdade entre funções e o 0 (zero) do lado direito é a
função identicamente nula, que leva todo x do intervalo (a; b) no zero. Desta
forma, a igualdade anterior implica em
c1 f1 (x) + + cn fn (x) = 0
para todo x no intervalo (a; b): Como as funções envolvidas estão de…nidas
no intervalo (a; b); diremos que o conjunto de funções é linearmente depen-
dente em (a; b): Quando o conjunto não for linearmente dependente em (a;
b); diremos que o conjunto de funções é linearmente independente em (a;
b): Isto signi…ca que c1 = 0; c2 = 0; : : : ; cn = 0 é a única sequência de números
reais para a qual
c1 f1 (x) + + cn fn (x) = 0
em todo x no intervalo (a; b):
Exemplo. O conjunto formado pelas funções f1 (x) = sen2 x; f2 (x) =
cos2 x; f3 (x) = 5 de…nidas no conjunto dos números reais é linearmente depen-
dente em R pois 5f1 (x) + 5f2 (x) f3 (x) = 0 para todo x real, o que implica
na igualdade 5f1 + 5f2 f3 = 0: Nesta igualdade, o zero do lado direito é a
função nula, aquela que leva todo x no zero.
Wronskiano
Sejam a e b números reais, com a < b: O a pode ser 1 e o b pode ser +1: Seja
n um número inteiro positivo. O conjunto das funções reais em F (a; b) com
derivadas de ordem n contínuas no intervalo (a; b); é um subespaço vetorial de
F (a; b) denotado por C n (a; b): Como toda função com derivada contínua de
ordem n em (a; b) possui derivada de ordem n 1 contínua em (a; b); temos a
inclusão
C n (a; b) C n 1 (a; b):
Seja G = ff1 ; : : : ; fn g um conjunto …nito e não vazio de funções em
n 1
C (a; b): Se G for linearmente dependente em (a; b); existe uma sequência
não nula de escalares c1 ; : : : ; cn ; de modo que
c1 f1 (x) + + cn fn (x) = 0
para todo x em (a; b): Como as funções possuem derivadas contínuas até a
ordem n 1; podemos derivar sucessivamente a igualdade acima obtendo o
sistema
c1 f1 (x) + + cn fn (x) = 0
0 0
c1 f1 (x) + + cn fn (x) = 0
(n 1)
c1 f 1 (x) + + cn fn(n 1)
(x) = 0
Fixado o ponto x; as equações acima formam um sistema homogêneo de
equações algébricas lineares com n equações nas n incógnitas c1 ; c2 ; : : : ; cn :
Como este sistema algébrico possui solução não trivial, o determinante da ma-
triz dos coe…cientes deve ser igual a zero
2 3
f1 (x) fn (x)
6 .. ... .. 7
det 4 . . 5=0
(n 1) (n 1)
f1 (x) fn (x)
W [f1 ; : : : ; fn ](x):
0 + g(x) g(0) x2
g (0 ) = lim+ = lim+ =0
x!0 x x!0 x
g(x) g(0) x2
g 0 (0 ) = lim = lim =0
x!0 x x!0 x
e assim concluir que g 0 (0) = 0: Para provar a independência linear deste con-
junto de funções no intervalo dado, considere que c1 e c2 são dois números reais
tais que c1 x2 + c2 x j x j = 0 para todo x em ( 2; 2): Fazendo x = 1 e x = 1
na igualdade anterior obtemos o sistema
c1 c2 = 0
c1 + c2 = 0
c1 f1 (x) + + cn fn (x) = 0
0 0
c1 f1 (x) + + cn fn (x) = 0
(n 1)
c1 f 1 (x) + + cn fn(n 1)
(x) = 0
x sen x
W [x; sen x](x) = det = x cos x sen x:
1 cos x
Teorema 3.5 Sejam a e b números reais com a < b: Sejam a0 (x); : : : ; an 1 (x)
funções contínuas no intervalo aberto (a; b): Sejam
y = f1 (x); : : : ; y = fn (x)
soluções no intervalo (a; b) da equação diferencial ordinária homogênea
y (n) + an 1 (x)y (n 1)
+ + a1 (x)y 0 (x) + a0 (x)y = 0:
O conjunto de funções
f f1 ; : : : ; f n g
é linearmente dependente em (a; b) se, e só se, o wronskiano
2 3
f1 (x) fn (x)
6 .. .. .. 7
W (x) = det 4 . . . 5
(n 1) (n 1)
f1 (x) fn (x)
for igual a zero para algum x0 em (a; b): Além disso, se o wronskiano for igual
a zero em um ponto de (a; b); ele será igual a zero em todos os pontos deste
intervalo.
y 00 + a1 (x)y 0 + a0 (x)y = 0
com a1 (x); a0 (x) contínuas num intervalo (a; b) que contenha o zero e possuindo
x e x2 como soluções. Todavia, x e x2 são soluções da equação diferencial
x2 y 00 2 xy 0 + 2 y = 0
em toda a reta. Note que não há contradição com o teorema anterior, uma vez
que esta equação não se encontra na forma apresentada no enunciado. Para
ter o coe…ciente de y 00 igual a 1; devemos dividi-la por x2
y 00 (2=x)y 0 + (2=x2 )y = 0
e1 = (1; 0) ; e2 = (0; 1) ;
u1 = (1; 2) ; u2 = (1; 1) ;
v1 = (1; 0) ; v2 = (0; 1) ; v3 = (1; 1) :
(x; y) = x e1 + y e2
Do mesmo modo, (x; y) é uma combinação linear dos vetores de G2 ; considerando-
se que
para qualquer número real c: Isto signi…ca que todos os três conjuntos G1 ; G2
e G3 geram o R2 : Há apenas uma maneira de escrever (x; y) como combinação
linear de vetores de G1 : A mesma observação vale para os vetores de G2 :
Há uma única maneira de escrever o par (x; y) numa combinação linear dos
vetores de G2 : Como veremos adiante, isto decorre da independência linear dos
conjuntos G1 e G2 :
Ao escrever (x; y) como combinação linear dos vetores de G3 ; vemos que
há mais de um modo de fazê-lo. A cada escolha do número real c; temos uma
combinação linear diferente. Esta falta de unicidade decorre da dependência
linear deste conjunto. Os três conjuntos G1 ; G2 e G3 geram o R2 ; sendo G1 e G2
linearmente independentes e G3 linearmente dependente. Essas considerações
nos levam ao conceito de base.
De…nição 3.6 Seja B um conjunto …nito e não vazio de vetores de um espaço
vetorial V não nulo. O conjunto B é uma base de V se
1. for gerador de V ;
2. for linearmente independente.
De…nição 3.7 A base do espaço vetorial nulo f0g é o conjunto vazio =f
g:
w = a1 v 1 + a2 v 2 + + an v n ;
w = b1 v 1 + b2 v 2 + + bn v n :
Seja
w = a1 v 1 + a2 v 2 + + an v n
a decomposição de w na base B = fv1 ; v2 ; : : : ; vn g: Os escalares
a1 ; : : : ; a n
B = fv1 ; v2 ; : : : ; vn g:
A n upla
(a1 ; : : : ; an )
do Rn é chamada de vetor das coordenadas de w na base B e é denotada
por (w)B : A matriz coluna 2 3
a1
6 .. 7
4 . 5
an
é chamada de matriz das coordenadas de w na base B e é denotada por
[w]B :
O vetor das coordenadas depende da ordem na qual escrevemos os vetores
da base. Uma mudança na ordem em que escrevemos os vetores da base
resulta numa mudança correspondente na ordem das entradas nos vetores das
coordenadas.
Bases canônicas
Existem bases que, pela sua simplicidade e aplicabilidade, recebem o nome de
bases canônicas.
O conjunto formado pelos pares ordenados e1 = (1; 0) e e2 = (0; 1) é a base
canônica do R2 e todo vetor (x; y) do R2 pode ser decomposto na combinação
linear
(x; y) = xe1 + ye2 :
O conjunto formado pelas trincas ordenadas e1 = (1; 0; 0); e2 = (0; 1; 0) e
e3 = (0; 0; 1) é a base canônica do R3 e todo vetor (x; y; z) do R3 pode ser
decomposto na combinação linear
(x1 ; : : : ; xn ) = x1 e1 + + xn e n :
Se um espaço vetorial V não nulo possuir uma base com n elementos, pelo
princípio da invariância, todas as suas bases terão n elementos. Neste caso,
se diz que V possui dimensão …nita e que sua dimensão é n: Indicaremos
este fato escrevendo dim(V ) = n: O espaço vetorial nulo f0g é tratado à parte.
Por de…nição, sua base é o conjunto vazio e sua dimensão é zero. Quando um
espaço vetorial não possuir base …nita, diremos que sua dimensão é in…nita.
Um espaço vetorial V possui dimensão …nita se, e só se, for …nitamente gerado.
A matriz 2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
M12 = 6 .. .. .. .. 7
4 . . . . 5
an1 an2 ann
é chamada de matriz de mudança da base B1 para a base B2 ou, sim-
plesmente, matriz de mudança de base. Se diz ainda que M12 é a matriz de
transição da base B1 para a base B2 : Observe que a primeira coluna de M12
é a matriz das coordenadas de v1 na base B2 ; a segunda coluna de M12 é a
matriz das coordenadas de v2 na base B2 ; e assim por diante.
Exemplo. Sejam B1 = fv1 ; v2 ; v3 g e B2 = fw1 ; w2 ; w3 g bases do R3 ;
onde
v1 = (0; 1; 3); v2 = (1; 2; 1); v3 = (1; 0; 3):
e
w1 = (1; 0; 1); w2 = (0; 1; 1); w3 = (0; 0; 2):
Podemos calcular os coe…cientes aij para os quais
Nota 3.12 A matriz dos coe…cientes dos três sistemas algébricos resolvidos
no exemplo anterior são iguais para todos
2 3
1 0 0
4 0 1 0 5
1 1 2
de onde extraímos
M12 = [aij ] ; M23 = [bij ] e M13 = [cij ] ;
respectivamente, as matrizes de mudança da base B1 para a base B2 ; da base B2
para a base B3 e da base B1 para a base B3 : O elemento da linha i coluna j de
cada uma dessas matrizes é aij ; bij ; cij ; respectivamente. Destas decomposições
segue
X
n X
n X
n
vj = akj wk = akj bik ui
k=1 k=1 i=1
!
Xn X
n X
n
= bik akj ui = cij ui
i=1 k=1 i=1
1 1
M12 = :
2 3
3 1
M21 = :
2 1
1 1 3 1 1 0
M12 M21 = = = I:
2 3 2 1 0 1
w1 = a11 v1 + + an1 vn
..
.
wn = a1n v1 + + ann vn
é base do R2 : A matriz
1 2
M=
3 1
é inversível. Sendo
As matrizes coluna
Consequentemente,
X
n X
n X
n
u= x j vj = xj aij wi
j=1 j=1 i=1
!
X
n X
n X
n
= aij xj wi = yi wi :
i=1 j=1 i=1
Observe que
1 1 1 2
M12 [u]1 = = = [u]2 :
2 3 1 5
Sabendo que
u= v2 + 2v3 = 0v1 1v2 + 2v3 ;
e assim
u = w1 2w2 + 3w3 ;
w = x1 v 1 + + xn v n :
Isto signi…ca que há uma função bijetora entre o espaço vetorial V de dimensão
n e o Rn : Esta bijeção associa a cada vetor x1 v1 + + xn vn o seu vetor de
coordenadas (x1 ; : : : ; xn ):
Se precisarmos operar em espaços vetoriais com dimensão …nita mais ab-
stratos do que o Rn ; podemos escolher uma base B do espaço vetorial V e
identi…car cada vetor w ao seu vetor de coordenadas (x1 ; : : : ; xn ) na base B:
Este vetor de coordenadas está no Rn : As contas podem ser realizadas no Rn
e, no …nal, pode-se retornar ao espaço vetorial de origem.
Por exemplo, quando estamos no espaço vetorial dos polinômios reais de
grau menor ou igual a dois e escolhemos a base f1; x; x2 g; o vetor de coorde-
nadas do polinômio a0 + a1 x + a2 x2 nesta base é (a0 ; a1 ; a2 ); que pertence ao
R3 : Em lugar de trabalhar com o polinômio a0 + a1 x + a2 x2 pode-se trabalhar
com o seu vetor de coordenadas (a0 ; a1 ; a2 ): Fazemos todas as contas no R3 :
Para voltar aos polinômios, basta transformar o terno ordenado (a0 ; a1 ; a2 ) no
polinômio a0 + a1 x + a2 x2 :
Vamos ilustrar, através de um exemplo, o que se entende por espaço linha
e espaço coluna de uma matriz. A matriz
2 1 3
A=
0 5 2
2 1 3 e 0 5 2
e três colunas
2 1 3
; e :
0 5 2
O espaço gerado pelas linhas da matriz A é formado por todos os vetores da
forma
3 2 1 3 2 0 5 2 = 6 7 5 :
2 1 3 2y1 + y2 + 3y3
y1 + y2 + y3 = ;
0 5 2 5y2 + 2y3
T
onde y1 ; y2 e y3 são números reais. Em particular, a matriz coluna 16 1
pertence ao espaço gerado pelas colunas de A; uma vez que
2 1 3 16
4 1 +3 = ;
0 5 2 1
2 1 3 ; 0 5 2 ;
2 1 3
; ; :
0 5 2
2 1
; :
0 5
1 0 2
A=
0 3 1
1 0 2 e 0 3 1
x 1 0 2 +y 0 3 1 = x 3y 2x + y
1 0 2
; e :
0 3 1
1 0 2 x + 2z
x +y +z =
0 3 1 3y + z
G1 = 1 0 2 ; 0 3 1
1 0 2
G2 = ; ;
0 3 1
1 0
G3 = ;
0 3
De fato, quando
c1 A 1 + + cn An = 0;
então
c1 B1 + + cn Bn = c1 EA1 + + cn EAn
E(c1 A1 + + cn An ) = E0 = 0:
T
Nota 3.19 Seja A uma matriz m n e X = x1 xn uma matriz
coluna n 1: Se A1 ; A2 ; : : : ; An forem as colunas de A; então
AX = x1 A1 + + xn An :
(a) As linhas não nulas de R formam uma base do seu espaço linha.
(b) As colunas de R que possuem os pivôs formam uma base do seu
espaço coluna.
(c) O espaço linha de R e o espaço coluna de R possuem a mesma
dimensão.
c1 R 1 + + cn Rn = 0;
se, e só se,
c1 A1 + + cn An = 0:
(c) As colunas j1 ; j2 ; : : : ; jk de R formam uma base do espaço coluna
de R se, e só se, as colunas j1 ; j2 ; : : : ; jk de A formarem uma base
do espaço coluna de A:
(d) O espaço coluna de R nem sempre é igual ao espaço coluna de A
mas ambos possuem a mesma dimensão.
(e) A dimensão do espaço linha de A é igual à dimensão do espaço
coluna de A:
e
2A1 + 0A2 4A3 + 0A4 + 7A5 = 0:
Em ambas, c1 = 2; c2 = 0; c3 = 4; c4 = 0 e c5 = 7:
Em (2.c) por exemplo, se o conjunto formado pelas colunas R1 ; R3 e R4
de R for uma base do espaço coluna de R; então o conjunto formado pelas
colunas A1 ; A3 e A4 de A é uma base do espaço coluna de A:
Vamos provar as propriedades acima enunciadas.
A propriedade (1.a) é verdadeira porque as linhas não nulas de uma ma-
triz escalonada formam um conjunto linearmente independente que gera o seu
espaço linha.
A propriedade de (1.b) é verdadeira porque, numa matriz escalonada, as
colunas que possuem os pivôs, formam um conjunto linearmente independente.
Numa matriz escalonada, as colunas que não contêm pivô são combinações
lineares das colunas que possuem pivô e …cam à sua esquerda. Logo, as colunas
com os pivôs formam uma base do espaço coluna da matriz escalonada R:
A propriedade (1.c) é verdadeira porque numa matriz escalonada, as lin-
has não nulas são aquelas que possuem um pivô e o conjunto das linhas que
possuem os pivôs é linearmente independente e geram o espaço linha de R:
Logo, este conjunto é uma base do espaço linha de R e a dimensão deste es-
paço é igual ao número de pivôs de R: Numa matriz escalonada, o conjunto
das colunas que possuem os pivôs é linearmente independente e cada coluna
que não possui pivô é combinação das colunas que possuem pivô e …cam à sua
esquerda. Logo, o conjunto das colunas que possuem os pivôs formam uma
base do espaço coluna de R: Assim, a dimensão do espaço coluna de R é igual
ao número de pivôs desta matriz. Como o número de linhas com pivô é igual
ao número de colunas com pivô, isto prova que o espaço linha e o espaço coluna
de R possuem a mesma dimensão.
Para provar a propriedade (2.a), basta observar que, ao passar de A para R;
iniciamos com A e vamos realizando uma sequência de operações elementares
sobre as linhas até chegar na matriz R: De acordo com as propriedades dos
espaços gerados, as operações elementares são realizadas sobre as linhas da
matriz e, desta forma, não alteram o espaço linha, fazendo com que o espaço
linha de A seja igual ao espaço linha de R: Sendo iguais, os dois possuem a
mesma dimensão e qualquer base do espaço linha de R é base do espaço linha
de A:
Para provar (2.b), observe que AC = 0 se, e só se, RC = 0 onde C =
[c1 c2 cn ]T indica uma matriz coluna n 1: Isto é verdade uma vez que
as equações matriciais AX = 0 e RX = 0 possuem a mesma solução geral.
Sendo A1 ; A2 ; : : : ; An as colunas de A e R1 ; R2 ; : : : ; Rn as colunas de R; as
igualdades AC = 0 e RC = 0 equivalem a
c1 A1 + + cn An = 0;
c1 R1 + + cn Rn = 0;
é 2 3
1 2 0 2 5
6 0 1 1 3 2 7
R=6
4 0
7
0 0 1 1 5
0 0 0 0 0
R3 = 2R1 R2
R5 = R1 + R2 + R4 :
A3 = 2A1 A2 ;
A5 = A1 + A2 + A4 :
3. Uma base do espaço linha de A é formada pelos vetores linha não nulos
de R: Logo, uma base para S é o conjunto formado pelo vetores
w1 = (1; 2; 0; 1; 2);
w2 = (0; 1; 1; 0; 1);
w3 = (0; 0; 1; 1; 0):
2. A matriz A é singular se, e só se, uma de suas colunas for uma combi-
nação linear das demais.
x1 A1 + x2 A2 + + xn An = 0
2. A matriz A é singular se, e só se, uma de suas linhas for uma combinação
linear das demais.
f X 2 Mn 1 (R) : AX = 0 g
nul(A) = nul(R):
pos(A) = pos(R):
chegamos a 2 32 3 2 3
1 2 1 x 0
4
RX = 0 0 0 5 4 y = 0 5
5 4
0 0 0 z 0
que se reduz a uma única equação x 2y + z = 0: A solução geral de AX =
0é 2 3 2 3 2 3 2 3
x 2y z 2 1
X=4 y 5=4 y 5 = x2 4 1 5 + x3 4 0 5 ;
z z 0 1
onde y e z podem assumir quaisquer valores reais. Atribuindo valores para
y e z; obtemos soluções particulares da equação dada. Toda solução é uma
combinação linear das matrizes do conjunto
n o
T T
G= 2 1 0 ; 1 0 1 :
pos(A) + nul(A) = 3:
x y + 2z = 0;
y + z = 0:
x = y 2z = 3z;
y = z:
pos(A) + nul(A) = 3:
pos(A) + nul(A) = 3:
nós a escalonamos 2 3
1 0 2 3 0
6 0 1 1 2 1 7
R=6
4 0
7:
0 0 0 0 5
0 0 0 0 0
A matriz R possui duas linhas não nulas, de modo que seu posto é 2: Sendo
T
X= x1 x2 x3 x 4 x 5
x1 + 2x3 3x4 = 0;
x2 x3 3x4 + x5 = 0:
x1 = 2x3 + 3x4 ;
x2 = x3 + 3x4 x5 :
ou 2 3 2 3 2 3 2 3
x1 2 3 0
6 x2 7 6 1 7 6 2 7 6 1 7
6 7 6 7 6 7 6 7
6 x3 7 = x3 6 1 7 + x4 6 0 7 + x5 6 0 7:
6 7 6 7 6 7 6 7
4 x4 5 4 0 5 4 1 5 4 0 5
x5 0 0 1
Toda matriz que está no núcleo de R é uma combinação linear das três matrizes
acima, que estão multiplicadas por x3 ; x4 e x5 : Como o conjunto
82 3 2 3 2 39
>
> 2 3 0 >
>
>
> 7 6 2 7 6 1 7>
<6 6 1 7 6 7 6 7=
>
G= 6 1 7 6 7 6
7; 6 0 7; 6 0 7>
7
>6
> 4 0 5 4 1 5 4 0 5>
>
> >
>
: ;
0 0 1
nul(A) = nul(R) = 3:
pos(R) + nul(R) = n:
pos(A) + nul(A) = n:
Xg X p = c1 X 1 + + ck X k ;
X g = X p + c1 X 1 + + ck X k :
X g = X p + c1 X 1 + + ck X k ;
x1 = 3x2 + 4 ;
x3 = 2 ;
x4 = 1 :
de tamanho m ne
T
X= x1 xn
uma matriz coluna com n linhas. Observe que
AX = x1 A1 + + xn An :
matriz incógnita X tem solução se, e só se, B for uma combinação linear das
colunas de A:
Quando B é uma combinação linear das colunas de A; a matriz B pertence
ao espaço coluna de A e então as matrizes
A= A1 An e Aj B = A1 An j B
chegamos a 2 3
1 0 2 1 0
6 0 1 1 1 1 7
6 7
4 0 0 0 0 1 5
0 0 0 0 0
Vemos que a matriz dos coe…cientes tem posto 2 e a matriz completa tem
posto 3: Logo, B não é uma combinação linear das colunas de A e a equação
matricial AX = B não possui solução.
Para …nalizar este capítulo, vamos enunciar um teorema que reúne as princi-
pais propriedades apresentadas até o momento e que dizem respeito às matrizes
inversíveis.
Transformação linear
r = f(x; y) 2 R R : x2 + y 2 = 1g;
f = f(x; y) 2 R R : y = x2 + 1; x 2 Rg:
u=x+y
v = 2xy
w = x2 y 2
é uma transformação do R2 em R3 :
T (v + w) = T (v) + T (w);
T (c v) = c T (v):
e
L(p)(x) = xp(x) = ax + bx2 + cx3 :
Sendo p e q polinômios reais na variável x;
Como a igualdade é verdadeira para todo x real, segue a igualdade entre funções
T (p + q) = T (p) + T (q):
Esta igualdade é verdadeira para todo x real, de onde segue a igualdade entre
funções
T (cp) = cT (p):
Das igualdades T (p + q) = T (p) + T (q) e T (cp) = cT (p); que são verdadeiras
para todo real c e todo par de polinômios p e q; …ca provado que T é um
operador linear.
Entregamos ao leitor a tarefa de provar que a transformação L é linear.
Siga o raciocínio desenvolvido para provar que T é linear.
T (f + g) = (f + g)0 = f 0 + g 0 = T (f ) + T (g)
e
T (cf ) = (cf )0 = cf 0 = cT (f );
o que prova a linearidade de T:
Exemplo. Sendo n > 1 um número inteiro, a função que leva uma matriz
quadrada A em seu determinante det(A) não é linear pois, sendo c um número
real, sendo A e B duas matrizes quadradas de mesmo tamanho, em geral o
det(A + B) é diferente da soma det(A) + det(B) e det(c B) = cn det(B); não
satisfazendo as condições para a linearidade.
Reciprocamente, se
T (c1 v1 ) = c1 T (v1 );
provando a linearidade de T:
3. A igualdade apresentada neste item pode ser provada por indução em
n: No item anterior provou-se que a igualdade é verdadeira quando n = 2:
Como hipótese de indução, vamos assumir que a propriedade que se pretende
provar é verdadeira sempre que houver n 1 parcelas na soma. Usando esta
hipótese de indução e a propriedade anterior, vamos provar que a igualdade
vale quando existirem n parcelas na soma. De fato, usando a associatividade
da adição de vetores,
T (c1 v1 + + cn vn ) = T ((c1 v1 + + cn 1 v n 1 ) + cn v n ) =
T (c1 v1 + + cn 1 vn 1 ) + T (cn vn ) = c1 T (v1 ) + + cn 1 T (vn 1 ) + cn T (vn );
v = x1 v 1 + + xn v n :
Da linearidade de T;
T (v) = T ( 2v1 +5v2 +4v3 ) = 2T (v1 )+5T (v2 )+4T (v3 ) = 2 3+5 2+4 1 = 8
c1 + c2 + c3 = x
c1 + c2 = y
c1 = z
T (1; 3; 4) = ( 4; 3):
T1 (x; y) = 0;
T2 (x; y) = 3x y;
T3 (x; y) = 7y;
são lineares. Em T1 ; a1 = a2 = 0; em T2 ; a1 = 3 e a2 = 1; em T3 ; a1 = 0 e
a2 = 7: Não são lineares
T4 (x; y) = 5;
T5 (x; y) = 2 + x + y;
T6 (x; y) = x2 + 3y;
T (x1 ; : : : ; xn ) = a1 x1 + + an x n :
T (x; y) = T (x(1; 0) + y(0; 1)) = xT (1; 0) + yT (0; 1) = x(a11 ; a21 ) + y(a12 ; a22 ):
onde
F (x; y) = (1 + x; y);
G(x; y) = (xy; 2x + y):
Projeções no plano
Re‡exões no plano
Rotações no plano
r = x cos y sen ;
s = x sen + y cos ;
r cos sen x
= :
s sen cos y
Projeções no espaço
As projeções sobre os planos coordenados da geometria espacial são operadores
lineares. O operador T1 (x; y; z) = (0; y; z) projeta o ponto (x; y; z) no plano
yz do R3 : O operador T2 (x; y; z) = (x; 0; z) projeta o ponto (x; y; z) no plano
xz do R3 : O operador T3 (x; y; z) = (x; y; 0) projeta o ponto (x; y; z) no plano
xy do R3 :
As projeções sobre os eixos coordenados também são operadores lineares. O
operador L1 (x; y; z) = (x; 0; 0) projeta o ponto (x; y; z) no eixo x do R3 : O
operador L2 (x; y; z) = (0; y; 0) projeta o ponto (x; y; z) no eixo y do R3 : O
operador L3 (x; y; z) = (0; 0; z) projeta o ponto (x; y; z) no eixo z do R3 :
Re‡exões no espaço
Na geometria espacial, as re‡exões sobre os planos coordenados são operadores
lineares. Listamos alguns exemplos: O operador T1 (x; y; z) = ( x; y; z) re‡ete
o ponto (x; y; z) no plano yz do R3 ; o operador T2 (x; y; z) = (x; y; z) re‡ete
o ponto (x; y; z) no plano xz do R3 ; o operador T3 (x; y; z) = (x; y; z) re‡ete
o ponto (x; y; z) no plano xy do R3 :
Rotações no espaço
Na geometria espacial, as rotações em torno de retas que passam pela origem,
são operadores lineares. Nos exemplos apresntados a seguir é um número
real.
1. O operador
2. O operador
3. O operador
Dilatações e contrações no Rn
ima(T ) = fT (v) 2 W : v 2 V g
nuc(T ) = fv 2 V : T (v) = 0g
Assim, todo vetor da imagem é uma combinação linear dos vetores do conjunto
Este conjunto não é uma base da imagem por ser linearmente dependente. O
vetor (0; 1; 1) é uma combinação linear dos vetores (2; 1; 3) e (3; 0; 3): Sendo o
conjunto f(2; 1; 3); (3; 0; 3)g linearmente independente, ele é uma base da im-
agem que, portanto, tem dimensão 2 e pos(T ) = 2: Todos os ternos ordenados
na imagem são da forma
c1 (2; 1; 3) + c2 (3; 0; 3)
2x + 3y = 0; x + z = 0; 3x + 3y + z = 0:
ima(T ) = f(x; y; 0) 2 R3 : x; y 2 Rg
B1 = fv1 ; : : : ; vk ; vk+1 ; : : : ; vn g:
Se mostrarmos que
B2 = fT (vk+1 ); : : : ; T (vn )g
é uma base da imagem de T; o teorema estará demonstrado pois daí, nul(T )
= k; pos(T ) = n k e nul(T ) + pos(T ) = n = dim(V ):
Se w for um vetor da imagem de T; existe um vetor v de V tal que w =
T (v): Sendo B1 base de V; existem escalares x1 ; : : : ; xk ; : : : ; xn tais que
v = x 1 v1 + + xk v k + + xn v n :
Aplicando T em v; segue
uma vez que T (v1 ) = 0; : : : ; T (vk ) = 0: Isto prova que B2 gera a imagem
de T: Falta provar que B2 é linearmente independente. Se ck+1 ; : : : ; cn forem
escalares para os quais
ck+1 T (vk+1 ) + + cn T (vn ) = 0;
então T (ck+1 vk+1 + + cn vn ) = 0; mostrando que o vetor ck+1 vk+1 +
+ cn vn pertence ao núcleo de T: Como B1 é uma base do núcleo de T; existem
escalares c1 ; : : : ; ck tais que ck+1 vk+1 + + cn v n = c1 v 1 ck vk ou
c1 v 1 + + ck vk + ck+1 vk+1 + + cn vn = 0:
Sendo B1 uma base, a combinação do lado esquerdo da igualdade é nula apenas
quando c1 = 0; : : : ; ck = 0; ck+1 = 0; : : : ; cn = 0: Em particular, deve-se ter
ck+1 = 0; : : : ; cn = 0; provando que B2 é linearmente independente. Sendo
B2 linearmente independente e gerador da imagem de T; ele é uma base desta
imagem, o que completa a prova do teorema.
4.4 Composição
Sejam U; V e W espaços vetoriais sobre o mesmo corpo K: Sejam L : U ! V
e T : V ! W duas transformações entre espaços vetoriais. A transformação
T L : U ! W de…nida por
T L(u) = T (L(u))
T I=I T = T:
Então
e
L T (p)(x) = xp(1 + 2x) = x(2 + 4x + 4x2 ) = 2x + 4x2 + 4x3 :
T L(a r + b s) = T ( L(a r + b s) )
= T ( a L(r) + b L(s) )
= a T ( L(r) ) + b T ( L(s) )
= a T L(r) + b T L(s)
T1 : V1 ! V2 ; T2 : V2 ! V3 ; T3 : V3 ! V4 ;
então
T3 (T2 T1 ) = (T3 T2 ) T1
e de…nimos
T3 T2 T1 : V1 ! V4
por
T3 T2 T1 = (T3 T2 ) T1
de modo que
para todo v em V:
Se L e T forem dois operadores sobre o mesmo espaço vetorial V; nem
sempre T L é igual a L T pois a composição não é uma operação comutativa.
Quando, eventualmente, T L for igual a L T; diremos que os operadores T
e L comutam.
Exemplo. Os operadores lineares sobre o R2
e
T L (x; y) = T ( L (x; y) ) = T (x; 0) = (0; x)
mostrando que T L 6= L T:
comutam pois
L T (x; y) = L(x; y) = ( x; y)
e
T L(x; y) = T ( x; y) = ( x; y);
mostrando que L T = T L:
Exemplo. Seja C 1 (R) o espaço vetorial das funções reais com derivadas
contínuas de todas as ordens. Consideremos os operadores lineares T e L
de…nidos sobre C 1 (R) por
T (f )(x) = xf (x)
e
L(f )(x) = f 0 (x);
onde f 0 é a derivada de f: Sendo T (f )0 a derivada de T (f ) obtemos
d
T (f )0 (x) = (xf (x)) = f (x) + xf 0 (x);
dx
de onde segue
4.5 Isomor…smo
As transformações são funções entre espaços vetoriais e para elas se aplicam
os conceitos de função injetora, sobrejetora, bijetora e inversa.
Desta forma,
1 1
T T (v) = v e T T (w) = w;
o que implica em
1 1
T T = IV e T T = IW ;
onde IV e IW são, respectivamente, os operadores identidade em V e W:
A projeção T (x; y; z) = (x; y; 0) do R3 no R3 não é injetora nem sobrejetora.
Não é injetora pois (1; 2; 3) e (1; 2; 4) possuem a mesma imagem (1; 2; 0): Não
é sobrejetora pois o ponto (1; 1; 1) não está na imagem de T: Não existe ponto
do R3 cuja imagem é (1; 1; 1) uma vez que a terceira coordenada das imagens
é igual a zero.
O operador linear
p
2
S(x; y) = ( x y; x + y)
2
gira o ponto (x; y) do R2 em torno da origem, no sentido anti-horário, em
um ângulo de =4 radianos. Este operador linear é bijetor. Para calcular sua
inversa, observamos que, escrevendo (u; v) = S(x; y); então S 1 (u; v) = (x; y):
Explicitando x e y em função de u e v; nas relações
p p
2 2
u= (x y) e v= (x + y)
2 2
obtemos p p
2 2
x= (u + v) e y= (v u):
2 2
A inversa de S é, portanto,
p
1 2
S (u; v) = (u + v; v u) :
2
e, desta forma,
1 1 1
T (c1 w1 + c2 w2 ) = c1 v1 + c2 v2 = c1 T (w1 ) + c2 T (w2 )
1 1
provando que T é linear. Sendo bijetora e linear, T é um isomor…smo.
Prova. Vamos supor que T é injetora. Sendo T linear, sabe-se que T (0) =
0: Se houver v tal que T (v) = 0; teremos v e 0 sendo levados no zero. A
injetividade de T implica em v = 0:
Reciprocamente, suponha que T (v) = 0 implica em v = 0: Sejam v1
e v2 vetores tais que T (v1 ) = T (v2 ) : Então, da linearidade de T; segue
T (v1 v2 ) = 0; o que implica em v1 v2 = 0 ou v1 = v2 ; provando que
T é injetora.
3 3 7
A= :
2 3 5
T (x1 v1 + + xn vn ) = 0:
T (x1 v1 + + xn vn ) = (x1 ; : : : ; xn )
Este exemplo nos permite dizer que todo espaço vetorial de dimensão n
é isomorfo ao Rn : O isomor…smo T leva cada vetor v = x1 v1 + + xn v n
de V no seu vetor de coordenadas (x1 ; : : : ; xn ) na base B; que pertence ao
Rn : Este isomor…smo permite identi…car v com (x1 ; : : : ; xn ): Desta forma
podemos trabalhar indistintamente com os vetores v do espaço vetorial V ou
com o seu vetor de coordenadas numa base B que são n uplas ordenadas de
números reais que pertencem ao Rn : Esta é a razão pela qual o Rn é um espaço
vetorial importante. Trabalhar no Rn é simples e ele é isomorfo a todo espaço
vetorial de dimensão n: Além da facilidade de se efetuar contas com as n-uplas
ordenadas, a reta, o plano e o espaço cartesianos são usados para representar
geometricamente o Rn ; quando n = 1; 2 e 3:
Os isomor…smos são fundamentais no âmbito da Álgebra Linear. Quando os
espaços envolvidos possuem a mesma dimensão …nita, a tarefa de mostrar que
uma transformação linear é um isomor…smo pode ser facilitada pelo próximo
teorema.
T (x; y) = (x + y; 2x y; 3y):
de onde segue
então 2 3 2 3
x1 y1
6 7 6 7
[v]1 = 4 ... 5 e [T (v)]2 = 4 ... 5
xn ym
Ao mesmo tempo,
X
m
T (v) = yi wi :
i=1
Sendo
v = a1 v 1 + a2 v 2 e T (v) = b1 w1 + b2 w2 + b3 w3 ;
sabemos que 2 3 2 3
b1 1 0
4 b2 5 = 4 a1
3 2 5 :
a2
b3 2 1
Para calcular T num par v = (x; y); precisamos escrever este par numa com-
binação linear dos vetores da base B1 = fv1 ; v2 g: A igualdade
implica em
2a1 + a2 = x
a1 + 2a2 = y
que, ao ser resolvido para a1 e a2 ; nos fornece a1 = (2x y)=3 e a2 = (2y x)=3;
donde segue
2x y 2y x
(x; y) = (2; 1) + (1; 2)
3 3
e
2x y 2y x
T (x; y) = T (2; 1) + T (1; 2)
3 3
Como
obtemos
2x y 2y x
T (x; y) = T (2; 1) +
T (1; 2)
3 3
2x y 2y x
= (1; 1; 1) + (1; 4; 0)
3 3
1
= (x + y; 2x + 7y; 2x y):
3
Para calcular T (5; 7); por exemplo, basta fazer x = 5 e y = 7 na fórmula
acima
1
T (5; 7) = (5 + 7; 2 5+7 7; 2 5 7)
3
= (4; 13; 1):
L:V !W e T :W !U
X
n
L(vj ) = akj wk para j = 1; : : : ; m
k=1
Nos somatórios acima, o subíndice sobre o qual seP soma sempre aparece duas
vezes no lado direito. Por exemplo: no somatório nk=1 akj wk ; onde a soma é
efetuada sobre o índice k; ele aparece nos dois fatores, em akj e em wk : Para
simpli…car a notação, vamos ser arrojados
Pn e omitir o símbolo de somatório,
escrevendo apenas akj wk em lugar de k=1 akj wk : Sempre que houver um
subíndice repetido, há uma soma neste índice. Esta notação é denominada
de notação de Einstein que, possivelmente, a usou no desenvolvimento da
Relatividade Geral. Reescrevendo as igualdade anteriores usando esta notação,
segue
de modo que
T S L=T (S L) = (T S) L;
e,
[T S L]14 = [T S]24 [L]12 = [T ]34 [S]23 [L]12 ;
onde as matrizes se referem a quatro bases B1 ; B2 ; B3 e B4 dos espaços vetoriais
V1 ; V2 ; V3 ; V4 ; respectivamente.
Exemplo. Consideremos três operadores lineares T1 ; T2 e T3 de R3 em R3 ;
onde p
2 p
T1 (x; y; z) = ( x y ; x + y ; 2z );
2
é a transformação que gira o ponto (x; y; z) do espaço em torno do eixo z;
de modo que sua projeção (x; y; 0) sobre o plano xy gira 45 no sentido anti-
horário, em relação a um observador que se situa no semi espaço z > 0: A
transformação
T2 (x; y; z) = ( x; y; z)
re‡ete o ponto (x; y; z) no plano yz e
T3 (x; y; z) = (x; y; 0)
de modo que p
2
T (x; y; z) = ( x + y; x + y; 0) :
2
e1 = cos w1 sen w2 ;
e2 = sen w1 + cos w2 :
e desenvolvemos
cos 2 sen 2 x
[T (x; y)]2 = [T ]2 [(x; y)]2 =
sen 2 cos 2 y
que nos fornece
1 p p
T (x; y) = ( x + y 3; x 3 y ):
2
[T ]1 = [aij ] :
vj = xij wi
para j = 1; : : : ; n: Sendo
e, por outro,
T (vj ) = T (xkj wk ) = xkj T (wk ) = bik xkj wi :
Da unicidade da decomposição de um vetor numa base, segue
M12 [T ]1 = [T ]2 M12 :
det(N ) = det(M ):
det(T ) = det(M )
a matriz canônica de T é
1 1
[T ]1 =
2 4
e det ([T ]1 ) = 6: Como
a matriz de T na base B2 é
2 0
[T ]2 =
0 3
3 2
M= :
1 1
O determinante de M é o determinante de T
det(T ) = det(M ) = 1:
Produto interno
1. x y = y x (simetria);
2. x (y + z) = x y + x z (aditividade);
3. x (c y) = c (x y) (homogeneidade);
4. x x 0 (positividade);
5. x x = 0 se, e só se, x = 0:
3. h v; c wi = c hv; wi (homogeneidade);
4. hv; vi 0 (positividade);
h x; y i = p1 x1 y1 + + pn xn yn
1. h0; vi = hv; 0i = 0
2. hu; v + wi = hu; vi + hu; wi
3. h v; c wi = c hv; wi
O produto interno é linear nos dois fatores. Isto signi…ca que, ao …xar um
vetor v0 num espaço vetorial V com produto interno, as funções L e T de V
em R; de…nidas por
são lineares.
Observe que kvk = d( v; 0): O conjunto dos vetores v em V tais que kvk =
1 é chamado de esfera unitária de V: O conjunto dos vetores v em V tais
que kvk 1 é chamado de disco unitário de V:
Sejam x = (x1 ; : : : ; xn ) e y = (y1 ; : : : ; yn ) duas ênuplas ordenadas de
números reais. Designando o produto interno euclidiano no Rn por x y; então
p q
kxk = x x = x21 + + x2n
é a norma euclidiana de x e
p p
d(x; y) = kx yk = (x y) (x y) = (x1 y1 )2 + + (xn yn )2
Propriedades da norma
Para todo real k e todo v; w num espaço vetorial real V com produto interno,
1. kvk 0
3. kk vk = jkj kvk
4. kv + wk kvk + kwk :
Propriedades da distância
1. d(v; w) 0
3. d(v; w) = d(w; v)
0 kv + wk2 = (v + w) (v + w) = v v + v w + w v + 2
w w
kvk2 + 2 v w + 2
kwk2 0:
obtemos
kv + wk2 (kvk + kwk)2
e, ao extrair a raiz quadrada, chegamos à desigualdade triangular para a norma
kv + wk kvk + kwk :
e
kx yk2 = (x y) (x y) = kxk2 2x y + kyk2
Subtraindo o segundo desenvolvimento do primeiro chega-se à igualdade acima
kx + yk2 kx yk2 = 4x y:
hv; wi
1:
kvk kwk
hv; wi
= cos
kvk kwk
de onde segue
hv; wi = cos kvk kwk :
Este número real é chamado de ângulo entre os vetores v e w:
Se hv; wi = 0; diremos que v e w são ortogonais. Não se de…ne ângulo
entre dois vetores se um deles for o vetor nulo. Entretanto, como h0; vi = 0
para todo vetor v de V; se diz que o vetor nulo 0 é ortogonal a todo vetor v
de V:
Exemplo. (Teorema de Pitágoras) Se v e w são vetores ortogonais,
então
kv + wk2 = kvk2 + kwk2 :
pois v w = 0:
R1
x x2 dx = 14 não é igual a zero. Portanto, os polinômios x e x2 não são ortog-
0 R1
onais no intervalo [0; 1] em relação ao produto interno hf; gi = 0 f (x)g(x)dx:
1 0 0 2
A= ; B=
1 1 0 0
como
Z 1 2 Z 1 2
2 2 2 2 4
kxk + x = x dx + x dx =0+
1 1 9
Z 1 2
2 4
x + x2 = (x + x2 ) dx =
1 9
hw; vi i hw; vi i
ci = =
hvi ; vi i kvi k2
de onde se obtém
hw; v1 i hw; vn i
w= v1 + + vn :
kv1 k2 kvn k2
u = a1 v 1 + + an v n ;
w = b1 v 1 + + bn v n ;
hu; wi = a1 b1 + + an b n
a norma de u ao quadrado é
e a distância entre u e w é
p
d(u; w) = (a1 b1 ) 2 + + (an bn )2
w2 = v2 12 w1
hw1 ; v2 i
12 =
hw1 ; w1 i
Em seguida, escolha 13 e 23 em
w3 = v3 13 w1 23 w2
hw1 ; v3 i hw2 ; v3 i
13 = e 23 = :
hw1 ; w1 i hw2 ; w2 i
Continuando com este processo, de…na
wj = vj 1j w1 2j w2 j 1;j wj 1
onde
hw1 ; v3 i 1
13 = =
hw1 ; w1 i 3
hw2 ; v3 i 1=3 1
23 = = =
hw2 ; w2 i 2=3 2
resultando em
1 11 1
w3 = (0; 0; 1) (1; 1; 1) ( 2; 1; 1) = (0; 1; 1):
3 23 2
As matrizes
2 3
3 2 6
14 cos sen
A= 6 3 2 5 e B=
7 sen cos
2 6 3
são ortogonais.
A inversa de uma matriz ortogonal é ortogonal. O produto de duas matrizes
ortogonais é uma matriz ortogonal. O determinante de uma matriz ortogonal
é igual a +1 ou igual a 1:
Exemplo. A matriz
1 1 1
A= p
2 1 1
é ortogonal e det(A) = 1:
1. A é ortogonal.
2. hAX; AY i = hX; Y i para qualquer X e Y em Mn 1 (R):
3. kAXk = kXk para qualquer X em Mn 1 (R):
4. Os vetores linha de A formam um conjunto ortonormal de M1 n em
relação ao produto interno hR; Si = R S T :
5. Os vetores coluna de A formam um conjunto ortonormal de Mn 1 em
relação ao produto interno hC; Di = C T D:
1 3 4
M12 =
5 4 3
w1 = v1 cos + v2 sen
w2 = v1 sen + v2 cos
w1 = v1 cos + v2 sen
w2 = v1 sen + v2 cos
w3 = v 3
w1 = v1 cos v3 sen
w2 = v2
w3 = v1 sen + v3 cos
w1 = v1
w2 = v2 cos + v3 sen
w3 = v2 sen + v3 cos
5.9 Decomposição QR
Sejam C1 ; : : : ; Cn vetores coluna m 1 linearmente independentes. No espaço
das matrizes reais m n considere o produto interno hX; Y i = X T Y: Podemos,
mediante a utilização do processo de ortogonalização de Gram-Schmidt, obter
um conjunto ortonormal fQ1 ; : : : ; Qn g de vetores coluna m 1: Calcule ini-
cialmente
1
11 = jjC1 jj e Q1 = C1
11
C1 = 11 Q1
C2 = 12 Q1 + 22 Q2
C3 = 13 Q1 + 23 Q2 + 33 Q3
..
.
formando a matriz
2 p p 3
1=p3 2=p 6 0p
Q = 4 1=p3 1=p6 1=p 2 5
1= 3 1= 6 1= 2
T
O espaço nulo desta matriz é gerado pelo vetor 1 1 0 0 0 : Conclui-
se que o complemento ortogonal de W é gerado pelo vetor (1; 1; 0; 0; 0):
e o componente de v ortogonal a W é
hX; Y i = X T Y:
A quantidade kAX Bk pode ser vista como uma medida do “erro” que re-
sulta por considerar X uma solução aproximada do sistema AX = B: Se o
sistema é consistente e X é uma solução exata, o erro é zero, pois kAX Bk =
0: Em geral, quanto maior o valor de kAX Bk ; mais pobre é a aproximação
X de uma solução do sistema.
A matriz coluna X que minimiza kAX Bk em relação ao produto interno
euclidiano é chamado de solução de mínimos quadrados de AX = B: O
nome tem origem no seguinte fato: Seja E = AX B o erro proveniente da
aproximação X: Uma solução que minimiza kEk = (e21 + + e2m )1=2 ; minimiza
kEk2 = e21 + + e2m e daí segue o nome mínimos quadrados.
Sendo A uma matriz m n e X uma matriz coluna n 1; sabemos que AX
é uma combinação linear das colunas de A e AX = B possui solução quando
B pertence ao espaço coluna de A: Vamos denotar este espaço coluna por W:
Quando B não pertence a W; AX = B não possui solução mas o sistema AX
= projW B possui.
Quando X for uma solução do sistema AX = projW B então B AX =
B projW B e, pelo teorema da melhor aproximação,
AT (B AX) = 0
ou
AT AX = AT B
que é chamado de sistema normal associado a AX = B: Assim, o problema
de encontrar uma solução de mínimos quadrados foi reduzido a um outro que
consiste em encontrar uma solução exata do sistema normal associado.
Observe que o sistema normal envolve n equações em n variáveis, é con-
sistente e pode ter in…nitas soluções. Quando este for o caso, todas as suas
soluções são soluções de mínimos quadrados de AX = B:
Podemos então enunciar
As duas fórmulas acima possuem várias aplicações teóricas, mas não são
e…cientes para cálculos numéricos. As soluções de mínimos quadrados de AX =
B são melhor computadas por eliminação gaussiana ou eliminação de Gauss-
Jordan para resolver as equações normais e a projeção ortogonal de B no espaço
coluna de A é melhor obtida calculando AX onde X é a solução do sistema
normal AT AX = AT B: Em seguida, calcula-se AX que é a projeção ortogonal
de B sobre o espaço coluna de A:
Exemplo. Encontre a solução de mínimos quadrados do sistema linear
AX = B dado por
x1 + x2 = 4
3x1 + 2x2 = 1
2x1 + 4x2 = 3
Resolução. Aqui,
2 3 2 3
1 1 4
A=4 3 2 5 e B = 4 1 5:
2 4 3
14 3 1
AT A = e AT B =
3 21 10
e a solução de AT AX = AT B é
x1 = 17=95 e x2 = 143=285:
projW u = ( 2; 3; 4; 0):
[P ] = A(AT A) 1 AT
cos
A=
sen
1. A é inversível.
7. det(A) 6= 0:
16. AT A é inversível.
Autovalores e autovetores
pode ser representada de forma abreviada por A = [aij ] ; onde aij é a sua
entrada na linha i coluna j: Duas matrizes complexas
2 3 2 3
a11 a1n b11 b1n
6 .. 7 6 .. 7
A = 4 ... ...
. 5 e B = 4 ... ...
. 5
am1 amn bm1 bmn
A = [aij ] e B = [bij ] :
é
3 2
+ +5 +3= ( + 1)2 ( 3)
e suas raízes são 1 = 1 e 2 = 3: Para determinar os autovetores correspon-
dentes a 1 = 1; montamos o sistema homogêneo (M 1 I)X = 0; que neste
caso é 2 32 3 2 3
0 0 0 x 0
4 4 4 4 54 y 5 = 4 0 5:
0 0 0 z 0
T T
Toda solução desta equação matricial é da forma x 1 0 1 +y 0 1 1 ;
onde x e y são números complexos quaisquer. O autoespaço de M correspon-
dente ao autovalor 1 = 1 é gerado pelas matrizes
T T
V1 = 1 0 1 ; V2 = 0 1 1 :
det(M I) = ( 1)n ( e1
1) ( 2)
e2
( ek
k) :
2 3
1=2 0 0
Exemplo. Os autovalores de M = 4 1 2=3 0 5 são 1=2; 2=3 e
5 8 1=4
1=4:
3 0
Exemplo. Os autovalores da matriz M = são 1 e 3 e os
8 1
autoespaços são gerados, respectivamente por
0 1
e :
1 2
Uma matriz, mesmo real, pode ter um autovalor complexo porque seu
polinômio característico pode possuir raiz complexa. Isto é o que mostra o
próximo exemplo.
2 1
Exemplo. Os autovalores de M = ; são i e i e seus autoes-
5 2
paços são gerados, respectivamente, pelos autovetores
2 i 2+i
V1 = e V2 = :
5 5
6.2 Diagonalização
Por de…nição, quando M e N forem matrizes semelhantes, existe uma matriz
inversível P tal que M = P N P 1 : Vamos mostrar que, quando M e N são
semelhantes, seus autovalores são iguais. De fato,
M (P Y ) = (M P )Y = (P N )Y = P (N Y ) = P ( Y ) = (P Y );
Exemplo. A matriz 2 3
1 0 0
M =4 1 2 0 5
3 5 2
não é diagonalizável pois ela possui dois autovalores 1 = 1 e 2 = 2 e, asso-
ciados a cada um deles, existe um único autovetor linearmente independente,
que são 2 3 2 3
1 0
V1 = 4 1 5 e V2 = 0 5 :
4
1 1
Como M possui apenas dois autovetores linearmente independentes, ela
não é diagonalizável.
Exemplo. A matriz
2 3
0 1 0
M =4 0 0 1 5
4 17 8
p p
possui três autovalores distintos, 1 = 4; 2 = 2 + 3 e 3 = 2 3: Portanto,
M é diagonalizável e existe uma matriz P; cujas colunas são autovetores de M
tal que 2 3
4 0p 0
P 1M P = 4 0 2 + 3 0p 5
0 0 2 3
M 0 = I; M 1 = M; M2 = MM
M k = M k 1 M:
k 1 k
M = M :
Se p( ) = a0 + a1 + a2 2 + + ar r
for um polinômio de grau r na variável
; de…nimos a matriz p(M ) por
p(M ) = a0 I + a1 M + a2 M 2 + + ar M r :
p(M )X = p( )X:
Nk = P 1
M kP
e 2 3
k
1 0 ::: 0
6 0 k
::: 0 7
k k 1 6 2 7 1
M = PD P =P6 .. .. .. 7P :
4 . 0 . . 5
k
0 0 0 n
h X; Y i = X Y
h M X; Y i = X; M T Y :
h M X; Y i = h X; M Y i :
4. M é ortogonalmente diagonalizável
3 2
1
1
V3 = p 4 1 5 :
3 1
auto( ) = f v 2 V : T (v) = v g
[1]
[5] Ho¤mann & Kunze, Álgebra Linear. Editora da USP com Editora Polí-
gono.
[8] Terry Lawson, Álgebra Linear. Editora Edgard Blücher, 1997. Acompan-
ham este livro: Matlab Labs for Linear Algebra, Mathematica Labs for
Linear Algebra, Maple Labs for Linear Algebra.
[9] Steven J. Leon, Álgebra Linear com Aplicações, quarta edição. Editora
LTC, 1999.
[12] Ben Noble & James W. Daniel, Álgebra Linear Aplicada, segunda edição.
Guanabara Koogan, 1986.
[13] David Poole, Álgebra Linear: Uma introdução moderna. Cengage Learn-
ing, 2004.
[14] Chris Rorres e Howard Anton, Álgebra Linear com Aplicações, oitava
edição. Editora Bookman, 2001.
[15] Lloyd N. Trefethen and David Bau III, Numerical Linear Algebra. SIAM,
Society for Industrial and Applied Mathematics, 1997.