Departamento de Ciências e Tecnologia

21002 - Álgebra Linear I

Texto de Apoio - Matrizes

1o ano - 1o semestre de 2009/10

Ana Luı́sa Correia
 Matrizes

Nota histórica
Historicamente, os primeiros esboços de matrizes remontam ao segundo século a. C. embora
existam traços da sua existência em épocas tão distantes quanto o séc. IV a. C. No entanto,
só finais do séc. XVII da nossa era é que as ideias reapareceram e o seu desenvolvimento
floresceu. Não é surpreendente que os primórdios das matrizes tenham surgido através do
estudo de sistemas de equações lineares. Os Babilónios estudaram problemas que levaram à
resolução simultânea de equações lineares. Alguns destes problemas sobreviveram até hoje
preservados em placas de argila. Por exemplo, uma placa datada de cerca de 300 a. C. contém
o seguinte problema:

Existem dois campos com uma área total de 1800 m2 . Um produz grão à taxa de 32
de alqueire por m2 enquanto o outro produz grão à taxa de 21 de alqueire por m2 . Se a
colheita total é de 1100 alqueires qual é a área de cada campo.

Este problema conduz, modernamente, à resolução do seguinte sistema de equações (1):

(
x + y = 1800
2
(1)
3
x + 21 y = 1100

Os Chineses, no perı́odo entre 200 a. C. e 100 a. C., chegaram mais próximo da noção de
matriz que os Babilónios. Efectivamente, é justo referir que o texto chinês “Nove Capı́tulos
da Arte Matemática” escrito durante o perı́odo da dinastia Han (206 a. C.-220 d. C.) ilustra
os primeiros exemplos conhecidos de métodos matriciais, descrevendo principalmente um con-
junto de problemas com regras gerais para a sua solução. Estes problemas têm um carácter
aritmético e conduzem a equações algébricas com coeficientes numéricos. A tı́tulo ilustrativo:

Existem três tipos de milho. Três molhos do primeiro tipo, dois do segundo e um do
terceiro completam 39 medidas. Dois molhos do primeiro tipo, três do segundo e um do
terceiro prefazem 34 medidas. Finalmente, um molho do primeiro tipo, dois do segundo
e três do terceiro prefazem 26 medidas. Quantas medidas de milho estão contidas num
molho de cada tipo?

Modernamente, o sistema de equações lineares (2) permite resolver o problema dado.


3x + 2y + z = 39

2x + 3y + z = 34 (2)

x + 2y + 3z = 26


O autor do texto chinês propôs um método de resolução notável: os coeficientes das três
equações a três incógnitas que compõem o sistema são dispostos como uma tabela num “quadro
de contagem”:
1 2 3
2 3 2
3 1 1
26 34 39

ALC 1
Os métodos modernos dos finais do séc. XX levariam a dispor os coeficientes das equações
lineares em linhas, em vez de colunas, mas intrinsecamente o método é idêntico. Seguidamente,
o autor, escrevendo em 200 a. C. instrui o leitor a multiplicar a coluna central por 3 e subtrair
a coluna da direita, tantas vezes quanto possı́vel; de modo semelhante, subtrai-se a coluna da
direita, tantas vezes quanto possı́vel, da primeira coluna multiplicada por 3. Destas operações,
resulta o quadro:
0 0 3
4 5 2
8 1 1
39 24 39
Seguidamente, a coluna da esquerda é multiplicada 5 vezes e a coluna central subtraı́da tantas
vezes quanto possı́vel, resultando no quadro:

0 0 3
0 5 2
36 1 1
99 24 39

Desta tabela é possı́vel determinar, em primeiro lugar, a solução relativamente ao terceiro

tipo de milho, seguida do segundo e finalmente do primeiro tipo. Este método é hoje em
dia conhecido como o Método de Eliminação de Gauss, discutido no âmbito da resolução de
sistemas de equações lineares que só virá a ser bem compreendido no inı́cio do séc. XIX. O
Método de Eliminação de Gauss, cuja aparição remonta a este texto chinês de 200 a. C., foi
utilizado por Gauss no seu trabalho envolvendo o estudo da órbita do asteróide Pallas. Uti-
lizando observações de Pallas feitas entre 1803 e 1809, Gauss obteve um sistema de 6 equações
lineares a 6 incógnitas. Carl Friedrich Gauss (1777-1855) propôs um método sistemático para
a resolução de tais equações, precisamente o Método de Eliminação de Gauss sobre a matriz
dos coeficientes. Juntamente com Wilhelm Jordan (1842-1899) desenvolveram o método de
eliminação Gauss-Jordan, uma versão do método de eliminação de Gauss que coloca a 0 os
elementos de cada dimensão, acima e abaixo do elemento pivot, assim que ele se vai movendo
dentro da matriz.
Eisenstein, em 1844, denotou substituições lineares por uma letra única e mostrou como
adicioná-las e multiplicá-las como vulgares números, excepto no que respeita à sua comuta-
tividade. É justo referir que Eisenstein foi o primeiro a pensar que as substituições lineares
poderiam formar uma álgebra, como se pode induzir de um seu artigo publicado em 1844:
Um algoritmo para o seu cálculo pode ser baseado na aplicação das regras normais para
as operações soma, multiplicação, divisão e exponenciação a equações simbólicas entre
sistemas lineares. Obtêm-se deste modo equações simbólicas correctas, apenas ressal-
vando que a ordem dos factores não pode ser alterada.
O primeiro a uilizar o termo ”matriz ” foi Sylvester em 1850. James Joseph Sylvester
(1814-1897). Usou o significado coloquial da palavra matriz, qual seja: local onde algo se gera
ou cria. Com efeito, via-as como
”...um bloco retangular de termos... o que não representa um determinante, mas é como
se fosse uma MATRIZ a partir da qual podemos formar varios sistemas de determi-
nantes, ao fixar um número p e escolhar à vontade p linhas e p colunas...”
(artigo publicado na Philosophical Magazine de 1850, pag 363-370). Após ter deixado a
América de regresso a Inglaterra em 1851, Sylvester tornou-se advogado e conheceu Cayley,

2 Álgebra Linear I
também advogada e que partilhava com o primeiro o mesmo interesse pela Matemática. Arthur
Cayley (1821-1895) reconheceu imediatamente o significado do conceito e matriz e, em 1853
publicaria uma nota, mencionando, pela primeira vez, o conceito de inversa de uma matriz.
Cayley propõe uma Álgebra Matricial onde define a adição, multiplicação, multiplicação por
um escalar e inversão. Durante essa época, outras personalidades como William R. Hamilton
(1805-1865), Hermann G. Grassmann (1809-1877), Josiah Willard Gibbs (1839-1903), Ferdi-
nand G. Frobenius (1849-1917) e John von Neumann (1903-1957) desempenharam um papel
fundamental no desenvolvimento da teoria matricial. Por exemplo:
• O famoso teorema de Cayley-Hamilton foi importante para o desenvolvimento da álgebra
matricial, enunciando que qualquer matriz satisfaz a sua equação caracterı́stica - este
resultado foi provado totalmente por Frobenius.
• Grassmann e Gibbs foram fundamentais no trabalho de desenvolvimento da álgebra
vectorial, indispensável na definição de comportamentos e relações entre as linhas e
colunas de uma matriz.
• Neumann estabeleceu uma relação entre a teoria matricial e a ciência da computação.
Na actualidade as matrizes permitem, para além da resolução de problemas associados a
sistemas de equações lineares, descrever a mecânica quântica da estrutura dos átomos, auxiliar
no desenvolvimento de modelos matemáticos computáveis, analisar e representar relações entre
variáveis matemáticas, entre muitas outras aplicações.

Definição de Matriz
Chama-se matriz de ordem n por m a um quadro/tabela de n × m elementos, ditas entradas,
dispostos em n linhas e m colunas:
 
a11 a12 a13 . . . a1m
 a21 a22 a23 . . . a2m 
 
 a31 a32 a33 . . . a3m 
A=  = [aij ]n×m .
 .. .. .. .. 
 . . . . 
an1 an2 an3 . . . anm

Observações:
• Aij indica a entrada da matriz que se encontra na linha i e na coluna j. Na notação
A = [aij ] então Aij = aij . Por exemplo, a24 está na linha 2 e coluna 4.
• Se a matriz é de tipo n × m e as suas entradas estão no corpo K então escrevemos
A ∈ Kn×m .
• Se n 6= m a matriz A diz-se rectangular. Se n = m a matriz diz-se quadrada de
ordem n.
• Se todas as entradas da matriz A são nulas, i.e. se aij = 0 para todos i, j, então A diz-se
a matriz nula de tipo n × m:
 
0 0 ... 0
0 0 . . . 0
A =  .. .. ..  = 0n×m .
 
. . .
0 0 ... 0

ALC 3
 
a11
 a21 
• Se a matriz tem uma única coluna, i.e. se A =  ..  é de tipo n × 1, A diz-se uma
 
 . 
an1
matriz coluna.
 
• Se a matriz tem uma única linha, i.e. se A = a11 a12 . . . a1m é de tipo 1 × m, A
diz-se uma matriz linha.
Exemplos 1.
 
2 −1 0
a) A =  3 0 1/2 ∈ Q3×3 - matriz quadrada de ordem 3.
−2/3 1 −5
 
2 √−1 0
b) B = ∈ R2×3 - matriz rectangular de tipo 2 × 3.
3 2 1/2
 
c) C = 2 − ln e cos π/3 2e ∈ R1×4 - matriz linha de tipo 1 × 4.
 
2+i
d) D = 1√ − 3i ∈ C3×1 - matriz coluna de tipo 3 × 1.
2i
Como Q ⊂ R ⊂ C, note-se que também temos A ∈ R3×3 , A ∈ C3×3 , B ∈ C2×3 , C ∈ C1×4 .

Matrizes quadradas:
Suponhamos n = m:  
a11 a12 a13 . . . a1n
 a21 a22 a23 . . . a2n 
 
A =  a31 a32 a33 . . . a3n 
 = [aij ]n×n .

 .. .. .. .. 
 . . . . 
an1 an2 an3 . . . ann
• Os elementos a11 , a22 , a33 . . . , ann constituem a diagonal principal de A.
• Se todas as entradas acima da diagonal principal são nulas, i.e. se aij = 0 para i < j, a
matriz diz-se triangular inferior:
 
a11 0 0 ... 0
 a21 a22 0 . . . 0 
 
A =  a31 a32 a33 . . . 0 .
 
 .. .. .. .. 
 . . . . 
an1 an2 an3 . . . ann

• Se todas as entradas abaixo da diagonal principal são nulas, i.e. se aij = 0 para i > j, a
matriz diz-se triangular superior:
 
a11 a12 a13 . . . a1n
 0 a22 a23 . . . a2n 
 
A= 0 0 a33 . . . a3n  .

 .. .. .. .. 
 . . . . 
0 0 0 . . . ann

4 Álgebra Linear I
 • Se todas as entradas acima e abaixo da diagonal principal são nulas, i.e. se aij = 0 para
i 6= j, a matriz diz-se diagonal:
 
a11 0 0 ... 0
 0 a22 0 ... 0 
 
A= 0 0 a33 ... 0  = diag(a11 , a22 , ..., ann ).
 
 .. .. .. .. 
 . . . . 
0 0 0 . . . ann

• Se A é uma matriz diagonal com todas as entradas da diagonal iguais, A diz-se uma
matriz escalar:  
a 0 0 ... 0
0 a 0 . . . 0
 
A = 0 0 a . . . 0 = diag(a, a, ..., a)n .

 .. .. .. .. 

. . . .
0 0 0 . . . a n×n
Em particular, se a = 1 a matriz diz-se a matriz identidade de ordem n e escreve-se:
 
1 0 0 ... 0
0 1 0 . . . 0
 
In = 0 0 1 . . . 0 = diag(1, 1, ..., 1)n

 .. .. .. .. 

. . . . 
0 0 0 . . . 1 n×n

- a notação In identifica completamente a matriz identidade e é mais usada do que

diag(1, 1, ..., 1)n .
Exemplos 2.
 
5 0 0
a) A = 1 2 0  - matriz triangular inferior
1 0 −3
√ 
2 −1 4
b) A =  0 2 1  - matriz triangular superior
0 0 1/2
 
−1 0 0
c) A =  0 2 0 = diag(−1, 2, 0) - matriz diagonal
0 0 0
 
5 0 0
d) A = 0 5 0 = diag(5, 5, 5) - matriz escalar
0 0 5
 
1 0
e) I2 = - matriz identidade de ordem 2
0 1
 
1 0 0
f) I3 = 0 1 0 - matriz identidade de ordem 3
0 0 1

ALC 5
Igualdade de matrizes
Duas matrizes A = [aij ]n×m e B = [bij ]n×m do mesmo tipo n×m dizem-se iguais se as entradas
correspondentes são iguais, i.e. se

aij = bij para todos i ∈ {1, ..., n}, j ∈ {i, ..., m}.

Exemplos 3.
   
2 3 0 2 3 0
a) = .
−4 2 5 −4 2 5
   
2 3 0 2 3 1
b) 6 = .
−4 2 5 −4 2 5

Adição de matrizes
A adição de matrizes está definida para matrizes do mesmo tipo: se A = [aij ]n×m e B = [bij ]n×m
então  
a11 + b11 a12 + b12 a13 + b13 . . . a1m + b1m
 a21 + b21 a22 + b22 a23 + b23 . . . a2m + b2m 
 
A + B =  a31 + b31 a32 + b32 a33 + b33 . . . a3m + b3m 

.. .. .. ..

 
 . . . . 
an1 + bn1 an2 + bn2 an3 + bn3 . . . anm + bnm

Exemplos 4.
       
2 3 0 3 1 −2 2 + 3 3 + 1 0 + (−2) 5 4 −2
a) + = = .
−4 2 5 0 2 −2 −4 + 0 2 + 2 5 + (−2) −4 4 3
       
1 1 3 1 1+3 1+1 4 2
 0 −3 −2 0  0 + (−2) −3 + 0  −2 −3
−1 3  +  2 −2 =  −1 + 2 3 + (−2) =  1
b)        .
1
5 2 4 3 5+4 2+3 9 5
 
  3 1
2 3 0 −2 0 
c)  2 −2 não se podem adicionar porque não são do mesmo tipo.
e 
−4 2 5
4 3

Propriedades da adição de matrizes 1. Tem-se, para quaisquer matrizes A, B, C ∈ Kn×m :

a) A + B = B + A - comutatividade da adição de matrizes;

b) A + (B + C) = (A + B) + C - associatividade da adição de matrizes;

c) A + 0n×m = A;

d) A + (−A) = 0n×m .

6 Álgebra Linear I
Demonstração. Vamos provar a igualdade b). Para isso temos de mostrar que a entrada
(i, j) da matriz do lado esquerdo coincide com a entrada (i, j) da matriz do lado direito, i.e
que (A + (B + C))ij = ((A + B) + C)ij :

(A + (B + C))ij = Aij + (B + C)ij = Aij + (Bij + Cij )

= (Aij + Bij ) + Cij = (A + B)ij + Cij = ((A + B) + C)ij .
ass. da adição
de escalares

Portanto A + (B + C) = (A + B) + C. 

Produto de uma matriz por um escalar

Se α é um escalar e A = [aij ]n×m uma matriz podemos multiplicar α por todas as entradas da
matriz de modo a obter uma nova matriz que se designa por αA:
 
α × a11 α × a12 α × a13 . . . α × a1m
 α × a21 α × a22 α × a23 . . . α × a2m 
 
 α × a31 α × a32 α × a33 . . . α × a3m 
αA = 
 .. .. .. ..


 . . . . 
α × an1 α × an2 α × an3 . . . α × anm

Exemplos 5.
     
2 3 0 5×2 5×3 5×0 10 15 0
5 = = .
−4 2 5 5 × (−4) 5 × 2 5 × 5 −20 10 25

Propriedades da multiplicação de uma matriz por um escalar 2. Tem-se, para quais-

quer matrizes A, B ∈ Kn×m e quaisquer escalares α, β ∈ K:

a) α(βA) = (αβ)A;

b) (α + β)A = αA + βA;

c) α(A + B) = αA + αB.

Demonstração. Vamos provar a igualdade c). Para isso temos de mostrar que (α(A+B))ij =
(αA + αB)ij , para quaisquer (i, j):

(α(A + B))ij = α(A + B)ij = αAij + αBij = (αA)ij + (αB)ij = (αA + αB)ij .
dist. da multi.
em rel. à adição

Portanto α(A + B) = αA + αB. 

Mutiplicação de matrizes
A multiplicação de duas matrizes é bem definida apenas se o número de colunas da matriz da
esquerda é igual ao número de linhas da matriz da direita, i.e só podemos multiplicar duas
matrizes A, B se:

A = [aik ]n×m , B = [bkj ]m×p , onde m = n. de col. de A = n. de linhas de B .

ALC 7
A matriz produto AB é a matriz, do tipo n × p (n linhas e p colunas), cuja entrada (i, j)
(i = 1, ..., n, j = 1, ..., p) é calculada multiplicando-se ordenadamente os elementos da linha i
da matriz A pelos elementos correspondentes da coluna j da matriz B e, a seguir, somam-se
os produtos obtidos:

a11 a12 · · · a1m

 
 a21 a22 · · · a2m  b11 b12 · · · b1j · · · b1p
  
.. 
 .
 . .. ..   b
 .
 . . .   21 b22 · · · b2j · · · b2p  
 
AB =    .. . . . =  · · · (AB)ij · · · 
 ai1 ai2 · · · aim   . .. .. ..  
 
 . . . ..
 .. .. ..  bm1 bm2 · · · bmj · · · bmp .

n×p
an1 an2 · · · anm

onde
m
X
(AB)ij = ai1 b1j + ai2 b2j + . . . + aim bmj = aik bkj
k=1

Exemplos 6.
 
  3 1    
1 0 2  1·3+0·2+2·1 1·1+0·1+2·0 5 1
a) 2 1 =
 = .
−1 3 1 −1 · 3 + 3 · 2 + 1 · 1 −1 · 1 + 3 · 1 + 1 · 0 4 2
1 0
 
1
  3     
b) −1 2 0 5   2  = −1 · 1 + 2 · 3 + 0 · 2 + 5 · (−1) = 0 - matriz de tipo 1 × 1.


−1
     
2   2·0 2 · (−1) 0 −2
c) 0 −1 = = - matriz de tipo 2 × 2.
−3 (−3) · 0 (−3) · (−1) 0 3

Propriedades da multiplicação de matrizes 3. Sejam A, B, C três matrizes de tipo ade-

quado de forma a que as operações indicadas se possam efectuar:

a) A(BC) = (AB)C - associatividade da multiplicação de matrizes;

b) A(B + C) = AB + AC - distributiva em relação à adição à esquerda;

c) (A + B)C = AC + BC - distributiva em relação à adição à direita;

d) Im A = AIn = A.

Demonstração. Vamos provar as igualdades a) e b). Para a) suponhamos que A ∈ Kn×m ,

B ∈ Km×p , C ∈ Kp×q :
p p p
m
! m
X X X X X
(A(BC))ij = (AB)iℓ Cℓj = Aik Bkℓ Cℓj = Aik Bkℓ Cℓj
ℓ=1 ℓ=1 k=1
m Xp m p
!ℓ=1 k=1
m
X X X X
= Aik Bkℓ Cℓj = Aik Bkℓ Cℓj = Aik (BC)kj = ((AB)C)ij .
k=1 ℓ=1 k=1 ℓ=1 k=1

Segue-se que A(BC) = (AB)C.

8 Álgebra Linear I
 Para b), suponhamos que A ∈ Kn×m , B, C ∈ Km×p :
m
X m
X m
X
(A(B + C))ij = Aik (B + C)kj = Aik (Bkj + Ckj ) = (Aik Bkj + Aik Ckj )
k=1 k=1 k=1
m
X m
X
= Aik Bkj + Aik Ckj = (AB)ij + (AC)ij = (AB + AC)ij .
k=1 k=1

Segue-se que A(B + C) = AB + AC.

Nota: Esta demonstração requer técnicas de somatórios, que estão fora do âmbito desta
disciplina, pelo que poder ao ser omitidas. 

Observações:
a) Quando existe a multiplicação AB, a multiplicação BA só pode existir no caso em que
A e B são ambas quadradas.

b) Supondo A, B matrizes quadradas, em geral, a multiplicação de matrizes não é comu-

tativa, ou seja, geralmente tem-se AB 6= BA.

c) Podemos ter AB = 0 e A 6= 0 e B 6= 0, i.e AB = 0 =⇒

6 A = 0 ou B = 0.

d) Não é válida a lei do corte, i.e: AB = AC =⇒

6 B = C.

Matriz transposta
Dada uma matriz A = [aij ]n×m (de tipo n×m), a matriz transposta é a matriz AT = [aji ]m×n
de tipo m × n que se obtém de A trocando as linhas pelas colunas de mesmo ı́ndice:

a11 ... a1j ... a1m

 
 .. .. .. ..  a11 . . . ai−1,1 ai1 ai+1,1 . . . an1
 
 . . . . 
 .. .. .. .. .. 
ai−1,1 . . . ai−1,j ... ai−i,m   . . . . . 
 
T
A =  ai1 . . . aij ... aim  , A =  a1j . . . ai−1,j aij ai+1,j . . . anj 
   
 . .. .. .. .. 
ai+1,1 . . . ai+1,j ... ai+1,m   ..
 
 . . . . . 
 .. .. .. .. 

. . . a1n . . . ai−1,m aim ai+1,m . . . anm m×n
an1 . . . anj ... anm n×m

- cada coluna de A corresponderá a uma linha de AT , e vice-versa.

Exemplos 7.
 
2
 T −1
a) 2 −1 3 0 = 
 3 .


0
 
 T 2 −4
2 3 0
b) = 3 2 .
−4 2 5
0 5

ALC 9
Propriedades da matriz transposta 4. Tem-se, para quaisquer matrizes A, B ∈ Kn×m ,
C ∈ Km×p e qualquer α ∈ K:

a) (AT )T = A;

b) (A + B)T = AT + B T ;

c) (αA)T = αAT ;

d) (AC)T = C T AT .

Demonstração. Vamos provar a igualdade d). Para isso temos de mostrar que ((AC)T )ij =
(C T AT )ij , para todo (i, j):
m
X m
X m
X
T
((AC) ))ij = (AC)ji = Ajk Cki = Cki Ajk = (C T )ik (AT )kj = (C T AT )ij .
k=1 k=1 k=1

Portanto (AC)T = C T AT . 

Matriz simétrica. Matriz anti-simétrica ou hemi-simétrica.

• Uma matriz A = [aij ] ∈ Kn×n diz-se simétrica se AT = A.

• Uma matriz A = [aij ] ∈ Kn×n diz-se anti-simétrica ou hemi-simétrica se AT = −A.

Exemplos 8.
 
1 5 9
a) A = 5 2 7 é simétrica.
9 7 6
 
0 3 5
b) A = −3 0 −4 é anti-simétrica (= hemi-simétrica).
−5 4 0

Matriz conjugada
Dada uma matriz A = [aij ] ∈ Cn×m , a matriz conjugada de A é a matriz A = [aij ] ∈ Cn×m
que se obtém de A substituindo cada entrada corresponde pelo seu conjugado (em C):

a11 . . . a1j . . . a1m a11 . . . ai1 . . . an1

   
 .. .. .. ..   .. .. .. 
 . . . .   . . . 
T
A =  ai1 . . . aij . . . aim  , A =  a1j . . . aij . . . anj  .
   
 . .. .. ..   . .. .. 
 .. . . .   .. . . 
an1 . . . anj . . . anm a1n . . . aim . . . anm

Exemplos 9.
     
i 1 + 2i 1 − i i 1 + 2i 1 − i −i 1 − 2i 1 + i
= = .
2 3i 2 + 2i 2 3i 2 + 2i 2 −3i 2 − 2i

10 Álgebra Linear I
Matriz transconjugada
T
Dada uma matriz A = [aij ] ∈ Cn×m , a matriz transconjugada de A é a matriz A∗ = A =
[aji ] ∈ Cm×n transposta da matriz conjugada de A:
T
a11 . . . a1j . . . a1m a11 . . . ai1 . . . an1
  
 .. .
.. .
.. .
..   .. .. .. 
 .   . . . 
A =  ai1 . . . aij . . . aim  , A =  a1j . . . aij
∗
. . . anj  .
   
 . .. .. ..   . .. .. 
 .. . . .   .. . . 
an1 . . . anj . . . anm a1n . . . aim . . . anm
Exemplos 10.
 
 ∗  T −i 2
i 1 + 2i 1 − i i 1 + 2i 1 − i
= = 1 − 2i −3i .
2 3i 2 + 2i 2 3i 2 + 2i
1 + i 2 − 2i

Propriedades das matrizes conjugadas e transconjugadas 5. Tem-se para qualquer

matriz A ∈ C n×m :
a) A = A;
T
b) A∗ = A = AT ;
c) (A∗ )T = A;
d) A∗ = AT ;
e) A∗∗ = A.

Matriz de blocos
Dada uma matriz A = [aij ]n×m podemos particioná-la em blocos rectangulares, usando linhas
horizontais e verticais:  
A11 A12 · · · A1s
 A21 A22 · · · A2s 
A=  ··· ··· ···

··· 
Ar1 Ar2 · · · Ars
onde cada Aij é uma matriz de tipo ni × mj com
n1 + n2 + · · · + nr = n , m1 + m2 + · · · + ms = m
- quer dizer que a soma do número de linhas [resp. colunas] dos blocos em cada coluna [resp.
linha] é o número total de linhas [resp. colunas] da matriz A. Cada matriz Aij diz-se um bloco
ou submatriz de A, e dizemos que A está fraccionada em blocos Aij de tipo ni × mj .
 
1 2 3 4 5
 6 7 8 9 10
Exemplos 11. Dada a matriz A =  11 12 13 14 15 podemos, por exemplo, particioná-


16 17 18 19 20
la da maneiras seguinte:
 
1 2 3 4 5  
 6 7 8 9 10  A11 A12
A=   =
11 12 13 14 15  A21 A22
16 17 18 19 20

ALC 11
      
1 2 2×2 3 4 5 2×3 11 12
com A11 = ∈ R , A12 = ∈ R , A21 = ∈ R2×2 , A22 =
6 7 8 9 10 16 17
 
13 14 15
∈ R2×3
18 19 20

É fácil determinarmos a matriz transposta de uma matriz de blocos:

Proposição 6. A transposta de uma matriz de blocos é a matriz de blocos obtida transpondo

primeiro cada fila de blocos na horizontal para a vertical e depois substituir cada um dos blocos
pelo seu transposto, isto é:
 
 T AT11 AT21 · · · ATr1
A11 A12 · · · A1s 
 T

 A21 A22 · · · A2s  T
 A12 A22 · · · Ar2  T 
T  ∈ Km×n
A =   =
··· ··· ··· ···   ··· ··· ··· ··· 

Ar1 Ar2 · · · Ars  
T T T
A1s A2s · · · Ars

Exemplos 12. Temos

 
 T 1 6 11 16
1 2 3 4 5  
 6 7 8 9 10  AT11 AT21

 2 7 12 17 

A=  =
 11 12 13 14 15 
= 3 8 13 18 
AT12 AT22
 
 4 9 14 19 
16 17 18 19 20
5 10 15 20

12 Álgebra Linear I